完全信息静态博弈

摘要： 人力资源是保障医疗服务质量的核心,而人员激励是医院人力资源管理的重要内容。文章从博弈论视角出发,以医院与员工为博弈双方,以是否制定激励策略为博弈点,论证医院人员激励过程中双方的策略行为并提出实行多元激励机制、优化员工薪资体系、统筹奖励与约束的建议,为医院建立科学的激励机制提供理论支持。

摘要： 为了有效地促进客户参与产品服务系统开发,文中运用完全信息静态博弈理论,建立客户参与产品服务系统开发的激励博弈模型,通过对模型的均衡分析和算例验证,分析了博弈双方的策略选择过程,从而得出相应的研究结论和管理启示。研究表明:在纯策略情况下,博弈双方最优的策略选择为:(不激励,参与)策略;在混合策略情况下,制造企业与客户将会以一定的概率选择(激励,参与)策略;制造企业选择“激励”策略的概率与客户的参与成本正相关,与客户的收益增量、客户缴纳的罚金负相关;客户选择“参与”策略的概率与其缴纳的罚金正相关,与制造企业的激励成本和损失负相关。

摘要： 为了有效地促进客户参与产品服务系统开发,文中运用完全信息静态博弈理论,建立客户参与产品服务系统开发的激励博弈模型,通过对模型的均衡分析和算例验证,分析了博弈双方的策略选择过程,从而得出相应的研究结论和管理启示.研究表明:在纯策略情况下,博弈双方最优的策略选择为:(不激励,参与)策略;在混合策略情况下,制造企业与客户将会以一定的概率选择(激励,参与)策略;制造企业选择"激励"策略的概率与客户的参与成本正相关,与客户的收益增量、客户缴纳的罚金负相关;客户选择"参与"策略的概率与其缴纳的罚金正相关,与制造企业的激励成本和损失负相关.

摘要： 新冠疫情肆虐全球,各国不同防疫政策的治理效果也有显著差异.部分国家在使用健康码政策之后疫情得到了很好的控制,因此国际上对健康码的关注度也较高,但目前为止在这方面仍然缺乏明晰的理论指导.本文以行为经济学相关理论、公共政策评估理论和博弈论理论为基础,将公民和政府在选择是否遵守防疫政策和是否实行防疫健康码视为双方博弈过程,从而构建完全信息静态博弈模型,而后通过分析不同策略下公民与政府的收益,求解纳什均衡,得到不同策略下公民与政府的最优策略,并对不同情形展开分析.研究表明:一个国家是否可以推行健康防疫码政策且有更好的治理效果取决于政府和公民在健康码政策下的经济收益是否高于经济成本.当双方的经济收益均高于经济成本时,政策推行会有很好的防疫效果,反之治理效果将会不佳.当前,应从提升公民数据隐私保护力度出发,降低用户使用健康码的经济成本,增加其效用,并进一步通过规模效应降低政府治理成本,从而建立疫情防控下的长效机制.

摘要： 本文利用博弈论的经典命题“囚徒困境”现象出发,初步建立绩效评价博弈模型,发你企业绩效软指标打分中,考核人绩效评价高低与被考核人努力工作与否之间的博弈过程。为避免“囚徒困境”,本文通过改变评价规则,引入企业N,寻求子博弈精炼纳什均衡结果,结论认为通过调整绩效考核机制规避“囚徒困境”,进而获得双赢。

摘要： 为寻求益智类游戏"沙漠掘金"在多人参与下的游戏策略,针对具体的游戏规则进行了深入的分析,分别提出了基于完全信息静态博弈与完全信息动态博弈的游戏策略。首先,通过简化游戏规则将其转变为一个非合作博弈问题。其次,考虑单人游戏中的最优化问题,分析单人游戏的策略并在此基础上采用博弈论的方法对多人游戏的情况进行求解。最后,针对第一关,满足完全信息静态博弈的情况,模拟玩家行动,得出博弈支付矩阵,通过混合策略纳什均衡的方法计算最优策略;针对第二关,满足完全信息动态博弈的情况,构建博弈树并通过逆向递归求解得出最佳的游戏攻略,并分析了多人竞争策略。

摘要： 随着我国的航空货运快速的发展,航空公司为了提高市场竞争力,纷纷选择加入国际航空货运联盟.本文就航空公司与国际航空货运联盟之间的合作激励关系进行探讨,研究航空公司和国际航空货运联盟以基于信息和资源共享的合作和基于自我保护的不合作为可选决策,且双方在都了解整个市场需求但不清楚对方战略的情况下同时选择行动的完全信息静态博弈问题,并为航空公司与国际航空货运联盟在合作的过程中提供了相关建议.

摘要： 在现实经济生活中，监督者往往试图通过对违规的被监督者施加高额的惩罚，以达到政策目标．但现实证明这常常是无效的。本文以“寝室违章电器问题”为切入点，运用博弈论的方法对此现象进行了分析，解释了为何“高惩罚政策”在一定情况下是无效的，并提出解决方案。揭示了影响众多监督博弈问题的本质因素，并非是监督者对被监督者所实施惩罚的程度，而是博弈中参与人的信息结构。通过对此问題的分析，以小见大地为存在于现实生活中的若干类似问题提供解决思路。

摘要： 在现实经济生活中，监督者往往试图通过对违规的被监督者施加高额的惩罚，以达到政策目标．但现实证明这常常是无效的。本文以“寝室违章电器问题”为切入点，运用博弈论的方法对此现象进行了分析，解释了为何“高惩罚政策”在一定情况下是无效的，并提出解决方案。揭示了影响众多监督博弈问题的本质因素，并非是监督者对被监督者所实施惩罚的程度，而是博弈中参与人的信息结构。通过对此问題的分析，以小见大地为存在于现实生活中的若干类似问题提供解决思路。

摘要： 在现实经济生活中，监督者往往试图通过对违规的被监督者施加高额的惩罚，以达到政策目标．但现实证明这常常是无效的。本文以“寝室违章电器问题”为切入点，运用博弈论的方法对此现象进行了分析，解释了为何“高惩罚政策”在一定情况下是无效的，并提出解决方案。揭示了影响众多监督博弈问题的本质因素，并非是监督者对被监督者所实施惩罚的程度，而是博弈中参与人的信息结构。通过对此问題的分析，以小见大地为存在于现实生活中的若干类似问题提供解决思路。

摘要： 在现实经济生活中，监督者往往试图通过对违规的被监督者施加高额的惩罚，以达到政策目标．但现实证明这常常是无效的。本文以“寝室违章电器问题”为切入点，运用博弈论的方法对此现象进行了分析，解释了为何“高惩罚政策”在一定情况下是无效的，并提出解决方案。揭示了影响众多监督博弈问题的本质因素，并非是监督者对被监督者所实施惩罚的程度，而是博弈中参与人的信息结构。通过对此问題的分析，以小见大地为存在于现实生活中的若干类似问题提供解决思路。

摘要： 在现实经济生活中，监督者往往试图通过对违规的被监督者施加高额的惩罚，以达到政策目标．但现实证明这常常是无效的。本文以“寝室违章电器问题”为切入点，运用博弈论的方法对此现象进行了分析，解释了为何“高惩罚政策”在一定情况下是无效的，并提出解决方案。揭示了影响众多监督博弈问题的本质因素，并非是监督者对被监督者所实施惩罚的程度，而是博弈中参与人的信息结构。通过对此问題的分析，以小见大地为存在于现实生活中的若干类似问题提供解决思路。

摘要： 本发明公开了一种基于完全信息动态非合作主从博弈的蓄滞洪区分洪量分配方法。将上游蓄滞洪区作为先行博弈人优先进行决策，下游蓄滞洪区作为从属博弈人根据上游决策信息随后行动，并将决策信息反馈给上游蓄滞洪区，促使上游蓄滞洪区调整自身策略，从而形成一个交互反馈的决策过程，并考虑博弈进行多个回合，双方通过不断地竞争与权衡最大化自身效用。从属博弈人掌握先行博弈人可能采取的决策，同时，先行博弈人完全掌握从属博弈人的决策行为，从而实现蓄滞洪区分洪量分配。本发明通过非合作的博弈手段，模拟分洪规划中各主体间的交互与制约行为，寻求稳定的纳什均衡决策方案，实现有效合理分洪，减少洪灾损失，提高灾后重建能力。

摘要： 本申请涉及人工智能技术领域中一种不完全信息在线博弈的对手隐藏信息估计方法和装置。该方法包括：根据获取的重复机器博弈过程中已完成的预设局历史博弈数据，获取不同决策点上对手决策数据，采用概率统计方式根据该决策数据统计每一个决策点上对手行动的概率，构建对手基于决策点的稳定特征；根据稳定特征和S型曲线构建不同决策点上的对手决策模型；在每一局博弈中对观测到的当前局在线博弈数据进行统计并更新对手稳定特征和不同决策点上对手决策模型，并根据观测到的对手行动及对应决策点上对手决策模型更新对手的隐藏信息分布。采用本方法可以提高参与博弈的计算机对对手隐藏信息在线估计的快速性和准确性，降低计算量，节约计算资源。

摘要： 本发明公开了基于双深度Q网络学习的非完全信息博弈策略优化方法。包括以下步骤：步骤1，网络初始化：构建两个深度Q网络Q1和Q2，并进行随机初始化；步骤2，策略动作选择；步骤3，基于双深度Q网络学习DDQN的最优反应策略网络优化；步骤4，基于重要性采样的平均反应策略网络优化，本发明的有益效果是通过引入DDQN算法来训练神经虚拟自我对局中的最优反应策略网络，能消除动作策略过度估计问题，有利于网络收敛；在经验池中采样经验数据来监督训练平均反应策略网络时，根据时间差分误差来赋予经验数据不同的采样权重，增大了重要经验数据被采样的概率，使网络学习更加高效，提高了平均反应策略的可靠性。

摘要： 本发明公开了一种基于神经网络虚拟自我对局的多人、大规模非完全信息博弈方法及装置，本发明在传统的神经网络虚拟自我对局NFSP算法的基础上引入了优先级经验采样机制和优先级加权的程度控制机制，根据经验片段的学习价值设置优先级来过滤记忆库中的经验，对于优先经验的存储和采样，采用求和树的数据结构，以时间复杂度实现优先级经验采样，降低NFSP训练过程中与环境交互的代价，加快求解速度；同时使用马尔科夫决策过程对扩展式博弈进行建模，将多人博弈转化成单个智能体与环境的交互过程，可看作单个智能体和环境的二人博弈，将NFSP的应用范围拓展至多人博弈，增强算法的泛用性。

摘要： 本发明公开了一种基于事后回顾和渐进式扩展的持续强化学习非完全信息博弈方法及装置，包括下述步骤：获取非完全博弈环境，确定任务目标；构建第一神经网络和基于未来值预测的强化学习方法；构建事后经验回顾池；对第一神经网络进行训练，直至第一神经网络收敛；构建渐进式神经网络，实现网络模型的渐进式扩展；选择下一个任务作为任务目标，利用基于未来值预测的强化学习方法持续训练，直至所有的任务都训练完成。本发明通过使用非完全信息博弈场景中丰富的智能体状态变化作为监督信号，解决该环境下的奖励稀疏问题，同时引入持续学习框架渐进式神经网络对未来值预测网络结构进行动态扩展，解决了在该环境下的多任务场景中的灾难性遗忘的问题。

摘要： 本发明提供一种不完全信息博弈的决策方法、装置、电子设备与存储介质，所述方法包括：基于各对象组合的当前强度，以及所述各对象组合对应的出路数量，确定所述各对象组合的最终胜率；所述出路数量为有利于所述各对象组合的强度增强的待补充公共对象数量；基于所述各对象组合的最终胜率，构建博弈树；基于所述博弈树，求解纳什均衡策略。本发明提供的方法、装置、电子设备与存储介质，解决了信息抽象技术中对象组合胜率的评估速度慢的难题，实现了缩短均衡分析算法的决策收益计算时间，能够极大地节约CFR的迭代时间，同时可以降低均衡分析算法在不完全信息博弈决策问题中的应用效率，促进不完全信息博弈领域的发展。

摘要： 本发明公开了一种多主体不完全信息非合作博弈的主动配电网扩展规划方法，包括：S1，建立各利益主体扩展规划目标模型；S2，基于协整理论建立不完全信息博弈关系的数学模型；S3，以寻找博弈各方规划策略的均衡点为优化目标，建立目标函数；S4，对目标函数进行求解，寻找博弈均衡，得到扩展规划结果。本发明获得的结果不仅符合实际情况，更能够使得各主体给出更为保守和客观的规划策略，在最大化各主体自身利益的同时，保守策略也能够尽可能避免网络运行极端情况的出现，从而提升了运行稳定性，避免了可能造成的经济损失，本发明有利于网络决策者在进行规划时充分考虑不同主体的诉求，得到能够充分满足多方主体利益的网络规划策略。

摘要： 本申请涉及一种面向不完全信息博弈的集成策略学习方法、装置和设备。所述方法包括：通过集成策略学习模型中的梯度更新网络从训练数据中的动作状态数据提取对抗轨迹特征信息，基于注意力机制集成整合基础决策模型输出的基础策略信息，进一步集成得到预测策略信息，在完成梯度更新网络的训练后，得到训练数据中每个智能体的第二集成策略信息，通过集成策略学习模型中的神经演化模块基于策略评估值通过交叉和变异进行进化，其中由于训练数据是小批量数据，本方法通过评估并去除对抗得分值中的运气因素值，在有限轨迹数据的基础上实现了策略的准确评估。通过策略评估值选取表现优异的智能体，得到表现最优的集成策略信息。

摘要： 本发明涉及一种基于完全信息静态博弈的单交叉口信号配时方法，其特征在于，包括以下步骤：1)设置交叉口中各相位的初始配时方案；2)建立车辆优先级得到车队的折合排队长度统计依据；3)计算各相位绿时的最大排队长度和最小排队长度；4)根据初始配时方案以及各相位绿时的最大排队长度和最小排队长度，得到各相位在一个信号周期内的平均排队长度；5)采用完全信息静态博弈方法得到该信号周期内各相位分配的有效绿时；6)对该信号周期内各相位分配的有效绿时进行修正调整，得到该信号周期内各相位的配时方案；7)重复步骤3)～6)对配时方案进行更新调整，得到每一信号周期内各相位的配时方案，本发明可广泛用于道路交通信号控制领域中。

摘要： 本发明涉及一种基于完全信息静态博弈的单交叉口信号配时方法，其特征在于，包括以下步骤：1)设置交叉口中各相位的初始配时方案；2)建立车辆优先级得到车队的折合排队长度统计依据；3)计算各相位绿时的最大排队长度和最小排队长度；4)根据初始配时方案以及各相位绿时的最大排队长度和最小排队长度，得到各相位在一个信号周期内的平均排队长度；5)采用完全信息静态博弈方法得到该信号周期内各相位分配的有效绿时；6)对该信号周期内各相位分配的有效绿时进行修正调整，得到该信号周期内各相位的配时方案；7)重复步骤3)～6)对配时方案进行更新调整，得到每一信号周期内各相位的配时方案，本发明可广泛用于道路交通信号控制领域中。