$ g' z$ a; ^9 Y; v8 D MCM方面，有些题目容易理解，但是没有数据。有些题目因与美国的文化差异和地域差异，导致理解困难。这就需要在半天的时间内，快速查找资料对题目进行理解并且尝试寻找相关数据。在半天之后，根据情况，选择题目。比如A题易于理解，但是河水流量数据、水坝的具体数据是直接能够找到，还是要通过建模得到。这无疑增加了难度。而B题高速公路收费的题目，因中美差异，收费情况可能和我们理解的不一样，会造成审题的偏差。所以，需要根据资料的查找情况和大家讨论，以确定题目。 2 V! F3 x$ G* J+ \! O0 r, S5 z9 I 2 l [ [8 \: ^" m8 U 注意：易于理解的题目并不见得简单，而且你易于理解也会导致其他参赛选手也利于理解，这样会造成某一个题目竞争成功的难度增大。 8 `. w8 w* p% P4 N" U, F5 ]4 T $ K( l" i. g& w( |3 b5 Q二、题目理解和目标细分# w1 H* E: j0 `/ t
# S+ J, i) ~) ^5 u" k
第一步：当题目确定后，首先将题目中表述任务的词语画出（一般为性能、花费、安全等），和要考虑的因素画出（比如A题中的流量、生态影响等）。将题目的目标具体分成几个部分。明确哪些是先要做的基础工作，哪些是在这些基础上进行的工作。比如A题中，要评价3种选项的优劣，那么在安全性评价上，要先得出水流量公式，此时水流量就为基础性工作，而评价位于之上。此时，可以画出一个先建模什么再建模什么的模块流程图。& f3 b' V% O. E# _4 r7 b: f! O, U
) E9 c! Q. A" a2 t7 W7 f: n5 b
第二步：进行头脑风暴，将这些基础工作进行细化，比如题目中表述为性能，那么就要讨论以什么参数来定义性能，比如吞吐率、延时等，都是性能的定义，可以采取多个性能参数，也可以只采取一个。同理，限制因素也能够通过同样的参数定义。进一步讨论哪些因素影响了任务的完成和目标优化。此时可以建立一个简易的模型。当然，也可以在网上或数据库中搜索相关论文，如果能找到更好的模型，那么就直接拿来使用。比如在A题目中要求解水坝的花费，可以简单建模成水坝一平方的造价，也可以建模成水坝是由发电机、闸门等部件构成，通过各个部分合成来确定水坝的花费。 9 O+ e$ [* K, D3 l0 i o! Q- u! Z1 V, ]1 q/ |. z
第三步：定义好参数过后，来确定哪些参数能够通过互联网找到，哪些参数可以通过找到的数据进行计算，哪些参数需要假设得到。然后进一步细化各个参数。模型进一步变的复杂。. e9 B* A7 V+ ^2 h r
9 V0 L' R, \% z9 R 第四步：模型建立完成后，进行求解，然后根据题意给出建议。 l& C3 ^. S( s$ Z3 z! h t4 G; S0 H4 f/ o + e; g( c7 ?' s 第五步：撰写论文。9 C4 E: C: R! r
9 h! i$ Y+ p5 P# ]2 h# U) J; }
三、再次迭代，继续优化模型 & o w; }8 A0 F7 d' x/ O3 [+ J& Q7 E
在建立和解决一个模型后，可能在此过程中，又收集到了更多的数据或有新的想法加入，不用推翻原模型，再次构建一个更加准确的模型就可。 % A2 u. I: v$ t9 V1 \: B3 f 8 |' i* z& @8 N+ N: _% w6 h" F四、模型评价2 Y! G2 A' K* N2 w; N; i N% V, A" e
6 G2 {2 W& T1 r4 R
在论文中，要对自己模型的好坏进行评价。 6 i9 S/ S! X6 b D& {- m+ I/ J; ]5 F! m" d) u
五、其他建议 5 @) r2 O5 [/ S4 i8 Z6 i0 z7 W9 C; \4 r$ R1 `* o: K
论文撰写建议：5 e- e4 |$ {* S4 D( N
: p _& O l; A$ _; G# I
1、 准备通用的论文模板。 5 q- c0 _# B) f# D- \/ V& U : F# k# w0 }6 p, c 2、 多采用图表进行表示。 : ~% ^" M) O! c# `+ F4 q / |6 r$ P3 a, X2 v8 E8 J 3、 提出重点，在自认为的模型重点部分使用斜体、增加标注等方式进行强调。 , U: T, e. }0 [# `5 ^& Y; F0 `3 D0 N* H% I5 J" m( j
4、 使用最顺手的工具。5 T4 {& o! z# ]4 p
* y1 V7 i/ f0 D0 M+ v( R* L& _
( l2 I" q$ U6 Q1 k, F; ] ) Y; S. A8 b$ z7 j- [2 a/ [ 代码准备：) O! E# a$ c" M1 x7 i. ^
2 j6 U6 V l, w; P. Y
1、 因MCM的题目一般都为优化问题，比如求最小值、最大值等，包括单目标和多目标，建议准备遗传算法备用。9 q; z7 A) ^4 l2 [) G4 T
k4 r2 z0 N3 l. b, Z b( B 2、 因为可能涉及到函数拟合部分（大数据的情况下），建议准备BP或者RBF神经网络代码。 n+ T* n6 d5 u. p6 x- s) S
0 o0 w( r3 n5 Z) m2 `9 k( s9 l
& z: Z( }# G# L( R
; f; f& h9 E* \" _% E 其他建议： 4 ~6 T1 ]& n+ ?1 L6 o" } 0 [% a9 Q+ b1 Z3 Q! ^ 1、 当题目过于抽象的时候，可以通过分类的方式来求解。! v0 A, e3 i" p
7 V" K4 B) i* F; ?* P( e
2、 题目中如果要给出建议，可以根据不同的情况，进行多个建议的提出。$ K8 g# Z1 F3 h" Q+ q a
9 N) R5 t% u2 D$ @5 H 3、 切记不要只提出一种建议，或者只出现一种答案。比如在A题中考虑到花费最小，那么安全性肯定就不能最优，此时就可以根据实际情况，在安全性达标的情况下，考虑花费最小。而安全性达标是考虑极端情况下达标，还是在平均的情况下达标。这就分类讨论了多种情况。9 F- ?0 F' s. F% v, _) d( E
原文链接：https://blog.csdn.net/LieQueov/article/details/79261885- p( u- Y5 A. M