[논문 리뷰] Soccer League Optimization: A heuristic Algorithm Inspired by the Football System in European Countries

Erfan Khaji|arXiv (Cornell University)|2014. 06. 15.

Sports Analytics and Performance참고 문헌 6인용 수 6

한 줄 요약

이 논문은 유럽 축구 리그의 이적 동역학을 영감으로 삼아 개발된 새로운 메타휴리스틱 알고리즘인 소사이어티 리그 최적화(SLO)를 소개한다. 팀을 강도가 다른 인구집단으로 모델링하여, 강한 팀이 약한 팀으로부터 최고의 선수들을 영입함으로써 최적의 해로 향하는 경쟁과 진화를 시뮬레이션한다. 이 알고리즘은 기준 함수에서 수렴하는 것을 입증한다.

ABSTRACT

In this paper a new heuristic optimization algorithm has been introduced based on the performance of the major football leagues within each season in EU countries. The algorithm starts with an initial population including three different groups of teams: the wealthiest (strongest), the regular, the poorest (weakest). Each individual of population constitute a football team while each player is an indication of a player in a post. The optimization can hopefully occurs when the competition among the teams in all the leagues is imitated as the strongest teams usually purchase the best players of the regular teams and in turn, regular teams purchase the best players of the weakest who should always discover young players instead of buying professionals. It has been shown that the algorithm can hopefully converge to an acceptable solution solving various benchmarks. Key words: Heuristic Algorithms

연구 동기 및 목표

• 유럽 축구 리그의 경쟁적 동역학에서 영감을 얻은 새로운 휴리스틱 최적화 알고리즘을 개발하는 것.
• 강도가 다른 팀 간의 선수 이적을 시뮬레이션하여 인구집단의 진화를 통해 최적의 해로 나아가도록 유도하는 것.
• 알고리즘의 성능을 기준 함수에서 수렴성과 해의 품질 측면에서 평가하는 것.
• 실제 세계의 스포츠 시스템에 기반한 새로운 자연 유도 메타휴리스틱을 구축하는 것.

제안 방법

• 알고리즘은 세 가지 유형으로 나누어진 팀의 인구집단을 초기화한다: 부유한/가장 강한 팀, 일반 팀, 빈곤한/가장 약한 팀으로서, 이는 해의 품질 수준을 나타낸다.
• 각 팀은 선수(변수)로 구성되며, 팀의 성과는 적합도 함수를 사용해 평가된다.
• 각 반복 단계에서 강한 팀은 약한 팀으로부터 성과가 뛰어난 선수들을 영입하여 경쟁적 선택과 향상 과정을 시뮬레이션한다.
• 약한 팀은 젊고 저비용의 선수들을 육성하는 데 집중한다(탐색), 반면 강한 팀은 고성능 선수들을 확보한다(집중 탐색).
• 동적 이적 메커니즘을 사용하여 탐색과 집중 탐색의 균형을 유지하며, 실제 축구 이적 제도를 모방한다.
• 수렴 기준을 충족할 때까지 과정을 반복하며, 팀은 더 높은 적합도의 해로 진화한다.

실험 결과

연구 질문

• RQ1 축구 리그를 모델로 삼은 시스템이 복잡한 최적화 문제를 효과적으로 모델링하고 해결할 수 있는가?
• RQ2 강도가 다른 팀 간의 동적 이적 메커니즘이 수렴 속도와 해의 품질에 어떤 영향을 미치는가?
• RQ3 SLO 알고리즘이 기준 함수에서 기존 메타휴리스틱과 비교해 얼마나 우월하거나 유사한 성능을 보이는가?
• RQ4 세 단계로 나뉜 팀 구조와 선수 영입 규칙이 알고리즘의 탐색과 집중 탐색 균형에 어떤 영향을 미치는가?

주요 결과

• SLO 알고리즘은 다양한 기준 최적화 함수에서 수용 가능한 해로 수렴하는 데 성공했다.
• 실제 축구 이적 제도의 모방을 통해 탐색과 집중 탐색의 효과적인 균형을 이룰 수 있었다.
• 팀 기반 경쟁과 선수 영입을 통한 반복적 향상으로 인해 알고리즘이 강건함을 입증했다.
• 제안된 방법은 새로운 메타휴리스틱으로서 잠재력을 보였지만, 자금 조달 제약로 인해 출판이 거절되었다.