把复杂模型，
拆成真正学得会的一小步
每个知识点都紧跟演示和练习。答案不会抢先出现：先想、先做，再用 ↓ 或空格逐题核对。
TOPSIS 权重与排名
拖动权重，观察方案排名变化。
调整左侧参数，观察模型输出怎样变化。
实验后想一想
哪个参数最敏感？如果数据测错一点，结论会不会改变？把你的判断写在纸上，再继续学习。
16 讲学习地图
认识 D/E 组
看懂赛题在考什么、成果长什么样，以及高职学生如何用清楚、可靠、可执行的模型赢得分数。
Excel 也能打比赛
学会表格结构、公式引用、统计透视、图表、假设分析与规划求解；不写代码，也能完成许多高质量建模任务。
MATLAB / Python 速成
用最少语法跑通“读入—计算—画图—导出”主线，并建立不靠复制粘贴的可复现代码习惯。
数据预处理
把缺失、重复、异常、量纲和指标方向问题处理清楚，并用质量报告让每一步都有依据、能追溯。
AHP 层次分析法
从目标—准则—方案层次，到两两比较、权重计算、一致性检验与敏感性分析，完整做通一次 AHP。
熵权法与 TOPSIS
分清指标方向，算出熵权，再用正负理想解衡量方案接近程度；最后用权重扰动检验排名是否可靠。
回归分析
从散点图、最小二乘和系数解释，到残差、显著性、混杂、验证与预测区间，避免把一条拟合线写成因果定律。
灰色预测与时间序列
先识别趋势与周期，再理解 GM(1,1)、移动平均和指数平滑的假设；用滚动验证与误差比较决定谁真正可用。
线性规划与整数规划
把现实决策写成变量、目标和约束，读懂可行域与最优解，再用整数、0–1 与敏感性让方案真正可执行。
排班、指派与多目标
用 0–1 变量完成任务指派与班次覆盖，把硬约束、软约束、公平性和多目标权衡放进同一套可解释方案。
分类、聚类与判别
区分有标签分类与无标签聚类，处理尺度与距离，读懂 K-means、层次聚类、判别模型和混淆矩阵。
常用模型与快速选型
补齐图论、排队、蒙特卡洛、主成分等常用工具，并用“目标—数据—约束—输出—验证”快速选型。
论文骨架与摘要
从问题重述、假设符号、模型、求解、验证到结论，搭出可复现论文；再把核心方法与数值压缩成一页摘要。
图表排版与规范
选对图、做诚实坐标、设计简洁表格、统一符号编号与页面层级，让论文既好看又可独立阅读。
72 小时参赛流程
从选题、拆题、基准模型、主模型、写作冻结到提交终检，把 72 小时变成有检查点、有备用方案的团队系统。
全真模拟赛与复盘
设计接近真实的模拟赛，用评分证据复盘问题、模型、代码、论文和协作，再把“下次注意”改成可执行训练计划。