【摘 要】
：
网络化博弈是一种研究社会网络、生物网络、信息网络及交易网络的重要方式.针对网络化博弈建模方法在网络拓扑结构、博弈模型、建模方式上存在的问题,提出一种基于Agent网络化博弈建模方式.以南京地区汽车品牌价格竞争现象为应用场景,将汽车品牌看作Agent个体,并基于现实网络复杂结构特征,引入“强竞争”和“弱竞争”概念,基于演化博弈理论考察有限理性下汽车品牌价格的竞争行为.实验结果表明,基于Agent网络化博弈模型的范数平均相对误差为2.11％,低于传统模型的4.64％和3.57％,模型精度更高,其中违约惩罚力度
【机 构】
：
南京邮电大学通信与信息工程学院 江苏 南京 210003
论文部分内容阅读
网络化博弈是一种研究社会网络、生物网络、信息网络及交易网络的重要方式.针对网络化博弈建模方法在网络拓扑结构、博弈模型、建模方式上存在的问题,提出一种基于Agent网络化博弈建模方式.以南京地区汽车品牌价格竞争现象为应用场景,将汽车品牌看作Agent个体,并基于现实网络复杂结构特征,引入“强竞争”和“弱竞争”概念,基于演化博弈理论考察有限理性下汽车品牌价格的竞争行为.实验结果表明,基于Agent网络化博弈模型的范数平均相对误差为2.11％,低于传统模型的4.64％和3.57％,模型精度更高,其中违约惩罚力度对汽车品牌价格竞争影响最为显著,利益分配系数和参与合谋初始意愿次之.
其他文献
中文短文本分类中存在大量低频词,利用好低频词中的信息能有效提高文本分类效果,针对基于词向量的文本分类研究中低频词不能被有效利用的问题,提出一种针对低频词进行数据增强的方法.首先,利用受限文本生成模型产生的数据来微调低频词的词向量,再利用一种词向量的构造算法将高频词的更新信息迁移到低频词中,使低频词获取更准确且符合训练集分布的词向量表示;其次,引入相似词和实体概念等先验知识来补充上下文信息;最后,利用改进的卡方统计去除明显的噪声词,以及设计词注意力层对每个词进行加权,减少无关噪声对分类的影响.在多个基础分类
在用户将其数据上传到公共平台并利用卷积神经网络进行相关操作以得到运算结果的过程中如何保证用户敏感数据的私密性就成为了一个亟待解决的问题.对此采用密码学中的同态加密算法对用户输入数据进行加密处理,在已训练过的卷积神经网络模型中对加密的数据进行预测分类,并得到最终的分类结果,输出的结果是加密形式的,为进一步保护数据的机密性,对结果采用门限解密的方式解密.与传统方法相比,该方法保证用户的输入信息在整个卷积神经网络处理过程中不被泄露,有助于提高对用户敏感数据的隐私保护,也为卷积神经网络的大规模实际应用打下了坚实的
针对单AGV路径规划时,A*算法的启发函数采用曼哈顿距离时遇到障碍物会出现局部绕行这一问题,将带有障碍物的栅格地图作为环境模型,研究出两种改进A*算法的路径规划方法.第一种方法是在遇到障碍物时将启发函数中曼哈顿距离换成欧氏距离,利用欧氏距离规划路径代价最小的特性避免绕行;第二种方法通过比较AGV遇到障碍物的位置与障碍物左右两端距离大小,通过规定行驶方向避免绕行.仿真结果表明,两种方法均可以在单AGV遇到障碍物时避免绕行,有效地减少了行驶时间,也使得路径更加平滑,提高了AGV的运行效率.
针对基于Transformer的机器翻译模型中存在的运行效率不高、计算参数过大以及计算复杂度过高的问题,提出一种基于融合CNN和Transformer的分离结构机器翻译模型.首先,对于运行效率不高和计算参数过大的问题,使用计算注意力模块和归一化模块分离的结构保证堆叠多层结构的可复用性,提高运行效率和降低计算参数.其次,引入了卷积计算模块和原始自注意力模块进行融合,原始自注意力模块用于计算全局上下文语义关系,卷积计算模块用于计算局部上下文语义关系,降低模型的复杂度.与其他机器翻译模型在相同的数据集进行实验对
对于异步场景下的数据关联,通过时间配准将异步点迹集合同步化的方法计算复杂且误差较大,严重影响关联效果.在不进行时间配准的前提下,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decom-position,EEMD)来提取趋势项的异步点迹关联方法.仿真结果表明,该方法整体上的关联效果好于基于时间配准后的KN N算法.在目标数量适中的场景下有较好的关联效果.
为了提高正则表达式在文本集合上的匹配效率,提出一种基于广义后缀树与过滤因子相结合的正则表达式匹配技术.根据给定的文本集合构建广义后缀树,通过在广义后缀树上定位过滤因子得到有效的候选匹配集合,利用过滤因子的序列信息进一步过滤候选集合,进而对候选集合中的字符串进行验证,得到匹配结果.通过在真实的数据集上进行实验,证明了该算法能够有效地提高正则表达式的匹配性能.
针对多变环境条件下的交通堵塞问题,将强化学习、神经网络、多智能体和交通仿真技术结合起来,提出了用于优化多路口条件下交通状况的traJectory reward light(TR-light)模型.该方法具有几个显著特点:基于红绿灯拟定交通组织方案;将多智能体强化学习用于红绿灯控制;通过红绿灯的协同达到区域级的交通组织优化;在智能体每次行为执行结束后实施轨迹重构,在OD对不改变的情况下改变车辆行驶路径,根据方案和重构轨迹来计算智能体的最终回报.通过SUMO进行交通仿真实验和交通指标对比,验证了该模型在多交叉
无线可充电传感器网络(WRSN)的节点能量补充问题是当前传感器网络研究的一个热点.已有研究大多假设传感器能量消耗速率较为恒定,因此难以适应能量动态消耗的实际场景;还有些研究虽然考虑了节点充电请求的动态性,却无法选出适当的充电对象,使性能受到限制.为解决该问题,分析了WRSN的充电问题,提出基于充电效率的能量补充策略(CEBER).该策略首先提出充电效率的量化计算方法,将充电效率作为选择充电对象的重要决策因素;同时其也考虑了节点所能容忍的最长充电等待时间,使决策结果尽可能避免引起节点失效.仿真结果表明,CE
对混沌系统施以扰动可以有效解决由于计算机有限精度效应导致的混沌系统动力学特性退化问题.基于区间映射中Cantor集的构造方法,提出一种数字混沌系统参数扰动方案,该方案将混沌系统每次迭代后得到的序列值等比例地扩散到压缩后的混沌状态参数取值区间上,从而达到扰动混沌序列的目的.实验仿真及分析表明,增加扰动后的混沌系统具有更好的混沌特性、更大的参数范围和更高的复杂度.
针对元启发算法中麻雀搜索算法(SSA)的早熟收敛、易陷入局部最优、全局搜索性差等问题进行研究,提出一种融合黄金正弦和曲线自适应的多策略麻雀搜索算法.首先,利用Chebyshev混沌映射初始化种群,使初始解位置分布更为均匀,产生优质初始解,增加种群丰富性;其次,引入黄金正弦和曲线自适应权重改进发现者和加入者位置更新方式,有效协调了全局搜索与局部挖掘能力,加快收敛速度;最后,动态选择随机游走或柯西-t扰动策略对最优麻雀位置进行扰动,提高算法跳出局部最优的能力以及收敛精度.选取14个基准函数进行测试,比较改进算