首先是进一步明确问题的定义，也就是确定目标，在确定目标后进一步找寻影响目标的关键影响因素和约束因子，也就是把要研究的问题真正搞清楚。在这个过程中建议仍然参考静态分析和动态分析的思路，从问题的结构组成和问题的形成过程两个方面来完整定义问题。而问题定义完成的结果可能就是一个完整的建模过程，用模型来量化的阐述和说明问题，即把目标，影响因子结合起来，参考业界的标准模型来完成模型的构建。

　　其次是算法的选择，模型有了如何来求解模型，模型的求解两大基本思路。一个是基于数学和组合规划的方法，来进行求最优解；一种是通过计算机模型的方法来找寻可行集。前者的理论基础是运筹学，离散数学，图论之类的东西；后者的基础是概率统计和模拟技术。

　　最后是在求解后如何来验证最后的答案的可行性和有效性，这一步一定不能少，否则整个问题定义，分析和解决过程就没有闭环。建模和求解的目的仍然是为了解决问题，而解决问题又必须有明确的验证方法来说明问题确实解决了。比如你可以建立相应的验证原型来进行验证，你可以进行相应的实验来说明等。

　　核心的步骤就上面三个，核心的步骤说清楚后再来说选择的方法，工具和技术。包括建模用什么方法?算法用什么?原型搭建用什么?业界参考标准和模型要借鉴什么?收集数据用什么?分析数据用什么?问题求解用什么?而在开题的时候这些可能仅仅停留在初步想法上，当时必须要去考虑，如果不提前考虑这些问题可能会导致后续论文题目根本不可行。

　　有了以上这些，再考虑把论文的最终研究成果做一个总结，成果可能是新的算法，新的模型，也是可能是新的验证方式，也可以是优化点。但是一定要说明研究本身的差异化和创新点，哪怕是很小的创新也是创新。

　　最后，不可回避的要思考一个问题，这个选题本身存在什么样的问题和风险，存在什么样的前提和假设，存在什么样的外在环境约束等。有了风险意识在实际过程中才可能去考虑风险的应对，避免风险转化为问题，不考虑风险的后果往往是论文做了一大半有推倒重来。