基于有限理性的个体出行路径选择进化博弈

首先,从出行者的信息集和理性层次的差异两个方面给出两种改进的“最优反应动态”模型,并将其应用于一个算例,得到了与利用复制者动态方程所求得的进化稳定策略一致的结果;然后,为验证结论的普遍性,将出行者和路径数量扩充,构造了相应的算法,并将此算法及其复制者动态方程应用于一个规模较大的路网;最后,将不同机制下的实验结果进行了比较,并对其实际意义进行了分析．

     

基于进化博弈的网格资源分配方法的研究

在网络资源优化分配问胚的研究中,由于用户存在决策失误,现有基于理性用户博弈的网格资源分配在实际网格环境会完全失效.分析了非完全理性网格用户群体的资源分配策略及其演化过程,提出一种改进的复制动态机制的网格资源分配方法,克服了用户理性的限制,引入变异机制,在无初始学习样本的情况下,也能确保用户达到进行稳定策略点,实现了网格资源在有限理性用户之间的优化分配.仿真表明,用户通过学习对资源分配策略进行调整,可实现最优分配策略并处于稳定状态,证明了进化博弈的资源分配方法在网格环境中的适应性和稳定性.     

有限理性下的企业合作竞争的进化博弈分析

在有限理性的条件下,应用进化博弈论中的模仿者动态模型来分析企业合作竞争博弈的演化,用进化稳定策略来描述合作竞争博弈的长期演化趋势。并分别讨论了对称和非对称的合作竞争博弈的进化均衡与稳定性。最后,指出确定性模仿者动态模型的不足,以及当今随机动态系统理论的发展。     

网格资源非对称进化博弈分配策略

针对经济模型的网格系统中资源分配的竞争问题,应用进化博弈论中多种群复制动态博弈模型对有限理性网格用户有差别的出价策略进行了研究,提出了一种非对称进化资源分配博弈模型,该模型将网格用户分为出价偏低的保守种群和出价偏高的激进种群,分析了两种网格种群采取合作与竞争策略的自发进化过程,求解了各自的复制动态方程,并通过实例化的非对称支付矩阵求解了复制动态系统的进化稳定策略。研究表明,只有博弈双方选择对等的行为策略才能促进网格资源的公平分配。     

有限理性博弈问题和自适应博弈学习模型

有限理性参与者之间的博弈问题是人们十分关注的研究项目.目前已提出了一些博弈学习模型,但都存在一定的局限性,本文给出了博弈学习的一个改进方法,建立了新的博弈学习模型.计算机实验表明,新的博弈学习方法的实用性和有效性有了很大的提高.     

认知无线网络中基于进化博弈的动态频谱接入*

研究了认知无线网络环境中基于价格动态性的动态频谱接入,即不同的授权网络服务商以不同的价格将空闲频谱出售给认知网络,且认知用户可以根据自己获得的报酬动态地接入不同的网络。为最大化认知网络的效用,提出了基于进化博弈的动态频谱接入方案。仿真结果表明,当认知用户群体到达进化均衡时,接入每个主网络的认知用户数量的比例达到稳定状态,最大化了认知用户和网络的效用。     

基于进化博弈的P2P网络中信任计算的动力学分析

运用动力学原理,基于进化博弈理论,对信任计算的动力学方程进行了求解分析,并运用复制动态原理分析了节点之间信任关系的演化趋势,进一步揭示了信任计算的演化动力学规律。仿真实验表明,进化是网络节点信任合作的动力源泉。     

基于无线多跳网络有限理性节点博弈分析

无线多跳网络的时空动态性,使得网络中的节点对服务质量的需求具有多样性,不同需求的变化促使节点扮演"有限理性"的参与者,去适时改变效用分析。本文基于博弈理论,结合"智猪博弈"典型模式,设计合理机制激励节点依据"杠杆原理"分析群体与个体之间的利益关系,使节点根据自身的实际需求寻求效用与通信代价之间的平衡点。     

一种基于Q学习的有限理性博弈模型及其应用

传统博弈理论模型建立在人的完全理性基础之上,难以切合实际。有限理性博弈则能够很好地描述实际问题。有限理性的博弈者参与到不完全信息博弈中,对博弈的规则、结构以及对手等博弈信息有一个逐渐适应和了解的过程,因此博弈应是动态进化的模型。针对这一问题,提出了一种基于Q学习算法的不完全信息博弈模型,根据Littman的最大最小原则建立了多指标体系下的策略选择概率分布;构建了Q学习与博弈融合的数学模型,使用Q学习机制来实现博弈模型的动态进化;最后将模型应用于两人追逐的仿真实验,结果表明所提出的模型能够很好地再现追逐情景。     

基于生态网络的P2P环境信任博弈进化模型

P2P网络中信任机制能够很好地检测和惩罚恶意节点,激励节点之间合作。提出了一种基于生态网络协同进化机理的信任博弈模型,应用复制动态机制分析了节点之间信任关系的长期演化趋势,从理论与实践上说明了在P2P网络中应用此信任模型具有良好的演化稳定性及性能的整体最优性。     

What evolutionary game theory tells us about multiagent learning

This paper discusses If multi-agent learning is the answer, what is the question? [Y. Shoham, R. Powers, T. Grenager, If multi-agent learning is the answer, what is the question? Artificial Intelligence 171 (7) (2007) 365-377, this issue] from the perspective of evolutionary game theory. We briefly discuss the concepts of evolutionary game theory, and examine the main conclusions from [Y. Shoham, R. Powers, T. Grenager, If multi-agent learning is the answer, what is the question? Artificial Intelligence 171 (7) (2007) 365-377, this issue] with respect to some of our previous work. Overall we find much to agree with, concluding, however, that the central concerns of multiagent learning are rather narrow compared with the broad variety of work identified in [Y. Shoham, R. Powers, T. Grenager, If multi-agent learning is the answer, what is the question? Artificial Inteligence 171 (7) (2007) 365-377, this issue].     

An evolutionary game algorithm for grid resource allocation under bounded rationality

Resource allocation cannot reach equilibrium in one‐off game in grid environment because of the bounded rationality of the users. To address this issue, an evolutionary game algorithm for grid resource allocation is proposed in this paper. The evolutionary game theory is introduced to study the selection process of user strategy from the dynamic viewpoint. Firstly, the problem of multiple users competing for a common resource is formulated as a symmetric game. Secondly, replicated dynamic mechanism is used to produce the evolutionary stable point that leads to a satisfied allocation scenario. Finally, the relationships among the evolutionary stable point, valuation functions, and convergence time are discussed in detail. The results of the experiments show that the proposed evolutionary game algorithm is convergent and generates better utility results compared with the classical game algorithm. Copyright © 2009 John Wiley & Sons, Ltd.     

有限理性模型在游戏智能决策中的研究与应用*

为了让游戏NPC能够学习和模拟玩家在游戏中的策略和行为方式,在基于模型的智能决策方法基础上,结合行为决策理论中的有限理性模型提出了一种新的游戏智能方法.该方法分别从有限理性模型的两个核心原则——有限理性和满意准则来改进过去的方法在感知和决策过程中所面对的问题,从而使得游戏NPC行为决策方式更加人性化.最后,通过在Starcraft平台上与其他方法的对抗性实验来进一步验证该方法的优势.     

基于演化博弈论的p-坚持CSMA网络接入控制研究

考虑到存在无线信道差错,针对p-坚持CSMA网络的非合作系统行为,建立了p-坚持CSMA演化博弈模型,推导了唯一的演化稳定策略,以饱和吞吐量最大、平均能耗最小为目标求解了最优演化稳定策略。然后,进一步研究了收益时延、成功收益以及比特差错概率对最优演化稳定过程的影响。数值仿真结果表明,当比特差错概率一定、收益时延较小时,选择合适的成本和收益,使多路访问博弈在最优传输概率处演化稳定,可获得一个稳定且性能最优的p-坚持CSMA网络。     

基于前景理论的居民出行方式选择

对于实际出行中居民心理因素对出行方式选择的影响问题,构建基于前景理论的居民出行方式选择模型,提出了一种更加符合人类思维习惯的出行方式选择方法。综合考虑居民对行程时间及出行费用两种指标的心理参照点,得出相对最能使居民满意的出行方式选择结果;通过不同参照点下出行方式的综合前景值的变化分析了参照点对出行方式的选择的影响;最后通过实例说明了此方法在出行方式选择中的应用。实验结果表明：行程时间参照点要求较低的小范围内居民倾向于公交出行,尽管出租车与私家车出行方式综合前景值趋势变化一致,但更大范围内的居民倾向于私家车出行,这与实际相符。所提方法为预测居民出行方式提供了一种新的途径。     

有限理性下知识团队知识共享的演化博弈分析

为提高知识团队成员共享知识的意愿,通过运用演化博弈论,对知识团队知识共享的内在机理与动态演化过程进行了分析.结果表明,影响知识团队知识共享的因素有知识员工的知识拥有量差距、风险系数、知识共享度、互补性知识比例、激励系数、协同性影响程度等,通过调整这些参数的大小,可以有效提高知识团队成员选择知识共享策略的概率.     

The influence of user cognition on consumption decision-making from the perspective of bounded rationality

Consumer decision-making is related to the success or failure of enterprises, and products that cater to the cognitive preferences of users have become a focus of current research. Based on the theory of bounded rationality, this paper explores the cognitive process of consumer decision-making. Then, how product shape affects consumption decision-making is analyzed with eye-tracking technology. Finally, the design principle of the product form is further explored. The results demonstrate the following: (1) the perceptual cognition of users has a driving effect on consumption behavior; (2) as a key factor affecting the perceptual cognition of users, product form affects consumer decision-making by influencing the degree of approach motivation; (3) by establishing the mapping relationship between product form elements and user images, the principles of product form design can be more consistent with user image preferences. This study provides useful suggestions for how to increase the purchase behavior of users from the perspective of bounded rationality.     

基于知识的神经网络在出行方式选择中的应用研究

针对神经网络和决策树方法在算法上的本质联系和互补优势,将C4.5决策树提取规则的基于知识的神经网络（knowledgebased neural network,KBNN）用于出行方式预测。对居民通勤出行方式选择数据的分析表明,KBNN相比于决策树方法、普通前馈神经网络和多项Logit模型（MNL）有更高的预测精度,方法不仅提高了网络的可解释性,且易于构造、收敛速度更快,实用性较强,为出行方式选择预测提供了新的思路。     

基于有限理性的弹性需求随机用户均衡交通分配模型*

为了同时考虑路网的随机变化特征和出行者的感知误差,在有限理性框架下基于累积前景理论建立了一个弹性需求随机用户均衡模型,给出了等价的变分不等式,设计了求解算法并通过算例进行了验证,结合参数敏感性对均衡状态出行者的认知和心理特征进行了分析。结果表明,OD出行需求和网络均衡态具有显著的参照点依赖效应,出行者对路况满意度越高OD出行需求越大,对路况熟悉程度越高OD出行需求越小。模型及算法可以加深对出行行为的理解,改进传统模型理论假设及适用性的局限,更加精确描述交通流的实际分布形态。