管理科学与工程（运筹优化方向）读研及就业前景如何？

本人现在大二，专业是物流管理，主修课有运筹学和管理学。现在对运筹优化比较感兴趣，想问一下各位已经读研的（专业是管工的）学长学姐的读研感受和心得。

另外也想问一下管工的运筹优化方向的就业前景。

我了解到现在因为AI热门，导致这方面的高精尖人才还是挺好就业的。但是不是对于运筹优化岗的人才需求像机器学习那么大呢？

运筹优化方向与机器学习关系大吗？

是跨专业读计算机专业（还是想面向就业），以后做做开发（主要是市场需求大）算法

还是学习运筹优化方向呢？

想听听过来人的建议，希望从就业和个人发展角度谈谈

运筹优化博士毕业，曾在华为诺亚方舟实验室 运筹优化组实习来谈下感受。

问题1：运筹优化岗的人才需求像机器学习那么大吗？

答：运筹优化岗的职位远远少于机器学习。

问题2：运筹优化方向与机器学习关系大吗？

答：运筹优化和机器学习有联系。大多数机器学习的问题最终可以化为一个优化问题的求解。这两个领域之间的交叉研究目前也比较多。

问题3：是跨专业读计算机专业（还是想面向就业），以后做做开发（主要是市场需求大）算法，还是学习运筹优化方向呢？

答：这个问题目前没有非常标准的答案。那么我个人的见解是 如果是硕士毕业就直接工作的话，除了一些基本条件以外（例如硕士学校211,985之类的），想要找到高薪的工作的最核心指标就是编程能力要好，无论你是运筹优化岗，还是普通算法岗，还是机器学习岗 这一点它们都高度一致。所以与其说是选择哪个方向，不如首先注重编程能力的锻炼。

至于具体到咋们管理科学与工程专业的童鞋，我个人感觉就是更加更加需要加强编程能力和数学能力。因为管工的编程基础和数学基础一般来说比普通工科（除去CS专业）还要弱一点。编程能力和数学能力到位的话无论做运筹优化还是机器学习都会容易很多。

那么最后再来谈一下运筹优化岗的就业前景，确实和大火的机器学习比运筹优化的岗位很少。那么看一下知乎话题关注人数，运筹学是1.7万左右，机器学习100万左右，人工智能是140多万，从这里你就可以简单的估计一下它们的体量差距。但是另一方面人人都知道机器学习，人工智能，未必知道运筹学，自然这些运筹优化岗位的竞争压力同样也会小很多。相比机器学习，运筹优化还处于一个萌芽状态。然后和一位大佬聊天，他告诉我要选择热门里边的冷门去做，道理就是直接选择热门的话（例如：人工智能，机器学习），一股脑涌进去的人太多了，你想在这个领域里脱颖而出是有难度的，但是直接去选择冷门的话（例如：生化环材），那么可能这个领域真的就是会凉凉了，你也很难逆转大趋势。那么运筹优化实际上就是热门里的冷门，不是那么热也不是那么冷，个人感觉未来发展前景还是蛮大的。

关于更多详细的运筹优化就业选择可参考我的回答：

管理科学与工程确实太尴尬了，你要是一个HR，企业现在要求你招一个算法工程师，你会选择一个计算机/自动化专业懂运筹学，还是管理科学与工程（管理学学位）的？很显然，技术岗肯定还是要招技术扎实的。但是管理科学与工程这个学科一般设置在管理学院，绝大多数培养出的学生的编程能力很有限，一般能够熟练使用MATLAB/PYTHON的都不算特别多，更不用说C++/C/JAVA/C#这些高级语言了。现在企业做运筹优化算法工程师的绝大多数业务都希望能够用C++/JAVA语言，管理科学与工程虽然在建模上有一定训练，但是编程基本功和工科的学生比差距还是很大的（本人实际经验），当然了这也跟管理学院的氛围有关，大部分人喜欢谈商业战略等，没有工科学院那种追求技术卓越的气氛。

现在企业招聘运筹优化方向的博士的招聘启事上，一般对管理科学与工程只字不提，也不提管理科学与工程（运筹优化方向）。反而提的更多的是运筹学，控制科学与工程，系统科学，交通运输，应用数学这些专业。这说明HR对管理科学与工程这个专业缺乏信心啊！ 更相信理工科专业培养出来的学生。

其实在我国管理科学与工程一级学科是运筹优化方向的最主要研究阵地（占到80%的学者）。控制科学与工程也有一些学者研究运筹优化，但是主要是东北大学，华中科技大学（现在很多人已经跑到管理学院了），重庆大学等几个控制科学与工程设置比较全面的高校。同样是研究运筹优化，控制科学与工程的认可度比管理科学与工程认可度更高一些。这也是管理科学与工程的悲哀之处。

记得之前看一个帖子提到航空调度领域大佬同济大学梁哲教授（管理科学与工程领域大牛）早些年要和航空部门谈合作的时候，人家也不是很相信的。说白了，一个搞管理学（管理学院）的要去解决工程问题，对于不了解管理科学与工程的甲方来说，很难获得信任（因为社会普遍认为管理学是文科，至少相当多的人至今依然这么认为）。

不过也有不错的学校在想办法改善这个问题，华中科技大学秦虎教授把他的学生按照工科的培养模式培养管理学的学生（通常人们认为的文科）。但是不可否认以笔者所认识的各个211院校的管理科学与工程的学生，大多数还是比较排斥编程的，尤其是对于全面普及使用java或者C++还是很困难的。但是如果不会java或者C++，去企业实际上还是很难直接上手工作的，这也是企业更愿意招CS和自动化专业学生的原因。

作为一个管理科学与工程领域的从业者，我们有责任一起去改变这个残酷现状，逐步让社会去认可这个专业--管理科学与工程（运筹优化方向）！

参考来源：本人亲身经历。

我本科物流管理，研究生管理科学与工程，硕士毕业去阿里做运筹优化算法工程师，成长路径应该和你描述的很类似。参考以下回答，应该可以帮助你～

1）读研方向选择

2）运筹优化算法岗相关

3）运筹优化学习资料整理

有兴趣欢迎随时联系，可以参考2021世界500强榜单

Base：深圳、北京、成都均可

薪资：50-80万，应届博士或硕士3年以上工作经验

运用运筹优化、机器学习、深度学习、强化学习等技术，负责决策智能产品的技术研发工作，

包括挖掘数据信息，建立优化模型，设计优化求解算法，优化核心决策等；紧跟运筹优化技术的业界最新进展，并合理的运用到实际产品中。

a) 拥有统计学、应用数学、运筹学、计算机科学、工业工程等相关专业硕士及以上学历

b) 熟悉各类型的运筹优化模型，如网络流、TSP、VRP、选址、排产排程等，了解各模型的使用场景和运算效率

c) 熟悉优化等相关算法与概念，如线性规划、非线性规划、动态规划、组合优化、元启发式算法、进化算法等

d) 熟练调用至少一种优化求解器，如 CPLEX, Gurobi, SCIP,Lindo 等

e) 能灵活结合问题自主设计、开发相关求解算法，并根据结果进行分析，有针对性的进行效率优化

f) 熟练掌握至少一门语言，如 Python（首选）、R、C/C++、Java 等，能熟练使用 Numpy,Pandas 等，具备一定的工程化能力

g) 拥有良好的分析问题和解决问题的能力，乐于学习，善于思考，有团队合作精神

有以下一项或多项者优先：

a) 亲自动手实现过较为复杂的优化与调度算法者优先，如启发式算法等

b) 有优化和智能决策相关项目经验者优先

c) 有求解器开发经验者优先

d) 有使用机器学习算法求解优化问题者优先

e) 有相关领域顶级会议、期刊论文者优先

Base：深圳

薪资：50-90万

1.作为核心人员参与运筹优化方向的算法研究和开发，包括但不限于组合优化，随机优化，在线优化，线性规划等；

2.工作内容包括但不限于网络规划、资源排班、服务质量提升、产品定价等方面数字化服务，实现成本降低效率提高，协助提高核心竞争力；

3.具备良好的数学建模能力，能够从复杂的业务环境中抽象出清晰的数学模型；

4.具备良好的启发式算法思维，能够面对复杂的业务环境设计合适的启发式算法。

1.本科及以上学历（3-8年以上相关工作经验），硕士博士优先，计算机、运筹学、数学、工业工程或相关专业；

2.熟悉优化、运筹学等领域的算法应用和理论，有科研能力并有成果发表在国际会议、期刊者优先；

3.较强的逻辑分析能力和数学建模能力，熟悉运筹学、车辆路径规划领域的经典算法和模型；

4.有物流方面优化算法相关工作经验者优先；

5.较好的编程能力，熟练掌握Java，C/C++，Python等至少一门语言，熟练使用Gurobi/Cplex/IpSolve等至少一种建模求解工具；

6.良好的团队合作精神，能够做到优秀，严谨，乐观；

7.有强烈的求知欲，对人工智能领域相关技术有热情。

薪资：Open，行业顶尖

Base：深圳，海外资深候选人可兼职，一般只考虑海外博士

1、 洞察全球科技与产业发展趋势，形成未来信息领域的战略假设，组织公司内外部科学家/专家进行交流讨论，萃取精华，输出系统思想

2、 通过聚焦的重要行业前瞻分析，利用系统工程的方法论进行研究，设想适合未来的大架构、大平台

3、 通过系统工程的方法，把公司的各种技术进行组织和协同，牵引进行系统性创新

4、 研究业界系统工程方法论以及最佳实践，形成适合公司的核心能力

Base：深圳，珠海

薪资：40-80万

1、深入研究生产调度、路径规划等领域的优化问题，并从生产效率、成本、时效等多个维度进行算法设计；

2、负责生产资源调度的算法研发工作，能创新性提出新算法来解决现实场景中的优化问题，包括但不限于生产调度，设备调度等，不断提升资源的利用率；

3、与产品开发团队协同，负责调度相关数据分析、建模，优化算法设计与开发、验证及上线；

4、基于运筹学，智能算法等手段，优化生产成本和效率位工作；

5、持续优化核心算法，不断提高算法可用性及有效性，保证算法稳定高质量输出。

1、研究生以上学历，计算机技术、管理科学与工程、工业工程、自动化等相关专业；

2、3年以上运筹优化算法经验，有工业软件行业背景优先；

3、熟练基于业务问题进行数学建模，精通各类优化算法的实现；

4、熟悉运筹学和GA、VNS、PSO等算法；

5、熟悉Matlab、Python等工具或同类工具。

自上个世纪20年代，OR（运筹学）诞生并与CS一同不断发展，不同学科的学术交叉下形成了现在的几个有联系的学科：MIS（信息管理系统）、OM（运营管理）、DS（数据科学）与OR（运筹学）。另外还有quant marketing等。笔者才学疏浅，只能写下浅显的些许介绍性质内容方便大家管中窥豹，并且综合了一些资料以便大家查阅。

这些专业很多非常欢迎CS背景的学生且研究内容与CS关联紧密，PhD中绝大部分是CS或者Math本科。

• 研究最优化、随机、算法、控制等内容，可以认为是应用数学的分支，较为理论。部分研究与计算机理论相重合。王子卓老师关于OR的相关解答link
• 国外可以参考MIT ORC，上财叉院。上财叉院的实力非常雄厚且以理论为主，稳定培养前往世界顶尖学校PhD（MIT等）攻读OR、MIS、OM的学生。

• OR/Math+CS+商科/社科领域的应用==OM，参考Uchi Booth的介绍翻译：利用数学和计算机方法进行研究（目前较多使用Machine Learning），帮助管理人员开发更好的系统并做出更好的决策。OR和OM在研究内容上并没有很大区别，可以参考cuhk的Pro.Zhang, Philip Renyu所分享的申请经历，虽然年代久远但依旧很有价值。
• CS+商科/社科领域的应用==MIS，目前较多涉及Machine Learning，Data Mining等。
• 此处的OM与MIS特指商学院下的专业，与ischool下的相关专业在制度上有所不同，研究内容相似。每个商学院相关系的名称不一样，如Upenn Warton底下叫做Operations, Information and Decisions
• Data Science学院的研究较杂，会涉及多个专业招生。国内如港中深数据科学学院学术水平非常高，有OR、CS、OM相关领域的老师，大家可以尝试套磁做科研。

以上这些专业很多非常欢迎CS背景的学生且研究内容与CS关联紧密，PhD中绝大部分是CS或者Math本科。如Umich Ross商学院PhD几乎都是录的清北数学本。这几个学科联系非常紧密，从申请的角度在笔者看来，这些项目大致可以分为三类： 1.商学院下的program 2.cs系下的program 3.其他理工科系下的program

• 绝大部分是committee制，意味着套磁的话大部分老师都是模板回复鼓励申请之类，即使不陶瓷也可以拿offer（当然套磁肯定也不坏事）。此外养PhD candidate的费用由系里出，师生关系相对更良好。国内的top院校是在第二年再选择导师（如清华、复旦）
• 录取人数少（-）。基本上对于一个专业，各系一年只招1-2名PhD（例外如哥大DRO一年4个），北美一年加起来招大概不到100个PhD，如果是非minority可能得减半。这意味着难度极大，非top选手的offer好坏运气成分较大。贡献两个dp（几年前知乎er）：
  1.北大数院，拿到MIT EECS PhD，选择了哥大商学院DRO系
  2.清华贵系，nips一作，哥大商学院DRO系
• 教职容易（+），placement大部分招教职，因此除了少数雄心壮志的job market candidate较少有去postdoc。僧少粥多的结果。但注意的是近两年的难度极具上升，特别是对于非minority，因此最近不少去了业界，如Amazon。
• 教职薪资水平高（+）。一般的学校ap可以达到15w-20+w。
• 毕业年限相对短（+）。一般是5-6年，可能MIS长一点。

因此笔者的个人观点是，从target学术界的角度，商学院>CS>其他，从target业界的角度，CS>其他≈商学院。业界的出路：OR还是比较狭窄的，一些top学校的PhD会去抢CS的相关岗位。ISOM可以前往例如Amazon的economist等岗位，目前还是较为容易且待遇不错（30w刀/y），或者一些大厂postdoc岗位如谷歌，但未来难以预料。

• 目前从学术角度，北美无疑占据学术圈主流，港新及INSEAD等欧洲院校紧跟脚步，内地尚有差距。
• 商学院的顶刊为utd24期刊以及少数top field，发表周期较长，平均2年。周期长导致北美与其他地区产生壁垒，即使有SSRN（arxiv）的存在。
• 这意味着相比于CS，具有一定学术水平的老师非常少，有一篇高质量paper（顶刊R&R及以上）的难度大。因此在connection大于一切的情况下，尽可能以及尽早找北美老师，培养自身的学术品味。
• 只能找国内导师/想以后既申商学院又申CS，可以做ML/DM相关内容。
• ISOM PhD申请所看重的点：
  1.CS，Math背景做proof
  2.代码能力
  3.炼丹熟练度
  4.实证方法
  5.研究方向是否match
  6.pre能力
  7.self-motivated等
  8.有一篇高质量的paper（未发表的高质量paper>一般水平的已发表文章，因此好好打磨一篇足矣）

本文先发于四川大学计软网学生自救手册，欢迎大佬贡献自己的经验~