使用线性规划评估（历史最优）Fantasy Feams

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。'

以上就是使用线性规划评估（历史最优）Fantasy Feams的详细内容，更多请关注硕下网其它相关文章！