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。
3.4 对小伙伴的评价：
我的结对小伙伴是祁琳峰，我感觉我的小伙伴十分可靠，因为上周我大部分时间都在学校处理事务，所以在临走之前只写了个粗略的demo给他，之后的工作，如算法的完善以及讨论结果的实现，都是由他来完成的。最后尽管成绩不理想，没有取得前三名，但也在我们意料之中，是我们两个共同的责任。所以我对我的结对小伙伴的工作无可指摘（所以也没办法“三明治”评价了）。
3.5 对游戏的一些想法
假如老师以后还要给其他学生组织黄金点比赛的话，也许可以考虑把得分规则改一下，让距离最远的数得最高分，离黄金点最近的数扣分。