01 / INDEX
七类算法资料
优化
线性、整数、非线性、启发式、鲁棒与多目标优化。
预测
时间序列、状态空间、灰色预测与机器学习预测。
评价
降维、赋权、排序、效率与多指标决策。
图论与网络
最短路、网络流、复杂网络和连通性分析。
统计与数据处理
描述统计、回归、检验、降维和异常处理。
综合模型
微分方程、仿真、蒙特卡洛与机理—数据融合。
机器学习
聚类、分类、集成学习与神经网络。
02 / SELECTION
模型选择先回答五个问题
- 题目真正要求什么结论？
- 数据能支持哪些变量和尺度？
- 目标、约束和评价口径是什么？
- 哪些结果可以被证伪或外部核验？
- Python/MATLAB 是否能稳定实现并复现？
避免把常见简单模型直接当作创新。创新应来自问题结构、数据处理、约束设计、算法改进或验证方式。
03 / PROGRESSIVE DISCLOSURE
只加载当前问题需要的资料
先读取算法索引，再进入对应类别。建模阶段不预加载全部代码和文档；编程阶段只检查选中模型依赖；论文阶段只读取写作和 DOCX 规则。
04 / VALIDATION
每个模型都需要预先定义失败条件
可用方法包括留出集、滚动回测、残差诊断、可行性检查、最优性界、稳定性、灵敏度、消融与外部数据对照。阈值必须来自题目、官方规则、领域文献或数据分析。