EA FC Automated SBC Solving

EA FC Automatisierte SBC-Lösung ⚽

Wie funktioniert das? ?

Dieses Projekt nutzt Integer-Programmierung, um Squad Building Challenges (SBCs) zu lösen. Das Optimierungsproblem wird mit dem Google CP-SAT-Solver gelöst. Dieser Ansatz bietet umfangreiche Anpassungsmöglichkeiten sowie die Möglichkeit, die Lösungsoptimalität zu bestimmen.

The goal is to obtain the squad with the minimum total cost.

Wie benutzt man es? ?

• Um den Clubdatensatz herunterzuladen, verwenden Sie die Erweiterung (Version >= 1.1.0.3).

• Die Eingaben zu den verschiedenen Einschränkungen finden Sie in der input.py . Konfigurieren Sie die entsprechenden Eingaben für jede SBC-Einschränkung in input.py ( L43-77 und L28-30 ), navigieren Sie dann zu optimize.py (L581-615) und kommentieren Sie die entsprechende Zeile basierend auf den SBC-Anforderungen aus. Vergessen Sie auch nicht, die formation in input.py festzulegen!

• Wenn die Anforderung beispielsweise Same League Count: Max 5 oder Max 5 Players from the Same League lautet, dann setzen Sie MAX_NUM_LEAGUE = 5 ( L53 in input.py ) und kommentieren Sie dann model = create_max_league_constraint(df, model, player, map_idx, players_grouped, num_cnts) ( L589 in optimize.py ).

• Wenn die Anforderung Nations: Max 2 lautet, setzen Sie NUM_UNIQUE_COUNTRY = [2, "Max"] ( L62 in input.py ) und kommentieren Sie dann model = create_unique_country_constraint(df, model, player, map_idx, players_grouped, num_cnts) ( L598 in „ optimize.py ).

• Wenn Sie Duplikate priorisieren, indem Sie ( L28-L30 ) in input.py festlegen, sollte model = prioritize_duplicates(df, model, player) in optimize.py ( L615 ) unkommentiert sein.

• Wenn der SBC beispielsweise at least 3 players from Real Madrid and Arsenal combined und at least 2 players from Bayern Munich haben möchte, dann setzen Sie CLUB = [["Real Madrid", "Arsenal"], ["FC Bayern"]] und NUM_CLUB = [3, 2] ( L43-44 in input.py ) und dann auskommentieren model = create_club_constraint(df, model, player, map_idx, players_grouped, num_cnts) ( L581 in optimize.py ).

• Wenn der SBC mindestens 6 Rare und 8 Gold erfordert, setzen Sie RARITY_2 = ["Rare", "Gold"] und NUM_RARITY_2 = [6, 8] in input.py (L71-72) und kommentieren Sie dann model = create_rarity_2_constraint(df, model, player, map_idx, players_grouped, num_cnts) ( L603 in optimize.py ).

• Einschränkungen wie Chemistry ( optimize.py , L620 ) oder FIX_PLAYERS ( optimize.py , L623 ) erfordern keine explizite Aktivierung. Wenn Chemistry nicht erforderlich ist, setzen Sie es in input.py (L79) auf 0 . Wenn kein Player repariert werden muss, lassen Sie FIX_PLAYERS in input.py (L12) leer.

• Das objective wird in optimize.py ( L626 ) festgelegt. Die Art des objective kann in input.py ( L20-21 ) geändert werden. Derzeit besteht das Ziel darin, die total cost zu minimize .

• Für weitere Informationen sollten zusätzliche Parameter in input.py überprüft werden.

• Geben Sie in main.py den Namen des club dataset in L57 an. Der Datensatz wird in preprocess_data_2 innerhalb von main.py vorverarbeitet. Zusätzliche Filter können auf ähnliche Weise wie die vorhandenen hinzugefügt werden.

• Derzeit sind die Eingaben zur Lösung dieser SBC-Herausforderung vorgesehen. Die endgültige Spielerliste wird in die Datei output.xlsx geschrieben. Um das Programm auszuführen, führen Sie einfach py main.py aus, nachdem Sie die erforderlichen Abhängigkeiten installiert haben. Hinweis: Dies scheint ein sehr schwieriger SBC zu sein und daher musste der Bewertungsfilter in main.py (L41) aktiviert werden.

Abhängigkeiten

Führen Sie pip3 install -r requirements.txt aus, um die erforderlichen Abhängigkeiten zu installieren.

• Google OR-Tools v9.8

• Python 3.9

• Pandas und openpyxl

Weitere interessante Open-Source-SBC-Löser

• https://github.com/ThomasSteere/Auto-SBC

• https://github.com/bartlomiej-niemiec/eafc-sbc-solver

• https://github.com/kosciukiewicz/sbc-solver

Anerkennung

Vielen Dank GregoryWullimann dass Sie den Modellerstellungsprozess wahnsinnig beschleunigt haben.

Vielen Dank, Jacobi from EasySBC für deine Hilfe bei der squad_rating_constraint .

Vielen Dank GeekFiro , dass Sie den Solver getestet und wertvolles Feedback und Diskussionen gegeben haben.

Vielen Dank an fifagamer#1515 und Frederik für die Bereitstellung Ihrer Vereinsdatensätze ( Real_Madrid_FC_24.csv und Frederik FC_24.csv ) und Ihr Feedback.

Vielen Dank, ckalgos , dass Sie die Erweiterung zum Herunterladen des Clubdatensatzes erstellt haben.

Vielen Dank drRobertDev für die Bereitstellung des Datensatzes Fc25Players.csv .

Vielen Dank an alle, die Probleme im Repo geöffnet und ihr Feedback gegeben haben.

Vielen Dank an alle Leute, die den Reddit-Beitrag kommentiert haben.

Vielen Dank an FutDB für die Bereitstellung der API, die es mir ermöglichte, den Solver ursprünglich auf 10.000 Spielern zu testen ( input.csv ).