1. 项目概述与核心价值看到“降低汽油精制过程中的辛烷值损失模型”这个题目很多参加过数学建模竞赛的朋友尤其是对化工、优化或者数据挖掘感兴趣的同学应该会心一笑。这绝对是一个典型的、能充分体现建模综合能力的“好题”。它不像一些纯理论推导题那样飘在空中而是牢牢扎根于一个具体的工业场景——石油炼化。辛烷值是什么简单说它就是汽油抗爆震能力的指标数值越高汽油品质越好发动机工作越平稳动力也越足。在汽油精制过程中比如催化裂化、重整等单元我们希望通过一系列化学反应和分离操作得到高辛烷值的汽油组分。但理想很丰满现实很骨感这些过程往往伴随着辛烷值的损失也就是我们投入的原料辛烷值不低但产出的产品辛烷值却达不到预期。这中间的差值就是损失直接关系到企业的经济效益。所以这个题目的核心价值一下子就清晰了用数学和计算机的方法去量化、分析并最终找到减少这种损失的最优操作方案。它完美地融合了机理分析、数据驱动和优化决策。你需要理解化工过程的基本原理机理模型利用可能给出的生产数据数据挖掘建立预测辛烷值损失的模型机器学习/统计模型最后设定优化目标如损失最小、经济效益最大在复杂的工艺约束下如温度、压力、流量范围找到那组最优的操作参数。这几乎就是现代流程工业智能优化的一个标准缩影。对于参赛者而言无论你是偏重理论推导还是擅长编程实现都能在这个题目中找到发挥的空间。而最终附上的Python代码则是将想法落地的关键它证明了你的模型不只是纸上谈兵而是可以运行、可以验证、可以指导实际操作的“活”的工具。2. 问题拆解与建模思路总览面对这样一个综合性问题切忌一上来就埋头写代码或者推公式。一个好的建模思路始于对问题的系统性拆解。我们可以把整个问题分解为几个环环相扣的子问题这样思路会清晰很多。2.1 核心问题三层分解首先我们需要明确到底要建什么模。题目核心是“降低辛烷值损失”这自然引出了三个层次的问题损失评估模型How much?给定一套具体的工艺操作条件如反应温度T、压力P、进料流量F、催化剂活性等我们如何准确地预测出辛烷值损失RON Loss是多少这是所有后续工作的基础。如果连损失都算不准优化就无从谈起。损失归因模型Why?辛烷值损失具体是由哪些操作变量导致的每个变量的影响程度有多大是温度过高导致了过度裂化还是氢分压不足导致了不饱和烃积累这个模型帮助我们理解过程而不仅仅是黑箱预测。操作优化模型How to?在满足所有生产工艺和安全约束的前提下比如温度不能超过设备上限流量不能低于泵的最小稳定流量如何调整那些我们可以控制的操作变量使得辛烷值损失最小化或者综合经济效益考虑高辛烷值产品的溢价和操作成本最大化2.2 混合建模策略机理与数据双驱动明确了要建什么模接下来就是方法论的选择。在工业过程建模中主要有两条路径机理建模和数据驱动建模。对于这个题目最稳妥且能体现深度的策略是采用混合建模。机理建模部分这依赖于我们对汽油精制过程很可能是催化重整、烷基化等化学原理的理解。我们需要查阅文献了解辛烷值特别是研究法辛烷值RON与烃类组成如芳烃、烯烃、异构烷烃的含量之间的关系例如经典的RON计算关联式如线性加和模型。同时要理解关键操作变量温度、压力、空速、氢烃比是如何影响反应网络如脱氢、裂化、异构化的进而影响产物组成和最终辛烷值。这部分能体现你的专业背景和文献调研能力为模型提供物理可解释性。数据驱动建模部分现实工厂的数据往往包含了许多机理模型未能涵盖的复杂因素如催化剂缓慢失活、原料微小波动、测量噪声等。因此我们需要利用题目可能提供的历史生产数据建立从操作变量到辛烷值损失的映射关系。常用的算法包括多元线性回归MLR如果关系相对线性且变量不多MLR是一个简单有效的基准模型。支持向量回归SVR对于非线性关系SVR通过核函数能很好地处理且抗过拟合能力较强。随机森林RF或梯度提升树如XGBoost, LightGBM这类集成树模型能自动捕捉复杂的非线性交互效应对数据中的异常值也不太敏感在工业数据集上通常表现稳健非常适合作为主力预测模型。神经网络ANN如果有足够多的数据深度神经网络可以拟合极其复杂的函数但需要警惕过拟合且可解释性较差。混合建模的精髓在于结合两者优势可以用机理模型推导出一些关键中间特征如计算理论平衡组成再将这些特征与原始操作变量一同作为数据驱动模型的输入。或者用数据驱动模型去校正机理模型中的某些不确定参数。在论文中阐述清楚你为何选择这种混合策略是很大的加分项。2.3 模型验证与评价体系模型建好了不能自说自话必须有一套客观的评价体系。通常将数据集按比例如7:3或8:2划分为训练集和测试集。回归预测评价指标对于辛烷值损失预测模型常用均方根误差RMSE和决定系数R²。RMSE反映预测误差的绝对大小单位与辛烷值相同非常直观。R²则说明模型对数据波动的解释能力越接近1越好。优化结果评价对于优化模型最终要给出一组推荐的最优操作条件并计算出在此条件下预测的辛烷值损失值以及与历史平均工况或某基准工况相比的损失减少量百分比。这直接回答了题目的最终诉求。3. 数据预处理与特征工程实战拿到数据无论是题目给的还是自己假设的后直接丢给模型是建模大忌。数据预处理和特征工程往往决定了模型性能的上限。这部分工作琐碎但至关重要。3.1 数据清洗与探索性分析EDA首先我们要像侦探一样审视数据。缺失值处理工业数据常有缺失。对于连续变量如果缺失不多可以用均值、中位数或前后值填充。如果缺失严重可能需要考虑是否剔除该变量或样本。对于关键变量要分析缺失原因。异常值检测与处理由于仪表故障或操作异常数据中可能存在“离群点”。可以通过箱线图、3σ原则对于近似正态分布的数据或孤立森林等算法来识别。对于异常值不能简单删除要结合工艺知识判断如果是明显的错误记录如温度超过设备极限值可以剔除或修正如果是真实但罕见的工况则需要谨慎处理或许需要单独分析。描述性统计计算每个变量的均值、标准差、最小值、最大值、分位数对数据分布有一个整体把握。绘制各操作变量与辛烷值损失之间的散点图或相关热力图直观观察潜在关系。实操心得在数学建模竞赛中数据通常已经过一定程度的整理但EDA步骤绝不能省。通过画图你可能会提前发现一些线性或非线性趋势这对后续选择模型类型如用多项式回归还是树模型有直接指导作用。我曾在一个类似项目中通过散点图发现某个变量与目标值呈明显的二次关系这提示我在特征工程中加入了该变量的平方项显著提升了线性模型的性能。3.2 核心特征工程策略特征工程是“炼数成金”的过程。领域知识创造特征这是最具价值的一步。根据你对汽油精制工艺的理解创造新的复合特征。例如强度因子反应温度与重时空速的某种组合可以综合反映反应苛刻度。氢油比氢气流量与进料流量之比是催化重整等临氢过程的关键参数。理论辛烷值如果数据中有详细的烃组成PIONA分析烷烃P、异构烷烃I、烯烃O、环烷烃N、芳烃A可以使用机理关联式计算一个理论RON值这个值与实际RON的差值本身就是一个极具预测力的特征。交互特征工艺变量之间往往不是独立的。例如温度对辛烷值损失的影响可能随着压力的变化而变化。可以考虑生成一些重要变量的乘积项作为交互特征或者让树模型自动去捕捉。多项式特征对于与损失可能存在非线性关系的变量可以引入其二次项、三次项。但要注意这会增加模型复杂度和过拟合风险通常需要配合特征选择。特征缩放对于基于距离的模型如SVR或使用梯度下降的模型如神经网络将特征标准化StandardScaler缩放到均值为0方差为1或归一化MinMaxScaler缩放到[0,1]区间是必要的步骤。对于树模型RF、XGBoost则不需要。3.3 特征选择与降维特征不是越多越好。冗余特征会引入噪声增加计算量还可能导致过拟合。过滤法计算每个特征与目标变量辛烷值损失的相关性如皮尔逊相关系数、互信息。剔除相关性极低的特征。包裹法使用递归特征消除RFE尤其是结合像随机森林这样的模型可以评估特征子集的重要性。这种方法更准确但计算成本高。嵌入法直接使用带有特征重要性评估的模型如Lasso回归L1正则化会使不重要的特征系数趋于0、随机森林、XGBoost。训练完模型后查看模型提供的特征重要性排序保留最重要的前N个特征。降维如果原始特征非常多且存在共线性可以考虑使用主成分分析PCA提取主要信息。但在工业优化中我们通常希望模型具有可解释性知道是哪个具体变量起了作用因此PCA要慎用除非特征数真的巨大。4. 预测模型构建与Python实现详解理论说得再多不如一行代码。这里我们以随机森林回归Random Forest Regressor和XGBoost回归为例展示如何用Python构建稳健的预测模型。假设我们已经完成了数据清洗和特征工程得到了一个干净的DataFramedf其中目标变量列为RON_Loss。4.1 环境准备与数据划分import pandas as pd import numpy as np from sklearn.model_selection import train_test_split, GridSearchCV, cross_val_score from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error, r2_score import xgboost as xgb import matplotlib.pyplot as plt import seaborn as sns # 假设df是已经预处理好的DataFrame # X是特征 y是目标变量辛烷值损失 X df.drop(RON_Loss, axis1) y df[RON_Loss] # 划分训练集和测试集 保持随机状态以便复现结果 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) print(f训练集样本数: {X_train.shape[0]}, 测试集样本数: {X_test.shape[0]})4.2 随机森林模型训练与调优随机森林开箱即用效果就不错但调优能进一步提升。# 1. 初始化一个基础随机森林模型 rf_base RandomForestRegressor(n_estimators100, random_state42, n_jobs-1) # n_jobs-1使用所有CPU核心 rf_base.fit(X_train, y_train) # 基础模型评估 y_pred_base rf_base.predict(X_test) rmse_base np.sqrt(mean_squared_error(y_test, y_pred_base)) r2_base r2_score(y_test, y_pred_base) print(f基础RF - RMSE: {rmse_base:.4f}, R2: {r2_base:.4f}) # 2. 使用网格搜索进行超参数调优 # 定义参数网格 param_grid_rf { n_estimators: [100, 200, 300], # 树的数量 max_depth: [10, 20, 30, None], # 树的最大深度None表示不限制 min_samples_split: [2, 5, 10], # 内部节点再划分所需最小样本数 min_samples_leaf: [1, 2, 4], # 叶子节点最少样本数 max_features: [auto, sqrt] # 寻找最佳分割时考虑的特征数 } # 初始化网格搜索 使用5折交叉验证 以负均方误差-MSE作为评分标准sklearn会最大化该值 grid_search_rf GridSearchCV(estimatorRandomForestRegressor(random_state42), param_gridparam_grid_rf, cv5, scoringneg_mean_squared_error, # 负MSE越大越好 n_jobs-1, verbose1) # 输出详细进度 grid_search_rf.fit(X_train, y_train) # 输出最佳参数和最佳模型 print(f最佳参数: {grid_search_rf.best_params_}) best_rf grid_search_rf.best_estimator_ # 评估优化后的模型 y_pred_best_rf best_rf.predict(X_test) rmse_best_rf np.sqrt(mean_squared_error(y_test, y_pred_best_rf)) r2_best_rf r2_score(y_test, y_pred_best_rf) print(f优化后RF - RMSE: {rmse_best_rf:.4f}, R2: {r2_best_rf:.4f})4.3 XGBoost模型训练与调优XGBoost通常能提供比随机森林更高的精度但调参也更复杂。# 1. 初始化基础XGBoost模型 xgb_base xgb.XGBRegressor(objectivereg:squarederror, n_estimators100, random_state42) xgb_base.fit(X_train, y_train) y_pred_xgb_base xgb_base.predict(X_test) rmse_xgb_base np.sqrt(mean_squared_error(y_test, y_pred_xgb_base)) r2_xgb_base r2_score(y_test, y_pred_xgb_base) print(f基础XGBoost - RMSE: {rmse_xgb_base:.4f}, R2: {r2_xgb_base:.4f}) # 2. XGBoost参数调优简化版 实际可更精细 param_grid_xgb { n_estimators: [100, 200], max_depth: [3, 5, 7], learning_rate: [0.01, 0.05, 0.1], subsample: [0.8, 1.0], # 样本采样比例 colsample_bytree: [0.8, 1.0] # 特征采样比例 } grid_search_xgb GridSearchCV(estimatorxgb.XGBRegressor(objectivereg:squarederror, random_state42), param_gridparam_grid_xgb, cv5, scoringneg_mean_squared_error, n_jobs-1, verbose1) grid_search_xgb.fit(X_train, y_train) print(fXGBoost最佳参数: {grid_search_xgb.best_params_}) best_xgb grid_search_xgb.best_estimator_ y_pred_best_xgb best_xgb.predict(X_test) rmse_best_xgb np.sqrt(mean_squared_error(y_test, y_pred_best_xgb)) r2_best_xgb r2_score(y_test, y_pred_best_xgb) print(f优化后XGBoost - RMSE: {rmse_best_xgb:.4f}, R2: {r2_best_xgb:.4f})4.4 模型对比与特征重要性分析比较两个模型在测试集上的表现选择更优者作为最终的预测模型。# 模型性能对比 comparison_df pd.DataFrame({ Model: [Base RF, Tuned RF, Base XGB, Tuned XGB], RMSE: [rmse_base, rmse_best_rf, rmse_xgb_base, rmse_best_xgb], R2: [r2_base, r2_best_rf, r2_xgb_base, r2_best_xgb] }) print(comparison_df) # 可视化特征重要性以优化后的随机森林为例 feature_importances pd.DataFrame({ feature: X_train.columns, importance: best_rf.feature_importances_ }).sort_values(importance, ascendingFalse) plt.figure(figsize(10, 6)) sns.barplot(ximportance, yfeature, datafeature_importances.head(15)) # 展示前15个重要特征 plt.title(Top 15 Feature Importances (Random Forest)) plt.xlabel(Importance Score) plt.tight_layout() plt.show()注意事项网格搜索GridSearchCV虽然强大但非常耗时尤其是在参数组合多、数据量大、模型复杂时。在竞赛中时间有限可以采取以下策略1先进行粗调即在大范围上选择参数2对最重要的1-2个参数如n_estimators,max_depth进行精细调整3使用随机搜索RandomizedSearchCV代替网格搜索它能在更短的时间内探索更多的参数组合空间。另外一定要用交叉验证来评估调优效果防止在训练集上过拟合。5. 基于模型的工艺优化求解有了一个可靠的辛烷值损失预测模型我们就拥有了一个可以快速评估任何一组操作条件会带来多少损失的“代理模型”。接下来就可以在这个模型的基础上构建优化问题。5.1 优化问题数学描述我们可以将优化问题形式化如下目标函数最小化预测的辛烷值损失f(x)其中f是我们的随机森林或XGBoost模型x是操作变量向量。决策变量x [x1, x2, ..., xn]即可调节的操作参数如反应温度、压力、空速等。约束条件边界约束每个操作变量都有其安全或可行的上下限。lb_i x_i ub_i, for i 1, ..., n线性/非线性约束工艺中可能存在变量间的耦合关系。例如氢油比H2/Oil需要维持在一定范围这可以表示为H2_flow / Feed_flow ratio_min这是一个非线性约束。或者总进料流量等于各组分流量之和等线性约束。5.2 Python实现使用SciPy进行优化我们假设操作变量边界已知且暂时没有复杂的耦合约束使用SciPy库的minimize函数来求解。from scipy.optimize import minimize # 假设我们选择了best_rf作为最终的预测模型 predictor best_rf # 定义操作变量的初始值通常取历史平均值或当前工况、下限和上限 # 这里用示例实际需根据题目数据确定 initial_guess X_train.mean().values # 以训练集均值作为初始点 lower_bounds X_train.min().values * 0.9 # 示例下限为最小值的90% upper_bounds X_train.max().values * 1.1 # 示例上限为最大值的110% # 定义目标函数我们希望最小化预测的损失 def objective_function(x): # x是一个一维数组需要reshape成(1, n_features)的二维数组供模型预测 x_reshaped x.reshape(1, -1) loss predictor.predict(x_reshaped) return loss[0] # 返回标量值 # 定义边界约束 bounds list(zip(lower_bounds, upper_bounds)) # 执行优化 result minimize(objective_function, initial_guess, methodL-BFGS-B, # 一种适用于有边界约束的拟牛顿法 boundsbounds, options{maxiter: 1000, disp: True}) if result.success: optimized_variables result.x min_predicted_loss result.fun print(优化成功) print(f优化后的操作变量: {optimized_variables}) print(f预测的最小辛烷值损失: {min_predicted_loss:.4f}) # 可以与初始猜测点的预测损失对比 initial_loss objective_function(initial_guess) print(f初始点的预测损失: {initial_loss:.4f}) print(f损失降低: {(initial_loss - min_predicted_loss):.4f} (相对降低 {((initial_loss - min_predicted_loss)/initial_loss*100):.2f}%)) else: print(优化失败:, result.message)5.3 处理复杂约束与多目标优化上面的例子只处理了简单的边界约束。如果存在更复杂的约束需要在minimize函数中通过constraints参数传入。对于多目标优化例如既要最小化辛烷值损失又要控制能耗可能与温度、压力有关问题会变得更复杂。常见的处理方法有加权求和法将多个目标按重要性分配权重合并成一个单一目标。总目标 w1 * 损失 w2 * 能耗。难点在于权重的确定。帕累托前沿求解使用像NSGA-II这样的多目标进化算法可以找出一系列“非劣解”帕累托最优解这些解在多个目标之间进行了权衡决策者可以从中选择。Python的pymoo库是解决这类问题的强大工具。实操心得工业优化中找到的“最优解”往往在约束边界上。一定要检查优化后的变量值是否贴到了上下限。如果是需要反思是边界设得太紧还是模型在边界外不可信此外L-BFGS-B这类梯度-based方法可能会陷入局部最优。一个实用的技巧是多起点优化从不同的初始点如历史数据中的多个工况点开始运行优化比较结果选择最好的那个。这能增加找到全局最优解的概率。6. 模型检验、结果分析与可视化呈现模型优化完了给出几个数字就结束了吗远远不够。你需要让评委或读者相信你的结果是可靠、合理且有价值的。6.1 模型预测性能可视化直观展示模型在测试集上的预测效果。# 绘制预测值与真实值的散点图 plt.figure(figsize(8, 8)) plt.scatter(y_test, y_pred_best_rf, alpha0.6) plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], r--, lw2) # 绘制yx的参考线 plt.xlabel(Actual RON Loss) plt.ylabel(Predicted RON Loss) plt.title(Actual vs. Predicted (Test Set)) plt.grid(True, linestyle--, alpha0.5) plt.show() # 绘制残差图 residuals y_test - y_pred_best_rf plt.figure(figsize(10, 4)) plt.subplot(1, 2, 1) plt.scatter(y_pred_best_rf, residuals, alpha0.6) plt.axhline(y0, colorr, linestyle--) plt.xlabel(Predicted Values) plt.ylabel(Residuals) plt.title(Residual Plot) plt.grid(True, linestyle--, alpha0.5) plt.subplot(1, 2, 2) plt.hist(residuals, bins30, edgecolorblack) plt.xlabel(Residuals) plt.ylabel(Frequency) plt.title(Distribution of Residuals) plt.grid(True, linestyle--, alpha0.5) plt.tight_layout() plt.show()残差图用于检查模型假设如误差独立同分布。理想的残差图应该是围绕0水平线随机分布无明显模式。如果出现漏斗形或曲线形说明模型可能存在异方差或非线性未捕获。6.2 优化结果的可解释性与敏感性分析优化结果不能只是一个“黑箱”输出。你需要解释为什么这组参数是最优的。与历史工况对比将优化后的操作变量与历史平均工况或某个典型工况进行对比用表格清晰列出变化。单变量敏感性分析固定其他变量为最优值微调某一个变量在其可行范围内观察预测损失的变化。这可以绘制成曲线直观展示每个变量对损失的影响趋势和最优值所在位置。这不仅能验证结果的合理性比如温度是否在一个合理的区间内还能为操作工提供调整指导哪些变量敏感需要严格控制哪些变量不敏感可以有一定操作弹性。# 示例对最重要的变量进行敏感性分析 top_feature feature_importances.iloc[0][feature] opt_values optimized_variables.copy() idx X.columns.get_loc(top_feature) # 获取该特征在变量数组中的索引 # 在该特征最优值附近创建一个范围 test_range np.linspace(lower_bounds[idx], upper_bounds[idx], 50) losses [] for val in test_range: test_point opt_values.copy() test_point[idx] val losses.append(objective_function(test_point)) plt.figure(figsize(10, 6)) plt.plot(test_range, losses, b-, linewidth2) plt.axvline(xopt_values[idx], colorr, linestyle--, labelfOptimal {top_feature}) plt.xlabel(top_feature) plt.ylabel(Predicted RON Loss) plt.title(fSensitivity of RON Loss to {top_feature}) plt.legend() plt.grid(True) plt.show()6.3 模型稳健性与不确定性讨论任何模型都有局限性。在论文中必须讨论模型的假设、局限性和结果的不确定性。数据局限性模型只在训练数据覆盖的工况范围内有效。对于远超出此范围的操作预测可能不可靠。模型不确定性可以尝试使用Bootstrap方法从训练集中有放回地多次采样建立多个模型用这些模型对优化点进行预测得到损失的一个分布均值±标准差从而评估预测的不确定性。实施建议最优解往往是理论值。在实际工厂中建议采用逐步逼近的策略先向优化方向小幅调整观察实际效果再继续微调避免大幅波动对生产造成冲击。7. 完整代码框架与竞赛实战要点最后我将一个相对完整的、模块化的代码框架整理如下并附上竞赛中的一些关键要点。7.1 模块化代码框架# main.py 或 Jupyter Notebook 的主体结构 import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error, r2_score from scipy.optimize import minimize import matplotlib.pyplot as plt import seaborn as sns def load_and_preprocess_data(filepath): 数据加载与预处理 df pd.read_excel(filepath) # 或 read_csv # ... 缺失值处理、异常值处理、特征工程 ... return df def train_predictive_model(X_train, y_train, X_test, y_test): 训练预测模型并评估 # 模型训练与调参... best_model ... # 评估... return best_model, evaluation_metrics def optimize_operation(model, X_template, bounds): 基于模型进行优化 # 定义目标函数... # 设置优化... result minimize(...) return result def analyze_and_visualize(model, result, X_test, y_test): 结果分析与可视化 # 绘制预测vs实际、残差、特征重要性、敏感性分析... pass if __name__ __main__: # 1. 数据准备 df load_and_preprocess_data(process_data.xlsx) X df.drop(RON_Loss, axis1) y df[RON_Loss] X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) # 2. 训练模型 best_model, metrics train_predictive_model(X_train, y_train, X_test, y_test) print(f模型性能: {metrics}) # 3. 定义优化边界需根据实际情况填写 # lower_bounds [...] # upper_bounds [...] bounds list(zip(lower_bounds, upper_bounds)) initial_guess X_train.mean().values # 4. 执行优化 opt_result optimize_operation(best_model, initial_guess, bounds) if opt_result.success: print(优化成功最优解, opt_result.x) print(最小预测损失, opt_result.fun) # 5. 分析与可视化 analyze_and_visualize(best_model, opt_result, X_test, y_test)7.2 竞赛实战要点与避坑指南吃透题目与背景花足够时间理解“汽油精制过程”可能是催化重整、加氢精制等和“辛烷值损失”的机理。这能帮你创造更有意义的特征并合理解释结果。假设合理化题目数据可能不完美你需要做出合理假设如缺失值处理方法、变量边界并在论文中明确说明。模型对比不要只用一个模型。至少对比2-3种如线性回归、随机森林、XGBoost用测试集性能说话选择最好的并分析原因。优化可行性检查优化后的操作参数是否在工程上可实现、可控制。如果最优解要求某个阀门在1秒内从全关到全开这显然不现实。代码注释与可读性附上的Python代码一定要有清晰的注释关键步骤要说明。变量名要有意义如reaction_temperature而不是x1。论文图表并茂一图胜千言。预测效果图、特征重要性图、优化路径图、敏感性分析图都能极大提升论文质量。时间管理三天时间非常紧张。合理分配第一天理解题目、处理数据、探索分析第二天构建和调优模型第三天优化求解、撰写论文、制作图表和检查。