美赛MCM和ICM有什么区别？ 美赛mcm和icm证书一样吗
美赛赛题类型
美国大学生数学建模竞赛目前分为两种类型，MCM（Mathematical Contest In Modeling）和 ICM（Interdisciplinary Contest In Modeling)，两种类型竞赛采用统一标准进行，竞赛题目出来之后，参数队伍通过美赛官网进行选题，一共分为 6 种题型。
MCM:
对于参赛者的数学模型素养以及建模能力要求较高，
一般A题为连续问题、B题为离散问题。C题，与大数据和数据挖掘有关。
ICM:
一般涉及的问题较宏观和复杂。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。
ICM有3道题，D题一般与网络科学或优化有关，
E题与环境科学有关，
F题与政策、社会科学相关，主要讨论社会科学中的建模问题。六种题型怎么理解首先，MCM/ICM（2016年起）每年共有6道题，不是6种题，MCM是ABC三题，ICM是DEF三题。对6道题目类型的描述，不是严格的划分，角度和依据都不相同。
continuous和discrete是指模型的类型，data insights是指问题数据的特征，operations research/network science和environmental science是指问题涉及到的学科，而environmental science和policy又是指问题本身的背景。这不是按照同一标准对题目进行划分，之间有重叠。最显然的，如果认为continuous和discrete是互补的，那么其他4道题目应该可以分别归入其中某一类。
其次，这些一两个词的描述过于笼统、宽泛，无法体现题目的具体特征，特别是A、B、F题的描述，提供的信息非常少，说了几乎等于没说。continuous、discrete把所有的模型全包括了。policy范围也太广，人类主宰世界，方方面面都可能涉及政策问题。而且F题也是2016年新增加的，只有2016年一年的题目（难民问题），暂时还看不出来什么规律。
而C题和D题的特征相对具体一些。比如，针对2016年起MCM新增加的C题，COMAP（Consortium for Mathematics and Its Applications）专门发布了一份 文档 （ 中文简介 ）说明其特征。概括起来，MCM的C题与数据有关，虽然称不上大数据，但压缩包也在100MB以上，与MCM/ICM其他题目相比，数据量算是大的（实际上以往MCM/ICM的题目很少给数据），这就要求选这一题的参赛队要熟悉数据处理的基本方法，包括预处理、后处理等，并掌握相应的编程技能或是相关软件的使用方法。模型、方法方面，可能主要集中在统计、模式识别等方向。再比如D题如果是网络科学的问题的话，所用到模型、算法、软件比较集中，有章可循。近几年网络科学是一个热门研究领域，算法、软件包括可视化的软件都很多，如果对这一领域的相关知识和软件都比较熟悉，选题时可以重点关注D题。
E题环境科学，大体上会集中在环境污染、资源短缺、可持续发展、生态保护等几个方面。对问题的背景有一定的提示作用，但是范围仍然很广，模型、方法没有明显的特征。
所以，显然无法仅仅根据这些提示就进行选题，至多是，排除某个题目不考虑（如，计算能力差的队可以不选C题）。如果仅从选题的角度出发，搞清楚MCM竞赛与ICM竞赛的区别，可能更有帮助。
选题：自己手工翻译、对照翻译、快速选择擅长的
多目标规划-》单目标规划——》确定权重-》遗传算法求解模型
查文献：
带具体问题去搜 搜相似、更换主体
模型要选实用、合理的，神经网络对线性拟合不好，线性关系用回归模型，优化、评价、聚类、预测
Matlab偏自主求解，lingo适合标准的规划问题（整数规划），matheMatica适合涉及符号运算
决策论：单目标、多目标（可先转至单目标 *系数）
目标规划较大时：分步求解、逐级优化
1，确定问题所属类别
2，确定目标，构建定量描述目标的数学表达式，如果目标不便于量化的效用函数，则利用心理、物理等方法加以确定
3.抽象问题的约束条件：明显存在的约束 隐含约束（搜索范围的限制）可能会用到的：1.解模型
2.绘图 ：复杂函数（预测图）、思维导图解释组成、程序流程图3.正则表达式
4.爬虫数据
5.写不断搜集参考资料 15.6篇参考论文结构：1.写摘要很重要（全队都看一遍，差不多就是每个问题的简要回答，用的模型、数据结果具体
2.问题类别相关要素 应该包含：建模思想或模型的归类
3.求解思路或主要算法
4.主要结果（数值结果）
5.模型检验（误差分析、稳定性分析等）
6.结论）硬实力准备：
1.学习常用模型/算法,并进行实战建模练习，学习常用模型的原理，并分别进行应用练习，再进行真题实战练习
2.学习常用建模工具如 matlab 使用方法，练习编写常用程序1）.学习常用数学计算工具的使用，python 的科学库或者matlab 的工具箱等用来验证模型
2）.学习常用算法，可能需要编写程序实现模型来验证算法，学习原理、练习编写，应用练习，真题练习
3.提高学术英语写作水平
1）.掌握论文框架结构，严谨清晰、主次分明、有逻辑即可。通过阅读官方模板和往年优秀论文学习
2）.丰富的数学、计算机专业词汇积累，交叉学科类题的话还有相关学科的词汇也要注意积累，这个就要靠平时背了，可以通过记住数学教材或论文里的词，如果只有中文也可以用翻译软件翻译并记下来
3）.不要求使用多复杂的句子，以简单易懂为目标，把评委当作小学生，但是简单而不能单调，注意句式和用词的变化，不要单调重复，大结构应该显得句式整齐，但是小段落上不要单调重复
4.学习规范的论文引用格式，阅读总结往年优秀论文的引用格式1.学习排版工具 Latex ，常用绘图工具的使用
学习 Latex 的基本语法，进行使用练习，进行论文排版实战
2.学习常用绘图软件 matlab 、processon、visio、python 等，进行常用图形的绘制，如各种二维、三维的坐标图、分布图等。练习绘制往年优秀论文出现的图
3.用往届赛题，学习其建模思路、论文内容布局及排版
4.用往届赛题进行综合实战演习，练习如何搜集资料、如何建立模型、及如何写好解答论文
5.每年的特级论文及其讲评都刊登在 UMAP 期刊上
软实力准备1.学习前人的经验
1.）往届获奖的优秀学长学姐，不限制于本学院，可以了解数理学院和建模社团的相关信息
2.）谷歌搜索， Quora等
2.抗压性训练
3.团队建设
1.）能力较强和时间充足的情况下，可以考虑全方面培养自己，要求自己具有单干的能力
2.）一般而言，找队员要找能弥补自己能力短板的；比如获取信息的能力、建模能力、编程能力等
3.）如果找不到能弥补自己短板的大佬，就尽量找时间充裕，并且重视这个比赛的人，虽然他们现在的水平不太够，但是一段时间的学习的效果还是不错的
4.）最好能定期开个组会，一起进行学习进度确认，后期进行实战模拟，培养默契感，熟悉分工和合作流程竞赛时的注意事项
1.用脑图画出任务大纲细化后，分配任务到各人
2.选题最多花半天时间，中途不要换题，至少要有两天写论文
3.能建立出模型最重要 ，所以选题结合自己的优势，至少要选一个有思路的，再考虑模型的可创新性。建立模型的时候先从简单模型开始，再逐步去掉假设限制逐步复杂化模型一些其它的事项1.各个时间节点要注意，报名时间，赛题发布，提交时间等
2.论文版式格式，文件命名格式，邮件命名格式要求
3.提交内容和方式及注意事项：提交邮箱、附件要求、命名要求
4.检查提交论文邮箱地址
