1. 从一场比赛说起为什么我的分数没涨如果你在 CodeForces 上打过几场比赛大概率经历过这种心情比赛结束你觉得自己发挥得还行解出了两三道题排名也还过得去。然后你满怀期待地刷新个人资料页结果发现你的 rating积分纹丝不动甚至可能还掉了几分。你可能会想“这不科学啊我明明比上次多做了题为什么分数没涨” 或者你看到一位朋友他和你解出了同样数量的题目但他的 rating 涨了 100 多分而你只涨了 20 分。这背后就是 CodeForces 那套看似神秘实则逻辑严密的 rating 计算系统在起作用。简单来说CodeForces 的 rating 系统不是简单地根据你的排名或解题数量来加减分。它是一套基于Elo 评级系统变体的动态评分机制。这套系统的核心思想是你的分数变化不仅取决于你自己的表现更取决于你相对于“预期表现”的超出程度。这里的“预期表现”就是系统根据你和所有参赛者赛前的 rating预测你在本场比赛“应该”获得的名次。如果你最终的名次比“预期名次”好你就涨分反之你就掉分。涨跌的幅度则取决于你“超出预期”的程度以及比赛的整体难度。所以理解 rating 的计算关键在于理解两个核心概念预期表现和表现分。这不仅仅是几个公式它直接影响你的参赛策略。比如什么时候该参加 Div.2什么时候可以挑战 Div.1为什么有时候“躺平”反而比“勉强解题”更划算接下来我们就一层层剥开这个系统的外壳看看它到底是怎么运作的以及你该如何利用这个规则更聪明地提升自己的 rating。2. 基石Elo 系统与 CodeForces 的变体要理解 CodeForces 的 rating必须先了解它的老祖宗——Elo 评级系统。这套系统最初由物理学家阿帕德·埃洛Arpád Élő为国际象棋选手设计现在广泛应用于围棋、足球游戏如 FIFA和各种在线竞技平台。2.1 Elo 系统的核心思想概率与期望Elo 系统的核心非常优雅它用单个数字rating来量化一名选手的绝对实力并通过选手间 rating 的差值来预测一场比赛的结果胜负概率。它不是事后诸葛亮而是事先诸葛亮。它的基本公式是假设选手 A 的 rating 是 $R_A$选手 B 的 rating 是 $R_B$。那么在比赛前系统预测 A 战胜 B 的期望得分$E_A$ 为$$E_A \frac{1}{1 10^{(R_B - R_A) / 400}}$$同理B 战胜 A 的期望得分 $E_B$ 为$$E_B \frac{1}{1 10^{(R_A - R_B) / 400}}$$注意这里的“期望得分”在象棋里通常是 1赢、0.5平、0负。所以 $E_A E_B 1$。为什么是 400这个数字是一个缩放因子。rating 相差 400 分意味着高分段选手对低分段选手的预期胜率约为 90%$1/(110^1) \approx 0.09$。这个值被经验证明能较好地反映实力差距。在 CodeForces 中这个因子被保留了下来。比赛结束后根据实际结果 $S_A$赢为1平为0.5负为0选手 A 的新 rating $R_A$ 计算如下$$R_A R_A K \times (S_A - E_A)$$这就是 Elo 系统的灵魂公式。$K$ 是“K 因子”决定了单场比赛 rating 变动的最大幅度。K 值越大波动越剧烈。新手通常有更高的 K 值以便快速定位到其真实水平。$(S_A - E_A)$ 是表现超出预期的部分。如果你赢了预期会输的比赛$S_A1, E_A0.5$这个差值就很大涨分也多。如果你输了预期会赢的比赛$S_A0, E_A0.5$这个差值就是负的掉分也多。如果你表现和预期一致分数就基本不变。2.2 CodeForces 的改造从单挑到混战国际象棋是 1v1但 CodeForces 比赛是成百上千人一起参加的大混战。如何把 1v1 的 Elo 应用到多人排名赛中CodeForces 的创始人 Mike Mirzayanov 采用了一种巧妙的方法虚拟对局法。在 CodeForces 的系统中一场比赛被视作你与其他每一位参赛者都进行了一场虚拟的 1v1 对决。你的最终排名等价于你在所有这些虚拟对局中的总战绩。具体计算步骤如下计算预期排名Seed在比赛开始前根据所有参赛者的旧 rating系统会计算出一个你的“预期排名” $seed_i$。这个 $seed_i$ 的计算公式就是上面 Elo 期望公式的扩展版。它本质上表示在与你 rating 相近的选手中你“预期”能排第几名。这个计算比较复杂但你可以理解为你的 rating 越高你的预期排名就越靠前数字越小。计算表现分Perf比赛结束后根据你的实际排名 $rank_i$系统会反推出一个“表现分”。这个表现分的意思是如果一个 rating 为 $X$ 的选手来参加这场比赛他的预期排名正好是 $rank_i$那么这个 $X$ 就是你的表现分。它反映了你在本场比赛中表现出的绝对水平。更新 rating最后根据你的旧 rating $R_i^{old}$ 和本场表现分 $Perf_i$按照一个类似 Elo 的公式计算新 rating$$R_i^{new} R_i^{old} \frac{Perf_i - R_i^{old}}{3}$$注意这是一个高度简化的核心公式实际计算还有微调我们稍后详解。这里的关键在于你的 rating 变化直接由你的“表现分”和“旧 rating”的差值决定。而你的表现分又由你的实际排名在所有参赛者构成的 rating 分布中的位置决定。这就完美地将多人排名赛转化为了基于 Elo 思想的评分更新。一个重要的类比你可以把 CodeForces 的比赛想象成一次考试。所有考生的“旧 rating”就像是他们过往的平均成绩GPA。考试前老师根据大家的平均成绩预测了一个“预期名次”。考试后老师根据你的实际名次给出了一个“本次考试分数”表现分。你最终的 GPA 更新会向这个“本次考试分数”靠拢但不会完全变成它因为 GPA 是长期平均。CodeForces 的 rating 也是类似的“长期平均实力”的估计。3. 深入计算细节从公式到实际影响了解了核心思想我们来看更具体的计算过程。虽然作为普通用户不需要手动计算但明白其中的关键参数和逻辑能让你对结果有预判。3.1 第一步计算预期排名Seed假设有 $n$ 个参赛者他们的旧 rating 是 $R_1, R_2, ..., R_n$。 对于第 $i$ 个选手他的预期排名 $seed_i$ 计算公式为$$seed_i 1 \sum_{j \neq i} \frac{1}{1 10^{(R_i - R_j) / 400}}$$这个公式是什么意思我们拆解一下对每一个其他选手 $j$计算 $\frac{1}{1 10^{(R_i - R_j) / 400}}$。回想一下 Elo 公式这其实就是选手 $i$ 在虚拟对局中输给选手 $j$ 的期望概率如果 $R_i R_j$这个值小于0.5如果 $R_i R_j$这个值大于0.5。把对所有其他选手的这个“输的概率”加起来再加上 1自己至少是第1名就得到了 $seed_i$。所以$seed_i$ 可以粗略理解为你预期会输给多少个人然后排在他们后面。如果你的 rating 是全场最高你对所有人“输的概率”都很小$seed_i$ 就会接近 1预期冠军。如果你的 rating 是全场最低你对所有人“输的概率”都很大$seed_i$ 就会接近 $n$预期垫底。3.2 第二步从实际排名反推表现分Perf这是计算中最“魔法”的一步。比赛结束你得到了一个实际排名 $rank_i$第几名。 系统要解决的问题是找到一个虚拟的 rating 值 $Perf_i$使得如果用一个 rating 为 $Perf_i$ 的选手替换你他在这场特定比赛对手的 rating 分布固定中的预期排名 $seed(Perf_i)$恰好等于你的实际排名 $rank_i$。即求解方程 $$seed(Perf_i) rank_i$$由于 $seed$ 函数关于 $Perf_i$ 是单调递减的rating越高预期排名越小所以这个方程可以用二分查找高效求解。解出来的 $Perf_i$ 就是你的表现分。这个表现分 $Perf_i$ 的意义极其重大它剥离了比赛具体对手的影响给出了一个“绝对化”的分数来衡量你本次的表现。一场比赛可能因为大神云集而整体表现分很高也可能因为新手居多而整体表现分很低。3.3 第三步计算新 rating得到表现分 $Perf_i$ 后更新公式并不是简单的 $R_i^{new} (R_i^{old} Perf_i)/2$。CodeForces 使用的公式考虑了更多平滑和限制因素。一个广泛认可且接近官方实现的简化版本是首先计算一个未调整的变动值 $delta$ $$delta \frac{Perf_i - R_i^{old}}{3}$$然后对这个 $delta$ 进行一系列限制K 因子衰减对于 rating 较高的选手单场变动幅度会减小。这通过一个隐式的、随 rating 增大的 K 因子来实现但在简化模型中我们可以理解为 $delta$ 本身已经包含了这个衰减除以3就是很强的衰减。最大变动限制单场比赛 rating 的增减通常有一个上限例如对于大多数比赛$|delta|$ 不会超过 200 左右。这是为了防止一次爆冷或崩盘对 rating 造成毁灭性打击。新用户保护对于参加比赛少于 6 场的用户系统会采用一个更激进的算法有时被称为“初始 rating 计算”或“加速收敛”让他们能更快地到达真实水平区间。这通常意味着前几场比赛的 $delta$ 会乘以一个大于1的系数。最终新 rating 为 $$R_i^{new} R_i^{old} delta_{final}$$其中 $delta_{final}$ 是经过上述限制后的最终变动值。实操心得为什么“躺平”有时更优假设你参加一场 Div.2 比赛目标是保 rating。比赛进行到一半你做了 2 题但感觉第三题非常难可能会耗费大量时间且错误提交罚时严重。此时你的预期排名可能在中游。如果你强行开第三题一旦 Wrong Answer罚时会让你排名大幅下滑导致实际排名 $rank_i$ 远差于预期排名 $seed_i$从而 $Perf_i$ 很低$delta$ 为负。反之如果你就此“躺平”不再提交保住当前的排名你的实际排名可能正好等于或略好于预期排名从而 $delta$ 接近零或为正。因此在无法确保正确率的情况下有时“不做不错”是更理性的策略。这在国际象棋 Elo 里也有体现即“和棋保分”策略。4. 影响 rating 变动的四大关键因素理解了公式我们就能系统地分析哪些因素会显著影响你一场比赛后的 rating 变化。4.1 因素一你自身的旧 rating这是你的起点。系统对你的所有预期都基于此。高 rating 选手你的 $seed_i$ 预期很高数字小。要想涨分你必须取得比预期更高的排名这很难。即使你表现很好比如拿了前10但因为大家预期你本来就在前20所以 $Perf_i$ 超出 $R_i^{old}$ 的幅度有限$delta$ 就小。这就是“高处不胜寒”涨分慢掉分相对容易一旦发挥失常排名远低于预期。低 rating 选手你的 $seed_i$ 预期很低数字大。只要你正常发挥排名中游就可能大幅超出预期从而获得可观的 $delta$。这是新手 rating 快速上升期的主要原因。中间 rating 选手这是变动最活跃的区间。表现好坏能清晰地反映在分数上。4.2 因素二对手的整体强度比赛平均 rating这是影响 $Perf_i$ 的关键。$Perf_i$ 是相对于本场比赛对手 rating 分布计算出来的。“神仙局”如果一场比赛吸引了很多 rating 极高的“神仙”比如 Div.1 比赛或 Div.2 中有很多“小号”那么整体 rating 分布右移。在这种情况下即使你取得一个不错的绝对排名你的 $Perf_i$ 也可能很高因为系统认为你在强者如林的比赛中表现优异。反之如果你的 $Perf_i$ 很高但你的旧 rating 更高你可能还是会掉分因为系统预期你应该表现得更好。“鱼塘局”如果一场比赛新手居多平均 rating 较低。那么即使你拿了第一名你的 $Perf_i$ 也可能不会太高因为系统认为你只是在一群较弱选手中胜出。这就是为什么有些人在某些场次夺冠后涨分不多的原因之一。4.3 因素三你的实际排名这是最直接的因素。$rank_i$ 直接用于求解 $Perf_i$。非线性影响排名变化对 rating 的影响不是线性的。从第 500 名提升到第 400 名带来的分数提升可能远小于从第 100 名提升到第 50 名。因为排名越靠前竞争者的 rating 越高每提升一个名次都需要超越更强的对手因此带来的“表现分”提升也越大。罚时的影响在排名相同时解题数相同罚时更少者排名靠前。因此罚时直接影响 $rank_i$。一个 Wrong Answer 不仅带来 10 分钟罚时还可能让你落后几十个名次从而显著拉低你的 $Perf_i$。追求正确率永远是第一位的。4.4 因素四比赛的权重与特殊规则并非所有比赛都对 rating 有相同的影响。常规 Rated Rounds这是最主要的 rating 来源。Div.1, Div.2, Div.3, Div.4 以及一些教育场、全球场都属于此类。它们遵循上述核心规则。比赛类型的影响Div.1 和 Div.2 同时进行的比赛Common Rounds中Div.2 选手的 rating 计算只考虑 Div.2 及以下的选手Div.1 选手被视为一个固定的“高墙”他们的存在会影响 Div.2 选手的 $Perf_i$ 计算但 Div.2 选手之间内部排名。这保证了评级的公平性。非 Rated 比赛如 April Fools‘ Day Contest或明确标注为 “Unrated” 的比赛不计算 rating。初始比赛前 5-6 场比赛系统会采用特殊算法快速校准你的初始 rating波动会非常大。通常这几次比赛后你会获得一个初始 rating比如 1500 左右然后进入常规更新模式。5. 实战策略如何利用规则科学上分理论最终要服务于实践。知道了 rating 怎么算我们就能制定更聪明的策略。5.1 策略一选择合适的比赛场次目标最大化“超出预期”的可能性。对于 rating 较低的选手1600积极参加 Div.3, Div.4 比赛。这些比赛平均 rating 较低你更容易取得远超预期的排名从而获得高 $delta$。在 Div.2 中你可能会因为对手整体较强而难以超出预期。对于 rating 中等的选手1600-1900Div.2 是主战场。可以偶尔挑战 Div.1如果比赛是 Div.1Div.2 联合场但要做好心理准备可能因为预期排名低而掉分除非你有超常发挥。对于 rating 较高的选手1900稳定在 Div.1。参加 Div.2 对你 rating 提升帮助极小因为即使夺冠你的 $Perf_i$ 也可能低于你当前的 $R_i^{old}$比赛平均 rating 低于你导致 $delta$ 为负。高分段提升主要靠在与同级别或更高级别选手的对抗中稳定发挥。5.2 策略二管理比赛中的风险与收益前期稳扎稳打比赛开始后的第一小时优先解决最有把握的题目通常是 A, B 题。确保这些题目一次通过避免罚时。这能为你建立一个安全的排名基础确保你的实际排名 $rank_i$ 不会太差。中期评估预期在解决完基础题后花几分钟看看排行榜。估算一下自己当前的排名以及解决下一道题可能提升的名次。如果下一题看起来很难且当前排名已经接近或优于你的预期排名对于你的 rating那么冒险开难题可能得不偿失。此时检查已有代码的正确性、优化输入输出甚至“躺平”保排名可能是更优选择。后期谨慎冲刺比赛最后时刻除非有绝对把握否则不要提交未经充分测试的代码。一个最后的 Wrong Answer 带来的罚时可能让你掉几十上百个名次对 $Perf_i$ 的打击是巨大的。5.3 策略三理解并利用“表现分”的滞后性rating 系统反映的是长期趋势单场比赛的 $Perf_i$ 波动很大。不要因为一场比赛 $Perf_i$ 奇高或奇低而过度兴奋或沮丧。持续稳定的表现才是关键系统设计使得 rating 趋向于你的长期平均表现分。如果你实力确实在提升那么在多场比赛中你的 $Perf_i$ 会持续高于你的旧 rating从而推动 rating 稳步上涨。避免“赌徒心态”不要为了追求一场比赛的高 $Perf_i$ 而去参加明显超出自己能力范围的比赛比如一个 1700 分的选手硬刚 Div.1。大概率的结果是 $Perf_i$ 远低于 $R_i^{old}$导致 rating 暴跌。分析赛后数据Codeforces 的 rating 变化页面会显示你的 $Perf_i$。多关注这个数据而不是单纯的分数增减。如果你的 $Perf_i$ 连续几场都稳定在某个值比如 1800那么你的真实水平就在 1800 左右当前 rating 会逐渐向它靠拢。6. 常见误区与疑难解答在实际社区讨论中关于 rating 总有一些反复出现的问题和误解。6.1 误区一“我做出了更多题为什么 rating 还掉了”这是最常见的困惑。原因在于rating 变化取决于相对表现而非绝对解题数。场景你上次比赛 rating 1500做出了 2 题排名 1500/5000。这次比赛你做出了 3 题但排名是 1800/6000。分析虽然你多做了 1 题但本次比赛可能整体更简单或者高手更多导致你的相对排名百分比反而下降了。你的实际排名 $rank_i$ 比系统根据你旧 rating 预测的 $seed_i$ 要差所以 $Perf_i R_i^{old}$rating 下降。核心不要只盯着解题数要关注你在所有参赛者中的百分比排名。6.2 误区二“我和朋友解了同样多的题为什么他涨分比我多很多”这通常是由于两人赛前 rating 不同。场景A 选手旧 rating 1200B 选手旧 rating 1600。他们都解出了 3 题排名分别是 800 和 1000。分析对于 A 选手旧 rating 1200预期排名 $seed_A$ 可能很靠后比如 2500。实际排名 800 远超预期因此 $Perf_A$ 很高$delta$ 很大涨分多。对于 B 选手旧 rating 1600预期排名 $seed_B$ 可能就在 1000 左右。实际排名 1000 刚好符合预期因此 $Perf_B \approx R_B^{old}$$delta$ 很小涨分少甚至不涨。核心rating 系统是“劫富济贫”的。低分选手超越预期更容易高分选手则更难。6.3 误区三“初始 rating 计算是不是有 bug为什么我第一场打完分数那么怪”初始 rating 计算前 5-6 场确实有一套独立且更复杂的算法目的是快速将你从默认的 1500 分拉到接近你真实水平的区间。现象你可能第一场表现平平却获得很高的 rating比如 1900或者表现很好但 rating 却不高。解释初始算法会给你一个虚拟的“历史表现”并可能赋予更高的 K 因子导致波动剧烈。通常打完 5-6 场后你的 rating 会稳定下来并开始遵循常规的更新规则。不要过于纠结最初几场的分数它们不代表你的稳定水平。6.4 疑难为什么有时比赛后 rating 更新很慢Codeforces 的 rating 更新不是实时的。比赛结束后需要经过以下步骤系统测试对所有提交的代码在更全面的测试用例上重新运行检测是否有人通过非正当手段如抄袭、利用漏洞通过题目。这个过程可能需要数小时。计算与审核系统根据最终确定的排名考虑系统测试的结果计算所有人的 rating 变化。管理员会进行最终审核。发布审核无误后rating 更新才会推送给所有用户。因此从比赛结束到看到 rating 变化间隔 5-10 小时是正常现象。7. 进阶从 rating 到真实能力的映射Rating 是一个有用的度量但它不是全部。沉迷于分数本身可能会走入误区。7.1 rating 的局限性反映的是竞技状态而非纯粹知识rating 高低很大程度上取决于你在限时比赛中的发挥包括解题速度、策略选择、心理素质。一个知识渊博但解题慢的选手rating 可能不如一个知识面稍窄但手速快的选手。存在运气成分题目风格是否对你胃口、比赛时的状态、甚至网络延迟都会单场影响排名和 rating。不能完全跨平台比较Codeforces 的 rating 系统和 AtCoder、TopCoder 等平台不同直接比较数字没有意义。7.2 如何正确看待和使用 rating作为进步的标尺关注 rating 的长期趋势线而不是单场波动。如果曲线整体向上说明你在进步。作为匹配工具rating 能帮你找到水平相近的对手和题目。Codeforces 的题目都有推荐 rating可以根据自己的 rating 选择合适的题目练习。设立阶段性目标将 rating 提升作为阶段性目标如“下个月达到 1700”可以带来动力但不要将其作为唯一目标。更重要的是解决问题的能力真正有价值的是通过比赛和练习你掌握的算法、数据结构、以及分析解决新问题的能力。这些能力而不是 rating 数字会在你的职业生涯中持续发挥作用。我个人在从蓝名Candidate Master向紫名Master冲击的过程中曾经过度关注每一场的 rating 变化导致比赛时心态失衡。后来我调整策略将目标定为“每场比赛至少深入理解并掌握一道新题目的解法”rating 反而在更放松的状态下稳步提升了。记住rating 是系统对你长期表现的一个估计而你的成长远不止于这个数字。专注于解决更有挑战性的问题享受思维碰撞的乐趣那个数字自然会跟上你的脚步。 
长河君 · 2026/8/2 21:16:27 · 阅读 1.2k Codeforces Rating系统详解：从Elo原理到实战上分策略
1. 从一场比赛说起为什么我的分数没涨如果你在 CodeForces 上打过几场比赛大概率经历过这种心情比赛结束你觉得自己发挥得还行解出了两三道题排名也还过得去。然后你满怀期待地刷新个人资料页结果发现你的 rating积分纹丝不动甚至可能还掉了几分。你可能会想“这不科学啊我明明比上次多做了题为什么分数没涨” 或者你看到一位朋友他和你解出了同样数量的题目但他的 rating 涨了 100 多分而你只涨了 20 分。这背后就是 CodeForces 那套看似神秘实则逻辑严密的 rating 计算系统在起作用。简单来说CodeForces 的 rating 系统不是简单地根据你的排名或解题数量来加减分。它是一套基于Elo 评级系统变体的动态评分机制。这套系统的核心思想是你的分数变化不仅取决于你自己的表现更取决于你相对于“预期表现”的超出程度。这里的“预期表现”就是系统根据你和所有参赛者赛前的 rating预测你在本场比赛“应该”获得的名次。如果你最终的名次比“预期名次”好你就涨分反之你就掉分。涨跌的幅度则取决于你“超出预期”的程度以及比赛的整体难度。所以理解 rating 的计算关键在于理解两个核心概念预期表现和表现分。这不仅仅是几个公式它直接影响你的参赛策略。比如什么时候该参加 Div.2什么时候可以挑战 Div.1为什么有时候“躺平”反而比“勉强解题”更划算接下来我们就一层层剥开这个系统的外壳看看它到底是怎么运作的以及你该如何利用这个规则更聪明地提升自己的 rating。2. 基石Elo 系统与 CodeForces 的变体要理解 CodeForces 的 rating必须先了解它的老祖宗——Elo 评级系统。这套系统最初由物理学家阿帕德·埃洛Arpád Élő为国际象棋选手设计现在广泛应用于围棋、足球游戏如 FIFA和各种在线竞技平台。2.1 Elo 系统的核心思想概率与期望Elo 系统的核心非常优雅它用单个数字rating来量化一名选手的绝对实力并通过选手间 rating 的差值来预测一场比赛的结果胜负概率。它不是事后诸葛亮而是事先诸葛亮。它的基本公式是假设选手 A 的 rating 是 $R_A$选手 B 的 rating 是 $R_B$。那么在比赛前系统预测 A 战胜 B 的期望得分$E_A$ 为$$E_A \frac{1}{1 10^{(R_B - R_A) / 400}}$$同理B 战胜 A 的期望得分 $E_B$ 为$$E_B \frac{1}{1 10^{(R_A - R_B) / 400}}$$注意这里的“期望得分”在象棋里通常是 1赢、0.5平、0负。所以 $E_A E_B 1$。为什么是 400这个数字是一个缩放因子。rating 相差 400 分意味着高分段选手对低分段选手的预期胜率约为 90%$1/(110^1) \approx 0.09$。这个值被经验证明能较好地反映实力差距。在 CodeForces 中这个因子被保留了下来。比赛结束后根据实际结果 $S_A$赢为1平为0.5负为0选手 A 的新 rating $R_A$ 计算如下$$R_A R_A K \times (S_A - E_A)$$这就是 Elo 系统的灵魂公式。$K$ 是“K 因子”决定了单场比赛 rating 变动的最大幅度。K 值越大波动越剧烈。新手通常有更高的 K 值以便快速定位到其真实水平。$(S_A - E_A)$ 是表现超出预期的部分。如果你赢了预期会输的比赛$S_A1, E_A0.5$这个差值就很大涨分也多。如果你输了预期会赢的比赛$S_A0, E_A0.5$这个差值就是负的掉分也多。如果你表现和预期一致分数就基本不变。2.2 CodeForces 的改造从单挑到混战国际象棋是 1v1但 CodeForces 比赛是成百上千人一起参加的大混战。如何把 1v1 的 Elo 应用到多人排名赛中CodeForces 的创始人 Mike Mirzayanov 采用了一种巧妙的方法虚拟对局法。在 CodeForces 的系统中一场比赛被视作你与其他每一位参赛者都进行了一场虚拟的 1v1 对决。你的最终排名等价于你在所有这些虚拟对局中的总战绩。具体计算步骤如下计算预期排名Seed在比赛开始前根据所有参赛者的旧 rating系统会计算出一个你的“预期排名” $seed_i$。这个 $seed_i$ 的计算公式就是上面 Elo 期望公式的扩展版。它本质上表示在与你 rating 相近的选手中你“预期”能排第几名。这个计算比较复杂但你可以理解为你的 rating 越高你的预期排名就越靠前数字越小。计算表现分Perf比赛结束后根据你的实际排名 $rank_i$系统会反推出一个“表现分”。这个表现分的意思是如果一个 rating 为 $X$ 的选手来参加这场比赛他的预期排名正好是 $rank_i$那么这个 $X$ 就是你的表现分。它反映了你在本场比赛中表现出的绝对水平。更新 rating最后根据你的旧 rating $R_i^{old}$ 和本场表现分 $Perf_i$按照一个类似 Elo 的公式计算新 rating$$R_i^{new} R_i^{old} \frac{Perf_i - R_i^{old}}{3}$$注意这是一个高度简化的核心公式实际计算还有微调我们稍后详解。这里的关键在于你的 rating 变化直接由你的“表现分”和“旧 rating”的差值决定。而你的表现分又由你的实际排名在所有参赛者构成的 rating 分布中的位置决定。这就完美地将多人排名赛转化为了基于 Elo 思想的评分更新。一个重要的类比你可以把 CodeForces 的比赛想象成一次考试。所有考生的“旧 rating”就像是他们过往的平均成绩GPA。考试前老师根据大家的平均成绩预测了一个“预期名次”。考试后老师根据你的实际名次给出了一个“本次考试分数”表现分。你最终的 GPA 更新会向这个“本次考试分数”靠拢但不会完全变成它因为 GPA 是长期平均。CodeForces 的 rating 也是类似的“长期平均实力”的估计。3. 深入计算细节从公式到实际影响了解了核心思想我们来看更具体的计算过程。虽然作为普通用户不需要手动计算但明白其中的关键参数和逻辑能让你对结果有预判。3.1 第一步计算预期排名Seed假设有 $n$ 个参赛者他们的旧 rating 是 $R_1, R_2, ..., R_n$。 对于第 $i$ 个选手他的预期排名 $seed_i$ 计算公式为$$seed_i 1 \sum_{j \neq i} \frac{1}{1 10^{(R_i - R_j) / 400}}$$这个公式是什么意思我们拆解一下对每一个其他选手 $j$计算 $\frac{1}{1 10^{(R_i - R_j) / 400}}$。回想一下 Elo 公式这其实就是选手 $i$ 在虚拟对局中输给选手 $j$ 的期望概率如果 $R_i R_j$这个值小于0.5如果 $R_i R_j$这个值大于0.5。把对所有其他选手的这个“输的概率”加起来再加上 1自己至少是第1名就得到了 $seed_i$。所以$seed_i$ 可以粗略理解为你预期会输给多少个人然后排在他们后面。如果你的 rating 是全场最高你对所有人“输的概率”都很小$seed_i$ 就会接近 1预期冠军。如果你的 rating 是全场最低你对所有人“输的概率”都很大$seed_i$ 就会接近 $n$预期垫底。3.2 第二步从实际排名反推表现分Perf这是计算中最“魔法”的一步。比赛结束你得到了一个实际排名 $rank_i$第几名。 系统要解决的问题是找到一个虚拟的 rating 值 $Perf_i$使得如果用一个 rating 为 $Perf_i$ 的选手替换你他在这场特定比赛对手的 rating 分布固定中的预期排名 $seed(Perf_i)$恰好等于你的实际排名 $rank_i$。即求解方程 $$seed(Perf_i) rank_i$$由于 $seed$ 函数关于 $Perf_i$ 是单调递减的rating越高预期排名越小所以这个方程可以用二分查找高效求解。解出来的 $Perf_i$ 就是你的表现分。这个表现分 $Perf_i$ 的意义极其重大它剥离了比赛具体对手的影响给出了一个“绝对化”的分数来衡量你本次的表现。一场比赛可能因为大神云集而整体表现分很高也可能因为新手居多而整体表现分很低。3.3 第三步计算新 rating得到表现分 $Perf_i$ 后更新公式并不是简单的 $R_i^{new} (R_i^{old} Perf_i)/2$。CodeForces 使用的公式考虑了更多平滑和限制因素。一个广泛认可且接近官方实现的简化版本是首先计算一个未调整的变动值 $delta$ $$delta \frac{Perf_i - R_i^{old}}{3}$$然后对这个 $delta$ 进行一系列限制K 因子衰减对于 rating 较高的选手单场变动幅度会减小。这通过一个隐式的、随 rating 增大的 K 因子来实现但在简化模型中我们可以理解为 $delta$ 本身已经包含了这个衰减除以3就是很强的衰减。最大变动限制单场比赛 rating 的增减通常有一个上限例如对于大多数比赛$|delta|$ 不会超过 200 左右。这是为了防止一次爆冷或崩盘对 rating 造成毁灭性打击。新用户保护对于参加比赛少于 6 场的用户系统会采用一个更激进的算法有时被称为“初始 rating 计算”或“加速收敛”让他们能更快地到达真实水平区间。这通常意味着前几场比赛的 $delta$ 会乘以一个大于1的系数。最终新 rating 为 $$R_i^{new} R_i^{old} delta_{final}$$其中 $delta_{final}$ 是经过上述限制后的最终变动值。实操心得为什么“躺平”有时更优假设你参加一场 Div.2 比赛目标是保 rating。比赛进行到一半你做了 2 题但感觉第三题非常难可能会耗费大量时间且错误提交罚时严重。此时你的预期排名可能在中游。如果你强行开第三题一旦 Wrong Answer罚时会让你排名大幅下滑导致实际排名 $rank_i$ 远差于预期排名 $seed_i$从而 $Perf_i$ 很低$delta$ 为负。反之如果你就此“躺平”不再提交保住当前的排名你的实际排名可能正好等于或略好于预期排名从而 $delta$ 接近零或为正。因此在无法确保正确率的情况下有时“不做不错”是更理性的策略。这在国际象棋 Elo 里也有体现即“和棋保分”策略。4. 影响 rating 变动的四大关键因素理解了公式我们就能系统地分析哪些因素会显著影响你一场比赛后的 rating 变化。4.1 因素一你自身的旧 rating这是你的起点。系统对你的所有预期都基于此。高 rating 选手你的 $seed_i$ 预期很高数字小。要想涨分你必须取得比预期更高的排名这很难。即使你表现很好比如拿了前10但因为大家预期你本来就在前20所以 $Perf_i$ 超出 $R_i^{old}$ 的幅度有限$delta$ 就小。这就是“高处不胜寒”涨分慢掉分相对容易一旦发挥失常排名远低于预期。低 rating 选手你的 $seed_i$ 预期很低数字大。只要你正常发挥排名中游就可能大幅超出预期从而获得可观的 $delta$。这是新手 rating 快速上升期的主要原因。中间 rating 选手这是变动最活跃的区间。表现好坏能清晰地反映在分数上。4.2 因素二对手的整体强度比赛平均 rating这是影响 $Perf_i$ 的关键。$Perf_i$ 是相对于本场比赛对手 rating 分布计算出来的。“神仙局”如果一场比赛吸引了很多 rating 极高的“神仙”比如 Div.1 比赛或 Div.2 中有很多“小号”那么整体 rating 分布右移。在这种情况下即使你取得一个不错的绝对排名你的 $Perf_i$ 也可能很高因为系统认为你在强者如林的比赛中表现优异。反之如果你的 $Perf_i$ 很高但你的旧 rating 更高你可能还是会掉分因为系统预期你应该表现得更好。“鱼塘局”如果一场比赛新手居多平均 rating 较低。那么即使你拿了第一名你的 $Perf_i$ 也可能不会太高因为系统认为你只是在一群较弱选手中胜出。这就是为什么有些人在某些场次夺冠后涨分不多的原因之一。4.3 因素三你的实际排名这是最直接的因素。$rank_i$ 直接用于求解 $Perf_i$。非线性影响排名变化对 rating 的影响不是线性的。从第 500 名提升到第 400 名带来的分数提升可能远小于从第 100 名提升到第 50 名。因为排名越靠前竞争者的 rating 越高每提升一个名次都需要超越更强的对手因此带来的“表现分”提升也越大。罚时的影响在排名相同时解题数相同罚时更少者排名靠前。因此罚时直接影响 $rank_i$。一个 Wrong Answer 不仅带来 10 分钟罚时还可能让你落后几十个名次从而显著拉低你的 $Perf_i$。追求正确率永远是第一位的。4.4 因素四比赛的权重与特殊规则并非所有比赛都对 rating 有相同的影响。常规 Rated Rounds这是最主要的 rating 来源。Div.1, Div.2, Div.3, Div.4 以及一些教育场、全球场都属于此类。它们遵循上述核心规则。比赛类型的影响Div.1 和 Div.2 同时进行的比赛Common Rounds中Div.2 选手的 rating 计算只考虑 Div.2 及以下的选手Div.1 选手被视为一个固定的“高墙”他们的存在会影响 Div.2 选手的 $Perf_i$ 计算但 Div.2 选手之间内部排名。这保证了评级的公平性。非 Rated 比赛如 April Fools‘ Day Contest或明确标注为 “Unrated” 的比赛不计算 rating。初始比赛前 5-6 场比赛系统会采用特殊算法快速校准你的初始 rating波动会非常大。通常这几次比赛后你会获得一个初始 rating比如 1500 左右然后进入常规更新模式。5. 实战策略如何利用规则科学上分理论最终要服务于实践。知道了 rating 怎么算我们就能制定更聪明的策略。5.1 策略一选择合适的比赛场次目标最大化“超出预期”的可能性。对于 rating 较低的选手1600积极参加 Div.3, Div.4 比赛。这些比赛平均 rating 较低你更容易取得远超预期的排名从而获得高 $delta$。在 Div.2 中你可能会因为对手整体较强而难以超出预期。对于 rating 中等的选手1600-1900Div.2 是主战场。可以偶尔挑战 Div.1如果比赛是 Div.1Div.2 联合场但要做好心理准备可能因为预期排名低而掉分除非你有超常发挥。对于 rating 较高的选手1900稳定在 Div.1。参加 Div.2 对你 rating 提升帮助极小因为即使夺冠你的 $Perf_i$ 也可能低于你当前的 $R_i^{old}$比赛平均 rating 低于你导致 $delta$ 为负。高分段提升主要靠在与同级别或更高级别选手的对抗中稳定发挥。5.2 策略二管理比赛中的风险与收益前期稳扎稳打比赛开始后的第一小时优先解决最有把握的题目通常是 A, B 题。确保这些题目一次通过避免罚时。这能为你建立一个安全的排名基础确保你的实际排名 $rank_i$ 不会太差。中期评估预期在解决完基础题后花几分钟看看排行榜。估算一下自己当前的排名以及解决下一道题可能提升的名次。如果下一题看起来很难且当前排名已经接近或优于你的预期排名对于你的 rating那么冒险开难题可能得不偿失。此时检查已有代码的正确性、优化输入输出甚至“躺平”保排名可能是更优选择。后期谨慎冲刺比赛最后时刻除非有绝对把握否则不要提交未经充分测试的代码。一个最后的 Wrong Answer 带来的罚时可能让你掉几十上百个名次对 $Perf_i$ 的打击是巨大的。5.3 策略三理解并利用“表现分”的滞后性rating 系统反映的是长期趋势单场比赛的 $Perf_i$ 波动很大。不要因为一场比赛 $Perf_i$ 奇高或奇低而过度兴奋或沮丧。持续稳定的表现才是关键系统设计使得 rating 趋向于你的长期平均表现分。如果你实力确实在提升那么在多场比赛中你的 $Perf_i$ 会持续高于你的旧 rating从而推动 rating 稳步上涨。避免“赌徒心态”不要为了追求一场比赛的高 $Perf_i$ 而去参加明显超出自己能力范围的比赛比如一个 1700 分的选手硬刚 Div.1。大概率的结果是 $Perf_i$ 远低于 $R_i^{old}$导致 rating 暴跌。分析赛后数据Codeforces 的 rating 变化页面会显示你的 $Perf_i$。多关注这个数据而不是单纯的分数增减。如果你的 $Perf_i$ 连续几场都稳定在某个值比如 1800那么你的真实水平就在 1800 左右当前 rating 会逐渐向它靠拢。6. 常见误区与疑难解答在实际社区讨论中关于 rating 总有一些反复出现的问题和误解。6.1 误区一“我做出了更多题为什么 rating 还掉了”这是最常见的困惑。原因在于rating 变化取决于相对表现而非绝对解题数。场景你上次比赛 rating 1500做出了 2 题排名 1500/5000。这次比赛你做出了 3 题但排名是 1800/6000。分析虽然你多做了 1 题但本次比赛可能整体更简单或者高手更多导致你的相对排名百分比反而下降了。你的实际排名 $rank_i$ 比系统根据你旧 rating 预测的 $seed_i$ 要差所以 $Perf_i R_i^{old}$rating 下降。核心不要只盯着解题数要关注你在所有参赛者中的百分比排名。6.2 误区二“我和朋友解了同样多的题为什么他涨分比我多很多”这通常是由于两人赛前 rating 不同。场景A 选手旧 rating 1200B 选手旧 rating 1600。他们都解出了 3 题排名分别是 800 和 1000。分析对于 A 选手旧 rating 1200预期排名 $seed_A$ 可能很靠后比如 2500。实际排名 800 远超预期因此 $Perf_A$ 很高$delta$ 很大涨分多。对于 B 选手旧 rating 1600预期排名 $seed_B$ 可能就在 1000 左右。实际排名 1000 刚好符合预期因此 $Perf_B \approx R_B^{old}$$delta$ 很小涨分少甚至不涨。核心rating 系统是“劫富济贫”的。低分选手超越预期更容易高分选手则更难。6.3 误区三“初始 rating 计算是不是有 bug为什么我第一场打完分数那么怪”初始 rating 计算前 5-6 场确实有一套独立且更复杂的算法目的是快速将你从默认的 1500 分拉到接近你真实水平的区间。现象你可能第一场表现平平却获得很高的 rating比如 1900或者表现很好但 rating 却不高。解释初始算法会给你一个虚拟的“历史表现”并可能赋予更高的 K 因子导致波动剧烈。通常打完 5-6 场后你的 rating 会稳定下来并开始遵循常规的更新规则。不要过于纠结最初几场的分数它们不代表你的稳定水平。6.4 疑难为什么有时比赛后 rating 更新很慢Codeforces 的 rating 更新不是实时的。比赛结束后需要经过以下步骤系统测试对所有提交的代码在更全面的测试用例上重新运行检测是否有人通过非正当手段如抄袭、利用漏洞通过题目。这个过程可能需要数小时。计算与审核系统根据最终确定的排名考虑系统测试的结果计算所有人的 rating 变化。管理员会进行最终审核。发布审核无误后rating 更新才会推送给所有用户。因此从比赛结束到看到 rating 变化间隔 5-10 小时是正常现象。7. 进阶从 rating 到真实能力的映射Rating 是一个有用的度量但它不是全部。沉迷于分数本身可能会走入误区。7.1 rating 的局限性反映的是竞技状态而非纯粹知识rating 高低很大程度上取决于你在限时比赛中的发挥包括解题速度、策略选择、心理素质。一个知识渊博但解题慢的选手rating 可能不如一个知识面稍窄但手速快的选手。存在运气成分题目风格是否对你胃口、比赛时的状态、甚至网络延迟都会单场影响排名和 rating。不能完全跨平台比较Codeforces 的 rating 系统和 AtCoder、TopCoder 等平台不同直接比较数字没有意义。7.2 如何正确看待和使用 rating作为进步的标尺关注 rating 的长期趋势线而不是单场波动。如果曲线整体向上说明你在进步。作为匹配工具rating 能帮你找到水平相近的对手和题目。Codeforces 的题目都有推荐 rating可以根据自己的 rating 选择合适的题目练习。设立阶段性目标将 rating 提升作为阶段性目标如“下个月达到 1700”可以带来动力但不要将其作为唯一目标。更重要的是解决问题的能力真正有价值的是通过比赛和练习你掌握的算法、数据结构、以及分析解决新问题的能力。这些能力而不是 rating 数字会在你的职业生涯中持续发挥作用。我个人在从蓝名Candidate Master向紫名Master冲击的过程中曾经过度关注每一场的 rating 变化导致比赛时心态失衡。后来我调整策略将目标定为“每场比赛至少深入理解并掌握一道新题目的解法”rating 反而在更放松的状态下稳步提升了。记住rating 是系统对你长期表现的一个估计而你的成长远不止于这个数字。专注于解决更有挑战性的问题享受思维碰撞的乐趣那个数字自然会跟上你的脚步。