作者：NGA-ktr_Nozomi
模型假设及数据说明：
1. 玩家水平表示：[0, 100]之间的某个浮点数，数值越大该玩家水平越高，代码中对应参数为personal_rate(缩写pr)。
2. 玩家分布：共计500个玩家，其中[80, 100]共50个，[60, 80]共100个，[80, 200]共350个。比例为1:2:7。
3. 等待队列分布：从整个玩家池子中随机选200个，理论上比例依然是1:2:7。
4. 匹配机制：这里的模型非常简略，没有考虑舰船等级与种类，也没有考虑组队，更没有考虑地图和出生位置等等等等。
(1)正常随机匹配：200个玩家中随机找24个，随机分成两队。
(2)“胜率制裁”匹配：200个玩家中随机找24个，按近5场胜率从高到低排序。然后分队如下：top2胜率的与bottom10胜率的为一队，剩余为一队。
5. 胜利规则
给定两队，计算其总pr的差值x，然后利用tanh函数将其放缩到[0, 1)，具体公式为p=(tanh(x) 1)/2。pr总值高的将以概率p赢得胜利。如若两队pr差不多，则随机令一方胜利(并没有考虑平局)。
6. 每个玩家大约参与2000场战斗。
可视化结果：
1. 正常随机匹配
图1的横轴为个人pr，纵轴为胜率。
图2的横轴为个人pr，纵轴为总场次。其主要目的在于说明每个玩家玩的场次差不多。
图3的表示前50pr玩家总计连胜x场的次数y。蓝色为连败，橙色为连胜。
2. “胜率制裁”匹配
图例读法和正常随机匹配一致。
奇怪的结论：
1. 在有明显的“胜率制裁”的情形下，高端玩家的总胜率并不受到影响。
2. 在有明显的“胜率制裁”的情形下，高端玩家从五连胜开始，次数很反常。
其实我更想知道1和2的数学解释？统计和概率还是不一样的，我只会简单的概率(简单的概率也不会，狗头保命)，有没有统计专业的大佬说说的。
3. 这个模型对参数非常敏感，2个大佬带10个海猴、3个大佬带9个海猴，结果都会出现较大的变化，我就不一一贴图了。
还有其他的一些“胜率制裁”方式我也没一一调试了(毕竟不是写论文)。
我自己的体验(295场X64.07%，369场IX65.31%，577场VIII63.78%)是，连胜好像确实挺多……
如果对模型有异议大家可以提出来，有兴趣的小伙伴可以check一下有没有实现错误或者改改模型、参数啥的
(有机器学习调参内味儿了)
