使用線性規劃評估（歷史最優）Fantasy Feams

我是一名程式設計師和一級方程式賽車迷。當我開始玩F1的夢幻聯賽時，我的心思自然就轉向了演算法。

F1 奇幻遊戲的目標是挑選 5 名車手和 2 支車隊，同時保持價格上限，並根據比賽表現獲得最高分。這聽起來像是一個相當傳統​​的有約束的計算機科學優化問題，對吧？

更準確地說，對於任何歷史比賽窗口，我們都可以使用線性規劃來找到最佳團隊。嚴格來說，這個解決方案是遊戲的簡化版本（真正的遊戲允許你每週對你的團隊進行更改，並且有一些通配符因素），但仍然是一個有用的起點。

整合我們的能力需要最少的依賴：

• 資料：我們從優秀的 F1 Fantasy Tools 網站取得積分/價格資料
• 線性程式庫：我們使用 glpk.js，它是舊的值得信賴的 GLPK 求解器的 JavaScript/WebAssembly 連接埠
• 平台：我們使用 GitHub 頁面，我們的程式碼在 MIT 許可證下開源，可以在此處找到

目前功能有一個簡單的介面，如螢幕截圖所示。

此功能的關鍵是線性程式的幕後構造，然後將其輸入瀏覽器中運行的 glpk.js 求解器。這是我們的工具建構的實際線性程序（省略了許多行）。

{
    "name": "LP",
    "objective": {
        "direction": 2,
        "name": "obj",
        "vars": [
            {
                "name": "VER",
                "coef": 593
            },
            {
                "name": "OCO",
                "coef": 112
            },
   [...18 additional drivers, omitted for brevity]

            {
                "name": "AST",
                "coef": 360
            },
   [...9 additional teams, omitted for brevity]

        ]
    },
    "subjectTo": [
        {
            "name": "cons1",
            "vars": [
                {
                    "name": "VER",
                    "coef": 30
                },
                {
                    "name": "NOR",
                    "coef": 23
                },
[...18 additional drivers, omitted for brevity]

                {
                    "name": "MCL",
                    "coef": 23.2
                },
[...9 additional teams, omitted for brevity]

            ],
            "bnds": {
                "type": 3,
                "ub": 100,
                "lb": 0
            }
        },
        {
            "name": "cons2",
            "vars": [
                {
                    "name": "VER",
                    "coef": 1
                },
                {
                    "name": "OCO",
                    "coef": 1
                },
[...18 additional drivers, omitted for brevity]

            ],
            "bnds": {
                "type": 5,
                "ub": 5,
                "lb": 5
            }
        },
        {
            "name": "cons3",
            "vars": [
                {
                    "name": "RED",
                    "coef": 1
                },
[...9 additional teams, omitted for brevity]
Show quoted text
[...18 additional drivers, omitted for brevity]

        {
            "name": "cons29",
            "vars": [
                {
                    "name": "FER",
                    "coef": 1
                }
            ],
            "bnds": {
                "type": 4,
                "ub": 1,
                "lb": 0
            }
        },
[...9 additional teams, omitted for brevity]

    ],
    "generals": [
        "VER",
        "OCO",
[...18 additional drivers, omitted for brevity]
        "ALP",
[...9 additional teams, omitted for brevity]
    ]
}

對於那些不熟悉F1 命名口語的人來說，車手是透過姓氏的前三個字母來稱呼的（例如VER 是Max Verstappen），每個車隊都有一個3 個字母的助記符（例如AST 是阿斯頓馬丁賽車運動）。

因此，在這些線性程序中，每個車手都有一個變量（以他們的三個字母代碼命名），每個團隊都有一個變量，該變量的值必須為1（在您的幻想車隊中）或0（不在您的幻想車隊中）團隊）。而線性規劃的目標是最大化積分，受限於價格總和不超過預算門檻，也受限於車手變數總和為5，車隊變數總和為2。非常簡單!

一個細微差別是，你可以選擇一名“2x 車手”，他的得分是他們當週獲得的積分的兩倍。為了適應這種細微差別，我們產生20 個獨立的線性程式（每個程式採用不同的驅動程式作為2x），並在這20 個程式中的每一個上執行glpk.js，以找到具有最大分數的程式.

免責聲明：我們與一級方程式（或其任何公司或品牌）沒有任何隸屬關係。此功能的作者只是一個喜歡玩奇幻遊戲的粉絲。所提供的資訊不保證其準確性，您需自行承擔使用風險。 '

以上是使用線性規劃評估（歷史最優）Fantasy Feams的詳細內容。更多資訊請關注PHP中文網其他相關文章！