评分计算方法说明
Glicko-2-评分系统设定
棋者象棋排位赛采用的是Glicko-2计算方法，它是象棋职业等级分系统ELO算法基础上的一个优化方案，使用了更复杂的公式，必须是电脑普及后才能使用，无法人工进行计算。
它能解决：
- 不同棋力水平分数的玩家对弈积分结算的问题；天天象棋棋力评测算法只能满足棋力相当玩家之间对弈。这一点与职业等级分系统ELO类似。
- 它引入了一个评分可信度的概念（RD值），RD值越大可信度越小。对同样分数的用户，但是可信度不同有一个量化参考，可信度主要影响：1 对局数不够，分数没有达到棋手最终的分数，2 长时间不对局，RD值会随着时间的增加而增加，可信度就越低。
用户初始积分：500
用户初始RD：350
评分系统特性
- 能更快的让一个新手达到他水平应该在的分数，应该5-10局。
- 能跟不同棋力水平的用户对弈，进行合理的分数结算。
- 对局数越多，分数可信度越高，评分偏差RD就越小。
- 越长时间不对局，评分偏差RD会逐渐增大，3个月不对弈，RD会恢复到初始值350。
- 跟可信度高的对弈，评分改变越大，反之就越小。
- 当你棋力突然增强的时候，判定为实力增强时，你的RD值变大，来达到新的合理分数。
这个具体算法公式理解起来有点难，这个是数学统计方面的公式了，感谢的可以研究的这些资料：
https://www.biaodianfu.com/elo-glicko-trueskill.html#Glicko
http://www.glicko.net/research/gdescrip.pdf（论文作者）
几种积分算法的比较
讲到评分系统，这其实是一个数学模型的问题，用一个数字通过合理的数学模型为一群用户的棋力水平进行量化。数学模型没有好坏，用户能理解，够用，合理就行。
中国象棋，目前比较主流的评分系统大概分为2种：
一个是天天象棋——棋力评测的评分系统（业几…），输赢+-固定分数；
一个是职业大师等级分系统的ELO算法；如：王天一（2751），2022.11.17
棋者象棋，采用的是ELO算法的升级版本Glicko-2，之所以采用这个Glicko-2算法，是因为比ELO算法更为科学，严谨。为啥官方协会不采用呢？简单来讲，天天象棋的加减法小学生能算，ELO统计算法人工能算，Glicko-2就必须只能电脑算了，很多棋类协会推出ELO职业等级分的时候，电脑还不够普及，Glicko-2那时只停留论文中。
天天象棋——加减分算法
2011年，QQ游戏-新中国象棋采用的ELO算法，后续2015年推出天天象棋手机版的时候，改成了较为好理解线性加减分的算法，同级别输赢+-10分。当时改成这种的原因，主要因为天天象棋初期的用户是小白为主，这种简单加减法的计算体系小白更容易理解，推广成本低。
到目前为止，相信普通棋友很难理解ELO计分规则，和棋分数高为啥要扣分，赢棋分数高为啥不加分，或者更多我赢那么少，为啥输一次扣这么多。更科学的东西，不一定符合人的常识。
不过，现在这种简单加减法前期易于推广，后期也遇到很大的瓶颈。问题如下：
- 必须只能跟棋力接近的人打；棋力不接近的人对局，它就无法计算分数。比如业9和业1的人对局胜负和积分怎么算，不能算只能让他们不能对局了。
- 无法解决一直想赢的主播，必须作弊的问题。因为主播想要轻松点赢，也有人想要艰难的跟比自己实力强的人对弈，这2类用户本能需求，这种计分体系就无法很好的兼容。
- 线性加减后期在高手，对局数的情况下，大家的分数都是一直线性增长的。分数越大，越无法准确的计算棋力，会导致1个每天对局很多的县冠分数可能会远大于每周打几局的特级大师。
- 大家分数会不断的增长，这对于后加入的高手来讲，要达到自己的分数位置，前期要对局的数量是非常大的。例如：一个大师，实际分数应该在1200分，以初始分-160分来计算，他要连续对局136局才能到达自己真正的水平。这对后续加入的用户来讲，是一个非常差的体验。
ELO算法
由美国国际象棋联合会、FIDE和许多其他在线国际象棋网站使用，很受欢迎有两个原因——它已经存在很长时间了，而且很简单。
它解决了一个核心问题：不同棋力水平的人对弈分数如何结算的问题。
给定两个不同水平的棋手，我们应该能够计算出更好的棋手赢得比赛的几率。例如，王天一有100%的几率击败我5岁的女儿，但他可能只有60%的几率击败另一位大师。因此，当与另一位大师比赛时，如果他在10场比赛中赢了6场，他的评分将保持不变。如果他赢了7场或更多，评分就会上升，5场以下，他的评分就会下降。
简单来讲，A B两个棋力分不同的棋手对弈，根据已有的棋力分计算出A胜B的期望是60%，
那么AB对弈，A得分的期望值是0.6，B得分的期望值是0.4，但是2个人对弈肯定有一个结果。 假如胜+1 和+0.5 负+0，
那么A的实际得分= （实际得分-期望值）*K（波动系数）
K（波动系数），实际对应棋手的棋力水平波动系数，实际经验来看，棋力水平越高水平波动就越小，棋力水平越低，波动系数就越大。 K 是一个按照经验和棋力水平波动规律人工设定的值，比如1400——1600，k=40；1600-1800，k=20。
假如这次K=40，A赢了，A得分=（1-0.6）*40=16
假如这次K=40，A和了，A得分=（0.5-0.6）*40=-4
假如这次K=40，A输了，A得分=（0-0.6）*40=-24
这就是ELO算法中的，输多赢少，和棋会扣分的情况了。
Glicko-2系统
Glicko系统，是一种更现代的方法，建立在上述一些概念的基础上，但使用了更复杂的公式。它必须电脑来计算，在ELO可以人工计算，在电脑还未普及时，Glicko-2只能躺在论文里。
Glicko-2，是ELO衍生而来的，相比ELO，在解决2个分数不同的人对局分数计算问题，它还解决一个人处于某个分数，这个分数可信度如何？这个人在某个分数是否稳定的问题？
同样分数影响可信度的情况：
- 用户对局数不够，分数还未达到稳定期。同样分数，比如初始分1500，A是刚注册的人，B是打了100局还是1500分的人，显然B是1500分的可信度要高于A。
- 长时间不对局，棋力有可能下降。例如一个2000分的高手，1年没有对局了，它的棋力肯定不稳定了，分数也不太可信了。
- 用户经过一段时间训练，棋力突然增强了，这种棋力突变如何更快更敏捷的反应到分数上去。
Glicko系统不仅给每个人评分，而且给每个人一个“RD”，称为评分偏差。基本上这个数字的意思是“我95%确定你的评分在X和Y之间”
RD越大，你的分数越不稳定，每次对局分数变动就会更大。
用户初始积分=1500
用户初始RD=350
那我们有大概确信你在1500+-350（1150，1850）之间，这是国际象棋lichess跑出来的数据。
如果你有一个大的RD，那么你的评分会上下移动得更剧烈，因为你的评分不太准确。但是如果你有一个小的RD，那么你的评分会上下移动得更慢，因为你的评分更准确。你的对手恰恰相反！如果他们有一个高RD，那么你的评级将改变较少，当你赢或输，因为他们的评级是不准确的.但如果他们有一个低RD，那么你的评级将移动更多，因为他们的评级更准确。
最后的想法和思考
多年从事象棋研发，不同评分体系也琢磨过，思考过。
总而言之，不同的评分体系，没有好坏，只是场景和不同阶段应该用什么的问题。他们有几个特性：
- 普通人越容易理解它越不太科学，越科学合理，就越难理解。
- 同一个统计算法，对于不同群体表现是不太一样的，这个跟被统计的人群相关。（不同地区，同一地区不同时间的人群）
by 欢欢
2022.11.17