CA与生命游戏演化的组合模型*

基于摩尔奇偶型CA,提出一种结合生命游戏的演化模型.首先设置初始构型进行摩尔奇偶型规则演化,再引入生命游戏规则,按游戏规则演化;最后依此重复摩尔奇偶规则和生命游戏规则,直到演化整个元胞空间.证实在摩尔奇偶型CA的基础上,结合生命游戏在很大程度上减小了演化过程对初始构型的依赖,出现更为丰富的图元以及基于图元和演化框架的动态图案,且演化过程仍然符合摩尔奇偶型CA的演化规律.结合模型可以避免演化过度依赖初始构型以及演化过程的单调性,而且组合演化模型可以应用于图案生成,生成保持风格的规则几何纹理图案,丰富图案的生成方法.     

量子竞争决策算法及其在旅行商问题中的应用*

提出一种新型优化算法——量子竞争决策算法,在竞争决策的基础上,将进化博弈论中博弈者不断学习和调整来提高竞争力的思想引入到优化中,使竞争者具有自进化能力,同时充分利用量子进化计算中量子比特、叠加态等理论,增加竞争群体的多样性,缩小群体规模。通过对典型的TSP实验计算和与其他算法比较,均取得了较好的效果,算法具有较强的全局优化能力。     

企业价值链价值分配的优化研究

为研究价值链中各企业间价值合理分配的问题,在明确企业价值链中各参与者关系的基础上,从价值分析和成本分析入手,针对价值链中各参与者的不同行为模式,对企业价值链的稳定性问题和价值链调整的合理性问题进行了分析,并给出了价值链稳定性及调整合理性的判定公式和相应经济学解释.阐述了在价值贞献和价值分配之间产生偏差的原因和几种情况,依据博弈论原理建立了价值链价值分配议价模型,模型分析表明存在唯一的子博弈完美均衡,最终可以得到一个均衡策略.研究结果为合理构建和调整企业价值链提供了理论依据.     

基于OBE和博弈论的Java Web在线教学与考核探究

针对高校Java Web课程传统教学中出现的一些典型问题,探究了结合OBE理念和博弈论的在线教学与考核方法,将学生们的学习看成一个博弈问题,以学习成果为导向引导学生在学习过程中进行资源共享、互相帮助,从而实现合作博弈。     

基于博弈论-VIKOR法的科研项目立项评审研究

针对科研项目立项评审的特点,建立了基于博弈论-VIKOR法的科研项目立项评审模型。目的在于提高定性指标定量化处理的科学性,并通过具体科研项目评审实例描述该方法的运用过程。表明了该方法具有科学性、有效性与可操作性。     

Understanding massively multiplayer online role‐playing game addiction: A hedonic management perspective

Massively multiplayer online role‐playing game (MMORPG) addiction presents a serious issue worldwide and has attracted increasing attention from academic and other public communities. This article addresses this critical issue and fills research gaps by proposing and testing a research model of MMORPG addiction. Building on the conceptual foundation of the hedonic management model of addiction and the technology affordance perspective, we develop a research model explaining how MMORPG affordances (ie, achievement, social and immersion affordances) are associated with the duality of hedonic effects (ie, perceived positive mood enhancement and perceived negative mood reduction) and the extent of MMORPG addiction. Using structural equation modelling, we empirically test our research model with 406 MMORPG players. The results show that both perceived positive mood enhancement and perceived negative mood reduction positively correlate with the extent of MMORPG addiction. Furthermore, achievement and immersion affordances are positively associated with the duality of hedonic effects, whereas social affordance is not. Our study contributes to the growing body of technology addiction literature by revealing the relationships between the two hedonic effects and the extent of MMORPG addiction, and by offering a contextualised explanation of the role of MMORPG affordances in these relationships. We offer an alternative perspective on the far‐reaching, unintended relationships between technological affordances and addictive technology use. Our study provides game developers and policymakers with insights into preventing MMORPG addiction to create an entertaining, healthy virtual playground.     

面向5G网络云原生应用资源调度的博弈优化策略

随着5G网络和云原生技术的发展,面向服务的5G云原生核心网应运而生,传统应用正朝着云原生化方向发展。目前云原生服务提供商和云原生应用商数量众多且关系复杂,使得应用在云原生化过程中的资源调度面临新挑战。提出一种5G网络云原生应用资源调度优化策略,将云原生应用商和云原生服务提供商构建为多主多从的Stackelberg博弈模型,对传统收益进行具体描述并联合能耗构建利润函数和策略空间,证明给定一组微服务资源定价的情况下存在云原生应用商的纳什均衡点。在此基础上,引入柯西分布对策略进行优化,提高其收敛性能,通过分布式迭代方法得到云原生服务提供商的最佳微服务定价和云原生应用商的最佳微服务租用比例。仿真结果表明,相比ACA算法、QOS PA算法以及GOS策略,该策略能够有效提高网络收益和用户体验质量,同时降低应用开发能耗。     

考虑风电和储能接入电网的多目标协同博弈区间经济调度

针对风电的不确定性对电网调度的经济和安全运行造成影响的问题, 充分考虑储能灵活充放电的运行优 势, 提出了一种基于改进均衡协调算法的多目标区间储能经济调度优化方法. 本文综合考虑有功调度与无功优化之 间的内在耦合关系, 以典型日运行的电压偏差和系统综合运行总成本最小化为优化目标, 建立多目标区间储能经济 调度优化模型. 在优化过程中, 首先考虑在直流潮流的区间调度模型中, 通过优化储能和发电机的有功出力来实现 对风电不确定性的处理, 然后采用改进均衡协调算法对考虑交流潮流的有功–无功储能调度模型进行综合优化, 从 而获得兼顾电网安全性与经济性的均衡最优解. 本文还从风电的不同区间波动以及风电场并网规模的角度出发, 分 析了对系统储能调度运行的影响. 最后本文将改进算法获得的最优解与采用带权重系数的理想点法分析获得的 Pareto最优解进行对比分析, 可避免确定权重因子时的人为主观因素. 本文通过对IEEE RTS–24节点系统进行算例 仿真, 验证了所提模型的合理性和可行性.     

基于概率性能感知演化博弈策略的“云+边”混合环境中任务卸载方法

针对“中心云服务器+多个边缘服务器”构成的“云+边”混合环境中多任务卸载效率不足的问题,提出了一种基于概率性能感知演化博弈策略的任务卸载方法。首先,在一个“中心云服务器+多个边缘服务器”构成的“云+边”混合环境中,假设其中分布的边缘服务器具有时变波动的性能,采用一种基于概率性能感知演化博弈策略的任务卸载方法对边缘云服务器的历史性能数据进行概率分析,以获得演化博弈模型;然后,生成服务卸载的演化稳定策略（ESS）,使每个用户都能在获得高满意度的前提下进行任务的卸载。基于云边缘资源位置数据集和云服务性能测试数据集进行模拟实验,在24个连续时间窗口上进行不同方法的测试比较。实验结果表明,所提方法在多个性能指标上都优于传统的贪婪（Greedy）算法、遗传算法（GA）和基于纳什均衡的博弈论算法等任务卸载方法。该方法的平均用户期望达成度相较于三个对比方法分别提升了13.7%、117.0%、13.8%,平均卸载时延分别降低了6.5%、24.9%、8.3%,平均货币成本分别降低了67.9%、88.7%、18.0%。     

多智能体博弈强化学习研究综述

使用深度强化学习解决单智能体任务已经取得了突破性的进展。由于多智能体系统的复杂性,普通算法无法解决其主要难点。同时,由于智能体数量增加,将最大化单个智能体的累积回报的期望值作为学习目标往往无法收敛,某些特殊的收敛点也不满足策略的合理性。对于不存在最优解的实际问题,强化学习算法更是束手无策,将博弈理论引入强化学习可以很好地解决智能体的相互关系,可以解释收敛点对应策略的合理性,更重要的是可以用均衡解来替代最优解以求得相对有效的策略。因此,从博弈论的角度梳理近年来出现的强化学习算法,总结当前博弈强化学习算法的重难点,并给出可能解决上述重难点的几个突破方向。