運籌學專業是什麽？運籌學專業詳細介紹

OR是關(guan) 於(yu) decision making的一個(ge) 學科。包括management science，industrial engineering，operation management這些相關(guan) 的學科都是與(yu) decision making相關(guan) 。

課程：

運籌的兩(liang) 個(ge) 基石等級的課程：Stochastics（隨機、概率）和Optimization（優(you) 化）。運籌最開始大概是從(cong) 二戰期間發展起來的，xx曼來搞隨機和優(you) 化的問題。

Stochastics或者叫Applied Probability和Optimization一直是OR科研和教學的主要方向。因為(wei) 它提供了兩(liang) 個(ge) 有利的工具。Stochastics刻畫了係統的隨機性，起到了建模的作用。我們(men) 拿到任何一個(ge) 問題，可以用OR的思想，先刻畫係統的隨機性，所以從(cong) 這個(ge) 角度來看，隨機和概率就比較重要。

回到OR的最根本的定義(yi) ，他是關(guan) 於(yu) decision making的學科。所以Optimization幫我們(men) 解決(jue) 了一個(ge) 問題，我們(men) 怎樣去尋找最優(you) 的一個(ge) 方案，或者說最優(you) 的一個(ge) 決(jue) 策。他其實是找一個(ge) 係統的最優(you) 點，一方麵是利潤最大，一方麵是cost最小的一個(ge) 工具。

另外Stochastics（隨機、概率）和Optimization（優(you) 化）這兩(liang) 個(ge) 基石會(hui) 建立在很多的應用的問題之上，稍後會(hui) 來細說這些應用的方向和問題。

無論是美國，歐洲還是在國內(nei) ，OR和MS（管理科學）有很多類似的學科，比如Industrial Engineering和Operation Management（OM）。

首先先來講OR和OM的區別。OR更加側(ce) 重數學工具的發展，比如隨機和優(you) 化的一些理論、一些算法，他會(hui) 做數學和算法性的東(dong) 西。OM更關(guan) 注應用，比如說定價(jia) 、供應鏈這些應用的問題。IE更像是Engineering School的版本，OR和OM的engineering版本。

無論在美國和國內(nei) 的一些學校都會(hui) 有。它的思維方式更加偏向Engineer，他不那麽(me) 追求數學上的美感，而是追求比較有利的應用。MS也是一個(ge) 比較模糊的稱呼，至於(yu) 為(wei) 什麽(me) PPT中有OR和MS，是因為(wei) 這裏有一個(ge) 學術協會(hui) 叫做Informs，全稱是institute of operations research and management science。大家做IE和OM的都會(hui) 加入到這個(ge) 學術組織。

與(yu) 其他學科的區分：導師原來是學統計的，是在讀博士第三、四年的時候才意識到這些區別。

統計和數據科學

更關(guan) 注的是給我們(men) 要分析的數據去建立一個(ge) 模型，去估計這個(ge) 模型的參數。比如估計一個(ge) 燈泡的使用壽命，建立了一個(ge) XXXmentional  distribution？來刻畫燈泡的使用壽命：觀測100個(ge) 燈泡，估計燈泡的使用壽命。

它所關(guan) 注的是我們(men) 這個(ge) 模型的參數，比如XXXmentional  distribution？這個(ge) λ。假設這些燈泡的壽命真的服從(cong) 一個(ge) XXXmentional  distribution？，那我們(men) 通過有限的樣本究竟能估計多準。

統計和數據科學更多的是看重對模型參數的估計問題，包括economics同樣是關(guan) 注參數的估計問題，比如研究一些新的政策，需要做回歸分析，會(hui) 看一些參數的正負，來有一些對這個(ge) 問題的理解，它關(guan) 注的是我們(men) 通過建立一個(ge) 模型，然後對數據進行解讀，然後我們(men) 對模型、參數的估計和理解，這是統計和數據科學，包括經濟學關(guan) 注的一些問題。

ML和AI

這兩(liang) 個(ge) 領域基本都是CS的人在做，關(guan) 注的更多的是Prediction accuracy。一個(ge) 預測問題，但是它不在乎建立一個(ge) 模型開看參數怎麽(me) 樣，但是模型參數估計和預測的精度這兩(liang) 個(ge) 之間有一定的聯係，但是從(cong) ML，AI的角度來看大家不是那麽(me) 關(guan) 注參數是不是能估計準，是關(guan) 注預測時候的準確率。

比如估計一個(ge) 事情，做下圖片分類，不關(guan) 注給圖片建立一個(ge) 概率分布參數，而是關(guan) 注比如給一個(ge) 訓練好的模型，輸入一些圖片，然後它是不是能夠識別出來。然後還有比如NLP的問題，它翻譯的是不是準確；他們(men) 都會(hui) 把問題轉化成一些類似於(yu) 準確度的指標。ML這個(ge) 學科就變成了發展不同方法和理論，去提升預測的準確度問題的一個(ge) 學科。

而OR則是關(guan) 於(yu) 在決(jue) 策的問題。統計和ML，在處理一個(ge) 問題的時候跟根據特殊的數據來建模，但是OR會(hui) 關(guan) 注整個(ge) 係統。還是以燈泡壽命為(wei) 例，在估計了參數之後，通過這個(ge) 參數，給實際的決(jue) 策，比如生產(chan) 的決(jue) 策，買(mai) 不買(mai) 燈泡的這個(ge) 決(jue) 策，帶來了什麽(me) 啟示。

OR最後的落腳點永遠是在決(jue) 策上。所以在建模這裏的視角會(hui) 更加的宏觀，最終關(guan) 注的objective是人在做的一些決(jue) 策。之後會(hui) 分析什麽(me) 是決(jue) 策，什麽(me) 是預測。

回到OR的兩(liang) 個(ge) 基石（隨機和優(you) 化），導師理解的70-80%的OR，無論是業(ye) 界還是學術界的模型，都會(hui) 分成兩(liang) 步：Stochastic Modeling和Decision optimization。第一步是通過Stochastic Modeling工具把係統建模，把係統的隨機性刻畫出來，然後基於(yu) 這樣的隨機模型，把一個(ge) 比如說利潤、或者損失表示成一個(ge) expected的function？；然後用第二個(ge) 工具optimization，來找到最優(you) 的一個(ge) 決(jue) 策。

所有從(cong) OR的兩(liang) 個(ge) 基石：隨機和優(you) 化，到整個(ge) 學科的思維方式是一個(ge) 串聯的關(guan) 係。OR的人第一個(ge) 出發點永遠是看係統的隨機性是什麽(me) ，把隨機性刻畫好了，用隨機刻畫好了，把目標表示成一個(ge) 隨機變量的expectation，然後去找這個(ge) 模型裏麵找可以操控的decision，去改變這些變量，來達到利潤的最大化，cost最小化的目標；所以兩(liang) 步是 第一步刻畫係統的隨機性，第二步是 通過優(you) 化問題把最優(you) 的決(jue) 策找到。

為(wei) 什麽(me) OR在國內(nei) 被淡化。可能是因為(wei) 大家沒有意識到什麽(me) 是operations。其實在它是在商業(ye) 和工業(ye) 環境中的一種決(jue) 策的思路和方法。舉(ju) 幾個(ge) 例子，隻能用OR可以解決(jue) ，其他如統計和ML解決(jue) 不了。

supply chain和logistics。是OR非常傳(chuan) 統的一個(ge) 應用。發展的開始時在二戰中美國怎樣給軍(jun) 隊做戰備的補給。現在比較火的主要是大型的在線電商和大型的零售商的庫存管理。比如國內(nei) 阿裏的菜鳥物流係統，全國一共130個(ge) 倉(cang) 庫，分布在30個(ge) 城市，在管理著上萬(wan) 種商品（8000種）。那這8000種商品是存放在每一個(ge) 倉(cang) 庫還是每一個(ge) 商品隻存放在一個(ge) 倉(cang) 庫。

這就是一個(ge) 很典型的operations的問題，因為(wei) 它是人為(wei) 的一個(ge) 需要做的決(jue) 策。不是ML可以預測出來的問題。本身就不是一個(ge) 預測問題，而是在係統最開始需要設置的一個(ge) 問題。比如把8000種商品每一個(ge) 倉(cang) 庫都存的話，問題是一個(ge) 倉(cang) 庫放不了這麽(me) 多商品，而且每一個(ge) 倉(cang) 庫放的太多的話，它分解的效率也會(hui) 變低；反過來，如果每一個(ge) 商品隻放在1個(ge) 倉(cang) 庫，outdoor shipping-外部的運輸這裏，比如把所有的方麵便都放在上海的一個(ge) 倉(cang) 庫，那它的發貨會(hui) 有很大的問題。

所以從(cong) 最早的建立倉(cang) 庫，做庫存的部署的時候，這就是一個(ge) 很經典的OR問題。這個(ge) 問題在目前的學術界和業(ye) 界都沒有做好，沒有一個(ge) 大家都覺得好的一個(ge) 解決(jue) 方案。

對比京東(dong) 的庫存管理，與(yu) 菜鳥不同，是分級的物流係統，有嚴(yan) 格的倉(cang) 庫之間的隸屬關(guan) 係。有地區級的倉(cang) 庫，有前端倉(cang) 庫。地區級的倉(cang) 庫比如北京和上海有非常大的倉(cang) 庫，然後附近的小城市都有自己的倉(cang) 庫；每次都是由大倉(cang) 庫往小倉(cang) 庫，每天早晨做發貨的決(jue) 策。比如每個(ge) 大倉(cang) 庫往每個(ge) 小倉(cang) 庫，某種商品，每天發貨發多少，然後一共幾千上萬(wan) 種商品。

這些都是需要做的決(jue) 策，這裏需要注意的是，這些決(jue) 策都是我們(men) 人為(wei) 需要做的decision，通過做decision來最大程度降低每個(ge) 地區的花費，保證每個(ge) 地區的人都能最快的拿到貨，也保證各地的庫存不是加的很明顯。這個(ge) 東(dong) 西不是建個(ge) 模型可以估計出來的或者預測出來的，這是我們(men) 的決(jue) 策。隻要是關(guan) 於(yu) 決(jue) 策的，就都是OR需要考慮的問題。

Pricing和Revenue management。定價(jia) ，比如國內(nei) 外的一個(ge) 大型電商的網上商品價(jia) 格一直在變。從(cong) 公司的角度來說，定價(jia) 就是一個(ge) decision。價(jia) 格不是可以預測的，而是商家、零售商來同一管理。而設定價(jia) 格的目標就是能最大化自己的利潤。

什麽(me) 樣的價(jia) 格最合理，多長時間改價(jia) 格合適，促銷是定價(jia) 多少合適~目前的學術界和業(ye) 界對促銷定價(jia) 的研究和實踐都很粗糙，隻是大家看著差不多合適，8折或者5折，但是折扣的力度和頻率都沒有做過係統性的優(you) 化。包括滴滴和Uber的定價(jia) ，每個(ge) 時刻給每個(ge) 顧客設什麽(me) 價(jia) 格：價(jia) 格太高，顧客少了；價(jia) 格太低，又賺不到錢。所以需要設定一個(ge) 優(you) 化到係統利潤的平衡點。

還有一種會(hui) 麵臨(lin) 的決(jue) 策，比如滴滴的一位司機，係統匹配到一個(ge) 訂單，到2km外接一位客戶，開到2km外需要5分鍾，但是司機在開到2分鍾的時候，係統發現，距離車很近的一個(ge) 位置有另外一個(ge) 客戶，那麽(me) 是應該放棄2km之外的第一個(ge) 客戶轉而接附近的客戶，還是繼續去接第一個(ge) 客戶，然後在安排另外一個(ge) 司機來接，這些都是決(jue) 策。包括阿法狗的圍棋的子下在什麽(me) 地方，其實是決(jue) 策的問題，不是預測。

所以阿法狗背後的模型最早也是OR的人基於(yu) 隨機過程？和ML在做。包括自動駕駛的方向盤、刹車都是決(jue) 策，不是預測車會(hui) 往哪裏開，而是車往哪裏開最安全，最快速，然後決(jue) 策什麽(me) 時候轉方向盤，什麽(me) 時候踩刹車，什麽(me) 時候踩油門。

Q：學生提問：總覺得決(jue) 策還是基於(yu) 最優(you) 化？

A: 一般來說在試圖找到最優(you) 決(jue) 策永遠是優(you) 化的過程，但是運籌學和decision making又不止於(yu) 優(you) 化，因為(wei) 他們(men) 涉及到建模的部分，我們(men) 怎麽(me) 樣描述係統的隨機性，我們(men) 怎麽(me) 樣把係統的利潤和損失找到一個(ge) 數學表達，然後這個(ge) 數學的表達又是數學上比較好優(you) 化的東(dong) 西，整個(ge) 一個(ge) 係統性的建模過程都是需要OR的經驗。

Service system

一個(ge) 經典的應用舉(ju) 例：電話服務中心（現在基本已經自動化了）；怎麽(me) 來排班，讓大家快速接到電話，不需要太多人來排班。包括醫院的排班係統，都是OR的案例。比如醫院如果要太多的護士和大夫，它的成本會(hui) 很高；如果少的話，病人等待時間又會(hui) 變長。

Q學生提問：但是這些決(jue) 策不是都需要預測或者估計提供一些結果嗎？比如Uber剛剛那個(ge) 問題，是不是可以預測一下會(hui) 不會(hui) 司機開到一半出現一個(ge) 正好在路邊的乘客

A：Uber司機走到一半路邊剛好有一個(ge) 乘客，這個(ge) 事情是不好預測的，或者說沒法預測的。可以預測的是北京某個(ge) 區或者某幾個(ge) 階段在今天5點左右會(hui) 有多少需求，然後可以提前1小時左右往這個(ge) 方向大量派車-這個(ge) 事情可以做-一個(ge) 地區或者一個(ge) 時段內(nei) 有多少需求可以做。比如今天晚上這裏有個(ge) 演唱會(hui) ，那Uber就可以提前給司機發個(ge) 通知，或者給獎勵讓司機都去這裏接人

。但是在接應過程中，突然一個(ge) 乘客在身邊，這個(ge) 事情是很容易發生的，但是是無法預測的，因為(wei) 它是一個(ge) 個(ge) 體(ti) 。可以預測的是整體(ti) 。回到電商的例子，無法預測的是某個(ge) 街道，明天有多少人去買(mai) 方便麵，但是可以預測的是這個(ge) 城市明天有多少人去買(mai) 方便麵，所以可以做這個(ge) 城市整體(ti) 發貨的一個(ge) 決(jue) 策，但是到街道，即使可以預測，它的誤差也會(hui) 非常大。這類事情在建模的過程中會(hui) 把它作為(wei) 隨機項來看待。

Scheduling and manufacturing design

現在中國還是一個(ge) 工業(ye) 化的大國，所以機遇還有會(hui) 很多。據導師的了解，國內(nei) 很多公司的工業(ye) 生產(chan) 並沒有做一個(ge) 流程化的優(you) 化。各種零部件的庫存的準備和生產(chan) 線的優(you) 化，都還有很大的空間。

導師了解到的OR的碩博去向的比較大的兩(liang) 個(ge) 方向是IT和OR。然後是OR-related，比如在線電商做庫存的，還有一些零售商的公司，或者航空公司設計調度的決(jue) 策。

之所以IT和Finance放在首位是因為(wei) OR或者統計這些學科其實是教給你一種思維方式和方法論。OR具體(ti) 並沒有特別對口的一個(ge) 方向，包括互聯網公司，金融公司，它們(men) 需求的並不是某一類的特殊人才，業(ye) 界所麵臨(lin) 的問題都是非常複雜的問題，他們(men) 需要一個(ge) 團隊的人來做，團隊中有做OR的，CS的，ML的，統計的等等，大家共同的來解決(jue) 這個(ge) 問題。

IT和Finance目前的市場還比較好，從(cong) 讀書(shu) 的角度來說，並不需要去糾結，假設想去IT，那到底應該讀OR還是統計。導師認為(wei) 這些IT和Finance公司從(cong) 招聘的角度來說，並不會(hui) 特別看重究竟是出身是OR，統計還是CS，更看重的是你能不能學到本專(zhuan) 業(ye) 的思維方式，能不能用本專(zhuan) 業(ye) 的技能來解決(jue) 一些問題。

因為(wei) 這些公司，OR，統計，CS包括econ各方麵的人才他們(men) 都需要，導師對大家的建議是，在選擇未來學習(xi) 、科研方向的時候一定要選擇自己感興(xing) 趣的。或者說自己能申請到的最好的學校的專(zhuan) 業(ye) 。因為(wei) 學校名氣如果比較好的話，公司的招聘會(hui) 會(hui) 比較多，自己的機會(hui) 會(hui) 比較多。讀博士也是，科研的話，好的學校老師也會(hui) 更強，來開講座的人也會(hui) 更多，自己聽到信息也會(hui) 更多。從(cong) 這個(ge) 角度來說，如果學生自己在糾結自己到底申請OR還是統計還是CS的話，這個(ge) 時候來想，自己在哪個(ge) 方向可以申請到的學校更好~

導師認為(wei) 綜排top20的學校都還不錯，各個(ge) 方向都不會(hui) 太差。方向這裏即使是master OR的項目，課程中也會(hui) 加一些ML的課程，因為(wei) 從(cong) 開碩士課程的角度，也是希望把學生培養(yang) 成為(wei) 能找到一個(ge) 好的工作，所以也會(hui) 設置一些業(ye) 界所期待大家需要掌握的技能。所以這些項目有一種同質化的趨勢，培養(yang) 方案和模式都差不多。

Startups：導師個(ge) 人很看重OR方向的人出現一些startups，因為(wei) 作為(wei) 工業(ye) 大國的中國，所以工業(ye) 中有很多可以優(you) 化，可以改進的東(dong) 西。目前社會(hui) 對決(jue) 策優(you) 化的意識程度還不高，所以這裏麵會(hui) 有很多的機遇。

Q：Startups主要包括哪些內(nei) 容老師可以再說一下嗎？

A：可以搜索interpret management？的Startups，hopkins的Startups，去看他們(men) 的成績會(hui) 有很多的靈感，比如supply chain management的Startups，會(hui) 看到很多非常新穎的靈感，他們(men) 不管用OR，也會(hui) 用ML的一些技術。比如做超市的庫存管理，比如生鮮品因為(wei) 很容易壞了，那應該怎麽(me) 進貨？進貨少了，顧客就直接賣光了，需求沒有被滿足，但是如果進貨過多，東(dong) 西就壞了，所以怎麽(me) 做這種決(jue) 策。關(guan) 於(yu) 編程的問題，現在這個(ge) 時代，無論是OR，統計，還是計算機對編程都有要求，我們(men) 至少要掌握R, Python，尤其是自己不是編程出身，對C++，JAVA這些不熟的話，這些都是對自己未來的發展非常必要的。

碩士項目

項目長度最好選擇2年的項目，因為(wei) 1年的項目會(hui) 比較倉(cang) 促，因為(wei) 畢業(ye) 之後就要找工作，意味著來了之後就要準備來年找工作的事情了。

學校的名氣決(jue) 定了它會(hui) 有多少公司來招聘，它的校友資源人脈怎麽(me) 樣，能不能拿到內(nei) 推，內(nei) 推會(hui) 不會(hui) 被重視。Placement是說這個(ge) 項目之前的學生的就業(ye) 出路都怎麽(me) 樣。

博士項目

要考慮商學院還是工學院的問題。因為(wei) 商學院更偏應用一些，工學院更偏數學，更偏engineer。

所以要看自己的背景，是更喜歡講故事，做一點序？的事情就去商學院；如果更喜歡數學，engineer就來工學院。

學術界還是工業(ye) 界

對於(yu) 博士來說，比較靈活，可以自由的切換。一般來說OR指的是工學院，OM指的是商學院。OR更多是研究算法、數學的事情—比如提出更好收斂性的，更快的，更低複雜度的算法，概率和優(you) 化的教學和科研；OM有商學院案例分析的風格，更多的是比如給一個(ge) 公司做一個(ge) 具體(ti) 的定價(jia) 方案—商學院風格的科研。OR和OM在業(ye) 界都差不多，隻說在在學術培養(yang) 和教學科研這裏有些不同。

碩士：

一般的項目一年收上千份申請，所以PS不會(hui) 特別重要，因為(wei) 老師沒時間看PS，主要是GPA設置一個(ge) 線，線下的就不看了；

實力經曆/科研經曆，與(yu) 推薦信聯係在一起；推薦信也是可以量化的，在推薦人提交時，會(hui) 有打分係統，比如學生在導師這裏排名是5%，10%還是50%，這是個(ge) 量化的東(dong) 西。如果導師打分是50%就比較悲劇了。

博士：

GPA第一位，反應對知識的掌握。科研經曆和推薦信是非常重要的。大家容易忽視的是GRE math sub。GRE分數（包括TOEFL）對博士來說沒那麽(me) 重要，過線就行。導師在自己學校聽教授提到過，GRE math如果能拿到99%  98%的（至少在95%以上），可以很好地反映出自己的數學能力。

雖然GRE math sub不是學校的強製要求，但是導師認為(wei) sub還是一個(ge) 非常重要的參考，尤其是自己數學成績不好的情況下，工學院對sub看中的程度要比商學院更高的。但是商學院的PhD申請非常難，因為(wei) 招的人少，每年隻有2-5個(ge) 人左右。

對於(yu) PhD來說，PS就很重要了，雖然申請的學生也很多，但是會(hui) 縮到一個(ge) 短名單，最後縮到20-30個(ge) 人，從(cong) 這之中挑10個(ge) 左右，這個(ge) 過程會(hui) 非常仔細的讀學生的PS的。

Q學生提問：工學院對數學課程的要求？

A：因為(wei) 導師後麵也會(hui) 自己找教職，從(cong) 招生的角度，導師認為(wei) 學生至少有數學分析，高等代數，概率論；作為(wei) 導師自己也期待學生有測度論？、時間函數都要學。然後優(you) 化，隨機過程，包括統計的一些課：統計推斷，多元統計分析，ML的一些課。

Q學生提問：工學院PHD會(hui) 不會(hui) 要求GRE Quant一定170或者至少169？

A：GRE Quant 沒那麽(me) 重要，考167問題也不大，隻要數學成績足夠好就可以。因為(wei) 招生時，尤其是PhD申請，大家寫(xie) 的材料，導師一看就能看出來學生的材料是不是經過中介修改過，會(hui) 知道學生的水平；導師不會(hui) 通過GRE Quant看學生的數學水平，而是通過上過的課程和PS和科研的經曆就大概知道了學生的數學水平。

數學課程對於(yu) OR PhD來說非常重要，建議多修一點。導師也建議大家在PhD前兩(liang) 年不要做太多的科研項目，建議把時間花在多學一點課（不一定是隻學數學），多些知識積累。

Q：學生提問：phd工學院選校有什麽(me) 建議麽(me)

A：工學院選校分檔：

一檔

MIT-ORC

Stanford-MS&E

Princeton-ORFE

二檔

UCB-IEOR

Columbia-IEOR

Cornell-IEOR

Northwestern University-IEMS

佐治亞(ya) 理工稍弱，gatech的排名高是因為(wei) 係裏的老師比較多，但是科研能力略遜；然後是密歇根大學工學院；USC工學院，wisc，ncsu，unc，明尼蘇達，uw和弗吉尼亞(ya) 理工的工學院；可以搜索informs（institute of operations research and management）的網站，有工學院排名的名單。

另外選校可以看自己學校的師兄師姐們(men) 都去了什麽(me) 學校作為(wei) 參考。

Q學生提問：對於(yu) 港校和北美學校的選擇有什麽(me) 建議麽(me)

A：香港是不錯的選擇，因為(wei) 這些年有些北美比較強的老師被挖過去，科研能力在不斷的提升；包括英國和歐洲的OR項目；也可以參考一些微信公眾(zhong) 號，比如【運籌帷幄】（我查了，但是不太對~~）但是香港PhD畢業(ye) 之後如果想去美國做博士後就會(hui) 比較難~香港在學術水平上，可以接近美國30-40排名的學校

Q學生提問：如果申請商學院項目，理論學習(xi) 方麵會(hui) 不像工學院一樣重視嗎

A：商學院也有做的非常理論的項目，比如MIT，芝加哥bootsh，哥倫(lun) 比亞(ya) DRO(Decision, Risk, and Operations)，USC Marshall 下設DSO項目，杜克的decision science項目，這幾個(ge) PhD都是比較重視理論的。但是商學院一般來說對理論的重視要比工學院差一些。

Q學生提問：program是不是重視理論怎麽(me) 去看呢？

A：看導師發的paper。Paper裏麵有多少數學。paper裏麵都是圖表，做回歸就是不重視理論；如果全是證明，就是重視理論。

Q學生提問：這個(ge) 領域發paper的難度怎麽(me) 樣 周期怎麽(me) 樣

A：發paper難度比較高。OR兩(liang) 個(ge) top journal的從(cong) 頭到發表平均在2年半左右，導師見過的最長的一篇是10年在投，16年才發表；MS比較快，平均在1年半左右；第三位的是MSOM （Manufacturing & Service Operations Management），第四是POMS （production and operations management society），審稿周期在9個(ge) 月到1年。整體(ti) 來看，這個(ge) 領域發paper要比ML和AI要難。

Q學生提問：排隊論是OR還是OM呀？

A：排隊論屬於(yu) OR。排隊論屬於(yu) applied probability，集中在工學院。OM用排隊論一般用作應用的問題，隻是用這個(ge) 隨機模型，但不會(hui) 很深入的研究技術。

Q學生提問：phd如果之後想走工業(ye) 需要側(ce) 重哪些技能

A：數據處理能力，編程能力—---技術的全麵性（CTO的角色，從(cong) 頭做到尾）；學術的話就是某一個(ge) 或者幾個(ge) 領域有專(zhuan) 長。