在当今信息过载的互联网时代,推荐系统特别是团队推荐技术在机器学习和数据挖掘领域有着广泛的应用。而近年来,随着计算机游戏的发展和人类娱乐需求的飞速增长,推荐算法也成为体育游戏中的一个重要内容。实况足球2018(PES2018)是一款非常流行的体育游戏,可以完全模拟真实的足球比赛。影响足球比赛胜负的因素有很多,如果系统能够自动推荐球员,组成一只胜率较高的团队,将大大优化游戏智能并提高玩家的游戏体验。本文假定当球队选择更多各方面熟练的球员,则更易获取比赛的胜利,这意味着团队强弱与其对各项技能的覆盖范围极为相关。因此基于此设定,在保证球员场上位置合适的情况下,本文提出了一种足球技能覆盖函数,作为量化球队实力的目标函数。同时若目标函数具有子模性质,将有利于求解最优解。因此本文证明了目标函数的子模性,从而将足球团队组成问题,建模为一个以团队球员总工资为约束的子模函数最大化问题。为解决上述成本约束的子模函数优化问题,本文提出分界点概念,结合广义贪婪算法与单位成本贪婪算法两种策略,提出了成本有效前瞻选择贪婪算法(Cost-Effective Forward selection Greedy Algorithm,以下简称CEFG算法)来改进传统的贪婪算法。然后基于PES2018的游戏平台进行模拟比赛实验,根据对胜场、净胜球等结果的统计和分析,我们发现在相同的成本约束下,CEFG算法推荐球员组成的球队相比随机团队、游戏现存团队和广义贪婪算法推荐的球队都具有更强的实力,从而验证了本文算法的有效性。