网格资源分配的进化博弈策略

针对网格资源分配中的竞争问题,提出了一种利用进化博弈的动态机制研究资源分配的方法。该方法利用复制动态方程求解网格使用者策略选择比例的进化稳定点,通过反复博弈使得网格使用者学习并调整出价策略,并讨论了四种典型的使用者评估函数对进化稳定点的影响。最后利用网格模拟器进行了实验评估,结果表明提出的进化博弈方法是收敛的,且在网格使用者的总体效用方面优于传统算法,从而实现了网格资源的优化分配。     

基于进化博弈的网格资源分配方法的研究

在网络资源优化分配问胚的研究中,由于用户存在决策失误,现有基于理性用户博弈的网格资源分配在实际网格环境会完全失效.分析了非完全理性网格用户群体的资源分配策略及其演化过程,提出一种改进的复制动态机制的网格资源分配方法,克服了用户理性的限制,引入变异机制,在无初始学习样本的情况下,也能确保用户达到进行稳定策略点,实现了网格资源在有限理性用户之间的优化分配.仿真表明,用户通过学习对资源分配策略进行调整,可实现最优分配策略并处于稳定状态,证明了进化博弈的资源分配方法在网格环境中的适应性和稳定性.     

生物进化的进化博弈模型

本文根据达尔文三个原理建立生物进化的进化博弈数学模型。包括生态过程和策略动态两组微分方程。生态过程为内部博弈反映物种之间及物种内部的生存竞争，策略动态为外部博弈反映了物种特征的遗传和变异。讨论了均衡，渐进稳定性，进化稳定策略等有关问题。最后用例子说明现实世界中一些物种濒临灭绝是自然选择的结果，用人为的方法阻止是不会成功的。     

网格资源分配博弈的随机动态分析*

针对网格资源分配的优化问题,提出利用随机动态来研究有限网格群体博弈的分析方法。通过建立网格使用者策略选择的随机模型来分析有限网格群体的博弈,并利用期望效用生成选择过程的量化指标来判断使用者在反复博弈中策略选择的变化方向及其稳定性。最后通过仿真实例的研究结果表明,在效用矩阵不变的情况下,群体规模是影响网格使用者策略选择方案的一个重要因素。     

云计算基于随机进化博弈动态的资源优化配置

云资源优化分配研究中,用户策略难免存在失误,以用户完全理性为前提的资源分配方法在实际环境下会出现失效。分析非完全理性的云用户种群下的资源分配过程及其策略演化过程,提出一种随机动态模型求解有限云种群中的资源分配进化博弈问题。模型克服用户完全理性的限制,利用带有频率依赖选择的Moran过程,在重复博弈过程中寻找云用户策略的入侵指数和固定指数策略选择偏好的条件。根据经济学云环境的特征,建立云用户的固定效用矩阵,量化策略选择动态。数值仿真结果证明,为了最大化自身效用,不同大小云种群中的个体策略会向着不同策略方向演化,资源在有限理性用户之间可以实现优化分配,且最优分配策略最终会处于稳定状态。     

基于生态网络的P2P环境信任博弈进化模型

P2P网络中信任机制能够很好地检测和惩罚恶意节点,激励节点之间合作。提出了一种基于生态网络协同进化机理的信任博弈模型,应用复制动态机制分析了节点之间信任关系的长期演化趋势,从理论与实践上说明了在P2P网络中应用此信任模型具有良好的演化稳定性及性能的整体最优性。     

网格资源交易过程中的自主定价策略

基于计算市场的网格系统资源分配的一个关键步骤是对资源的合理定价,本文给出了一种新的在每次交易过程中由买卖双方自主确定价格的方法。这种定价方法与现实生活中的商品交易更相近。与现有的其他定价策略相比,该策略是一种分布式的定价方案,与分布式资源分配的要求相适应。此外定价与交易相结合,价格仅由交易双方制定,且仅限于本次交易中有效,使得这种定价更加灵活,也更能充分适应网格资源的实时变化。     

基于博弈论的P2P网络信任进化机制研究

基于博弈理论,着眼于信任机制的进化演变,应用复制动态机制对节点之间的信任关系的长期演化趋势进行了分析。分析结果显示网络节点之间的信任关系通过博弈收益机制的调节而成为网络安全与稳定的长期演化趋势。仿真结果也证明,应用收益机制调节,信任会成为网络节点的稳定策略,从而提高了网络的安全性与稳定性。     

基于博弈理论的经济网格资源配置研究

针对经济网格中,由于网格系统的复杂性和用户的私利性,使得网格用户在资源竞价过程中往往因相关信息的匮乏而导致资源竞价的盲目性问题,根据重复博弈分阶段执行的特点,将网格用户间对网格资源的竞争看作多阶段的重复博弈过程.用户依据前一阶段博弈的竞价值及竞价结果对当前阶段的竞价策略进行调整,通过有限次的阶段博弈达到均衡出价策略组合,实现用户最大效用下的资源分配.仿真表明,在不完全信息的网格环境中,该竞价模型可逐步改善网格用户的资源竞价策略,实现优化目标最大化下的网格资源分配.     

基于效益博弈的云计算资源动态可协调分配策略研究

在对用户的任务进行计算资源分配时,为了有效提高计算资源的利用效率,减少任务执行所需要的成本,提出了一种基于效益博弈的云计算资源动态可协调分配机制。该机制采用时间矩阵和费用矩阵作为任务效益的衡量指标,提出效益博弈模型,通过该模型的效益计算方程来得到最好的资源分配策略。为了使得计算资源能够合理地按需进行分配,提出了动态可协调分配机制,在合理地分配资源,满足所有任务正常执行时所需资源的同时,最大化任务的执行效益。实验仿真及对比结果表明,在任务完成时间、任务执行的平均成本、任务完成成功率上,本文算法都取得了较好的效果。     

An evolutionary game algorithm for grid resource allocation under bounded rationality

Resource allocation cannot reach equilibrium in one‐off game in grid environment because of the bounded rationality of the users. To address this issue, an evolutionary game algorithm for grid resource allocation is proposed in this paper. The evolutionary game theory is introduced to study the selection process of user strategy from the dynamic viewpoint. Firstly, the problem of multiple users competing for a common resource is formulated as a symmetric game. Secondly, replicated dynamic mechanism is used to produce the evolutionary stable point that leads to a satisfied allocation scenario. Finally, the relationships among the evolutionary stable point, valuation functions, and convergence time are discussed in detail. The results of the experiments show that the proposed evolutionary game algorithm is convergent and generates better utility results compared with the classical game algorithm. Copyright © 2009 John Wiley & Sons, Ltd.     

三方多策略式博弈系统的长期演化稳定均衡特性研究

演化博弈论(EGT)基于有限理性假设且更加贴近现实,近年来已在众多领域得到了初步应用.基于此,本文关注一类较为常见的三方多策略式演化博弈系统,尝试通过理论分析总结其长期演化稳定均衡(ESE)特性,并进行仿真验证研究.首先,研究了一般情形下的三方两策略对称与非对称演化博弈系统;然后,将其扩展到更复杂的三方三策略非对称演化博弈类型,并对其长期ESE特性进行了理论分析与动态仿真验证;进一步,对通用三方n-策略(n 1)非对称演化博弈的建模思路进行了阐述与总结,给出其收敛迭代的计算方法.研究过程中详细定义了各类演化博弈模型的相对净支付(RNP)参数.实验结果表明可通过一些外部因素适当调整RNP参数使各类系统朝着期望的长期ESE状态自发收敛.最后,进行了实例验证.本文研究模型、方法和所得结论具有一定普适性,旨在丰富EGT研究,尤其是三方多策略演化博弈问题研究,并为相关领域非完全理性人参与的行为决策问题研究提供一些思路和理论参考.     

面向运行时间预测和容错感知的网格资源分配

提出与描述了一种面向任务运行时间预测和容错感知（Fault-Aware）的网格资源分配策略,采用主动容错的方式,在资源出错之前尽量提前避免它出错或异常的情况发生。该策略把网格中任务的运行时间（runtime）预测和资源的在线时间（uptime）预测结合起来,相对于普通的调度策略具有比较高的资源利用率。在具体的CoBRA网格中间件中实现了该容错感知调度,描述了实现该容错感知调度策略模块的功能。测试过程中选择了睡眠任务技术,划分四种不同的场景进行实验,把该容错感知资源分配与普通的FCFS调度策略进行比较,结果证明在可变化的资源可用性的情况下系统可以加快应用的整体执行时间,具有很小的偏差。     

基于分簇和Stackelberg博弈的D2D资源分配策略

当前,车辆密集通信场景下存在通信资源利用率低、DUE(D2D user)用户通信质量差等问题。针对上述问题,提出了一种基于分簇和Stackelberg博弈的D2D(device to device)资源分配策略,以解决DUE用户功率分配、信道匹配问题。首先,基于每个信道内DUE用户之间干扰最小原则,该模型对所有DUE用户进行分簇;然后,对于CUE(cellular user)用户与DUE用户簇,构建一对多的Stackelberg主从博弈模型,通过复用链路干扰参数和簇内干扰参数的迭代更新,优化每个DUE用户的发射功率;最后,利用匈牙利算法实现DUE用户簇与CUE用户的最佳信道匹配,最大化DUE用户的容量和。仿真结果表明,与基于价格迭代、等功率分配和高能效干扰约束的几种功率分配算法相比,所提算法能有效提升DUE用户的总容量。     

认知无线网络中基于进化博弈的动态频谱接入*

研究了认知无线网络环境中基于价格动态性的动态频谱接入,即不同的授权网络服务商以不同的价格将空闲频谱出售给认知网络,且认知用户可以根据自己获得的报酬动态地接入不同的网络。为最大化认知网络的效用,提出了基于进化博弈的动态频谱接入方案。仿真结果表明,当认知用户群体到达进化均衡时,接入每个主网络的认知用户数量的比例达到稳定状态,最大化了认知用户和网络的效用。     

基于贝叶斯策略的网格资源分配方法

考虑网格应用QoS需求,以最大化网格系统的经济收益为目标,提出了一种基于贝叶斯策略的网格资源分配方法。该方法基于价格可代表资源QoS综合性能的思想,利用历史QoS匹配记录,运用朴素贝叶斯定理根据用户提交的价格参数来分配与其级别相对应的符合要价范围资源,并优先考虑QoS水平较高的任务,将当前时刻QoS水平较高的资源预留给下一时刻到达的QoS水平较高的任务,而忽略当前时刻QoS水平较低的任务。实验结果表明,该资源分配方法不仅能有效地保障用户QoS,而且能使网格系统获得较大的经济收益。     

A population game approach for dynamic resource allocation problems

We consider a water distribution system as an example of resource allocation, and investigate the use of a population game for its control. We use a game-theoretic approach based on two evolutionary dynamics, the Brown–von Neumann–Nash and the Smith dynamics. We show that the closed-loop feedback interconnection of the water distribution system and the game-theoretic-based controller has a Nash equilibrium as an asymptotically stable equilibrium point. The stability analysis is performed based on passivity concepts and the Lyapunov stability theorem. An additional control subsystem is considered for disturbance rejection. We verify the effectiveness of the method by simulations under different scenarios.     

基于进化博弈的P2P网络中信任计算的动力学分析

运用动力学原理,基于进化博弈理论,对信任计算的动力学方程进行了求解分析,并运用复制动态原理分析了节点之间信任关系的演化趋势,进一步揭示了信任计算的演化动力学规律。仿真实验表明,进化是网络节点信任合作的动力源泉。