初次参赛的队伍常有一种错觉：模型越多越高级，奖级就越高。事实恰恰相反——评委最想看到的是「合适的模型用在合适的问题上」。这篇文章给出一幅方法地图，把竞赛中最常用的模型分成优化、评价、预测、分类、模拟五大类，帮你建立选择的第一直觉。
第一类：优化模型。当题目问「如何安排最优」「怎样分配最合理」时，八成落在优化框架里。最基础的是线性规划与整数规划，适合资源分配、生产计划类问题；非线性规划处理目标或约束非线性的情形；多目标规划用于「既要……又要……」的权衡问题，常见做法是加权合成单目标或求帕累托前沿；动态规划适合分阶段决策，如背包问题、最短路问题。四大赛事的赛题里，优化几乎每年必见——它天然带「决策」属性，而决策正是现实问题的核心。
第二类：评价模型。当题目问「谁更好」「哪个方案更优」且没有唯一客观标准时，就是评价模型的战场。层次分析法（AHP）把主观判断结构化，适合指标不多、依赖专家经验的场景；熵权法从数据本身的信息量出发确定权重，与 AHP 互补——主观赋权加客观赋权组合使用是竞赛中的常见打法；TOPSIS 通过与正负理想解的距离排序方案；灰色关联分析适合样本量小的场景；模糊综合评价处理「好、较好、一般」这类模糊语言。评价类题目在 HiMCM/IMMC 中出现频率极高，比如医院排名、城市宜居度评估。
第三类：预测模型。题目给出历史数据、问未来走势，就是预测。时间序列的经典工具是 ARIMA，指数平滑适合趋势平稳的数据；回归分析（线性、多项式、逐步回归）用于解释变量与因变量的关系建模；灰色预测 GM(1,1) 在小样本、贫信息场景下有奇效；BP 神经网络与 LSTM 适合非线性复杂模式，但需要较多数据支撑。竞赛中的务实建议：先用简单模型建立基线，再决定是否引入复杂模型——一个调参干净的 ARIMA 往往比乱糟糟的神经网络更受评委青睐。
第四类：分类与聚类。分类是有标签的（判别分析、决策树、随机森林、支持向量机、逻辑回归），聚类是无标签的（K-means、层次聚类、DBSCAN）。竞赛中「把对象分组」「识别异常」「用户画像」类问题都会用到。注意聚类结果需要检验——轮廓系数、肘部法则这些验证手段写进论文，能显著提升严谨度。
第五类：模拟模型。当系统过于复杂、解析解难以求得时，蒙特卡洛模拟与离散事件仿真是好选择。经典的例子有排队论场景（医院叫号、港口调度）、传染病传播（SIR/SEIR 模型加随机扰动）、交通流模拟。模拟类模型的论文亮点在于敏感性分析——系统参数变化时结论是否稳健，这恰恰是评委最看重的部分之一。
除了这五大类，还有一些「跨场景」的方法值得单列：微分方程建模（人口增长、传染病、污染物扩散这类随时间演化的系统，即「机理建模」的正统）；图论与网络分析（最短路、最小生成树、网络流、中心性分析，交通与物流题的常客）；统计推断（假设检验、方差分析、相关分析，用于从数据中得出有置信度的结论）。
怎么把这些方法组织进一篇论文？观察大量 O 奖论文后可以归纳出一个通用骨架：问题分析时先建立评价指标体系（评价模型），对现状打分定位瓶颈；主体部分建立优化或机理模型求解方案；用预测模型外推未来场景、检验方案的长期效果；最后用灵敏度分析收尾。一个赛题往往串起 2-4 类方法，它们各司其职而非简单堆砌。
最后是三条选型原则。其一，机理优先：能从问题机理出发推导的模型，永远优先于黑箱模型；其二，数据适配：小样本就别硬上深度学习，参数辨识不出意义的模型只会减分；其三，验证闭环：任何模型都要回答「你怎么知道它是对的」——误差分析、灵敏度分析、与常识或文献对照，三者至少占其一。
想看这些方法在真实赛题里如何落地？本站论文库的 200 余篇 O 奖论文覆盖了上述几乎所有方法组合：HiMCM 的评价与优化题、MCM/ICM 的数据与政策题、IMMC 的机理与预测题、丘成桐报告的计量实证。按年份和题号筛出与你赛题相似的那几篇，对照本文的方法地图阅读，收获会远大于泛读。
