面向资源最优分配的深度学习双边拍卖算法

针对拍卖过程中计算效率低和利益分配不合理等问题,本文提出了一种基于深度学习的迭代双边拍卖算法.该算法通过买卖双方的初始报价数据训练基于神经网络的资源最优分配模型,调用训练好的模型对实时报价数据快速响应,直接求解经纪人最优分配问题(BAP)以实现计算资源分配,显著地减小了计算代价,提高了算法的计算效率.进一步,针对利益分配不合理等问题,在迭代双边拍卖框架的支出规则和收入规则中引入调节因子用于调节买卖双方的利益,解决已有算法在实现社会福利最大化过程中利益分配不合理的问题.实验结果验证了该算法的有效性和优越性,在运行时间、社会福利、买家利益、卖家利益和经纪人利益等多项指标均明显优于已有的迭代双边拍卖算法.