[论文解读] Soccer League Optimization: A heuristic Algorithm Inspired by the Football System in European Countries

Erfan Khaji|arXiv (Cornell University)|Jun 15, 2014

Sports Analytics and Performance参考文献 6被引用 6

一句话总结

本文提出了一种名为足球联赛优化（Soccer League Optimization, SLO）的新颖元启发式算法，该算法受欧洲足球联赛中球员转会动态的启发。它将球队建模为具有不同实力的种群，其中实力较强的球队从实力较弱的球队中招募顶级球员，从而模拟竞争与向最优解进化的动态过程，并在基准函数上展示了收敛性。

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

研究动机与目标

• 开发一种受欧洲足球联赛竞争动态启发的新启发式优化算法。
• 通过模拟不同实力球队之间的球员转会，推动种群向最优解演化。
• 在标准基准函数上评估算法的收敛性与解质量表现。
• 建立一种基于现实世界体育系统的新型自然启发式元启发式算法。

提出的方法

• 该算法初始化一个划分为三类的球队种群：富裕/最强、普通、贫困/最弱，分别代表不同质量水平的解。
• 每支球队由球员（变量）组成，球队表现通过适应度函数进行评估。
• 在每次迭代中，实力较强的球队从实力较弱的球队中招募表现最佳的球员，模拟竞争性选择与改进过程。
• 实力较弱的球队专注于培养年轻且低成本的球员（探索），而实力较强的球队则收购高绩效球员（开发）。
• 该算法采用动态转会机制，以平衡探索与开发，模拟真实的足球转会制度。
• 该过程持续进行，直至满足收敛标准，球队逐步演化为更高适应度的解。

实验结果

研究问题

• RQ1 基于足球联赛的系统能否有效建模并求解复杂优化问题？
• RQ2 球队之间的动态转会机制如何影响收敛速度与解质量？
• RQ3 SLO算法在基准函数上的表现与现有元启发式算法相比，其优劣程度如何？
• RQ4 三级球队结构与球员招募规则在多大程度上影响算法的探索与开发平衡？

主要发现

• SLO算法在多种基准优化函数上成功收敛至可接受的解。
• 对真实足球转会制度的模拟有效实现了探索与开发之间的平衡。
• 该算法通过基于球队的竞争与球员招募实现了迭代改进，表现出良好的鲁棒性。
• 所提出的方法显示出作为新型元启发式算法的潜力，但由于资金限制，最终被拒稿。