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。题目类型常见题干典型动词核心模型族常用具体模型评价/决策类评估、评级、比较、选择多属性决策、综合评价层次分析法、熵权法、TOPSIS、灰色关联分析、模糊综合评价预测类预测、估计、趋势、未来时间序列、回归、机器学习灰色预测GM(1,1)、ARIMA、指数平滑、多元回归、LSTM、Prophet优化/规划类最小化、最大化、分配、调度数学规划、元启发式算法线性规划、整数规划、动态规划、遗传算法、粒子群算法分类/识别类分类、识别、判断、检测机器学习、统计分类Logistic回归、决策树、随机森林、支持向量机、BP神经网络网络/流问题流量、连通性、传播、拥堵图论、网络优化最短路径、最大流、最小生成树、传染病模型、元胞自动机政策/策略/可持续类策略、建议、影响、可行性多目标决策、系统动力学、博弈论多目标规划、层次分析熵权组合、系统动力学仿真、演化博弈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(i1)); 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:nnum_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。报错关键词常见原因快速解决方案Matrix dimensions must agree矩阵维度不一致检查两个矩阵的行列数用size确认后再运算Index exceeds array bounds索引超过数组范围检查循环变量或索引是否超出数组长度Undefined function函数名写错或未添加路径确认函数文件名和函数名大小写一致addpath添加路径Inf or NaN出现无穷大或非数值用isnan定位检查是否有除零或log(0)Solver stopped prematurely优化求解器迭代到上限增加MaxIterations或者检查约束是否矛盾导致无解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.mARIMA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。