神经网络和启发式算法混合策略解Job-shop调度问题

提出一种有效的自适应神经网络和启发式算法混合策略来求解Ｊｏｂｓｈｏｐ调度问题．自适应神经网络具有在网络运行过程中神经元的偏置和连接权值自适应取值的特性，被用来求得调度问题的可行解，而启发式算法被分别用来加速神经网络的运行和保证神经网络收敛到可行解、获得确定排序下最优解和提高可行解的质量．仿真表明本文提出的混合策略是快速有效的     

不确定性矩阵对策解的确定

本文研究了五个问题：１．具有精确策略和模糊值对策矩阵的对策解的确定；２．具有模糊策略和经典对策矩阵的对策解的确定；３．具有模糊策略和函数值对策矩阵对策解的确定；４．具有模糊随机策略和经典对策矩阵对策解的确定；５．具有模糊随机策略和函数值对策矩阵对策解的确定。     

海上基地攻防博弈模型及纳什均衡策略研究

针对海上保障基地安全的反潜资源调度是当前海上作战指挥的主要问题，通过分析海上利益冲突中敌我双方的攻防策略及约束条件, 建立了反潜资源调度的不完全信息零和博弈模型和对应的收益矩阵。考虑敌方为理性对手和非理性对手2种情况, 分别提出了求解小规模问题精确解的线性规划算法和求解大规模近似解的改进迭代算法, 并进一步给出了对应纳什均衡和最优反应的求解步骤, 得到了反潜资源调度博弈的混合策略。通过仿真实验验证了算法的复杂性、可行性和有效性, 并分析了混合策略的适用环境。     

应用同伦法求解原有-对偶线性规划问题

根据线性规划对偶理论中的互补松弛性质，直接构造线性对偶问题的一个同伦模型，并提出相应的同伦算法求解。如果最优解存在，迭代过程常常是收敛的。尤其是在求解过程中，随着参数取值接近1，可获得原有问题的一个近似最优解。     

一种求解NASH均衡解的遗传算法

将现代生物遗传基因理论引入到对策问题的均衡解计算中来，本文设计了求解有限n人非合作对策的Nash均衡解的遗传算法模型，并通过双矩阵对策的例题验证了算法的有效性。     

解多目标优化的均匀正交遗传算法

在多目标优化中，各目标通常相互冲突且不可公度，其最优解(常称为Pareto最优解)往往有无穷多，如何在最优解集合中求出一组分布均匀且数量充足的代表解供决策者选择十分重要,论文将均匀设计、正交设计与遗传算法相结合给出了解多目标优化的一种新方法，并证明了其全局收敛性,新方法用少的计算量便可求出一组在最优解集合中分布均匀且数量充足的最优解,计算机仿真也表明这种方法对不同的试验函数均可用少的计算量求出一组在最优解集合中分布均匀且数量充足的最优解。     

一类单机随机调度问题解的特征

讨论了加工时间随机的单机调度问题，工件的加工时间服从指数分布，目标函数具有一般形式，涉及工件完成时间与交货期偏差的正规和非正规目标函数，如工件关于交货期拖后时间期望和，工件完成时间关于交货期绝对偏差的期望和等，都是其特殊情形．给出了最优解的特征，包括SEPT(shortest expected pro—cessing time)调度，LEPT(largest expected processing time)调度和关于加工时间参数的A形调度,这些特征可用于确定问题的最优解。     

动态对策的控制策略

研究离散时间动态（多阶段）对策的控制问题，提出闭环控制策略—Ｎａｓｈ合作策略的概念和设计方法。该策略以Ｎａｓｈ协商解为基础，能诱导对策双方在对策的每个阶段实现Ｎａｓｈ协商解。分析了策略的最优性，并以线性二次型动态对策问题作了实例分析。     

线性三层降秩神经网络的广义逆矩阵训练算法

先是到计算矩阵的广义逆的一种有效算法，即正交反向传播（OBP）算法。利用OBP算法。经有限次迭代即可以得到矩阵广义逆的精确解。然后利用OBP算法来讨论线性三层秩网络的训练问题。经过有限次迭代就可得到网络的误差函数的全局最优解，且不存在任何收敛性问题。     

二层线性规划的有效解

在容许集有界且二层线性规划存在最优解是相应双目标规划有效解的假设下，证明了有效最优解可在容许集的顶点达到。给出了二层线性规划的解的更为合理的有效化方法，并用算例对各种有效化方法所得的有效解进行了比较。     

反倾销税率优化的信号博弈分析

运用古诺模型分析了寡头竞争条件下的最优反倾销税率,得出当国外企业和国内企业同时决策时,消费者需求弹性、外国企业的边际成本以及进口国政府与国内企业对国外企业的成本信念影响最优反倾销税率.由于进口国政府与国外企业存在信号博弈,于是建立信号博弈矩阵,分析了外国企业和进口国政府的最优策略选择.得出当信号伪装成本相对小时,博弈的纳什均衡为低成本企业决定不伪装成高成本企业,进口国政府执行单一反倾销税率;当伪装成本足够大时,企业放弃成本伪装,此时政府执行差别反倾销税率可以实现国家福利最大化.     

有害物质在食品供应链中传播机制的混合策略静态博弈模型

食品质量安全问题已经引起各方面的广泛关注.食品的生产与销售、消费等行为主体构成食品供应链,这些都是一些独立的决策主体,因此本文从供应链管理的角度出发,采用博彝论的研究方法,在分析了供应链上食品质量安全风险产生与传播的动因、条件以及后果的基础上,建立了以供应商、制造商、销售商与消费者组成的四级三阶段线性供应链静态博弈模型,定义了质量风险传递因子与监督传递因子,对该模型进行了三阶段关联求解,得到了供应链上各行为主体的最优混合策略及混合策略纳什均衡,定量分析了静态博弈模型中上游厂商向下游传递质量风险的规律以及下游消费者对上游厂商监督的影响,提出了相关的食品供应链质量安全风险的防范措施.     

"鹰鸽博弈"的量子分析

在经典的“鹰鸽博弈”中，纳什均衡为一方采取“鹰”策略，而另一方采取“鸽”策略。本文使用量子博弈的方法研究经典的“鹰鸽博弈”，通过量子策略给出了一个不同于经典博弈的新的纳什(Nash)均衡，即博弈双方均采取“鸽”策略，从而达到帕累托(Pareto)最优。     

基于元胞自动机的行业危机扩散博弈分析

元胞自动机(Cellular Automata,CA)模拟仿真实现了行业危机扩散博弈过程的可视化,简化了博弈分析过程。本文首先进行了行业危机扩散的博弈分析,通过纳什均衡解的求解误差发现危机扩散受到很多因素影响,并且具有一定的随机性,增加了博弈分析的难度。基于此,引用元胞自动机结合行业危机扩散博弈的策略组合,构建了行业危机扩散的CA算法,解决了行业危机扩散博弈的有限理性假设问题,并使用仿真效果较好的多主体可视化软件Netlogo进行仿真,结果符合实际情况。     

信息安全投资的演化博弈分析

针对现实世界中信息安全投资主体只具有有限理性的实际情况,本文尝试利用演化博弈论分析企业组织的信息安全投资问题.根据得益矩阵建立信息安全投资的演化博弈模型,利用复制动态分析了三种情况下的进化稳定策略.分析结果显示出投资成本是组织策略选择的关键,预测了信息安全投资的长期稳定趋势,为组织的信息安全投资提供了有益的指导.     

主从型Bertrand价格博弈模型及其动力学分析

基于有限理性策略与适应性策略,构建两寡头企业主从型Bertrand价格博弈模型,并研究该模型的动力学性质。理论分析表明,该模型有一个不稳定的边界不动点和一个局部稳定的纳什平衡点。计算实验证实,采用有限理性策略的企业的价格调整速度较大时会引起两企业价格演化的倍周期分岔现象,并最终导致价格演化的混沌行为。保持较低的价格调节速度,获取纳什均衡利润是两寡头企业价格博弈的最优结果。     

夸大风险损失索赔欺诈博弈问题

建立了夸大风险损失索赔欺诈博弈模型,然后分析了保险双方的博弈策略选择及其可能达到的均衡。研究表明,博弈模型存在某种形式的精炼贝叶斯纳什均衡,但如实告知不是被保险人的子博弈精炼纳什均衡。要使被保险人履行如实告知义务,一方面要加大对保险欺诈的处罚力度,另一方面要尽可能进行认真深入的核赔查勘。     

几个双矩阵经济管理理性博弈的期望均衡分析

关于完全信息静态博弈,有纯Nash均衡、混合Nash均衡和相关均衡等概念.如果每个参与人除了博彝的结构以外其他一无所知是全体参与人的共同知识(称为完全静态的),那么期望均衡是在极大熵准则是全体参与人的共同知识的条件下的一种均衡.本文首先介绍理性博弈及其期望均衡的概念,然后由此分析了在文献中经常出现的一些经济管理博彝的期望均衡的结果,并与混合Nash均衡结果进行比较.说明对于完全静态博彝,当参与人比通常情况下聪明(极大熵准则是他们的共同知识)的时候,其决策结果比混合Nash均衡更为确定和具有理性.     

一类2人合作交叉规划的s-最优联合解

提出并研究了一类 2人合作交叉规划问题。引进了具有相同联合值的s 最优联合解 ,它作为 2人合作交叉规划的一种公平解 ,比Nash均衡解要更好 ,并得到了它的若干有关性质 ,证明了可以通过求解一个等价的数学规划问题的最优解来作为交叉规划的s 最优联合解。最后 ,讨论了具有不同联合值的s 最优联合解。 2人合作交叉规划可以广泛用于讨论许多具有或不具有冲突的多人决策问题 ,如生产计划控制、工程、计算机等领域中的网络冲突问题。     

基于Stackelberg博弈与深度强化学习的计算卸载策略

为使5G混合专网结构的2种用户能获得最优计算卸载策略，将2种用户竞争移动边缘计算(mobile edge computing,MEC)服务器资源的问题建模成Stackelberg博弈，并分别讨论了完全信息博弈和不完全信息博弈下的策略。完全信息博弈下，存在唯一纳什均衡解；不完全信息博弈下，将环境建模为部分可观测的马尔可夫决策过程(partially observable Markov decision process,POMDP)，并提出一种基于二阶段深度强化学习(two-stage deep reinforcement learning,TSDRL)的最优卸载策略。仿真实验表明：该算法相较于D-DRL算法能减少20.81%的时延及3.38%的能耗，有效提高用户QoE(quality of experience)。