基于遗传算法的连续动作迭代困境的复杂网络生成方法技术

本发明专利技术提出基于遗传算法的连续动作迭代困境的复杂网络生成方法，包括通过先提出社会合作评估标准以及社会关系评价机制，再对不同的复杂网络进行评估，之后利用社会关系评价机制找到针对连续动作迭代困境的复杂网络优化，从而设计出最优复杂网络的生成方法；本发明专利技术通过改变参与者之间的关系，提高合作水平并且减少社会收敛时间，同时本发明专利技术提出了一种新的社会合作评估标准以及一种社会关系评估机制，借用遗传算法和几项创新以此来解决连续动作迭代困境的问题，再使用多个不连续的李雅普诺夫函数来分析复杂网络优化的全局稳定性，克服了连续李雅普诺夫函数不能同时证明GA算法和进化博弈收敛的缺点。化博弈收敛的缺点。化博弈收敛的缺点。

【技术实现步骤摘要】
基于遗传算法的连续动作迭代困境的复杂网络生成方法


[0001]本专利技术涉及进化博弈研究
，尤其涉及基于遗传算法的连续动作迭代困境的复杂网络生成方法。

技术介绍

[0002]近年来，各种决策模型之间的演化趋势和协同现象受到经济、工业、人工智能等诸多领域的广泛关注，其中演化博弈有效分析了个体的策略选择与所得收入之间复杂的动态演化关系。演化博弈论在工程优化、多智能体对抗等诸多应用领域引起了学者们的关注。目前演化博弈论的工作重点是演化博弈论中多重困境的动态性和稳定性，这有助于解决资源分配问题。然而，玩家之间复杂的互动也对收敛和收敛值产生了不可忽视的影响，而这在传统作品中往往被忽视。基于这些，本文研究了在连续动作迭代困境(CAID)中起关键作用的复杂网络。
[0003]在仿真实验过程中，我们发现有时在相同的参数设置下，CAID在不同复杂网络中的收敛值是不同的，并且有一些复杂网络中参与者的合作水平更好。因此，为了评价复杂网络的质量，本文提出了一种基于遗传算法的最优复杂网络生成方法。通过改变参与者之间的关系，我们提供了一种提高社会合作水平和减少社会收敛时间的可行途径。随着进化博弈论的发展，复杂网络在代表玩家复杂社会关系方面发挥着至关重要的作用。
[0004]在传统的进化博弈研究中，有许多与不变网络相关的指标。一些作者在一个简单的规则网络上对代理进行建模，在该网络上，外部强制机制控制着学习方法，或者有的作者研究了多路复用网络上的进化博弈，其中个体获得总收益，明确控制多路复用中不同层节点之间的度相关强度，还有其他作者开发了一种统计方法来解决变量选择问题，并采用套索回归方法来恢复网络结构，然而这些作品中的指标仅适用于特定情况，缺乏适用性，因此本专利技术提出基于遗传算法的连续动作迭代困境的复杂网络生成方法以解决现有技术中存在的问题。

技术实现思路

[0005]针对上述问题，本专利技术的目的在于提出基于遗传算法的连续动作迭代困境的复杂网络生成方法，该基于遗传算法的连续动作迭代困境的复杂网络生成方法具有通过遗传算法寻找最优关系，通过改变玩家之间的连接关系来提高合作水平，减少收敛时间的优点，解决现有技术中的问题。
[0006]为实现本专利技术的目的，本专利技术通过以下技术方案实现：基于遗传算法的连续动作迭代困境的复杂网络生成方法，包括以下步骤：
[0007]步骤一：根据对连续动作迭代困境的稳定性分析，以及遗传算法和动态模型的探究，提出社会合作评估标准以及社会关系评价机制；
[0008]步骤二：用社会合作评估标准对不同的复杂网络进行评估；
[0009]步骤三：利用社会关系评价机制找到针对连续动作迭代困境的复杂网络优化；
[0010]步骤四：设计出最优复杂网络生成方法；
[0011]步骤五：对连续演化动力学包括连续动作迭代困境与各种学习能力的收敛性分析。
[0012]进一步改进在于：所述步骤二中，评估的具体步骤为：
[0013]S1：结合连续动作迭代困境的特征因子，构建评价函数，其公式表达为：
[0014]f(G，m，F)＝κ1*f
T
(G，m，F)
‑
κ2*f
η
(G，m，F)
[0015]S2：将影响特征因子的因素分为三个部分，分别为复杂网络G的图、CAID的收益矩阵m以及策略适应度F；
[0016]S3：定义图适应度函数，用公式表达为：
[0017]f(G)＝κ1f
T
(G)
‑
κ2f
η
(G)
[0018]S4：根据不同复杂网络的在评价函数中的反映，利用社会合作评估标准选择相对较好的复杂网络使连续动作迭代困境性能达到更好。
[0019]进一步改进在于：所述步骤二中，特征因子包括收敛值和达到收敛值的时间。
[0020]进一步改进在于：所述步骤三中，复杂网络优化的具体步骤为：
[0021]SS1：输入策略、支付矩阵和图，进行策略适应度的计算，以及可能性相关的计算；
[0022]SS2：将SS1中得到的计算数据，代入社会关系评价机制，确定更新策略，同时计算全局误差对算式进行判断，其全局误差的公式表达为：
[0023][0024]SS3：若存在则计算图适应度，从而更新图，最后返回输出，并之后使用新的复杂网络G
i
，重复整个过程。
[0025]进一步改进在于：所述步骤四中，先采用适合于搜索最优复杂网络的编码方法对连续动作迭代困境进行编码，然后随机生成主要种群，再计算个体的图适应度，之后通过交叉和变异更新种群，优秀的个体进入下一代，而较差的个体被淘汰，最后输出种群中的最优个体。
[0026]进一步改进在于：所述步骤五中，收敛性分析具体步骤为：
[0027]AA1：先进行连续演化动力学的收敛性分析，将系统描述为：
[0028][0029]其中L
k
＝l(G
k
)是属于集合G
k
的拉普拉斯算子，再设α为演化动力学模型的平衡点，e为statex与平衡点α之间的误差，即为x(t)＝α+e；
[0030]AA2：提出两个引理，第一个引理是若图Gk是强连通的，那么它具有一个生成树并且Lk的秩为N
‑
1，第二个引理是若L的秩为N
‑
1，则1α是L的零空间中的唯一向量，并且对于某个常数α具有稳态x
s
＝1α；
[0031]AA3：根据两个引理得出α＝0，并且根据e为statex与平衡点α之间的误差得到e的剥夺，同时还可得到e
j
‑
e
i
＝x
j
‑
x
i
，因此得出：
[0032][0033]AA4：证明等式中有李雅普诺夫函数的演化动力学模型是收敛的。
[0034]进一步改进在于：所述SS3中，若存在则说明系统还没有达到收敛，继而在当前的复杂网络继续更新状态。
[0035]进一步改进在于：所述步骤四中，种群更新机制为：
[0036]设置最大迭代次数为J，若迭代次数达到S，则输出种群中的最优个体。
[0037]本专利技术的有益效果为：该基于遗传算法的连续动作迭代困境的复杂网络生成方法通过改变参与者之间的关系，提高社会合作水平和减少社会收敛时间的可行途径，即提高合作水平并且减少社会收敛时间，同时本专利技术提出了一种新的社会合作评估标准，同时提出一种社会关系评估机制，借用遗传算法和几项创新以此来解决连续动作迭代困境的问题，同时针对复杂网络在博弈模型中的重要作用，本专利技术更加关注于演化博弈和演化动态模型的稳定性，同时还通过使用多个不连续的李雅普诺夫函数来分析复杂网络优化的全局稳定性，它克服了连续李雅普诺夫函数不能同时证明GA算法和进化博弈收敛的缺点。
附图说明
[0038]图1是本专利技术的流程示意图。
[0039]图2是本专利技术的最优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于遗传算法的连续动作迭代困境的复杂网络生成方法，其特征在于：包括以下步骤：步骤一：根据对连续动作迭代困境的稳定性分析，以及遗传算法和动态模型的探究，提出社会合作评估标准以及社会关系评价机制；步骤二：用社会合作评估标准对不同的复杂网络进行评估；步骤三：利用社会关系评价机制找到针对连续动作迭代困境的复杂网络优化；步骤四：设计出最优复杂网络生成方法；步骤五：对连续演化动力学包括连续动作迭代困境与各种学习能力的收敛性分析。2.根据权利要求1所述的基于遗传算法的连续动作迭代困境的复杂网络生成方法，其特征在于：所述步骤二中，评估的具体步骤为：S1：结合连续动作迭代困境的特征因子，构建评价函数，其公式表达为：f(G，m，F)＝κ1*f
T
(G，m，F)
‑
κ2*f
η
(G，m，F)S2：将影响特征因子的因素分为三个部分，分别为复杂网络G的图、CAID的收益矩阵m以及策略适应度F；S3：定义图适应度函数，用公式表达为：f(G)＝κ1f
T
(G)
‑
κ2f
η
(G)S4：根据不同复杂网络的在评价函数中的反映，利用社会合作评估标准选择相对较好的复杂网络使连续动作迭代困境性能达到更好。3.根据权利要求1所述的基于遗传算法的连续动作迭代困境的复杂网络生成方法，其特征在于：所述步骤二中，特征因子包括收敛值和达到收敛值的时间。4.根据权利要求1所述的基于遗传算法的连续动作迭代困境的复杂网络生成方法，其特征在于：所述步骤三中，复杂网络优化的具体步骤为：SS1：输入策略、支付矩阵和图，进行策略适应度的计算，以及可能性相关的计算；SS2：将SS1中得到的计算数据，代入社会关系评价机制，确定更新策略，同时计算全局误差对算式进行判断，其全局误差的公式表达为：SS3：若存在则计算图适应度，从而更新图，最后返回输出，并之后使用新的复杂网络G
i
...

【专利技术属性】
技术研发人员：于登秀，贾战晓，唐艺洋，金军委，王震，朱培灿，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：