机会网络中基于信誉度惩罚的重复博弈模型

节点的自私行为将严重影响机会网络的传输性能。为激励节点协作,提出一种基于信誉度惩罚策略的重复博弈模型。惩罚策略以信誉度度量节点的历史行为,并设计不同程度的惩罚,重复博弈中节点考虑未来的长久收益以及对自私表现下惩罚的恐惧而选择协作转发。利用演化博弈理论分析并证明了节点由自私向协作行为转变的动态过程中的演化稳定性。仿真结果表明,该模型可有效激励节点参与协作,在自私节点较多时,也能保证较高节点传输成功率和较低的网络延迟。

基于演化博弈模型的群智感知网络激励机制

提出一种基于演化博弈模型的激励机制(IMEG),鼓励参与者参与感知活动及分享参与者间的数据信息.机制以用户收益为核心,首先,利用演化博弈中“适者生存”思想,构建每个参与者在博弈过程中更新、学习行为策略,以获取更多的收益;然后,设计了参与者的合作度调节收益;调整下一轮博弈中参与者的博弈次数;感知服务平台调整收益.更新策略、筛选学习对象,完成整个演化博弈过程,达到促进参与者协作、共享数据的目标.实验结果表明:与TRAC和IMC-SS激励机制相比,所提的IMEG能提高用户平均效用、任务覆盖率和任务完成率.