一、问题重述与分析：

1.1 问题重述：　　

　　黄金点比赛共进行10000 rounds，每个round 5s时间，每位玩家（Bot）需在5s内提交2个数字去逼近黄金点。提交数字最接近黄金点（距离取绝对值）的玩家获最高分n（房间内玩家数量），最远离黄金点的玩家扣2分，其余玩家积分不变。10000 rounds后，得分最多的玩家获胜。

　　黄金点定义：在每个round内，n位玩家所提交2n个数字，取平均值，乘以0.618，即为该轮黄金点。

1.2 问题分析：

　　可采用解决方法：策略驱动，数据数据。

　　策略驱动：如何让自己的策略脱颖而出？由于各玩家都会采用策略，如趋势判定、阈值判定、大数扰动等，配合强化学习，可能能做出极好的Bot。但由于组内两个人对RL、DQN等强化学习模型都没怎么接触过，不确定能否写出work的强化学习Bot。但假如不用强化学习，手动设定的策略由于不可调整，很容易被好的学习模型学到我们的策略，一定得不到高分。

　　数据驱动：不考虑策略，仅依赖数据产生预测值，如滑动平均、灰色预测、RNN等。但是，假如玩家中有人故意出大数干扰，数据驱动很可能会失效。

二、Bot算法设计：

2.1 算法描述：　　

　　Number1：以该round以前的10个黄金点作为输入，训练一个LSTM模型，输出预测黄金点，并与前10个黄金点做平均；

　　Number2：前一个黄金点乘以0.618。

　　边界情况：1）若无法获取前一个黄金点，则两个Number1、Number2均输出9；

　　　　　　　2）若无法获取前10个黄金点（或不足10个），则Number1输出前一个黄金点乘以0.618。

2.2 流程图：

　　　

2.3 动机：

　　1）在有波动的情况下，期望LSTM能够学到波动的规律并作出好的预测；

　　2）在无波动或波动较小的情况下，估计黄金点近似以0.618为衰减率下降。

2.4 LSTM介绍：

　　参考https://blog.csdn.net/zhangbaoanhadoop/article/details/81952284.

三、结果分析：

3.1 轮次分析：

　　第一轮，我们其实采用大大数扰动的策略结合LSTM方法，效果很差。为了保分，决定放弃扰动，两个数均尝试逼近黄金点。并且，因为发现LSTM估计结果受大数干扰，常常出现预测值过大的情况，所以决定和前十个黄金点做平均。同时，我们发现其他Bot很多都采用了乘以0.618的方法，所以我们也用了。

　　第二轮：和预期结果一致，我们的Bot虽然没有办法比肩前几个Bot，但在吃烂分的剩余的Bot里还是小胜一筹的。

3.2 假设提交3个数：

　　若能提交第三个数，我考虑构建一个机器学习模型逼近Bot 2的大数扰动模型，并预测Bot 2在自己提交扰动时另一个数的大小。

　　原因：在第一天后，我们发现得分最高的Bot 2常常使用大数扰动策略，并且通过一定数量的观测，估计它的策略是：一旦黄金点出现下降速度超过某一阈值，就增加一个随机大数进行扰动，并采用另一个稍微偏大的提交数去逼近黄金点。

　　未采用原因：因为第一轮太差，我们决定还是以稳为主。

3.3 假设更多参赛者：

　　我们的模型对参赛者数量的敏感性有待商榷，因为参赛人数越多，单个大数扰动的波动就会越小，LSTM受影响也越少；但人数的增加可能意味着提交大数扰动的人也会增加，所以最终效果视情况而定。