协同演化计算的迭代多属性拍卖机制

为了克服多属性反向拍卖中偏好信息提取困难、提取成本高的影响,提出一种迭代多属性拍卖机制,支持买卖双方增量式的按需偏好确定和揭示,引入协同演化计算方法作为卖方的学习工具和投标策略工具.在买方采取坦诚策略的前提下,协同演化计算方法为卖方提供的策略是其事后的近似纳什均衡策略,且拍卖机制以近似有效率的交易结束.实例分析和实验结果验证了该机制的有效性.

整车运输协作问题迭代拍卖机制设计

实践中,很多企业已经参与了由第三方物流平台组织和协调的整车协作运输项目,以提高利润.本文提出了不完全信息条件下多个运输商在整车运输方面协作的迭代拍卖机制.本文为该机制设计了一种简便的算法,其中各运输商在每一轮拍卖中只需求解线性规划模型进行竞标,且算法在匹配时最优确定各运输商的买家或卖家角色.本文证明了该机制同时满足防范操纵性,个体理性,预算平衡性,单调性,和有限收敛性.大量数值实验表明该机制具有很高的有效性,并能显著地增加各运输商的个体利润.实验还发现当运输网络规模更大,运输商平均拥有的线路数量较小,各运输商运营成本存在较大差异时,该机制的性能一般也会更好.

基于迭代组合拍卖的排污权交易影响因素研究

构建了初始排污权迭代组合拍卖模型,并结合EWA模型探究了排污企业的个体属性和学习行为以及拍卖竞争程度对排污权分配结果的影响。仿真结果表明:当参与竞拍企业的数量较多时政府可获得较高收益,当参与竞拍企业的数量较少时企业可获得较高收益;排污企业在竞拍中随拍卖环境调整报价策略越积极,其收益越高;排污企业的报价策略选择越依赖其学习行为,其收益越高。

一种运输作业指派的迭代下降组合拍卖机制设计

针对4PL公司的卡车运输作业指派问题提出了一种基于内生投标的迭代下降组合拍卖机制设计。根据获胜者确定问题,构造出一个限制对偶规划,其最优解提供近似单条线路运输作业的价格信息。投标者(3PL企业)根据这些价格信息,在近视最佳反应投标策略下能够确定新的有利可图的线路组合,并以此进行下一轮的投标。数值试验显示,基于内生投标的迭代拍卖机制与基于外生投标的迭代拍卖机制相比具有更高的指派效率。

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。