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。     

基于多策略机制的多模式共生进化算法

本文借鉴生物在生态环境中的对某一特定环境压力的多策略机制，通过模拟普遍存在的共生现象，提出了一种多模式共生进化算法．该算法主要体现了生物面对生态压力可采用不同策略协同的思想，反映了生物在生态环境中进化的多样性和多层次性．本文将该算法应用于系统跟踪问题，实验结果表明此算法具有良好的性能．     

在进化策略中引入策略进化

进化策略是遗传／进化算法中的重要算法之一．如何选择合适的策略来引导进化则又是进化策略的关键问题之一,本文从进化策略对自然选择的基本理解和结论出发，给出了一种对进化策略中的策略选择问题的进化优化方法．同时，我们还讨论了基于进化策略的机器学习问题．     

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。     

基于生殖策略的多模式进化算法

本文借鉴生物在生态环境中的生死策略,提出了一种多模式生态进化算法,该算法主要体现了生物面对同一生态压力可采用不同生殖策略的思想,反映了生物在生态环境中进化的多样性和多层次性,本文同时将该算法应用于典型优化问题求解实验结果表明此算法具有良好的性能。     

有限次重复囚徒博弈中的合作机制研究

模仿现实中人们的决策方式,提出类"触发策略"的策略思想,将原问题由双策略的多阶段博弈转换为多策略的一次性博弈,并建立起扩展的支付矩阵;然后运用进化博弈理论,将随机扰动引入复制子动态,从理论上说明有限次重复囚徒博弈之所以能够涌现合作是复制效应和变异效应共同作用的结果;最后通过建立多主体系统的仿真模型,进一步分析和验证了合作涌现的门限条件和稳定状态。     

Cooperation mechanism in finite iterated prisoner's dilemma:revisit based on real-life decision making simulation

模仿现实中人们的决策方式,提出类“触发策略”的策略思想,将原问题由双策略的多阶段博弈转换为多策略的一次性博弈,并建立起扩展的支付矩阵；然后运用进化博弈理论,将随机扰动引入复制子动态,从理论上说明有限次重复囚徒博弈之所以能够涌现合作是复制效应和变异效应共同作用的结果；最后通过建立多主体系统的仿真模型,进一步分析和验证了合作涌现的门限条件和稳定状态.     

进化博弈控制问题及其计算机仿真实验

进化博弈中参与者是在不完全信息的条件下进行决策的,它只能采用有限理性的策略行动和其它参与者竞争,传统博弈论中关于参与者是完全理性的、能以最优策略行动参与竞争的基本假设对进化博弈是不成立的.在进化博弈的研究中,一般是按照马尔萨斯观点构造战略演化的基本方程,但是基本方程的解在许多情况下不收敛于进化稳定战略.本文对进化博弈中参与者的策略行为做出了更全面完整的假设,修改了进化博弈的基本方程,按照遗传策略的控制思想设计了进化博弈控制算法,建立了基于计算机的进化博弈模型,最后进行计算机仿真实验.实验表明所没计的控制方法是有效可行的.     

进化博弈中交流系数的引入及分析

在传统的进化博弈理论中，假设博弈方与另外博弈方之间的交流是平等的，与其所选择的博弈策略无关。文中将此传统框架扩展，用各博弈方所选择的策略决定其之间的交流程度，即交流系数。交流系数的引入使得各博弈方之间的博弈速率不再是统一的，而是与其各自所选择的策略有关，从而使原本线性的适应度函数成为非线性函数，扩展了进化博弈理论的框架。     

一种协同进化模型的研究

在分析了目前的协同进化算法的优越性与不足的基础上,借鉴生命科学中协同进化的生态背景,提出了一种改进的协同进化算法模型。该模型的主导思想在于将一类物种的某种进化特性作用于另一类物种相似的进化特性,以提高该物种的进化过程。用双物种的聚类算法进行了简单的仿真实验,结果证明在该算法模型下,两物种的最优解优于各自单独进化的结果,且寻优时间大大缩短。     

基于共生策略的多模式进化算法

借鉴生物在生态环境中的共生策略;提出了一种多模式共生进化算法,该算法主要体现了生物面对生态压力可采用不同策略协同的思想,反映了生物在生态环境中进化的多样性和多层次性,该文将该算法应用于系统跟踪问题,实验结果表明此算具有良好的性能。     

基于生态策略的动态多目标优化算法

动态多目标优化问题(dynamic multi-objective optimization problems,DMOP)的目标函数、约束条件或者问题的相关参数随时间变化,是多目标优化领域非常重要的研究难题,传统方法难以很好地追踪其变化的Pareto前沿.针对动态多目标优化问题特点,提出了一种基于生态策略的动态多目标优化算法(dynamic multi-objective optimization algorithm based on ecological strategy,ESDMO).各种群可以采取不同的进化策略应对外部环境变化,捕食种群与被捕食群体间的竞争也促进种群不断提高生存力.受此启发,采用了一种多种群协同进化机制与强化学习策略相结合的协同进化计算模型.该算法定义了一种环境自检算子用于检测环境的变化,不同的种群采取不同的生态策略来应对动态环境变化.经过各种类型的动态多目标优化问题测试,实验结果表明所提出的算法具有更好的解集多样性、均匀性和分布性,验证了该算法对于解决动态多目标优化问题是有效的.     

基于博弈论的P2P网络信任进化机制研究

基于博弈理论,着眼于信任机制的进化演变,应用复制动态机制对节点之间的信任关系的长期演化趋势进行了分析。分析结果显示网络节点之间的信任关系通过博弈收益机制的调节而成为网络安全与稳定的长期演化趋势。仿真结果也证明,应用收益机制调节,信任会成为网络节点的稳定策略,从而提高了网络的安全性与稳定性。     

进化博弈中交流系数的引入及分析

在传统的进化博弈理论中,假设博弈方与另外博弈方之间的交流是平等的,与其所选择的博弈策略无关。文中将此传统框架扩展,用各博弈方所选择的策略决定其之间的交流程度,即交流系数。交流系数的引入使得各博弈方之间的博弈速率不再是统一的,而是与其各自所选择的策略有关,从而使原本线性的适应度函数成为非线性函数,扩展了进化博弈理论的框架。     

基于进化策略的动态递归神经网络建模与辨识

提出一种采用进化策略实现动态递归神经网络结构、权重和自反馈增益同时进化的学习算法,以及自适应进化机制,与改进ＢＰ６算法相结合,各取所长,形成集成化动态递归神经网络建模辨识算法,实际应用结果表明,所提出算法不仅明显提高了动态递是 网络模型辨识自救的收敛速度格精度,而且实现了动态递归网络的全自动优化设计。     

基于进化博弈论的工业无线传感网能耗攻防研究

无线传感器节点由于部署、维护简单易行被广泛应用在工业网络中,并形成了工业无线传感器网络(Industrial Wireless Sensor Network,IWSN).针对在工业控制网络中的能量耗尽攻击的内部机理进行了详尽的分析,提出了基于进化博弈理论的能量耗尽攻防模型,将各个博弈方的收益函数定义为信誉值的函数,从而通过收益函数来约束博弈方的行为,并在理论上证明了该博弈的进化稳定策略的存在性.选取了策略选择概率作为算法的评价指标,设计并实施了大量仿真实验对算法进行验证.实验结果表明无论博弈双方的初始策略集概率分布如何,最终能达到有效防止能耗攻击的目的.     

基于内部罚函数的进化算法求解约束优化问题

为解决现有约束处理方法可行解的适应度函数不包含约束条件的问题,提出了一种内部罚函数候选解筛选规则.该候选解筛选规则分别对可行解和不可行解采用内部罚函数和约束违反度进行筛选,从而达到平衡最小化目标函数和满足约束条件的目的.以进化策略算法为基础,给出了基于内部罚函数候选解筛选规则的进化算法的一个实现.进一步地,从理论和实验角度分别验证了内部罚函数候选解筛选规则的有效性:以(1+1)进化算法为例,从进化成功率方面验证了内部罚函数候选解筛选规则的理论有效性;通过13个测试问题的数值实验,从进化成功率、候选解后代是可行解的比例、进化步长和收敛速度方面验证了内部罚函数候选解筛选规则的实验有效性.     

复杂系统多智能体建模的博弈进化仿真

采用基于复杂系统多智能（Multi-Agent）体的整体建模仿真方法,利用Swarm仿真软件平台建立进化博弈仿真模型（EGM）,对该模型进行了描述和定义,运用EGM对各类对称博弈模型进行仿真运行,并对结果进行分析。仿真结果表明在不同类型的对称博弈中初始策略选择概率和收益矩阵对动态稳定策略的获得有不同的影响,在给定不同的收益矩阵和初始策略选择概率下可以获得不同的进化稳定策略。     

一种基于进化博弈理论的虚拟机部署算法

为了实现云环境中自适应性和稳定性的应用执行与部署,提出一种基于进化博弈理论的多目标虚拟机部署算法.该算法可以确保每个云应用找到一种进化稳定部署策略:对于给定的系统负载和资源可用性,应用可确定其部署位置和相应资源分配.对算法的稳定性进行分析,证明了种群状态可收敛于部署策略的进化稳定策略ESS上,且得到的均衡解是渐近稳定的.通过三层架构的Web应用的仿真实验验证算法性能,结果表明,该算法在响应时间、资源利用率和功耗等指标上表现较优.     

进化策略求解Hopfield神经网络

提出了一种进化策略求解ＨＯｐｆｉｅｌｄ神经网络的方法。该进化策略分三个阶段,即第一阶段只在较小区间上求出局部优化解;然后,在此基础上,由第二阶段求出较大区间上的局部优化解;最后由第三阶段求出全局优化解。同时采用Ｈｏｐｆｉｅｌｄ神经网络动态方程指导第一阶段的局部进化策略的进化方向,因而大大加快了优化搜索速度。在分阶段的进化策略中,其第一阶段只需搜索较小区间、第二和第三阶段的搜索则建立在其前一阶段的基