上接：2020美赛F奖论文（三）：足球团队指标和基于机器学习的球队表现预测
全文：

2020美赛F奖论文（一）：摘要、绪论和模型准备

2020美赛F奖论文（二）：传球网络模型（PNM）的建立和影响因子分析

2020美赛F奖论文（三）：足球团队指标和基于机器学习的球队表现预测

2020美赛F奖论文（四）：模拟退火算法驱动的结构策略设计

2020美赛F奖论文（五）：结合团队动力学的模型拓展、模型评价

GitHub仓库

文章目录

5 模拟退火算法驱动的结构策略设计
- 5.1 位置评价工程（PEE）
- 5.2 基于SA算法优化排列组合
- 5.3 其他结构策略因素
- 5.4 结构性策略总结

5 模拟退火算法驱动的结构策略设计

结构策略影响着成功的团队合作，作为一名成功的教练应该具备较好的统筹规划，协调合作，人员安排能力。我们认为，具体的结构策略应该最主要体现在以下两个个方面：球员位置安排和球队阵型。此外，还应考虑球员间默契度，主客场影响，教练安排。

5.1 位置评价工程（PEE）

在考虑球员位置安排时，需要计算守门员，前锋，中场，后卫四个位置不同球员的贡献值。我们在数据集中采集哈士奇球队30位球员的EventType，并以其为横轴，球员编号为纵轴，统计出每个球员在整个赛季中每个EventType次数，用颜色的深浅来表示次数的多少，以下分别为前锋，中场和后卫的EventTypes统计图：

由以上四个图，我们可以看出F中贡献最大的是F2，其次是F1,F6,F5,F4。M中贡献最大的是M1，其次是M3,M4,M6。D中贡献最大的是D1，其次是D3,D5,D4,D2,D7,D6,D8。

我们希望能有实际的模型来对不同球员球员在不同位置表现进行量化评价。此时需要结合实际知识，分析不同位置各自的重要数据，通过不同EventTypes权重分配、结合球员各种能力performance，进行计算，作为evaluation
of球队的29位球员（除守门员）分别在G,F,M位置上的表现情况。下图中，颜色越红表示越适合这个位置，反之越蓝则表示越不适合。

5.2 基于SA算法优化排列组合

我们分析整个赛季38场比赛中主力阵容/首发阵容line-up，希望建立模型为教练建议最好的球队阵容该模型的目标是要找到一个最优的有序组合，使场上11人在各自位置的能力之和最大。把场上11个位置有序排列，用11位的30进制格雷码表示当前状态；例如格雷码0A1GRD739KI表示11个位置依次有第0,10,1,16,26,13,7,3,9,11,18号球员。在搜索树极为庞大、算力资源有限的情况下，我们选择模拟退火算法。模拟退火算法主要优点之一就是能以一定的概率接受目标函数值不太好的状态，且在迭代的过程中不断能够接受使目标函数向好的方向前进的解。模拟退火算法的具体步骤如下：

给定冷却进度表参数及迭代初始解x0x_{0}x0.以及f(x0)f(x_{0})f(x0),其中冷却进度表参数包括：控制参数TTT的初值T0T_{0}T0，衰减函数，终值以及链长度LkL_{k}Lk；
参数T=T(k)T = T(k)T=T(k)时，按照如下过程作LkL_{k}Lk次试探搜索：

根据当前解XkX_{k}Xk的性质，产生一个随机偏移量mmm，从而得到一个当前解邻域的新的试探点XkX_{k}Xk；

产生一个在(0,1)\left( 0,1 \right)(0,1)区间上均匀分布的随机数θ\thetaθ,计算出在给定当前迭代点XkX_{k}Xk和温度TkT_{k}Tk下与接受准则相对应的转移概率PPP：

P={1,f(Xk′)<f(Xk)exp⁡(f(Xk)−f(Xk′)Tk),f(Xk′)<f(Xk)P = \left\{ \begin{matrix} 1,\ \ f\left( X_{k}^{'} \right) < f\left( X_{k} \right) \\ \exp\left( \frac{f\left( X_{k} \right) - f\left( X_{k}^{'} \right)}{T_{\begin{matrix} k \\ \\ \end{matrix}}} \right),\ \ f\left( X_{k}^{'} \right) < f\left( X_{k} \right) \\ \end{matrix} \right.\ P=⎩⎪⎪⎪⎨⎪⎪⎪⎧1, f(Xk′)<f(Xk)exp⎝⎛Tkf(Xk)−f(Xk′)⎠⎞, f(Xk′)<f(Xk)

Attitude(Xk)={Accept,θ<PReject,θ≥P\text{Attitude}\left( X_{k} \right) = \left\{ \begin{matrix} Accept,\theta < P \\ Reject,\theta \geq P \\ \end{matrix} \right.\ Attitude(Xk)={Accept,θ<PReject,θ≥P

试探搜索小于LkL_{k}Lk次，返回步骤1，否则进入步骤3；

根据给定的温度衰减函数产生新的温度控制参数Tk+1T_{k + 1}Tk+1，及链长度Lk+1L_{k + 1}Lk+1，转入步骤2，进入下一温度点的平衡点寻优。

在实际试探搜索中，我们很可能现入局部最优，需要进行判定以退出。当前解的优化程度小于当前最优解的优化程度的时候,新解被接受的概率为100%100\%100%,而当温度足够低的时候，较差解被接受的概率趋近于000。依据最近的KKK次搜索中都没有优化程度更高的解出现这一特征，可以根据具体问题确定阐值而后判定搜索己经进入局部最优。

5.3 其他结构策略因素

考虑完主要策略后，我们考虑以下四个次要影响因素：球员间默契度，主客场影响和教练安排。

首先，选择默契度高的小分队有利于提高传球和进球的效率。默契度高的小组往往配合能力较强，有助于比赛的成功。传球效率较高的球员往往适应能力较强，与其他球员的配合度也较好。

主客场因素也是必须要考虑的，有的球员适应性较强，在主场和客场都能较好的发挥出原有的水平，而有些适应性较差的球员只在主场发挥出原有的水平，环境对他的表现有较大的影响。那么在主客场时，应该安排不同的球员上场。

最后，教练安排上，整个赛季中，Coach 1,Coach 2,Coach 3,分别指导了9,5,24场比赛，通过我们在第二题中的数据分析也可得出，Coach 3的水平较高。

5.4 结构性策略总结

纵观整个模型，为了在下个赛季中提高球队成功率，我们团队给出的建议是，球队聘用Coach
3作为球队主教练，采用442的line-up，将F1,F6,F2,M3,M1,M6,D3,D1,D2,D5作为主力球员，命名该阵容为line-up0\text{line-up}_{0}line-up0，他们的位置按下图安排：

根据赛季数据的评价，F2球员作为一名前锋，拥有很强中场的能力，在尝试将他安排在中场时取得了显著的新最优解，这说明每个人的任一位置评价较为重要，侧面指明我们的模型因素考虑完善。

综上，该阵型的个人能力总分为PersonalScore(lineup0)=94.43\text{Per}\text{sonalScore}\left( \text{lineu}p_{0} \right) = 94.43PersonalScore(lineup0)=94.43，团队配合得分为CoordinationScore(lineup0)=90.17\text{Coordination}\text{Score}\left( \text{lineu}p_{0} \right) = 90.17CoordinationScore(lineup0)=90.17，按照{0.7,Personal0.3,Coordination\left\{ \begin{matrix}0.7,Personal \\0.3,\text{Coordination} \\\end{matrix} \right.\ {0.7,Personal0.3,Coordination 进行加权平均，最后得到综合评分为TotalScore(lineup0)=93.152\text{Total}\text{Score}\left( \text{lineu}p_{0} \right) =93.152TotalScore(lineup0)=93.152。实际比赛中与此相似的阵型取得很好的战果，也验了我们的评价模型和模拟退火算法的可行性和准确性。

下接：2020美赛F奖论文（五）：结合团队动力学的模型拓展、模型评价
全文：

2020美赛F奖论文（一）：摘要、绪论和模型准备

2020美赛F奖论文（二）：传球网络模型（PNM）的建立和影响因子分析

2020美赛F奖论文（三）：足球团队指标和基于机器学习的球队表现预测

2020美赛F奖论文（四）：模拟退火算法驱动的结构策略设计

2020美赛F奖论文（五）：结合团队动力学的模型拓展、模型评价

2020美赛F奖论文（四）：模拟退火算法驱动的结构策略设计相关推荐

数学建模美赛O奖论文研读启示录——从模仿开始
美赛O奖论文研读启示录
[美赛F奖][数学建模][经验贴]2021美赛F奖的那些事
写在前面 2021美赛都过去半年了,一直也在忙各种各样的事情,刚好上学期有一门项目管理的课程,课程论文写的就是美赛经验,偷个懒直接改下排版复制上来,以作留念贴个奖状~~ 一.引言项目是一个组织为实 ...
2018年美赛O奖论文
蓝奏云:https://www.lanzous.com/i2wpahg 原网址:https://download.csdn.net/download/csdngauss/10616370
【2020数模F奖】美赛C题参赛感受及做题思路记录【编程手的角度，含大量代码及参考链接】
目录写在前面的话题目分析 [数据清洗] [NLTK] [第一题] [第2题e问] [词云]---wordcloud包 [TF-IDF算法] [第2题a.b.c问]需要先对评论数值化 [Textbl ...
2023年美赛论文写作方法——图表篇：美赛O奖中那些好看的图表是如何制作的？
思路:永久更新,全网最新最全,持续更新中,查看最下方QQ群获取. 2023年美赛论文写作方法--图表篇:美赛O奖中那些好看的图表是如何制作的? 相信很多关注七七的小伙伴们都知道数模论文最重要的是:简洁 ...
2021年美赛F题总结
2021年美赛F题总结肝到了早上六点20分才算是把F题的论文交上去了呜呜,最后把论文发给官方的时候3个人紧张死了,检查了7,8遍就怕出一点错,官方不接收我们的文章,那个点已经神志不清了,又在官网不停 ...
2021美赛F题解题思路
新队伍,大家都差不多是小白,借鉴的博客:(19条消息) 2021年美赛F题总结_wzu_cza123的博客-CSDN博客_美赛2021f题一.数据的查找和处理二.TOPSIS 1.TOPSIS熵权 ...
2020美赛C题：python实现npl自然语言处理记录
2020美赛C题:python实现npl自然语言处理记录前言文本预处理 LDA主题分析加可视化多进程程序需写进main函数可视化 NLTK情感分析制作语料包情感积极性量化一些收获 pyt ...
2023美赛F题全部代码+数据+结果数学建模
2023年美赛F题全部思路数据代码都已完成全部内容见链接:https://www.jdmm.cc/file/2708700/ 1.根据文献选的GGDP的指标,发现GGDP与水资源等有关,由此可以筛 ...

2020美赛F奖论文（四）：模拟退火算法驱动的结构策略设计