MCM/ICM报名费多少？2024年MCM/ICM报名备考中

数学建模竞赛（数模）是一项高含金量的商科比赛，对于准备保研的学生来说，是一个需要关注的重点。在数模竞赛中取得亮眼的成绩，可以成为夏令营申请中的加分项。如果能在美赛中获得M奖及以上的成绩，可以进一步充实和丰富个人简历，向导师展示自己在数学方面的水平。

对于即将保研的大三学生来说，今年的美赛是在明年夏令营前能够获得结果的最后一场数模比赛。这意味着他们可以利用这次机会来展示自己的能力。而对于大一和大二的同学来说，他们有更多的时间来充分准备美赛，并争取取得不错的成绩。

01团队成员及顾问团队成员

团队成员

一个团队最多可以由目前就读于同一所学校的三名。学校可以注册的团队数量没有限制。比赛面向所有本科生和高中生开放。顾问必须完成每个团队的注册过程。

团队顾问

团队所在机构的任何教职员工或学生都可以担任顾问的角色。顾问将作为团队的主要联系人，不必来自数学系。我们鼓励教职员工担任团队顾问;但是，学校的一名团队成员或另一名学生可以担任顾问。

02报名费用

报名费MCM/ICM的注册费为每队100美元，即约725人民币，3人团队每人大概分担240元。

MCM和ICM报名/免费领资料【翰林提供报名服务】

03 2024新变化

注册流程已简化，分为两部分：顾问注册和团队注册。

MCM/ICM竞赛现在有25页的限制。25 页的限制适用于整个提交，包括摘要表、解决方案、参考列表、目录、注释、附录、代码和任何问题特定要求。

在COMAP竞赛中使用大型语言模型和生成式AI 工具。但需在报告中明确指出LLM或其他AI工具的使用情况，包括是哪种模型被使用以及用于什么目的，且在25页的解决方案之后需附加AI使用情况报告。

竞赛时间

1.比赛时间：(北京时间：2024年2月2日，早晨6：00点，星期五) 至 (北京时间：2024年2月6 日，上午9：00，星期二)

2.提交截止日期：(北京时间：2024年2月6日，上午10：00，星期二)

3.比赛结果：结果将于2024年5月31 日或之前发布。

这里需要强调一下，美赛参赛阶段正处于美国东部的冬令营，所以有13个小时的时差，所以同学们参赛时间不会换算就无需处理，直接参照北京时间就可以。以免影响参赛。

04历年美赛情况分析

美赛（MCM/ICM）共设有两个赛道，分别是MCM（Mathematical Contest in Modeling）和ICM（The Interdisciplinary Contest in Modeling），每个赛道都有3个问题，总共提供6个题目供选。

MCM赛道偏向理工科，需要较高的数学和计算机能力，门槛相对较高，更加具有挑战性。ICM赛道偏向社科，更需要逻辑分析和写作能力，题目对商科同学来说相对较友好。

具体来说，MCM的A题涉及物理和化学问题，对专业有一定的限制；B题相对较好，对建模能力要求较高；C题会给出大量的数据，适合数据分析能力较强的同学；D、E、F题相对较友好，其中F题有时被戏称为"语文建模"，但也可能会有一些较为复杂的问题。通常商科同学会倾向于选择C、D、E、F题，但这并不是绝对的，只要对某个题目有思路和想法，都可以选择去解答。值得一提的是，如果选择一个与专业较为相关的题目进行研究，可以作为一篇较好的数模论文，丰富和充实个人的简历内容。

关于获奖情况，大家最关心的是奖项。美赛设有5个等级的奖项。通常来说，获得M奖及以上是比较有竞争力的成绩，可以成为简历中的一项亮点。根据2020年到2023年的统计数据，每年的获奖比例大致如下：O奖约占总参赛队伍的0.2%、F奖约占总参赛队伍的2%、M奖约占总参赛队伍的7%、H奖约占总参赛队伍的22%、S奖约占总参赛队伍的65%。MCM和ICM的获奖比例相对一致，没有明显更容易获奖的情况。如果查询历年的获奖队伍，会发现许多获得F奖和O奖的团队来自中国的高校。这一方面说明大学生对美赛的热情很高，另一方面也表明各位同学获得好成绩的希望是存在的！

05如何准备美赛

队友选择

通常3人队友配置：建模+编程+写论文，其中建模和编程比较重要。尽早找队友！否则靠谱有能力的同学就被别的队拉走啦。尽量选择熟悉的+有责任心的同学，否则到时候很可能面临一个人爆肝的情况。

学习模型

数学建模中常见的模型有很多，以下是一些常见的模型：

层次分析法（Analytic Hierarchy Process，AHP）：用于多指标决策和评估问题，通过构建层次结构和判断矩阵来确定各指标的权重。

熵权法（Entropy Weight Method）：用于多指标决策和评估问题，通过计算指标的信息熵来确定各指标的权重。

模糊综合评价（Fuzzy Comprehensive Evaluation）：用于处理模糊信息和不确定性问题，通过模糊数学方法对多指标进行综合评价。

蒙特卡罗模型（Monte Carlo Simulation）：用于模拟随机现象和不确定性问题，通过随机抽样和统计分析来估计模型的输出结果。

多元线性回归（Multiple Linear Regression）：用于建立自变量与因变量之间的线性关系模型，通过最小二乘法来估计回归系数。

拟合算法（Curve Fitting）：用于拟合数据点到一个数学函数或曲线的模型，常用的拟合方法有最小二乘法、最大似然估计等。

分类模型（Classification Model）：用于将样本数据分为不同类别或标签的模型，常见的分类方法有决策树、支持向量机、逻辑回归等。

聚类模型（Clustering Model）：用于将样本数据划分为相似的群组的模型，常见的聚类方法有K均值聚类、层次聚类等。

时间序列ARIMA模型（Autoregressive Integrated Moving Average）：用于分析和预测时间序列数据的模型，适用于具有趋势和季节性的数据。

微分方程模型（Differential Equation Model）：用于描述系统变化和动态行为的模型，常用于物理、生物等领域的建模。

粒子群算法模型（Particle Swarm Optimization）：一种优化算法，模拟鸟群觅食行为，用于求解复杂的优化问题。

神经网络模型（Neural Network Model）：模拟人脑神经元的连接和传递过程，用于模式识别、分类、回归等问题。

规划模型（Optimization Model）：用于求解最优解的模型，常见的规划方法有线性规划、整数规划、动态规划等。

排队模型（Queueing Model）：用于研究排队系统的模型，分析系统的稳定性、平均等待时间等指标。

在数学建模中，选择适当的模型是很重要的，不要生搬硬套，要根据具体问题和数据特点选择合适的模型。同时，掌握一些常用的建模软件如MATLAB、Python等是有帮助的，但也可以根据个人熟练度和需求选择其他软件如lingo、R、stata等。在学习数学建模时，可以参考相关课程和书籍，进行系统的学习和实践。

论文撰写

在美赛论文撰写过程中，以下几点是需要注意的事项：

使用英文撰写：美赛论文要求使用英文撰写，要注意语法、拼写和表达的准确性。可以使用翻译软件如谷歌翻译进行初步翻译，然后再进行修改和润色，以确保表达地道得体。

排版：建议提前学习使用LaTeX进行排版，它是一种方便实用的排版语言，可以帮助你更好地组织论文结构和呈现数学公式。LaTeX的使用涉及一些简单的编程操作，但学会使用它会提高论文的质量和美观度。

数据可视化：美赛非常注重数据的可视化呈现，因此在论文中合理使用图表是必不可少的。在数据可视化过程中，要尽量做到简洁清晰，使图表美观大方并能够清晰地传达信息。可以参考往年O奖论文的作图风格，但也要注意不要照搬，要根据具体情况进行适当调整和创新。

参考O奖论文：在比赛前，建议多阅读往年的O奖论文，从模型建立、写作风格、数据可视化等方面进行学习和模仿。这可以帮助你更好地了解评委老师的偏好，并提高自己在美赛中取得亮眼成绩的机会。

数据网站

美赛查找数据也是重大难题。除了C题会给予大量数据（甚至电脑跑不动），其他题目都要小伙伴自行搜集，而数据的质量很大程度上影响了最后模型运行的结果，因此找数据是美赛的重中之重。