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PSO优化博弈的区块链共识算法

针对现有的区块链共识算法存在决策不均衡、适用性过小和产生共识困难等问题,根据纳什均衡理论,将区块链节点视为博弈的参与者,在共识过程中将节点策略选择的纳什均衡作为共识目标,提出基于纳什均衡的共识算法.在纳什均衡求解中利用聚类算法对同类型节点聚类,用基于拥挤距离和引力搜索算法改进的粒子群优化算法求解以类为基本种群的纳什均衡近似解,将均衡解下所对应的结果作为主节点.设计面向组合投资区块链系统求解共识机制的实验,分别从算法的安全性和扩展性验证该算法的有效性.     

资源受限移动边缘计算任务拆分卸载调度决策

研究带有计算访问点的多用户移动边缘计算环境中的多任务调度与卸载决策问题。为了降低移动设备端的能耗,并确保用户任务的延时需求,提出一种基于博弈论的任务卸载决策算法。为了求解博弈模型,将卸载博弈模型转换为势博弈模型,进而证明博弈存在纳什均衡解,并设计一种基于有限改进性质的分布式博弈方法寻找该纳什均衡解。实验结果证明,在不同的起始策略组合条件下,该博弈算法可以得到相对于对比算法更接近于理论最优解的系统总体最优代价。     

利用退火回归神经网络极值搜索算法求纳什均衡解

针对如何解算n人非合作的动态博弈对策中的纳什均衡解问题,提出一种利用退火回归神经网络极值搜索算法解算纳什均衡解的方法．在动态博弈对策问题中,将每个竞争者视为一个代价函数,利用此算法可以使每个代价函数均收敛于其最小值,从而获得此对策的纳什均衡解．此算法不限制代价函数的具体形式,同时由于摒弃了正弦激励信号,解决了一般极值搜索算法中存在的输出量“颤动”现象和控制量来回切换问题,改善了系统的动态性能．     

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。     

基于排斥技术的QPSO算法在纳什均衡中的应用

基于量子行为的粒子群优化算法(QPSO)是一种随机的全局优化搜索新方法。文章系统地介绍了PSO算法、QPSO算法和“repulsion”技术。在对QPSO算法和基于“repulsion”技术的PSO算法分析的基础上,提出了基于“repulsion”技术的QPSO算法。将该算法用于求解混合纳什均衡。实验表明,新算法在解的收敛性和稳定性等方面优于QPSO算法。     

基于非策略Q学习方法的两个个体优化控制

针对线性离散时间系统的非零和博弈问题,提出一种非策略Q学习算法。首先,提出非零和博弈优化问题,并且严格证明根据每个个体性能指标定义的值函数为线性二次型。然后,基于动态规划和Q学习方法,给出非策略Q学习算法,得到非零和博弈的近似最优解,实现系统的全局纳什均衡。此算法不要求系统模型参数已知,完全利用可测数据学习纳什均衡解。最后,算例仿真验证了方法的有效性。     

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。     

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.     

基于几何变换的MAGA求解多纳什均衡

针对粒子群优化PSO早熟收敛而且只能寻找一个极值的问题,提出基于几何变换的MAGA混合智能算法,并应用于博弈论求解多纳什均衡问题。算法由粒子群优化和禁忌搜索TS算法构成,对粒子群优化的改进包括对粒子运动松散控制和引入遗传算法GA增强粒子多样性;禁忌搜索算法对邻域空间深度搜索;引入Deflection-Repulsion几何变换对目标函数进行动态变换使算法能够寻找多极值。仿真结果表明,该算法在多纳什均衡求解问题表现突出,寻优速度快,准确率高,可扩展到其他多模态多极值问题领域。     

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。     

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。     

基于自适应邻域模拟退火算法的非合作对策求解

对有多个Nash平衡点的非合作n人有限对策问题进行了研究。首先构造了其非合作n人有限对策的数学规划模型,证明了此模型的解与对策问题的解的等价性;然后提出了求解此类问题的一种自适应邻域模拟退火算法,基于此算法,在不减少问题解的条件下,解决了多解的非合作n人对策问题。通过数值实验说明了此算法的收敛性及稳定性;通过与粒子群算法、免疫粒子群算法、传统模拟退火算法的比较,说明了本文算法的优越性。     

基于博弈机制的多目标粒子群优化算法

为改善多目标粒子群算法存在优化解的多样性不足和算法的收敛性问题,提出一种基于博弈机制的多目标粒子群优化算法。使用博弈机制,无需外部储备集,通过非占优排序和拥挤距离选出一部分优秀的粒子,从这些优秀的粒子中随机选择一个作为全局最优粒子,有效提升算法的收敛性和种群的多样性。算法初期使用多尺度混沌变异策略,避免算法陷入局部最优。通过与6个多目标算法在3个系列标准测试函数上进行比较,验证了该算法所得解分布性较好,能快速收敛到真实Pareto前端。     

改进型粒子群优化算法求解车辆径优化问题

为了避免粒子群算法求解车辆路径问题容易陷入局部最优,提出了扫描-粒子群算法。运用扫描算法对矿点进行扫描,生成初始可行解链,将其作为粒子的初始位置代入到粒子群中搜索,得到粒子种群历史最优位置,将种群粒子最优位置逆转录生成对应的可行解链。将改进型粒子群算法用于求解郑州煤电物资供销有限公司的车辆调度问题同时将该算法与经典的粒子群算法和遗传算法做了对比实验,仿真实验结果表明,改进型粒子群算法可以更快速、更有效求得车辆路径问题的最优解。     

基于精英改选机制的粒子群算法的空战纳什均衡策略逼近

针对无人机协同攻击的动态多策略性,应用纳什均衡概念,考虑联合生存概率和武器消耗等因素,融合双方价值函数计算和双矩阵对策纳什均衡点的求解方法,建立一种多战斗步空战动态目标分配优化模型.提出基于精英改选机制的粒子群(elite re-election particle swarm optimization,ERPSO)算法,在群体极值引导能力不足时,通过对其克隆、变异和重新初始化等操作增加个体的多样性,保留传统粒子群算法结构简单、快速收敛等优点,改善算法易于陷入局部极小的问题.将ERPSO算法应用于目标分配模型求解纳什均衡点,获取更为精确的双方混合策略,确保实时性和准确性,验证了模型和方法的有效性.     

求解TSP问题的人工鱼群算法

人工鱼群算法在函数优化问题中取得了较好的应用,但在组合优化问题中的应用相对较少。因此,文中用人工鱼群算法来求解TSP问题,并与标准粒子群算法和基本遗传算法进行了比较分析。通过仿真实验对公认的TSP测试数据中算例Oliver30进行测试并与目前已知最优解进行了对比,结果表明,人工鱼群算法解决TSP问题时可以收敛到已知最优解,并且解的质量要优于标准粒子群算法和基本遗传算法。     

基于粒子群算法的WSN路径优化

采用粒子群算法对无线传感器网络进行路径优化,为了克服粒子群算法运算后期群体的多样性可能会有所下降的问题,对粒子群算法的各个环节进行分析与改进,设计并增加变异算子。仿真实验的结果表明,使用该算法能找到无线传感器网络有效的优化路由,解的质量优于传统的粒子群算法与遗传算法,而且在成功率方面也有所提高。