企业官网建设流程全解析

1. 先搞清楚一件事：美赛到底考的是模型还是代码？

很多第一次打美赛的同学都会陷入一个误区：以为这是一场“数学竞赛”，于是花大量时间推导公式、证明定理，结果论文写得像期末作业，代码却跑不出一个像样的结果。实际上，美赛全称是美国大学生数学建模竞赛，核心是“用数学模型解决实际问题”，评审看的是“建模思路是否合理、模型是否匹配问题、结果是否可信、论文是否清晰”，代码只是证明你能把模型落地的工具。

但恰恰是“工具”这一环，卡住了大量队伍。我见过不少组，模型选得很好，论文结构也漂亮，一到模型求解阶段就翻车：要么代码跑出来的结果明显不合理，要么运行时间太长根本没法在三天内完成，要么代码和论文里的模型描述对不上，被评委一眼看出是“挂羊头卖狗肉”。

所以这篇“速成二”的内容定位很明确：不讲高深的数学推导，只讲两件事——怎么根据题目快速选出对口的模型，以及怎么把模型用代码真正跑起来。如果你正在准备美赛，或者已经组好队但还没想清楚用什么模型，这篇文章可以直接当作你的“选型手册+代码词典”来用。

我的建议是：读这篇文章之前，先把你们队伍往年的获奖论文翻出来看两到三篇，不用细看，只关注一个问题——他们用了什么模型、代码大概多少行。带着这个印象再来看下面的内容，你会更快建立起“模型→代码”的对应感。

2. 模型选择：不要背模型清单，要练“反向匹配”思维

2.1 为什么你总是觉得“哪个模型都像，哪个模型都不敢用”

新手选模型最常见的心态是：拿到题目后先回忆自己会哪些模型，然后试图从记忆里“凑”一个上去。比如学过层次分析法，就觉得什么题都能用层次分析法；学过灰色预测，看到数据就想预测一下。这种“我有什么工具就用什么工具”的思路，本质上是把问题硬塞进模型里，结果往往是模型和问题两张皮。

美赛的题目一般会直接或间接地告诉你需要做什么。比如题目说“设计一个评分系统”，那核心就是评价类模型；题目说“预测未来50年的变化趋势”，那核心就是预测类模型；题目说“优化资源分配”，那核心就是优化类模型；题目说“识别异常模式”，那核心就是分类或聚类模型。你需要做的不是背模型，而是把题目翻译成“模型族”，再从族里选具体方法。

我管这叫“反向匹配”：先读题，把题目里的动词圈出来（评估、预测、优化、分类、排程、决策），再对着动词找模型族，最后从族里挑一个自己队伍能驾驭的具体模型。这个过程看起来多了一步，但实际上比“背模型清单”快得多，而且选出来的模型一定和题目挂钩，写论文的时候解释“为什么选这个模型”也顺手得多。

2.2 一张表理清美赛六类题和模型族的对应关系

美赛分为MCM和ICM两个方向，MCM偏数学和连续问题，ICM偏运筹、政策、环境等交叉问题。不同题目类型有相对固定的“套路模型族”，我整理成下面这张表，建议打印出来放在手边。

这张表不是让你背，而是帮你建立“题目动词→模型族”的条件反射。比如今年某道题让你为一个面临气候变化的沿海社区设计“长期适应策略”，题干里有“策略”“长期”“影响”三个关键词，那你至少应该想到：评价模型（评估不同策略的优先级）+预测模型（预测海平面上升趋势）+优化模型（在预算约束下选择组合策略），一套多模型组合方案就出来了。

2.3 美赛选模型的三条实战铁律

铁律一：能用经典模型就不用冷门模型。美赛评委大多是应用数学或相关领域的教授，他们看过的论文数以万计，冷门模型并不会让他们眼前一亮，反而可能因为评委不熟悉而增加被质疑的风险。层次分析法、TOPSIS、灰色预测、线性规划、遗传算法这些“老面孔”之所以年年有人用，是因为它们稳定、可解释性强、代码成熟。你要做的不是发明模型，而是把经典模型用得出彩，比如在数据预处理、参数调整、结果可视化上多做文章。

铁律二：单一模型撑不起一篇美赛论文。美赛题目通常包含多个子问题，一个子问题可能需要单独的模型，同时主模型往往需要辅助模型来支撑。比如“预测+优化”组合，先用时间序列模型预测未来需求，再把预测结果作为优化模型的输入；比如“评价+聚类”组合，先用聚类对样本分组，再对不同组分别做评价。这种组合逻辑既体现了建模深度，又让论文有了层次感。

铁律三：模型复杂度要和数据量匹配。拿到题目先看附件数据量：几百行数据用深度学习和几千行数据的处理方式完全不同。如果数据量只有百级别，线性回归、灰色预测、TOPSIS就足够了，硬上LSTM只会得到一堆因为过拟合而乱飘的曲线；如果数据量大、特征多，再用随机森林或BP神经网络，效果会明显好于传统统计模型。用一个词概括就是“相称”，模型的复杂程度要和数据规模、问题粒度相称。

3. 核心模型代码实现：从“看懂”到“能跑”的跨越

3.1 数据预处理：所有代码的第一步，也是论文图表的数据源头

很多人拿到数据直接开始套模型，这是最致命的错误。美赛的附件数据通常有缺失值、异常值、单位不统一、量纲差异大等问题，不做预处理的话，模型输出很容易被个别异常点带偏。比如某年的一道题给了一张包含几十个指标的大表，有的指标范围是0到1，有的指标动辄几百上千，如果不做归一化，算出来的权重和距离全部被大量纲指标主导，结果自然是一塌糊涂。

数据预处理一般分四步：处理缺失值（删除、均值/中位数插补、多重插补）、处理异常值（箱线图检测、3σ原则、人为判定）、量纲归一化（min-max归一化、z-score标准化）、数据变换（取对数、差分处理）。下面给一个Matlab环境下通用的数据清洗模板，这个模板我每次比赛都会先写出来，往下一套就是一天。

% 数据读取与清洗——比赛通用模板 data = readmatrix('data.xlsx'); % 读取数据 X = data(:, 1:end-1); % 特征列 Y = data(:, end); % 目标列（如果是聚类或评价，Y可以不用） % 1. 缺失值处理：用列均值填充 for j = 1:size(X,2) col = X(:,j); col(isnan(col)) = mean(col(~isnan(col))); X(:,j) = col; end % 2. 异常值处理：3σ原则，超过±3倍标准差的替换为边界值 for j = 1:size(X,2) mu = mean(X(:,j)); sigma = std(X(:,j)); lb = mu - 3*sigma; ub = mu + 3*sigma; X(X(:,j) < lb, j) = lb; X(X(:,j) > ub, j) = ub; end % 3. 归一化：min-max到[0,1] X_norm = (X - min(X)) ./ (max(X) - min(X));

这段代码不长，但每个队伍都应该有自己的“清洗模板库”，赛前就把缺失值、异常值、归一化这些常用操作封装成函数文件，比赛中直接调用，能省下至少两三个小时。Python队伍同理，用pandas写一套clean_data函数，比赛时一行调用即可。

3.2 评价类模型的黄金组合：熵权法+TOPSIS（附完整代码）

如果题目里有“评估”“排序”“比较”“选择”这些词，熵权法+TOPSIS的组合是我最推荐的。理由很简单：熵权法根据数据的离散程度客观定权，避免了层次分析法里人为打分的主观性；TOPSIS通过计算方案与正理想解和负理想解的距离来排序，逻辑直观，评委一看就懂，代码也好写。

熵权法的核心思想是：某个指标的信息熵越小，说明它的变异程度越大，提供的信息量越多，权重就应该越高。TOPSIS的核心思路是：构造一个“最优方案”和一个“最劣方案”，然后算每个方案与这两者的距离，距离最优方案越近、越远离最劣方案，方案越好。两者组合使用，权重不用人为设定，结果客观可复现。

下面是MATLAB完整代码，可以直接抄作业。这份代码我在比赛中用过多次，稳定性很好，输出结果包括权重向量、每个方案的得分和排名。

function [score, rank, weight] = entropy_topsis(X) % X: n行m列，n个评价对象，m个评价指标，已经正向化且归一化 [n, m] = size(X); % 熵权法计算权重 % 1. 计算每个样本在指标j下的比重 P = X ./ sum(X, 1); % 2. 计算信息熵 k = 1 / log(n); e = -k * sum(P .* log(P + 1e-12), 1); % 加小量防止log(0) % 3. 计算权重 d = 1 - e; weight = d / sum(d); % TOPSIS排序 % 正理想解和负理想解 Z = X .* weight; ideal_best = max(Z, [], 1); ideal_worst = min(Z, [], 1); % 距离计算 dist_best = sqrt(sum((Z - ideal_best).^2, 2)); dist_worst = sqrt(sum((Z - ideal_worst).^2, 2)); % 相对接近度 score = dist_worst ./ (dist_best + dist_worst); [~, rank] = sort(score, 'descend'); end

这段代码的核心在于第一步的“正向化归一化”必须做好。什么叫正向化？指标分为效益型（越大越好）和成本型（越小越好），TOPSIS要求所有指标方向一致，所以成本型指标要先取倒数或做max - x变换。以“价格”为例，价格越低越好，正向化处理是价格_正向 = max(价格) - 价格，或者价格_正向 = 1 ./ 价格。这一步如果漏了，跑出来的排名会完全反掉，而且是那种“一眼假”的反，评委看到会直接扣分。

3.3 预测类模型：短数据用灰色预测，长数据用ARIMA，数据充足才上LSTM

美赛的预测题是出现频率最高的题型之一。很多队伍一看到“预测”就想到机器学习，甚至直接堆LSTM，但美赛的数据量往往不给力。我给一个实用分层方案：数据量低于30条，用灰色预测GM(1,1)；数据量在30到几百条之间、且有明显趋势或季节性，用ARIMA或指数平滑；数据量上千条、且特征复杂，才考虑随机森林、LSTM这类机器学习模型。

灰色预测之所以在数学建模圈子里“永远滴神”，是因为它不需要大量历史数据、不需要数据满足统计分布假设，仅凭四五条数据就能做预测。它的本质是对原始数据做一次累加生成，弱化随机性，再用指数曲线去拟合。下面是GM(1,1)的MATLAB代码，短数据预测就直接套它。

function [y_pred, a, b] = grey_gm11(y0, num_pred) % y0: 原始序列（列向量），num_pred: 预测未来步数 n = length(y0); % 1. 累加生成序列 y1 = cumsum(y0); % 2. 构造数据矩阵B和数据向量Y B = zeros(n-1, 2); for i = 1:n-1 B(i,1) = -0.5 * (y1(i) + y1(i+1)); B(i,2) = 1; end Y = y0(2:end); % 3. 最小二乘估计参数a（发展系数）和b（灰作用量） u = (B'*B) \ (B'*Y); a = u(1); b = u(2); % 4. 累减还原得到预测值 y_pred = zeros(n + num_pred, 1); y_pred(1) = y0(1); for k = 2:n + num_pred y1_pred = (y0(1) - b/a) * exp(-a*(k-1)) + b/a; y_pred(k) = y1_pred - (y0(1) - b/a) * exp(-a*(k-2)) - b/a + y1_pred; % 等价于累减还原 end % 实际上直接输出原文mex简化如下 x0_pred = zeros(n + num_pred, 1); x0_pred(1) = y0(1); for k = 2:n+num_pred x0_pred(k) = (1 - exp(a)) * (y0(1) - b/a) * exp(-a*(k-1)); end y_pred = x0_pred; end

这段代码里有个细节容易被忽略：GM(1,1)产生的是一条指数型曲线，对于波动大的数据、或者有周期性的数据，拟合效果会非常差。所以在套用之前先用plot画出原始数据的曲线，看看趋势是不是“大致单调递增或递减”。如果不是，就别硬套灰色预测，可以考虑先做差分，再预测，或者直接换ARIMA。比赛里很多队伍不看图直接跑模型，跑完发现预测曲线和原始数据完全不在一个量纲上，又花大量时间debug，其实问题出在模型选择阶段。

3.4 优化类模型：线性规划一小时出结果，遗传算法帮你跳出局部最优

优化题是美赛最考验代码能力的题型。如果你是首次接触优化类问题，先别碰启发式算法，老老实实从线性规划和整数规划开始。MATLAB自带的linprog和intlinprog函数能解决绝大部分线性优化问题，关键是学会把实际问题“翻译”成标准形式：目标函数、决策变量、约束条件。这个翻译能力比代码本身重要得多。

举个例子，某道题要求设计一个最小成本的物流配送方案，假设有3个仓库、4个客户，每个仓库的库存有限，每个客户的需求量固定，问怎么分配运输量使总成本最小。这就是一个典型的线性规划问题，决策变量是“从仓库i运到客户j的货物量”，目标函数是总运输成本，约束条件包括仓库容量约束和客户需求约束。MATLAB代码框架如下：

% 线性规划求解物流配送问题 % 决策变量 x = [x11, x12, x13, x14, x21, x22, x23, x24, x31, x32, x33, x34]' % 目标函数：minimize cost' * x cost = [5 3 8 6; 4 7 2 9; 6 4 5 3]; cost = cost(:); % 展开成向量 % 等式约束（每个客户的需求） Aeq = kron(eye(4), ones(1,3)); % 4x12矩阵，每个客户对应3个仓库 beq = [50, 30, 40, 20]; % 每个客户的需求量 % 不等式约束（每个仓库的容量） A = kron(ones(1,4), eye(3)); % 3x12矩阵 b = [80, 70, 60]; % 每个仓库的库存上限 % 变量下界 lb = zeros(12, 1); % 求解 x = linprog(cost, A, b, Aeq, beq, lb, []); x = reshape(x, 3, 4); disp('最优运输矩阵:'); disp(x);

kron函数在这里用得很巧妙：kron(eye(4), ones(1,3))生成一个块对角矩阵，每行对应一个客户的需求等式；kron(ones(1,4), eye(3))生成一个3行矩阵，每行对应一个仓库的容量不等式。如果不懂这两行矩阵构造的原理，建议花半小时把kron函数的文档看懂，优化类题目里这种矩阵构造出现的频率非常高。会这一手，线性规划题基本都能在一小时内搞定。

如果你的题目是非线性的（比如目标函数带平方项、约束条件非线性），linprog就没法直接用了，需要用fmincon。如果决策变量是0/1选择问题（比如选不选某个方案），可以用intlinprog配合整数约束。再往上，如果变量空间太大、约束太复杂导致精确算法跑不动，才考虑遗传算法ga。遗传算法的好处是不依赖梯度信息、能搜全局最优解，坏处是调参费时（种群大小、交叉概率、变异概率都影响收敛性），比赛时间紧张时不建议从零开始调参，直接用MATLAB默认参数跑一遍，先看结果是否合理，再考虑要不要调。

4. 完整实操案例：一道评价+预测+优化综合题的三模型串联

4.1 破题：把一道综合题拆成三个可执行的子问题

我拿一个模拟的人工案例来演示完整串联过程。假设题目是：某城市为了应对极端天气对基础设施的影响，需要评估不同片区的脆弱性、预测未来十年风险变化、并设计最优资源分配方案。这是一道非常典型的“评价+预测+优化”综合题，几乎每个队伍都会遇到类似结构。

拿到题先别急着写代码，按“子问题分解”的方式来拆：

• 问题一：评估当前各片区的脆弱性等级。选评价类模型，用熵权法+TOPSIS，输入是片区的多个指标（人口密度、基础设施老化指数、绿化率、排水能力等），输出是各片区的脆弱性得分和排名。
• 问题二：预测未来十年每个片区的风险变化趋势。用灰色预测GM(1,1)或ARIMA，输入是过去若干年每个片区的风险指数（可以直接用问题一的得分作为历史序列，如果有历史数据的话），输出是未来十年的预测曲线。
• 问题三：在有限预算下选择改造优先顺序。用线性规划或0-1整数规划，决策变量是“是否对某个片区进行改造”，目标函数是“总风险降低量最大化”，约束条件是预算上限。

三个子问题之间是有数据流通的：问题一的得分可以作为问题二的历史序列起点，问题二的预测结果可以作为问题三中“未来风险降低量”的计算依据。这种串联逻辑在论文中写出来非常加分，因为它体现了你真的理解了问题结构，而不是三个模型各干各的。

4.2 主模型代码串联：从数据输入到结果可视化的全流程

下面是上述案例的核心代码串联框架，我按“数据准备-评价-预测-优化-可视化”的顺序组织。这一段代码不是让你直接复制运行，而是给你一个“代码组织范本”，比赛时对着这个结构去填充自己的数据和模型即可。

%% 数据准备 indicator = readmatrix('vulnerability_data.xlsx'); % 各片区指标数据 names = {'DistA','DistB','DistC','DistD'}; %% 子问题一：熵权法+TOPSIS评价脆弱性 X = indicator; % 正向化处理示例：假设第2列是成本型指标（越大越脆弱但此处反，越小越好），需取倒数 X(:,2) = 1 ./ X(:,2); % 归一化 X_norm = (X - min(X)) ./ (max(X) - min(X)); [score, rank, w] = entropy_topsis(X_norm); disp('脆弱性得分和排名:'); disp([names; num2str(score')]); %% 子问题二：灰色预测未来十年风险 % 用过去5年的脆弱性平均得分作为序列 history = [0.62, 0.65, 0.67, 0.70, 0.74]; % 由历史数据得到 [future10, a, b] = grey_gm11(history, 10); disp('未来十年风险指数预测:'); disp(future10'); %% 子问题三：0-1整数规划选择改造优先顺序 % 决策变量 x_i：是否改造片区i % 目标函数：最大化 risk_reduction_i * x_i risk_reduction = [0.15, 0.12, 0.20, 0.18]; % 对应改造后的风险降低 cost_i = [50, 40, 70, 60]; % 改造费用（万） budget = 150; % 总预算 f = -risk_reduction; % intlinprog默认求最小化，取负 A = cost_i; % 费用约束 b = budget; intcon = 1:4; % 所有变量都是0-1整数 lb = zeros(4,1); ub = ones(4,1); [x_opt, fval] = intlinprog(f, intcon, A, b, [], [], lb, ub); selected = find(x_opt > 0.5); disp('建议优先改造的片区编号:'); disp(selected); %% 可视化 subplot(2,2,1); bar(score); title('脆弱性评价得分'); subplot(2,2,2); plot([2019:2023], history, 'o-', [2024:2033], future10, 's--'); legend('历史值','预测值'); title('风险指数预测'); subplot(2,2,3); bar(cost_i .* x_opt); title('改造费用分布');

这段代码跑通后，你已经有了一套完整的“模型串联”示范。注意最后一行的可视化部分：美赛论文里图表数量和质量往往直接影响评审印象分，同样的数据用Excel干巴巴的表格展示，远不如画成清晰的三张子图效果好。我个人的习惯是，每一个子问题至少配一张图，每张图都要有清晰的标题、坐标轴标注和图例，这也是评委判断你“工程素养”最直观的地方。

4.3 代码调试的三个关键点位

说实话，比赛三天里代码调试会占用大量时间。根据我的参赛经验，90%的报错集中在三个位置：

• 数据维度不匹配。读取Excel后列数和自己定义的不一致，矩阵乘法或kron运算直接报错。解决办法：写代码前先size看一下数据维度，写注释标明每行每列的含义，别嫌麻烦。
• log(0)或除零错误。熵权法算概率时遇到0/0，灰色预测算累加时数据全为0导致参数估计崩溃。解决办法：在关键位置加+1e-12这种小量保护，或者先检查数据里有没有全零列。
• 中英文符号问题。MATLAB中用了中文输入法的逗号、括号，代码报错且很难发现。解决办法：写代码时关闭中文输入法，或者写完用编辑器自带的“查找替换”把中文标点全部替换为英文标点。

下面这份“常见报错→解决方案”速查表，是我比赛时贴在电脑边的，现在也分享出来，希望能帮你省下一些debug时间。

5. 模型选择中的常见致命误区与避坑实录

5.1 误区一：模型越复杂越好，评委一定会喜欢“高级感”

我见过不少队伍放着逻辑清晰的线性回归不用，偏要上深度学习，理由是“这样看起来比较厉害”。但美赛评审的实际情况恰恰相反：模型越复杂，你需要解释的东西就越多，评委对它的“审查”就越严格。如果你们用的是LSTM，那评委大概率会问：为什么选LSTM而不是GRU？训练集怎么划分的？会不会过拟合？参数怎么调的？如果你们答不上来，模型再高级也会成为扣分项。如果一个队伍的代码只有200行，用的全是经典模型，但每个模型都贴合问题、结果可视化做得精细、逻辑链条完整，得奖概率反而远高于堆了一堆冷门模型的队伍。

我的建议是：模型选择首先要考虑队伍的“驾驭能力”。比赛前两天临时学一个新模型的成本极高，优不优秀放在一边，能不能在三天内真正跑通、调好、解释清楚才是第一位的。如果一个模型你之前没用过，但队友说“这个模型好炫”，你就问他一句“你会调试吗？”——大多数情况下，这句话就能劝退。

5.2 误区二：数据分析做得少，模型直接硬算

评审专家最反感的事情之一就是论文里没有对原始数据的探索性分析（EDA）。很多队伍拿到数据直接算TOPSIS，算完画个柱状图就交差，这样评委看不到你对数据的理解。一个合格的建模流程应该包含：数据可视化（散点图、箱线图、相关性热力图）、数据分布检验（偏度、峰度、是否有长尾）、缺失值/异常值分析。这些内容放在论文“数据预处理”一节，既充实了篇幅，又展示了你对数据的敏感度。

举个例子，如果数据里有明显的离群点，而你在论文里主动说明“该点可能是某年异常事件导致，已通过3σ原则剔除”，这会大幅提升论文的可信度；反过来，如果评委看到未处理的离群点明显影响了结果，而论文里只字未提，那整个模型结果都会被质疑。所以，哪怕时间再紧，也至少花半小时画两三张数据分布的图，这些图会成为论文里的“定海神针”。

5.3 误区三：代码能跑通，但和论文描述对不上

这是最冤的死亡方式，没有之一。有些队伍论文里写“使用遗传算法求解”，代码里却跑了个贪婪算法；论文里写“用熵权法确定权重”，代码里写死了一组人为权重。评委不会逐行检查代码，但他们会在你论文的模型描述与实际图表结果之间做一致性判断。一旦发现模型名字和结果对不上，论文的可信度就会断崖式下降，甚至被评为“不诚实提交”。

要避免这个问题，我建议每支队伍在提交之前专门留出两小时做一次“论文-代码-结果”三方核对：论文里出现的每个模型名、每个图表数据，都要找到对应的代码文件，哪怕只是口头确认。如果发现论文写得太“满”、代码实际没实现某部分，要么补代码，要么改论文，千万不能让描述凌驾于真实结果之上。除此之外，代码文件最好按子问题编号命名（比如Q1_evaluation.m、Q2_forecast.m、Q3_optimization.m），并在每份代码头部加注释说明这段代码对应论文第几节。这既方便自己核对，也是给评委留个好印象。

5.4 经验：赛前准备好“代码弹药库”，比赛时真的能救命

说实话，三天比赛时间非常紧凑，临时写代码是最耗时间的环节。我每次都建议带过的队伍在赛前准备好自己的“代码弹药库”：把常用的模型代码写成模板文件，命名清晰，放在同一个文件夹里。比如我自己的模板库包含：

• clean_data.m：缺失值、异常值、归一化全套数据清洗函数
• entropy_topsis.m：熵权法+TOPSIS评价函数
• grey_gm11.m：灰色预测函数
• arima_forecast.m：ARIMA建模与预测脚本
• linprog_template.m：线性规划通用模板
• ga_template.m：遗传算法求解通用模板
• visualize_panel.m：多子图可视化面板生成函数

这些模板不需要多复杂，关键是“能跑通、改参数就能用”。赛前花两天整理好，相当于给全队提前装了外挂。需要注意的是，模板一定要你自己跑过，别从网上拷贝一段没验证过的代码就塞进去——赛场上跑不通的模板等于没有模板，还会浪费你本来就不多的debug时间。

6. 写在最后的几点个人心得

打了几年比赛、也帮人改过不少论文之后，我最大的体会是：美赛本质上是在考察“在有限时间内用有限工具解决陌生问题的能力”。模型选择没有绝对的最优解，只有“在你们队伍能力范围内最合适”的解。与其纠结“这个模型够不够高级”，不如问自己“这个模型能不能在明天中午前跑出第一版结果、在后天下午前完成可视化、在提交前还有时间把图全换一遍”。

代码实现也是一样的逻辑。不要追求写出完美的工程级代码，比赛代码唯一的标准是：能出结果、结果可信、可视化清晰、和论文一致。至于代码风格丑一点、运行慢一点、有些变量命名奇奇怪怪，都不重要。我见过不少代码“优雅”的队伍翻车在模型选择上，也见过代码略显稚嫩但思路清晰的队伍拿了不错的奖项。

最后再分享一个小技巧：比赛第二天晚上，务必把第一版结果完整跑出来，哪怕各个子问题的模型还比较粗糙。因为只有你看到了一个“完整的结果”，你才知道后面该怎么修、往哪个方向优化。很多队伍第三天还在盲目改参数，就是因为他们第一天第二天没有跑通全流程，始终没有形成“全局视角”。先跑通，再优化，这是所有比赛通用的黄金法则。