数学建模国赛和美赛哪个难度大?哪个更容易获奖?

无论是国赛、美赛、还是数维杯等数学建模竞赛,参赛规则一般由1-3人在3-4天内完成一篇建模形式的论文,和国赛相比,美赛的赛题类型每年都是固定的,那么,数学建模国赛和美赛哪个难度大?哪个更容易获奖?

国赛与美赛的获奖情况

1、国赛

首先是国赛,国赛评奖分为两个阶段,第一阶段是赛区评审,推选出赛区奖(也叫省奖)和推荐国家奖;赛区推荐上去的国家奖经国赛委员会评审得到最终的国家级一等奖和二等奖、目前来看省奖获奖率在30%左右(各赛区比例不一致),而国奖获得率:国一是1%左右,国二是3%左右;省奖概率虽因省而异,但也较低。

近几年获奖情况如下图:

国赛和美赛哪个更容易拿奖?

2、美赛

就美赛而言,参赛论文统一集中评奖,评选出O奖、F奖、M奖、H奖和S奖,近年来美赛的O奖<1%、F在2%左右,M获奖率在10%左右,再加上美赛H奖获奖率在20%左右,美赛获奖比例较高,约为30%左右;

2022年获奖情况如下图:

国赛和美赛哪个更容易拿奖?

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。

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。

国赛赛题类型

我们以今年2022年国赛题目为例,与往年赛题风格类似:

A题:往往涉及到一些比较现实的实际生活中会遇到的物理问题,在参赛的同学中一般也只有理工科的学生选择A题会很多,A题围绕波浪能转化装置输出能量问题,通过波浪作用,使装置中的浮子与振子产生相对运动,驱动阻尼器做功并其作为能量输出,要求建立浮子与振子的运动模型,并设计最优阻尼系数使得PIO系数的平均功率最大。

B题:在之前各种数学建模模拟赛中,已经出现了很多次关于无人机调度等问题,这次是关于无人机的定位问题。

本题设计无人机集群协办同编队控制问题,讨论无人机集群再保持编队飞行时,如何通过部分无人机发射信号、其余无人机被动接收信号,利用提取的方向信息进行定位,进而调整无人机的位置。

C题:属于数据分析、统计建模类问题。

本题通过对古代玻璃制品的化学成分数据分析,研究有无风化玻璃制品成分的变化规律,以及高钾、铅钡两种玻璃类型的化学成分统计规律,并探索亚分类的方法,进而可以依据未知分类的文物化学成分对文物进行准确的分类。本题数据的主要特点是成分性,即各化学成分比例的累加和应100%,具有定和约束,在统计学上称为“成分数据”。同时由于定和约束,成分数据各变量之间具有明显的共线性,使得常规的统计分析方法失效。通常需要通过适当的变换解决这类问题,比如:中心对数比变换(Centered Log-ratio,CLR)等。

美赛目前分为两种类型:MCM和ICM

MCM 全称The Mathematical Contest in Modeling,即数学建模竞赛,偏数学、理工。

ICM 全称The Interdisciplinary Contest in Modeling,即交叉学科建模竞赛,需要交叉学科知识。

两种类型的竞赛采用同一方式同时进行(仅评阅时分开)。

MCM和ICM各3道题目,通过美赛官网下载赛题及相关附件

MCM:对参赛者的数学模型素养以及建模能力要求较高(公式推导、模型深刻理解、算法的实现)

A题:连续性问题。常涉及到物理知识及相关方法,微分方程模型、时间序列模型、线性/ 非线性回归、神经网络、多目标优化等模型。

B题:离散型问题。常涉及到logistic model、多目标决策、多目标规划、动态规划、多元线性回归、元胞自动机、机器学习及预测模型等。(主要是优化模型)

C题:大数据、数据挖掘。常常涉及到机器学习、特征工程、图像处理相关领域的知识。例如21年大黄蜂问题就是一个图像处理/深度学习的问题,20年涉及到NLP相关的算法。除此以外,常用到灰色关联分析、熵权法、因子分析、时间序列分析、元胞自动机等模型。

ICM:一般涉及的问题宏观和复杂。对于参赛者把握问题主线、权衡宏观与微观、整体与细节的能力要求较高。(往往需要查阅大量资料,了解相关问题背景,参考文献的方法等)

D题:网络科学/运筹学问题。常常涉及到一些算法及软件的使用。常涉及到排队论、聚类分析、多目标规划、分类预测相关模型、因子分析、多元线性回归、智能算法等。

E题:以环境科学为背景的问题。美赛E题多为对环境状态进行评价与预测,通常需要我们建立评价模型,同时对一些状态进行优化/预测/分析。常常涉及到综合评价模型、熵权法、

层次分析、灰色关联分析、灰色预测、logistic、model、K-means聚类分析等等。

F题:与政策、社会科学相关的问题。常常涉及到网络规划、非线性规划、层次分析、Topsis、综合评价、时间序列分析、决策树、主成分分析等算法。

没参加过,要如何准备竞赛?这么多竞赛,哪个才合适我?

翰林坐拥强大的组队资源池

赶紧扫码详细咨询,及时获取海量国际竞赛资讯及备赛资料福利

翰林国际教育资讯二维码