基于奖励因子的囚徒困境博弈模型研究

针对合作演化问题,通过引入奖励因子。根据演化博弈论,研究在空间囚徒困境博弈中,奖励因子和记忆长度对策略改变的影响。先后分析了合作率与对背叛诱惑之间的关系图,合作率与记忆长度的关系图以及临界值和奖励因子变化的关系图等。研究发现,与传统囚徒困境博弈模型相比,增加奖励因子或减少记忆长度能有效促进合作的演化。

基于奖励因子的P2P博弈模型

通过分析现有的信任模型,以解决P2P网络信任问题为出发点,提出了基于奖励因子的P2P博弈模型,该模型对选择合作行为的节点进行奖励,并根据网络合作节点的占有率对奖励因子进行调整,以此激励单个节点的合作行为选择,促进网络更多节点进行合作,以获取更大的奖励,通过这一良性循环.仿真实验表明,奖励因子对于节点间的信任关系,以及整个网络的稳定性有明显的作用.

基于POW的区块链共识机制的改进

基于工作量证明(Proof of Work,POW)的共识机制在寻找随机数(Nonce)过程中算力主导记账,浪费计算资源及内存,存在51%算力的危险。针对此缺陷,提出一种改进的基于POW的区块链共识机制IPOW(Improve Proof of Work),引入控制权重、激励阈值、有效时间和奖励因子,给出相关算法,通过控制权重等得出最终记账权R。实验结果表明,与POW相比,IPOW共识机制削弱了算力对于节点获得记账权的主导地位,控制权重越大,越容易获得记账权;降低节点作恶的概率,减少富人愈富现象的发生。

ER随机网络中新型雪堆博弈模型的研究

基于传统的雪堆博弈模型,通过添加奖励因子和惩罚因子,并且结合复杂网络的结构的随机性,建立新型博弈模型,来探究网络结构的差异性对博弈模型的影响。基于新型奖惩机制的引入,每个个体的收益函数一经改变,就会迫使部分参与者改变其策略。仿真实验证明,ER网络中雪堆博弈模型的合作水平存在一个全合作平台,即在一个cost范围内,整体的合作水平不会随着cost值的改变而改变,当超出这个范围后,合作水平会随着cost值的增加而下降,并且奖励因子和惩罚因子可以有效地促进合作行为的涌现。考虑到网络结构差异性对博弈模型的影响,在网络中个体的连接度比较小时,全合作平台比较宽,当我们所设定的节点平均度增加时,合作水平下降的cost转折点会减小,但是合作水平的下降速度在减缓。

WS网络下添加奖惩机制对PD博弈的影响

在WS小世界网络中,为改变囚徒困境演化博弈模型,我们通过引入奖励因子和惩罚因子来改变网络中所有参与者的收益函数,以此达到改变博弈模型的目的。通过Matlab仿真实验,我们发现在WS小世界网络中,这种新型的收益机制能够促进合作水平的提高。即在记忆长度M一定的情况下,奖励因子和惩罚因子与合作水平呈正相关。并且通过对比分析两种不同WS小世界网络结构,发现在奖励因子和惩罚因子一定时,对于WS小世界网络,断边重连概率对合作水平也有很大的影响,且在比较大的断边重连概率p所构造的WS网络中,奖励因子对合作水平的提高要大于惩罚因子对合作水平的提高。

改进遗传算法在含DG配电网规划中的应用

由于分布式电源融入到配电网中,分布式电源和配电网规划间存在相互影响的关系。文章进行了一定的框架规划,同时在框架中加入了DG效益奖励因子,对于原有的遗传算法存在的译码复杂、迭代时间长、次数多等缺点,提出了一种改进的遗传算法。

基于信任模式的P2P超级节点选取机制研究

本文提出了一种基于信任模式的P2P超级节点选取机制,通过计算节点的总体信任度作为评选超级节点的一项重要指标,并在计算节点信任度的过程中引入奖励惩罚因子和时间衰减因子,同时在选取超级节点时采用阈值过滤算法从普通节点中筛选备选超级节点集合,然后再从备选超级节点集合中选取最优的节点作为超级节点。通过在Matlab实验环境下仿真表明,该机制能够有效提高P2P超级节点选取的准确性。

基于改进A-Star算法的AGV全局路径规划

针对智能仓储物流AGV全局路径规划,提出了改进的A-Star算法。该算法在原有估价函数的基础上,引入惩罚函数和奖励因子,以解决传统A-Star算法拐点多的问题,进而提升AGV的全局运输效率。为评估改进算法的有效性,文章基于Visual Studio设计了Windows应用开发程序进行仿真实验。实验结果表明,改进的A-Star算法可显著降低AGV的转弯次数,有效提高AGV的运输效率。