协同免疫量子粒子群算法求非合作博弈Nash均衡解

考虑n人非合作博弈Nash均衡求解问题。将混合策略意义下的Nash均衡转化为最优化问题;把免疫记忆、自我进化、信息共享机制加入量子粒子群算法,通过概率浓度选择公式来保持种群的多样性,提出协同免疫量子粒子群算法。4个经典的数值算例说明,该算法优于免疫粒子群算法,具有较强的寻优能力和收敛性能。     

基于博弈模型的合作式粒子群优化算法

粒子群算法作为一种新兴的进化优化方法,能够大大减轻复杂的大规模优化问题的计算负担. 根据博弈论的思想,在传统粒子群基础上提出了一种基于博弈模型的合作式粒子群优化算法,算法基于重复博弈模型,在重复博弈中利用一个博弈序列,使得每次博弈都能够产生最大效益,并得到了相应博弈过程的纳什均衡. 通过典型基准测试函数对算法的性能进行对比实验,实验结果表明算法是可行的、有效的,对拓展粒子群算法研究具有重要的理论意义与实际意义.     

基于免疫粒子群算法的非合作博弈Nash均衡问题求解*

针对N人非合作博弈Nash均衡求解问题,将免疫算法中抗体浓度抑制机制和免疫记忆功能引入基本粒子群算法,提出了一种求解博弈问题Nash均衡的免疫粒子群算法。该算法通过抗体浓度抑制机制和免疫记忆功能来保持种群的多样性,不仅保持了粒子群算法简单、易于实现的特点,而且增强了粒子群算法的全局寻优能力,加快了算法的速度。实验表明,提出的算法具有较好的性能,优于免疫算法和基本粒子群算法。     

基于自适应小生境粒子群算法的多重Nash均衡求解

针对n人非合作博弈多重Nash均衡求解问题,提出一种自适应小生境粒子群算法。该算法融合了序列小生境技术、粒子群优化算法的思想,并加入了变异算子和自动生成小生境半径机制,使得所有粒子尽可能分布到整个搜索空间的不同局部峰值区域,从而有效地求得博弈问题的多重Nash均衡。最后给出几个数值算例,计算结果表明所提出的算法具有较好的性能。     

一种基于博弈策略的群智能属性约简算法

建立了粒子群算法与博弈论之间的联系,在此基础上,引入一种基于博弈策略的群智能搜索机制,并应用于粗糙集最小属性约简问题的求解。由此构建的属性约简算法,可以设置不同的参与团体及其博弈策略,构建相应的支付效用矩阵,并能通过博弈过程构建策略的最优组合。多个UCI数据集的实验计算表明提出的基于博弈策略的新算法求解质量优于粒子群优化算法、禁忌搜索、遗传变异和变异粒子群优化算法,并具有较小的计算开销。     

基于免疫粒子群算法的广义Nash均衡问题求解

针对广义Nash均衡求解问题, 提出了一种免疫粒子群算法。首先利用非线性互补问题, 将广义Nash均衡问题转换为非线性方程组问题, 然后把免疫算法中抗体的免疫记忆功能和抗体浓度抑制机制引入基本粒子群算法, 设计了一种免疫粒子群算法。最后通过数值实验表明, 该算法保持了粒子群种群多样性, 增强了粒子群算法的全局寻优能力, 加快了算法的收敛速度, 具有较好的性能。     

Solving Nash equilibrium for N-persons' non-cooperative game based on immune particle swarm algorithm

针对N人非合作博弈Nash均衡求解问题,将免疫算法中抗体浓度抑制机制和免疫记忆功能引入基本粒子群算法,提出了一种求解博弈问题Nash均衡的免疫粒子群算法.该算法通过抗体浓度抑制机制和免疫记忆功能来保持种群的多样性,不仅保持了粒子群算法简单、易于实现的特点,而且增强了粒子群算法的全局寻优能力,加快了算法的速度.实验表明,提出的算法具有较好的性能,优于免疫算法和基本粒子群算法.     

一类n×n矩阵博弈的Nash均衡的近似计算

给出了一种求解某类n×n矩阵博弈Nash均衡的近似解的算法。通过剖分单纯形,将混合策略空间离散化,利用初始的单纯形根据标号函数和替换规则求出此类矩阵博弈Nash均衡的近似解。并分析了其最优解与近似解的计算误差。     

基于粒子群和博弈论的QoS组播路由算法

为改善互联网的服务质量(QoS)组播路由能力,设计一种基于多子群和博弈论的QoS组播路由算法。该算法由边评判、博弈分析和组播路由树建立等部分组成。基于适合隶属度函数对边进行模糊综合评判,利用博弈分析方法确定网络提供方与用户在边上的效用Nash均衡程度,通过组播路由树建立算法,在用户QoS要求得到满足的条件下,使得网络提供方效用与用户效用达到或接近Nash均衡意义下的Pareto最优。仿真实验验证了该算法的良好性能。     

基于改进量子粒子群算法的Nash均衡研究

在N人非合作博弈Nash均衡问题求解过程中,将量子不确定性原理、协同演化以及免疫算法内的抗体浓度抑制机制引进到经典粒子群算法中,设计了一种新型改进量子粒子群算法来更好地处理Nash均衡问题。该算法在运算过程中,运用抗体浓度以及协同演化的方式来维系粒子群具备的多样性特征,并借助量子不确定性缩减迭代搜索耗时。该算法不仅有效地将粒子群算法运算简单与方便实现的特质承继下来,而且算法的收敛速度以及其全局搜索能力都获得了大幅度的提升。相关数值算例分析表明,改进的算法能够更好地处理粒子早熟,相较遗传算法以及免疫粒子群算法更具性能优越性。