双寡头垄断市场中新技术研发投资的动态博弈

研究双寡头垄断市场中新技术研发投资的动态博弈问题，试图揭示不同国家和企业在新技术研究与开发中的内部机理，从而为建设创新型社会服务。假设市场为刚性需求且需求量相对不变．新技术研发的结果表现为降低企业生产成本，两个寡头企业根据研发结果进行一级密封投标式的价格博弈．确定其最优价格和利润函数，研究一个企业先对新技术研发投资进行决策，另一个企业在其决策之后采取相应的后发研发投资决策，建立了双寡头垄断市场中新技术研发投资的动态博弈模型，获得了两企业在研发与跟进研发，单个企业研发和两企业都不研发三种情形下的最优价格和收益，归纳出三种情形下企业研发决策对研发投资额、成功概率、成本降低等参数的敏感范围，最后将模型扩展到多个企业的情况，证明企业在研发时需要考虑市场容量，避免在创新企业饱和的市场上过度投入。     

两企业序贯博弈的动态古诺模型

依据产品的市场容量随时间发生变化的特点,修正了两企业序贯博弈的动态古诺模型,并得到新的最优产量解。通过分析可得:修正模型是对传统模型的进一步扩展,而且阶段数m往往是在博弈过程中随市场容量的变化而确定的。     

不完全信息条件下企业R&D 最优投资时机的期权博弈分析

运用实物期权与博弈论相结合的方法,研究在不确定的竞争环境和不完全信息条件下企业R&D投资的最优时机.通过假设企业不知道竞争对手的抢先投资临界值但知道其概率分布引入不完全信息.研究表明,不完全信息减缓了竞争对企业R&D投资等待期权价值的侵蚀,从而延缓了企业的R&D投资.企业R&D投资的最优时机取决于企业对竞争对手抢先投资危险率的推测,危险率越高,投资越早.     

基于随机查勘策略的夸大损失索赔欺诈博弈分析

运用不完全信息动态博弈的有关理论,建立了基于随机查勘策略的夸大损失索赔欺诈博弈模型,给出了保险双方的博弈策略选择及其可能达到的均衡,分析了满足保险人零期望利润约束的保险费率公式.研究表明,博弈模型存在某种形式的精炼贝叶斯纳什均衡,而且道德风险的存在会使保险单价格上升.最后,论证了保险标的损失额度为离散随机变量时夸大损失索赔欺诈博弈问题解的形式.     

农产品供应链中生产商深加工博弈分析

一个供应链的各个环节上的主体都在为实现自身利益最大化进行着博弈.主要针对农产品供应链中生产商就深加工方面的策略选择问题,运用博弈论的基本方法,对完全信息静态下供应链中生产商深加工博弈问题进行了研究.通过建立博弈模型,得出不同情况下的Nash均衡结果和均衡解,并对均衡结果进行灵敏度分析.分析结果表明,生产企业采取不同的策略时,其均衡解与影响均衡结果的因素也不尽相同.图2,参7.     

基于两阶段博弈的企业竞争行为选择及仿真

竞争行为选择是企业短期管理中的重要内容之一,目前国内对此问题的研究基本处于定性阶段,尝试采用博弈论对该问题进行定量研究:在引入两阶段博弈形式化企业竞争战略选择过程基础上,用二层规划刻画该博弈过程,通过求解该规划获得两期博弈均衡解;最后,通过对处于产量竞争市场中的两个企业竞争行为选择过程进行仿真、分析,其结果不仅验证企业竞争行为分类的正确性,并得到对企业决策具有指导意义的结论。     

新型电磁弹射器的动态性能仿真

电磁弹射器的作用是在短距离内发射大质量载荷,该技术的一个关键问题是大推力的直线电机设计。提出了一种基于动磁型永磁无刷直线直流电机的弹射器设计方案,结合理论分析与有限元仿真对电机参数进行了优化设计。通过二维有限元瞬态分析对电机的动态性能进行了仿真,分析了不同的安匝数和永磁磁极数对推力大小及其波动的影响,得出了增加电机推力的可行方案。恒流源和非恒流源两种供电方式下的仿真结果显示,电机平均推力大、推力波动小,且电机性能受电源影响小。     

多组动态古诺模型的稳定性分析

研究了一类多组动态古诺模型，分别对只有一组企业，有两组企业但其中一组只有一个企业以及两组均有两个企业构成的多组动态博弈模型进行了稳定性分析，通过数值模拟验证了分析的结果，并比较了各种情况下的均衡利润与对应的作为寡头博弈的均衡利润的大小，结果表明当同组企业进行适当利润分配，博弈后的最终均衡利润大于它们各自作为寡头博弈后的均衡利润这一经济现象。这说明了同组的企业通过适当的调整利润分配，最终可以达到帕累托最优状态。     

基于Matlab的四轮转向车辆操纵稳定性仿真研究

建立了四轮转向车辆操纵动力学模型，详细地描述了在Matlab环境下四轮转向车辆操纵稳定性的动态仿真过程，研究了转向的稳态和瞬态响应特性及其控制参数的影响，并与传统前轮转向车辆进行了比较分析．最后以零侧偏角为目标对控制参数进行了优化．研究结果可为评价四轮转向车辆的系统设计和控制律提供理论依据。     

有色非高斯数据PSD/PDF建模的MLE/DC方法

AR模型、混合高斯模型分别可以很好地拟合样本的功率谱和概率密度。AR模型参数估计可以使用最大似然估计法(MLE);而在各高斯分量概率密度互不重叠的条件下,使用动态簇算法(DC)则可快速而精确地估计出混合高斯模型参数。使用MLE/DC参数估计方法,并在两种方法间建立一定耦合,即可对有色非高斯数据进行准确的功率谱和概率密度建模,进而实现数据的预白与高斯化。