GXU_XCPC_Board rating 计算规则

1. 基础分

$BaseRating=ProblemScorce\ast 0.5+ratingScorce\ast 0.4+BlogScore\ast 0.1$

$ProblemScorce=PassPloblemSum$

$ratingScorce=(AtcodeRating+CodeforcesRating)\ast 0.1$

$BlogScorce=BlogNum\ast 2$

2. Rating 计算

$Rating$ 将以(天\周\月)为单位作为一场比赛，进行迭代计算。

2.1 模块分数

2.1.1 ProblemScore

$ProblemScore=easy\ast 1+basic\ast 2+advanced\ast 3+hard\ast 4+unknown\ast 2$

2.1.2 ratingScore

$codeforces：$

$d=ratin{g}_{c{f}_{new}}-ratin{g}_{cf}$

$$ratingScor{e}_{cf}=\{\begin{array}{l}1,ratin{g}_{cf}\le 600,d\ge 1\\ \frac{ratin{g}_{cf}}{400}+\frac{ratin{g}_{cf}\ast d}{20000},ratin{g}_{cf}\ge 601,d\ge 1\\ 0,d\le 0\end{array}$$

$Atcoder:$

$d=ratin{g}_{at{c}_{new}}-ratin{g}_{atc}$

$$ratingScor{e}_{atc}=\{\begin{array}{l}1,ratin{g}_{atc}\le 400,d\ge 1\\ \frac{ratin{g}_{atc}}{400}\cdot (1+\frac{d}{50}),ratin{g}_{atc}\ge 401,d\ge 1\\ \frac{ratin{g}_{atc}}{400}\cdot (1+\frac{d}{20}),ratin{g}_{atc}\ge 1000,d\ge 1\\ 0,d\le 0\end{array}$$

2.1.3 BlogScore

$BlogScore=\frac{{\sum }_{i=1}^{n}BlogScor{e}_i}{n}$

2.1.4 AttendanceScore

$AttendanceScore=单位周期内出勤分钟数$

2.2 预期胜率

ELO积分预期胜率计算公式

$P(D)=\frac{1}{2}+{\int }_0^D\frac{1}{\delta \sqrt{2\pi }}\cdot e^{\frac{-x^2}{2{\delta }^2}}dx$

利用最小二乘法得到实际应用公式，其中 $D$ 代表分差。

$P(D)=\frac{1}{1+10^{\frac{D}{400}}}$

2.3 周期表现 rating 计算

2.3.1 考虑 1 V 1

$R_A:playerA的rating{R}_B:playerB的rating$

$E_A=\frac{1}{1+10^{\frac{R_B-R_A}{400}}}{E}_B=\frac{1}{1+10^{\frac{R_A-R_B}{400}}}$

$E_A+E_B=1$

$$\begin{gathered} S_A=\frac{problemScor{e}_A}{problemScor{e}_A+problemScor{e}_B}\cdot 0.4+\frac{ratingScor{e}_A}{ratingScor{e}_A+ratingScor{e}_B}\ast 0.3+ \\ \frac{blogScor{e}_A}{blogScor{e}_A+blogScor{e}_B}\ast 0.2+\frac{AttendanceScor{e}_A}{AttendanceScor{e}_A+AttendanceScor{e}_B}\ast 0.1 \end{gathered}$$

$$\begin{gathered} S_B=\frac{problemScor{e}_B}{problemScor{e}_A+problemScor{e}_B}\cdot 0.4+\frac{ratingScor{e}_B}{ratingScor{e}_A+ratingScor{e}_B}\ast 0.3+ \\ \frac{blogScor{e}_B}{blogScor{e}_A+blogScor{e}_B}\ast 0.2+\frac{AttendanceScor{e}_B}{AttendanceScor{e}_A+AttendanceScor{e}_B}\ast 0.1 \end{gathered}$$

$S_A+S_B=1$

$R_{A_{new}}=R_A+K\cdot (S_A-E_A)$

$K$ 暂定为 $32$，实际上 $K$ 将随着用户 $Rating$ 的增加而减小。

2.3.2 考虑 1 V n

$R_{A_{new}}=R_A+K\cdot P_A$

$P_A=\sqrt[x]{{\prod }_{i=排名低于A的用户}^x(S_{Ai}-E_{Ai})}-\sqrt[y]{{\prod }_{i=排名高于A的用户}^y(E_{Ai}-S_{Ai})}$

由于$(S_{Ai}-E_{Ai})$并不是全为正数，因此通过分别计算对应的值做差为 $P_A$。

2.3.3 rating 修正调整

第一次：

$adjust=\frac{-1-\sum K_i\ast P_i}{n}$

$R_i=R_i+adjust$

保证所有人的平均变化接近 0 并且在 0 以下。

第二次：

$m=min(n,4\sqrt{n})$

$adjust=min(max(\frac{-1-\sum K_i\ast P_i}{m},-10),0)$

取一个合理的 $adjust$ 使得前 $m$ 个人的平均变化为 0。

$R_i=R_i+adjust(i\le m)$

3. 后记

本文参考了$codeforce，atcoder，Eloratingsystem$ 的 $rating$ 规则，以周期统计数据替代比赛场景，并根据应用场景进行修改，目前未进行样本测试。

可能测试后，还会对参数以及公式大改QAQ

参考
https://en.wikipedia.org/wiki/Elo_rating_system
https://www.luogu.com.cn/blog/ak-ioi/cf-at-rating