CS2 Major 瑞士轮预测 (性能优化版)

本项目是用 ELO + Monte Carlo 模拟 + Valve 官方 Buchholz 配对规则预测 CS2 Major 瑞士轮结果。

其实就是跑10万次瑞士轮模拟,然后暴力搜索1000万种 Pick'Em 组合,找出最优预测方案。基于历史比赛数据计算队伍评分。

v2.0 支持 GPU 加速: 比 v1.0 的 16 核 CPU 快了几十倍 (感谢**Tenzray** 大佬的PR)。

v2.1 性能优化版: 新增多项性能优化，包括内存管理、向量化计算、智能批处理等，进一步提升运行效率。

数据格式(必须按照下面这种格式改场次和队伍数据)

`data/cs2_cleaned_matches.csv`

无表头的 CSV 文件,7 列：

date,team1,score1,score2,team2,tournament,format
2025-11-21,Team A,2,1,Team B,Example Tournament,bo3
2025-11-20,Team C,16,14,Team D,Example League,bo1

date: YYYY-MM-DD 格式
team1, team2: 队伍名（必须和代码里的 TEAMS 列表一致）
score1, score2: 比赛分数
tournament: 赛事名（随便写,只是标记用）
format: bo1、bo3 或 bo5

`data/战队属性.txt`（可选）

带表头的 CSV,HLTV 评分：

team,Maps,KD_diff,KD,Rating
Team A,120,+250,1.08,1.09
Team B,95,+180,1.06,1.07

只有 team 和 Rating 这两列有用。想要更准确的初始评分可以去 HLTV.org 抓最新数据。

使用方法

1. 安装依赖

pip install -r requirements.txt

注意： 如果要用 GPU 加速，确保已安装 CUDA。PyTorch 会自动检测并使用 GPU。

v2.1 新增性能监控依赖：新增了 psutil、memory-profiler、joblib 等性能优化相关包。

2. 配置模拟参数

编辑 data/config.json 调整性能：

{
  "simulation_params": {
    "num_simulations": 50000
  },
  "performance_params": {
    "eval_batch_size": 5000,
    "save_every": 1000000
  },
  "device_params": {
    "use_gpu": true,
    "gpu_id": 0
  }
}

3. 编辑队伍数据

编辑 cs2_gen_preresult.py (目前里面的队伍名只是举例，按照实际情况改)：

TEAMS = [
    "FURIA", "Natus Vincere", "Vitality", "FaZe", 
    "Falcons", "B8", "The MongolZ", "Imperial",
    # ... 一共 16 支队伍
]

ROUND1_MATCHUPS = [
    ("FURIA", "Natus Vincere"),
    ("Vitality", "FaZe"),
    # ... 一共 8 场对局
]

手动输入 stage X 的参赛队伍以及第一轮谁打谁。一定要注意顺序！ROUND1_MATCHUPS 的顺序决定了 Buchholz 配对的初始种子。

4. 运行两步流程

第一步：生成模拟数据 (优化版)

python cs2_gen_preresult.py

会生成：

output/intermediate_sim_data.pkl - 高效二进制格式 (推荐)
output/cs2_gen_preresult.json - 兼容JSON格式
包含 10 万次瑞士轮模拟结果

新增功能：

自动系统资源检测和性能调优
实时内存监控和垃圾回收
智能批次大小调整
性能统计报告

可选：运行性能基准测试

python benchmark.py

用于测试系统性能和优化效果。

第二步：GPU 加速的 Pick'Em 优化

python cs2_gen_final.py

核心逻辑

ELO 评分系统

标准 ELO 改进了一些：

时间衰减（50 天半衰期）- 老比赛权重更低
格式权重：BO1=1.0, BO3=1.2, BO5=1.5 （理论上应该没毛）
自适应 K 因子：一开始 K=50 快速调整,30 场后降到 K=30
HLTV 评分和历史数据混合（历史数据越多,HLTV 权重越低）

胜率公式：P = 1 / (1 + 10^((rating2-rating1)/400))

Buchholz 瑞士轮配对

参照 Valve 官方规则

Pick'Em 搜索

暴力枚举所有合法组合：

2 支 3-0 队伍
6 支 3-1 或 3-2 队伍
2 支 0-3 队伍

总共：C(16,6) × C(10,2) × C(8,2) = 10,090,080 种组合

选出在 10 万次模拟里成功率最高（至少命中 5 个）的方案。

v2.0 GPU 优化： 使用 PyTorch 张量和矩阵乘法进行批量评估，在 NVIDIA GPU 上实现 24 倍加速。

最终输出

生成的文件：

output/final_prediction.json - 完整结果，包含最佳 Pick'Em 组合
output/optimized_report.txt - 人类可读的推荐方案
output/cs2_gen_preresult.json - 缓存的模拟数据（来自第一步）
gpu_checkpoint.json - 自动保存的进度（可断点续传）

注意事项：

每支队伍至少需要 10 场历史比赛才能得到可靠的预测
如果想从头开始优化，删除 gpu_checkpoint.json 即可
两步设计允许你修改配置后重跑第二步，无需重新生成模拟数据
旧版 v1.0 单文件版本保留为 cs2_swiss_predictor_old.py

v2.1 性能优化详情

🚀 主要优化点

向量化计算优化
- 使用 NumPy 替代循环，提升数学运算效率
- 优化 ELO 评分计算的向量化操作
- 改进胜率计算算法，使用更高效的 tanh 函数
内存管理优化
- 实现智能垃圾回收机制
- 批量处理减少内存碎片
- 使用二进制格式 (pickle) 存储，节省空间和加载时间
算法结构优化
- 预计算配对优先级表，避免重复创建
- 优化配对算法的时间复杂度
- 使用集合 (Set) 替代列表进行快速查找
系统资源管理
- 实时监控 CPU 和内存使用情况
- 根据可用资源动态调整批次大小
- 提供性能优化建议

📊 性能提升预期

内存使用: 减少 20-40%
计算速度: 提升 30-50%
I/O 性能: 二进制格式提升 3-5 倍加载速度

🔧 配置文件

新增 data/config_performance.json 用于性能调优：

{
  "performance": {
    "auto_adjust_batch_size": true,
    "memory_check_interval": 1000,
    "enable_gc_optimization": true
  }
}

📈 性能监控

使用装饰器自动监控关键函数：

执行时间统计
内存使用跟踪
峰值内存监控
系统资源使用率

⚡ 使用建议

低配置系统 (<4GB RAM)
- 设置 num_simulations: 30000
- 启用 enable_gc_optimization
- 使用较小的批次大小
高配置系统 (>8GB RAM)
- 可以设置 num_simulations: 200000
- 考虑启用 GPU 加速
- 使用更大的批次提升效率
生产环境
- 使用二进制格式存储
- 启用性能监控
- 定期运行基准测试

最后，本项目参考了 claabs/cs-buchholz-simulator

FilesExpand file tree

README_CN.md

Latest commit

History