评选奖项最佳候选人时如何确定排名档位的最优权重参数

一、问题本质转化 #

你需要求解的是一组满足约束的最优权重，属于带约束的线性优化问题，核心约束分为两类：

• 基础逻辑约束：w1 > w2 > w3 > 0，符合排名越高权重越高的常识
• 场景反馈约束：每个确认了获胜者的测试场景，获胜者的总得分要高于其余所有候选人的总得分，可设置微小阈值ε（比如0.0001）避免得分相等的边界情况

如果出现评委反馈互相矛盾的情况，目标就调整为最大化约束满足率，尽可能覆盖最多的有效反馈。

二、PHP端可落地的两种实现方案 #

方案1：轻量网格搜索法（无需额外扩展，适合3个权重的场景） #

因为变量只有3个，完全可以用穷举搜索快速得到最优解，实现门槛极低：

1. 先做归一化简化：固定w1 + w2 + w3 = 1，把3个变量降为2个自由变量，大幅缩小搜索范围
2. 按预设步长遍历所有合法的权重组合：
   • w1遍历范围建议设为0.4 ~ 0.8，步长可设为0.01，精度足够业务使用
   • w2遍历范围为(w3+0.01) ~ (w1-0.01)，w3直接由1 - w1 - w2计算得到，自动满足w3>0的约束
3. 给每个权重组合打分：遍历所有测试场景，统计该组合能满足的约束总数，得分最高的组合就是最优权重
4. 若多个组合得分相同，优先选和通用基准权重（比如3:2:1对应0.5、0.33、0.17）偏差最小的组合即可

方案2：专业求解器方案（适合数据量较大、后续要扩展档位的场景） #

如果后续权重档位要增加，或者数据量过万，可安装PHP的线性规划扩展php-lpsolve：

1. 编译安装lpsolve依赖库后，安装对应的PHP扩展
2. 把所有约束转化为求解器可识别的线性不等式，目标函数设为最小化约束违反总差值
3. 直接调用求解器接口得到最优权重，性能远高于穷举方案

三、评委误判识别逻辑 #

拟合得到最优权重后，回溯所有训练场景：

• 用得到的权重计算每个场景的理论获胜者，和评委提交的结果做对比
• 统计结果不一致的场景，占比低的场景大概率是评委误判，可导出做人工二次核验

内容的提问来源于stack exchange，提问作者JEfromCanada