Die Theorie hat halt, wie bereits angemerkt, eine große Hürde bevor sie in der Realität angewendet werden kann: Sie benötigt gute Parameter. In diesem Fall sind es die "Einheiteneffektivitäten". Über eine solche Metrik wurde ja schon breit diskutiert und es hat sich jedes Mal als schwer zu knackende Nuss erwiesen. Klar ist, dass zum einen die Statline aber auch Sonderregeln, und idealerweise die Existenz andere Einheiten in der Armee (=Buffchars) berücksichtigt werden sollte. Was ich mir erhoffe ist, dass man zumindest die "relativen" Effektivitäten irgendwie abbilden kann. Wenn man realistische Werte gefunden hat, und bekannte Armeen als Ergebnis herauskommen, kann man anfangen mit den Randbedingungen zu spielen.
Mögliche Fragestellungen wären:
* Wie ändert sich die "optimale" Armee, wenn ein Modell um 10/20/30% teurer wird
* Welche Einheiten werden gewählt, wenn eine Obergrenze für eine bestimmte Einheit aktiviert wird? Gerade wenn Interaktionen berücksichtigt werden kann das Ergebnis schon stark abweichen. Beispiel Tyraniden: Wenn die HiveTyrants wirklich auf einen pro Detachment begrenzt werden, kann es vielleicht sein, dass anstelle dessen der OldOneEye und dazu noch 2 Carnifexe gewählt werden, weile diese Kombination noch effizienter ist als das zweitbeste HQ.
Im Grunde könnte man mit so einem Modell den "Hardcore"-Turnierspieler simulieren, der die Liste immer knallhart ausreizt. Also genau das, was sich viele Wünschen. Falsche Punkte könnten so frühzeitig entdeckt werden, und man müsste nicht auf ein Turnier warten bis ein menschlicher Optimierer die Lösung findet. Aber auch hier gilt Vorsicht: Jedes Modell ist nur so gut, wie die zu grunde liegende Datenbasis. Große Wunder sollte man sich nicht versprechen, aber vielleicht ein nützliche Werkzeug.
Ansonsten: Ja ich bin Ingenieur, aber habe über dem Thema der optimalen Auswahl von Verfahrensoperationen im Zusammenspiel einer Chemieanlage promoviert. Und die zugrundeliegende Mathematik ist dann sehr ähnlich. Das ist ja das schöne daran: die abstrakten Lösungsansätze lassen sich für viele Probleme anwenden, wenn man sie nur richtig herunterbricht und abstrahiert. Interessanterweise sind auch hier die zugrunde liegenden Daten oft Unsicher, und es gibt tatsächlich Methoden auch mit unsicheren/unbekannten Daten Optimierungen anzustellen. Also eigentlich genau das Problem, mit dem wir hier auch zu tun haben.
Zur Einarbeitung? Puh, das wird schwierig. Lineare Optimierung ist nicht wirklich ein Thema das der Populärwissenschaft zugänglich ist. Diese Präsentation sieht noch ganz zugänglich aus (außerdem enthält sie einen Katzentutor!! 🙂 ) https://ocw.mit.edu/courses/sloan-s...-spring-2013/tutorials/MIT15_053S13_tut01.pdf
Auf Youtube gibt es auch einige Video-Tutorials, vielleicht ist da auch was dabei: https://www.youtube.com/results?search_query=linear+programming+explained
Mögliche Fragestellungen wären:
* Wie ändert sich die "optimale" Armee, wenn ein Modell um 10/20/30% teurer wird
* Welche Einheiten werden gewählt, wenn eine Obergrenze für eine bestimmte Einheit aktiviert wird? Gerade wenn Interaktionen berücksichtigt werden kann das Ergebnis schon stark abweichen. Beispiel Tyraniden: Wenn die HiveTyrants wirklich auf einen pro Detachment begrenzt werden, kann es vielleicht sein, dass anstelle dessen der OldOneEye und dazu noch 2 Carnifexe gewählt werden, weile diese Kombination noch effizienter ist als das zweitbeste HQ.
Im Grunde könnte man mit so einem Modell den "Hardcore"-Turnierspieler simulieren, der die Liste immer knallhart ausreizt. Also genau das, was sich viele Wünschen. Falsche Punkte könnten so frühzeitig entdeckt werden, und man müsste nicht auf ein Turnier warten bis ein menschlicher Optimierer die Lösung findet. Aber auch hier gilt Vorsicht: Jedes Modell ist nur so gut, wie die zu grunde liegende Datenbasis. Große Wunder sollte man sich nicht versprechen, aber vielleicht ein nützliche Werkzeug.
Ansonsten: Ja ich bin Ingenieur, aber habe über dem Thema der optimalen Auswahl von Verfahrensoperationen im Zusammenspiel einer Chemieanlage promoviert. Und die zugrundeliegende Mathematik ist dann sehr ähnlich. Das ist ja das schöne daran: die abstrakten Lösungsansätze lassen sich für viele Probleme anwenden, wenn man sie nur richtig herunterbricht und abstrahiert. Interessanterweise sind auch hier die zugrunde liegenden Daten oft Unsicher, und es gibt tatsächlich Methoden auch mit unsicheren/unbekannten Daten Optimierungen anzustellen. Also eigentlich genau das Problem, mit dem wir hier auch zu tun haben.
Zur Einarbeitung? Puh, das wird schwierig. Lineare Optimierung ist nicht wirklich ein Thema das der Populärwissenschaft zugänglich ist. Diese Präsentation sieht noch ganz zugänglich aus (außerdem enthält sie einen Katzentutor!! 🙂 ) https://ocw.mit.edu/courses/sloan-s...-spring-2013/tutorials/MIT15_053S13_tut01.pdf
Auf Youtube gibt es auch einige Video-Tutorials, vielleicht ist da auch was dabei: https://www.youtube.com/results?search_query=linear+programming+explained
