车联网中基于三方Stackelberg博弈的动态多媒体定价方案

在当前车联网的应用场景下,中继车辆数据转发的积极性低下与存储空间有限,导致用户体验质量(QoE)降低,为此提出基于三方Stackelberg博弈的动态多媒体定价方案.为了激励中继车辆参与转发多媒体内容,提出多媒体内容定价框架,其中中继车辆获得全额佣金后向路侧单元(RSU)支付部分佣金.设计基于Stackelberg博弈的动态定价模型,根据中继车辆、用户车辆与RSU三方的存储空间利用率、内容数据大小和成本因素,建立各自的效用函数,并将其转化为三方四阶段Stackelberg定价模型.通过反向归纳法证明纳什均衡的存在,实现三方之间的动态定价以得到各自最优策略.仿真结果表明,所提方案有效解决了中继车辆存储空间过载问题,并提高了中继车辆积极性,且在提升用户QoE方面较传统方案具有优势.

面向无线边缘网络的分层Stackelberg博弈群体激励方法

现有分布式机器学习模型的相关激励机制大多基于单层服务器架构,难以适应当前异构无线计算场景,同时存在计算资源分配不平衡、通信成本高昂等问题.针对上述问题,创新地提出一种面向无线边缘网络的分层Stackelberg博弈群体激励方法(Hierarchical Stackelberg game Swarm Learning Incentive method for wireless edge network,HSISL),创新地将Stackelberg博弈机制引入群体学习模型中,依据各参与方性能差异,云端聚合平台、边缘簇节点、边缘计算节点三方进行动态博弈,通过双定价公平激励过程,共同制定个性化分层资源分配策略,得到模型训练的最优纳什解,有效引导边缘计算模型进行正向加速.通过理论与实验分析,HSISL能够有效提升模型公平性与训练效率,其在MNIST数据集上的准确率可达96.06%.

基于Stackelberg博弈的停车场管理策略

为了解决城市停车难问题,基于Stackelberg博弈论提出了停车场运营者与交通管理者共同决策的城市停车场管理策略。针对停车者、停车场运营者和交通管理者的交互关系,从博弈论角度分析了这三方参与者之间的影响,并建立了这三方参与者的相应效用函数;以交通管理者与停车场运营者利益主体矛盾最小化为目标,基于Stackelberg博弈建立了这三方的博弈模型,确定了实时停车场进出管理原则;基于数值仿真将差分进化算法与Kriging代理模型进行联立对博弈模型进行求解,得到相应停车预约管理方案及三方效用;通过数值仿真将基于Stackelberg博弈得到的方案与停车场运营者利益最大化方案进行对比分析。研究结果表明:在主线流量大、中、小三种情景下,基于Stackelberg博弈方案是各方利益矛盾最小的方案。

IWSNs防移动干扰节点的两层协作Stackelberg博弈

针对工业无线传感器网络物理层移动干扰攻击节点的攻击问题,研究sink节点和簇头节点共同抵御攻击的两层协作博弈模型。在簇头节点中选择最佳协作节点,共同抵御移动干扰攻击节点;以网络安全速率为优化目标,将sink节点、最佳协作节点和攻击节点之间的合作竞争关系建模为两层协作Stackelberg博弈模型,采用逆向归纳法求解博弈均衡解。仿真实验结果表明,与未采用协作节点的方案相比,采用的最佳协作节点选择方案对移动攻击节点的抵御效果更佳,且与其他协作博弈功率控制模型相比,两层协作Stackelberg博弈模型可有效提高工业无线传感器网络的安全速率。

互补品供应链Stackelberg博弈下纵向决策研究

以两条均由一个制造商和一个零售商构成的互补品供应链为研究对象,探讨互补品供应链采用不同决策方式时的链间Stackelberg博弈和链内Stackelberg博弈问题,研究市场规模、成本等参数对市场价格、需求、利润的影响。进一步地,对链间Stackelberg博弈下的四种决策方式(集中-集中、集中-分散、分散-集中、分散-分散)下的均衡解进行比较分析。研究表明:互补产品生产成本与需求、利润负相关;自身价格与互补产品成本负相关;集中决策是互补品主导供应链的占优策略;对于跟随者供应链而言,采取集中决策还是分散决策方式,首先取决于主导者供应链的决策方式,其次取决于产品之间的互补程度;集中-集中决策方式是互补品供应链的帕累托均衡解。因此,互补品供应链内部成员之间可设计一种增量利润分享机制,确保供应链集中决策的稳定性;互补品供应链之间应注重两个方面:一是相互合作共同降低产品成本,实现降本增效;二是以某条供应链产品进行低价引流,促进消费者对互补产品的需求,进而实现互补品供应链利润最大化。

基于Stackelberg博弈的电炉企业供应链渠道选择模型

为了提升电炉企业供应链渠道的风险抵抗力,设计一种基于Stackelberg博弈的电炉企业供应链渠道选择模型。在Stackelberg博弈中,分析电炉企业供应链成员的Stackelberg博弈条件,作出相关假设;将Stackelberg博弈基本元素与电炉企业供应链元素一一对应,计算实际市场需求量和收益函数,确定电炉企业渠道选择的影响因素,建立物流企业供应链渠道选择模型;设计电炉企业供应链渠道选择步骤,选择最优的电炉企业供应链渠道。实验结果表明:研究方法选择的供应链渠道在内部风险和外部风险条件均获得较高收益,具有较优的抗风险能力。

基于Stackelberg博弈的燃料电池混合动力汽车跟车能量管理

跟车场景下燃料电池混合动力汽车(FCHEV)的速度与能量管理协同优化是实现车辆节能的重要有效手段,针对现有策略中双能量源退化与能耗耦合关系不明,且难以兼顾全局优化与实时性能的问题,提出一种基于Stackelberg博弈的FCHEV跟车能量管理策略。首先,建立了燃料电池/锂电池的能耗与性能退化模型,并纳入到统一量纲的整车综合使用成本函数中;其次,提出了基于分层解耦的跟车能量管理策略,实现跟车速度与功率分配的解耦控制;最后,综合考虑跟车安全性、舒适性、燃料经济性和能源耐久性,建立跟车控制层与能量管理层对应的双层规划模型,并基于Stackelberg博弈思想设计了双层差分遗传算法对策略核心参数进行离线优化。仿真和实验结果表明:相较于模型预测控制方法,该方法可降低平均车间距误差37.7%、平均冲击度2.4%、等效氢气消耗9.3%和能源退化成本13.9%,实现了优化性能与实时性的兼顾。

基于Stackelberg博弈的电动汽车充电管理策略

电动汽车的充电效率和充电成本是电动汽车电源管理的重要问题,也是影响电动汽车推广的关键因素。对此,提出一种基于Stackelberg博弈模型的收费控制策略。在博弈中,电网、零售商和用户都参与决策,充电策略可以灵活地满足电网、零售商和用户的不同需求,采用逆归纳法得到博弈模型的均衡解。通过仿真、无序充电过程和基于静态分时电价的充电控制方法对其效益进行比较,分析博弈模型中参数对收费过程的影响,验证了该方法的有效性。

基于Stackelberg博弈的微电网插入式电动汽车分布式充电控制

插入式电动汽车的充电需求会造成微电网用电负荷加大和电能质量下降,因此需对其充电行为进行有效优化和管理。为此,提出了一种基于Stackelberg博弈的微电网插入式电动汽车分布式充电控制方法。建立了微电网侧和电动汽车用户侧的Stackelberg博弈模型,提出了一种基于原始-对偶的分布式充电控制算法,利用函数的二阶信息快速更新电动汽车用户侧的购电决策和微电网侧的电价,并通过Krasnosel’skii-Mann不动点块坐标迭代证明了算法的收敛性。通过仿真案例验证了所提算法的收敛性和有效性。结果表明,在资源有限的条件下,当用户数量增多时,电价会增大;当用户数量固定,可售电电量增加时,电价会下降。从计算时间和迭代次数方面对比了仅使用一阶信息的分布式原始-对偶算法,结果验证了所提分布式充电控制算法的有效性和优越性。

基于Stackelberg博弈的有人机/无人机协同干扰功率分配机制

针对有人机/无人机协同干扰资源分配问题,以有人机/无人机空中编队对敌方地面防空雷达压制干扰为典型作战场景,设计有人机/无人机效用函数,建立基于Stackelberg博弈的有人机/无人机协同干扰功率动态分配模型,采用牛顿迭代法求解最优支援干扰功率价格和无人机所需的最优支援干扰功率,提出了有人机远距离支援干扰协同无人机随队支援干扰作战模式下的最优支援干扰功率控制方案。通过实例分析,结果验证了所提方法的可行性和有效性。

基于Stackelberg博弈的能源电力供需双层交易研究

为解决电力市场发展不均衡、能源电力供需两侧利益冲突等问题,提出了一种基于Stackelberg博弈的能源电力供需双层交易策略。首先,在考虑发电侧最优和最劣两种发电情况下,引入购电代理商参与电力市场的交易,建立一个以购电代理商为主导者、发电商和用户为从属者的双层Stackelberg博弈策略;其次,以自身利益最大化为优化目标,通过不断调整博弈策略优化各参与者的利益;最后,证实了Stackelberg均衡解存在唯一性,采用双层优化方法求解得出各主体的最优策略。仿真验证表明:所提博弈模型和最优策略能够在不同发电场景下最大化彼此利益,并为缓解能源供需双方利益冲突提供一定的解决思路。

融合Stackelberg博弈和联邦学习的多星协作频谱认知方法研究

针对低成本和小型化低轨卫星的监测角度和方向分辨率相对较低、处理能力和峰值功率受限等因素造成单颗低轨卫星频谱认知能力弱的问题,提出了融合Stackelberg博弈和联邦学习的多星协作频谱认知方法。首先,结合各频谱认知卫星的可用算力、认知性能、处理与传输时延等特性,建立面向多频谱认知任务的协作卫星选择与算力资源分配算法;其次,基于所选择的节点和所分配的算力,设计低复杂度的多星协作频谱认知策略,其可自动辨识频谱空洞、检测干扰和识别调制模式。仿真实验结果表明,相比于单节点认知方法,所设计多星协作频谱认知策略能显著提升认知性能,且相比于对比模型,所设计策略中的模型可在不损失性能时,模型的参数量和浮点运算量降低分别可达96.69%和93.32%。

制造商与零售商分别主导的Stackelberg博弈比较

考虑单供应商与单零售商构成的二级供应链的批发价契约,尤其是市场需求确定依赖于零售价格与零售商销售努力水平。在逻辑一致的前提下,分析了制造商占主导与零售商占主导的Stackelberg博弈,并以集成企业情况下的供应链总利润、市场需求量、市场零售价格、销售努力水平等为基准进行了比较。研究表明:零售商主导下的分散供应链效率最低。

基于Stackelberg博弈的车辆最优路径决策

随着城市化和机动化的快速发展,交通拥堵因困扰着人们的出行,影响着人们的出行安全和出行时间而越来越受到人们的关注。针对可能发生的交通拥堵现象,提出了一种基于Stackelberg博弈的车辆最优路径决策,以提高道路通行效率,解决交通拥堵问题。首先,建立了云智能中心和规划车辆各自的收益模型,并在对应约束条件下构建Stackelberg激励机制。随后,提出了一种迭代求解算法,用于确定云智能中心最优奖励决策和规划车辆的最优路径决策。最后,通过算例分析验证了该激励机制对于缓解交通拥堵,提高道路通行能力的有效性。

基于Stackelberg博弈实时定价机制策略在电力市场中的研究

为提高风电消纳率,减少碳排放量,针对电力市场中的实时定价机制,提出了1种基于Stackelberg博弈实时定价机制,并与2种对比方案进行比较,在仿真过程中,采用粒子群优化算法进行优化。通过评估新能源消纳率、总成本和碳排放成本等指标,对每个方案进行综合评估。研究结果表明,基于Stackelberg博弈实时定价机制的方案在提高风电消纳率和减少碳排放方面表现出较好的效果。

Stackelberg博弈的MEC资源分配策略

移动边缘计算(mobile edge computing, MEC)通过在网络边缘部署计算资源成为缓解终端设备资源匮乏的有效方案。针对设备计算资源无法满足任务需求的问题,提出一种基于Stackelberg博弈的MEC资源分配策略。该策略应用Stackelberg博弈理论将请求方、协作方的卸载过程描述为效用最大化问题以激发双方的协作积极性,并设计一种基于粒子群的Stackelberg博弈算法,以快速获得该优化问题的最优解。同时,由于区块链具有分布式、不可篡改等特性,出于对安全性的考虑,将其应用于协作过程的管理。实验结果表明,所提策略可以实现双方联合效用最大化,且相较于遗传算法的卸载方案;所提算法具有更快的收敛性能。

狭窄框架下保险模型的Stackelberg博弈问题

考虑狭窄框架和均值-方差准则下的 Stackelberg 博弈再保险问题。 狭窄框架意昧着,购买保险的 动机除了对冲财富风险,还有可能将购买保险本身看作一项风险投资。 因此,使用二次效用函数 来度量保险净收益的局部得失效用,即,狭窄框架。 在 Stackelberg 博弈中,再保险公司首先向 保险公司提供合理的赔偿来换取适当的保费。 然后,保险公司根据这个保费原则选择最优的赔偿。 首先,假设再保险公司选定期望值保费原则,保险公司通过选择最优赔偿策略来最大化终端财富 的均值-方差函数和保险净收益的二次函数。 然后给定这个最优赔偿,再保险公司通过选择最优保 费参数最大化终端财富的均值-方差函数。 此外,考虑另外一个 Stackelberg 博弈的问题。 对于保 险公司来说,考虑与前者相同的目标函数,给定Ⅱ(I) = E(PI) 保费原则,得到了最优保险赔偿的 表达式。 之后,给定这个最优的保险赔偿,最大化再保险公司终端财富的期望效用准则,计算得 到了保费的最优价格强度。 进一步,通过 Taylor 展开,得到了这对最优解的近似表达式。

基于改进型Stackelberg博弈的自动驾驶测试数据定价模型

针对自动驾驶测试数据兼具连续与离散变量,且包含时间戳和经纬度等间接信息特征的特点,利用特征挖掘过滤、连续变量离散化、驾驶模式加权等方法对传统信息熵方法进行适应性调整,提出基于特征工程的驾驶模式加权信息熵方法,确定自动驾驶测试数据信息量;引入信息量构建数据消费者效用方程,提出考虑信息量和平台利润率约束的改进型Stackelberg博弈数据定价模型。以上海市自动驾驶实际测试数据开展典型案例分析,结果表明,基于改进型Stackelberg博弈的数据定价模型可有效评估数据信息量,合理分配数据生产者、数据平台和数据消费者交易三方的利润率,并显著提升数据交易量和数据交易三方总效用,从而增强自动驾驶测试数据交易市场的活力。

线性策略下梯度隐私保护方法:Stackelberg博弈分析

机器学习模型训练过程中的隐私保护问题是实际应用中的重要问题。考虑一个包含本地数据所有者和中央参数服务器的机器学习范式,其中,数据所有者向参数服务器传输梯度进行模型更新训练。针对模型训练过程中的隐私保护问题,提出了一种基于斯塔克尔伯格博弈的隐私保护分析方法。首先,根据模型训练的特点,设计了一个数据所有者作为领导者和参数服务器作为追随者的主从博弈框架,构建了一个隐私保护双层优化的问题。其次,对学习者获得的不同信息集进行分类讨论,继而求解最优的解密策略;然后,将追随者的结果代入领导者目标函数中求解最优加密策略;最后,通过仿真实验表明了所提算法可以保护数据的隐私,验证了所提方法的有效性。

基于Stackelberg博弈的公共停车场停车收费定价模型构建

为了全面考虑停车收费定价对私家车出行者、停车场运营者、交通管理者三方停车参与者的影响,本文基于Stackelberg博弈构建了三方参与者共同决策的停车收费定价模型。引入效用理论分析三方参与者在停车收费定价中的行为特征,分别建立私家车出行者停车行为选择模型、停车场运营者运营利润模型和交通管理者社会负效用模型。针对三方参与者之间的交互关系,从博弈论角度分析三方参与者之间的相互影响,引入停放饱和度和道路饱和度作为新的停车收费定价影响因素,建立基于三方博弈下的停车收费定价模型并设计求解算法,并用咸阳市两个公共停车场的实测数据对停车收费定价模型进行求解。结果表明:当算例中的两个公共停车场收费费率分别为4.5元/h和3.9元/h时,停车需求为303个,私家车出行者的总出行成本之和为12999.41元,总运营利润之和为6902.17元,公共停车场的停放饱和度与期望值差距之和最小为0.35,周边道路的饱和度与期望值差距之和最小为1.51,为三方博弈下各利益主体间利益矛盾最小的停车收费定价方案。公共停车场停车收费定价模型可为公共停车场综合考虑三方主体需求制定停车收费策略提供参考。