1. 項(xiàng)目緣起為什么選擇手寫數(shù)學(xué)建模算法筆記在數(shù)學(xué)建模這條路上我見過太多同學(xué)抱著厚厚的算法書和成堆的電子資料比賽時(shí)卻依然手忙腳亂。電子筆記搜索雖快但看過即忘打印的論文堆積如山關(guān)鍵時(shí)卻找不到核心公式。幾年前備戰(zhàn)一場重要比賽時(shí)我就吃了這個(gè)虧——在封閉的賽場里面對一個(gè)復(fù)雜的灰色預(yù)測模型我明明記得在某個(gè)PDF里看過推導(dǎo)細(xì)節(jié)卻怎么也想不起具體步驟和參數(shù)調(diào)整的要領(lǐng)最終時(shí)間耗盡模型也沒調(diào)通。那次教訓(xùn)讓我痛定思痛開始系統(tǒng)地用最原始也最有效的方式手寫算法筆記。這不僅僅是一本筆記它是一個(gè)動(dòng)態(tài)的、深度內(nèi)化的知識庫。手寫的過程強(qiáng)迫你慢下來去理解每一個(gè)公式的來龍去脈去梳理每一步推導(dǎo)的邏輯鏈條而不是簡單地復(fù)制粘貼。當(dāng)你的筆尖劃過紙張寫下“Leslie人口模型”的轉(zhuǎn)移矩陣時(shí)你同時(shí)在思考年齡組劃分的生物學(xué)意義當(dāng)你推導(dǎo)多目標(biāo)規(guī)劃的Pareto前沿時(shí)你實(shí)際上在權(quán)衡各個(gè)目標(biāo)之間的沖突與妥協(xié)。這種深度加工是任何電子文檔無法替代的。我的這本筆記涵蓋了從國賽、美賽到亞太杯等賽事中高頻出現(xiàn)的核心算法如灰色預(yù)測、Leslie模型、多目標(biāo)規(guī)劃以及搜索、優(yōu)化、評價(jià)等一系列工具它是我從無數(shù)次實(shí)戰(zhàn)和踩坑中提煉出的精華。2. 筆記架構(gòu)設(shè)計(jì)如何構(gòu)建一個(gè)高效可用的算法知識體系一本好的筆記結(jié)構(gòu)清晰是首要前提。雜亂無章的記錄等于沒有記錄。我的筆記架構(gòu)遵循“總-分-實(shí)戰(zhàn)”的邏輯確保在任何需要的時(shí)候都能快速定位。2.1 核心算法分類與索引我將數(shù)學(xué)建模常用算法分為五大模塊并為每個(gè)模塊設(shè)計(jì)了快速索引頁。第一模塊預(yù)測與時(shí)間序列分析。這是賽題中最常見的需求之一。此模塊以灰色預(yù)測模型GM(1,1)為核心展開但絕不限于此。筆記中詳細(xì)對比了灰色預(yù)測、指數(shù)平滑、ARIMA等模型的適用場景。例如灰色預(yù)測適用于“小樣本、貧信息”的不確定系統(tǒng)其核心思想是通過累加生成弱化原始序列的隨機(jī)性。我的筆記里不僅列出了GM(1,1)的基本建模步驟更用紅筆標(biāo)注了關(guān)鍵檢驗(yàn)環(huán)節(jié)后驗(yàn)差比C和小誤差概率P的計(jì)算與評價(jià)標(biāo)準(zhǔn)C0.35優(yōu)秀P0.95優(yōu)秀。旁邊還附了一個(gè)我調(diào)參失敗的例子當(dāng)年用一組有明顯周期性的數(shù)據(jù)強(qiáng)行套用GM模型導(dǎo)致預(yù)測完全失真我用批注總結(jié)了教訓(xùn)——“數(shù)據(jù)是否具有指數(shù)趨勢級比是否在可容覆蓋范圍內(nèi)必須先檢驗(yàn)”第二模塊優(yōu)化模型與算法。這是解決資源分配、路徑規(guī)劃、方案選擇問題的利器。筆記進(jìn)一步細(xì)分為線性/非線性規(guī)劃重點(diǎn)記錄標(biāo)準(zhǔn)形式、對偶理論以及Lingo/Matlab中的求解函數(shù)調(diào)用格式和參數(shù)含義。整數(shù)規(guī)劃/0-1規(guī)劃特別標(biāo)注了分支定界法的框架和剪枝策略這是手工理解求解過程的關(guān)鍵。多目標(biāo)規(guī)劃這是重中之重。我用了整整兩頁來梳理處理多目標(biāo)問題的幾種路徑評價(jià)函數(shù)法線性加權(quán)、理想點(diǎn)法、分層序列法、以及Pareto最優(yōu)解的相關(guān)概念。我畫了一個(gè)二維目標(biāo)的示意圖直觀展示什么是“有效解”和“劣解”。旁邊記錄了2019年國賽C題機(jī)場出租車調(diào)度的一個(gè)簡化分析如何將司機(jī)收益和乘客等待時(shí)間兩個(gè)目標(biāo)通過賦予不同權(quán)重轉(zhuǎn)化為單目標(biāo)進(jìn)行求解并討論了權(quán)重設(shè)置不同對結(jié)果的影響。第三模塊評價(jià)與決策方法。包括AHP層次分析法、模糊綜合評價(jià)、TOPSIS法等。筆記中AHP部分不僅寫了構(gòu)造判斷矩陣、計(jì)算權(quán)重和一致性檢驗(yàn)的公式更用一個(gè)小案例選擇考研學(xué)校演示了全過程并標(biāo)注了常見錯(cuò)誤“判斷矩陣切忌主觀隨意標(biāo)度1-9要有依據(jù)一致性檢驗(yàn)通不過時(shí)應(yīng)回溯調(diào)整判斷矩陣而非強(qiáng)行計(jì)算?！钡谒哪K經(jīng)典模型與仿真。這里收錄了像Leslie人口預(yù)測模型、傳染病SI/SIR/SEIR模型、元胞自動(dòng)機(jī)、蒙特卡羅模擬等“套路化”但極其有效的模型。以Leslie模型為例筆記清晰地畫出了按年齡分組的種群結(jié)構(gòu)圖給出了女性人口轉(zhuǎn)移矩陣L的具體形式并推導(dǎo)了時(shí)間t后人口分布的公式。關(guān)鍵點(diǎn)在于我補(bǔ)充了在實(shí)際建模中如何獲取和處理數(shù)據(jù)生育率和存活率往往需要從統(tǒng)計(jì)年鑒的粗?jǐn)?shù)據(jù)中估算這里我記下了兩種估算方法的公式和適用條件。第五模塊現(xiàn)代智能優(yōu)化算法入門。雖然數(shù)學(xué)建模不要求手寫這些算法的完整代碼但必須理解其思想、流程和適用場景。筆記簡要勾勒了模擬退火SA、遺傳算法GA、蟻群算法ACA和粒子群算法PSO的基本原理和流程圖。特別標(biāo)注了它們的“性格”GA擅長全局搜索但易早熟PSO收斂快但可能陷入局部最優(yōu)蟻群算法解決離散路徑規(guī)劃問題如TSP有奇效。旁邊貼了一張便簽寫著“這些算法本質(zhì)是‘啟發(fā)式’搜索用于傳統(tǒng)方法難以解決的復(fù)雜非線性、多峰值問題論文中需要說明參數(shù)設(shè)置理由如種群數(shù)、迭代次數(shù)”。2.2 頁面布局與符號系統(tǒng)統(tǒng)一的布局能極大提升檢索效率。我采用康奈爾筆記法的變體每頁右側(cè)三分之二是主體內(nèi)容左側(cè)三分之一是“線索欄”用于記錄算法名稱、關(guān)鍵假設(shè)、核心公式編號。頁面底部留出約5厘米的“總結(jié)區(qū)”用于記錄該算法的優(yōu)缺點(diǎn)、適用賽題類型如“適合數(shù)據(jù)量少的預(yù)測題”、“適合多指標(biāo)評價(jià)類問題”、以及相關(guān)的常見模型組合如“灰色預(yù)測馬爾可夫修正”。我還建立了一套自己的符號系統(tǒng)紅色筆定義、定理、核心公式。一眼就能抓住重點(diǎn)。藍(lán)色筆一般推導(dǎo)步驟和說明文字。綠色筆實(shí)例、數(shù)據(jù)、計(jì)算過程。鉛筆臨時(shí)思考、演算、或?qū)υ袃?nèi)容的疑問。方便后期修訂。熒光黃標(biāo)記極其重要的結(jié)論、易錯(cuò)點(diǎn)或比賽高頻考點(diǎn)?！?”符號表示該步驟計(jì)算量大或容易出錯(cuò)需要格外小心?！啊狈柋硎炯记伞⒔輳交蛞环N更優(yōu)的理解思路。3. 核心算法精講與手寫演繹在這一部分我將展示筆記中幾個(gè)核心算法的詳細(xì)記錄方式這不僅是抄錄更是理解和再創(chuàng)造。3.1 灰色預(yù)測模型GM(1,1)的全過程拆解灰色預(yù)測是入門必學(xué)但很多人只記步驟不懂原理結(jié)果用錯(cuò)。我的筆記是這樣展開的第一步模型思想圖解。在頁面頂部我畫了一個(gè)框圖原始雜亂序列 - 累加生成弱化隨機(jī)性顯露指數(shù)規(guī)律- 建立一階微分方程白化方程- 求解時(shí)間響應(yīng)式 - 累減還原得到預(yù)測值。旁邊用一句話總結(jié)“用已知的不完全信息生成、開發(fā)出能描述系統(tǒng)連續(xù)變化過程的模型?！钡诙揭徊讲绞滞乒?。這是核心。我從不直接寫最終的時(shí)間響應(yīng)式。設(shè)原始序列 (X^{(0)})寫出其一次累加生成序列 (X^{(1)}) 的公式。對 (X^{(1)}) 建立GM(1,1)的微分方程(\frac{dX^{(1)}}{dt} aX^{(1)} u)。這里用藍(lán)色筆注明a是發(fā)展系數(shù)反映增長趨勢u是灰色作用量反映背景值。利用最小二乘法求解參數(shù)a, u。這里詳細(xì)寫出構(gòu)造數(shù)據(jù)矩陣B和常數(shù)項(xiàng)向量Y的步驟并給出最小二乘估計(jì)公式([a, u]^T (B^TB)^{-1}B^TY)。關(guān)鍵技巧我單獨(dú)用一個(gè)小框列出了矩陣B和Y的具體元素避免混淆。解微分方程得到時(shí)間響應(yīng)式(\hat{X}^{(1)}(k1) (X^{(0)}(1)-\frac{u}{a})e^{-ak} \frac{u}{a})。將 (\hat{X}^{(1)}) 累減還原得到預(yù)測值 (\hat{X}^{(0)}) 的公式。第三步模型檢驗(yàn)實(shí)錄。這是區(qū)分生手和老手的關(guān)鍵。我列出了一個(gè)檢驗(yàn)清單殘差檢驗(yàn)計(jì)算絕對殘差和相對殘差。我寫下一個(gè)經(jīng)驗(yàn)閾值相對殘差最好小于10%超過20%則模型精度欠佳。后驗(yàn)差檢驗(yàn)詳細(xì)計(jì)算原始序列標(biāo)準(zhǔn)差S1、殘差序列標(biāo)準(zhǔn)差S2進(jìn)而得到后驗(yàn)差比CCS2/S1和小誤差概率P。旁邊用表格形式給出了精度等級對照表好、合格、勉強(qiáng)、不合格。級比偏差檢驗(yàn)寫出級比σ(k)的計(jì)算公式并指出所有級比應(yīng)落在可容覆蓋區(qū)間 ( (e^{-\frac{2}{n1}}, e^{\frac{2}{n1}}) ) 內(nèi)否則需做數(shù)據(jù)平移變換。第四步實(shí)戰(zhàn)案例與調(diào)參筆記。我粘貼了一道模擬題的原始數(shù)據(jù)并完整手算了預(yù)測過程。在結(jié)果旁邊用紅筆批注“本次建模C0.25好P1好但預(yù)測未來第三期時(shí)發(fā)現(xiàn)級比偏差突然增大。反思原始數(shù)據(jù)僅有6期樣本量過少外推風(fēng)險(xiǎn)高。建議灰色預(yù)測適合短期預(yù)測長期預(yù)測需結(jié)合其他模型如馬爾可夫鏈進(jìn)行修正?！?這樣的批注讓死的公式變成了活的經(jīng)驗(yàn)。3.2 Leslie人口模型從矩陣到現(xiàn)實(shí)意義Leslie模型結(jié)構(gòu)清晰但想用好需要理解每個(gè)參數(shù)的現(xiàn)實(shí)含義。筆記呈現(xiàn)模型假設(shè)用列表形式明確寫出種群按年齡等距分組、只考慮女性人口、時(shí)間離散等。矩陣推導(dǎo)這是視覺化重點(diǎn)。我畫了一個(gè)從第t年到第t1年的人口轉(zhuǎn)移圖。然后嚴(yán)格定義并寫出第i年齡組的存活率 (s_i) (i1,2,...,m-1)第i年齡組的生育率 (f_i) (i1,2,...,m)基于此寫出Leslie矩陣L一個(gè)m×m矩陣并解釋其結(jié)構(gòu)第一行是各年齡組的生育率次對角線是存活率其余為0。模型動(dòng)態(tài)給出核心遞推公式 (X(t1) L \cdot X(t))并推導(dǎo)出t年后人口分布 (X(t) L^t \cdot X(0))。關(guān)鍵分析用綠色筆補(bǔ)充了如何利用Leslie矩陣的優(yōu)勢特征根λ分析種群長期趨勢若λ1種群增長λ1穩(wěn)定λ1衰減。對應(yīng)的右特征向量即為穩(wěn)定年齡分布。我手算了一個(gè)簡單的2×2 Leslie矩陣求其特征根和特征向量直觀展示了這個(gè)過程。數(shù)據(jù)獲取與處理指南這是純干貨。我記錄了從統(tǒng)計(jì)年鑒中“5歲一組”的存活人口數(shù)據(jù)如何利用生命表技術(shù)或公式 (s_i \approx \frac{L_{i1}}{L_i}) 來估算存活率。生育率則需要結(jié)合育齡婦女比例和年齡別生育率來合成。旁邊標(biāo)注“數(shù)據(jù)預(yù)處理的工作量可能占模型構(gòu)建的70%務(wù)必細(xì)心?！?.3 多目標(biāo)規(guī)劃如何權(quán)衡與決策多目標(biāo)問題是建模中的難點(diǎn)因?yàn)椤棒~與熊掌不可兼得”。我的筆記致力于理清各種轉(zhuǎn)化思路。第一部分問題描述與核心概念。明確寫出多目標(biāo)規(guī)劃的一般形式(V-\min F(x) [f_1(x), f_2(x), ..., f_p(x)]^T)并配以幾何示意圖解釋“解空間”和“目標(biāo)空間”的映射關(guān)系。重點(diǎn)闡明“絕對最優(yōu)解”幾乎不存在和“Pareto有效解非劣解”的概念。我畫了一個(gè)二維目標(biāo)的散點(diǎn)圖圈出那些“在某個(gè)目標(biāo)上無法再改進(jìn)而不損害其他目標(biāo)”的點(diǎn)它們構(gòu)成了Pareto前沿。第二部分主要解法梳理。我使用一個(gè)對比表格來呈現(xiàn)方法核心思想適用場景注意事項(xiàng)評價(jià)函數(shù)法將多目標(biāo)加權(quán)綜合為單目標(biāo)各目標(biāo)量綱一致或可規(guī)范化決策者有權(quán)重偏好權(quán)重設(shè)定敏感不同權(quán)重導(dǎo)致不同解需進(jìn)行靈敏度分析理想點(diǎn)法尋找離“理想解”最近的解各目標(biāo)有明確的最優(yōu)值理想點(diǎn)需要定義合適的距離范數(shù)如歐氏距離、絕對值距離分層序列法按重要性逐層優(yōu)化目標(biāo)間有明顯優(yōu)先級順序下層優(yōu)化可能無解需放寬約束或引入寬容度Pareto前沿生成法求出一組有效解供決策者選擇決策者想了解所有可能權(quán)衡方案計(jì)算量大常用智能算法如NSGA-II近似求解第三部分一個(gè)具體算例。我選取了一個(gè)經(jīng)典的生產(chǎn)計(jì)劃問題最大化利潤和最小化污染。我演示了如何使用線性加權(quán)法將兩個(gè)目標(biāo)合并為 (Z w_1 * Profit - w_2 * Pollution)并討論w1和w2比例變化時(shí)最優(yōu)解如何沿著Pareto前沿移動(dòng)。我用鉛筆在旁邊演算了當(dāng)w1從0.1變化到0.9時(shí)解的變化情況并得出結(jié)論“權(quán)重反映了決策者的價(jià)值判斷沒有對錯(cuò)只有取舍。論文中必須陳述權(quán)重的設(shè)定依據(jù)?！?. 從筆記到實(shí)戰(zhàn)競賽中的應(yīng)用心法手寫筆記的最終目的是服務(wù)于競賽。這部分記錄的是如何將筆記知識轉(zhuǎn)化為賽場上的戰(zhàn)斗力。4.1 賽題拆解與算法匹配流程我總結(jié)了一個(gè)“四步法”流程圖畫在筆記的扉頁問題識別通讀賽題用高亮筆劃出關(guān)鍵詞“預(yù)測”、“優(yōu)化”、“評價(jià)”、“分配”、“關(guān)系”等判斷問題本質(zhì)類型。模型初選根據(jù)問題類型快速翻閱筆記對應(yīng)的模塊索引。例如看到“預(yù)測未來五年…”立即定位到“預(yù)測模塊”看到“在…條件下使得…最好同時(shí)…最少”立即定位到“多目標(biāo)規(guī)劃”。條件校驗(yàn)將初選模型的假設(shè)條件與賽題給出的數(shù)據(jù)條件、背景條件進(jìn)行比對。比如想用灰色預(yù)測馬上檢查數(shù)據(jù)量是否夠少通常4-15個(gè)序列是否近似指數(shù)趨勢。這一步能避免硬套模型。模型組合與調(diào)整單一模型往往不夠。筆記的“總結(jié)區(qū)”記錄了常見的組合套路。例如“預(yù)測評價(jià)”先用灰色或時(shí)間序列預(yù)測再用AHP或TOPSIS評價(jià)不同方案、“優(yōu)化仿真”用規(guī)劃模型給出方案用蒙特卡羅模擬評估風(fēng)險(xiǎn)。4.2 論文寫作中的“彈藥”提取筆記是論文的素材庫。我習(xí)慣在筆記的關(guān)鍵結(jié)論、優(yōu)美公式旁用星號標(biāo)記。在寫作時(shí)模型建立部分直接參考筆記中的公式推導(dǎo)過程確保符號定義準(zhǔn)確、推導(dǎo)邏輯嚴(yán)謹(jǐn)。筆記中的手繪圖稍加整理即可放入論文作為示意圖。模型求解部分編程時(shí)將筆記中的算法步驟轉(zhuǎn)化為偽代碼或注釋指導(dǎo)編程。筆記中記錄的軟件函數(shù)調(diào)用格式如Matlab的fminconLingo的gin可以直接使用。結(jié)果分析部分筆記中記錄的模型檢驗(yàn)標(biāo)準(zhǔn)如灰色預(yù)測的C和P值等級和敏感性分析案例為論文的深度分析提供了現(xiàn)成的框架和話術(shù)。優(yōu)缺點(diǎn)討論部分筆記每個(gè)算法總結(jié)區(qū)里的“優(yōu)缺點(diǎn)”和“適用條件”稍加擴(kuò)展就是論文中模型評價(jià)部分的雛形。4.3 時(shí)間管理與協(xié)同備忘在筆記的末尾我留了幾頁作為“競賽日志”。時(shí)間軸記錄三天比賽時(shí)間每個(gè)半天應(yīng)該完成的任務(wù)如第一天上午定題、查資料、確定初步模型第一天下午數(shù)據(jù)收集、預(yù)處理、模型初步建立…。分工備忘錄記錄隊(duì)友各自負(fù)責(zé)的模型模塊、寫作部分和編程任務(wù)避免重復(fù)或遺漏。靈感與坑點(diǎn)速記比賽過程中任何新的想法、發(fā)現(xiàn)的文獻(xiàn)亮點(diǎn)、或者遇到的程序報(bào)錯(cuò)都快速記在這里。例如“發(fā)現(xiàn)一組數(shù)據(jù)存在異常值需處理——采用箱線圖識別用中位數(shù)填補(bǔ)。”“Leslie模型編程時(shí)矩陣乘法維度不對檢查發(fā)現(xiàn)是生育率向量維度與人口向量未對齊?！?. 常見誤區(qū)與避坑指南實(shí)錄這部分是我筆記中最寶貴的財(cái)富來源于親身踩過的坑和觀摩優(yōu)秀論文的總結(jié)。5.1 模型選擇與使用中的典型錯(cuò)誤誤用灰色預(yù)測坑數(shù)據(jù)具有明顯季節(jié)性、周期性或樣本量很大時(shí)強(qiáng)行使用。避坑使用前必須進(jìn)行級比檢驗(yàn)。若級比不在可容覆蓋區(qū)間內(nèi)應(yīng)對數(shù)據(jù)做平移變換 ( y(k)x(k)c ) c為常數(shù)使新序列的級比落入?yún)^(qū)間。我的筆記里記下了平移常數(shù)c的估算方法。多目標(biāo)規(guī)劃權(quán)重主觀臆斷坑隨意給權(quán)重如直接設(shè)為(0.5, 0.5)沒有依據(jù)。避坑權(quán)重設(shè)置必須有依據(jù)。常用方法① AHP法通過兩兩比較確定權(quán)重② 熵權(quán)法根據(jù)數(shù)據(jù)本身的離散程度確定客觀權(quán)重③ 讓權(quán)重在一定范圍內(nèi)變動(dòng)進(jìn)行靈敏度分析說明結(jié)果的穩(wěn)健性。我在筆記中粘貼了一個(gè)用熵權(quán)法計(jì)算權(quán)重的微型案例。Leslie模型忽略性別比坑題目要求預(yù)測總?cè)丝诘獿eslie模型通常只基于女性人口。避坑需額外引入性別比如出生性別比、各年齡組性別比將預(yù)測出的女性人口轉(zhuǎn)換為總?cè)丝?。筆記中補(bǔ)充了轉(zhuǎn)換公式。算法“黑箱”使用坑論文中寫“我們采用了遺傳算法”但參數(shù)種群大小、交叉率、變異率隨意設(shè)置也不說明迭代收斂情況。避坑必須說明參數(shù)設(shè)置的依據(jù)如參考相關(guān)文獻(xiàn)、通過初步實(shí)驗(yàn)確定并給出迭代收斂曲線圖證明算法有效。筆記中提醒“智能算法部分解釋思想比羅列代碼更重要?！?.2 計(jì)算與實(shí)施中的細(xì)節(jié)陷阱矩陣運(yùn)算維度錯(cuò)誤在Leslie模型、狀態(tài)轉(zhuǎn)移方程中極易出現(xiàn)。我的筆記里用大寫字母標(biāo)注“時(shí)刻檢查矩陣乘法維度(m×m) * (m×1) (m×1)”。數(shù)據(jù)未標(biāo)準(zhǔn)化/歸一化在多指標(biāo)評價(jià)、聚類分析前若指標(biāo)量綱和數(shù)量級不同必須處理。筆記總結(jié)了min-max標(biāo)準(zhǔn)化、z-score標(biāo)準(zhǔn)化的公式和適用場景并注明“TOPSIS法一般推薦向量歸一化。”編程與手算結(jié)果對不上這是調(diào)試階段的噩夢。我建立了一個(gè)排查清單① 檢查公式翻譯成代碼是否有誤② 檢查輸入數(shù)據(jù)格式特別是矩陣、向量的方向③ 檢查編程語言中數(shù)組索引是從0開始還是1開始④ 對于迭代算法輸出中間關(guān)鍵變量值與手算一步步比對。5.3 筆記本身的維護(hù)誤區(qū)只記不看從不更新筆記不是寫完就束之高閣。我規(guī)定自己每個(gè)賽季前通讀一遍比賽后根據(jù)新學(xué)的知識、新的理解對舊筆記進(jìn)行修訂、補(bǔ)充和批注。用不同顏色的筆標(biāo)注出新的心得。追求完美形式大于內(nèi)容切勿花大量時(shí)間做裝飾。我的原則是“整潔即可內(nèi)容至上”。邏輯清晰、便于查找比美觀更重要。孤立記錄缺乏聯(lián)系不要在記錄AHP時(shí)只寫AHP。我在AHP筆記的留白處會畫一個(gè)箭頭指向TOPSIS法并寫上“可與AHP求得的權(quán)重結(jié)合進(jìn)行綜合評價(jià)”。這種知識網(wǎng)絡(luò)的構(gòu)建讓你在遇到復(fù)雜問題時(shí)能靈活組合模型。手寫數(shù)學(xué)建模算法筆記是一個(gè)將龐雜知識內(nèi)化、系統(tǒng)化、個(gè)人化的過程。它慢但每一步都扎實(shí)它笨但關(guān)鍵時(shí)刻最可靠。當(dāng)你在緊張的賽場上能從容地翻開自己親手構(gòu)建的、充滿思考痕跡的筆記找到那條清晰的解題路徑時(shí)你會感謝當(dāng)初那個(gè)愿意一筆一劃書寫的自己。這本筆記的價(jià)值遠(yuǎn)不止于贏得比賽更在于它培養(yǎng)了你面對復(fù)雜問題時(shí)拆解、分析、建模和解決的底層思維能力。