git.sesse.net Git - foosball/blob - foosrank.cpp

   1 #include <cstdio>
   2 #include <cmath>
   3 #include <cassert>
   4
   5 #include <vector>
   6 #include <algorithm>
   7
   8 #include <complex>
   9 #include <fftw3.h>
  10
  11 // step sizes
  12 static const double int_step_size = 75.0;
  13
  14 // rating constant (see below)
  15 static const double rating_constant = 455.0;
  16
  17 using namespace std;
  18
  19 static double prob_score(int k, int a, double rd);
  20 static double prob_score_real(int k, int a, double binomial, double rd_norm);
  21 static double prodai(int k, int a);
  22 static double fac(int x);
  23
  24
  25 // probability of match ending k-a (k>a) when winnerR - loserR = RD
  26 //
  27 //   +inf
  28 //     /
  29 //    |
  30 //    | Poisson[lambda1, t](a) * Erlang[lambda2, k](t) dt
  31 //    |
  32 //   /
  33 // -inf
  34 //
  35 // where lambda1 = 1.0, lambda2 = 2^(rd/455)
  36 //
  37 // The constant of 455 is chosen carefully so to match with the
  38 // Glicko/Bradley-Terry assumption that a player rated 400 points over
  39 // his/her opponent will win with a probability of 10/11 =~ 0.90909.
  40 //
  41 static double prob_score(int k, int a, double rd)
  42 {
  43         return prob_score_real(k, a, prodai(k, a) / fac(k-1), rd/rating_constant);
  44 }
  45
  46 // computes x^a, probably more efficiently than pow(x, a) (but requires that a
  47 // is n unsigned integer)
  48 static double intpow(double x, unsigned a)
  49 {
  50         double result = 1.0;
  51
  52         while (a > 0) {
  53                 if (a & 1) {
  54                         result *= x;
  55                 }
  56                 a >>= 1;
  57                 x *= x;
  58         }
  59
  60         return result;
  61 }
  62
  63 // Same, but takes in binomial(a+k-1, k-1) as an argument in
  64 // addition to a. Faster if you already have that precomputed, and assumes rd
  65 // is already divided by 455.
  66 static double prob_score_real(int k, int a, double binomial, double rd_norm)
  67 {
  68         double nom = binomial * intpow(pow(2.0, rd_norm), a);
  69         double denom = intpow(1.0 + pow(2.0, rd_norm), k+a);
  70         return nom/denom;
  71 }
  72
  73 // Calculates Product(a+i, i=1..k-1) (see above).
  74 static double prodai(int k, int a)
  75 {
  76         double prod = 1.0;
  77         for (int i = 1; i < k; ++i)
  78                 prod *= (a+i);
  79         return prod;
  80 }
  81
  82 static double fac(int x)
  83 {
  84         double prod = 1.0;
  85         for (int i = 2; i <= x; ++i)
  86                 prod *= i;
  87         return prod;
  88 }
  89
  90 static void compute_opponent_rating_pdf(int k, int a, double mu2, double sigma2, double winfac, vector<pair<double, double> > &result)
  91 {
  92         double binomial_precompute = prodai(k, a) / fac(k-1);
  93         winfac /= rating_constant;
  94
  95         int sz = (6000.0 - 0.0) / int_step_size;
  96         double h = (6000.0 - 0.0) / sz;
  97
  98         fftw_plan f1, f2, b;
  99         complex<double> *func1, *func2, *res;
 100
 101         func1 = reinterpret_cast<complex<double> *>(fftw_malloc(sz*2*sizeof(complex<double>)));
 102         func2 = reinterpret_cast<complex<double> *>(fftw_malloc(sz*2*sizeof(complex<double>)));
 103         res = reinterpret_cast<complex<double> *>(fftw_malloc(sz*2*sizeof(complex<double>)));
 104         f1 = fftw_plan_dft_1d(sz*2,
 105                 reinterpret_cast<fftw_complex*>(func1),
 106                 reinterpret_cast<fftw_complex*>(func1),
 107                 FFTW_FORWARD,
 108                 FFTW_MEASURE);
 109         f2 = fftw_plan_dft_1d(sz*2,
 110                 reinterpret_cast<fftw_complex*>(func2),
 111                 reinterpret_cast<fftw_complex*>(func2),
 112                 FFTW_FORWARD,
 113                 FFTW_MEASURE);
 114         b = fftw_plan_dft_1d(sz*2,
 115                 reinterpret_cast<fftw_complex*>(res),
 116                 reinterpret_cast<fftw_complex*>(res),
 117                 FFTW_BACKWARD,
 118                 FFTW_MEASURE);
 119
 120         // start off by zero
 121         for (int i = 0; i < sz*2; ++i) {
 122                 func1[i].real() = func1[i].imag() = func2[i].real() = func2[i].imag() = 0.0;
 123         }
 124
 125         double invsigma2 = 1.0 / sigma2;
 126         for (int i = 0; i < sz; ++i) {
 127                 double x1 = 0.0 + h*i;
 128                 double z = (x1 - mu2) * invsigma2;
 129                 func1[i].real() = exp(-(z*z/2.0));
 130
 131                 double x2 = -3000.0 + h*i;
 132                 func2[(i - sz/2 + sz*2)%(sz*2)].real() = prob_score_real(k, a, binomial_precompute, x2*winfac);
 133         }
 134
 135         result.reserve(sz*2);
 136
 137         // convolve
 138         fftw_execute(f1);
 139         fftw_execute(f2);
 140         for (int i = 0; i < sz*2; ++i) {
 141                 res[i] = func1[i] * func2[i];
 142         }
 143         fftw_execute(b);
 144         for (int i = 0; i < sz; ++i) {
 145                 double r1 = i*h;
 146                 result.push_back(make_pair(r1, abs(res[i])));
 147         }
 148 }
 149
 150 // normalize the curve so we know that A ~= 1
 151 static void normalize(vector<pair<double, double> > &curve)
 152 {
 153         double peak = 0.0;
 154         for (vector<pair<double, double> >::const_iterator i = curve.begin(); i != curve.end(); ++i) {
 155                 peak = max(peak, i->second);
 156         }
 157
 158         double invpeak = 1.0 / peak;
 159         for (vector<pair<double, double> >::iterator i = curve.begin(); i != curve.end(); ++i) {
 160                 i->second *= invpeak;
 161         }
 162 }
 163
 164 // computes matA^T * matB
 165 static void mat_mul_trans(double *matA, unsigned ah, unsigned aw,
 166                           double *matB, unsigned bh, unsigned bw,
 167                           double *result)
 168 {
 169         assert(ah == bh);
 170         for (unsigned y = 0; y < bw; ++y) {
 171                 for (unsigned x = 0; x < aw; ++x) {
 172                         double sum = 0.0;
 173                         for (unsigned c = 0; c < ah; ++c) {
 174                                 sum += matA[x*ah + c] * matB[y*bh + c];
 175                         }
 176                         result[y*bw + x] = sum;
 177                 }
 178         }
 179 }
 180
 181 // solves Ax = B by Gauss-Jordan elimination, where A is an NxN matrix,
 182 // x is a column vector of length N and B is a row vector of length N.
 183 // Destroys its input in the process.
 184 template<int N>
 185 static void solve_matrix(double *A, double *x, double *B)
 186 {
 187         for (int i = 0; i < N; ++i) {
 188                 for (int j = i+1; j < N; ++j) {
 189                         // row j -= row i * (a[i,j] / a[i,i])
 190                         double f = A[j+i*N] / A[i+i*N];
 191
 192                         A[j+i*N] = 0.0;
 193                         for (int k = i+1; k < N; ++k) {
 194                                 A[j+k*N] -= A[i+k*N] * f;
 195                         }
 196
 197                         B[j] -= B[i] * f;
 198                 }
 199         }
 200
 201         // back-substitute
 202         for (int i = N; i --> 0; ) {
 203                 for (int j = i; j --> 0; ) {
 204                         // row j -= row i * (a[j,j] / a[j,i])
 205                         double f = A[i+j*N] / A[j+j*N];
 206
 207                         // A[j+i*N] = 0.0;
 208                         B[j] -= B[i] * f;
 209                 }
 210         }
 211
 212         // normalize
 213         for (int i = 0; i < N; ++i) {
 214                 x[i] = B[i] / A[i+i*N];
 215         }
 216 }
 217
 218 // Give an OK starting estimate for the least squares, by numerical integration
 219 // of statistical moments.
 220 static void estimate_musigma(vector<pair<double, double> > &curve, double &mu_result, double &sigma_result)
 221 {
 222         double h = (curve.back().first - curve.front().first) / (curve.size() - 1);
 223
 224         double area = curve.front().second;
 225         double ex = curve.front().first * curve.front().second;
 226         double ex2 = curve.front().first * curve.front().first * curve.front().second;
 227
 228         for (unsigned i = 1; i < curve.size() - 1; i += 2) {
 229                 double x = curve[i].first;
 230                 double y = curve[i].second;
 231                 area += 4.0 * y;
 232                 ex += 4.0 * x * y;
 233                 ex2 += 4.0 * x * x * y;
 234         }
 235         for (unsigned i = 2; i < curve.size() - 1; i += 2) {
 236                 double x = curve[i].first;
 237                 double y = curve[i].second;
 238                 area += 2.0 * y;
 239                 ex += 2.0 * x * y;
 240                 ex2 += 2.0 * x * x * y;
 241         }
 242
 243         area += curve.back().second;
 244         ex += curve.back().first * curve.back().second;
 245         ex2 += curve.back().first * curve.back().first * curve.back().second;
 246
 247         area = (h/3.0) * area;
 248         ex = (h/3.0) * ex / area;
 249         ex2 = (h/3.0) * ex2 / area;
 250
 251         mu_result = ex;
 252         sigma_result = sqrt(ex2 - ex * ex);
 253 }
 254
 255 // Find best fit of the data in curves to a Gaussian pdf, based on the
 256 // given initial estimates. Works by nonlinear least squares, iterating
 257 // until we're below a certain threshold.
 258 //
 259 // Note that the algorithm blows up quite hard if the initial estimate is
 260 // not good enough. Use estimate_musigma to get a reasonable starting
 261 // estimate.
 262 static void least_squares(vector<pair<double, double> > &curve, double mu1, double sigma1, double &mu_result, double &sigma_result)
 263 {
 264         double A = 1.0;
 265         double mu = mu1;
 266         double sigma = sigma1;
 267
 268         // column-major
 269         double matA[curve.size() * 3];  // N x 3
 270         double dbeta[curve.size()];     // N x 1
 271
 272         // A^T * A: 3xN * Nx3 = 3x3
 273         double matATA[3*3];
 274
 275         // A^T * dβ: 3xN * Nx1 = 3x1
 276         double matATdb[3];
 277
 278         double dlambda[3];
 279
 280         for ( ;; ) {
 281                 //printf("A=%f mu=%f sigma=%f\n", A, mu, sigma);
 282
 283                 // fill in A (depends only on x_i, A, mu, sigma -- not y_i)
 284                 for (unsigned i = 0; i < curve.size(); ++i) {
 285                         double x = curve[i].first;
 286
 287                         // df/dA(x_i)
 288                         matA[i + 0 * curve.size()] =
 289                                 exp(-(x-mu)*(x-mu)/(2.0*sigma*sigma));
 290
 291                         // df/dµ(x_i)
 292                         matA[i + 1 * curve.size()] =
 293                                 A * (x-mu)/(sigma*sigma) * matA[i + 0 * curve.size()];
 294
 295                         // df/dσ(x_i)
 296                         matA[i + 2 * curve.size()] =
 297                                 matA[i + 1 * curve.size()] * (x-mu)/sigma;
 298                 }
 299
 300                 // find dβ
 301                 for (unsigned i = 0; i < curve.size(); ++i) {
 302                         double x = curve[i].first;
 303                         double y = curve[i].second;
 304
 305                         dbeta[i] = y - A * exp(- (x-mu)*(x-mu)/(2.0*sigma*sigma));
 306                 }
 307
 308                 // compute a and b
 309                 mat_mul_trans(matA, curve.size(), 3, matA, curve.size(), 3, matATA);
 310                 mat_mul_trans(matA, curve.size(), 3, dbeta, curve.size(), 1, matATdb);
 311
 312                 // solve
 313                 solve_matrix<3>(matATA, dlambda, matATdb);
 314
 315                 A += dlambda[0];
 316                 mu += dlambda[1];
 317                 sigma += dlambda[2];
 318
 319                 // terminate when we're down to three digits
 320                 if (fabs(dlambda[0]) <= 1e-3 && fabs(dlambda[1]) <= 1e-3 && fabs(dlambda[2]) <= 1e-3)
 321                         break;
 322         }
 323
 324         mu_result = mu;
 325         sigma_result = sigma;
 326 }
 327
 328 static void compute_new_rating(double mu1, double sigma1, double mu2, double sigma2, int score1, int score2, double &mu, double &sigma)
 329 {
 330         vector<pair<double, double> > curve;
 331
 332         if (score1 > score2) {
 333                 compute_opponent_rating_pdf(score1, score2, mu2, sigma2, -1.0, curve);
 334         } else {
 335                 compute_opponent_rating_pdf(score2, score1, mu2, sigma2, 1.0, curve);
 336         }
 337
 338         // multiply in the gaussian
 339         for (unsigned i = 0; i < curve.size(); ++i) {
 340                 double r1 = curve[i].first;
 341                 double z = (r1 - mu1) / sigma1;
 342                 double gaussian = exp(-(z*z/2.0));
 343                 curve[i].second *= gaussian;
 344         }
 345
 346         double mu_est, sigma_est;
 347         normalize(curve);
 348         estimate_musigma(curve, mu_est, sigma_est);
 349         least_squares(curve, mu_est, sigma_est, mu, sigma);
 350 }
 351
 352 static void compute_new_double_rating(double mu1, double sigma1, double mu2, double sigma2, double mu3, double sigma3, double mu4, double sigma4, int score1, int score2, double &mu, double &sigma)
 353 {
 354         vector<pair<double, double> > curve, newcurve;
 355         double mu_t = mu3 + mu4;
 356         double sigma_t = sqrt(sigma3*sigma3 + sigma4*sigma4);
 357
 358         if (score1 > score2) {
 359                 compute_opponent_rating_pdf(score1, score2, mu_t, sigma_t, -1.0, curve);
 360         } else {
 361                 compute_opponent_rating_pdf(score2, score1, mu_t, sigma_t, 1.0, curve);
 362         }
 363
 364         newcurve.reserve(curve.size());
 365
 366         // iterate over r1
 367         double h = 3000.0 / curve.size();
 368         for (unsigned i = 0; i < curve.size(); ++i) {
 369                 double sum = 0.0;
 370
 371                 // could be anything, but this is a nice start
 372                 //double r1 = curve[i].first;
 373                 double r1 = i * h;
 374
 375                 // iterate over r2
 376                 double invsigma2 = 1.0 / sigma2;
 377                 for (unsigned j = 0; j < curve.size(); ++j) {
 378                         double r1plusr2 = curve[j].first;
 379                         double r2 = r1plusr2 - r1;
 380
 381                         double z = (r2 - mu2) * invsigma2;
 382                         double gaussian = exp(-(z*z/2.0));
 383                         sum += curve[j].second * gaussian;
 384                 }
 385
 386                 double z = (r1 - mu1) / sigma1;
 387                 double gaussian = exp(-(z*z/2.0));
 388                 newcurve.push_back(make_pair(r1, gaussian * sum));
 389         }
 390
 391
 392         double mu_est, sigma_est;
 393         normalize(newcurve);
 394         estimate_musigma(newcurve, mu_est, sigma_est);
 395         least_squares(newcurve, mu_est, sigma_est, mu, sigma);
 396 }
 397
 398 int main(int argc, char **argv)
 399 {
 400         FILE *fp = fopen("fftw-wisdom", "rb");
 401         if (fp != NULL) {
 402                 fftw_import_wisdom_from_file(fp);
 403                 fclose(fp);
 404         }
 405
 406         double mu1 = atof(argv[1]);
 407         double sigma1 = atof(argv[2]);
 408         double mu2 = atof(argv[3]);
 409         double sigma2 = atof(argv[4]);
 410
 411         if (argc > 10) {
 412                 double mu3 = atof(argv[5]);
 413                 double sigma3 = atof(argv[6]);
 414                 double mu4 = atof(argv[7]);
 415                 double sigma4 = atof(argv[8]);
 416                 int score1 = atoi(argv[9]);
 417                 int score2 = atoi(argv[10]);
 418                 double mu, sigma;
 419                 compute_new_double_rating(mu1, sigma1, mu2, sigma2, mu3, sigma3, mu4, sigma4, score1, score2, mu, sigma);
 420                 printf("%f %f\n", mu, sigma);
 421         } else if (argc > 8) {
 422                 double mu3 = atof(argv[5]);
 423                 double sigma3 = atof(argv[6]);
 424                 double mu4 = atof(argv[7]);
 425                 double sigma4 = atof(argv[8]);
 426                 int k = atoi(argv[9]);
 427
 428                 // assess all possible scores
 429                 for (int i = 0; i < k; ++i) {
 430                         double newmu1_1, newmu1_2, newmu2_1, newmu2_2;
 431                         double newsigma1_1, newsigma1_2, newsigma2_1, newsigma2_2;
 432                         compute_new_double_rating(mu1, sigma1, mu2, sigma2, mu3, sigma3, mu4, sigma4, k, i, newmu1_1, newsigma1_1);
 433                         compute_new_double_rating(mu2, sigma2, mu1, sigma1, mu3, sigma3, mu4, sigma4, k, i, newmu1_2, newsigma1_2);
 434                         compute_new_double_rating(mu3, sigma3, mu4, sigma4, mu1, sigma1, mu2, sigma2, i, k, newmu2_1, newsigma2_1);
 435                         compute_new_double_rating(mu4, sigma4, mu3, sigma3, mu1, sigma1, mu2, sigma2, i, k, newmu2_2, newsigma2_2);
 436                         printf("%u-%u,%f,%+f,%+f,%+f,%+f\n",
 437                                 k, i, prob_score(k, i, mu3+mu4-(mu1+mu2)), newmu1_1-mu1, newmu1_2-mu2,
 438                                 newmu2_1-mu3, newmu2_2-mu4);
 439                 }
 440                 for (int i = k; i --> 0; ) {
 441                         double newmu1_1, newmu1_2, newmu2_1, newmu2_2;
 442                         double newsigma1_1, newsigma1_2, newsigma2_1, newsigma2_2;
 443                         compute_new_double_rating(mu1, sigma1, mu2, sigma2, mu3, sigma3, mu4, sigma4, i, k, newmu1_1, newsigma1_1);
 444                         compute_new_double_rating(mu2, sigma2, mu1, sigma1, mu3, sigma3, mu4, sigma4, i, k, newmu1_2, newsigma1_2);
 445                         compute_new_double_rating(mu3, sigma3, mu4, sigma4, mu1, sigma1, mu2, sigma2, k, i, newmu2_1, newsigma2_1);
 446                         compute_new_double_rating(mu4, sigma4, mu3, sigma3, mu1, sigma1, mu2, sigma2, k, i, newmu2_2, newsigma2_2);
 447                         printf("%u-%u,%f,%+f,%+f,%+f,%+f\n",
 448                                 i, k, prob_score(k, i, mu1+mu2-(mu3+mu4)), newmu1_1-mu1, newmu1_2-mu2,
 449                                 newmu2_1-mu3, newmu2_2-mu4);
 450                 }
 451         } else if (argc > 6) {
 452                 int score1 = atoi(argv[5]);
 453                 int score2 = atoi(argv[6]);
 454                 double mu, sigma;
 455                 compute_new_rating(mu1, sigma1, mu2, sigma2, score1, score2, mu, sigma);
 456                 printf("%f %f\n", mu, sigma);
 457         } else {
 458                 int k = atoi(argv[5]);
 459
 460                 // assess all possible scores
 461                 for (int i = 0; i < k; ++i) {
 462                         double newmu1, newmu2, newsigma1, newsigma2;
 463                         compute_new_rating(mu1, sigma1, mu2, sigma2, k, i, newmu1, newsigma1);
 464                         compute_new_rating(mu2, sigma2, mu1, sigma1, i, k, newmu2, newsigma2);
 465                         printf("%u-%u,%f,%+f,%+f\n",
 466                                 k, i, prob_score(k, i, mu2-mu1), newmu1-mu1, newmu2-mu2);
 467                 }
 468                 for (int i = k; i --> 0; ) {
 469                         double newmu1, newmu2, newsigma1, newsigma2;
 470                         compute_new_rating(mu1, sigma1, mu2, sigma2, i, k, newmu1, newsigma1);
 471                         compute_new_rating(mu2, sigma2, mu1, sigma1, k, i, newmu2, newsigma2);
 472                         printf("%u-%u,%f,%+f,%+f\n",
 473                                 i, k, prob_score(k, i, mu1-mu2), newmu1-mu1, newmu2-mu2);
 474                 }
 475         }
 476
 477         fp = fopen("fftw-wisdom", "wb");
 478         if (fp != NULL) {
 479                 fftw_export_wisdom_to_file(fp);
 480                 fclose(fp);
 481         }
 482 }
 483