在西方一些國家，運籌學是非常熱門的一個領域，很多公司都會保留大量的運籌學專家。但是在國內，運籌學理論除了在考研中有一些聲音，在企業的業務中的應用還不算多，特別是相比於算法工程師的數量，運籌學專業的從業者相對較少，後續隨着工業數字化的提升，運籌學一定會成爲熱點
業務交叉度
運籌學研究的問題可以歸納爲：“依照給定條件和目標，從衆多方案中選擇最佳方案。”所以也有人稱之爲最優化技術。機器學習研究的問題是如何從歷史的經驗數據，通過數據建模的方式生成經驗模型。
從業務角度來看，運籌學和機器學習有很大的交叉性，比如商品定價，在運籌學理論下要首先找出影響商品的一些因素，然後確定這些因素的範圍，最後利用一些最優化的手段去計算定價。機器學習做定價預測的手段也很相似，只不過把影響商品定價的因素作爲特徵，使用最小二乘法之類的最優化手段，利用線性迴歸算法生成定價。
運籌學和機器學習不交叉的地方在於，運籌學更關注一條業務線的整個生命週期，機器學習更關注於某個點。舉個例子，如何生產高品質的香菸，這個流程包含了菸葉怎麼選擇，烘烤的時間，晾曬的時間，這是由多流程組合的一個場景，流程間有一定關聯，這是運籌學比較適合解決的問題。機器學習可能比較適合解決某個關鍵帶點的問題，比如就是烘烤時間應該是多少。另外，圖像、語音等認知領域，是機器學習專長的。
技術交叉點
從技術角度看，運籌學的流程可以分爲三步，以如何規劃最優運輸路線爲例。
1.首先要確定要素，影響運輸成本的因素是哪些：
2.接着，構建約束方程：
3.最後確定目標函數：
從上面的公式可以看出來，運籌學需要大量的跟線性代數和矩陣論相關的內容，機器學習則更側重於概率論，當然機器學習裏面矩陣論的比例也非常的重。
運籌學+機器學習的未來
機器學習已經在很多互聯網的應用中正名。後續，我覺得隨着整個產業互聯網的數字化能力的提高，會有越來越多的運籌學場景產生，比如怎麼規劃路徑、怎麼生成最優質的褲子這樣的場景。
機器學習可能會成爲運籌學中的一個有效工具，去增強某些應用點的準確率。而運籌學將從一個產業鏈的整體的角度去爲機器學習算法提供更多的應用空間。
沒事看看運籌學，挺好~