基于演化博弈论的网络信息传播群体行为分析

以网络信息传播为背景,针对网络信息传播群体,对群体的静态结构和动态行为进行抽象和分析。以前期使用经典博弈论来分析传播个体行为的研究为基础,建立符合网络信息传播特性的演化博弈模型来刻画网络信息传播群体的交互行为,采用有限理性Agent来模拟真实网络信息传播环境下的信息传播者,使用演化稳定策略和复制者动态对网络信息传播单群体的行为进行静态和动态均衡的分析,并通过计算验证了网络信息传播群体的稳定结构与群体行为的动态均衡具有很强的关联性。     

局部信息约束下网络演化博弈的动力学与优化

网络演化博弈的优化问题是混合值逻辑网络的一个自然推广.本文研究了一类网络演化博弈的优化控制问题,其中每个控制个体在极大化自己的收益时只能获取到邻域信息.首先,利用矩阵的半张量积,将局部信息约束下控制网络演化博弈的动力学转化为相应的代数形式.然后得到了局部信息约束下确定型网络演化博弈的最优控制序列.最后,基于动态规划的解,研究了局部信息约束下概率型网络演化博弈的优化控制问题,得到了最优控制序列的简单计算公式.两个数值例子验证了本文的理论结果.     

基于Agent网络化博弈的建模与分析

网络化博弈是一种研究社会网络、生物网络、信息网络及交易网络的重要方式。针对网络化博弈建模方法在网络拓扑结构、博弈模型、建模方式上存在的问题,提出一种基于Agent网络化博弈建模方式。以南京地区汽车品牌价格竞争现象为应用场景,将汽车品牌看作Agent个体,并基于现实网络复杂结构特征,引入"强竞争"和"弱竞争"概念,基于演化博弈理论考察有限理性下汽车品牌价格的竞争行为。实验结果表明,基于Agent网络化博弈模型的范数平均相对误差为2.11%,低于传统模型的4.64%和3.57%,模型精度更高,其中违约惩罚力度对汽车品牌价格竞争影响最为显著,利益分配系数和参与合谋初始意愿次之。     

时间尺度与选择倾向性协同作用下的演化博弈模型

针对合作行为的涌现与维持问题，基于演化博弈理论和网络理论，提出了一种促进合作的演化博弈模型。该模型同时将时间尺度、选择倾向性引入到演化博弈中。在初始化阶段，根据持有策略的时间尺度将个体分为两种类型：一种个体在每个时间步都进行策略更新；另一种个体在每一轮博弈后，以某种概率来决定是否进行策略更新。在策略更新阶段，模型用个体对周围邻居的贡献来表征他的声誉，并假设参与博弈的个体倾向于学习具有较好声誉邻居的策略。仿真实验结果表明，所提出的时间尺度与选择倾向性协同作用下的演化博弈模型中，合作行为能够在群体中维持；惰性个体的存在不利于合作的涌现，但是个体的非理性行为反而能够促进合作。     

局部信息约束下网络演化博弈的动力学与优化（英文）

网络演化博弈的优化问题是混合值逻辑网络的一个自然推广.本文研究了一类网络演化博弈的优化控制问题,其中每个控制个体在极大化自己的收益时只能获取到邻域信息.首先,利用矩阵的半张量积,将局部信息约束下控制网络演化博弈的动力学转化为相应的代数形式.然后得到了局部信息约束下确定型网络演化博弈的最优控制序列.最后,基于动态规划的解,研究了局部信息约束下概率型网络演化博弈的优化控制问题,得到了最优控制序列的简单计算公式.两个数值例子验证了本文的理论结果.     

基于Wright-Fisher过程的WSNs节点信任随机演化策略

为解决无线传感器网络节点间的信任影响节点协作的问题,考虑到节点数量有限及个体随机性,基于Wright-Fisher过程的随机演化博弈,提出WSNs节点信任随机演化策略,并加入与节点信任相关的惩罚机制。该策略弥补了复制子动态不适用于节点数量有限的WSNs节点信任演化建模问题,经过随机动力学分析,推导并证明了达到演化稳定状态的定理。最后通过实验验证定理并分析惩罚力度和选择强度对演化稳定状态的影响。     

资源共享P2P网络的进化博弈激励模型

根据进化博弈的观点,提出一种资源共享型P2P网络博弈激励模型。对P2P网络进行描述,并对节点的行为进行量化分析,建立节点资源访问的概率模型,给出共享型P2P网络中的个体模拟动态方程。在随机博弈收益矩阵的基础上,通过调整相关参数引导P2P网络向动态平衡的状态演化。仿真实验结果验证了该模型的可行性和灵活性。     

基于动态偏好机制的学生群体演化合作研究

社交网络具有随机性和复杂性的特点,针对大学生群体中社交关系的异质性以及动态变化情况,构建博弈模型并设计动态偏好机制用于模拟和促进学生在交互网络中的合作行为。在该机制中,首先构建了加权网络用于描述学生交互网络的异质性;然后通过学生动态的交互关系,模拟学生的社交偏好。仿真结果表明,该机制能够有效促进合作者密度。为了进一步验证该机制在学生群体交互中的有效性,通过线下社交网络收集系统收集学生群体的交互行为信息并构建交互网络,通过数据分析发现学生群体在动态偏好机制下更愿意与其他个体进行交流。研究结果对学生合作行为演化具有参考作用。     

网络群体行为的演化博弈模型与分析方法

随着社会关系网络和在线社会网络应用的不断发展,如何理解和分析群体合作行为的稳定维持和演化是社会关系网络研究中面临的最大的挑战之一.文中综述了网络群体行为和随机演化博弈模型与分析方法等方面的研究工作,介绍了可用于网络群体行为分析评价的指标和模型,总结了网络群体行为和随机演化博弈模型的若干研究和分析方法,探讨了应用随机演化博弈模型进行网络群体行为研究的可行性.基于这些讨论,展望了社会关系网络中的网络群体行为研究所面临的主要挑战.     

无标度企业组织网络特征及其演化模型

本文讨论了一种特别的企业组织网络—无标度企业组织网络及其特征,并基于复杂网络理论提出了无标度企业组织网络的演化模型。该演化模型基于二种演化机制:第一种是考虑企业组织网络的初始结构—全连通结构和星形连接结构;第二种是基于局域信息的优势连接。计算机仿真结果显示:在全局择优连接下,无论企业组织网络的初始结构如何,企业组织网络都将演化无标度网络;局域择优连接仍然可能形成无标度企业组织网络。     

基于复杂网络与演化博弈的群体行为策略分析*

在对演化博弈理论和复杂网络研究的基础上,根据现实社会网络的特性,选取囚徒博弈作为范例,对复杂网络基础上的演化博弈进行研究。分析了网络中个体间协作关系的演化过程、网络收益和个体收益的分布状况,以期为网络结构和群体行为间互动关系作出定性分析,并在一定程度上对复杂网络的形成原因进行解释。     

复杂网络中基于QRD的主动防御决策方法研究

针对未知网络攻防场景下,信息不公开导致最优防御策略难以准确选取的问题。通过对不完全信息下的网络攻防博弈进行分析,文章首先构建具有探索机制的攻防演化博弈模型;然后基于Boltzmann探索的Q-learning复制动态方程构建攻防决策动态演化方程;最后通过求解演化稳定均衡给出最优防御策略选取方法,并刻画攻防策略的演化轨迹。仿真实验结果表明,对于小规模局域网,在探索程度参数取10附近时,生成的最优防御策略具有较好的可解释性和稳定性,能够使得防御主体获取最大防御收益。     

基于演化博弈的无线传感器网络分簇算法

针对无线传感器网络中节点负载过重与能耗不均衡而出现网络能量空洞的问题，基于演化博弈理论建立一种簇头竞选的博弈模型，同时提出一种基于演化博弈的无线传感器网络最优成簇算法。运用节点的剩余能量、数据接收能耗和数据转发能耗设计簇头演化博弈的收益函数，并将最优发射功率控制机制应用于簇成员的选择，从而形成稳定连通的网络分簇结构。仿真实验表明该算法平衡了节点负载，从而均衡网络能量，有效改善网络中过早出现能量空洞的问题，进而延长了网络生存时间。     

一种基于GAN的异构信息网络表示学习方法

异构信息网络中包含丰富的结构和语义信息,通过网络表示学习保留异构信息网络的结构和语义信息是当前研究的热点。传统的异构信息网络表示学习方法局限于利用元路径的形式保留异构信息网络中的语义信息,缺乏考虑网络中所有节点的分布情况,保留的信息不够充分。因此,本文提出一种基于生成式对抗网络（Generative Adversarial Networks, GAN）的异构信息网络表示学习方法（HINGAN）,其能更好地保留网络中的结构信息和语义信息。HINGAN中通过生成模型和判别模型的对抗学习,提高表示学习的鲁棒性。基于2个真实数据集的实验结果表明,本文提出的模型与传统的异构信息网络方法相比,在节点分类和链接预测任务中的结果都有明显提升。     

基于Moran过程的竞争性舆情信息的网络传播博弈模型

新的媒体环境下,在享受不同形式在线社交网络提供便捷信息互动渠道的同时,需要加强对信息传播的管理与引导,防止其发展成为负面舆情信息肆意滋生的温床。结合传统演化博弈论与复杂网络理论,提出了竞争性舆情信息的网络传播博弈模型,并理论分析了正面舆情信息传播占优的收益条件及群体规模;随后,结合实际案例,通过仿真实验对比分析三种博弈环境下网络舆情的演化特征。三种博弈环境下,正面舆情信息传播策略占优条件均与收益有关,弱选择情境对收益参数的要求最为严格;强、弱选择情景下策略占优的条件还与群体规模有关,且强选择情景对群体规模的要求更为严格。     

一种基于模仿者动态模型的免疫算法

免疫网络理论在人工智能中起着十分重要的作用。该文在已有的研究基础上,根据进化博弈的思想,通过改进亲和力计算方法,综合表达函数值、距离和匹配程度的信息,并以抗体的浓度作为适应度,提出了基于模仿者动态模型的免疫算法。两类典型的测试函数的数字仿真实验结果表明,该算法有效地提高了全局搜索性能和收敛速度。     

Building surrogate models for engineering problems by integrating limited simulation data and monotonic engineering knowledge

The use of surrogate models to replace expensive computations with computer simulations has been widely studied in engineering problems. However, often only limited simulation data is available when designing complex products due to the cost of obtaining this kind of data. This presents a challenge for building surrogate models because the information contained in the limited simulation data is incomplete. Therefore, a method for building surrogate models by integrating limited simulation data and engineering knowledge with evolutionary neural networks (eDaKnow) is presented. In eDaKnow, a neural network uses an evolutionary algorithm to integrate the simulation data and the monotonic engineering knowledge to learn its weights and structure synchronously. This method involves converting both limited simulation data and engineering knowledge into the respective fitness functions. Compared with the previous work of others, we propose a method to train the surrogate model by combining data and knowledge through evolutionary neural network. We take knowledge as fitness function to train the model, and use a network structure self-learning method, which means that there is no need to adjust the network structure manually. The empirical results show that: (1) eDaKnow can be used to integrate limited simulation data and monotonic knowledge into a neural network, (2) the prediction accuracy of the newly constructed surrogate model is increased significantly, and (3) the proposed eDaKnow outperforms other methods on relatively complex benchmark functions and engineering problems.     

An incentive game based evolutionary model for crowd sensing networks

Crowd sensing networks can be used for large scale sensing of the physical world or other information service by leveraging the available sensors on the phones. The collector hopes to collect as much as sensed data at relatively low cost. However, the sensing participants want to earn much money at low cost. This paper examines the evolutionary process among participants sensing networks and proposes an evolutionary game model to depict collaborative game phenomenon in the crowd sensing networks based on the principles of game theory in economics. A effectively incentive mechanism is established through corrected the penalty function of the game model accordance with the cooperation rates of the participant, and corrected the game times in accordance with it’s payoff. The collector controls the process of game by adjusting the price function. We find that the proposed incentive game based evolutionary model can help decision makers simulate evolutionary process under various scenarios. The crowd sensing networks structure significantly influence cooperation ratio and the total number of participant involved in the game, and the distribution of population with different game strategy. Through evolutionary game model, the manager can select an optimal price to facilitate the system reach equilibrium state quickly, and get the number of participants involved in the game. The incentive game based evolutionary model in crowd sensing networks provides valuable decision-making support to managers.     

基于演化博弈的多用户网络选择算法

无线通信技术的发展和演进,使得多种广域蜂窝网和大量无线局域网共存、重叠。针对热点区域,密集分布的大量用户同时发起同种业务请求应用场景,提出一种基于演化博弈的多用户网络选择算法,依据选择网络的用户数设计效用函数,给出了演化博弈的复制动态方程。与RSSI算法的对比仿真结果表明：该算法能快速达到演化均衡,用户平均收益高于RSSI算法,接入网络的用户分布更均衡,能合理利用网络资源。