移动群体中的合作动力学研究
发布时间：2021-04-07 07:48
近年来,合作行为在移动群体中如何形成和维持引起了诸多学者的广泛关注。个体的迁移被认为是研究该问题的一个重要因素。值得注意的是,迁移机制的引入能在不同的社会困境中有效地提高群体的合作水平。然而,目前有导向驱动迁移机制如何影响合作演化尚不清楚。另外,个体迁移机制的哪种模式能够更有效地促进合作演化也尚未清楚。因此,本文主要探讨了有导向驱动迁移机制如何影响移动群体中的合作演化。本文主要的工作及研究成果如下:首先,本文提出了一种有导向驱动迁移机制,并研究了该迁移机制在空间公共品博弈中是如何影响合作演化的。在该模型中,个体可以根据其邻居的策略类型来选择迁移的方向。研究结果表明:有导向驱动迁移机制的引入能有效地解决公共品的社会困境。当个体移动速率较低时,该迁移机制可以显著地促进合作演化。有趣的是,当个体更倾向于逃离他们邻居中的背叛者时,该机制可以显著地促进合作演化;而当个体更倾向于靠近他们邻居中的合作者时,合作行为得不到有效的维持。与随机迁移相比,逃离背叛者的迁移能更有效地促进合作演化。当排斥力的强度较高和交互距离的阈值较低时,研究结果还表明了该机制可以有效地促进合作演化。其次,基于有导向驱动迁移机...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
生死更新规则示意图
第一章绪论7(2)死生更新规则[113]。该更新规则描述的是在每一个时间步上随机地从网络中选取一个博弈者或节点x，随后该博弈者的所有邻居来竞争该位置，而该博弈者的邻居之间的竞争正比于他们的适应度。下面用示意图来描述死生更新规则，如图1-2所示。图1-2死生更新规则示意图蓝色的圆表示个体A，绿色的圆表示个体B。(3)确定性模仿最佳策略[93]。该更新规则描述的是一种完全确定的策略更新过程，其更新规则为：在每次博弈中，每个博弈者x的收益与其收益最高的邻居y进行比较，如果前者低于后者，那么博弈者x采取其邻居y的策略。否则，该博弈者就会保留其现有的策略。与此同时，全部博弈者的策略更新过程是同步进行的。值得注意的是，当博弈者x采取其邻居y的策略时，如果存在多个收益最高的邻居且他们的策略是不同的，则该博弈者将随机地选择其中一种收益最高对应的策略作为下一轮博弈的策略。(4)Fermi函数。该更新规则基于博弈者在策略更新过程中的有限理性，即博弈者也可能因为犯错而选择模仿非最优策略。在策略的更新过程中，博弈者x在每个时间步上随机地选择其邻居y，并与该邻居的收益进行比较，将以概率yxq来进行学习或模仿博弈者y的策略，其概率为syxyxKPPeq11，(1-3)其中，xP和yP分别表示博弈者x和y的收益。当,0sK时，sK为非理性选择的噪声参数，即允许博弈者选择模仿非最优策略。特别地，当0sK时，1yxq(yxPP)或0yxq(yxPP)，此时该更新规则演化成确定性策略模仿；当sK时，5.0yxq，此时该更新规则演化成随机性策略模仿，即策略选择与博弈者的收益无关。(5)复制动力学模型[92,105]。该更新规则描述的是博弈者x在每个时间步上随机地选择一个邻居y，并与该邻居的收益进行比较。如果xyPP
电子科技大学硕士学位论文12机制对合作演化的影响。为了简单起见，本章的其他参数值分别设置为r75.5、2、2.0fr、1.0和w2。同时，当这些参数值改变时，本章的主要结果仍然有效。此外，当应用上述更新规则时，移动群体收敛于完全合作或完全背叛的状态。为了获得具有代表性的行为，本章对每组参数值独立实现200次，并统计群体演化为完全合作的次数。另外，如果群体在610次迭代更新后没有收敛到吸收状态，则再计算在410次迭代更新后群体中合作比例的平均值来确定稳定状态下的合作水平。下一节将探究有导向驱动迁移机制中的主要参数如何影响群体中的合作演化。2.3结果与分析图2-1移动速率v分别在不同的有导向驱动迁移权重和随机迁移下对合作比例的影响其他参数值分别是1，R1。首先，图2-1给出了合作比例在不同的有导向驱动权重下随移动速率v的变化情况。本章发现了合作比例分别在不同的值下随移动速率v增加而逐渐降低，但在低移动速率v下，群体中的合作行为可以涌现出来。特别地，如果的值很大，那么整个群体可以达到完全合作状态。此外，在随机迁移机制下，图2-1还展示了合作比例随移动速率v值的变化情况。本章进一步发现了当移动速率v不高且值较大时，有导向驱动迁移机制比随机迁移机制更能促进合作演化。值得注意的是，当5.0时，有导向驱动迁移机制下的合作水平接近于在随机迁移下的合作水平。这可能因为靠近合作者与逃离背叛者的倾向性在5.0下是相同的，这接近于个体的策略在随机迁移机制下是相互独立的情况[118]。
【参考文献】：
博士论文
[1]复杂网络上的合作演化和博弈动力学研究[D]. 苏奇.北京大学 2020
[2]基于博弈策略与迁移机制的群体合作演化研究[D]. 赵小薇.大连理工大学 2017
[3]复杂网络上的共演化博弈研究[D]. 丛睿.西安电子科技大学 2014
[4]动态网络上的演化博弈研究[D]. 陈卓.上海交通大学 2012
硕士论文
[1]复杂网络上的合作演化动力学研究[D]. 窦浦轩.西安电子科技大学 2014
[2]演化博弈动力学及复杂网上的博弈机制研究[D]. 王震.南开大学 2011
本文编号：3123092
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
生死更新规则示意图
第一章绪论7(2)死生更新规则[113]。该更新规则描述的是在每一个时间步上随机地从网络中选取一个博弈者或节点x，随后该博弈者的所有邻居来竞争该位置，而该博弈者的邻居之间的竞争正比于他们的适应度。下面用示意图来描述死生更新规则，如图1-2所示。图1-2死生更新规则示意图蓝色的圆表示个体A，绿色的圆表示个体B。(3)确定性模仿最佳策略[93]。该更新规则描述的是一种完全确定的策略更新过程，其更新规则为：在每次博弈中，每个博弈者x的收益与其收益最高的邻居y进行比较，如果前者低于后者，那么博弈者x采取其邻居y的策略。否则，该博弈者就会保留其现有的策略。与此同时，全部博弈者的策略更新过程是同步进行的。值得注意的是，当博弈者x采取其邻居y的策略时，如果存在多个收益最高的邻居且他们的策略是不同的，则该博弈者将随机地选择其中一种收益最高对应的策略作为下一轮博弈的策略。(4)Fermi函数。该更新规则基于博弈者在策略更新过程中的有限理性，即博弈者也可能因为犯错而选择模仿非最优策略。在策略的更新过程中，博弈者x在每个时间步上随机地选择其邻居y，并与该邻居的收益进行比较，将以概率yxq来进行学习或模仿博弈者y的策略，其概率为syxyxKPPeq11，(1-3)其中，xP和yP分别表示博弈者x和y的收益。当,0sK时，sK为非理性选择的噪声参数，即允许博弈者选择模仿非最优策略。特别地，当0sK时，1yxq(yxPP)或0yxq(yxPP)，此时该更新规则演化成确定性策略模仿；当sK时，5.0yxq，此时该更新规则演化成随机性策略模仿，即策略选择与博弈者的收益无关。(5)复制动力学模型[92,105]。该更新规则描述的是博弈者x在每个时间步上随机地选择一个邻居y，并与该邻居的收益进行比较。如果xyPP
电子科技大学硕士学位论文12机制对合作演化的影响。为了简单起见，本章的其他参数值分别设置为r75.5、2、2.0fr、1.0和w2。同时，当这些参数值改变时，本章的主要结果仍然有效。此外，当应用上述更新规则时，移动群体收敛于完全合作或完全背叛的状态。为了获得具有代表性的行为，本章对每组参数值独立实现200次，并统计群体演化为完全合作的次数。另外，如果群体在610次迭代更新后没有收敛到吸收状态，则再计算在410次迭代更新后群体中合作比例的平均值来确定稳定状态下的合作水平。下一节将探究有导向驱动迁移机制中的主要参数如何影响群体中的合作演化。2.3结果与分析图2-1移动速率v分别在不同的有导向驱动迁移权重和随机迁移下对合作比例的影响其他参数值分别是1，R1。首先，图2-1给出了合作比例在不同的有导向驱动权重下随移动速率v的变化情况。本章发现了合作比例分别在不同的值下随移动速率v增加而逐渐降低，但在低移动速率v下，群体中的合作行为可以涌现出来。特别地，如果的值很大，那么整个群体可以达到完全合作状态。此外，在随机迁移机制下，图2-1还展示了合作比例随移动速率v值的变化情况。本章进一步发现了当移动速率v不高且值较大时，有导向驱动迁移机制比随机迁移机制更能促进合作演化。值得注意的是，当5.0时，有导向驱动迁移机制下的合作水平接近于在随机迁移下的合作水平。这可能因为靠近合作者与逃离背叛者的倾向性在5.0下是相同的，这接近于个体的策略在随机迁移机制下是相互独立的情况[118]。
【参考文献】：
博士论文
[1]复杂网络上的合作演化和博弈动力学研究[D]. 苏奇.北京大学 2020
[2]基于博弈策略与迁移机制的群体合作演化研究[D]. 赵小薇.大连理工大学 2017
[3]复杂网络上的共演化博弈研究[D]. 丛睿.西安电子科技大学 2014
[4]动态网络上的演化博弈研究[D]. 陈卓.上海交通大学 2012
硕士论文
[1]复杂网络上的合作演化动力学研究[D]. 窦浦轩.西安电子科技大学 2014
[2]演化博弈动力学及复杂网上的博弈机制研究[D]. 王震.南开大学 2011
本文编号：3123092
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3123092.html
