面向电动汽车无线充电市场的迭代双边拍卖算法

在智能电网中,分布式能源具有灵活性,可以支持来自电动汽车的快速变化的无线充电需求。针对无线充电市场采用迭代双边拍卖算法进行电能供需匹配,分布式能源作为电能卖方,汇集商汇集电动汽车的充电需求,作为电能买方,买卖方按照自身效益最大化的原则进行出价。代理商作为拍卖师,根据出价进行电能分配和定价,可以在买卖方隐私信息未知的情况下最大化总效益。仿真结果表明,该算法可以最大化供需双方的总效益,且具有较快的收敛速度,能够保证电动汽车与分布式能源之间电能分配的高效性。

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.

信息不对称下个人健康数据交易双边定价策略研究

数据交易平台为健康数据所有者与健康数据需求者交易健康数据提供了场所,如何基于健康数据供需双方交易意愿和收益情况确定公平合理的双边交易价格是数据交易平台面临的关键问题。考虑到数据交易平台与健康数据所有者和健康数据需求者之间存在双边信息不对称,本文采用迭代双边拍卖方法设计健康数据交易分配规则和定价/奖励规则。为了协调健康数据所有者与健康数据需求者间的利益矛盾,以健康数据交易系统收益最大化为目标分配健康数据交易任务,计算最优的健康数据供给报价和需求报价;考虑到健康数据所有者和健康数据需求者是理性的,设计最优的健康数据交易双边定价策略,以实现各自收益最大化。最后,本文通过设计分布式迭代算法来计算实现市场出清的最优健康数据供需报价、任务分配和双边交易价格,并以数粮平台为案例验证所提出的健康数据交易双边定价策略的有效性。研究发现:数据交易平台对健康数据所有者设计的最优交易价格与其提交的供给报价呈负相关关系;而对健康数据需求者设计的最优交易价格等于其提交的需求报价。从实践角度来讲,本文研究结论为数据交易平台开展健康数据交易撮合服务提供了有效支持,能够在一定程度上缓解健康数据供需矛盾,推动健康数据的市场流动。

面向6G网络的联邦学习资源协作激励机制设计

第6代(6G)移动通信在满足人类智能通信需求的同时,也给用户数据的安全与隐私保护带来了极大挑战。为此,基于联邦学习的分布式机器学习架构应运而生。然而,在联邦的模型训练过程中,移动设备会产生大量计算和通信开销。自私的移动设备不愿意参与模型训练,这将降低联邦学习性能。本文基于迭代双边拍卖设计了一种有效的联邦学习资源协作激励机制,任务计算终端作为卖方,任务请求终端作为买方,本地接入点根据买卖双方的出价做出模型训练时延和相应定价决策,在买卖双方信息非对称情况下最大化联邦学习市场总效用。仿真实验表明,所提机制具有良好的收敛性,可显著提高联邦学习的准确率,同时降低训练损失。