运筹笔记

本文摘录自@我若为昆仑前辈的文章

运筹学应用场景

运筹优化模型

　　求解优化模型的算法，大致可以分为两类，启发式算法和精确解算法。启发式算法侧重于计算机编程能力，精确解算法侧重于数学建模和模型分解能力

人们通常说精确解算法比启发式算法要难，这种难不是难在编程，而是难在建模和数学推导。大厂招聘运筹优化算法工程师，一般把启发式算法当做基础能力，精确解算法作为加分项。

 

 

进阶机器学习

　　在构建优化模型时，常常会涉及数据清洗，预测，算例仿真与分析等环节，这就涉及到分类，回归，降维，聚类等常见的机器学习应用场景。类似支持向量机，决策树，朴素贝叶斯，BP神经网路，以及稍微复杂一些的随机森林，GBDT，XGboost等算法，最好能够有一定程度的理解和应用。

编程语言 

　　建议运筹优化算法工程师，懂一门常见的编译性语言（比如C++/Java），还有一门脚本语言（一般要求使用python）。C++/Java运行速度比较快，适合用来编写启发式算法，而Python可以用来调用cplex，gurobi等求解器实现精确解算法，或者是调用sklearn，tensorflow等机器学习包，实现相关功能。

总结

　　总结一下，偏文科，工商管理，企业管理的物流类研究生，读的意义不大。偏数据科学，计算机的理工类物流研究生，还是很有钱途的，这类研究生的研究方向么，可以简单理解为人工智能+物流供应链，或者是数学建模+计算机编程+物流供应链～～～