运筹学学报
1 题名题名应简明、具体，一般不超过20个汉字，应避免使用缩略语、字符、代号以及结构式和公式。2 作者信息来稿应标明主要作者的必备信息，并另页打印。例：乌兰娜(1968－),女(蒙古族),内蒙古达拉特旗人。副教授,博士,1994年赴美国哈佛大学研修,主要从事蒙古学研究。地址：安微合肥中国科学技术大学数学力学系，邮政编码：230001，Tel:,E-mail:。3 摘要摘要用第三人称方式书写，不得使用“本文”和“作者（笔者）”作主语，不作自我评价，应具有独立性和自明性，体现文章的观点和依据，切忌写成提要。摘要应是一篇完整的短文，不分段，不用图、表、公式和参考文献的序号，不出现非公知公用的符号或术语和缩略语。篇幅一般不超过300字。并附英文摘要。4 关键词每篇文章可选3～8个关键词，关键词之间用分号分隔。关键词：电子点火；模糊逻辑；汽油机；燃爆控制5 基金项目例：基金项目：国家自然科学基金资助项目（59637050）6 参考文献1 中文文献 普通图书 [序号] 主要责任者 文献题名，[文献类型标志]出版地:出版者,出版年:起止页码[1]刘国钧,陈绍业,王凤翥图书馆目录[M]北京:高等教育出版社,1957:15－ 期刊文章[序号] 主要责任者文献题名[J]刊名,年,卷(期):起止页码[2]金显贺,王昌长,王忠东,等一种用于在线检测局部放电的数字滤波技术[J]清华大学学报:自然科学版,1993,33(4):62－报纸文章[序号] 主要责任者 文献题名 [N] 报纸名，出版日期 (版次)[3]谢希德创造学习的新思路[N]人民日报,1998-12-25(10)2析出文献 [序号]析出文献主要责任者析出文献题名[文献类型标志]// 原文献主要责任者(任选)原文献题名出版地:出版者,出版年:析出文献起止页码例：[4]钟文发非线性规划在可燃毒物配置中的应用[C]//赵玮运筹学的理论与应用—中国运筹学会第五届大会论文集西安：西安电子科技大学出版社,1996:468－3 外文文献 与中文示例相同；例：[5]GREEN D H,WALLACE M E Mantle Metasomatism by Ephemeral Carbonate Melts[J]Nature,1988,336:459－4文献重复引用标记 同一作者的同一文献被多次引用时，参考下例：主编靠编辑思想指挥全局已是编辑界的共识[1]，……由于“思想”的内涵是“客观存在反映在人的意识中经过思维活动而产生的结果”[2]1194，……《中国青年》杂志创办人追求的高格调——理性的成熟与热点的凝聚[3]，……“方针”指“引导事业前进的方向和目标”[2]354。 ……参考文献：[1] 张忠智科技书刊的总编（主编）的角色要求[C]//中国科学技术期刊编辑学会建会十周年学术研讨会论文汇编北京:中国科学技术期刊编辑学会学术委员会,1997:33－[2] 中国社会科学院语言研究所词典编辑室现代汉语词典[K]修订本北京:商务印书馆,[3] 刘彻东中国的青年刊物:个性特色为本[J]中国出版,1998（5）:38－7 标题序号社科类：正文各层次标题从大到小依次为：“一”、“（一）”、“”、“（1）”、“1）”、“①”、“A”、“a”等。若层次较少，变通为“一、”“”等亦可。理工科：正文各层次标题一律用阿拉伯数字连续编号，如“1”、“1”、“1”等，各层次的序号均左顶格。8 注意事项详细规范参见《运城学院学报》网站《政策法规》栏目《中国学术期刊（光盘版）检索与评价数据规范》（修订本）。特别注意：1、要求署英文摘要。2、论文字数一般在4000—8000字。3、支撑论文的参考文献不少于5个。4、学术不端监测重复率不得超过30%。对于原稿差错较多，规范问题较大的稿件，该刊将适当收取编辑加工费，以促作者提高。地址：山西省运城市河东东街333号《运城学院学报》编辑部邮编：044000
数学周刊
最牛的那些可以往数学的期刊上发，比如annalsofmathematics，inventionesmathematicae等等概率子领域里面：annalsofprobability(annalsofappliedprobability)bernoulliprobablitytheoryandrelatedfield
发表论文的话一般看期刊类别，按高级等级分为1类，2类到5类。一般发表在3类以上就不错了。像这样的期刊很多，我仅就三类的列出来，当然只是自然科学版的，(社科版的如果需要再说): ISTP收录、国外刊物，自然科学进展，天津大学学报（原名为：天津大学学报自然科学与工程技术版），华东师范大学学报（自然科学版），东北大学学报（自然科学版），四川大学学报（自然科学版），中南大学学报自然科学版（原名为：中南工业大学学报 自然科学版） ，同济大学学报（自然科学版），北京理工大学学报，华南理工大学学报（自然科学版），北京工业大学学报，西北工业大学学报，南京大学学报（自然科学版），武汉大学学报（工学版），重庆大学学报（自然科学版），东南大学学报（自然科学版），北方交通大学学报，内蒙古大学学报（自然科学版），北京师范大学学报（自然科学版），中山大学学报（自然科学版），陕西师范大学学报（自然科学版），南京理工大学学报（自然科学版），太原理工大学学报，厦门大学学报（自然科学版），空军工程大学学报（自然科学版），海军工程大学学报，吉林工业大学学报工学版，武汉理工大学学报，上海理工大学学报，合肥工业大学学报 自然科学版，甘肃工业大学学报（改名为：兰州理工大学学报），桂林工学院学报，广西师范大学学报（自然科学版），四川大学学报（工学科学版），郑州大学学报（自然科学版），苏州大学学报（工科版），高技术通讯，云南大学学报（自然科学版），东北师范大学学报（自然科学版），上海大学学报，中国科学基金，兰州大学学报（自然科学版），西北大学学报（自然科学版），南京师范大学学报（自然科学版），中国科学技术大学学报，福建师范大学学报（自然科学版），湖南师范大学学报（自然科学版），江西师范大学学报（自然科学版），复旦学报（自然科学版），福州大学学报（自然科学版），湖南大学学报（自然科学版），山东大学学报（自然科学版），应用科学学报，华侨大学学报（自然科学版），吉林大学学报（理学版），宁夏大学学报（自然科学版），西南师范大学学报（自然科学版），湖北大学学报（自然科学版），河北大学学报（自然科学版），河南大学学报（自然科学版），南昌大学学报（理学版），四川师范大学学报（自然科学版），辽宁师范大学学报（自然科学版），山西大学学报（自然科学版），安徽大学学报（自然科学版），黑龙江大学（自然科学版），暨南大学学报（自然科学与医学版），河北师范大学学报（自然科学版），河南师范大学学报（自然科学版），湘潭大学学报（自然科学版），应用数学和力学，应用概率统计，工程数学学报，运筹学学报，数学的实践与认识，高校应用数学学报A辑，应用数学，数学杂志，生物数学学报，数学研究与评论，高等学校计算数学学报，固体力学学报，力学与实践，应用力学学报，实验力学，力学季刊，模糊系统与数学，系统工程，系统工程理论方法应用，系统科学与数学，量子光学学报，高能物理与核物理，强激光与粒子束，物理，工程热物理学报，核聚变与等离子体物理，量子电子学报，液晶与显示，波谱学杂志，应用声学，计算物理，原子核物理评论，原子与分子物理学报，红外与毫米波学报，高压物理学报，低温与超导，低温物理学报，声学技术，质谱学报，噪声与振动控制，光子学报，光谱学与光谱分析，环境化学，分析试验室，化学通报，色谱，分子催化，功能高分子学报，物理化学学报，催化学报，燃料化学学报，电化学，有机化学，分析测试学报，化学试剂，无机化学学报，煤炭转化，化学研究与应用，结构化学，生物多样性，昆虫学报，中国生物化学与分子生物学报，动物学研究，遗传，水生生物学报，应用与环境生物学报，兽类学报，人类学学报，植物生理学通讯，实验生物学报，植物学通报，植物研究 ，菌物系统（改名为：菌物学报），生物化学与生物物理进展，微生物学通报，武汉植物学研究，西北植物学报，广西植物，生命的化学，植物分类学报，动物学杂志，云南植物研究，昆虫分类学报 ，植物生理学报，四川动物，动物分类学报，新型炭材料，复合材料学报，中国腐蚀与防护学报，玻璃钢/复合材料，稀有金属材料与工程，材料导报，稀土，材料热处理学报，材料工程，材料科学与工艺，稀有金属，腐蚀科学与防护技术，宇航材料工艺，材料保护，兵器材料科学与工程，机械工程材料，耐火材料，功能材料与器件学报，煤炭学报，中国矿业大学学报，湘潭矿业学院学报，中国钨业 ，煤田地质与勘探，金属矿山，矿山机械，煤炭科学技术，铀矿冶，煤矿自动化，矿业研究与开发，理化检验——化学分册，钢铁，粉末冶金工业，北京科技大学学报，钢铁研究学报，矿冶工程，硬质合金，冶金自动化，冶金能源，铁合金，焊接学报，特种铸造及有色金属，机械科学与技术，铸造，机械设计，金属热处理，机械传动，振动与冲击，无损检测，制造技术与机床，真空，机械设计与研究，机械强度，传感技术学报，真空科学与技术学报，光学技术，金刚石与磨料磨具工程，润滑与密封，液压与气动，铸造技术，工具技术，低温工程，继电器，热加工工艺，机床与液压，流体机械，机械设计与制造，锻压技术，模具工业，压力容器，变压器，焊接，起重运输机械，轴承，工程机械，仪表技术与传感器，内燃机学报，电网技术，电池，电力自动化设备，微特电机，华北电力大学学报，中国电力，动力工程，电力电子技术，电气传动，高电压技术，小型内燃机与摩托车，燃烧科学与技术，微电机，水力发电学报，电气自动化，高压电器，电机与控制学报，车用发电机，中小型电机，热能动力工程，低压电器，电工技术杂志，汽轮机技术，水力发电，大电机技术，机器人，制造业自动化，光电子•激光，武汉大学学报（信息科学版），电子科技大学学报，电波科学学报，探测与控制学报，激光杂志，西安电子科技大学学报，信号处理，压电与声光，应用激光，电子技术应用 ，数据采集与处理，系统工程与电子技术，红外技术，光电工程，电子元件与材料，光通信技术，微波学报，弹箭与制导学报，激光技术，现代雷达，红外与激光工程，电力系统及其自动化学报，北京邮电大学学报，自动化学报，半导体技术，半导体光电，通信技术，微电子学，固体电子学研究与进展，武汉理工大学学报（信息管理版），微电子学与计算机，模式识别与人工智能，计算机应用，中文信息学报，计算机与应用化学，计算机集成制造系统（CIMS），计算机工程与应用，计算机应用研究，小型微型计算机系统，计算机工程与设计，计算机工程，微型机与应用，计算机应用与软件，中国塑料，塑料工业，合成树脂及塑料，塑料，现代化工，膜科学与技术，合成纤维，合成纤维工业，化学工程，天然气化工C化学与化工，硅酸盐通报，无机盐工业，合成橡胶工业，日用化学工业，涂料工业，过程工程学报，林产工业，农药，中国医药工业杂志，北京化工大学学报，化学反应工程与工艺，橡胶工业，离子交换与吸附，海湖盐与化工，中国陶瓷，棉纺织技术，中国粮油学报，食品科学，印染，制冷学报，中国造纸，中国乳品工业，中国油脂，纺织学报，中国皮革，粮食与饲料工业，北京服装学院学报（自然科学版），丝绸，东华大学学报（自然科学版），郑州轻工业学院学报（自然科学版），酿酒技术，粮油加工与食品机械，城市规划汇刊，建筑结构，给水排水，暖通空调，工业建筑，工程勘察，建筑科学，西安建筑科技大学学报（自然科学版），建筑机械，施工技术，建筑技术，四川建筑科学研究，筑路机械与施工机械化，水处理技术，应用生态学报，环境污染治理技术与设备，化工环保，环境科学研究，生态学杂志，工业水处理，长江流域资源与环境，资源科学，海洋环境科学，环境科学与技术，农业环境保护，农村生态环境，环境工程，环境与健康杂志，环境污染与防治，中国环境监测，地震工程与工程振动，西北地震学报，地震研究，地球物理学进展，地球科学，地学前缘，地球化学，第四纪研究，地球学报，地球科学进展，古生物学报，中国沙漠，地质科技情报，地质与勘探，现代地质，成都理工学院学报，高校地质学报，地层学杂志，矿物岩石，岩石矿物学杂志，水文地质工程地质，中国岩溶，地理学报，地理研究，地理科学，干旱区地理，冰川冻土，地理学与国土研究，山地学报，地理科学进展，大地构造与成矿学，干旱区研究，中国新药与临床杂志，中国药理学通报，中国药理学与毒理学杂志，中国新药杂志，中国抗生素杂志，中国药房，中国医院药学杂志，中国临床药理学杂志，沈阳药科大学学报，中国药科大学学报，华西药学杂志
所谓经验，是指由于这种知识或技能往往凭借个人或团体的特定条件与机遇而获得的，带有偶然性和特殊性的一面，因此，经验并非一定是科学的。它需要理论研究者和实践者做一番总结、验证、提炼加工工作。总结经验一般在实践中取得良好效果后进行。在总结经验时，一定要树立正确的指导思想，对典型要用马克思主义的立场和观点进行分析判断，分清正确与错误、现象与本质、必然与偶然。经验一定要观点鲜明、正确，既有先进性、科学性，又有代表性和普遍意义。根据经验总结的具体实践过程，其一般方法步骤：①确定研究课题与对象；②掌握有关参考资料；③制定总结计划；④搜集具体实事；⑤进行分析与综合；⑥组织论证；⑦总结研究成果；⑧实行经验总结时应注意下次述各点：选择对象要有代表性，具有典型意义；要以客观事实为依据，定性与定量相结合；要全面观察，注意多方面的联系；要正确区分现象与本质、得出规律性的结论；要有创造革新精神。
原发布者:在行传媒个人工作经历经验总结回顾近几年的工作,对照德能勤绩四项标准,能尽心尽力做好各项工作,较好地履行了自己的职责重视理论学习,坚定政治信念,明确服务宗旨。认真学习邓小平理论、三个代表重要思想和党的十六大精神,积极参加局机关组织的政治活动加强业务学习,提高工作能力,做好本职工作。重视学习业务知识,积极利用参加培训班等机会聆听专家的指导,向专家请教学习
科普推广运筹学一直以来是【运筹OR帷幄】平台的初衷。本次我们邀请到了平台优化板块的责编团队的成员，结合各自独特的业界工作体会，分享他们眼中在业界发光发热的运筹学。一、元器件行业中的运筹学本人在一家做元器件服务的公司实习，军用元器件使用的时候有两个典型场景：替代和统型。替代是设计师针对进口元器件找到可替代的国产型号；统型是在一个产品的BOM内确定某几个不同元器件是否可以统一使用一种，以此减少元器件品种数。目前行业内开始从依赖专家经验（比如知道某个国产元器件就是对标某个进口元器件做的），转向从元器件性能参数的相似度出发进行判断，所以涉及到相似度和聚类方法的应用。相比方法本身，解决问题的更大阻碍是元器件性能参数数据的复杂性和不规范性。例如不同类别的元器件性能参数不同，即使在同一类别下，不同生厂商给出的性能参数形式也不同，对此进行规范需要有元器件专业知识，所以实际中，数据清洗往往耗费最多人力，也是影响方法使用效果的一大因素。二、电力行业中的运筹学本人领域是电力系统最优化，可能大家没有察觉，但是现在中国的电力网络毫无争议的走在了世界的最前沿。强如美国，最近也又一次出现了大规模停电问题。（上次是1977年加州大停电）这次美国的停电持续了25个小时，约至少4万人受到了影响，经济损失至少3000万美金以上。但是中国自从普及用电后，从没发生过如此大规模的停电问题。除了电力人的辛勤奋斗外，这也离不开运筹学在电力系统中的应用。众所周知，我们现在的电力网是交流输电网络。交流输电网络中的参数远比直流输电网络要复杂得多。最明显的不同，在交流网络中我们需要处理线路的有功功率无功功率。除此之外，线路的损耗、输电节点的电压和相角也是我们需要考虑的因素。为了保证整个电力系统的损耗最小，我们需要建立相关的数学模型进行分析计算，然后再由调度中心进行调控。但是实际问题的复杂程度远远超乎想象，单一个最优潮流问题就是一个大规模非凸非线性的问题。为了求解这类问题，相关学者提出了诸多算法和理论。诸如：半正定规划、现代内点法、凸松弛技术，模型近似技术等。这些理论已经发展了数十年，但即便如此，也没有一套成熟的理论被应用到实际中。在电力网中，我们不单要考虑线路损耗的降低，更重要的是要保证供电的可靠性。我们常常需要提前一天或数天对电力系统进行调度安排，这类问题往往是一个多层优化问题，对于这类问题，我们常见的求解办法是Benders分解和列生成。除此之外，我们需要不定期对线路检修，发电厂的维护，而线路的通断、发电厂的启停在数学模型中又成了一个整数规划问题。整体的求解难度又上升了一个层次。另外，在国家大规模倡导新能源接入的今天，风电和光伏电站不断被接入电力网络中，而新能源不能得到普及的一个重要因素是我们不能准确预知新能源电厂在下一时刻能够发出多少电能供我们使用。为了分析这类问题，我们的模型在混合整数非线性规划上又需要考虑不确定因素带来的影响。对这类问题的求解，我们又提出了随机规划、鲁棒优化、分布鲁棒等。还有一点，我们的输电线路可能会由于雷击、树枝接触等导致出现输送功率出现扰动。系统中的这些小扰动可能会对用户供电的电压和频率产生波动，对于普通家庭来说可能影响不大，但是对于一些高精技术的产业，一次电压或频率的波动就可能导致整个生产线的崩溃。如何建立相关的数学优化模型来预防这一问题也是当前的研究热点之一。最后，大家也十分熟知我们国家有一个西电东送的工程，这也是我认为最困难的一个点，我们国家的电力网络是连在一起的，是一个十分庞大且复杂的系统，而我们电力网络是时时波动的，我们需要在秒级做出优化，并给出方案。目前针对这种超大规模的含不确定性的多层混合整数非线性规划问题，我们没有办法在有限的时间内得到一个最优解。但即便困难重重，在一线的电力工作者仍在尽自己最大的努力来保证电力网络的安全可靠运行，为中国电力点赞。三、制造业中的运筹学本人目前是某厂的算法工程师，参与过企业的排班，调度，决策优化等场景的项目，主要想结合自己的经历和大家分享一下运筹优化在企业中的一些应用，主要包括任务规划/排班和实时调度两个方面，围绕场景定义，方法论和实际中的困难三个点进行阐述。1、任务规划/排班（1）场景定义首先说一下什么是任务规划，什么是排班。任务规划是基于设定好的任务输入，进行任务的排期规划，以达到资源的有效利用和工作效率的提升。任务规划主要用于传统制造业/工厂排程，建筑工程规划排程，物流运输线路任务打包等场景。任务规划后输出给虚拟人或者其它虚拟资源创建的带有时间窗的任务包，排班则基于这些任务包，把它对应到实际的人或者其它真实车辆，机械等资源中，规划出某些资源在什么时候做什么任务的结果，以及该任务需要消耗多少其它资源。（2）方法论主要的规划方法也是传统运筹优化使用的方法。首先了解真实的业务场景，抽象业务规则和约束，搭建数学模型，运用规划求解器（Cplex，Gurobi等）或者启发式算法（Local Search，Iterative Forward Search等以及各种变种）进行求解。启发式算法可以在现有的solver上进行基于不同场景的二次开发，也可以自行开发。业界一般采用第一种方式。（3）实际运用困难点在实际场景中，给不同资源的排班会有很多实际因素要考虑。给人排班要考虑人的工作班次时长，人历史的上班习惯（如习惯上晚班，晚班后不能接早班），人所拥有的技能，个人的偏好（偏好某个工种或者上班时间段），法律规定以及不同工厂因为地域有不同的差异，如香港是8小时工作制，而大陆班次时长可以是10小时等。当我们处理实际问题的时候，先要梳理实际场景，总结管理规律，构建多种配置参数，进行建模。相比于排班来说，任务规划因为是针对虚拟资源而构建，所以可以不用考虑过多的资源属性（如人习惯）等因素。2、实时调度（1）场景定义基于实时数据输入，进行任务的整合和任务的分配。主要的场景有：O2O外卖即时配送，打车软件车辆实时调度，仓储叉车/AGV，分拣中心分拣机器人实时调度等场景。实时调度的场景主要集中于新业务，而非传统的制造业和实体企业。传统的制造业和实体企业骄傲于他们的规划，而前面场景定义所提到的一些新业务场景，无法采用有效地长期规划手段，更多地是依赖短期的预测和实时的规划调度。（2）方法论上述提到的短期预测：如外卖下单到餐品完成的时间估计，车辆调度Supply和Demand的平衡，仓储/分拣中心的任务需求预测等，一般基于不同场景搭建机器学习模型，或者各种深度学习模型的Ensemble进行训练和预测。实时的规划调度包括：如外卖下单后分给哪个外卖小哥，车辆订单来了分给哪辆车，任务需求来了分给哪辆叉车，AGV或者机器人。主要的方法有：● 短时间压单后进行任务分配，以牺牲一定的最优性而换来快速高效地计算，采用传统并行的多个Tabu Search，Simulated Annealing等进行TSP或者VRP的计算。● 强化学习/动态规划方法。用收集的数据和规则搭建仿真环境，用强化学习构建任务需求（订单或者生产入库需求等）与资源（车辆，外卖效果，叉车等）的匹配价值（Value），然后分配计算。（3）实际运用困难点● 大规模订单/任务需求的计算，需要一定的计算资源支持，以及牺牲算法的优化性来实现快速计算。● 实时数据的采集。有些数据无法直接有效地采集，比如真实商家做餐时间。● 如果要搭建仿真环境，也需要了解和抽象实际的业务规则。3、关于运筹学在业界应用的思考我在某公司实习了三个月，主要做的是生产计划。生产计划也是属于供应链的一个环节，与调度相比生产计划的制定要更加宏观一些。生产计划就是决策什么时间，在哪家厂/哪条生产线上，加工多少工件。生产计划的问题广泛的存在于制造业中，举个例子就是是手机的制造，一部手机有上千个零件构成，每个零件都在指定的供应商处生产，例如手机屏幕，手机摄像头，手机电池，手机充电器每个零件都由不同的生产厂来生产，然后将这些零件运送到最终的组装厂拼装成一台成品的手机。如何合理的安排每个厂在什么时候该生产多少零件是一个需要决策的重要问题。这个问题的核心在于要考虑尽量满足订单的需求要降低库存水位（或者是库存的周转率），同时要考虑到物料的约束，产能的约束，运输的约束等等因素。在小规模的排产问题中人工调度员还能应对，一旦生产规模变大，生产工艺复杂之后，人工调度的弊病会逐渐凸显出来。目前国内有意识去做供应链的决策模型与算法的并不多，据我所知其中比较有代表性的是杉数科技。杉数科技智能计划排程系统致力于为制造业及其上下游产业提供全链条技术服务，利用运筹学与机器学习将实际问题转化为数学模型求解，实现最优化的排程。个人认为，杉数科技在运筹学应用于制造业领域做了很好的探索，在很大程度上解决了如何用更少的人，更短的时间，生产更多的产品问题。上面提到的生产计划问题本质上是一个混合整数规划问题，零件的个数就是一个整数变量，而生产这些零件的物料可能是整数的也可能是连续变量，因此该问题构成了一个混合整数规划问题。解决方案无非以下两种：● 采用经典的混合整数规划的方法，先对原混合整数规划进行分解和重新建模，例如拉格朗日松弛，Benders 分解或者列生成等等方法，子问题的求解可以采用Gurobi或Cplex这些商用求解器。● 针对问题特性设计元启发式算法，启发式算法。实际运用困难点我想谈谈混合整数规划在业界应用的gap到底在哪里，当然说大一点的话也是探讨运筹学在业应用的gap。（1 ）实际应用问题往往是大规模的实际的生产问题往往是大规模的，例如我实习时所面临的实际问题其决策变量维数都达到上亿级别，业务部门要求是2小时之内给出结果，这对算法的效率实际上提出了非常大的挑战。即使是求解上亿规模的线性规划问题耗时都比较巨大，更不用说是整数规划问题了。我们经常说线性规划简单，哈哈，但是从实际应用的角度来看目前求解线性规划的速度在一些场景上还是不能满足我们实际应用的需求的。目前在学术界大家很多情况下都是在小规模问题上自娱自乐玩一下，所以真正在公司的话，大规模的问题非常非常普遍。举个例子就是读运筹学的PhD的时候是学会在游泳池里游泳，真正在公司里边面对的问题可能就是得在大海里边游。这其实还是比较好的状况，更差的情况是一些童鞋可能在学校里只是学会了在浴缸里游泳而已。（2） 实际数据往往都是病态的实际问题的数据往往都是病态的，例如我在公司遇到的问题就是病态问题，具体来说就是优化问题约束或者目标函数的系数数量级的差别过大，导致求解过程的病态，实际问题的数据往往是千差万别和稀奇古怪的，数量级的差异经常超过10E20以上。这一点在学术界研究的相对较少一点，因为学术界研究的问题都比较理想化，即使有从实际中抽象一些原型出来，但是已经把病态啊这些问题都基本过滤掉了，但是在实际中你就发现病态问题太多了。（3） 业务人员没有优化的意识，运筹优化的人缺乏业务知识，沟通成本非常高业务人员没有优化的意识，很多时候他们不清楚运筹优化能做什么，甚至当运筹优化的算法工程师问题业务人员你们有什么要求没（约束条件），你们有什么量化的指标要越大越好或者越小越好（目标函数），业务人员很多时候也不能很清晰量化的描述出来这些东西，还有很多时候业务人员嘴巴上告诉你的目标函数和心里想的不一致。就相当于你是一个大厨，什么线性规划，拉格朗日松弛，列生成，半定规划，鲁棒优化这些菜你都会做，结果来一个顾客说他不知道吃点啥。运筹学的理论的应用必然还是要有一个实际的背景问题，而不同的问题所处的行业不一样，每个行业都有自己的习惯自己的一套语言和模式，例如航空业就有很多专业术语，如果做航空优化的话，那么就要求运筹优化的算法工程师要具备一定的业务基础，否则你是无法和业务人员交流的，人家说话你都听不懂，1次2次不懂你可以问，十次八次不懂的话，人家就不爱和你说话了。而且运筹优化算法工程师一般都是作为乙方出现的，很多时候还必须是我们得放低姿态的去主动的接触业务学习业务才行啊，否则项目就很难进行下去。（4） 测试困难，如何验证优化算法求解结果的正确性好不容易，经过了重重阻碍，克服千难万险，我们的优化算法出炉了，我们可以得到一个结果。如何验证这个结果是正确的呢？其实非常抱歉的告诉你，基本没啥靠谱的方法去验证。现在在公司普遍的作法是两种，1是人为的构造一些类似benchmark的东西，这些东西的最优解比较显而易见，通过这些benchmark来检测算法的正确性；2是参考以前人工的经验来看，算法给出的解是不是合理，例如要是做一个调度算法呢，就找几个有经验的调度员来看这个算法是不是接近以前人工调度的结果，如果接近那就认为OK了。很显然这两种方法有很多的不足，第一种方法只能适用问题特别简单的时候，问题稍微复杂一点，规模大点benchmark就很难构造了，第二种方法虽然适用面更宽一些，但是问题也很明显，那就是以前人工调度的结果很难说是比较好的结果，那这个结果去和算法做对比本来参考系就有问题。四、电商行业中的运筹学本人目前在某电商供应链计划部门实习，该电商平台有八个事业部，每个事业部每天都有一定量级的产品上新、下架。目前平台上八大事业部的总商品数量量级是十万，对接不到2000家供应商。我所在职位的主要工作内容是，根据历史销量进行各个产品的需求量预测，由于产品发货渠道有商家自发货和平台发货两种渠道，选择平台发货的厂商需要结合产品的生产周期，并且按照与平台约定的补货周期将货物运到平台的自有仓库。因此对于平台供应链计划部门来说，需要根据货物现有库存，结合日均销量预测（分大促日销和平常日销两种）实现补货量和补货时间点预测自动化，仓库效益最大化。将预测信息反馈到计划员和事业部同事进行产品调整。存在的难题有很多，比如对于新品的日销需求预测？长期在架产品的需求预测及库存管理实现效益最大化？当某产品的补货周期是一个月时，涵盖了大促时期和平销时期，如何库存管理和日销量预测，以实现仓库效益最大化，平台收益最大，且尽可能缩短断货时长？而这些都是运筹学和优化问题。五、机器学习行业中的运筹学本人最近在BAT（之一）的北美研究院实习，研究院本身的运作模式算是和本地业务团队稍有不同，成员多为国内外名校毕业的计算机、统计、数学、运筹学等专业的博士。除了写paper之外，团队也需要做能“落地”的业务支持项目（通常和国内的业务部门合作）：如在线视频网站的推荐算法、二手商品平台的定价算法、新零售门店的多渠道库存控制算法等。这些问题首先的一个共性是：海量的数据规模。这些问题对应的业务部门都有专门的数据团队，每天在公司内部的数据仓库会定时更新当日的数据（每日的数据量级都是上百TB）。因此，要在此基础之上，设计实用的优化算法，实际上对经典的运筹学模型和优化算法来说，也是巨大的挑战。因此，在目前我注意到的这些业界的实际“优化”业务中，机器学习方法和运筹学模型基本上是要一起使用的。更具体的来说，业界更需要的是“数据驱动”的决策模型。比如，现有的机器学习、深度学习方法带给我们良好的预测模型，而所谓的决策模型/优化模型便往往可以基于这些预测模型之上。当然，最理想的状态是能够将预测和决策这两个看似分离的步骤结合起来，即，动态地基于预测调整决策，再通过现阶段的决策调整之后的预测。关于这点，目前学术界有了很多不错的理论，但距离工业界的实际“落地”还是有距离的。这或许便是业界当中机器学习和运筹学的未来吧。
古语亦云：“运筹帷幄之中，决胜千里之外”， 出自西汉·司马迁《史记·高祖本纪》，意思是在小小的军帐之内作出正确的部署，决定了千里之外战场上的胜利。比喻做事前期准备充分，后期的工作就能顺利进行，也比喻很有才智的人无需上阵，只需做好前期的完善战略部署，就能够让事情获得成功。 《运筹与决策》这门课程的英文出处之原义，如周泓先生所讲为“作战研究”。名字虽然朴实无华，却足以彰显运筹的宏大。但我相信任何一个认真听完这门课程，并且为其深深触动的同学应该会同意这个说法，“作战研究”这个名词完全贴切地表达了运筹学的内容，那种有力量的底蕴。 我们求学MBA，想学的可不就是这般本领嘛！我们所处的这个时代，信息满天飞，关于运营与管理的书籍案例，似乎用一生的精力也看不完。但我们是幸运的，我们遇到了一所“德才兼备、知行合一”的好学校，来到了一所“仰望星空，脚踏实地”的课堂，还遇到了一位胸中有经纶的教书先生。 先生之执教，不在于理论如何之复杂，案例如何之宏大，而是可以教我们精进之道，勇猛之术。 何谓精进之道？话说康有为年轻时，大量求购书籍，每天拿一把锥子往书堆里刺，刺穿几本就读几本，久而久之，他不仅读遍了中国的经典古书，连西方译过来的书也就读遍了。力、热、光、电、动植物，还有化学、微积分等等等等。后来他在万木草堂开讲授徒时，告诉学生儒学几天就可以入门，只需读《公羊传》和《春秋繁露》即可。能把复杂宏大的学问取之精华，然后又可以循序善诱，潜移默化地教授给学生。润物细无声中，我们学会了图解法求最优解，学会敏感度分析，还知道啥是影子价格、百分百法则；我们学会了建模，解决班次重叠、解决运输问题、解决指派问题，我们可运用0，1变量、整数规划来给出建不建厂、建不建仓库、生产门还是生产窗的好建议；项目网络图更是神奇，画出方框后小学算术求解竞能找出来最短工期；多目标决策中的AHP如此数据庞大，却可以归一验证！ 先生说：运筹学只是一门工具，决策才是艺术。这句话，方才显出教授的学问，正如王阳明到了晚年，把学问和事务上的所有成就，都一扫而空，此乃勇猛之术。班上有名同学说，老师是在“俯视”这门课程，意指先生学问在上，才可去枝叶取支撑用课程之精要教授学生。课堂上的周泓先生于我们，有着不可言说的温情，然后会因为一句玩笑而爆掉，能带领我们循序渐进地深入课程其中而不畏其难。我们爱这样的课堂，我们爱这样的先生。 总得来说，运筹与决策这门课程，因为是讲述得是如何在管理中运用数据指挥作战的故事，所以充满了困境、宏伟和惊奇。在前三天的时间里，它就像一个一个魔方，让人在困惑中赞叹如此宏大的困境竟然有解决之道，只会让人惊诧，绝不会让人觉得乏味，只会因为那些缤纷的数据竟然可以被编辑成一个个模型演算出最优的结果而被深深吸引。 而在最后的一天里，在讲故事最关键的时候，如同烟花散尽，笙箫停歇，满天星斗在夜空里显露出来，纤尘不染。你只觉得那一瞬间，你理解了这门课程，而你却不能骄傲。
科普推广运筹学一直以来是【运筹OR帷幄】平台的初衷。本次我们邀请到了平台优化板块的责编团队的成员，结合各自独特的业界工作体会，分享他们眼中在业界发光发热的运筹学。一、元器件行业中的运筹学本人在一家做元器件服务的公司实习，军用元器件使用的时候有两个典型场景：替代和统型。替代是设计师针对进口元器件找到可替代的国产型号；统型是在一个产品的BOM内确定某几个不同元器件是否可以统一使用一种，以此减少元器件品种数。目前行业内开始从依赖专家经验（比如知道某个国产元器件就是对标某个进口元器件做的），转向从元器件性能参数的相似度出发进行判断，所以涉及到相似度和聚类方法的应用。相比方法本身，解决问题的更大阻碍是元器件性能参数数据的复杂性和不规范性。例如不同类别的元器件性能参数不同，即使在同一类别下，不同生厂商给出的性能参数形式也不同，对此进行规范需要有元器件专业知识，所以实际中，数据清洗往往耗费最多人力，也是影响方法使用效果的一大因素。二、电力行业中的运筹学本人领域是电力系统最优化，可能大家没有察觉，但是现在中国的电力网络毫无争议的走在了世界的最前沿。强如美国，最近也又一次出现了大规模停电问题。（上次是1977年加州大停电）这次美国的停电持续了25个小时，约至少4万人受到了影响，经济损失至少3000万美金以上。但是中国自从普及用电后，从没发生过如此大规模的停电问题。除了电力人的辛勤奋斗外，这也离不开运筹学在电力系统中的应用。众所周知，我们现在的电力网是交流输电网络。交流输电网络中的参数远比直流输电网络要复杂得多。最明显的不同，在交流网络中我们需要处理线路的有功功率无功功率。除此之外，线路的损耗、输电节点的电压和相角也是我们需要考虑的因素。为了保证整个电力系统的损耗最小，我们需要建立相关的数学模型进行分析计算，然后再由调度中心进行调控。但是实际问题的复杂程度远远超乎想象，单一个最优潮流问题就是一个大规模非凸非线性的问题。为了求解这类问题，相关学者提出了诸多算法和理论。诸如：半正定规划、现代内点法、凸松弛技术，模型近似技术等。这些理论已经发展了数十年，但即便如此，也没有一套成熟的理论被应用到实际中。在电力网中，我们不单要考虑线路损耗的降低，更重要的是要保证供电的可靠性。我们常常需要提前一天或数天对电力系统进行调度安排，这类问题往往是一个多层优化问题，对于这类问题，我们常见的求解办法是Benders分解和列生成。除此之外，我们需要不定期对线路检修，发电厂的维护，而线路的通断、发电厂的启停在数学模型中又成了一个整数规划问题。整体的求解难度又上升了一个层次。另外，在国家大规模倡导新能源接入的今天，风电和光伏电站不断被接入电力网络中，而新能源不能得到普及的一个重要因素是我们不能准确预知新能源电厂在下一时刻能够发出多少电能供我们使用。为了分析这类问题，我们的模型在混合整数非线性规划上又需要考虑不确定因素带来的影响。对这类问题的求解，我们又提出了随机规划、鲁棒优化、分布鲁棒等。还有一点，我们的输电线路可能会由于雷击、树枝接触等导致出现输送功率出现扰动。系统中的这些小扰动可能会对用户供电的电压和频率产生波动，对于普通家庭来说可能影响不大，但是对于一些高精技术的产业，一次电压或频率的波动就可能导致整个生产线的崩溃。如何建立相关的数学优化模型来预防这一问题也是当前的研究热点之一。最后，大家也十分熟知我们国家有一个西电东送的工程，这也是我认为最困难的一个点，我们国家的电力网络是连在一起的，是一个十分庞大且复杂的系统，而我们电力网络是时时波动的，我们需要在秒级做出优化，并给出方案。目前针对这种超大规模的含不确定性的多层混合整数非线性规划问题，我们没有办法在有限的时间内得到一个最优解。但即便困难重重，在一线的电力工作者仍在尽自己最大的努力来保证电力网络的安全可靠运行，为中国电力点赞。三、制造业中的运筹学本人目前是某厂的算法工程师，参与过企业的排班，调度，决策优化等场景的项目，主要想结合自己的经历和大家分享一下运筹优化在企业中的一些应用，主要包括任务规划/排班和实时调度两个方面，围绕场景定义，方法论和实际中的困难三个点进行阐述。1、任务规划/排班（1）场景定义首先说一下什么是任务规划，什么是排班。任务规划是基于设定好的任务输入，进行任务的排期规划，以达到资源的有效利用和工作效率的提升。任务规划主要用于传统制造业/工厂排程，建筑工程规划排程，物流运输线路任务打包等场景。任务规划后输出给虚拟人或者其它虚拟资源创建的带有时间窗的任务包，排班则基于这些任务包，把它对应到实际的人或者其它真实车辆，机械等资源中，规划出某些资源在什么时候做什么任务的结果，以及该任务需要消耗多少其它资源。（2）方法论主要的规划方法也是传统运筹优化使用的方法。首先了解真实的业务场景，抽象业务规则和约束，搭建数学模型，运用规划求解器（Cplex，Gurobi等）或者启发式算法（Local Search，Iterative Forward Search等以及各种变种）进行求解。启发式算法可以在现有的solver上进行基于不同场景的二次开发，也可以自行开发。业界一般采用第一种方式。（3）实际运用困难点在实际场景中，给不同资源的排班会有很多实际因素要考虑。给人排班要考虑人的工作班次时长，人历史的上班习惯（如习惯上晚班，晚班后不能接早班），人所拥有的技能，个人的偏好（偏好某个工种或者上班时间段），法律规定以及不同工厂因为地域有不同的差异，如香港是8小时工作制，而大陆班次时长可以是10小时等。当我们处理实际问题的时候，先要梳理实际场景，总结管理规律，构建多种配置参数，进行建模。相比于排班来说，任务规划因为是针对虚拟资源而构建，所以可以不用考虑过多的资源属性（如人习惯）等因素。2、实时调度（1）场景定义基于实时数据输入，进行任务的整合和任务的分配。主要的场景有：O2O外卖即时配送，打车软件车辆实时调度，仓储叉车/AGV，分拣中心分拣机器人实时调度等场景。实时调度的场景主要集中于新业务，而非传统的制造业和实体企业。传统的制造业和实体企业骄傲于他们的规划，而前面场景定义所提到的一些新业务场景，无法采用有效地长期规划手段，更多地是依赖短期的预测和实时的规划调度。（2）方法论上述提到的短期预测：如外卖下单到餐品完成的时间估计，车辆调度Supply和Demand的平衡，仓储/分拣中心的任务需求预测等，一般基于不同场景搭建机器学习模型，或者各种深度学习模型的Ensemble进行训练和预测。实时的规划调度包括：如外卖下单后分给哪个外卖小哥，车辆订单来了分给哪辆车，任务需求来了分给哪辆叉车，AGV或者机器人。主要的方法有：● 短时间压单后进行任务分配，以牺牲一定的最优性而换来快速高效地计算，采用传统并行的多个Tabu Search，Simulated Annealing等进行TSP或者VRP的计算。● 强化学习/动态规划方法。用收集的数据和规则搭建仿真环境，用强化学习构建任务需求（订单或者生产入库需求等）与资源（车辆，外卖效果，叉车等）的匹配价值（Value），然后分配计算。（3）实际运用困难点● 大规模订单/任务需求的计算，需要一定的计算资源支持，以及牺牲算法的优化性来实现快速计算。● 实时数据的采集。有些数据无法直接有效地采集，比如真实商家做餐时间。● 如果要搭建仿真环境，也需要了解和抽象实际的业务规则。3、关于运筹学在业界应用的思考我在某公司实习了三个月，主要做的是生产计划。生产计划也是属于供应链的一个环节，与调度相比生产计划的制定要更加宏观一些。生产计划就是决策什么时间，在哪家厂/哪条生产线上，加工多少工件。生产计划的问题广泛的存在于制造业中，举个例子就是是手机的制造，一部手机有上千个零件构成，每个零件都在指定的供应商处生产，例如手机屏幕，手机摄像头，手机电池，手机充电器每个零件都由不同的生产厂来生产，然后将这些零件运送到最终的组装厂拼装成一台成品的手机。如何合理的安排每个厂在什么时候该生产多少零件是一个需要决策的重要问题。这个问题的核心在于要考虑尽量满足订单的需求要降低库存水位（或者是库存的周转率），同时要考虑到物料的约束，产能的约束，运输的约束等等因素。在小规模的排产问题中人工调度员还能应对，一旦生产规模变大，生产工艺复杂之后，人工调度的弊病会逐渐凸显出来。目前国内有意识去做供应链的决策模型与算法的并不多，据我所知其中比较有代表性的是杉数科技。杉数科技智能计划排程系统致力于为制造业及其上下游产业提供全链条技术服务，利用运筹学与机器学习将实际问题转化为数学模型求解，实现最优化的排程。个人认为，杉数科技在运筹学应用于制造业领域做了很好的探索，在很大程度上解决了如何用更少的人，更短的时间，生产更多的产品问题。上面提到的生产计划问题本质上是一个混合整数规划问题，零件的个数就是一个整数变量，而生产这些零件的物料可能是整数的也可能是连续变量，因此该问题构成了一个混合整数规划问题。解决方案无非以下两种：● 采用经典的混合整数规划的方法，先对原混合整数规划进行分解和重新建模，例如拉格朗日松弛，Benders 分解或者列生成等等方法，子问题的求解可以采用Gurobi或Cplex这些商用求解器。● 针对问题特性设计元启发式算法，启发式算法。实际运用困难点我想谈谈混合整数规划在业界应用的gap到底在哪里，当然说大一点的话也是探讨运筹学在业应用的gap。（1 ）实际应用问题往往是大规模的实际的生产问题往往是大规模的，例如我实习时所面临的实际问题其决策变量维数都达到上亿级别，业务部门要求是2小时之内给出结果，这对算法的效率实际上提出了非常大的挑战。即使是求解上亿规模的线性规划问题耗时都比较巨大，更不用说是整数规划问题了。我们经常说线性规划简单，哈哈，但是从实际应用的角度来看目前求解线性规划的速度在一些场景上还是不能满足我们实际应用的需求的。目前在学术界大家很多情况下都是在小规模问题上自娱自乐玩一下，所以真正在公司的话，大规模的问题非常非常普遍。举个例子就是读运筹学的PhD的时候是学会在游泳池里游泳，真正在公司里边面对的问题可能就是得在大海里边游。这其实还是比较好的状况，更差的情况是一些童鞋可能在学校里只是学会了在浴缸里游泳而已。（2） 实际数据往往都是病态的实际问题的数据往往都是病态的，例如我在公司遇到的问题就是病态问题，具体来说就是优化问题约束或者目标函数的系数数量级的差别过大，导致求解过程的病态，实际问题的数据往往是千差万别和稀奇古怪的，数量级的差异经常超过10E20以上。这一点在学术界研究的相对较少一点，因为学术界研究的问题都比较理想化，即使有从实际中抽象一些原型出来，但是已经把病态啊这些问题都基本过滤掉了，但是在实际中你就发现病态问题太多了。（3） 业务人员没有优化的意识，运筹优化的人缺乏业务知识，沟通成本非常高业务人员没有优化的意识，很多时候他们不清楚运筹优化能做什么，甚至当运筹优化的算法工程师问题业务人员你们有什么要求没（约束条件），你们有什么量化的指标要越大越好或者越小越好（目标函数），业务人员很多时候也不能很清晰量化的描述出来这些东西，还有很多时候业务人员嘴巴上告诉你的目标函数和心里想的不一致。就相当于你是一个大厨，什么线性规划，拉格朗日松弛，列生成，半定规划，鲁棒优化这些菜你都会做，结果来一个顾客说他不知道吃点啥。运筹学的理论的应用必然还是要有一个实际的背景问题，而不同的问题所处的行业不一样，每个行业都有自己的习惯自己的一套语言和模式，例如航空业就有很多专业术语，如果做航空优化的话，那么就要求运筹优化的算法工程师要具备一定的业务基础，否则你是无法和业务人员交流的，人家说话你都听不懂，1次2次不懂你可以问，十次八次不懂的话，人家就不爱和你说话了。而且运筹优化算法工程师一般都是作为乙方出现的，很多时候还必须是我们得放低姿态的去主动的接触业务学习业务才行啊，否则项目就很难进行下去。（4） 测试困难，如何验证优化算法求解结果的正确性好不容易，经过了重重阻碍，克服千难万险，我们的优化算法出炉了，我们可以得到一个结果。如何验证这个结果是正确的呢？其实非常抱歉的告诉你，基本没啥靠谱的方法去验证。现在在公司普遍的作法是两种，1是人为的构造一些类似benchmark的东西，这些东西的最优解比较显而易见，通过这些benchmark来检测算法的正确性；2是参考以前人工的经验来看，算法给出的解是不是合理，例如要是做一个调度算法呢，就找几个有经验的调度员来看这个算法是不是接近以前人工调度的结果，如果接近那就认为OK了。很显然这两种方法有很多的不足，第一种方法只能适用问题特别简单的时候，问题稍微复杂一点，规模大点benchmark就很难构造了，第二种方法虽然适用面更宽一些，但是问题也很明显，那就是以前人工调度的结果很难说是比较好的结果，那这个结果去和算法做对比本来参考系就有问题。四、电商行业中的运筹学本人目前在某电商供应链计划部门实习，该电商平台有八个事业部，每个事业部每天都有一定量级的产品上新、下架。目前平台上八大事业部的总商品数量量级是十万，对接不到2000家供应商。我所在职位的主要工作内容是，根据历史销量进行各个产品的需求量预测，由于产品发货渠道有商家自发货和平台发货两种渠道，选择平台发货的厂商需要结合产品的生产周期，并且按照与平台约定的补货周期将货物运到平台的自有仓库。因此对于平台供应链计划部门来说，需要根据货物现有库存，结合日均销量预测（分大促日销和平常日销两种）实现补货量和补货时间点预测自动化，仓库效益最大化。将预测信息反馈到计划员和事业部同事进行产品调整。存在的难题有很多，比如对于新品的日销需求预测？长期在架产品的需求预测及库存管理实现效益最大化？当某产品的补货周期是一个月时，涵盖了大促时期和平销时期，如何库存管理和日销量预测，以实现仓库效益最大化，平台收益最大，且尽可能缩短断货时长？而这些都是运筹学和优化问题。五、机器学习行业中的运筹学本人最近在BAT（之一）的北美研究院实习，研究院本身的运作模式算是和本地业务团队稍有不同，成员多为国内外名校毕业的计算机、统计、数学、运筹学等专业的博士。除了写paper之外，团队也需要做能“落地”的业务支持项目（通常和国内的业务部门合作）：如在线视频网站的推荐算法、二手商品平台的定价算法、新零售门店的多渠道库存控制算法等。这些问题首先的一个共性是：海量的数据规模。这些问题对应的业务部门都有专门的数据团队，每天在公司内部的数据仓库会定时更新当日的数据（每日的数据量级都是上百TB）。因此，要在此基础之上，设计实用的优化算法，实际上对经典的运筹学模型和优化算法来说，也是巨大的挑战。因此，在目前我注意到的这些业界的实际“优化”业务中，机器学习方法和运筹学模型基本上是要一起使用的。更具体的来说，业界更需要的是“数据驱动”的决策模型。比如，现有的机器学习、深度学习方法带给我们良好的预测模型，而所谓的决策模型/优化模型便往往可以基于这些预测模型之上。当然，最理想的状态是能够将预测和决策这两个看似分离的步骤结合起来，即，动态地基于预测调整决策，再通过现阶段的决策调整之后的预测。关于这点，目前学术界有了很多不错的理论，但距离工业界的实际“落地”还是有距离的。这或许便是业界当中机器学习和运筹学的未来吧。
《运筹与管理杂志》运筹学是一门独立的新兴学科，它和自然科学、技术科学、社会科学都有密切的联系，具有很强的应用性。本刊是由中国运筹学会主办、合肥工业大学承办的学术性期刊。《运筹与管理杂志》办刊宗旨是交流运筹学与管理科学工作者的研究成果，推进运筹学在经济计划、投资决策、风险分析、企业管理、生产控制、结构优化、信息技术及军事领域的应用。《运筹与管理杂志》主要刊登运筹学、运筹数学、管理科学方面的学术研究成果及在国民经济各部门中创造性地解决实际问题行之有效的方法与经验。