首先带大家来看看国赛和美赛的获奖情况：

国赛和美赛的获奖情况

01

国赛获奖情况

高教社杯全国大学生数学建模竞赛国赛历年获奖比例(2017-2019)

·可以看出近几年国赛本科组参与人数和获奖比例都趋于稳定，国一是1%左右，国二是3%左右(2%~4%)

·与美赛相对比，近年来美赛的O、F在1%左右，M获奖率19年是7%，今年2020年是6%，然后提升了F奖的人数到了1%。

.所以从获奖难度上来说，国一的难度和美赛F奖O奖类似，国赛国二的获奖难度平均上大于美赛的M奖(2%～8%)。

·但因为评价方式和标准不同，可能少部分数模弱省的国二获奖难度和美赛M奖类似或者略低。

·国赛是会给弱省一些国二的名额，限制建模强校国奖的数量，比如：国奖一个学校限制10个，国一最多5个，即：5个国一5个国二就是满奖。

02

美赛获奖情况

2020 MCM Statistics

13749 Teams Participated

3851 Problem A(28%)

2453 Problem B(18%)

7445 Problem C (54%)

19 Outstanding Winners (<1%)

180 Finalist Winners(1%)

839 Meritorious Winners (6%)

3522 Honorable Mentions (26%)

8941 Successful Participants (65%)

49 Unsuccessful Participants(<1%)

198 Disqualified (1%)

1 Not Judged (<1%)

2020 ICM Statistics

7199 Teams participated

2089 Problem D (29%)

2526 Problem E(35%)

2584 Problem F (36%)

18 Outstanding Winners(<1%)

234 Finalist Winners (3%)

564 Meritorious Winners (8%)

1565 Honorable Mentions (22%)

4612 Successful Participants (64%)

34 Unsuccessful Participants (<1%)

170 Disqualified Teams (2%)

2 Not Judged(<1%) C教模乐

国赛和美赛的区别

美赛是英文论文，所以选队友记得选择一个英文能力还不错的。

时间上，美赛4天，国赛3天

国赛评审更加“理性”，美赛评审更加“感性”。也就是，美赛对于文章整体的规范和完成度十分看重，而国赛对于结果是可以直接评出省奖和国奖的，特别是A题（国赛A题很有特色，美赛不会有这种类型的题），如果结果偏差较大，国奖无望。（所以说，先把基础的一套流程给学会，上面提到的，写作模板规范，作图，附录，做好了，整篇文章一扫而过看起来不会很糟糕）

题目上，美赛给的选择更多，并且大多是围绕实际的问题展开。特别是美赛的E和F题，其实对于算法求解能力要求不是很高，重点在于模型的构建。

国赛每个学校有获奖名额限制，比如国奖几个，省奖几个；美赛没有，全凭发挥。

美赛有些题需要给相关专家写信，国赛好像没遇到过。

综上所述，我们可以得出一个结论，那就是美赛比国赛更容易拿奖，而国赛的含金量更高一些，大家觉得国赛和美赛哪个更容易拿奖呢，可于评论区留言哦~

关于参赛的一些建议

国赛讲究实力，美赛讲究创新。美赛不一定要多高级的方法，但是一定要有创意。而国赛，组委会往往是有一个模糊的“标准答案”在的，按部就班做下来就好了。注意不要一次性就建立复杂模型了，老外看重的是你的思维，你的逻辑，不像国赛，看重的是你的建模编程实力，要使用各种高大上的方法。拿到一个问题，可以先建立一个初等模型，讨论下结果；再逐渐放宽条件，把模型做的复杂一点。即 Basic model -> Normal model -> Extended model的思路。这个思维在美赛中很好，这么做下来基本都能得金奖的，鄙人这次也是按照这样的流程，拿了个金奖。

文献为王。建模的题目，基本上是某个教授的研究课题，凭我们本科生的水平，基本上做不到对题目的深刻理解。所以要多看文献。看文献也有技巧：刚拿到题目，先查一下相关背景资料，了解题目是哪方面的。接下来看文献，找一下硕士论文，博士论文以及综述性质的文章，硕博论文一般都会详细介绍下整个课题的国内外研究情况，综述就更不用说了，它就是对大量原始研究论文的数据、资料和主要观点进行归纳整理、分析提炼而写成的论文。看完这些，就可以比较有深度地把握题目，也知道如果我们要进行创新的话，往哪方面走。接下来，可以根据小组三人讨论的结果，有针对性的看一下有深度的文献，文献看得多了，就可以考虑开始创新了，像爱因斯坦那样开辟相对论等新领域的创新，是很有难度的，但是我们可以退而取其次，不是有句话叫做“他山之石，可以攻玉”吗？我们要做的就是组合创新！领域内组合创新，把一个学者的方法嫁接到另一个学者的模型上。以及交叉领域创新，把把自然科学的知识用到社会科学上，或者用社会科学解释自然科学的结果等等。（这里就可以体现，跨专业建模队伍的先天优势了：不同专业对同一个问题的思维是不同的，可以擦出创意的火花）PS：图书馆有买很多数据库，可以免费看论文。免费的话google学术是无敌的，国内文献貌似没有良好的分享平台，实在找不到论文也可以百度文库死马当活马医。平时可以多逛数模相关网站，数模乐园微信公众号、数维杯、中国大学生数学建模、中国大学生在线网站等。想法很重要。建模思维是一种很难学习到的东西，站在巨人的肩膀上，多看文献，负责建模的同学辛苦了。

建模的题目，A.B两道题。基本上是一题连续，一题离散；一题自然科学（理工科），另一题社会科学（经济管理）。这样的分布的，大家平常做题的时候就可以有所侧重，曾经有一支美帝的队伍，专攻离散题，貌似拿了连续两届的outstanding.掌握一点数据处理的技巧是很有必要的。比如数据缺失值的处理，插值与拟合等。尤其是数据缺失值的处理，基本上A,B题都有可能涉及，建议熟练掌握。More generally,软件操作水平几乎决定了一个队伍的结果上限。MATLAB是必备的，必须要熟练掌握各种模型的实现。此外，SPSS(或者R)也是要掌握的。Mathematic和MATLAB的替代性很强，不掌握也没关系（仅在建模方面，mathematic 当然也是很强大的）。What’s more建模比赛举办这么多年，用到lingo的情况几乎很少了，也可以不学lingo. And 现在的题目动不动就要粒子群等智能算法，强烈建议大家至少熟练掌握一种智能算法.后续更多内容持续更新中，获取更多数模干货请评论留言