供应链网络节点企业问合作关系的进化博弈分析

应用进化博弈理论分析供应链网络中节点企业之间的合作策略学习过程,基于博弈参与方有限理性的假设前提,针对两人对称和两人非对称合作两种情况,分析模仿者复制动态模型和相应的进化稳定策略,证明当信任约束机制不健全时,节点企业最终均会选择不合作,而当信任约束机制健全时,节点企业最终均会选择合作.     

基于随机过程的流域水资源利用冲突博弈分析

研究了基于随机过程的有限理性的流域上下游区域水资源利用冲突博弈决策机制.并将博弈人的偏好引入到进化博弈决策机制中,研究了博弈人对策略的偏好程度与进化均衡结果和博弈人行为策略选择之间的关系.只要流域管理机构在制定相关政策时,奖励和惩罚机制设置合理,有限理性的流域上下游群体能够通过不断地学习、调整策略,达到合作治污的结果.     

基于进化博弈的企业合作竞争ESS分析

近十年,关于企业的合作竞争问题日益引起广泛的关注。基于博弈参与人有限理性的假设前提,运用进化博弈的基本分析框架,分别构建2×2支付矩阵条件下,两人对称合作博弈与两人非对称合作博弈的模仿者复制动态模型,并分析相应的进化稳定策略。以此描述两企业间合作竞争博弈之长期演化趋势,对企业合作竞争行为提出对策建议。     

基于信任的动态访问控制方案

为有效解决实体间的访问控制问题,应用博弈论方法对基于信任的访问控制模型中的信息博弈和重复博弈进行分析,将博弈理论与信任评估组合应用,设计促使节点间长期诚信访问的约束机制,提出了基于信任的动态访问控制总体方案和相关关键技术策略.安全分析显示,提出的方案是有效且安全的.     

一种新的差分进化约束优化算法

对于约束优化问题,目前提出的差分进化算法大多采用罚函数法,但此方法对罚参数有很强的依赖性.基于此,把约束优化问题中的约束条件当作一个目标函数,从而把约束优化问题转化为有两个目标函数的多目标优化问题.借鉴多目标优化中的Pareto的概念,对种群中的个体规定等级,便于在优胜劣汰过程中确定选择概率.同时,在算法陷入局部最优时,采用一种不可行解替换机制来提高算法搜索能力.对13个标准测试问题的测试结果表明,与动态惩罚函数的进化算法、可行性规则的差分进化算法、采用随机排序的进化策略以及人工免疫响应约束进化策略相比,新算法在求解精度上均具有一定的优势.     

利益相关者参与会计政策选择的进化博弈分析

企业的决策直接影响着市场价值和利益分配,因此解决决策过程中的矛盾和冲突、协调决策者的偏好和选择,是提高企业决策效率、保证会计信息的科学性和公允性、促进资本合理流动的关键.针对利益相关者在微观会计政策选择领域的合作竞争关系问题,采用进化博弈理论的方法分析利益相关者的决策过程发现,最终的策略选择受初始状态的影响,初始策略的选择取决于不同策略下的得益及潜在成本的大小,利益相关者将比较不同会计政策选择的经济后果,进行反复学习和调整.研究结果表明在惩罚成本和声誉损失较大的情况下,均衡点将稳定在风险优势策略的会计政策组合上,而该选择就是兼顾各方利益,并使企业价值最大化的均衡状态.     

个人住房信贷市场的进化博弈分析

目前住房信贷市场存在大量不规范行为,为此将有限理性的银行及个人的行为演化过程视为两人非对称进化博弈。博弈双方的得益是完全信息的,根据进化博弈理论和复制动态机制,建立了无约束条件下个人住房信贷进化博弈模型和有约束条件下的个人住房信贷进化博弈模型,并深入分析住房信贷市场的进化规律。结果表明,在无约束条件下,住房信贷市场有较大可能向不规范的市场进化;而在有政府适当干预或有法律监督的条件下,住房信贷市场最终都向规范合理的市场方向演化。最后,对如何形成规范合理的住房信贷市场提出了几点建议。     

基于博弈论的P2P信任研究

结合经济学上的博弈论知识来分析P2P网络中的信任问题,把节点之间的信任关系用博弈模型来分析,考虑节点之间并不清楚彼此之间的博弈关系会持续多久的重复博弈情形,然后通过调整节点策略的支付来分析使P2P健康有序发展的措施,最后通过仿真工具Gambit来验证该博弈模型.     

集群中企业协作与竞争行为的演化博弈分析

企业集群中存在着大量的企业协作与竞争行为，协作和竞争行为是影响集群竞争力的关键要素.运用演化博弈理论分析方法，借鉴生物进化过程中的“复制动态”的思想，对集群中企业的协作与竞争行为构建了非对称的2×2演化博弈模型，并对策略的选择进行了演化动态稳定性分析.研究指出，存在着两种状态的进化稳定均衡策略，演化博弈的动态演化方向受博弈双方的初始状态的影响，分析了影响集群企业协作与竞争机制的因素,并简要地讨论了两种演化稳定均衡下，集群培育和发展的经济学解释.     

基于Q-学习的进化博弈决策模型

基于Q-强化学习算法,建立了进化博弈中代理人的决策模型.考虑到强化学习算法不需要建立环境模型,可用于不完全、不确定信息问题,将Q-强化学习算法引入到进化博弈中,研究了进化博弈中两种Q-学习决策模型:单代理人Q-学习决策模型和多代理人Q-学习决策模型,并针对不同结构的进化博弈选择不同的决策模型和算法进行了讨论.仿真算例的结果说明基于Q-学习的决策模型能指导代理人学习、选择最优策略.