使用线性规划评估（历史最优）Fantasy Feams

本篇文章主要是结合我之前面试的各种经历和实战开发中遇到的问题解决经验整理的，希望这篇《使用线性规划评估（历史最优）Fantasy Feams》对你有很大帮助！欢迎收藏，分享给更多的需要的朋友学习~

我是一名程序员和一级方程式赛车迷。当我开始玩f1的梦幻联赛时，我的心思自然就转向了算法。

f1 奇幻游戏的目标是挑选 5 名车手和 2 支车队，同时保持价格上限，并根据比赛表现获得最高分。这听起来像是一个相当传统的有约束的计算机科学优化问题，对吧？

更准确地说，对于任何历史比赛窗口，我们都可以使用线性规划来找到最佳团队。严格来说，这个解决方案是游戏的简化版本（真正的游戏允许你每周对你的团队进行更改，并且有一些通配符因素），但仍然是一个有用的起点。

整合我们的能力需要最少的依赖：

• 数据：我们从优秀的 f1 fantasy tools 网站获取积分/价格数据
• 线性编程库：我们使用 glpk.js，它是旧的值得信赖的 glpk 求解器的 javascript/webassembly 端口
• 平台：我们使用 github 页面，我们的代码在 mit 许可证下开源，可以在此处找到

当前功能有一个简单的界面，如屏幕截图所示。

该功能的关键是线性程序的幕后构造，然后将其输入浏览器中运行的 glpk.js 求解器。这是我们的工具构建的实际线性程序（省略了许多行）。

{
    "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]
    ]
}

对于那些不熟悉 f1 命名口语的人来说，车手是通过姓氏的前三个字母来称呼的（例如 ver 是 max verstappen），每个车队都有一个 3 个字母的助记符（例如 ast 是阿斯顿·马丁赛车运动）。

因此，在这些线性程序中，每个车手都有一个变量（以他们的三个字母代码命名），每个团队都有一个变量，该变量的值必须为 1（在您的幻想团队中）或 0（不在您的幻想中）团队）。而线性规划的目标是最大化积分，受限于价格总和不超过预算阈值，还受限于车手变量总和为5，车队变量总和为2。非常简单!

一个细微差别是，你可以选择一名“2x 车手”，他的得分是他们当周获得的积分的两倍。为了适应这种细微差别，我们生成 20 个单独的线性程序（每个程序采用不同的驱动程序作为 2x），并在这 20 个程序中的每一个上运行 glpk.js，以找到具有最大分数的程序。

免责声明：我们与一级方程式（或其任何公司或品牌）没有任何隶属关系。此功能的作者只是一个喜欢玩奇幻游戏的粉丝。所提供的信息不保证其准确性，您需自行承担使用风险。'

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《使用线性规划评估（历史最优）Fantasy Feams》文章吧，也可关注golang学习网公众号了解相关技术文章。