云联盟中收益最优化算法

云联盟环境下,资源提供者旨在协作地向用户提供资源,以获取更多的经济收益。通过联盟博弈研究了云资源提供者的群体合作行为,基于任务执行时间和执行代价最优化问题,定义了资源提供者组建资源联盟的依据,并设计了两种任务调度算法PMTC和TMPC。同时,对联盟收益进行内部分配时,提出了基于Shapley值的联盟收益分配算法,该算法充分考虑了联盟成员对联盟总收益的贡献度,使得联盟总收益在其个体成员间的分配更加均衡与合理。算例分析结果表明,云资源联盟不仅可以改进任务执行效率和资源提供者收益,而且Shapley值可以实现收益的公平分配。     

不确定AHP和Shapley值应用于投标联合体利益分配

从合作博弈论视角分析了施工企业投标联合体利益合理分配的问题,运用Shapley值法给出了投标联合体的初次分配,从参与成员的贡献度出发,建立了相应的评价指标体系模型,基于不确定型AHP在此基础上进行了适当的改进,以具体的数据为算例,结果表明改进的分配方法与成员在联合体中的价值相匹配,有利于联合体的稳定。     

模糊合作对策区间Shapley值法的改进及应用

模糊合作对策的收益分配是个复杂问题,受到合作方的风险承担、合作努力、市场竞争、创新贡献和资源投入等因素的影响,而且不同因素有着不同的重要性。运用区间Shapley值法对模糊合作对策的收益进行初步分配。通过将AHP-GEM法和模糊综合评价法相结合,引入收益分配的综合修正因子,对区间Shapley值法进行改进,建立了模糊合作对策利益分配的改进模型。以制造业和物流业联盟为例,说明了改进模型的实用性和可行性。     

基于合作博弈的虚拟化资源效用分配策略

效用分配是网格虚拟化资源提供者结成联盟完成用户任务时的关键问题。针对资源提供者建立联盟来提高网格整体效用的情况,研究了利用合作博弈论分配网格资源。给出了资源建立联盟的依据,并以基于费用最小化的MIN_COST算法得到了资源的最优化映射方案。在效用分配中,分别从联盟效用的平均分配和Shapley值分配两方面进行了分析,提出了基于Shapley值的资源联盟效用分配策略。算例结果表明,网格资源联盟可以提高任务的执行效率和资源整体收益,而Shapley值法在均衡联盟个体的效用分配方面也是有效可行的。     

基于团队合作博弈的自动协商模型

企业在联盟方式下运营,有利于提高供应链的协同运作能力.为进一步发挥其在与需求方进行协商时的群体协作报价优势,将协商团队、合作博弈和自动协商理论进行融合,以供应链典型生产和物流企业结成产运纵向联盟为背景,提出基于团队合作博弈的纵向联盟成员协同报价自动协商模型,并基于Shapley值对报价方案按照成员报价的贡献对联盟收益进行分配.研究表明,产运纵向联盟集中定价的情况下,团队成员采取完全合作的方式进行报价,可以在团队收益最大化的同时,实现自身收益最佳,且有利于维持激烈市场竞争环境下产运纵向联盟的稳定合作关系.     

基于动态模糊联盟合作博弈的区间模糊Shapley值

利用模糊数学相关理论,针对n人合作博弈中支付函数是模糊三角函数的情形,对经典Shapley值提出的三条公理进行了拓展,并构造了区间模糊Shapley值。考虑到盟友在合作结束后需要对具体的联盟收益进行分配,利用构造的区间模糊Shapley值隶属函数给出了确定的收益分配方案。最后利用实例对该方法的有效性和可行性进行了说明。     

模糊动态联盟收益分配改进算法

动态联盟注重盟员间的合作,在参与人合作过程中,收益分配是其理性选择的结果。实际生活中收益又具有模糊性,所以应用模糊合作博弈来研究该问题非常必要。这里的关键问题是模糊合作博弈Shapley值的求解问题。将模糊合作博弈中的模糊支付用模糊结构元表示,给出基于结构元理论的各局中人Shapley值求解方法,使其得到解析表达。求解该方法可以体现出决策者不同行为偏好下动态收益的不同分配,应用结果验证了改进算法的有效性。     

基于云重心Shapley值法的电子商务声誉联盟利益分配策略

由于电子商务声誉联盟的声誉能力、声誉风险和声誉成本三个主要分配因素存在模糊性和随机性的缺点,难以得到量化,以及Shapley值法本身存在的局限性,因此利用云重心评判法对Shapley值法进行修正。云理论主要体现定性与定量之间的不确定性转换,有效地解决概念的模糊性和随机性。修正后的Shapley分配法有效地提高了联盟分配的准确性,并通过算例证实了此方法的合理性和适用性,为电子商务声誉联盟的收益分配问题提供依据。     

多云联盟机制及其性能研究

为了满足用户需求,实现云资源能力的动态扩展,提出了一种多云联盟机制。首先,以最大化总收益为目标,以联盟博弈论对多个CRPs之间的合作行为进行建模,旨在形成稳定最优的CRPs联盟结构以满足用户需求;其次,为了得到稳定的联盟结构,引入动态的联盟合并与分裂规则,使得最终稳定联盟中的个体成员无法为提高个体收益而脱离当前联盟结构;最后,为了满足公平性原则,依据个体对联盟的贡献度,提出一种Shapley值法完成联盟总收益在其成员间的分割。实验结果表明,算法不仅可以产生稳定的联盟结构,还可以为个体成员带来更高的收益。     

一种要素双模糊的限制交流结构合作博弈方法及应用

针对具有限制交流结构的合作博弈,基于现实结盟局中人参与联盟程度模糊且联盟支付模糊的情形,提出一种带局中人偏好的要素(联盟与支付)双模糊限制交流结构合作博弈的A-T解(average tree solution)分配方法.首先基于局中人的风险偏好均值,结合模糊联盟合作博弈的Choquet积分形式,构建要素双模糊合作联盟的特征函数,进而给出一个满足公理体系的解公式.该博弈模型不仅能够刻画现实结盟的约束性和模糊性,且有利于分配收益函数的求解.最后,通过对典型限制交流农地经营PPP合作项目收益分配问题的应用分析,表明所提出方法相对于Shapley值更具合理性.     

基于修正区间模糊Shapley值信息产品供应链利益分配算法

信息产品供应链参与体面临风险差异,提出区间模糊Shapley算法分配信息产品收益以实现公平性。在收益不确定的条件下构造收益模糊值,引入区间模糊Shapley值的隶属度函数,给出确定的分配方案。综合考虑各项风险因素对利益分配的影响,采用模糊层次分析法对风险因子进行修正,以确保信息产品供应链的稳定性     

FedSharing：一种双区块链激励驱动的数据分享联邦学习框架

联邦学习（federated learning,FL）能够在不丢失数据所有权的同时依托隐私保护技术实现安全的分布式模型训练,但是其也具有中心化、缺乏公平激励等问题。区块链（blockchain）本质上来说是一种分布式数据库,具有去中心化、信任公证等特点,但是其也具有网络吞吐量小、资源浪费等关键问题。针对上述技术方法的问题与特点,提出了一种双区块链激励驱动的数据分享联邦学习框架,称为FedSharing。分别构建主链与侧链：主链使用交易封装联邦学习中交换的全局参数,同时结合链上智能合约和链下扩容技术建立梯度状态通道;侧链提出了一种新型的修正Shapley值工作量证明算法（PoFS）,修正传统Shapley值计算中成员平等性前提,将联邦学习中成员合作历史诚信度这一影响联盟利益的因素纳入考量。测试结果表明：梯度状态通道较智能合约去中心化方案每轮次时间平均降低4~5 s,PoFS共识下激励分配比例更符合公平实际。     

基于联盟效应的医药物流中心选址模型及算法

针对医药供应链物流系统,分析了药品供应链物流的需求特征,阐述了药品供应链中生产企业、批发企业构建共享物流中心的意义,提出了一种三方合作效益最大化的物流联盟结构模式。建立了药品物流联盟物流中心节点选址的双层规划模型,上层规划以联盟效益最大化为目标,下层规划考虑联盟博弈的Shapley分配模式,体现了各参与方的利益分配最大化,并设计了遗传算法的求解模式。算例测试结果表明,该方法与算法具有较强的实践可操作性,可以作为物流节点选址决策的参考方法。     

基于区块链的航运联盟运力共享利益分配机制研究

航运联盟成员在运力合作时,在数据共享和信任方面的协同存在一定障碍,导致联盟利益最大化的目标难以实现,而区块链的去中心化、共识机制、智能合约、分布式账本等特点可以保障联盟利益分配的公开透明,无法窜改.因此,以联盟成员之间的舱位互租为研究内容,将博弈论、数学规划思想和区块链技术结合构建利益分配机制,实现舱位在成员之间的合理分配和联盟利益的最大化.最后,通过区块链的Hyperledger Fabric技术结合算例进行模拟,验证基于区块链的利益分配机制模式比传统模式更有利于联盟内部合作.