論文の概要: A Genetic Algorithm for Optimizing Fantasy Football Trades with Playoff Biasing

• arxiv url: http://arxiv.org/abs/2511.17535v1
• Date: Wed, 05 Nov 2025 03:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.249626
• Title: A Genetic Algorithm for Optimizing Fantasy Football Trades with Playoff Biasing
• Title（参考訳）: プレーオフバイアスによるファンタシーフットボール取引の最適化のための遺伝的アルゴリズム
• Authors: Evan Parshall, Junaid Ali, Michael Zimmerman,
• Abstract要約: ファンタシーフットボールリーグは、チームのパフォーマンスを最適化するために戦略的な選手取引を含む。 既存のアプローチでは、チームの選択やラインアップの最適化に重点を置いていますが、自動トレーディング生成はまだ未検討です。 本稿では,チーム選択とラインアップ生成のための既存のフレームワークをベースとした,ファンタジーフットボールのトレード最適化のための遺伝的アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.1529342790344802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fantasy football leagues involve strategic player trades to optimize team performance. However, identifying optimal trades is complex due to varying player projections, positional needs, and league-specific scoring. Existing approaches focus on team selection or lineup optimization, but automated trade generation remains underexplored. In this paper, an algorithm that generates optimal trades, biasing toward improved playoff performance while maintaining apparent fairness for negotiation is explored. We introduce a genetic algorithm for fantasy football trade optimization, building on existing frameworks for team selection and lineup generation. The algorithm initializes with single-player trades, evolves through custom mutations (add/remove players, combine trades, exchange players, add from other trades, and spawn new trades), and uses team-specific elitism to preserve diversity. The cost function incorporates a playoff-weighted gain for the user's team (while maintaining apparent fairness), opponent gain, and fairness penalty. Integration with ESPN data sources enables real-time projections for all positions, including kickers and defenses. On a 12-team ESPN league (Week 8, 2025), the algorithm generated trades that upgraded the projected point totals of both the trade initiator and trade partner by nearly 3 fantasy points per week ensuring positive gains for both teams. The algorithm demonstrates effective trade optimization, with potential extensions to other fantasy sports or combinatorial problems requiring temporal biasing. Open-source implementation enables practical use and further research.
• Abstract（参考訳）: ファンタシーフットボールリーグは、チームのパフォーマンスを最適化するために戦略的な選手取引を含む。 しかし、最適取引の特定は、様々なプレイヤーの投射、位置的ニーズ、リーグ固有のスコアリングによって複雑である。 既存のアプローチでは、チームの選択やラインアップの最適化に重点を置いていますが、自動トレーディング生成はまだ未検討です。 本稿では,交渉の公正性を維持しつつ,プレーオフ性能の向上を指向した最適な取引を生成するアルゴリズムについて検討する。 本稿では,チーム選択とラインアップ生成のための既存のフレームワークをベースとした,ファンタジーフットボールのトレード最適化のための遺伝的アルゴリズムを提案する。 このアルゴリズムはシングルプレイヤー取引で初期化され、カスタム突然変異(プレイヤーの追加/削除、取引の結合、取引の交換、他の取引からの追加、新しい取引)を通じて進化し、多様性を維持するためにチーム固有のエリート主義を使用する。 コスト関数は、ユーザのチームに対するプレーオフ重み付きゲイン(明らかな公正性を維持しながら)、相手ゲイン、公正性ペナルティを組み込む。 ESPNデータソースとの統合により、キックやディフェンスを含むすべてのポジションのリアルタイムプロジェクションが可能になる。 ESPNの12チームリーグ(2025年8月8日)では、このアルゴリズムが取引開始者と取引パートナーの予想ポイント合計を週に3ポイント近く引き上げ、両チームにとってプラスの利得を確保した。 このアルゴリズムは効果的な貿易最適化を実証し、他のファンタジースポーツや時間バイアスを必要とする組合せ問題への潜在的な拡張を示す。 オープンソースの実装は、実用的な利用とさらなる研究を可能にする。

関連論文リスト

• Multi-Step Alignment as Markov Games: An Optimistic Online Gradient Descent Approach with Convergence Guarantees [91.88803125231189]
  Reinforcement Learning from Human Feedback (RLHF) は、大きな言語モデルと人間の好みを合わせることに成功している。 DPOのような一般的な手法は高い性能を示してきたが、彼らは言語モデルとの相互作用を帯域幅の問題として捉えている。 本稿では,アライメント問題を2プレイヤー定数マルコフゲームとしてモデル化することで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-02-18T09:33:48Z)
• Optimizing Fantasy Sports Team Selection with Deep Reinforcement Learning [0.2399911126932527]
  我々は,チームの潜在的なパフォーマンスを最大化するために,プレイヤーを適応的に選択できるモデルを開発する。 我々の手法は、過去のプレイヤーデータを利用してRLアルゴリズムを訓練し、将来のパフォーマンスを予測し、チーム構成を最適化する。 以上の結果から,RLベースの戦略が,ファンタジースポーツにおける選手選択に有意義な洞察をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-12-26T13:36:18Z)
• Multi-agent Multi-armed Bandits with Stochastic Sharable Arm Capacities [69.34646544774161]
  我々は、各アームへのリクエストの到着とプレイヤーへのリクエストの割り当てポリシーをキャプチャするマルチプレイヤーマルチアーム・バンディット(MAB)モデルの新しいバリエーションを定式化する。 課題は、プレイヤーが最適な腕引きプロファイルに従って腕を選択するように分散学習アルゴリズムを設計する方法である。 我々は,Mラウンドのみの最適腕引きプロファイルにおいて,プレイヤーがコンセンサスに達することを保証した反復分散アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-08-20T13:57:00Z)
• Method and Validation for Optimal Lineup Creation for Daily Fantasy Football Using Machine Learning and Linear Programming [0.0]
  デイリー・ファンタジー・スポーツ(英: Daily fantasy Sports、DFS)は、個人選手の実際の演奏をファンタジー・ポイント(FPTS)に変換するオンライン・コンテストである。 本稿では,(1)不確実性の下でNFL選手のパフォーマンスを予測する手法の開発,(2)設定された給与上限の下でFPTSを最大化するための最適ラインアップを決定することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-09-26T20:26:32Z)
• ApproxED: Approximate exploitability descent via learned best responses [61.17702187957206]
  連続的なアクションセットを持つゲームの近似的ナッシュ均衡を求める問題について検討する。 本稿では,戦略プロファイルに対するエクスプロイラビリティの近似を最小化する2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-01-20T23:55:30Z)
• Provably Efficient Fictitious Play Policy Optimization for Zero-Sum Markov Games with Structured Transitions [145.54544979467872]
  本研究では,ゼロサムマルコフゲームに対して,構造的だが未知の遷移を伴う架空のプレイポリシー最適化アルゴリズムを提案し,解析する。 我々は、2年制の競争ゲームシナリオで、$K$のエピソードに続き、$widetildemathcalO(sqrtK)$ regret boundsを証明した。 提案アルゴリズムは,アッパー信頼境界(UCB)型最適化と,同時政策最適化の範囲内での架空のプレイの組み合わせを特徴とする。
  論文  参考訳（メタデータ） (2022-07-25T18:29:16Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Large Scale Diverse Combinatorial Optimization: ESPN Fantasy Football Player Trades [0.25457638766329754]
  新規で多様な最適化システムは、貿易公正性のバランスをとるために、相補的なチーム間の高いボリュームとユニークなプレーヤの取引を提案する。 いくつかのアルゴリズムは、各ファンタジーフットボール選手のバリュエーションを作成する。 プレイヤーの引き抜きのコストは、位置の深さ、スロット数、位置の重要性など、チームのロースターに関係している。
  論文  参考訳（メタデータ） (2021-11-04T13:39:40Z)
• Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies in Extensive-Form Zero-Sum Games [123.76716667704625]
  我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。 この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。 各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-09-21T17:51:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。