评价类
指标定权：主观经验，客观公式
评价方法
- 数据量小，评价指标少——————层次分析法
- 数据量较小，样本数据具有时间序列特性——————灰色关联分析法
时间序列
时间序列是将某个统计量按照时间发生的先后顺序，按照其统计的值排列成的数列。
时间序列分析通过已经发生的序列数值规律，来预测未来序列的数值情况，通常应用于连续序列的预测问题。例如：金融领域对下一个交易日大盘点数的预测；未来天气情况的预测；下一个时刻某种商品的销量情况的预测；电影票房变化情况的预测。
时间序列特征
时间序列存在一些特性，主要包括趋势性、季节性、周期性、随机噪声。通过对这些特性的研究，发现时间序列的规律，更好的预测未来时刻的序列值。
趋势：时间序列有时候具有某种趋势，一段时间内一直变少，一段时间内又不断变多。比如上证指数，在某些时间段就不断上升，有些时间段就一直下跌。趋势给人的感觉就是带有惯性不是一下子能改变过来的。
季节：有些时间序列和季节息息相关。例如：天气随着季节变化比较明显，冬季和夏季温度差异较大；水果蔬菜在当季会比较便宜，在反季的时候会比较贵；一些期货大众商品的价格，大豆、玉米这些受到季节的影响也比较大。
周期：当时间序列的上升和下降不是固定频率时，就会发生一个周期。 这些波动通常是由于经济状况造成的，并且通常与“商业周期”有关。 这些波动的持续时间通常至少为2年。许多人将周期性行为与季节性行为混为一谈，但实际上却大不相同。 如果波动不是固定的频率，那么它们是周期性的； 如果频率不变且与日历的某些方面相关联，则该模式是季节性的。 通常，周期的平均长度比季节性样式的长度长，周期的大小往往比季节样式的大小可变。
随机噪声：在现实生活中，因为测量手段和方法或者其他原因，导致在统计中的数据都存在一定的随机噪声，时间序列属于统计数据中的一种，因此时间序列也存在随机噪声。随机噪声和时间序列相互叠加，呈现出某种没有规律性的运动。 - 指标较多，各指标之间相互独立——————TOPSIS综合评价算法
- 经济学领域中多因素多层次的复杂问题——————模糊综合评价法
- 评价新颖问题， 传统方法很难获得指标权重——————神经网络算法
- 多种投入和产出类评价问题——————数据包络法（DEA）
预测类 - 解题步骤
确定预测目的————搜索和审核资料————选择预测模型和方法（数据建模，机理建模）————分析预测误差，改进预测模型————给出最终预测结果 - 分类
无法用数学语言刻画内部演化机理的问题
可以通过微分方程科华内部规律（机理建模问题），通过微分方程建模求解 - 预测方法
数据量少，中短期预测——————灰色预测模型
预测变量随时间变化，中长期预测——————时间序列预测模型
自变量与因变量之间有逻辑相关性——————回归分析预测模型
系统未来时刻的情况只和现在有关，和过去无关——————马尔科夫预测模型
题目给出的数据量较大时——————决策树与集成学习
数据量较大，自变量纬度较高——————神经网络预测模型
优化类 - 解题步骤
确定优化目的————寻找决策变量（整数规划、0-1规划）————确定目标函数————确定约束条件（线性/非线性规划，多目标规划，动态规划）————给出最终优化结果 - 优化方法
目标函数与约束条件均为线性————线性规划
决策变量取值被限制为整数或0/1————整数规划或0/1规划
以时间为划分阶段的动态过程优化问题————动态优化模型
目标函数或约束条件中包含非线性函数————非线性规划
目标函数不唯一，同时存在多个目标函数————多目标规划 - 求解算法
基于梯度的求解算法————最速下降法，随机梯度下降，动量梯度下降，拟牛顿法
智能优化算法————粒子群算法，模拟退火，遗传算法