基于博弈论的协作超宽带系统资源分配算法

为使多用户协作超宽带系统的资源分配算法能在有效利用系统资源的同时满足用户的服务质量QoS（Quality of Service）公平性需求,在纳什议价解方法和凸优化理论基础上,将合作博弈论方法用于协作多频带超宽带系统的资源优化分配中。提出以最大化系统净效用为目标,以用户的QoS需求为公平性指标的协作超宽带系统协作伙伴选择算法和自适应功率分配算法。通过仿真与最大化系统速率（max-rate）和最大化最小用户速率（max-min）公平性算法作比较,证明了该资源分配方法在最大化系统速率和用户QoS公平性两方面有很好的折衷,适于超宽带系统。     

基于博弈论的多机器人任务分配算法

为了寻找一种合理有效的多机器人任务分配算法,基于多机器人协作救火任务环境,以博弈论纳什均衡为基础,研究多机器人的任务分配问题。根据任务模型特点和纳什均衡的主要特征提出了一种基于博弈论的任务分配算法。博弈的效用函数同时考虑了距离、火势和燃烧时间等因素,机器人根据此效用函数选择行为策略,促使机器人尽快扑灭惩罚值较大的火灾而获得较大的奖励值。利用任务总收益函数值的大小评价算法的优劣性。收益函数与火势、燃烧时间和机器人扑灭火灾数有关,这切合实际救火模型。实验结果证明了该任务分配算法的有效性。     

CA与生命游戏演化的组合模型*

基于摩尔奇偶型CA,提出一种结合生命游戏的演化模型.首先设置初始构型进行摩尔奇偶型规则演化,再引入生命游戏规则,按游戏规则演化;最后依此重复摩尔奇偶规则和生命游戏规则,直到演化整个元胞空间.证实在摩尔奇偶型CA的基础上,结合生命游戏在很大程度上减小了演化过程对初始构型的依赖,出现更为丰富的图元以及基于图元和演化框架的动态图案,且演化过程仍然符合摩尔奇偶型CA的演化规律.结合模型可以避免演化过度依赖初始构型以及演化过程的单调性,而且组合演化模型可以应用于图案生成,生成保持风格的规则几何纹理图案,丰富图案的生成方法.     

企业价值链价值分配的优化研究

为研究价值链中各企业间价值合理分配的问题,在明确企业价值链中各参与者关系的基础上,从价值分析和成本分析入手,针对价值链中各参与者的不同行为模式,对企业价值链的稳定性问题和价值链调整的合理性问题进行了分析,并给出了价值链稳定性及调整合理性的判定公式和相应经济学解释.阐述了在价值贞献和价值分配之间产生偏差的原因和几种情况,依据博弈论原理建立了价值链价值分配议价模型,模型分析表明存在唯一的子博弈完美均衡,最终可以得到一个均衡策略.研究结果为合理构建和调整企业价值链提供了理论依据.     

基于OBE和博弈论的Java Web在线教学与考核探究

针对高校Java Web课程传统教学中出现的一些典型问题,探究了结合OBE理念和博弈论的在线教学与考核方法,将学生们的学习看成一个博弈问题,以学习成果为导向引导学生在学习过程中进行资源共享、互相帮助,从而实现合作博弈。     

基于博弈论-VIKOR法的科研项目立项评审研究

针对科研项目立项评审的特点,建立了基于博弈论-VIKOR法的科研项目立项评审模型。目的在于提高定性指标定量化处理的科学性,并通过具体科研项目评审实例描述该方法的运用过程。表明了该方法具有科学性、有效性与可操作性。     

基于概率性能感知演化博弈策略的“云+边”混合环境中任务卸载方法

针对“中心云服务器+多个边缘服务器”构成的“云+边”混合环境中多任务卸载效率不足的问题,提出了一种基于概率性能感知演化博弈策略的任务卸载方法。首先,在一个“中心云服务器+多个边缘服务器”构成的“云+边”混合环境中,假设其中分布的边缘服务器具有时变波动的性能,采用一种基于概率性能感知演化博弈策略的任务卸载方法对边缘云服务器的历史性能数据进行概率分析,以获得演化博弈模型;然后,生成服务卸载的演化稳定策略（ESS）,使每个用户都能在获得高满意度的前提下进行任务的卸载。基于云边缘资源位置数据集和云服务性能测试数据集进行模拟实验,在24个连续时间窗口上进行不同方法的测试比较。实验结果表明,所提方法在多个性能指标上都优于传统的贪婪（Greedy）算法、遗传算法（GA）和基于纳什均衡的博弈论算法等任务卸载方法。该方法的平均用户期望达成度相较于三个对比方法分别提升了13.7%、117.0%、13.8%,平均卸载时延分别降低了6.5%、24.9%、8.3%,平均货币成本分别降低了67.9%、88.7%、18.0%。     

多智能体博弈强化学习研究综述

使用深度强化学习解决单智能体任务已经取得了突破性的进展。由于多智能体系统的复杂性,普通算法无法解决其主要难点。同时,由于智能体数量增加,将最大化单个智能体的累积回报的期望值作为学习目标往往无法收敛,某些特殊的收敛点也不满足策略的合理性。对于不存在最优解的实际问题,强化学习算法更是束手无策,将博弈理论引入强化学习可以很好地解决智能体的相互关系,可以解释收敛点对应策略的合理性,更重要的是可以用均衡解来替代最优解以求得相对有效的策略。因此,从博弈论的角度梳理近年来出现的强化学习算法,总结当前博弈强化学习算法的重难点,并给出可能解决上述重难点的几个突破方向。     

虚幻引擎5来临之际游戏专业课程改革与探索

2020年5月,世界著名游戏引擎商家Epic官方揭开了“虚幻引擎5”的神秘面纱。在视频中提到的亿面级数实时渲染“黑科技”更是将这次重大升级提升到了一个前所未有的高度。这次技术的革新之于游戏开发行业的意义可以类比为手机从功能机到智能手机的跃迁。本文笔者将浅谈一些对于游戏引擎的功能介绍,阐述现在游戏引擎对于整个游戏开发行业的重要性,在教学上扩容引擎类软件的学习内容方向和课程安排的一些教学改革思路。     

异构蜂窝网络中用户非均匀分布的CRE和eICIC优化

在假设用户均匀分布的场景中,联合优化小区范围扩展(CRE)和增强型小区间干扰协调(eICIC)不适用用户分布非均匀的实际场景.考虑到用户非均匀分布的特点,提出了相应的CRE和eICIC联合优化方案.考虑到建模的复杂性,使用了斯坦伯格博弈建模CRE和eICIC的联合优化过程, 将宏基站作为领导者决定eICIC策略,将pico基站作为跟随者决定CRE策略, 进而提出一种求解算法,以获得斯坦伯格博弈均衡解.仿真结果表明了所提出的斯坦伯格均衡解算法的收敛性及有效性.