多人多级递阶多目标决策的鼓励性策略及其应用研究

本文研究了三人二级递阶多目标决策问题。利用可诱导区的概念和多目标决策技术,对这一问题解的结构给予了完整的描述,提出了一种鼓励性策略.並将其推广应用于求解一般的多人多级递阶多目标决策问题。文中给出了数值例子,並对该策略在教育、经济系统中的应用进行了有益的探讨。     

关于从方偏好信息不完全时的满意激励机制研究

研究从方具有多个目标且主方没有掌握从方对各目标的偏好结构信息的主从对策问题.提出了从方具有多个目标的最优诱导策略,探讨了主方对从方的满意激励机制.     

多随从非线性诱导策略

利用不变凸性的性质研究静态多随从诱导问题,得到了一类非线性诱导策略的存在性条件.     

多目标决策的激励策略可行解

针对多目标决策问题,提出一种新的基于一般变权原理的求解方法.利用一般变权原理提出激励策略可行解,证明其为多目标决策的均衡有效解,并给出求激励策略可行解的步骤.通过实际算例表明,所提出算法正确有效,且相对于线性加权和法、平方加权和法而言,具有较好的均衡性.     

多群多策略差分大规模多目标优化算法

针对差分进化算法在解决大规模多目标优化问题时,出现优化后期多样性不足、收敛速度慢等问题,提出一种多群多策略差分大规模多目标优化算法.根据个体特性不同,将种群分为3个等级不同的子群,利用多群策略的优势维持种群多样性.为减少种群陷入局部最优的概率,在不同等级的子群中引入多个变异策略以较好地平衡子群个体的多样性和收敛性.为保证不同子群间信息得到有效交换,根据3个子群的进化状态确定重新分群时机,既保证个体在本群内得到充分进化,又保证个体在一定的条件下进行信息交换.为利用更多的信息生成优秀的子代,将更新后的子群与其父代子群合并,选出下一代子群.为验证所提出算法的有效性,在一组大规模基准测试问题上评估算法的性能,实验结果表明,所提出算法在两个常用测试指标IGD和HV上明显优于其他对比算法.     

多目标分散决策的目标规划模型和玻尔兹曼机解法

研究建立了分散组织结构下多目标分散决策的目标规划模型，根据随机神经网络－－玻尔兹曼机的基本原理，提出了求解该问题的一种新方法。示例的仿真结果表明该方法是非常有效的。     

基于偏好信息的动态引导式多目标寻优策略研究

传统的多目标进化算法研究的重点是获得分布在整个Pareto边界上的最优解集,而在现实问题中,决策者只对边界上某些区域分布的解感兴趣.纳入决策者偏好信息的多目标进化算法的研究很有实际意义.因此节约计算资源、快速有效地找到偏好区域的Pareto解集成为其研究的重点.针对该问题,本文提出基于偏好信息的动态引导式多目标寻优策略.该策略通过设置参数ε反映搜索过程中引导区域的动态性,参数控制DM偏好范围.将解与引导区域的距离作为响应选择策略的一个因素,从而有效地获得期望区域内的折衷解.实验结果表明,该算法具有较好的收敛性.     

有多个不合作随从的诱导策略

本文讨论上级宣布策略后随从进行Nash不合作对策时的诱导问题.由于Nash不合作平衡点的不唯一性,本文提出了拟诱导策略,弱诱导策略和强诱导策略的概念。当随从目标函数是凸函数时,得到了仿射型拟诱导策略和仿射型弱诱导策略的存在条件与设计方法,当随从目标函数是正定二次函数时,得到了仿射型强诱导策略的存在条件与设计方法,并有示例说明本文的结论。     

一种基于vague集的模糊多目标决策新方法

提出一种新的基于vague集的模糊多目标决策方法。解决在无权重的情况下模糊多目标决策，所得的方法能更好的应用于模糊多目标决策，并通过例子阐明本文方法的有效性和优越性。     

An Incentive Mechanism for Federated Learning: A Continuous Zero-Determinant Strategy Approach

As a representative emerging machine learning technique, federated learning (FL) has gained considerable popularity for its special feature of “making data available but not visible”. However, potential problems remain, including privacy breaches, imbalances in payment, and inequitable distribution. These shortcomings let devices reluctantly contribute relevant data to, or even refuse to participate in FL. Therefore, in the application of FL, an important but also challenging issue is to motivate as many participants as possible to provide high-quality data to FL. In this paper, we propose an incentive mechanism for FL based on the continuous zero-determinant (CZD) strategies from the perspective of game theory. We first model the interaction between the server and the devices during the FL process as a continuous iterative game. We then apply the CZD strategies for two players and then multiple players to optimize the social welfare of FL, for which we prove that the server can keep social welfare at a high and stable level. Subsequently, we design an incentive mechanism based on the CZD strategies to attract devices to contribute all of their high-accuracy data to FL. Finally, we perform simulations to demonstrate that our proposed CZD-based incentive mechanism can indeed generate high and stable social welfare in FL.     

离散价值结构下具有优超策略激励相容的二人协商机制设计研究

在离散价值的结构假设下研究了不完全信息的二人协商问题，给出具有 优超策略激励相容性、事后理性协商机制的完全刻画。在此基础上，探讨了其效率问题，给出事前有效的上述机制的完全刻画，并且证明不存在事后有效的上述机制。最后研究了价值结构变化对机制效率的影响。     

一种动态多目标决策模型及其应用

针对一类动态多指标决策问题。提出一种多目标多阶段动态决策模型。根据所提出的效用函数,将决策矩阵归一化到相应的效用矩阵。该效用函数以指标的平均值为参数考点,突出了“奖优罚劣”原则,提高了分辨精度。最后提出一种动态决策目标函数,并通过对５城市３年综合经济效益的评估实例,表明此方法是合理可行的。     

基于博弈论的移动目标最优防御策略研究

基于博弈论的网络安全防御大多数使用完全信息静态博弈或不完全信息动态博弈理论建立攻防模型,但完全信息静态博弈使用场合受限,实用性不强,所以使用不完全信息动态博弈建立攻防模型更贴近实际情况,而以往由不完全信息动态博弈建立的攻防模型认为观测到的攻击策略为真实攻击策略则没有考虑观测到的攻击策略很可能会出现误差。为此,引入最小风险的贝叶斯决策的思想,将防御系统对攻击策略发生误判、错判时,采取的防御策略对系统带来的风险考虑在内,建立了基于不完全信息动态博弈的移动目标最优防御策略模型。该策略模型通过分析防御决策风险大小,使防御策略收益量化更加精准、全面,并利用不完全信息动态博弈的精炼贝叶斯均衡选取最优防御策略。通过实例进行分析,验证了模型的有效性。     

基于满意度大规模含整变量多目标决策方法

针对具有块角结构的大规模含整变量多目标决策问题，提出一种基于目标满意度的交互式分解协调方法。定义了若干概念，给出了若干定理，介绍了交互式决策方法的具体步骤，并对其软件实现作了说明。     

Private BitTorrent激励机制研究

P2P文件传输系统中出现的搭便车(free-riding)现象,结合博弈论思想分析了Private BitTorrent系统的激励机制.根据PT网络文件分发的过程建立模型,结合模型证明了基于SRE激励机制对PT系统的有效性,给出PT下载客户端配置参数之间应符合的理想关系.     

基于前景理论的具有指标期望的多指标决策方法

针对决策者给出单一与组合指标期望情形的多指标决策问题, 提出一种基于前景理论的决策分析方法. 首先, 依据前景理论将决策者给出的指标期望视为参照点, 分别计算各方案针对各单一与各组合指标期望的前景价值,并构建各方案的综合前景价值向量; 然后, 将原始决策问题转化为相应的广义优序模糊约束满意问题(GPFCSP), 进而计算各方案针对相应推理准则的总体满意度, 并据此对各方案进行排序; 最后, 通过算例表明了该方法的可行性.