博弈论框架下认知小蜂窝网络的动态资源分配算法

为提高认知小蜂窝网络(CSCN)的系统容量,本文基于博弈论框架分析了上行链路中频谱、小蜂窝基站和功率的动态分配行为.传统的频谱分配方案只考虑了异质网路中相互独立频带间的最优分配,而没有考虑可重叠频段间的分配模式和上行链路资源的联合优化.基于此,本文提出了一种具有频带可交叉特性的联合分配模型.通过引入干扰温度限制、全新的干扰算子和记忆因子构造了一种新型的上行注水功率算法.仿真结果表明,基于博弈理论的动态选择特性和干扰温度的干扰避免准则,本算法可以有效提高CSCN的吞吐量和鲁棒性.     

基于马尔可夫决策的理性秘密共享方案

基于马尔可夫决策理论研究理性密码共享系统模型和秘密重构方法。首先利用马尔可夫决策方法,提出适合于理性秘密共享的系统模型,该模型包括参与者集合、状态集合、风险偏好函数、状态转移函数、回报函数等。在模型中,引入秘密重构中的参与者的风险偏好函数刻画秘密共享模型的状态集合和状态转移函数。其次,基于所提出的系统模型构造相应的理性秘密共享方案,基于马尔可夫策略解决各理性参与者在秘密共享方案中的秘密重构问题。最后对方案进行理论分析证明,给出理性秘密重构方案中折扣因子、回报函数、参与者风险偏好函数间的函数关系,其结果表明所提系统模型方法的合理性和有效性。     

基于博弈论的认知无线电网络数据伪造对抗研究

博弈论是认知无线电技术的重要分析工具。数据伪造攻击是认知无线电网络中物理层面临的一种安全威胁,在这种攻击中,攻击者向其他次用户发送虚假的主用户感知数据,进而干扰合法次用户利用空闲的频谱。结合军用认知无线电网络的应用背景,利用信号博弈理论对数据伪造攻击进行建模,建立博弈模型并最终得到了均衡的条件。最后对实验结果进行分析,验证了模型的有效性。     

城市交通拥挤收费技术及其应用案例

交通拥挤问题是目前大中城市普遍面临的问题,是城市交通需求系统与交通供给系统发生矛盾的突出表现。而实行交通拥挤收费,是一个缓解城市交通堵塞较为有效的经济手段。从四个方向分别对交通拥挤收费技术进行探讨,分别为基于博弈论的交通拥挤收费分析、最优拥挤收费模型分析、基于自由流时间的交通拥挤收费研究、弹性需求下多类型用户拥挤收费模型研究。并对实施交通拥挤收费的典型案例作简要分析。     

博弈论的主要均衡概念及其比较

均衡概念是构成整个博弈论的基石,对博弈论均衡概念的透彻理解将对博弈论的学习打下良好的基础。本文首先将博弈划分为不同的类型,并对主要的均衡概念进行了数学描述,最后对不同的均衡概念进行了比较。     

矿山企业竞争的先动优势与应对策略分析

通过构建的矿山企业间竞争、合作博弈模型,系统地分析市场经济条件下矿山企业间的博弈过程,指出矿山企业在不同情况下采取竞争、合作策略的基本条件。结果表明,若强势矿山企业首先挑起竞争,则取得的利润几乎是参与竞争企业利润的总和。若每个弱势矿山企业实力相当,则采取合作型生产策略更有利于应对竞争。若矿山企业实力相差较大,则矿山企业间应采取独立生产策略,强势矿山企业因生产规模大可实现最大利润,弱势矿山企业因生产规模小可实现有限利润,但最终将被淘汰。     

基于博弈论的有害功能识别方法研究

为了对有害功能的事前处理提供行为决策依据,提出了基于博弈论的有害功能动态识别方法。基于TRIZ中的效应研究有害功能的形成原因并对有害功能进行分类;建立效应空间博弈模型,确定各效应的效用函数,提出一种有害功能动态识别算法;应用该方法完成ATM机纠偏模块的设计。研究表明,该方法较好地完成了有害功能的动态识别,具有一定有效性与可行性。     

蜜罐博弈中信念驱动的攻防策略优化机制

作为一种典型的欺骗防御手段,蜜罐技术在主动诱捕攻击者方面具有重要意义。然而现有设计方法主要通过博弈模型来优化蜜罐的诱捕决策,忽略了攻击者的信念对双方博弈决策的影响,存在自适应优化决策能力弱、易被攻击者识破并利用等不足。为此,提出了基于信念的蜜罐博弈机制(Belief Based Honeypot Game Mechanism, BHGM)。BHGM基于攻击者完成任务的多轮博弈过程,重点关注蜜罐采取动作对攻击者信念的影响以及信念对攻击者是否继续攻击的影响。同时,基于树上限置信区间(Upper Confidence Bound Apply to Tree, UCT)设计了信念驱动的攻防最优策略求解算法。仿真实验结果表明,信念驱动的攻击方策略能基于当前信念选择继续攻击或及时止损以获得最大收益,而信念驱动的蜜罐策略在考虑风险的情况下能尽量降低攻击方怀疑,以诱骗其继续攻击,从而获得更大收益。     

移动边缘计算网络中的资源分配与定价

移动边缘计算(mobile edge computing, MEC)使移动设备(mobile device, MD)能够将任务或应用程序卸载到MEC服务器上进行处理.由于MEC服务器在处理外部任务时消耗本地资源,因此建立一个向MD收费以奖励MEC服务器的多资源定价机制非常重要.现有的定价机制依赖于中介机构的静态定价,任务的高度动态特性使得实现边缘云计算资源的有效利用极为困难.为了解决这个问题,我们提出了一个基于Stackelberg博弈的框架,其中MEC服务器和一个聚合平台(aggregation platform, AP)充当跟随者和领导者.我们将多重资源分配和定价问题分解为一组子问题,其中每个子问题只考虑一种资源类型.首先,通过MEC服务器宣布的单价, AP通过解决一个凸优化问题来计算MD从MEC服务器购买的资源数量.然后, MEC服务器计算其交易记录,并根据多智能体近端策略优化(multi-agent proximal policy optimization, MAPPO)算法迭代调整其定价策略.仿真结果表明, MAPPO在收益和福利方面优于许多先进的深度强化学习算法.     

基于博弈论综合赋权的学科竞赛对大学生创新能力培养评价研究

学科竞赛作为高校培养创新创业新型人才的有效载体,客观公正评价其对大学生创新能力培养的作用具有重要意义.文章从思维、素质、成果、效益四个方面选取16项指标,建立三层立体评价指标体系,在利用层次分析法和变异系数法确定多层评价指标的主、客观权重的基础上,引入博弈论Nash均衡基本思想,优化并确定指标因素的综合权重.研究结果表...