用Python实现多重约束下的奇幻橄榄球最优阵容选择

当前场景基础 #

手上持有约200条球员历史预测数据，字段包含Country（球员所属国家）、Name（球员姓名）、Position（场上位置）、Value（球员薪资）、Pts（下周预测可得梦幻积分），核心目标是筛选出满足所有规则的阵容组合，拿到最高的总积分。

硬性筛选规则 #

• 国籍限制：单个国家最多入选4名球员，涉及参赛国家共6个
• 预算限制：所有入选球员（含替补）的总薪资不得超过246.4的预算上限
• 人数基础：首发阵容固定为15人
• 替补规则：最多可选3名替补，替补位可空缺；替补仅能获得对应积分的一半，但薪资成本和正选球员完全一致；和你原本的思路一致，由于该规则会提升计算复杂度，可分别按配置0名、1名、2名、3名替补的场景单独运行计算，再横向对比各场景的结果取最优
• 位置人数要求：全阵容（含替补）各位置入选人数必须落在对应区间内：
  • FB：1-2人
  • C：2-4人
  • W：2-4人
  • FH：1-2人
  • SH：1-2人
  • BR：3-6人
  • SR：2-4人
  • P：2-4人
  • H：1-2人

新手友好的实现路径 #

首先明确：纯暴力枚举所有球员组合的方案在这个数据规模下完全不可行，200名球员选15-18人的组合数达到数亿亿量级，普通设备根本无法完成计算，不需要硬套教程里的递归遍历全组合的逻辑，更适配的路径如下：

• 第一步：用pandas读取、整理球员数据，按位置拆分球员子集，提前缩小每个位置的候选范围
• 第二步：引入整数线性规划求解库PuLP，不需要手写复杂的回溯逻辑，只需要把所有筛选规则转化为求解器可识别的约束条件，让求解器自动遍历最优解，这套库对新手非常友好，在Jupyter Notebook中安装后即可直接调用
• 第三步：分场景调试模型：先从规则最简单的0替补场景开始搭建求解逻辑，验证结果合规后，再逐步加入1-3名替补的约束，每加一层规则就跑一次小范围测试，避免一次性堆所有规则导致bug难排查
• 第四步：对求解器输出的结果做二次校验，核对总薪资、国籍分布、位置人数、积分计算逻辑是否完全符合规则，最终输出整理后的阵容名单、总积分、总薪资明细

基础代码框架参考 #

# 首次使用先在Jupyter cell中运行安装命令
# !pip install pandas pulp
import pandas as pd
import pulp

# 读取本地球员数据
player_df = pd.read_csv("你的球员数据文件路径.csv")

# 提前定义所有固定规则
pos_requirement = {
    "FB": (1, 2),
    "C": (2, 4),
    "W": (2, 4),
    "FH": (1, 2),
    "SH": (1, 2),
    "BR": (3, 6),
    "SR": (2, 4),
    "P": (2, 4),
    "H": (1, 2)
}
total_budget = 246.4
max_player_per_country = 4
max_starter = 15
max_substitute = 3

实现时的避坑提示 #

• 不要硬写全组合遍历逻辑：计算量会远超本地设备的处理能力，用成熟的求解库可以在几秒内算出最优解
• 位置计数要包含所有正选和替补球员，不要把替补排除在位置人数的统计范围外
• 替补的薪资是全额计入总预算的，不要误以为替补薪资会打折
• 建模时要给每个球员设置两个独立的决策变量：「是否进入首发」「是否进入替补」，并增加约束保证同一个球员不能同时出现在首发和替补名单中

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