外单内双型网络生成对策中严格纳什网的结构特性

首次针对具有不完全合作属性的混合流网络生成对策研究严格纳什网的结构特性,在该网络中,联盟内部局中人之间的信息交换方式为双向流而除此之外的为单向流,联盟内部局中人的连接费用小于不同联盟中局中人之间的连接费用。在联盟内部首先形成有效网的基础上,针对没有信息损耗和存在信息损耗两种情形研究了严格纳什网的结构特性。     

网络对策方法与最优联盟剖分形式

运用网络对策理论,借助网络对策的一种特殊类型-俱乐部网络对策研究考察不完全合作的动态对策问题.具体的方式是通过在俱乐部网络上定义合作函数,从而获得局中人集合所有可能的联盟剖分形式.再将具有相应固定联盟剖分的扩展型动态对策的值作为俱乐部网络的支付,通过考察俱乐部超网中的路径占优关系,找到吸引子以及路径占优核心,最终得到"最优"的联盟剖分形式.     

具有两种网络生成费用水平的局部策略互动

内生网络环境下,局中人只与直接邻居进行二人协同对策,网络生成的过程中,建立连接的费用根据局中人采取行动的不同而存在两种水平。完整地给出了均衡网络的结构特性,并针对几种不同的费用范围,研究了均衡结果中局中人的行动选择,分析了费用水平对均衡结果的影响。     

基于模糊机会约束的博弈联盟收益

在模糊博弈环境下,研究联盟收益问题.基于Tsurumi合作联盟概念,利用模糊变量刻画局中人参与联盟程度,拓展了模糊联盟概念.针对博弈决策者在一定置信水平下极大化联盟收益的乐观值或极大化联盟收益的悲观值情形,引入模糊变量的可信性测度,建立了模糊联盟最优收益的模糊机会约束规划模型.该模型反映了博弈偏好对模糊联盟整体收益的影响.     

赋权合作博弈中的可行联盟结构与收益分配

合作博弈的局中人由于投入或收益期望的不同,他们在联盟结构中往往具有不同的权重,因此本文提出赋权合作博弈问题。给出形成赋权合作博弈中可行联盟结构的规则：参与者为追求收益最大化而自发形成一个有加权平均最大收益的一级联盟,余下被排除在外的参与者再自发形成下一个有加权平均最大收益的二级联盟,以此类推,直至全部参与者均实现结盟。通过参与者在所有可行联盟结构中的收益确定其权益值,依此对最大联盟结构收益进行分配。最后通过一个算例验证了所提出的可行联盟结构及其收益分配方法的合理性,即参与者权益来源于个体之间的竞争,总收益最大化反映参与者全体的合作性。     

JW规则下的二元稳定网络实例

在无向网络环境下,研究JW网络生成规则下的二元稳定性,给出了满足两类支付函数的二元稳定网络实例。局中人通过判断自身支付的获得情况来选择连接的建立或删除,因此从所有局中人的支付改变量出发,给出了二元稳定网络的判定命题。     

并行多任务环境下Agent联盟的快速生成算法

针对并行多任务环境下Agent联盟的生成问题,提出了基于多种群蚂蚁算法的Agent联盟生成策略.在该联盟生成策略中,种群内部蚂蚁相互合作,协调资源分配并完成相应任务;种群间蚂蚁进行资源竞争,协调解决并行多项任务间的资源冲突.同时,改进的信息素更新策略在综合考虑局部联盟收益和全局联盟收益的基础上提高了算法的全局搜索能力和生成联盟的质量.仿真实验结果表明,文中算法在多种典型条件下都能生成比现有算法更加高效的联盟结构.     

具有行动转换费用的局部策略互动及随机稳定性

在外生网络环境下,研究了局中人之间的交互作用以及局中人的行动选择。当局中人行动发生转变时,引入行动转变费用,给出了在不同的行动转变费用水平下吸收集中状态的结构特征,分析了不同参数条件下吸收集的随机稳定性。     

一种基于Shapley值的联盟结构分配方法

提出一种针对联盟结构博弈问题的新的收益分配方法.通过分析Owen联盟结构博弈模型的局限性,在最大联盟不确定形成及特征函数不确定满足超加性时,建立了二级联盟结构合作博弈模型.提出了可行联盟结构条件下局中人分配规则并证明了该分配规则的性质.新分配方法保障实现个体局中人局部理性与联盟结构集体理性,是联盟结构保持稳定的一个必要条件.通过算例分析,验证了该分配方案的有效性.     

具有可数个局中人的连续凸对策的核心

将稳定集的定义扩展到局中人集合为可数集的凸联盟对策中,并证明若局中人集合可数集的凸联盟对策在总的联盟是连续的,那么它的核心是唯一的von Neumann-Morgenstern稳定集.     

基于模糊联盟合作博弈的企业联盟收益分配策略

针对企业联盟模糊情况下的收益分配问题进行分配策略研究,通过关于模糊测度的Choquet积分,定义了模糊联盟合作博弈的支付函数v和Shapley值.并证明了支付函数v具有超可加性,以及Shapley值满足有效性、对称性、哑元性与可加性的公理体系,实例证明了企业联盟收益分配的模糊Shapley值方法.     

分布式HDP领导-跟随者系统最优一致控制研究

为研究行为未知的非线性多智能体系统领导-跟随者最优一致控制问题,针对智能体动态方程未知的情况,设计神经网络辨识器学习智能体动力学行为;构造以多智能体系统局部误差为输入的性能指标函数,将多智能体系统领导-跟随者一致性问题转换为求解智能体局部性能指标函数最优值的优化控制问题;结合自适应动态规划思想设计分布式迭代算法求解该优化问题,并讨论了算法的收敛性;设计基于神经网络的评价-执行结构分布式控制器来近似局部性能指标函数,通过神经网络学习迭代寻找局部性能指标函数的最优解,实现多智能体系统的最优一致控制策略。设计的分布式控制器能够根据智能体状态数据自适应产生控制策略,使多智能体系统趋于一致。     

基于孤立波的多Agent系统超分布超并行自组织动态任务规划方法

提出一种孤立波的模型和方法,在一群理性的独立自治的Ａｇｅｎｔ间建立超分布超并行的自组织动态任务分配机制,克服现有的多Ａｇｅｎｔ联盟方式存在的诸多不足,通过关于分布式运输调度系统的仿真实验验证了本分配机制的有效性、动态性、开放性和自适应性。     

设计者全局最优的动态网络设计及防御准则

从网络设计出发,假设网络的设计者同时承担网络防御的任务,针对网络设计、防御和攻击发生的所有时序关系,系统研究设计者根据每个阶段攻防结果所实施的设计动态。针对网络设计者建立了全局最优准则,即多阶段动态网络设计情形下设计者面对策略攻击或随机攻击时的支付总和最大化原则,而假设网络攻击者致力于阶段支付最大化的结果。论文的主要贡献是给出了动态网络设计、防御和攻击所应遵循的一些基本准则。     

Pareto-Nash混合策略下小世界网络中创新扩散模型仿真分析

采用基于代理(Agent)的复杂系统仿真方法,从微观层面研究了技术创新在小世界网络中的扩散问题,分析了Nash和Pareto 2种不同规则对扩散过程和扩散终态的影响.结果表明:在一定的成本系数取值范围内,采用Pareto规则的Agent获得的收益值高于采用Nash规则;同时,随着成本系数k的变化,2种规则带来的收益曲线中存在转折点,其出现在k=3.7处.     

混合策略下小世界网络中创新扩散模型仿真分析

采用基于代理(Agent)的复杂系统仿真方法,从微观层面研究了技术创新在小世界网络中的扩散问题,分析了Nash和Pareto 2种不同规则对扩散过程和扩散终态的影响.结果表明：在一定的成本系数取值范围内,采用Pareto规则的Agent获得的收益值高于采用Nash规则;同时,随着成本系数k的变化,2种规则带来的收益曲线中存在转折点,其出现在k＝3.7处.     

基于MAS的改进的囚徒困境模型研究

通过对传统博弈模型的分析,针对其效率低的Nash平衡解,提出了具有激励机制的改进的“囚徒困境”模型。改进模型包括两个阶段,第一个阶段双方要独立给出用于激励对方合作所支付的成本,第二个阶段双方根据修改后的收益矩阵进行博弈。详细分析了改进模型,并应用基于MAS的建模方法进行了建模仿真。理论分析和仿真结果均表明,在改进博弈模型中采取合作策略的百分比高于传统博弈模型中采取相同策略的百分比,系统收益输出具有Pareto效率,影响收益输出的主要因素是双方提供的支付成本大小。