基于博弈论优化的高效联邦学习方案

随着网络信息技术与互联网的发展,数据的隐私与安全问题亟待解决,联邦学习作为一种新型的分布式隐私保护机器学习技术应运而生。针对在联邦学习过程中存在个人数据信息泄露的隐私安全问题,结合Micali-Rabin随机向量表示技术,基于博弈论提出一种具有隐私保护的高效联邦学习方案。根据博弈论激励机制,构建联邦学习博弈模型,通过设置合适的效用函数和激励机制保证参与者的合理行为偏好,同时结合Micali-Rabin随机向量表示技术设计高效联邦学习方案。基于Pedersen承诺机制实现高效联邦学习的隐私保护,以保证联邦学习各参与者的利益和数据隐私,并且全局达到帕累托最优状态。在数字分类数据集上的实验结果表明,该方案不仅提高联邦学习的通信效率,而且在通信开销和数据精确度之间实现平衡。     

基于监察博弈的对等网激励机制的研究

在对等网络中,存在着大量的Free-Ride节点,会严重影响到系统的性能,如何激励这些节点提供服务是提高对等网性能的重要因素.本文在节点理性假设的基础上,借助博彝论为工具,提出一种采用监察策略的对等网激励机制,并计算出了采用监察博弈的混合策略纳什均衡策略,重点分析了监察成本与参与人收益之间的博弈关系.仿真实验表明,通过采用适当的监察概率,能保证在较小的网络开销下,达到激励节点主动参与贡献资源的目的.     

一种基于支撑向量回归与博弈论的移动位置跟踪算法

非视距传输造成测距严重有偏,从而使得位置估计误差显著增加.将定位问题嵌入到机器学习框架,并通过引入博弈理论对位置估计进行平滑来实现移动位置跟踪.由于将观测作为射频特征,而不是实际距离的度量,因此能够大大减轻非视距传输对位置估计性能的影响,同时在平滑过程中,将噪声建模为估计子的对手,通过微分博弈理论来实现平滑,并与卡尔曼滤波平滑进行了比较.仿真实验表明,方法具有更好的位置估计性能,特别是在非视距环境下其效果更为明显.     

竞争与合作——复杂网络结构化形成的内因

采用博弈理论来探究复杂网络进化过程中结构化形成的内在原因.如今用于研究复杂网络的基本方法有3类:随机图模型(ER模型)、小世界模型、无尺度模型.但这3类方法都没有从根本上解释复杂网络结构化形成的原因,毕竟在现实世界中网络的演化过程并不是一个纯粹的优化过程.考虑到博弈论强调博弈者通过按照既定规则选择不同策略形成各自的博弈结果,认为它是一种用来解释不确定性演化过程的理想工具,而图论又可以很好地表示复杂系统以及系统内部的相互关系和相关属性,故将博弈论和图论结合到一起,对复杂网络进化过程中结构化形成的内在原因进行探讨,得出"参与者之间的竞争和合作是促成复杂网络结构化形成的内因"这个结论.     

不同渠道权力结构下制造商回收闭环供应链绩效分析

针对制造商负责回收的闭环供应链决策问题,构建了集中决策供应链和三种渠道权力结构的分散决策供应链优化模型,探讨渠道权力结构对闭环供应链决策及绩效的影响作用。研究发现,三种渠道权力结构下的分散决策供应链都处于不协调状态,且不协调程度与渠道权力结构相关;存在领导权的Stackelberg供应链零售定价高于无领导权的Bertrand供应链,制造商领导零售定价高于零售商领导供应链;存在领导权供应链的回收比例低于无领导权供应链,制造商领导的回收比例低于零售商领导供应链;存在领导权供应链的系统利润低于无领导权供应链,制造商领导的系统利润低于零售商领导供应链;供应链企业利润在其自身领导系统中最高,势均力敌系统中次之,对方领导系统中最低。     

认知网络中基于用户需求的功率控制算法研究*

为了解决认知网络功率控制问题,根据非合作博弈论和干扰温度,设计出一种新型效用函数,该函数综合考虑授权用户和认知用户功率分配的要求,满足用户需求。并通过此效用函数提出一个基于非合作博弈论的新颖功率控制算法,分析了该算法的收敛性、纳什均衡解的存在性和唯一性。仿真结果表明该算法在保证认知用户需求前提下,传输功率更加合理,体现出算法的有效性和公平性。与参考算法相比,节省30.12%的功耗,并且具有较好的抗背景噪声。最后,与KG算法相比,该算法具有较大的网络容量。     

siemens和ab技术博弈论之悔知篇

回首我的工控生涯,曾经我认为我使用的那种工控产品都是在当时那种场景下最好的。同样,我选择的PLC,甚至编程语言也是最好的。无知不是福,这种自我强加的信仰导致的问题是,它让我们看不到真相。我的观点是,我们大多数人极力争辩我们选择的技术或者产品是最好的,而甚至没有尝试过别的技术。想象一下,似乎很可笑。但是甚至今天,我都能发现我还是这样。我发现,如果花一些时间学习一门技术并了解为什么别人这么喜欢它,我就不会如此轻易地把我不知道的技术当做＂垃圾＂或者＂废物＂一样扔掉。正如他人所说,一个人的垃圾正是另一个人的宝藏。     

基于博弈论的隐私保护分布式数据挖掘

隐私保护的分布式数据挖掘问题是数据挖掘领域的一个研究热点,而基于经济视角,利用博弈论的方法对隐私保护分布式数据挖掘进行研究只是处于初始阶段。基于收益最大化,研究了完全信息静态博弈下分布式数据挖掘中参与者(两方或多方)的策略决策问题,得出了如下结论:数据挖掘在满足一定的条件下,参与者(两方或多方)的准诚信攻击策略是一个帕累托最优的纳什均衡策略;在准诚信攻击的假设下,参与者(多方)的非共谋策略并不是一个纳什均衡策略。同时给出了该博弈的混合战略纳什均衡,它对隐私保护分布式数据挖掘中参与者的决策具有一定的理论和指导意义。     

逆向供应链群体演化的Stackelberg博弈分析

建立具有群体演化特征的逆向供应链斯塔克伯格(Stakelberg)博弈模型,分析逆向供应链上游制造商或回收厂的机会主义行为,指出“幼稚”的下游个体商贩群体面临分拣、未加处理和掺杂3种回收策略,并与“老练”的上游制造商进行价格竞争.仿真分析表明,若制造商或回收厂遵守按质论价的口头协议,则双方演化稳定均衡为帕累托最优;若制造商或回收厂为“机会主义”行为类型,则演化稳定均衡结果取决于个体商贩中采取分拣策略所占比例大小.     

智能电网中双寡头的电价竞争策略

在竞争性市场条件下,灵活电价机制成为电能提供商调节电力市场需求的手段。如何保证电力投资的适时性和充足性成为电能提供商投资决策问题的关键。在此背景下研究了电能供应商竞争购买闲置电能并进行交易,并建立了相应的数学模型。通过分析电能质量,供电成本对投资利益的影响,并将投资收益最大化作为投资决策的基本原则,利用博弈论理论得到电能交易价格的纳什均衡解及其存在条件。最后通过算例仿真验证了所述结果的有效性。有利于节省用户的电费支出并降低供电公司的购电费,实现多方共赢。