Luogu-Rating-Predictor

本项目受 Codeforces rating 预测项目 https://github.com/Patchouli-7/Patchouli-7.github.io 启发，借用了其预测公式。

一个洛谷 -> Codeforces Rating预测小网页。旨在通过统计用户在洛谷的做题情况，预测其 Codeforces Rating 。

预测思路

1. 数据来源

   • 从用户的 user.json 文件中读取 passedProblems。
   • 每道题包含难度等级 difficulty（1~7）。

2. 难度与 Codeforces Rating 对应关系

   洛谷难度等级	名称	对应 CF Rating
   1	入门	800
   2	普及−	1000
   3	普及/提高−	1400
   4	普及+/提高	1800
   5	提高+/省选−	2200
   6	省选/NOI−	2700
   7	NOI/NOI+/CTSC	3200

   相关数据来源：https://codeforces.com/blog/entry/131266

   提醒：由于难度映射较为粗糙，虽然预测时倾向于保守，结果也仅供参考，请勿过度解读！

3. 逐题更新 Rating

   • 从初始值 800 开始，按模拟做题顺序（由易到难）依次更新预测 rating。
   • 每道题的贡献与题目难度、当前预测值和递减效应相关。

原理

2.1 放大因子 φ

$$\phi = 1 + k \cdot \left(\frac{i}{N}\right)^p$$

• $i$ = 当前做题数
• $N$ = 总做题数
• $k, p$ = 固定参数
• 随着做题进度，题目难度的权重逐渐放大。

2.2 题目映射难度

$$mapped = 800 + (rating - 800) \cdot \phi$$

2.3 边际收益递减

$$base_w = i^{\alpha} - (i-1)^{\alpha}$$

• $α$ 控制递减速度
• $i$ 越大，单题收益越小。

2.4 Sigmoid 缩放

$$scale = \frac{1}{1 + e^{-\Delta / L}}$$

• $Δ$ = $mapped$ - 当前 $rating (R)$
• $L$ 控制缩放平滑度
• 防止单道高难题导致 $rating$ 暴涨。

2.5 Elo 期望

$$expected = \frac{1}{1 + 10^{\Delta / 400}}$$

• $Δ$ 越大 → 期望越低 → 解出高难题收益越大。

2.6 更新公式

$$R \;+=\; K \cdot (1 - expected) \cdot base_w \cdot scale$$

关键参数与作用

参数	设定值	作用	影响
K_FIXED	230	每道题的最大贡献系数。	与收益整体正相关
L_FIXED	660	控制高难题收益缩放。	与单题涨分负相关。
ALPHA	0.4625	控制递减效应。	与边际收益下降正相关。
k	0.65	放大因子强度。	与难度收益正相关。
p_exp	3.5	放大因子指数。	与难度收益正相关。

说明：由于难度映射较为粗糙，单题收益和难题收益相比参考模型分别放缩至 $90%$ 和 $110%$ ，使获得的预测结果更保守。

使用方法

1. 打开洛谷个人主页，网址形式应当如下：

   https://www.luogu.com.cn/user/uid
   

   其中 uid 为用户编号。在最后加上 ?_contentOnly=1 ，回车，即访问如下网址：

   https://www.luogu.com.cn/user/uid?_contentOnly=1
   

2. 右键保存该页面，得到 uid.json 文件。

3. 打开 index.html 或访问 https://endeavourchn.github.io/Luogu-Rating-Predictor/ (GitHub静态托管访问较慢，请视情况选择)，选择刚刚下载的uid.json文件，预测结果即刻呈现。

贡献

若有建议与想法，欢迎提交 Pull Request 或是创建 Issues！