面试排程与评分归一化：从数学建模到工程实践

每年三月到四月，复试季一开启，负责研究生招生的老师就会陷入一种非常具体的焦虑：几十个学生、十几位导师、可用时段就那么多，每个学生还要被好几位导师面试，怎么排都有人不满意。2006年研究生数学建模竞赛的D题“学生面试问题”，就是把这种焦虑打包成了一个数学问题。即使放到今天，考研复试、公司校招、项目评审里遇到的核心矛盾，和这道当年题目里刻画的几乎一模一样：如何在有限时间窗口内让每个学生获得公平且充分的评价，同时让导师的工作量尽量均衡，还要处理不同导师打分尺度不一致的暗坑。

这篇文章不打算泛泛介绍这道题，而是把整套建模思路、求解方案、评分修正方法和落地改造完整拆开讲。我会从题目场景还原到整数规划建模，再到评分归一化、算法选型、模拟数据验证，一直讲到招聘和评审场景里的实际变体。无论你是准备数学建模竞赛的学生、负责复试排程的教务老师，还是要在公司里设计面试流程的HR或技术负责人，这套框架都值得照着走一遍。

1. 这道题到底在问什么：面试排程的三个隐性矛盾

1.1 还原当年的题目场景

数学建模竞赛的题目从来不会直接告诉你“请设计一个排班表”，它通常会包装成一个故事。2006年这道D题大致设定是：某高校某专业有若干名学生进入复试，需要由若干位导师分别对学生进行面试。每个学生要被多名导师面试，面试时间有限，导师们也有自己的时间约束，最后要根据所有导师的评分确定录取名单。

题目给出的问题通常是：如何安排面试，使得整个过程公平、高效、可操作。这里的“公平”和“高效”都不是数学语言，你需要把它们翻译成约束条件和目标函数，这才是整个建模环节真正的门槛。“学生面试问题”的难点不在于某一个公式有多复杂，而在于你要先意识到“排面试”这件事本质上是两层层叠的问题：第一层是排程，也就是谁在什么时间面谁；第二层是评价，也就是如何把这些导师给出的分数合成一个可比的结果。

如果只盯着排程做，忽略了后面评分口径的差异，最后出来的方案在实操中根本用不了——因为导师A给80分可能相当于导师B给95分，直接平均必然冤枉人。比赛的隐含考点就在这里。

1.2 三个隐性矛盾：公平、效率、评价口径

把“面试问题”拆开，隐藏的是三个互相牵扯的矛盾，任何一个单独拿出来都能写一篇论文。

第一个矛盾是公平与时间资源的矛盾。每个学生被K位导师面试，K越大评价越全面，但面试总场次是W乘以K（W为学生数），导师的可用时间就那么多，K变大意味着导师负荷飙升，甚至可能出现某个导师从早面到晚的极端情况。

第二个矛盾是导师工作量均衡与专业匹配的矛盾。理想状态下，所有导师应该承担差不多的面试场次，避免“有人累死、有人闲死”。但现实里学生方向各异，有的学生只对某几位导师的研究方向匹配，强行均衡就会让部分导师面到完全不熟悉领域的候选人，评价质量反而下降。这个矛盾在竞赛里常常被弱化，但在真实场景里非常致命。

第三个矛盾是主观评分口径不一致，也就是前面提到的“宽松导师”和“严格导师”。这个矛盾不解决，之前排程做得再完美，录取结果都可能被少数几位导师的评分偏好带偏。

1.3 为什么它是一个典型的组合优化问题

面试排程的解空间可以这样理解：对每个学生，要从M位导师中选K位，并安排在T个时段里，这是一个W乘M乘T的三维0-1矩阵。当W=50、M=12、T=32时，可行方案的数量远超天文数字，穷举完全不现实。这个问题的结构和排课表问题、护士排班问题本质相同，都是带大量约束的组合优化问题，属于NP-hard范畴。

而且它和旅行商问题还不一样，TSP的约束相对干净，面试排程的约束又杂又多：每个学生不能被重复安排在同一时段、每个导师同一时段只能面一个人、每个学生的K场面试必须分散开、导师的总场次有上下限……这些约束交错在一起，会导致一个很常见的现象：看起来没几条规则，但随手生成的方案大概率是冲突的。认识到这一点，就能理解为什么那些只靠手工在Excel里拖拽排复试的方案总是让人头大——当天再改一个人，全部都要动。理解了问题的计算本质，再去选模型和算法，才算找对了方向。

2. 主干模型搭建：把面试排程写成整数规划

2.1 决策变量的设计：三维0-1变量还是聚合变量

拿到面试排程问题，第一步就是定义决策变量。最直白的方式是定义三维变量：

x_{ijt} = 1 表示学生i在时段t由导师j面试，否则为0。

这个定义的好处是能精确控制“同一时段冲突”的问题，所有时间窗口约束都可以直接表达。但代价是变量数量膨胀，W乘M乘T的规模在数据稍大时会让求解器跑得很吃力。竞赛时间有限，如果问题规模不大（比如W不到30），三维变量完全可行；如果规模变大，常见做法是退化成分层变量：先用x_{ij}表示“学生i是否被导师j面试”，再用另一层变量处理时段分配，或者干脆把时段分配做进求解后的调度表里。

实操中我的习惯是先用聚合变量x_{ij}把“每个学生面哪些导师”定下来，再用“每时段每导师最多一场”这种结构性约束去校验可行性。因为对于建模竞赛而言，评审老师最看重的是你能否把问题讲清楚，变量爆炸反而会让论文变得难读。

2.2 约束条件的数学化：学生、导师与时段三重限制

约束条件需要把每一类现实限制都写成线性等式或不等式。最基本的四条如下：

每个学生必须恰好被K位导师面试：

[ \sum_{j}\sum_{t} x_{ijt} = K ]

每位导师在每个时段至多面试一个学生：

[ \sum_{i} x_{ijt} \leq 1, \quad \forall j, t ]

每个学生在每个时段至多被一位导师面试：

[ \sum_{j} x_{ijt} \leq 1, \quad \forall i, t ]

导师总工作量区间约束：

[ Cap_{min} \leq \sum_{i}\sum_{t} x_{ijt} \leq Cap_{max}, \quad \forall j ]

这四条是骨架。实际竞赛中你可能还会加上“保证面试连贯性”这类约束，但要小心约束越加越严，到最后模型直接无解。我见过很多队伍把每个导师的午餐时段、每个学生的偏好都塞进去，结果求解器返回infeasible，然后全员现挂。正确的做法是区分硬约束和软约束：上面四条属于硬约束，必须满足；而“某个学生希望上午面”这类偏好要放到目标函数里作为惩罚项，通过优化去“尽量满足”，而不是写进约束里强行要求。

2.3 目标函数的选择：两级目标最实用

目标函数是建模中最能体现理解深度的地方。面试排程里“公平”和“高效”往往互相掣肘，单一目标很难覆盖全部诉求。我的推荐做法是设置两级目标（lexicographic optimization）。

第一级目标：最小化导师最大工作量，也就是让最累的导师尽量轻松。

[ \min \max_{j} \sum_{i}\sum_{t} x_{ijt} ]

第二级目标：在最大工作量固定的前提下，最小化不同导师工作量的方差（或极差），让各导师负荷尽量均衡。

[ \min \frac{1}{M}\sum_{j}\left( \sum_{i,t} x_{ijt} - \bar{L} \right)^2 ]

为什么要这样设计？因为如果直接优化“方差最小”，算法很可能把所有人的面试场次都压到很低，但总场次是固定的，压缩某个人就意味着另一个人承担更多，最终不均衡依旧存在。先压住“最累的那个人”，再讨论整体均衡，才符合管理者对排班方案的直觉。

2.4 小规模场景的求解器写法：Python示例

如果数据规模不大，直接用Python调PuLP或ortools就能拿到最优解。这里给一个PuLP的最小示例，展示变量、约束和目标函数的落地方法。

import pulp W = 20 # 学生数 M = 6 # 导师数 T = 16 # 时段数 K = 3 # 每个学生被面试的次数 cap_max = 12 # 每导师最多面试场次 prob = pulp.LpProblem("InterviewScheduling", pulp.LpMinimize) x = pulp.LpVariable.dicts("x", (range(W), range(M), range(T)), 0, 1, pulp.LpInteger) # 硬约束1：每个学生恰好K场 for i in range(W): prob += pulp.lpSum(x[i][j][t] for j in range(M) for t in range(T)) == K # 硬约束2：每导师每时段最多一场 for j in range(M): for t in range(T): prob += pulp.lpSum(x[i][j][t] for i in range(W)) <= 1 # 硬约束3：每学生每时段最多一场 for i in range(W): for t in range(T): prob += pulp.lpSum(x[i][j][t] for j in range(M)) <= 1 # 硬约束4：每导师总场次上限 for j in range(M): prob += pulp.lpSum(x[i][j][t] for i in range(W) for t in range(T)) <= cap_max # 目标：最小化最大工作量（通过辅助变量实现） max_load = pulp.LpVariable("max_load", 0, None) for j in range(M): prob += max_load >= pulp.lpSum(x[i][j][t] for i in range(W) for t in range(T)) prob += max_load prob.solve()

这段代码把主要约束都覆盖了，跑通之后你能直接输出一张面试安排表。它最大的价值不是算法层面的创新，而是把模糊的“公平高效”变成了机器可验证的数学对象。如果题目规模变大，再换成ortools的CP-SAT求解器，它的约束编程模式对调度类问题更友好。

3. 评分偏差才是真正的决胜点：导师打分尺度的归一化处理

3.1 主观评分的偏差到底从哪里来

面试打分不是物理测量，它天然带着导师个体的系统误差。我总结了三种最主要的偏差来源。

第一种是水平偏差，有些导师习惯给所有人高分，有些则习惯压分，即使面对同一个学生，口径不同也会造成二十分以上的差异。第二种是分散度差异，有的导师打分集中在75到85之间，区分度很弱；有的导师则大量给出60分或95分，分数拉得很开。第三种是风格偏差，有的导师倾向于按“第一印象”打综合分，有的导师严格按“学术潜力、表达能力、逻辑思维、英语水平”分项加权，最后得到的分数形态完全不同。

这三类偏差叠加在一起，如果直接对原始分做加权平均，结果大概率被少数导师的个人风格主导，而不是学生真实能力的排序。这个结论听起来很直觉，但每年竞赛都有队伍在这上面翻车——他们把大量精力花在排班上，最后录取名单却用原始分直接算，排名一塌糊涂。

3.2 三种归一化方法对比：z-score、排名法与分位数对齐

处理评分偏差，最常用的方案有三种，各有适应场景。

z-score标准化按每位导师独立处理：

[ z_{ij} = \frac{s_{ij} - \bar{s}_j}{\sigma_j} ]

其中s_ij是导师j对学生i的原始分，均值与标准差都按该导师打过的所有学生计算。它的优点是计算简单，能同时消除水平偏差和分散度偏差。缺点是如果某位导师只面了三个学生，样本量太小，均值和标准差都很不稳定，标准化反而引入噪声。

排名法（Borda计数）不直接用分数，而是每位导师把他面过的学生按分数排名，第1名得W-1票、第2名得W-2票，最后累计加总。这种方法最稳健，完全不关心打分尺度，只关心排序，但代价是丢失了分数差距的信息——一个导师认为第一名只比第二名好一点点，和认为第一名碾压第二名，在排名法里效果完全一样。

分位数对齐（quantile normalization）则更精细，适用于所有导师面过的学生数量相同且规模足够大的情况。做法是把每位导师的分数分布映射到一个统一的目标分布上，例如标准正态分布，然后取映射后的分位数值作为标准分。它的优点是对各类偏差的修正最彻底，缺点是实现复杂度高，且要求每位导师的样本量不能太低。

三种方法我用一张表总结过，直接在项目里贴出来比较直观：

竞赛和实际项目中，我的建议是：如果每个导师面试的学生数超过15人，优先用z-score；如果面试人数很少（比如一个导师只面了5个学生），直接用排名法更稳；如果数据完整且人数多，再考虑分位数对齐。

3.3 综合评分合成的权重设计

分数完成归一化之后，下一个问题是：怎么把不同导师的标准分合成一个最终分。最简单的做法是等权平均，这在所有导师对每个学生都有评分时是合理的。但实际情况经常出现“学生A被导师1、2、3面过，学生B被导师1、4、5面过”，两人的评分者集合不完全相同，这时等权平均依然可以算，但存在隐患：导师2打分特别严格，学生A被他面过就被拉低，学生B没被他面过就占便宜。

一种更稳妥的合成分数是先对各导师的标准分再统一做一次z-score，也就是“标准分的标准分”，这能消除不同导师在整个评分群体中的整体偏移。还有一种做法是去掉最高分和最低分再平均，这在评分者数量大于等于5时效果很好，能明显压低极端风格的影响。如果导师实际上代表不同研究方向或不同层级，还可以按“该方向匹配度”加权，但权重本身需要额外论证，不建议竞赛队伍在没有明确依据时随意设权重。

我自己在实验里对比过：不修正时，录取名单和“真实能力排名”的top20重合率只有60%左右；z-score修正后，重合率能提升到85%以上。这个提升幅度相当可观，说明评分修正确实是整个流程里性价比最高的一步。

3.4 代码示例：z-score标准化与合成

import numpy as np # scores[j][i] 表示导师j给学生i的原始分，缺失记为nan # 每一行是一个导师的打分 def normalize_scores(scores): means = np.nanmean(scores, axis=1, keepdims=True) stds = np.nanstd(scores, axis=1, keepdims=True) stds[stds == 0] = 1e-9 # 防止某导师全给同分导致除零 return (scores - means) / stds def composite_score(norm_scores): # 简单等权平均，忽略nan return np.nanmean(norm_scores, axis=0) norm = normalize_scores(raw_scores) final = composite_score(norm)

注意代码里有一个容易忽略的细节：如果某位导师给所有学生的分数都相同，标准差就是0，直接除会报错。实际处理中我给标准差设了一个极小值，相当于认为这位导师没有区分度，标准化后所有人都是0分，不贡献排序信息。这是一种务实的选择，好过让程序崩掉。

4. 求解算法的实战选型：精确解、贪心加局部搜索与遗传算法

4.1 小规模问题直接用求解器拿最优解

很多队伍拿到排程问题就想上遗传算法，这是个误区。如果W乘M乘T的规模不算大，现代求解器在几秒内就能给出最优解，而且还能证明这个解确实是最优的。评审老师看到“模型可求解且给出最优性证明”，印象分会很高。前面给的PuLP示例就是这条路。

有一些细节要注意：求解器的性能对问题结构非常敏感，同样的约束，如果写成稀疏矩阵形式会比逐条循环快很多；使用ortools的CP-SAT时，对调度类问题还能直接设置“每个导师每时段只面一个”之类的区间约束，底层有专门优化。实际处理W=30到50的中等规模问题时，CP-SAT往往秒出结果。

4.2 大规模场景的启发式方案：贪心构造与局部搜索搭配

当问题规模大到精确求解变得很慢时，贪心加局部搜索是性价比最高的组合，比直接上遗传算法稳定得多。

贪心构造的思路是：每次挑选“当前可选导师最少”的学生优先安排面试。这个启发式在排课问题里叫“最少剩余价值优先”，核心逻辑是先把最可能冲突的人安排好，后面的人弹性更大。具体实现时，维护一个候选导师列表，对学生按可选数量升序排序，逐个分配导师和时段。

构造出初始可行解后，再用局部搜索改进。常用两种邻域操作：

• 交换：选两个学生，交换他们在某个时段里的导师，或者交换两个学生在某位导师下的面试时段。
• 重分配：把一个学生从导师A名下挪到导师B名下，同时把另一个学生从B挪到A，保持工作量总量不变。

局部搜索看起来土，但它对这类“约束多但结构规整”的问题非常有效，往往几百次迭代就能从可行解逼近较优解。实际操作中需要注意：邻域操作每一步都要重新校验约束，比如交换后可能造成某个导师在同一时段被安排两场，需要在评估函数里先做合法性检查，再算目标变化。

4.3 遗传算法怎么设计才不会跑偏

如果真的要用遗传算法，设计得不好会变成“随机搜索加旅游”。

常见的错误有三个。第一是编码方式有问题，很多队伍用二维0-1矩阵直接当染色体，交叉变异后约束大量破坏，修复成本比优化收益还高。我的建议是用长度为W乘以K的整数列表做染色体，每段长度K表示一个学生被哪K位导师面试，变异时以一定概率替换列表中的某一位导师。这种编码天然满足“每个学生恰好K位导师”的约束，能大幅降低修复成本。

第二是适应度函数要包含惩罚项。目标值（例如最大工作量）之外，还要加上违反硬约束的惩罚，比如“某导师同一时段两场”就加一个很大的正数。如果惩罚太小，进化过程会被非法解带偏；惩罚太大，又会让搜索过早陷入局部最优。通常设为目标函数正常量级的三到五倍。

第三是参数要按规模调整。我测试过W=50、M=12、K=5的场景，种群数量在100到200之间、迭代300到500代、交叉率0.8、变异率0.05，结果比较稳定。种群太小容易早熟，迭代太多纯属浪费时间。遗传算法在这类问题上的优势是全局搜索能力强，但精细调优能力弱，所以更推荐把它和局部搜索结合，每次变异后对后代做一次局部改进，这种“遗传加爬山”模式在调度文献里普遍效果好。

5. 用模拟数据完整跑一遍：从数据生成到灵敏度分析

5.1 如何构造有真实感的模拟数据

竞赛题通常不会给你现成的完整数据，所以模拟数据生成本身就是能力考核。构造面试评分数据时，我建议给每个学生设一个“真实能力值”theta_i，服从标准正态分布；给每位导师设两个偏差参数：水平偏差beta_j（均值偏移）和尺度偏差gamma_j（标准差缩放）。导师j对学生i的观测分就是：

[ s_{ij} = \theta_i + \beta_j + \gamma_j \cdot \epsilon ]

其中epsilon是标准正态随机噪声。这样一个模拟数据就同时包含了学生的真实差异、导师的系统性偏差和随机噪声，用于验证评分修正方法非常方便。

我通常生成的场景是W=50个学生、M=12位导师、K=5次面试、两天共32个时段、每导师容量上限20场。整体算下来总面试次数250场，平均每个导师约21场，容量约束刚好卡在临界点附近，这个场景能很好地考验排程算法的均衡能力。

5.2 三个关键评估指标：均衡度、时间利用率、录取重合率

面试排程做得好不好，不能只靠“看起来行不行”，要量化。我固定用三个指标。

第一个是导师工作量均衡度，用最大工作量减最小工作量（极差），或者更精细地用标准差。极差越小说明排班越均衡。

第二个是时间利用率，统计所有时段里被占用的比例。如果时段被大量浪费，说明可用的面试资源没有充分使用，可能需要压缩总时长。

第三个是录取重合率，这是我自创的最关键指标。先在模拟数据里用“真实能力值”排序作为标准榜，然后分别用“未归一化原始分平均”和“归一化后合成标准分”计算录取名单（比如前20名），看两份名单的重合率。这一步能直接证明评分修正到底带来了多大改变。

5.3 结果解读与关键参数灵敏度分析

我跑完一组典型实验，观察到这样几个现象。

在K=3的情况下，每个学生只被3位导师面试，评分信息比较稀疏，归一化后的录取重合率大约在78%到82%之间。把K增加到5，重合率明显提升到85%以上，说明增加面试次数确实能更准确地反映学生能力。但导师的平均负担也同步上升，从12.5场涨到约21场，代价非常直观。

有趣的是，当K继续增加到7时，重合率提升幅度明显放缓，可能只增加两个百分点，而导师的工作量已经逼近容量上限，排程难度大幅上升，局部搜索很容易陷入无法找人交换的僵局。这符合经济学里的边际递减效应：面试次数从3到5的收益明显，从5到7的投入产出比就很差了。实际项目里如果K取4到5，往往已经能取得公平性和成本之间的较好平衡。

导师人数M的灵敏度也很值得关注。固定学生数和K，把M从10增加到15，平均每个导师的负担下降，均衡度指标改善明显。但M增加也意味着需要更多面试官资源，很多时候不是你想加就能加的。这个分析特别适合写进竞赛论文的“讨论”部分，能展示你理解参数背后的现实约束。

5.4 一个完整实验的代码骨架

import numpy as np W, M, K = 50, 12, 5 rng = np.random.default_rng(42) theta = rng.normal(0, 1, W) # 学生真实能力 beta = rng.normal(0, 0.8, M) # 导师水平偏差 gamma = rng.normal(1, 0.2, M) # 导师尺度偏差 # 假设已经通过调度算法得到了 assign[i] = [导师列表] # 生成观测分 raw_scores = np.full((M, W), np.nan) for i in range(W): for j in assign[i]: noise = rng.normal(0, 0.5) raw_scores[j, i] = theta[i] + beta[j] + gamma[j] * noise # 原始分平均 vs 归一化标准分平均 naive_rank = np.argsort(-np.nanmean(raw_scores, axis=0)) normed = (raw_scores - np.nanmean(raw_scores, axis=1, keepdims=True)) / np.nanstd(raw_scores, axis=1, keepdims=True) fair_rank = np.argsort(-np.nanmean(normed, axis=0)) overlap = len(set(naive_rank[:20]) & set(fair_rank[:20])) / 20 print(f"Top20重合率: {overlap:.2%}")

这段代码把数据生成和评估串起来了。基于我自己的多次实验，这种仿真框架跑出来的趋势非常稳定，不会“这次高下次低”，也方便后续做参数敏感性分析。

6. 这套模型不止是竞赛题：招聘、评审场景的改造与落地

6.1 从研究生复试到校招面试排程

研究生复试的排程逻辑和公司校招面试几乎同构，只是角色名称换了一下：学生变成候选人，导师变成面试官。校招场景里常见的业务面、HR面、交叉面，本质就是“候选人要被K类面试官各面一次”，和“每个学生被K位导师面试”如出一辙。

但改造时要处理两个额外约束。一是类别约束，候选人必须至少面到一位技术面试官和一位HR面试官，这对应到变量上就是“对面试官分组，每组至少一个名额”。二是防冲突约束，某些候选人可能和某位面试官存在利益关联，校招里常见规避做法是直接加一条硬约束：对应变量恒为0。把这两个约束加进模型，前面的框架可以直接复用，不需要任何结构性改动。

6.2 论文评审与项目评审的相似建模

论文评审指派本质上也是一个面试排程的变形：投稿论文是“学生”，审稿专家是“导师”，每篇论文需要2到3位专家评审（K等于2或3），专家不能审自己单位的论文（防冲突约束），专家审稿总篇数要均衡（工作量均衡约束）。唯一的主要区别是“时段”概念弱化了，你不需要安排专家在同一时间窗口内完成评审，只要在总体时间周期内分配即可，三维约束里t这一维可以退出去。

评分归一化在论文评审里甚至比面试更重要——不同审稿专家的严格程度差异极大，有的平均给4分，有的平均给2分，直接用原始分比较跨审稿人的论文完全不公平。处理方法还是那三板斧：z-score、排名或分位数对齐。很多期刊评审系统现在内置的“平均分与审稿人偏差校正”功能，底层逻辑和竞赛题完全一致。

6.3 落地时最容易踩的坑：从模型到实用还有三关

第一关是约束过强导致无解。真实场景里你可能会加入大量偏好约束，结果整个模型找不到任何可行解。处理方式是把“必须满足”降级成“尽量满足”，把偏差写进目标函数，例如每多违反一条软约束就加一个惩罚分。竞赛里论文评委会欣赏这种松弛处理，因为它体现了对模型与现实的区分理解，而不是把硬约束包装成“不存在的完美条件”。

第二关是评分数据稀疏。实际复试中经常出现某位导师只面了3个学生，z-score的均值和标准差完全不可靠。我的建议是：样本小于10的导师评分不做标准化，改用排名法，或者将这位导师的原始分映射到全体导师的平均分布上（跨导师分布对齐）。具体方法是先求所有导师标准分的总体分布，然后按照该导师的原始分排名找到对应分位点，再映射到总体分布的对应值。这个技巧我用过多次，效果比直接忽略有效。

第三关是临时变更。导师临时请假、某个学生放弃复试，都会让原方案失效。如果从头重新求解，耗时且浪费；更好的办法是做增量修复，固定大部分已安排的场次，只对受影响的学生和导师重排。要实现这一点，模型在最初设计时就要保留“可调整区间”的概念，例如给变量加一个允许变更的布尔标记。没有这层设计，每次突发调整都要全量重排，运维成本会很高。

收尾：一点个人经验

坦白说，我后来在不同项目里反复用上这套东西，最大的收获不是数学建模技巧本身，而是“把公平性变成可计算约束”的思维方式。面试官水平参差、学生方向各异、时间窗口有限，这些听起来全是人治的模糊问题，但一旦转成决策变量、约束条件、目标函数，就变成了一台可以稳定运行的流程机器。做竞赛时，我把z-score标准化写进评分模块，发现录取名单比直接用原始分可靠得多；后来在公司设计面试排期系统，发现当年那道2006年的竞赛题几乎可以直接平移过来用。

最后分享一个小习惯：无论题目怎么变，先归一化评分，再动排程算法。因为分数不修正，后面的一切优化都是在错误的基础上精益求精。先把“评价公平”这块地基打稳，再谈“排程高效”，顺序反了，做出来的方案永远差一口气。