技术摘要：受约束的多智能体足球战术决策支持最优控制

1. 问题陈述

本研究旨在解决一个规范性问题：在给定显式运动约束的情况下，一支足球队的集体配置应如何随时间演变以实现特定的战术目标。与分析过去事件或预测结果的描述性或预测性分析不同，本工作将战术规划表述为一个受约束的多智能体最优控制问题。

核心挑战在于确定 $N_p$ 名球员（建模为状态）在时间范围 $T$ 内、在球场 $\Omega$ 上的最优速度控制。系统必须平衡相互竞争的战术目标：

• 领地控制： 最大化对特定空间区域的影响力。
• 防守暴露： 最小化相连防守球员之间的间隙。
• 紧凑性： 保持团队形态的凝聚力。
• 压迫覆盖： 在高压区域减少与对手球员的距离。
• 移动代价： 最小化速度变化的能量消耗。
• 终点精度： 在时间范围结束时达到目标阵型。

该问题受物理约束限制，包括最大球员速度 ($V_{max}$) 以及所有球员必须留在球场边界内的要求。

2. 方法论

数学公式化

作者将球场建模为一个封闭矩形 $\Omega = [0, L] \times [0, W]$。球员位置 $x_i(t)$ 根据一阶运动学 $\dot{x}_i = u_i$ 演化，其中 $u_i$ 是速度控制。对手被视为一个预设路径 $Y(t)$ 而非优化智能体，从而隔离了单队控制问题。

目标是最小化一个无量纲 Bolza 泛函 $J(U)$，该泛函数结合了：

1. 运行代价： 随时间积分的归一化战术损失（领地、防守、紧凑性、压迫和努力程度）的加权和。
2. 终点代价： 对偏离目标阵型 $X_{tar}$ 的惩罚。

空间控制份额 $P_A(z)$ 使用基于到达时间的指数影响场进行建模，并针对对手的影响力进行归一化。所有损失函数都经过平滑处理（例如使用正则化参数 $\kappa, \delta, \rho$），以确保可微性。

理论分析

• 存在性： 作者利用变分法中的直接法证明了最优控制的存在性，该方法依赖于状态空间的紧致性和努力项的弱下半连续性。
• 最优性条件： 利用庞特里亚金最小原理 (Pontryagin's Minimum Principle)，作者推导出了一阶必要条件。这产生了一个由状态方程、伴随（共轭）方程和横截条件组成的系统。
• 控制律： 推导出了一个显式的内部控制律，表明最优速度是梯度项在容许速度球 $B_{V_{max}}$ 上的投影。

数值求解器

为了数值求解该问题，作者采用了时间离散投影梯度算法：

1. 离散化： 使用分段常数控制近似和矩形定则对连续问题进行离散化。
2. 伴随法： 在时间上反向计算精确的离散伴随，以确定目标函数相对于控制变量的缩减梯度。
3. 优化： 算法使用 Armijo 后退 线搜索结合向可行集的投影（速度约束和球场边界）。
4. 验证： 作者使用有限差分梯度检查、约束审计、空间网格敏感性分析和多起点实验对求解器进行了严格验证。

3. 核心贡献

本文提出了六项具体的 metodological 贡献：

1. 统一框架： 一个受约束的多智能体框架，同时编码了可微的领地、防守、紧凑性和压迫损失。
2. 理论严谨性： 建立了足球战术控制问题的存在性结果、光滑属性以及显式的庞特里亚金必要条件。
3. 离散伴随与求解器： 推导了连贯的时间离散伴随和带有 Armijo 后退的投影梯度法，并提供了离散迭代的一阶平稳性证明。
4. 实现保真度： 提供了一个实际的优化算法实现，将其输出与简单的预设插值区分开来。
5. 求解器验证： 通过有限差分梯度检查、约束审计和敏感性分析进行全面的验证，以确保数值一致性。
6. 可复现性： 发布了完整的文档化合成坐标、参数、代码和数值输出，允许在没有专利数据的情况下进行独立复现。

4. 结果

基准性能

使用 12 秒时间范围内、在 $105 \times 68$ 米球场上的 11 名球员合成基准测试：

• 目标改进： 优化策略将目标函数值从 0.20935（可行线性过渡）降低至 0.18511，提升了 11.58%。与静态紧凑基准（0.29982）相比，提升了 38.26%。
• 权衡： 优化解接受了更高的移动代价（0.0727 对比线性过渡的 0.0495），以实现压迫损失（0.0269 对比 0.1140）和领地损失的显著降低。
• 约束满足： 所有速度约束均得到满足（最大速度恰好为 7.0 m/s），且在优化过程中未触发球场边界约束。
• 收敛性： 求解器在 88 次迭代后收敛，残差为 $1.57 \times 10^{-4}$。

验证与敏感性

• 梯度准确性： 有限差分检查显示，伴随梯度与数值近似之间的最大相对差异为 $3.05 \times 10^{-5}$。
• 网格敏感性： 将空间求积网格从 $40 \times 26$ 增加到 $120 \times 78$，领地损失的变化仅为 0.135%，证实了结果并非粗糙离散化的产物。
• 多起点鲁棒性： 不同的初始化（静态、线性、随机）收敛到的解在最终目标函数上的相对偏差仅为 0.043%。

优先级实验

作者通过改变优先级向量测试了模型的对战术权重的响应能力：

• 压迫优先： 在对移动代价变化极小的情况下，进一步降低了压迫损失（0.0234）。
• 防守优先： 降低了防守损失和移动代价（RMS 速度从 1.888 降至 1.630 m/s），但增加了压迫损失（0.0548）。
  这些结果表明，求解器能够根据指定的权重产生连贯且可解释的权衡，而非硬编码的行为。

5. 意义与声明

本文将自身定位为一个方法论和计算框架，而非经过验证的比赛预测系统。

• 弥合差距： 本工作填补了“为足球制定最优控制问题”与“实际求解这些问题以生成轨迹”之间的空白。它将抽象的战术指标与经过验证的数值求解器联系起来。
• 可复现性： 通过提供合成数据和代码，作者为未来利用真实追踪数据进行校准奠定了可复现的基础。
• 局限性与范围： 作者明确指出，当前研究使用的是合成数据，并不声称具有预测有效性、因果教练效益或在职业比赛中的表现。运动模型是一阶的（忽略了加速度和生物力学），且对手是预设的而非自适应的。
• 未来工作： 作者建议，下一步逻辑步骤是使用真实追踪数据对战术权重和初始状态进行校准，随后扩展到二阶运动模型和针对自适应对手的微分博弈。

总之，本文提供了一个数学严谨、计算经过验证且完全可复现的框架，用于生成足球中最优的战术轨迹，为未来的数据驱动战术分析提供了基础。