多个体系统中的边拉普拉斯方法及其应用

主要介绍边拉普拉斯方法在多个体系统(队形控制)中的应用,以两种子图的形式(回路和生成树)为出发点,讨论了边拉普拉斯在队形控制中的重要作用.同时文中还把队形控制问题转化成由单积分器组成的网状系统问题,把队形的闭环动态误差问题简化成边一致性问题,从而可以通过底层互连的拓扑结构的生成树来描绘系统,判断系统是否达到一致.     

基于多跟随者Stackelberg博弈的流速控制算法

由于现实网络中,端系统的角色往往并不平等,存在某些端系统制定整个网络的流速控制策略,其他端系统只能跟随这些策略,不能简单地使用非合作博弈理论研究Internet中非合作端系统的贪婪行为。该文在讨论了一次博弈模型和流速控制博弈均衡的解析解的基础上,对多跟随者Stackelberg博弈模型的流速与拥塞控制行为进行了深入研究。提出了多跟随者Stackelberg博弈流速控制模型,论证了Stackelberg均衡的存在性,并推导出在Stackelberg均衡点上领导者和多跟随者流速率的解析解。最后,文章设计了一种基于多跟随者Stackelberg博弈的流速控制算法(FCSM),并讨论了FCSM算法执行的过程。     

基于Stackelberg博弈的多输入多输出雷达信号与目标干扰优化

针对实际杂波环境中多输入多输出(MIMO)雷达与目标间检测与隐身的博弈问题,提出一种新的两步注水算法。首先建立时空编码模型;然后基于互信息量准则,用注水法分配目标干扰功率,用通用注水法分配雷达信号功率;最终得到强弱杂波环境Stackelberg博弈中目标占优和雷达占优的优化方案。仿真结果表明,雷达信号功率分配和通用注水水位变化规律均受杂波影响,两优化方案的互信息量在强杂波环境降低约50%,干扰影响系数分别降低0.2和0.25,互信息量受干扰影响程度降低,证明了所提算法的有效性。     

基于多领导者Stackelberg博弈的分层联邦学习激励机制设计

分层联邦学习中隐私安全与资源消耗等问题的存在降低了参与者的积极性.为鼓励足够多的参与者积极参与学习任务,并针对多移动设备与多边缘服务器之间的决策问题,提出基于多领导者Stackelberg博弈的激励机制.首先,通过量化移动设备的成本效用与边缘服务器的支付报酬,构建效用函数并定义最优化问题;其次,将移动设备之间的交互建模为演化博弈,将边缘服务器之间的交互建模为非合作博弈.为求解最优边缘服务器选择和定价策略,提出多轮迭代边缘服务器选择算法(MIES)和梯度迭代定价算法(GIPA),前者用于求解移动设备之间的演化博弈均衡解,后者用于求解边缘服务器之间的定价竞争问题.实验结果表明,所提算法GIPA与最优定价预测策略(OPPS)、历史最优定价策略(HOPS)和随机定价策略(RPS)相比,可使边缘服务器的平均效用分别提高4.06%、10.08%和31.39%.     

基于P2G及Stackelberg博弈模型的多能源系统调度优化

随着经济的快速发展,人类社会对能源的需求量越来越大,不可再生能源的一次性与环境破坏性危险也随之越来越大。因此,为探究多能源系统的调度优化机制,提升可再生能源的效率,考虑在引入P2G设备的基础上,建立关于供能商和能源用户的Stackelberg博弈模型,并通过仿真的方式验证了P2G技术对于消纳风光出力的积极作用。     

基于中间观测器的多智能体系统分布式故障估计

针对发生执行器故障的多智能体系统,论文提出一种新型分布式中间观测器的设计方法,可以同时估计系统的状态和故障.本文设计的观测器可以应用于严格正实条件和观测器匹配条件不满足的系统.针对多智能体系统的通讯拓扑是有向图和无向图的情况,分别获得估计误差系统稳定的条件.观测器的参数矩阵可以通过求解线性矩阵不等式(Linear ma...     

一种基于拉普拉斯矩阵的在线社会网络社区发现算法

Web媒体被公认为继报纸、广播、电视之后的＂第四媒体＂。而Web2.0的迅速普及,又使当今的Web媒体呈现了一种＂自媒体＂形式,即每个用户既是信息的接受者,也是信息发布者和信息转发者,因此,在当今的Web上形成了在线社会网络。研究表明在线社会网络呈现出一种很强的＂模块性＂（＂社区性＂）,因此,在在线社会网络中,社区发现一直是一个研究热点,即如何设计算法以发现大规模社会网络中的社区结构。文章提出了一种基于拉普拉斯矩阵的在线社会网络社区发现算法,该算法将在线社会网络转换成以拉普拉斯矩阵形式表现,通过计算该矩阵的谱并利用其性质发现社会网络上的社区结构。文章同时针对人造数据集与真实数据集进行了实验,实验结果表明本算法能够有效的发现社会网络中的社区结构。     

基于双层Stackelberg博弈的MEC计算卸载方案

多接入边缘计算(multi-access edge computing, MEC)中的计算卸载问题已经成为当前研究的热点之一.目前的计算卸载方案仅考虑云、边、端结构中的计算卸载问题,而未考虑到其公、私有云的属性.提出了一种新的计算卸载方案,所提方案考虑了边缘计算中公有云与私有云之间的关系,将公有云作为了私有云资源的补充,可以缓解由于私有云资源局限性带来的算力不足问题;并通过建立双层Stackelberg博弈来解决计算卸载问题.对公有云、私有云以及用户的策略和收益进行了分析,求出了各参与人的最优策略,证明了双层博弈的纳什均衡解的存在性及唯一性.仿真结果和分析也验证了基于双层Stackelberg博弈的计算卸载方案的可行性,且相较基于单层Stackelberg博弈的卸载方案更高效,更适合可扩展的边缘计算的环境.     

基于Stackelberg对策的两层多目标决策

本文研究了由Ｓｔａｃｋｅｌｂｅｒｇ对策所定义的两层多目标决策问题,利用锥极点的概念,对这一问题的可行域和解集给予较简洁的描述,并根据该问题的特性,提出了一种新的两层多目标决策的交互式算法,文末的算例表明了本文算法的可行性。     

多智能体系统中基于DOOLEY图的智能体合作框架

本文提出在多智能体环境下智能体分布式合作结构的设计方法,引入DOOLEY图建立智能体的合作框架,即对给定智能体根据与合作密切相关的事件给出简要描述,并与这些事件之间的关系结合起来作为输入来建立分布式合作框架,提供了-种特殊的合作机制来保证智能体间的相互作用.