🔢 mathematics

Constrained Multi-Agent Optimal Control for Football Tactical Decision Support: Analysis, Solver Verification, and Reproducible Scenario Experiments

Dit artikel presenteert een geconstrueerd multi-agent optimaal regelingskader voor tactische besluitvorming in het voetbal dat theoretische optimaliteitsvoorwaarden vaststelt, een numerieke solver implementeert en de aanpak valideert door middel van reproduceerbare synthetische experimenten die significante verbeteringen in strategische prestaties laten zien ten opzichte van baseline-strategieën.

Oorspronkelijke auteurs: Abbes Kadyri, Abdelfettah Belkahla, Otmane Bencheihb

Gepubliceerd 2026-09-03

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Abbes Kadyri, Abdelfettah Belkahla, Otmane Bencheihb

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Voetbal wordt vaak beschreven als een spel van ruimte en tijd, waarbij de meest waardevolle troef niet alleen de bal is, maar de lege grond eromheen. Decennialang hebben coaches en analisten beelden teruggekeken om te begrijpen hoe teams samen bewegen, in een poging patronen te ontdekken in hoe een groep van elf spelers verschuift van een compact defensief blok naar een aanvallende formatie. Moderne technologie heeft deze observatie nog scherper gemaakt, waardoor we de exacte positie van elke speler op het veld met hoge snelheid kunnen volgen. Echter, weten waar spelers zijn en hoe ze zich in het verleden bewogen, is iets anders dan weten wat ze nu moeten doen. De grote vraag die overblijft, is hoe men het perfecte pad kan berekenen voor een heel team om van de ene vorm naar de andere te bewegen, terwijl de fysieke grenzen van de spelers en de regels van het veld worden gerespecteerd. Dit is de uitdaging van tactische besluitvormingsondersteuning: het omzetten van het abstracte idee van een "goede zet" in een concreet, uitvoerbaar plan.

Een team van onderzoekers aan de Chouaib Doukkali Universiteit in Marokko heeft dit probleem aangepakt door voetbaltactieken te behandelen als een complexe wiskundige puzzel. Ze bouwden een computermodel dat een volledig wedstrijdscenario simuleert, niet door te gokken wat er zou kunnen gebeuren, maar door de enkel beste manier te berekenen waarop een team zichzelf kan herorganiseren. In hun studie vertrouwden ze niet op beelden van echte wedstrijden of historische gegevens. In plaats daarvan creëerden ze een synthetisch, of volledig verzonnen, scenario met elf spelers op een standaard veld van 105 bij 68 meter. Ze definieerden een reeks doelen die een coach zou willen bereiken, zoals het controleren van meer terrein, het compact houden van de defensieve lijn, het agressief onder druk zetten van de tegenstander en het sparen van energie. Ze stelden ook strikte fysieke regels vast, waarbij ze ervoor zorgden dat geen enkele speler in de simulatie sneller kon rennen dan een realistische maximumsnelheid van 7,0 meter per seconde.

De onderzoekers vroegen hun computer om het optimale pad te vinden voor elke speler om van een startpositie naar een doelpositie te reizen over een periode van twaalf seconden. Hiervoor gebruikten ze een methode die voortdurend de afwegingen tussen verschillende doelstellingen controleert. Bijvoorbeeld, als een team de tegenstander harder onder druk wil zetten, moeten de spelers sneller rennen, wat meer energie kost. Als ze te ver uit elkaar staan, verliezen ze hun defensieve stabiliteit. De computer moest al deze concurrerende behoeften tegelijkertijd in balans brengen. Het resultaat was een reeks precieze instructies voor hoe elke speler zich in elk fractie van een seconde moest bewegen om het beste algemene resultaat te bereiken.

Toen de onderzoekers het geoptimaliseerde plan van de computer vergeleken met twee eenvoudigere alternatieven, was het verschil duidelijk. Het eerste alternatief was een statische baseline, waarbij het team simpelweg in hun startformatie bleef zonder te bewegen. Het tweede was een lineaire transitie, waarbij spelers in een rechte lijn met een constante snelheid naar hun doel bewogen, als een eenvoudige animatie. De geoptimaliseerde oplossing van de computer, die complexe, gebogen paden omvatte waarbij spelers op specifieke momenten versnelden en vertraagden, presteerde aanzienlijk beter. Het verminderde de totale "kosten" van de manoeuvre met 11,58 procent vergeleken met de eenvoudige rechte lijn-beweging en met 38,26 procent vergeleken met stilstaan. Deze verbetering kwam voort uit het vermogen van het model om spelers zo te positioneren dat ze meer terrein konden dekken en meer druk konden uitoefenen, ook al vereiste dit dat ze iets harder moesten rennen.

De studie testte ook hoe het team zou reageren als de coach hun prioriteiten zou wijzigen. In één experiment vertelden de onderzoekers de computer om bijna volledig te focussen op het onder druk zetten van de tegenstander. Het resulterende plan liet zien dat de spelers agressiever bewogen om ruimte te verkleinen, waarbij ze het hogere risico accepteerden om gaten in de defensie achter te laten. In een ander experiment gaven ze de voorkeur aan defensieve stabiliteit. De computer reageerde door de spelers langzamer te laten bewegen en dichter bij elkaar te laten blijven, wat hun energieverbruik verminderde maar de tegenstander meer ruimte liet. Deze tests bewezen dat het systeem niet slechts een rigide script volgde; het loste daadwerkelijk een evenwichtsoefening op, waarbij het gedrag verschoof op basis van de specifieke instructies die werden gegeven.

Het is belangrijk om de beperkingen van dit werk te begrijpen. De onderzoekers waren zeer duidelijk dat dit een wiskundige verificatie was, geen voorspelling van de realiteit van het voetbal. De spelers in de simulatie waren geen echte mensen met vermoeidheid, blessures of individuele eigenaardigheden; het waren geïdealiseerde punten die volgens strikte regels bewogen. De tegenstander was ook vaststaand en voorspelbaar, geen denkende tegenstander die probeerde het team te slim af te zijn. De studie beweerde niet het voetbal te hebben opgelost of een magische formule te bieden voor het winnen van wedstrijden. In plaats daarvan toonde het aan dat de onderliggende wangkundige principes en de computercode die gebruikt worden om deze problemen op te lossen, solide en betrouwbaar zijn. Het team verifieerde hun resultaten door de berekeningen op meerdere manieren te controleren, waarbij ze verzekerden dat de gradiëntcontroles van de computer nauwkeurig waren en dat de oplossing niet veranderde als het raster dat voor de berekening werd gebruikt fijner werd gemaakt.

Het uiteindelijke doel van dit onderzoek is het leggen van een fundament voor toekomstige hulpmiddelen die coaches zouden kunnen helpen. Door te bewijzen dat een complex, multi-player tactisch probleem kan worden opgelost met een geverifieerd computeralgoritme, hebben de onderzoekers een reproduceerbare benchmark gecreëerd. Dit betekent dat andere wetenschappers dezelfde synthetische gegevens en code kunnen gebruiken om hun eigen ideeën te testen. De volgende stap, volgens de auteurs, is om dit kader te nemen en dit te voorzien van echte gegevens uit werkelijke wedstrijden. Pas dan kan het model worden gekalibreerd naar de chaotische realiteit van de sport, waarin spelers moe worden, de bal onvoorspelbaar beweegt en tegenstanders dynamisch reageren. Voor nu staat de studie als een rigoureus bewijs dat de wiskunde van voetbaltactieken kan worden in kaart gebracht, berekend en geoptimaliseerd, wat een nieuw venster biedt op de strategische diepgang van het spel.

Technische Samenvatting: Beperkte Multi-Agent Optimale Controle voor Tactische Besluitvormingsondersteuning in Voetbal

1. Probleemstelling

Dit onderzoek richt zich op de prescriptieve vraag hoe de collectieve configuratie van een voetbalteam in de loop van de tijd moet evolueren om specifieke tactische doelstellingen te bereiken, gegeven expliciete bewegingsrestricties. In tegenstelling tot descriptieve of predictieve analyses die voorbije gebeurtenissen analyseren of uitkomsten voorspellen, formuleert dit werk tactische planning als een beperkt multi-agent optimaal controlesysteem.

De kernuitdaging is het bepalen van de optimale snelheidscontroles voor $N_p$ spelers (gemodelleerd als toestanden) over een tijdshorizon $T$ op een veld $\Omega$ . Het systeem moet concurrerende tactische doelen balanceren:

Territoriale Controle: Het maximaliseren van invloed over specifieke ruimtelijke regio's.
Defensieve Blootstelling: Het minimaliseren van gaten tussen gekoppelde verdedigers.
Compactheid: Het behouden van een cohesieve teamvorm.
Pressing-dekking: Het verminderen van de afstand tot tegenstanderspelers in gebieden met hoge druk.
Bewegingsinspanning: Het minimaliseren van de energetische kosten van snelheidsveranderingen.
Terminale Nauwkeurigheid: Het bereiken van een doelformatie aan het einde van de horizon.

Het probleem is onderworpen aan fysieke beperkingen, waaronder de maximale snelheid van spelers ( $V_{max}$ ) en de vereiste dat alle spelers binnen de veldgrenzen blijven.

2. Methodologie

Wiskundige Formulering

De auteurs modelleren het veld als een gesloten rechthoek $\Omega = [0, L] \times [0, W]$ . Spelersposities $x_i(t)$ evolueren volgens eerste-orde kinematica $\dot{x}_i = u_i$ , waarbij $u_i$ de snelheidscontrole is. De tegenstander wordt behandeld als een voorgeschreven pad $Y(t)$ in plaats van een optimaliserende agent, waardoor het controleprobleem van de enkele ploeg geïsoleerd wordt.

Het doel is om een dimensieloze Bolza-functionaal $J(U)$ te minimaliseren, die het volgende combineert:

Lopende Kosten: Een gewogen som van genormaliseerde tactische verliezen (territoriaal, defensief, compactheid, pressing en inspanning) geïntegreerd over de tijd.
Terminale Kosten: Een straf voor afwijking van een doelformatie $X_{tar}$ .

De ruimtelijke controle-invloed $P_A(z)$ wordt gemodelleerd met behulp van exponentiële invloedsvelden gebaseerd op aankomsttijden, genormaliseerd tegen de invloed van de tegenstander. Alle verliesfuncties zijn gladgestreken (bijv. met behulp van regularisatieparameters $\kappa, \delta, \rho$ ) om differentieerbaarheid te waarborgen.

Theoretische Analyse

Existentie: De auteurs bewijzen de existentie van een optimale controle met behulp van de directe methode in de calculus van variaties, leunend op de compactheid van de toestandsruimte en de zwakke lager halfcontinuïteit van de inspanningsterm.
Optimaliteitscondities: Met behulp van Pontryagin's Minimum Principle leiden de auteurs eerste-orde noodzakelijke condities af. Dit levert een systeem op van toestandsvergelijkingen, adjoint (costate) vergelijkingen en een transversale conditie.
Controlewet: Er wordt een expliciete interne controlewet afgeleid, die laat zien dat de optimale snelheid een projectie is van een gradiëntterm op de toegestane snelheidsbal $B_{V_{max}}$ .

Numerieke Solver

Om het probleem numeriek op te lossen, gebruiken de auteurs een tijdsgediscretiseerd geprojecteerd-gradiëntalgoritme:

Discretisatie: Het continue probleem wordt gediscretiseerd met behulp van een stuksgewijs constante controlebenadering en de rechthoekregel voor integratie.
Adjoint Methode: Een exacte discrete adjoint wordt achterwaarts in de tijd berekend om de gereduceerde gradiënt van de doelfunctie met betrekking tot de controles te bepalen.
Optimalisatie: Het algoritme gebruikt een Armijo backtracking line search gecombineerd met projectie op de toegestane verzameling (snelheidsbeperkingen en veldgrenzen).
Verificatie: De solver wordt rigoureus geverifieerd met behulp van eindverschil-gradiëntcontroles, constraint-audits, ruimtelijke roostergevoeligheidsanalyse en multi-start experimenten.

3. Belangrijkste Bijdragen

Het artikel levert zes specifieke methodologische bijdragen:

Verenigde Formulering: Een beperkt multi-agent kader dat tegelijkertijd territoriale, defensieve, compactheids-, pressing- en inspanningsverliezen codeert als differentieerbare componenten.
Theoretische Rigor: Vaststelling van existentieresultaten, gladheidseigenschappen en expliciete Pontryagin noodzakelijke condities voor het tactische controleprobleem.
Discrete Adjoint & Solver: Afleiding van een consistente tijd-discrete adjoint en een geprojecteerd-gradiëntmethode met Armijo backtracking, inclusief een bewijs van eerste-orde stationariteit voor de discrete iteratie.
Implementatiegetrouwheid: De levering van een daadwerkelijke implementatie van het optimalisatiealgoritme, wat de output onderscheidt van eenvoudige voorgeschreven interpolaties.
Solver Verificatie: Uitgebreide verificatie via eindverschil-gradiëntcontroles, constraint-auditing en gevoeligheidsanalyse om numerieke consistentie te waarborgen.
Reproduceerbaarheid: De publicatie van volledig gedocumenteerde synthetische coördinaten, parameters, code en numerieke outputs, wat onafhankelijke reproductie mogelijk maakt zonder propriëtaire data.

4. Resultaten

Benchmark Prestaties

Bij gebruik van een synthetische 11-speler benchmark op een $105 \times 68$ m veld over een horizon van 12 seconden:

Verbetering van de Doelfunctie: De geoptimaliseerde strategie verminderde de waarde van de doelfunctie van 0.20935 (haalbare lineaire transitie) naar 0.18511, een verbetering van 11,58%. Vergeleken met een statische compacte baseline (0.29982) was de verbetering 38,26%.
Trade-offs: De geoptimaliseerde oplossing accepteerde een hogere bewegingsinspanning (0.0727 vs. 0.0495 voor lineair) om significante reducties in pressing-verlies (0.0269 vs. 0.1140) en territoriaal verlies te bereiken.
Constraint Satisfactie: Alle snelheidsbeperkingen werden nageleefd (maximale snelheid exact 7.0 m/s), en geen enkele veldgrens-beperking werd actief tijdens de optimalisatie.
Convergentie: De solver convergeerde in 88 iteraties met een residu van $1.57 \times 10^{-4}$ .

Verificatie en Gevoeligheid

Gradiënt Nauwkeurigheid: Eindverschil-controles toonden een maximale relatieve verschil van $3.05 \times 10^{-5}$ tussen de adjoint-gradiënt en numerieke benaderingen.
Grid Gevoeligheid: Het verhogen van het ruimtelijke kwadratuurrooster van $40 \times 26$ naar $120 \times 78$ veranderde het territoriale verlies met slechts 0,135%, wat bevestigt dat het resultaat geen artefact is van grove discretisatie.
Multi-start Robuustheid: Verschillende initialisaties (statisch, lineair, willekeurig) convergeerden naar oplossingen met een relatieve spreiding van slechts 0,043% in de uiteindelijke doelfunctie.

Prioriteitsexperimenten

De auteurs testten de responsiviteit van het model aan tactische gewichten door de prioriteitsvector te variëren:

Pressing-Eerst: Verminderde het pressing-verlies verder (0.0234) met minimale verandering in inspanning.
Defensie-Eerst: Verminderde het defensieve verlies en de bewegingsinspanning (RMS-snelheid daalde van 1.888 naar 1.630 m/s) maar verhoogde het pressing-verlies (0.0548).
Deze resultaten tonen aan dat de solver coherente, interpreteerbare trade-offs produceert op basis van de gespecificeerde gewichten in plaats van hard-coded gedragingen.

5. Betekenis en Claims

Het artikel positioneert zichzelf als een methodologisch en computationeel kader in plaats van een gevalideerd wedstrijdvoorspellingssysteem.

Overbruggen van de Kloof: Dit werk vult een gat tussen het formuleren van optimale controleproblemen voor voetbal en het daadwerkelijk oplossen ervan om trajecten te genereren. Het verbindt abstracte tactische indicatoren met een geverifieerde numerieke solver.
Reproduceerbaarheid: Door synthetische data en code te verstrekken, vestigen de auteurs een reproduceerbare basis voor toekomstige kalibratie met echte trackingdata.
Beperkingen en Omvang: De auteurs geven expliciet aan dat de huidige studie synthetische data gebruikt en geen aanspraak maakt op voorspellende validiteit, causale coachingvoordelen of prestaties in professionele wedstrijden. Het bewegingsmodel is van eerste-orde (negeert versnelling en biomechanica), en de tegenstander is voorgeschreven in plaats van adaptief.
Toekomstig Werk: Het artikel suggereert dat de volgende logische stap de kalibratie van tactische gewichten en initiële toestanden met behulp van echte trackingdata is, gevolgd door uitbreidingen naar tweede-orde bewegingsmodellen en differentiële spelen met adaptieve tegenstanders.

Samenvattend biedt dit papier een wiskundig rigoureus, computationeel geverifieerd en volledig reproduceerbaar kader voor het genereren van optimale tactische trajecten in het voetbal, wat dient als een fundament voor toekomstige data-gestuurde tactische analyse.