软件工程 in MSRA 黄金点游戏-第一次结对编程
什么是黄金点游戏
N 名玩家，每人写出两个 0 到 100 之间的有理数 (不包括 0 或 100，精确到 0.001)，提交给服务器，服务器在回合结束时算出所有数字的平均值，然后乘以 0.618（黄金分割数），得到本轮 G 值。所有提交的数字中最靠近 G 的数字对应玩家得到 N 分，离 G 最远的数字对应的玩家得到 -2 分，其他玩家得 0 分。
在本次比赛中，每组同学都会提交一个 Bot，加上老师的一共十一个 Bot，共比赛 11000 轮，积分最高者获胜。前 1000 轮结束后，可根据比赛结果修改自己的 Bot，在后 10000 轮中拿到更好的成绩。我称前 1000 轮为上半场，后 10000 轮为后半场。
黄金点游戏难在哪
假设我们完成了一轮比赛。那么新的一轮中，由于有了已知黄金点的“经验”，那么看起来选择上一轮的黄金点是个不错的策略。于是，大部分人认为大部分人（没写错）会选择上一轮的黄金点。这样，如果大部分人都这么选，那么看起来选择上一轮黄金点的 0.618 倍看起来是个不错的选择。但由于大部分人都想到了这一点，所以很有可能大部分人都选了上一轮黄金点的 0.618 倍，于是黄金点应该会再变低... 按照这个逻辑，每轮的黄金点应该都是 0.001 才对。但现实告诉我们根本不是这样。猜中别人的策略是非常困难的事情。
按照刚才所说，虽然我们很难猜中别人的策略是什么，但有一点我们知道：基本所有策略都是根据前 X 轮的结果得出的。前几轮的游戏环境会对本轮的结果产生至关重要的影响。在某些时候突然给出一个奇怪的数字（如 0.001 或 99.999）来扰动游戏环境可能会成功干扰到其他玩家的策略。在这个游戏的原始版本中，每个人每轮只能提交一个有理数。这样如果有人扰动局势，则当前回合他几乎肯定会受到扣分的惩罚。而在新的游戏规则中，可以选择其中一个数字扰动，而另一个数字根据扰动去预测 G 值，两个数字配合得分。这使得游戏环境变数更大，也使得策略的选取更加困难。
我们的核心算法
虽然我们最后采用的策略不包含深度模型，但实际上我们是在尝试深度模型失败了之后才不得已转向了普通的 Q-Learning。我先来简述一下 Q-Learning 和 DQN 的核心思路：
Q-Learning
整个游戏的核心思路就是：根据之前的数据，推测本轮的环境，给出对应的数字。假设有 N 种环境，则我们需要找到一个长度为 N 的表，表中每个值记录了对应环境应该给出的数字。每次通过之前的数据推算出当前环境是哪一种环境即可。但是这个表我们是得不到的。于是我们退而求其次，假设有 M 种给出数字的函数，我们把长度为 N 的表扩展成 N * M 的矩阵，矩阵中每个值代表环境为 i，选择方法 j 能得到的收益的期望。当 N 和 M 有限时，我们把环境称为状态，将函数称为策略。这个 N * M 的状态对应策略的表，即为 Q 表。
如何得到这个 Q 表呢？直接求期望同样太过困难，我们可以通过强化学习的方式，每次将当前状态，当前策略，得到收益与转移到的状态作为一条经验，不断更新现在的 Q 表。具体公式网上有大批的讲解，我在这里就不赘述了。更新之后，每次选择收益最大的一种策略执行即可。当然，为了防止某些策略根本没有学习机会，每次选策略时，有一定概率随机选择，而不是取最大收益，通过“试错”学到更多的经验。
DQN
其实说起来也容易，由于状态不好表示，所以我们直接用深度模型代替 Q 表，直接从上一轮的数据中推测下一轮得分最高的策略，从而省去了状态的表示。由于最终没有采用 DQN，在这里只是简述下我们的尝试：网上用来玩游戏的 DQN 是将整个画面作为输入去训练，所以采用了 CNN。我们每次输入的只是一个序列，所以我用可以处理序列的 LSTM 模型代替了之前的 CNN， 后面接了两层全连接作为 DQN 的结构。但我觉得可能还是学习过程过于缓慢的原因，在和我自己写的简单 Bot 训练了 3000 轮之后，效果非常惨，于是被我抛弃掉了。。
我们的具体策略
大致的流程图如下：
预测策略：
老师给出的 Demo 里面的 action 都是直接预测两个数字。这样假设我有 N 种预测数的方式，那么我就有 N * (N - 1) / 2 种 action。这会使得 Q 表变得庞大起来，且没有必要。所以我们设定每个action 只预测出一个数，而当我们要预测两个数时，将期望最高的两个 action 同时返回即可。
最经典的预测策略，莫过于上一轮的黄金点，或是上一轮黄金点 * 0.618 了。我们假定很多人选择了这两种策略，那么这是我只需要比众数稍微大或小一点点，就很可能得到分数。所以我们在这两个数的基础上，加上或减去 0.001，形成了一些策略。同时，为处理其他组同学进行扰动的情况，我们还考虑了其中一个数从原数增加到 95，其他数不变，据此重新计算黄金点的策略。一共设计了 10 个策略。
扰动策略：
扰动策略需要的就是：让对手永远不知道自己如何扰动。最好自己也不知道。所以我们的扰动不会根据环境而有策略地扰动，而是完全随机。每次随机以 0.7 概率扰动，而每次扰动完成后将概率下调至 0.05，再经过几轮概率逐渐爬升回 0.7。扰动的值也是 50 - 100 之间的均匀分布。就算猜到了我要扰动，也没法作出准确的预测。
当然，对应的是，我的预测不能受到自己的扰动的影响。如果我当轮扰动，则我当轮的预测值会在预测后再加上当前扰动的影响。同时，我会在得到本轮的黄金点后修改数据，将我的扰动对黄金点造成的影响去除，从而将扰动与预测完全隔离开。
状态表示：
奥卡姆剃刀定律：简单有效。整个比赛只有 10000+ 轮。假设我有 1000+ 种状态，那么 Q 表就有 10000+ 格，平均一个格子只命中一次，那么我非常可能什么东西都学不到。所以，简单的状态表示是必要的。由于我的策略都是根据上一轮的黄金点确定的，所以没必要将上一轮黄金点的数值再放入状态里。Demo 里考虑的是近 10 轮的起伏变化，我们认为没有必要。我们只考虑一轮。我们考虑能不能将上一轮黄金点与上上轮黄金点的差作为状态。
由于浮点数状态仍然太多，我们考虑对浮点数分组。从 0 - 5 分了 40 组， 5 - 10 分了 9 组，10 以上统称第 50 组。这样分组，相当于强制将模型的注意力聚焦在 5 以下的数字变化。我们先算出上一轮黄金点与上上轮黄金点的分组，再将两个组号的差值作为状态。这样，状态数为 100，Q 表的大小为 1000，我们认为这是比较合适的。
小 trick：
为了防止其他 Bot 对我们的扰动与预测策略按照第一个数，第二个数进行推测，每次输出时，有 0.5 概率会调换输出数字的顺序。不知有没有影响到其他同学XD。
结果分析
第一名这个成绩确实没有想到。之前的预期只是前 5 名。原因是在比赛前一天另一组同学组织的训练赛中，我们的 Bot 完全打不过一个名叫 ‘phoebe’ 的 Bot，不知道是哪组同学的。看来 Bot 的得分率和环境之间的关系还是太大了。
比赛之前，我们自己写了几个简单策略的 Bot，和要训练的 Bot 放在一起比赛，最后在正式赛前一天参加另一组同学组织的训练赛跑了 2000 轮。自己的这些 Bot 得分率对比起来还是很明显的。包括那次训练赛我们也放入了 3 个我们的 Bot（房间1366中化名 Potter，Hermonie 与 Voldemort），选择了其中得分最高的作为正式赛模型。
如果将每轮可提交的数字变成 3 个，或者找更多的参赛者来参加比赛，我们的方法依然适用。因为我们将策略进行了拆分，每个策略只预测一个数，排除了两个预测数之间的关系，使得可提交的数字变多对我们的影响不会很大。参赛者的数量对我们的模型没有什么影响，大部分参赛者的策略才是主要影响我们模型得分率的因素。
队友最近也是事情比较多（我也是），整个模型实际上没有花多长时间，也就是一下午 + 一晚上的结果。我负责操刀整个程序，队友负责提出一些修改建议并对训练数据进行分析。我们是打竞赛的老队友了，默契还是非常不错的。说提出建议的话，只能说可以再多抽出一点时间就更好了（逃
