基于多摇臂赌博机的产品定价算法

针对在线零售商在不完全需求信息下的单产品定价问题,提出了一种基于多摇臂赌博机的产品定价算法.为了提升多摇臂赌博机算法在定价问题中的效果,该算法利用了需求曲线的单调性,并加入了消费者偏好识别.对消费者的保留价格进行分析得到消费者购买概率,将在线零售商的定价问题建模为多摇臂赌博机模型,给出了相应的定价算法并进行了理论分析,...     

基于多Agent的季节性商品动态定价算法

研究两个提供商销售季节性商品时的最优定价策略问题。在性能势理论的基础上,针对季节性商品的特殊属性,建立两个提供商之间没有信息交互情况下的季节性商品的动态定价模型,并引入了Q学习算法和Wolf-PHC算法。通过仿真实验对DF方法定价,Q学习算法定价和Wolf-PHC算法定价进行比较,得到Wolf-PHC算法定价的优化效果更明显,适应性更强。     

基于深度强化学习的高铁客票动态定价算法

为了解决需求函数未知情况下的高铁客票动态定价问题。以最大化单列车期望收益为目标构建Markov多阶段决策模型并设计DQN(Deep Q Net)强化学习框架寻找动态定价最优策略。算法以当日收益为奖励,通过神经网络来逼近所有状态-动作组合的期望最优收益。为验证算法性能,基于市场动态和旅客行为,开发高铁客运需求模拟系统并进行仿真实验。实验结果表明,智能体动态定价策略可以在不同需求水平下灵活调整价格,其性能接近理论上界并且显著优于对比策略。     

改进多目标蚁群算法在动态路径优化中的应用

为对城市动态车辆路径进行优化,设计一种具有贪婪转移准则的改进多目标蚁群算法。对蚂蚁执行多目标迭代局部搜索,在多个邻域上优化解或产生新的帕累托解。使用SUMO和NS2仿真软件,并用TraNS软件进行交互,对西安市区500组不同出发点和终点数据进行测试。结果表明,与两种传统优化算法相比,计算复杂度略有增加,但求解旅行时间明显缩短(平均少10%左右);与三种最新优化算法对比,在不同迭代次数和不同车辆数量条件下,虽然收敛速度不全都最快,但求解旅行时间均为最短(平均少5%左右)。该算法能更好满足行车时间硬要求,规避交通拥堵,能较好应用于动态车辆路径优化问题。     

量子粒子群算法在易逝品多目标定价中的应用

对易逝品的多目标定价问题进行了研究。从利润最大化角度建立易逝品多目标最优定价模型。模型中涉及复杂的需求函数,常规函数极值法不易获得问题解析解,因此引入量子粒子群算法,结合惩罚函数对模型进行演化求解。根据给出的算例分析表明,利用量子粒子群算法,可以快速有效地得到不同订货量下的最优定价与折扣价组合。     

基于动态多种群的多目标粒子群算法

研究进化算法在求解多目标优化问题时,极易陷入到伪Pareto前沿(等价于单目标优化问题中的局部最优解),为了提高优化过程,提出一种基于动态多种群的多目标粒子群算法(DMSMOPSO).在DMSMOPSO算法中,为了增加种群的多样性,提升粒子跳出局部最优解的能力,采用多子群进行搜索并且子群是动态地进行构建;采用K-均值聚...     

改进差分进化算法在动态经济调度中的应用

针对动态经济调度(DED)存在的不可微、非凸性、非线性以及不连续性等特点,提出多策略异维变异差分进化(MDMDE)算法.一方面,从变异维数入手,提出了一种异维变异策略;另一方面,在算法的整个迭代周期内采用了多策略变异.此外,还提出了一种修改的交叉率以及动态变异因子来跳出局部最优.最后,将MDMDE应用于6种动态经济调度...     

混沌系统动态多目标免疫优化算法及其应用

生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能,提出一种动态多目标免疫优化算法处理动态多目标优化问题.算法设计中,Logistic映射产生混沌抗体群;利用抗体的被控度和抗体拥挤距离设计抗体的亲和力;借助控制概念将群体分为非控群和被控群,再分别对其施行不同方式的突变增强群体的多样性;利用免疫记忆、Averagelinkage聚类方法,设计外部集和记忆集分别保存非控个体和亲和力较高抗体,所获的记忆细胞参与相似或相同环境初始抗体群的生成;借助三种不同类型的动态多目标优化测试问题,通过与两种最新的动态多目标进化算法及一种动态多目标克隆选择算法比较,数值实验论证了所提出算法在动态跟踪Pareto面的速度和执行效果上较其它算法优越.     

粒子群算法在季节性商品最优定价中的应用

从最小化期望损失的角度建立了季节性商品的最优定价模型,并采用粒子群算法进行求解。结合具体算例,根据不同库存量、库存量和折扣价的不同组合,分别获得达到最小期望损失的最优定价,可以很好地解释模型所具有的经济意义。对仿真结果的分析表明：粒子群算法不仅能灵活、简便地获得多种情况下的最优定价,而且反映了最优定价在库存量和折扣价不同组合时的变化规律,从而为销售商确定最优价格提供建议。因此,应用粒子群算法求解季节性商品的最优定价具有一定的现实意义。     

多峰搜索的动态微粒群算法

对多峰搜索问题提出了一类动态微粒群算法。该算法通过变换函数将多峰问题中的所有峰变为等高峰,从而保证每个峰都有同等机会被找到;在搜索过程中采用群体规模动态可调的进化方式,使得初始群体可以任意指定,从而克服了标准微粒群算法由于无法事先知道多峰函数峰值点个数而很难确定合适群体大小的困难。实验表明了该算法可以尽可能多地找到峰值点。     

基于多臂赌博机的时变信道速率自适应选择方法

针对在复杂多变的无线通信环境中合适的传输速率难以确定,导致吞吐率下降的问题,提出了一种基于多臂赌博机模型的跨层速率自适应选择算法(DUCB-RA,Discounted Upper Confidence Bound Based Rate Adaptation),把速率选择问题转换为多臂赌博机(MAB,Multi-Armed Bandit)问题,同时利用了物理层以及媒体接入控制层反馈的信道信息来选择合适的发送速率。在最后给出了算法性能的数学证明和仿真结果。实验结果表明,与其他速率自适应选择方案相比,该算法在平稳以及时变信道条件下均能取得较好的性能。     

在线核选择的对抗式多臂赌博机模型

在线核选择是在线核方法的重要工作,可分为过滤式、包裹式和嵌入式3种类型。已有在线核选择探索了包裹式方法和嵌入式方法,也经验地采用了过滤式方法,但迄今尚没有一个统一的框架来比较、分析并研究各种在线核选择问题。文中 提出一种在线核选择的多臂赌博机模型,该模型可作为一个统一框架,同时给出在线核选择的包裹式方法和嵌入式方法。给定候选核集合,候选集中的一个核对应多臂赌博机模型中的一个臂,在线核选择的每回合依据一个概率分布重复地随机选择多个核,并应用指数加权的方法来更新该概率分布。这样,在线核选择问题本质上可归约为一个非遗忘对手环境下的对抗式多臂赌博机问题,并可应用对抗式多臂赌博机模型统一地给出在线核选择的包裹式方法和嵌入式方法。文中进一步提出一个新的在线核选择后悔的概念,理论证明包裹式方法具有关于回合数亚线性的弱期望后悔界,并且嵌入式方法具有关于回合数亚线性的期望后悔界。最后,在标准数据集上通过实验验证了所提统一框架的可行性。     

Dynamic Congestion Pricing in Disequilibrium

A theory of dynamic congestion pricing for the day-to-day time scale is presented which takes the form of a continuous time optimal control problem. The formulation accomodates elastic nonseparable travel demands and nonseparable travel costs. Necessary conditions for optimal congestion prices are analyzed to uncover bang-bang, singular and synthesized optimal control decison rules for setting network tolls in a dynamic environment. These decision rules are shown to be sufficient for optimality under plausible regularity conditions.     

A Link-Node Discrete-Time Dynamic Second Best Toll Pricing Model with a Relaxation Solution Algorithm

Dynamic congestion pricing has become an important research topic because of its practical implications. In this paper, we formulate dynamic second-best toll pricing (DSBTP) on general networks as a bilevel problem: the upper level is to minimize the total weighted system travel time and the lower level is to capture motorists’ route choice behavior. Different from most of existing DSBTP models, our formulation is in discrete-time, which has very distinct properties comparing with its continuous-time counterpart. Solution existence condition of the proposed model is established independent of the actual formulation of the underlying dynamic user equilibrium (DUE). To solve the bilevel DSBTP model, we adopt a relaxation scheme. For this purpose, we convert the bilevel formulation into a single level nonlinear programming problem by applying a link-node based nonlinear complementarity formulation for DUE. The single level problem is solved iteratively by first relaxing the strick complementarity by a relaxation parameter, which is then progressively reduced. Numerical results are also provided in this paper to illustrate the proposed model and algorithm. In particular, we show that by varying travel time weights on different links, DSBTP can help traffic management agencies better achieve certain system objectives. Examples are given on how changes of the weights impact the optimal tolls and associated objective function values.

感知器学习算法研究

介绍感知器学习算法及其变种,给出各种感知器算法的伪代码,指出各种算法的优点。给出感知器算法在线性可分和线性不可分情况下的误差界定理,讨论各种感知器学习算法的误差界理论,给出各种算法的误差界。介绍感知器学习算法在在线优化场景、强化学习场景和赌博机算法中的应用,并对未解决的问题进行讨论。     

一种基于市场机制的网格资源调价算法

针对基于市场机制的网格资源调度中的资源调价问题,结合集中式同步调价算法速度快,以及分布式WALRAS算法可扩展性优点,提出一种分布分组调价算法．首先,描述了实现资源调价的系统框架：资源域Agent,资源组调价器;其次,阐述了分布分组调价算法：根据资源价格的相关性将资源分成若干资源组,当资源供需发生变化后,各资源组调价器分别根据供需均衡调整价格到均衡价格;最后,通过实验比较了分布式WALRAS算法和提出的分布分组调价算法的性能,实验结果表明提出的算法可以获得更好的性能．     

价格影响需求的易变质产品动态定价模型

在产品销售价格影响需求的条件下,利用最优控制理论建立了易变质产品的动态定价模型,目标是最大化产品销售周期内总的销售利润。利用Pontryagin 最大值原理得到了产品销售价格的最优性条件。通过对模型的理论分析得出如果产品销售价格介于单位产品购买费用和产品销售价格上限之间,且产品库存在销售周期结束之前始终为正时,销售周期内各时刻的产品最优销售价格一定大于与相应时刻变质率和产品单位库存成本有关的一个下界,销售周期内各时刻的产品最优库存水平一定小于与相应时刻变质率和产品单位库存成本有关的一个上界。     

基于动态行为选择的和声搜索算法

和声搜索算法是一种模拟音乐即兴创作过程的元启发式搜索,已成功应用于解决许多实际问题.针对高维函数优化问题,提出一种基于动态行为选择的和声搜索算法.在算法中新和声的即兴创作有3种策略,迭代过程中通过计算每个策略的即时价值和综合价值选择和声的即兴创作策略,并通过个体即兴创作策略选择方法提升寻优速度或避免陷入局部最优解.将所...     

Dynamic Consumer Profiling and Tiered Pricing Using Software Agents

Shopbots or software agents that enable comparison shopping of items from different online sellers have become popular for quick and easy shopping among online buyers. Rapid searches and price comparison by shopbots have motivated sellers to use software agents called pricebots to adjust their prices dynamically so that they can maintain a competitive edge in the market. Existing pricebots charge the same price for an item from all of their customers. Online consumers differ in their purchasing preferences and, therefore, a seller's profit can be increased by charging two different prices for the same good from price-insensitive and price-sensitive consumers. In this paper, we present an algorithm that partitions the buyer population into different segments depending on the buyers' purchase criteria and then charges a different price for each segment. Simulation results of our tiered pricing algorithm indicate that sellers' profits are improved by charging different prices to buyers with different purchase criteria. Price wars between sellers that cause regular price fluctuations in the market, are also prevented when all the sellers in the market use a tiered pricing strategy.