理性背叛的推荐合作激励机制

为了促进协作系统中用户的合作行为,激励机制得到了广泛的使用.然而,现有的激励机制往往存在无条件合作策略占优互惠策略的现象,进而抑制了合作的涌现.为了解决这一问题,本文在推荐激励模型上进一步考虑了用户的理性背叛行为.以演化博弈为框架,研究了理性背叛机制在全局平均学习和当前最优学习两种模式下的策略演化特性.结合实际场景,本文还研究了在非完美推荐下理性背叛机制的鲁棒性问题,并且基于余弦相似度提出了一种策略识别方案.最后,通过大量的数值实验与仿真实验,验证了理性背叛机制的理论特性,也展示了该机制在促进合作方面的有效性能.     

共演化博弈中的反馈机制

本文研究共演化动力学在合作演化中的作用.系统的状态由个体的策略决定.系统状态与个体的属性共同演化,形成一种反馈机制.特别是当个体能够根据博弈的结果调整社会关系时,这种调整势必影响未来的博弈.这种反馈机制在适当的时间尺度下,总是能够促进合作.首先,分析了个体策略与群组属性共演化的情形,在基于个体选择的层面上,结合溯祖理论和演化集合论,给出了区域性利他行为涌现的条件.其次,给出了结构群体中策略选择的参数判据,将两策略判据和适应动力学结合起来,发现通过调整与收益矩阵无关的参数可以实现性能控制.最后,研究了不同的角色分配方案在最后通牒博弈中对公平行为演化的影响,发现当个体的先行者优势或所配置的资源依赖于先前分配结果时,公平的分配方案及对公平的要求得以建立.共演化这种反馈机制在用博弈论解决编队控制、资源配置方案设计等实际问题时显示出广泛的应用前景.     

激励机制下合作行为的演化动力学

探索复杂系统中控制自私个体合作演化的激励机制,是国际系统与控制等诸多领域关注的重要科学问题.研究者曾探讨了引入惩罚机制对系统中个体合作的促进作用.但实际中,惩罚者可能会受到奖励的正激励,以及被惩罚个体报复的负激励影响.本文基于演化博弈论分别研究分散式和集中式惩罚机制下的合作演化,重点关注对惩罚行为施加不同的激励作用对系统演化的影响.研究发现,当系统中存在对惩罚行为的负激励时,分散式惩罚机制对合作行为的促进作用被完全抑制;然而集中式惩罚机制却依然可以促进合作行为的涌现.另一方面,对惩罚行为的正激励可以有效地抵制负激励的负面影响,从而使合作涌现.特别地,在采用集中式激励的大规模种群中,合作行为和惩罚行为能够在自然选择意义下占优.激励机制的研究对于复杂系统优化调度与配置、群体机器人协同控制等实际问题具有重要的理论意义和应用价值.     

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。     

人工智能集群控制演示验证系统

为了对人工智能集群的自组织控制方法进行验证,提出了一种在实验室环境下低成本建立人工智能集群控制演示验证系统的方法.系统由演示场、多个移动个体、合作标识及识别单元、控制及信息分配单元共同组成.合作标识及识别单元能准确获取多个个体的身份信息和高精度的位姿信息.控制及信息分配单元对智能集群中个体间的信息交换和个体控制策略进行模拟.最后,以机动自组织探测集群为验证对象,在人工智能集群控制演示验证系统中对基于人工势场法的自组织控制策略进行演示验证.验证结果表明,该智能集群控制演示验证系统能够在实验室环境下对智能集群的运行过程进行演示和验证,可以更真实地体现智能集群的实际表现.     

二维平面网格上移动成本群体合作行为研究

从移动成本、收益期望与空间博弈的角度,探讨多主体系统的博弈策略演化与系统涌现特征之间的关系。利用空间演化博弈理论,构建了基于个体移动机制的拓扑结构时刻演变的空间演化博弈模型,分析了当主体具有不同的移动成本与收益期望时系统演化的稳定策略,通过分析稳定策略深入探讨系统中合作簇涌现的机理。仿真结果表明,提高移动成本能够最有效地促进系统合作率,同时中等水平的个体收益期望会进一步促进高移动成本的影响效果。     

慢旋非合作目标快速绕飞避碰控制

针对慢旋非合作目标,利用滑模控制和人工势函数理论设计两种快速绕飞避碰控制器以实现安全快速绕飞.通过考虑非合作卫星的几何形状,建立椭球避碰区域模型,解决了球形避碰区域无法实现的快速绕飞避碰问题.基于完全的非线性相对运动方程,分别针对系统外界扰动上界已知和未知的情形设计避免碰撞的快速绕飞控制器,所设计的控制器均可以严格地保证快速绕飞的安全性.利用Lyapunov理论证明了系统的渐近稳定性,并通过数值仿真验证了所设计控制器的有效性.     

基于演化策略算法的置换流水车间调度优化研究

采用演化策略算法求解置换流水车间调度问题,提出了一种基于工件次序的二维实数编码方法.设计了一种基于父代个体两点交叉互换的重组算子来生成子代个体,针对个体编码,采用局部基因随机重新生成的变异算子.计算结果说明,演化策略算法能够有效地对置换流水车间调度问题进行优化,其优化性能好于遗传算法和NEH启发式算法以及粒子群算法.     

具有未知参数的不确定分数阶Sprott-C系统的Terminal滑模同步

基于滑模控制的优良性能,探讨了利用Terminal滑模控制实现分数阶混沌系统的有限时间同步问题,给出了滑模控制实现具有未知参数和扰动的分数阶Sprott-C驱动—响应系统(阶数0<α<1)的同步结论。通过构造合适的滑动模态曲面,针对系统未知参数上界已知和未知两种情况,设计了合适的分数阶控制器和参数自适应率,结合分数阶微分方程相关理论和有限时间稳定性定理,证明了实现该系统的同步控制结论,并对未知参数和扰动上界进行了准确估计。最后选取适当参数,通过数值仿真,验证了所给结论的有效性和可行性。     

基于利他激励的群体演化合作模型

为探究个体与系统状态的演化,构建了个体行为策略与网络结构的演化模型,探讨个体在利他激励机制下对合作演化的影响。在该模型中,个体首先通过对其他个体的帮助获得一定的额外互惠收益,并通过个体混合收益累计个体收益与帮助其他个体获得额外收益的加权,以此来激励个体合作。然后在博弈过程中,通过个体混合收益取代费米函数中的个体累计收益用于促进个体选择利他合作策略,从而促进整个群体的总收益与合作水平。蒙特卡罗仿真实验结果表明,个体在利他激励机制下更愿意帮助其他个体。在不同网络结构中,小世界网络最能扩散利他激励机制,其系统合作者密度最高。     

一类控制问题的降阶控制器设计

基于线性矩阵不等式(LMI,1inear matrix inequalities),考虑了线性时不变对象的一类 控制问题的降阶控制器设计问题.给出了一个新的降阶控制器阶的上界,该上界适用于标准和 奇异控制两种情形.证明是构造性的,可以给出降阶控制器的构造方法.给出了简单的例子,说 明该方法的可行性和正确性.     

动态多文档文摘模型

从网络信息的动态演化性出发,对同一话题不同时序阶段的文档集合进行识别和分析,在度量演化内容差异性的基础上实现动态性,给出了两种实现动态多文档文摘的模型,即基于矩阵子空间分析和基于文本相似度累加的动态多文档文摘模型.在此基础上,提出了高效的动态句子加权方法.TAC 2008的Update Summarization测试数据上的实验证明了所提出的动态多文档文摘模型的有效性.     

空间博弈中基于信号传递的合作行为演化仿真

为了研究信号传递对合作行为演化的影响,利用Repast仿真软件建立合作行为演化模型,根据信号和策略将个体分为利他者、排外者、谄媚者和背叛者,研究信号对合作水平的影响及机制.仿真结果表明,信号是影响合作水平的重要因素,演化过程中发出相同信号的个体形成团簇,发出不同信号的个体相互制约,并且合作水平随着b值的增大而降低.与无信号博弈相比,有信号条件下合作水平明显提高.所得结果对于研究复杂系统中合作行为演化具有一定的指导意义.     

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.     

基于囚徒困境策略的改进HK网络上的合作博弈

为模拟现实世界的合作行为,本文在HK网络模型基础上提出了一种具有高聚类幂律可调性质的新的网络模型,并分析了囚徒困境博弈在此网络上的演化。通过仿真实验,研究了该网络的高聚类特性对合作行为的影响。大量实验表明,网络的高聚类特性可以极大促进合作现象的涌现。同时研究也发现,随着诱惑参数的变大,合作水平也会随之下降,但幅度不大。总之,该演化博弈模型可以促进合作现象的涌现并抵御背叛策略的传播。     

基于谱聚类的多数据流演化事件挖掘

为解决从多数据流挖掘演化事件这一难题,提出了一种多数据流上的谱聚类算法SCAM(spectral clustering algorithm of multi-streams),其相似矩阵基于耦合度构造,而耦合度衡量了两个数据流的动态相似性.提出了算法EEMA(evolutionary events mining algorithm),该算法基于聚类模型的演变挖掘多数据流的演化事件.定义了聚类模型凝聚度,用以衡量聚类的紧凑程度,并证明了凝聚度的上界.基于到上界的距离和规范化相似矩阵的特征间隙,定义了聚类模型质量,并作为EEMA的优化目标自动地确定聚簇数k.设计了O-EEMA作为EEMA的优化实现,其时间复杂度为O(cn²/2).在合成和真实数据集上的实验结果表明,EEMA和O-EEMA是有效的、可行的.     

永磁同步电机的自适应反演滑模变结构控制

针对永磁同步电机提出一种基于反演的PMSM自适应滑模控制方案.设计基于反演的滑模变结构位置控制器,通过RBF神经网络实现系统参数变化和外部负载扰动等引起的不确定上界值的在线辨识,减小滑模控制器的控制量,并引入饱和函数来减弱系统的"抖动"现象.理论分析和仿真结果对比表明,基于RBF神经网络的自适应反演滑模控制对参数变化和外部负载扰动具有很好的鲁棒性,永磁同步电动机获得了很好的跟踪效果.     

民众战争态度构型演化建模与仿真研究

在战争的演化模型的研究中,为了控制和引导社会舆论,民众战争态度演化是战争复杂系统研究的莺要内容之一.考虑持不同战争态度的社会个体之间的相互作用率与其态度距离的关系和从众心理,提出了度量持不同态度社会个体相遇的相互作用率.分析了态度演化的三种过程,确定了不同态度之间转变的转移概率密度,建立了战争态度演化的动力学方程模型.引入一个序参量度量持各种战争态度人数的动态变化,定义了战争态度构型演化的相.仿真结果表明,得到外界支持的态度,最终持有的人数在社会中占多数,外界作用对社会民众态度转变,对大多数人是有效的,但有极少数人仍会坚持原来的态度.     

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.     

群体随机运动下可信联盟的约束演化方程及其概率计算

联盟合作是自组织网络中一个热点研究领域,Agent间的信息具有不确定性、不完全性和局部性等特征,个体Agent节点出于风险的考虑会在不同的联盟间迁移,因此在联盟的演化研究中需要融入信任因素.文中研究群体随机运动环境下可信联盟的演化机制,从微观和宏观上对个体Agent运动行为和联盟规模结构进行分析,将基于历史交互的信任信息融入演化过程中,提出演化规则,界定了演化稳定性的标准.从微分动力系统的视角建立约束演化方程并通过概率计算对方程进行转化求解,分析了演化计算的复杂性,并进一步分析了Agent异构性和局部信息感知对联盟演化的影响.最后通过模拟实验对演化进行讨论,并从信息论角度对联盟的有序性进行分析,讨论信任对演化过程的影响,刻画了群体随机活动中可信联盟的构建与演化过程.