Evolutionary analysis of green credit and automobile enterprises under the mechanism of dynamic reward and punishment based on government regulation

To explore the green development of automobile enterprises and promote the achievement of the“dual carbon”target,based on the bounded rationality assumptions,this study constructed a tripartite evolutionary game model of gov-ernment,commercial banks,and automobile enterprises;introduced a dynamic reward and punishment mechanism;and analyzed the development process of the three parties’strategic behavior under the static and dynamic reward and punish-ment mechanism.Vensim PLE was used for numerical simulation analysis.Our results indicate that the system could not reach a stable state under the static reward and punishment mechanism.A dynamic reward and punishment mechanism can effectively improve the system stability and better fit real situations.Under the dynamic reward and punishment mechan-ism,an increase in the initial probabilities of the three parties can promote the system stability,and the government can im-plement effective supervision by adjusting the upper limit of the reward and punishment intensity.Finally,the implementa-tion of green credit by commercial banks plays a significant role in promoting the green development of automobile enter-prises.

Evolutionary dynamics of tax-based strong altruistic reward andpunishment in a public goods game

In public goods games, punishments and rewards have been shown to be effective mechanisms for maintaining individualcooperation. However, punishments and rewards are costly to incentivize cooperation. Therefore, the generation ofcostly penalties and rewards has been a complex problem in promoting the development of cooperation. In real society,specialized institutions exist to punish evil people or reward good people by collecting taxes. We propose a strong altruisticpunishment or reward strategy in the public goods game through this phenomenon. Through theoretical analysis and numericalcalculation, we can get that tax-based strong altruistic punishment (reward) has more evolutionary advantages thantraditional strong altruistic punishment (reward) in maintaining cooperation and tax-based strong altruistic reward leads toa higher level of cooperation than tax-based strong altruistic punishment.

Improved Double Deep Q Network Algorithm Based on Average Q-Value Estimation and Reward Redistribution for Robot Path Planning

By integrating deep neural networks with reinforcement learning,the Double Deep Q Network(DDQN)algorithm overcomes the limitations of Q-learning in handling continuous spaces and is widely applied in the path planning of mobile robots.However,the traditional DDQN algorithm suffers from sparse rewards and inefficient utilization of high-quality data.Targeting those problems,an improved DDQN algorithm based on average Q-value estimation and reward redistribution was proposed.First,to enhance the precision of the target Q-value,the average of multiple previously learned Q-values from the target Q network is used to replace the single Q-value from the current target Q network.Next,a reward redistribution mechanism is designed to overcome the sparse reward problem by adjusting the final reward of each action using the round reward from trajectory information.Additionally,a reward-prioritized experience selection method is introduced,which ranks experience samples according to reward values to ensure frequent utilization of high-quality data.Finally,simulation experiments are conducted to verify the effectiveness of the proposed algorithm in fixed-position scenario and random environments.The experimental results show that compared to the traditional DDQN algorithm,the proposed algorithm achieves shorter average running time,higher average return and fewer average steps.The performance of the proposed algorithm is improved by 11.43%in the fixed scenario and 8.33%in random environments.It not only plans economic and safe paths but also significantly improves efficiency and generalization in path planning,making it suitable for widespread application in autonomous navigation and industrial automation.

Role of Reward and Punishment in Education

This essay aims at illustrate the important role, of reward and punishment in education from a psychological viewpoint. According to Stimulus and Response theory, reward and punishment are now commonly used by teachers to encourage both congnitive activities and appropriate behaviour in classroom . Either of them can be used to encourage or supervise the students in learning, and rewarding is fawoured. However reward mechanism must be used properly and under control. It should 't be overused. Also, there is a place for punishment in education because errors need to be pointed out and antisocial behaviour should be corrected. It can be applied only when the intensity, duration and timing are carefully considered. In a word , reward system . is undoubtedly to have positive effect while punishment is proved to cause unpredictable result. Those specific informations are mentioned in the essay that follows.

Reputational preference and other-regarding preference based rewarding mechanism promotes cooperation in spatial social dilemmas

To study the incentive mechanisms of cooperation, we propose a preference rewarding mechanism in the spatial prisoner’s dilemma game, which simultaneously considers reputational preference, other-regarding preference and the dynamic adjustment of vertex weight. The vertex weight of a player is adaptively adjusted according to the comparison result of his own reputation and the average reputation value of his immediate neighbors. Players are inclined to pay a personal cost to reward the cooperative neighbor with the greatest vertex weight. The vertex weight of a player is proportional to the preference rewards he can obtain from direct neighbors. We find that the preference rewarding mechanism significantly facilitates the evolution of cooperation, and the dynamic adjustment of vertex weight has powerful effect on the emergence of cooperative behavior. To validate multiple effects, strategy distribution and the average payoff and fitness of players are discussed in a microcosmic view.

基于季节性碳交易机制的园区综合能源系统低碳经济调度

为有效提高碳排放配额分配的合理性,并且避免年度结算时碳排放量超标导致环境污染加剧问题,提出基于奖惩因子的季节性碳交易机制,以园区综合能源系统(park integrated energy system,PIES)为对象进行低碳经济调度。首先,构建包含能量层–碳流层–管理层的综合能源系统(integrated energy system,IES)运行框架,建立电气热多能流供需动态一致性模型;其次,分析系统内“日–季节–年度”碳排放特性,打破传统应用指标法的配额分配方法,采用灰色关联分析法建立碳排放配额分配模型,并基于奖惩阶梯碳价制定季节性碳交易机制;最后,以系统内全寿命周期运行成本及碳交易成本最小为目标,对执行季节性碳交易机制的PIES进行低碳经济调度,分析长时间尺度下季节性储能参与调度的减碳量。搭建IEEE 33节点电网5节点气网7节点热网的PIES,并基于多场景进行算例分析,验证此调度方法能够实现零碳经济运行,保证系统供能可靠性,为建立零碳园区奠定理论基础。

政府监管下直播带货平台合谋行为的奖惩机制研究

“直播+电商”的新型商品销售模式正飞速发展,但该过程中存在诸多问题。本文考虑了直播带货平台与平台商家合谋以获取超额利润的现象,建立并分析了不同的奖惩机制下直播带货平台与政府监管机构的演化博弈模型,最终得出以下结论:静态奖惩机制与动态奖励静态惩罚机制下,系统不存在稳定均衡点;静态奖励动态惩罚和动态奖励动态惩罚机制下,系统存在稳定均衡点,但动态奖惩机制下直播带货平台与平台商家合谋的概率更低。动态奖惩机制下,直播带货平台和直播电商合谋行为与奖惩力度有关,当惩罚力度增加时,直播带货平台与平台商家合谋的概率下降,政府监管成本降低;当奖励强度增加时,政府严格监管概率降低,直播带货平台与平台商家合谋概率降低但变化较小。因此,政府监管机构采用科学合理的动态奖惩机制有助于直播带货行业的稳健发展。

考虑奖励机制的电动汽车充电优化引导策略

随着电动汽车(electric vehicle,EV)的大规模推广,其无序充电严重威胁电网的安全稳定运行,积极引导EV用户参与充电优化策略,对于提高电网的安全稳定性具有重要意义。为此,基于充电优化管理调度思路,提出一种考虑奖励机制的EV充电优化引导策略,在分时电价的基础上,计入用户在降低电网负荷波动中的奖励机制,考虑充电位置固定、不确定用户的出行需求,确定EV的充电时间及充电位置,达到用户满意度最高的目的;利用EV动态响应的实时优化算法,对所提的优化调度模型进行求解。仿真结果验证了所提策略的有效性和可行性,该优化调度策略不仅能有效改善负荷低谷时段集中充电形成新的负荷高峰的问题,而且可明显降低用户的充电成本及电网负荷波动。

一种改进蚁群算法的路径规划研究

针对机器人在复杂环境中的路径规划问题,本文提出了一种改进蚁群算法的路径规划研究方法.首先,在启发函数中引入一种自适应调整的放大因子,以提高相邻节点的启发信息差异,使蚂蚁朝着最优路径的方向搜索;其次,采用一种奖惩机制对路径上的信息素进行更新,使算法的收敛速度得到有效的提高;然后,通过对信息素挥发因子进行动态调整,提高蚁群的搜索速度,使算法快速收敛.最后,在最优路径的基础上,采用拐点优化算法与分段B样条曲线相结合的方法来进行路径优化,有效的改善了路径的平滑性.仿真结果表明,所提的研究方法具有更好的收敛性和搜索能力,更符合机器人运动的实际要求.

生态补偿视角下流域跨界水污染协同治理机制设计及演化博弈分析

针对流域相邻两地区和流域管理机构三方博弈主体,引入双向生态补偿-奖惩机制,构建流域跨界水污染三方演化博弈理论模型。通过稳定性分析得出流域跨界水污染协同治理理想状态的稳定条件,并结合新安江流域生态补偿试点案例进行仿真分析。结果表明:(1)引入双向生态补偿-奖惩机制可有效推动新安江流域相邻两地采取达标排放行为,促使系统达到(1, 1, 0)稳定状态;(2)动态奖惩机制组合使用有助于系统演化,从博弈主体初始意愿、实施效能和支持倾向等角度综合考虑,动态奖励-静态惩罚策略监管效果最优,动态奖励-动态惩罚策略次之;(3)流域跨界水污染协同治理的实现策略与相邻两地达标排放的治理成本与收益、双向生态补偿金额度、流域管理机构发放生态补偿奖励金额、积极监管成本和收益等因素密切相关。

前景理论视角下废旧动力电池回收监管演化博弈分析

废旧动力电池具有较强的负外部性,违背了新能源汽车设计的初衷。为促进废旧动力电池有效回收,将前景理论与演化博弈论耦合,综合考虑政府、企业(汽车生产)和公众之间的利益,促使政府和公众对企业进行共同监督,构建三方博弈模型。针对初始意愿、罚款组成、风险态度系数和损失规避系数的不同情况,进行模拟数值仿真,并结合现实中废旧动力电池的认识度、奖惩机制和盈利信心进行分析。研究表明:提高公众或政府的初始监督意愿,可以促进企业回收废旧动力电池;当企业的回收策略为亏损时,提高企业对公众的补偿金额、降低企业的风险态度系数和损失规避系数,可以促进企业积极回收;在废旧动力电池回收过程中,共同监督的效果优于单独监督。

考虑含HRD的光热电站和综合需求响应的综合能源系统低碳经济调度

在“双碳”的背景下,为进一步提升综合能源系统(Integrated Energy System, IES)的经济性和环境效益,文中提出一种在奖惩阶梯型碳交易机制下考虑含热回收装置(Heat Recycling Device, HRD)的光热电站和综合需求响应的IES系统低碳经济调度方法。首先,在源侧构建含热回收装置的光热电站与加装碳捕集的热电联产机组联合运行的IES架构,并分析电转气两阶段的运行原理,建立计及余热回收的电转气设备模型。其次,考虑到负荷侧电、热、气三种负荷的柔性特性,在负荷侧建立电热气综合需求响应模型。最后,引入奖惩阶梯型碳交易机制,进一步减小系统碳排放量,构建调度周期内以含购能成本、运维成本、碳交易成本等系统总运行成本最小为目标的综合能源系统低碳优化调度模型。通过算例分析结果表明,所提方法不仅能提高机组的运行潜力,而且有效降低了系统总运行成本与碳排放量。

融合IMR-WGAN的时序数据修复方法

工业数据由于技术故障和人为因素通常导致数据异常,现有基于约束的方法因约束阈值设置的过于宽松或严格会导致修复错误,基于统计的方法因平滑修复机制导致对时间步长较远的异常值修复准确度较低.针对上述问题,提出了基于奖励机制的最小迭代修复和改进WGAN混合模型的时序数据修复方法.首先,在预处理阶段,保留异常数据,进行信息标注等处理,从而充分挖掘异常值与真实值之间的特征约束.其次,在噪声模块提出了近邻参数裁剪规则,用于修正最小迭代修复公式生成的噪声向量.将其传递至模拟分布模块的生成器中,同时设计了一个动态时间注意力网络层,用于提取时序特征权重并与门控循环单元串联组合捕捉不同步长的特征依赖,并引入递归多步预测原理共同提升模型的表达能力;在判别器中设计了Abnormal and Truth奖励机制和Weighted Mean Square Error损失函数共同反向优化生成器修复数据的细节和质量.最后,在公开数据集和真实数据集上的实验结果表明,该方法的修复准确度与模型稳定性显著优于现有方法.

以“合宪性、涉宪性”为方法——从“连坐规定案”审查意见的方法逻辑切入

《全国人民代表大会常务委员会关于完善和加强备案审查制度的决定》第5条规定了涉宪性审查、合宪性审查的双审原理结构:一是通过涉宪性审查穷尽法律问题,通常情形下,合法性审查已实现有效审查,作为重要备位机制的合宪性审查不再启动;例外情形下,穷尽法律问题仍未能实现有效审查,则进而展开合宪性审查。二是通过合宪性审查援引宪法依据,当明确条款并依序援引,禁止向抽象的法规范逃逸。其中,在基本权利审查场域,具体的基本权利规范优先援引,进而依需要辅助援引或单独援引“概括性人权条款”。据此方法规范,“连坐规定案”审查意见在对“连”与“坐”涉宪性审查后,关于“连”的合宪性审查继续展开,所诉诸的“宪法第二章关于‘公民的基本权利和义务’规定的原则和精神”,包括优先援引的第38条人的尊严条款、第33条第2款平等权条款以及补强援引的第33条第3款“概括性人权条款”。

基于区块链的水权交易机制重构研究

为完善区块链技术下水权交易平台建设,建立统一用水权交易市场,激发水权交易活跃度,结合区块链技术对水权交易机制进行重构研究。将区块链技术与水权交易目前需求进行契合分析,结合微服务技术搭建了水权交易技术框架,初步设计了基于区块链的水权交易流程与奖惩机制,并利用python语言对信用奖惩机制进行仿真。结果表明,区块链技术特征与水权交易需求高度契合,奖惩机制能够保证在不同交易情景下对参与节点进行有效奖励,并对违约节点进行信用和资金处罚,从而激励交易主体积极履行合约,提高整体交易意愿。区块链技术应用在水权全交易流程能够实现水权交易信息的完整性存储、分布式共享和追踪溯源,研究成果可以为优化水权交易机制、提高水权交易活跃度提供参考。

基于变色龙哈希和可验证秘密共享的联盟链修改方法

区块链具有去中心化、不可篡改、可追溯等特征。现有的联盟链系统在数据上链后会全程留痕,当出现敏感信息或恶意数据时无法处理,或处理后区块链分叉、中断。针对这些问题,提出一种基于变色龙哈希和可验证秘密共享的联盟链数据修改方法。首先,把变色龙哈希的陷门再分配给身份节点,从而将发起修改者与实际修改者进行隔离;其次,为保证再分配值的正确性,将不同时间周期变色龙哈希所对应的数据设为可验证数据,用验证节点上传承诺到可验证数据,并用提案节点通过承诺验证秘密共享值;最后,为防止节点作恶,提出基于奖励金机制的数据纠正方法提高节点纠正作恶的积极性,降低作恶的可能。在中山大学区块链与智能金融研究中心InPlusLab开发的DApps数据集上进行实验的结果表明:当恶意节点数30个时,所提方法相较于用传统变色龙哈希修改联盟链数据的方法在处理恶意节点的效率方面提高了44.1%;当恶意数据量达到30条时,在处理恶意数据的时间上缩短了53.7%。

面向分布式电力交易的实用拜占庭容错共识算法改进

针对实用拜占庭容错(Practical Byzantine fault tolerance,PBFT)共识算法在分布式电力交易场景下共识时存在的主节点选取策略简单、缺少奖惩措施以及通信资源消耗较大等问题,提出一种改进实用拜占庭容错共识算法。首先,明确分布式电力交易(Distributed power trading,DPT)参与方构成,制定参与方对应节点在共识过程中应承担的权责;其次,制定节点信誉值计算方法,根据节点在共识中的表现筛选不良行为节点,有效限制拜占庭节点参与共识;此外,基于信誉值与散列算法实现了一种可验证的主节点选取方法,使主节点选取难以预测;最后,引入多主节点改进一致性协议,提高算法对拜占庭主节点的容忍程度。实验结果表明,DPT-PBFT算法在通信开销、共识时延等方面相较于PBFT算法均有不同程度的提升,能够有效适用于分布式电力交易场景。

基于Flink的动态感知用户兴趣漂移的电影推荐系统

传统使用Hadoop平台基于协同过滤算法搭建的分布式推荐系统,存在两个亟待解决的问题:(1)在面对海量数据与复杂的推荐算法模型时,处理数据的速度明显下降,不能做到低延时,无法对用户进行实时推荐;(2)传统基于协同过滤的推荐算法,无法实时感知用户兴趣漂移的问题,导致推荐的结果差强人意。针对以上两个问题,引入新一代流式计算引擎Flink,使用Spark、Flume、Kafka等大数据组件搭建电影推荐系统,整个推荐系统的推荐算法部分,分为离线与在线推荐两大模块,离线推荐算法引入堆排序,解决MLlib中ALS算法在模型预测时会进行笛卡尔积计算,消耗大量内存与算法执行时间长的问题;实时推荐算法引入艾宾浩斯遗忘曲线,通过融合时间权重与奖惩因子,来动态地感知用户兴趣发生漂移的问题。通过离线与在线推荐算法的改进,产生更好的个性化Top-N推荐结果,提升最终用户的体验。实验结果表明:(1)通过堆排序改进后的离线推荐ALS算法,在RMSE指标基本不变的情况下执行速率显著提高;(2)通过引入艾宾浩斯遗忘曲线,融合时间权重与奖惩因子的实时推荐算法,在准确率和召回率指标上明显提高,推荐结果更符合用户兴趣爱好;(3)Flink计算引擎相比较Spark计算引擎在数据量不断增加的情况下,算法执行速度更快。

可信拜占庭容错共识机制

针对实用拜占庭容错共识机制中存在共识效率低和激励机制不足的问题,提出一种可信拜占庭容错共识机制。首先,建立引入奖惩机制和时间衰减因子的节点信任评价模型,计算节点的信任值。然后,根据节点信任值进行排序,选择信任值高的节点组成共识节点集,利用可验证随机函数选取共识节点集中信任值高的节点作为主节点。此外,在拜占庭共识过程中利用BLS签名保证主节点不会作恶。实验仿真结果表明,信任模型可以有效惩罚作恶的节点,可信拜占庭容错共识相比于实用拜占庭容错共识交易吞吐量可以提高43%.

基于前景理论的废旧动力电池非正规回收渠道研究

为提高废旧动力电池回收率,解决废旧动力电池流向不明的问题,以奖惩机制为核心,将演化博弈与前景理论耦合,建立动力电池制造商、非正规回收商和政府的三方演化博弈模型,探讨关键参数对博弈主体的影响,并将对应的现实应用场景体现出来。通过改变政府的初始监督概率,判断出消极合作的博弈主体;通过调整补贴或罚款分配比例,优化奖罚机制。研究结果表明,政府提高初始监督意愿,能加速动力电池制造商和非正规回收商之间信息交流;若动力电池制造商为消极合作的企业,政府应侧重于对其进行监督;从长远发展来看,把补贴分配比例集中于动力电池制造商,把罚款分配比例集中于非正规回收商,将更利于非正规回收商主动转型升级;提高风险态度系数和损失规避系数,能加快合作回收。