非完备策略的演化少数者博弈模型研究

提出了一种基于非完备策略的演化少数者博弈模型,它在演化的同时允许参与者的策略包含部分随机位,并且规定当主规则随机选择时,由次规则顶替指导。对比分析和数值模拟表明,新模型由于在策略结构上采用“缺席的等级制度”,其性能相对于普通演化MG模型有显著提升,能够以更小的记忆步长和更稳定的策略组成,进化到一个近乎理想的协作状态。     

系统直和博弈模型下的合作演化

演化博弈论是生物进化论与博弈论结合产生的理论,已成为研究合作演化行为的有力工具.本文研究了基于系统直和博弈模型下的合作演化行为.首先,利用复制者方程分析了双人双策略及三策略对称博弈的演化动力学过程.然后,以石头剪刀布模型和雪堆模型为基础,采用矩阵直和构建系统直和博弈模型,并将所构造的直和矩阵转化为含参数的系统总支付矩阵.随后,说明了这种方法可推广到n个博弈的情形.最后,利用MATLAB对系统直和博弈模型进行仿真模拟,从系统整体的角度分析合作演化.仿真结果表明,混合之后的系统直和博弈较单一博弈而言,合作策略的占比明显增加,且整个系统稳定性更好.这种合作演化机制呈现了全局互惠.     

三方多策略式博弈系统的长期演化稳定均衡特性研究

演化博弈论(EGT)基于有限理性假设且更加贴近现实,近年来已在众多领域得到了初步应用.基于此,本文关注一类较为常见的三方多策略式演化博弈系统,尝试通过理论分析总结其长期演化稳定均衡(ESE)特性,并进行仿真验证研究.首先,研究了一般情形下的三方两策略对称与非对称演化博弈系统;然后,将其扩展到更复杂的三方三策略非对称演化博弈类型,并对其长期ESE特性进行了理论分析与动态仿真验证;进一步,对通用三方n-策略(n 1)非对称演化博弈的建模思路进行了阐述与总结,给出其收敛迭代的计算方法.研究过程中详细定义了各类演化博弈模型的相对净支付(RNP)参数.实验结果表明可通过一些外部因素适当调整RNP参数使各类系统朝着期望的长期ESE状态自发收敛.最后,进行了实例验证.本文研究模型、方法和所得结论具有一定普适性,旨在丰富EGT研究,尤其是三方多策略演化博弈问题研究,并为相关领域非完全理性人参与的行为决策问题研究提供一些思路和理论参考.     

基于元胞自动机的人工金融市场及其仿真研究

该文通过对金融市场复杂性的分析,并基于元胞自动机和争当少数者模型提出了一个开放的金融预测模型。模型中的投资者相当于争当少数者模型里的agent,每个投资者都必须从初始时各自定义的策略集合中选择最成功的作为每一步的预测策略。同样,投资者也相仿于元胞自动机中的元胞,而选定的预测策略就作为元胞的局部规则,每个元胞都根据局部信息和局部规则做出估价。模型的最终预测值就是由数千个这样的投资者决定的。此模型是开放性的,因为可以通过扩充或重构其预测策略库来获得更精确的预测结果。数值实验显示,虽然策略库比较简单,但其预测的平均相对误差仅为1．73％。     

基于遗传算法的合作演化仿真

用Multi-Agent建模与仿真研究方法,构建小世界网络下的囚徒困境博弈演化模型,以遗传算法模拟重复博弈策略的演化,研究小世界网络下囚徒困境博弈的合作演化规律.仿真结果表明:重复博弈机制下合作更容易形成,重复博弈下的优秀策略具有一些共同的特征.     

一种软件特征模型扩展和演化分析方法

特征模型是面向特征的软件开发过程的重要概念和制品,该模型以特征为单位,刻画了领域产品的共性和可变性.在日趋频繁的软件演化过程中,保持特征模型的一致演化,对于支持高效的复用开发和按需配置至关重要.目前,大多数的研究是在需求层面进行共性和可变性分析,对特征模型的研究则集中在对共性和可变性的建模上.但是,由于特征变更在建模过程中存在"涟漪"效应,会导致新的共性和可变性演化.现有的分析方法还无法解决这个问题,会导致丢失一些潜在的产品共性,从而影响复用的效率.提出了一种特征模型扩展和演化分析方法.通过扩展特征关联关系和模型演化元操作,实现对特征变更"涟漪"效应的分析.发现潜在的产品共性,提出重构策略和半自动化的共性提取和特征重构支持方法.该方法还针对典型的配置冲突提出了冲突消解规则和策略.最后,通过案例分析验证了该方法的可用性和有效性.     

基于本体的特征模型演化的一致性验证

针对特征模型的演化导致特征间的冲突问题, 从特征模型的演化方面进行研究, 提出了一种基于本体的特征模型演化的一致性验证方法。首先采用本体理论方法对特征模型的演化进行分析和建模, 建立本体的特征模型元模型; 其次基于上述元模型, 为网上购物系统实例建立相应的网上购物的领域特征模型, 根据需求裁剪出产品特征模型; 然后在Eclipse集成开发环境下, 通过Jena推理机加载规则和产品特征模型进行一致性验证, 当检测到冲突时, 采用演化策略来消除冲突; 最后通过实例研究说明了该方法的有效性。     

基于系统动力学的环境污染演化博弈问题研究

用系统动力学建立环境污染管理问题中政府管理部门与生产排污企业之间的一个混合战略演化博弈模型.仿真结果表明:非对称结构的2*2混合策略演化博弈模型不存在演化均衡.从监管部门的角度出发,改变博弈支付矩阵在演化博弈过程始终保持不变的情况,在博弈支付矩阵中考虑动态惩罚策略.结果表明,本策略的演化博弈模型存在演化稳定均衡,即Nash均衡.系统动力学为演化博弈理论的验证和应用提供一个政策仿真实验平台.     

动态攻击网络Markov演化博弈安全分析模型

网络攻击或防御策略选取的随机性会导致系统状态变化的随机性,网络攻防的过程也定然是收益矩阵各不相同的多状态上的对抗。使用Markov决策过程对这一随机性进行刻画,将单状态的博弈模型扩展到多状态,形成了多状态多智能体的Markov演化博弈模型;在形式化建模的基础上,证明了均衡策略的存在;通过非线性规划的求解方法得到了攻防策略方案。最后以一个典型的企业网络攻防过程为例,使用该模型进行了仿真分析和推演,结果表明该模型符合实际应用,评估结果准确,有助于攻防博弈研究的发展。     

电子商务中客户评价策略选择的演化博弈分析

针对电子商务信任评价机制中难以采取有效激励措施使客户进行真实评价的问题,根据客户对商家的评价行为具有不完全信息和有限理性特点,建立演化博弈模型对信任模型的激励措施进行分析和改进。该模型运用复制动态机制模拟客户的策略选择演化,对现有激励措施下演化稳定策略（ESS）的存在性进行论证,并基于系统动力学增加补偿收益进行改进。基于NetLogo系统动力学模块建模实验表明,相较于基于兴趣群组的信任激励模型（IGTrust）,改进后的激励措施得到ESS并成功预测和控制了客户评价策略;同时模型具备鲁棒性,应对7%客户评价策略变异也能够保持演化稳定状态。     

时间尺度与选择倾向性协同作用下的演化博弈模型

针对合作行为的涌现与维持问题，基于演化博弈理论和网络理论，提出了一种促进合作的演化博弈模型。该模型同时将时间尺度、选择倾向性引入到演化博弈中。在初始化阶段，根据持有策略的时间尺度将个体分为两种类型：一种个体在每个时间步都进行策略更新；另一种个体在每一轮博弈后，以某种概率来决定是否进行策略更新。在策略更新阶段，模型用个体对周围邻居的贡献来表征他的声誉，并假设参与博弈的个体倾向于学习具有较好声誉邻居的策略。仿真实验结果表明，所提出的时间尺度与选择倾向性协同作用下的演化博弈模型中，合作行为能够在群体中维持；惰性个体的存在不利于合作的涌现，但是个体的非理性行为反而能够促进合作。     

区块链51%双花攻击的进化博弈及防控策略研究

双花攻击作为支付领域的一种安全隐患,给区块链系统的正常运行带来了严重影响。针对双花攻击中破坏力较强的51%双花攻击,构建了区块链中51%双花攻击的进化博弈模型,揭示了节点策略的动态演化趋势,并通过推导进化稳定策略,预测双花攻击出现的概率。同时把交易价格和交易费用作为进化博弈模型中的两个重要变量,探究该变量的不同取值对博弈结果的影响规律。仿真实验验证了上述模型的有效性,最后从交易费用和交易价格两个方面提出了51%双花攻击风险防控的策略和建议。     

虚实互动网络环境下的双群体演化博弈仿真研究

针对虚实互动网络环境下的双群体演化博弈问题,首先给出了一般博弈模型并进行了复制动态分析;然后,建立了双同质群体的多智能体仿真模型,并将仿真结果与复制动态分析和单同质群体进行了对比;最后,从策略更新时间、网络结构、学习机制三方面提出了双群体的异质演化机制。仿真结果表明,不同演化博弈机制下的演化稳定策略基本一致,但演化稳定策略的收敛速度及鞍点取值不同,应用时要根据实际问题的异质特征来构建恰当的博弈演化机制。     

基于演化博弈的最优防御策略选取研究

无线传感器网络极易遭受各种安全威胁,基于博弈论的入侵检测方法能有效平衡网络的检测率和能耗,但是基于完全理性假设的传统博弈模型存在不足。因此,针对不同的攻击方式,引入演化博弈理论,从攻防双方的有限理性出发,构建入侵检测攻防演化博弈模型,然后利用复制动态方程分析了攻防双方策略的演化趋势,提出了最优防御策略选取算法。仿真实验表明了所提模型的合理性和算法的有效性,与其他策略相比,所提防御策略更贴合实际应用场景,在保证检测率的前提下,减少了资源消耗,延长了网络生存时间。     

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。     

基于动态拓扑的空间演化博弈与群体行为分析

从惯性特征与空间博弈的角度探讨智能体的策略选择与系统涌现特征的关系。构建拓扑结构时刻变化的空间演化博弈模型,分析了当智能体在具有完全惯性与不完全惯性这两种时间维度下系统演化的稳定策略,通过分析稳定策略探讨集群簇的涌现、时间与空间分布等特征。进一步地,基于时刻演化的动态拓扑构建少数者空间博弈模型,分析在负反馈机制下智能体的微观惯性特征与系统演化特征的关系。     

基于多阶段演化信号博弈模型的移动目标防御决策算法

当前网络安全事故频发,传统被动防御技术已经无法应对未知的网络安全威胁。针对这一问题,构建了多阶段演化信号博弈模型,并以防御方主动发射诱导信号进行安全防御为背景,提出了一种基于多阶段演化信号博弈模型的移动目标防御（MTD）决策算法。首先,以博弈双方不完全信息约束及完全理性前提为假设对模型的基本元素进行定义并进行模型整体理论分析;然后,设计了攻防策略的收益量化方法,并给出了详细的最优策略均衡求解过程;最后,引入MTD方法分析多阶段攻防情况下双方策略的演化趋势。实验结果表明,所提算法能准确预测出不同阶段最优防御策略,而且对新型网络主动防御技术研究具有指导意义。同时,通过蒙特卡洛仿真实验,将所提算法与传统随机均匀策略选择算法进行对比,所得结果验证了所提算法的有效性和安全性。     

Solution of multiobjective optimization problems: coevolutionary algorithm based on evolutionary game theory

When attempting to solve multiobjective optimization problems (MOPs) using evolutionary algorithms, the Pareto genetic algorithm (GA) has now become a standard of sorts. After its introduction, this approach was further developed and led to many applications. All of these approaches are based on Pareto ranking and use the fitness sharing function to keep diversity. On the other hand, the scheme for solving MOPs presented by Nash introduced the notion of Nash equilibrium and aimed at solving MOPs that originated from evolutionary game theory and economics. Since the concept of Nash Equilibrium was introduced, game theorists have attempted to formalize aspects of the evolutionary equilibrium. Nash genetic algorithm (Nash GA) is the idea to bring together genetic algorithms and Nash strategy. The aim of this algorithm is to find the Nash equilibrium through the genetic process. Another central achievement of evolutionary game theory is the introduction of a method by which agents can play optimal strategies in the absence of rationality. Through the process of Darwinian selection, a population of agents can evolve to an evolutionary stable strategy (ESS). In this article, we find the ESS as a solution of MOPs using a coevolutionary algorithm based on evolutionary game theory. By applying newly designed coevolutionary algorithms to several MOPs, we can confirm that evolutionary game theory can be embodied by the coevolutionary algorithm and this coevolutionary algorithm can find optimal equilibrium points as solutions for an MOP. We also show the optimization performance of the co-evolutionary algorithm based on evolutionary game theory by applying this model to several MOPs and comparing the solutions with those of previous evolutionary optimization models. This work was presented, in part, at the 8th International Symposium on Artificial Life and Robotics, Oita, Japan, January 24#x2013;26, 2003.     

Comments on "A computational evolutionary approach to evolving game strategies and cooperation"

Azuaje offers an approach to the co-evolution of competing virtual creatures and a model for the evolution of game strategies and their emerging behaviors (F. Azuaje, see ibid., vol. 33, p.498-502, 2003). This model can be greatly simplified and optimal solutions can be obtained more quickly and easily by using an analytical approach. We emphasize the importance of performing a model analysis before choosing an evolutionary or analytical approach to a problem. Furthermore, Azuaje's model is derived from the Prisoner's Dilemma, a classical model in game theory; some results have already been discussed in the literature. We discuss his model from the perspective of game theorists.