流域管理Multi-Agents系统演进机理分析

doi:10.3778/j.issn.1002-8331.2010.14.001

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (14): 1-4.DOI: 10.3778/j.issn.1002-8331.2010.14.001

流域管理Multi-Agents系统演进机理分析

宋红丽¹，薛惠锋^1，2

1.西北工业大学自动化学院，西安 710072
2.全国人大环境与资源保护委员会法案室，北京 100805

收稿日期:2010-01-06 修回日期:2010-02-24 出版日期:2010-05-11 发布日期:2010-05-11
通讯作者: 宋红丽

Evolutionary mechanism analysis of Multi-Agents system in river basin management

SONG Hong-li¹，XUE Hui-feng^1，2

1.School of Automation，Northwestern Polytechnical University，Xi’an 710072，China
2.Environment and Resources Protection Committee of National People’s Congress，Beijing 100805，China

Received:2010-01-06 Revised:2010-02-24 Online:2010-05-11 Published:2010-05-11
Contact: SONG Hong-li

摘要/Abstract

摘要： 针对流域管理中流域机构与行政区划等各相关利益主体在决策过程中具有有限理性、自主性、动态性等特点，将流域管理多Agent系统作为一类复杂适应系统，运用演化博弈理论，建立流域管理中多Agent系统的演化博弈均衡模型，分析多Agent系统中各利益主体之间的竞争与合作机制的动态演变过程。研究结果表明，流域管理多Agent系统的演化方向与博弈双方的支付矩阵以及系统的初始状态相关。通过增加博弈双方群体采取完全合作策略的相对支付和降低从不合作到合作的成本，会有效促进系统由不合作策略向完全合作策略的方向演化。

关键词: 流域管理, 有限理性, 演化博弈, 策略

Abstract: In views of Multi-Agents in river basin management characterized with bounded rational，self-determination and dynamic，an evolutionary game model of Multi-Agents in river basin management based on evolutionary game theory is established to analyze its dynamic evolutionary procedure.Results of the study show that the system evolutionary direction is related to player’s payoff and initial status of the system.It can effectively promote the system evolution from competitive strategy to the full co-operation strategy by increasing co-operation strategy payoff and reducing cost from competition to cooperation.

Key words: river basin management, bounded rational, evolutionary game, strategy

中图分类号:

宋红丽¹，薛惠锋^1，2. 流域管理Multi-Agents系统演进机理分析[J]. 计算机工程与应用, 2010, 46(14): 1-4.

SONG Hong-li¹，XUE Hui-feng^1，2. Evolutionary mechanism analysis of Multi-Agents system in river basin management[J]. Computer Engineering and Applications, 2010, 46(14): 1-4.

[1]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[2]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[3]	逯曼皎，张伟，徐涛. 基于动态矩阵模型的可优化的补货策略[J]. 计算机工程与应用, 2021, 57(7): 263-268.
[4]	周友行，赵晗妘，刘汉江，李昱泽，肖雨琴. 采用DDPG的双足机器人自学习步态规划方法[J]. 计算机工程与应用, 2021, 57(6): 254-259.
[5]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[6]	李玲，王峥，李娜. 雾计算中支持计算外包的访问控制方案[J]. 计算机工程与应用, 2021, 57(6): 81-87.
[7]	王晓，唐伦，贺小雨，陈前斌. 基于深度强化学习的服务功能链多维资源优化[J]. 计算机工程与应用, 2021, 57(4): 68-76.
[8]	张公凯，陈才学，郑拓. 改进鲸鱼算法在电动汽车有序充电中的应用[J]. 计算机工程与应用, 2021, 57(4): 272-278.
[9]	赖俊，魏竞毅，陈希亮. 分层强化学习综述[J]. 计算机工程与应用, 2021, 57(3): 72-79.
[10]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[11]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[12]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[13]	王庆荣，马辰坤. 面向案例消耗推理的应急物资预测[J]. 计算机工程与应用, 2021, 57(22): 281-287.
[14]	李守玉，何庆，杜逆索. 分段权重和变异反向学习的蝴蝶优化算法[J]. 计算机工程与应用, 2021, 57(22): 92-101.
[15]	陈瑶，陈思. 基于自适应多普勒及动态邻域的改进BA算法[J]. 计算机工程与应用, 2021, 57(22): 166-176.

流域管理Multi-Agents系统演进机理分析

Evolutionary mechanism analysis of Multi-Agents system in river basin management

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics