基于仿真的T20板球击球顺序与投球计划优化
机器学习
2026-04-17 v2 应用统计
摘要
本文开发了一个统一的马尔可夫决策过程(MDP)框架，用于优化T20板球中两个反复出现的比赛决策，即击球顺序选择和投球计划分配，直接以获胜和防守概率而非预期得分来衡量。一个三阶段球员档案引擎（强力阶段、中场阶段、死亡阶段）结合James-Stein收缩（一种将球员个人统计数据在阶段特定数据稀疏时向联赛平均值收缩的技术）从1161个IPL逐球记录（2008-2025）中估计得出。获胜/防守概率通过向量化蒙特卡洛模拟在N=50,000个局轨迹上评估。击球顺序通过比较剩余球员的所有可行排列并选择最大化获胜概率的排列来评估。投球计划通过引导搜索可能的投球分配来优化，逐步改进分配，同时遵守约束，例如禁止同一投手连续投球。应用于两场2026年IPL比赛，最优击球顺序将孟买印度人队的获胜概率提高了4.1个百分点（从52.4%到56.5%），最优古吉拉特泰坦队投球计划将防守概率提高了5.2个百分点（从39.1%到44.3%）。在这两种情况下，观察到的次优性与阶段无关的部署一致：在聚合指标下看似合理的决策，在应用阶段特定档案时被证明代价高昂。
引用
@article{arxiv.2604.13861,
title = {Simulation-Based Optimisation of Batting Order and Bowling Plans in T20 Cricket},
author = {Tinniam V Ganesh},
journal= {arXiv preprint arXiv:2604.13861},
year = {2026}
}
备注
Improved abstract wording and readability; minor textual edits, no change to methodology or results. Submitted to the Journal of Quantitative Analysis in Sports (JQAS), April 2026. 23 pages, 8 figures