复杂网络上的博弈演化课件.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 荣智海等研究了无标度网络上的扩展雪堆博弈(即一种可从雪堆博弈连续变化到囚徒困境的博弈 ),发现无标度网络异质性的增加使得合作的稳定性增强。 而且对于相同的纯合作比例 ,纯背叛者比例增加 ,策略摇摆者比例减少。 这说明越异质的网络 ,个体越倾向于选择稳定策略. 度相关性对两类博弈的影响 Rong等首先研究了无标度网络的度一度相关性对合作行为的影响.研究表明 :在囚徒困境中 ,中性网络 (即呈现度不相关特性的网络 ,例如 BA网络 )的中心节点对于大度邻居与小度邻居的选择是最合理的 ,既与少量中心节点相连 ,又与他们共享很少量的邻居。所以其较之同配或异配网络的合作频率更高 ,最利于合作的涌现。 当无标度的网络结构呈现同配性质，即连接度大的节点倾向于和连接度大的节点建立连接时，由于中心节点和边远节点(连接度一般较小)的“通讯渠道”的减少，使得中心节点的合作策略难以传播出去,网络总体的合作频率呈现下降的趋势。 反之 ,如果无标度网络呈现度异配性时 ,中心节点之间的联系被切断 ,一方面不利于合作策略在中心节点之间扩散 ,抑制合作频率的上升 ;另一方面被孤立的中心节点可以和周围小度节点凝结成坚固的簇 ,即使背叛的诱惑非常大时也能有效抵御背叛策略的入侵。 对于雪堆博弈 ,越同配的网络其背叛者拥有越小的平均度 , 这说明与囚徒困境博弈类似 ,由于网络变得同配后中心节点 对于小度节点的控制能力减弱 ,进行雪堆博弈的背叛者也主 要集中在小度节点 。 异配网络当 r较小时 ,雪堆博弈的合作 频率会低于均匀混合状态的均衡频率。 可见 ,度相关性对于 囚徒困境博弈的结论完全适用于雪堆博弈. 两图的横坐标为背叛相对于合作的收益 b, 纵坐标为合作频率 ,rk 为度相关性系数。 2.3、记忆对网络博弈中的影响 在复杂网络博弈演化模型中，参与者在模仿周围邻居收益的时候，一般都假设参与者，也就是说在模型中并不考虑记忆效应.而在现实生活中，人们的收益并不对时间进行累加是不可能不参考以往的经验的，关于这些经验的记忆也不会迅速遗忘.尤其是在人们选择改变的时候，往往会更加谨慎的考虑这些经验，历史记忆的效应经常会扮演一种重要的角色。 考虑到了人的有限记忆的特性，也就是人不可能记录以前发生的所有事情的信息，那么就需要记录最有用的信息。另一方面，人只能记录有限的时间段内所发生的事情，所以我们假设每个个体的记忆长度有限，长度为M，即为从上一时刻到M时刻以前的历史最佳策略.然后每个个体根据自身的历史记忆进行决策.为了简单起见，我们采用多数者规则，即采用C或D策略的概率正比于C和D在记忆中的数量: 其中Nc和ND分别是C和D的数量.然后所有个体更新记忆。 重复以上步骤，系统就会演化下去. Wang Wenxu等人考虑了一种基于记忆机制的空间雪堆博弈，并考察了记忆效应对有四个或者八个邻居的二维周期性格子网络和无标度网络中的雪堆模型的作用.考虑个体根据过去的博弈结果的记忆，选择最佳策略，记录当前博弈结果并更新记忆库。模拟的结果表明在不同的收益函数参数r下，记忆能力对网络中合作态密度的影响是不同的. (i)合作频率fc具有分段结构，分段个数对应节点的配位数; (ii)图像对于坐标点(0.5，0.5)呈180度旋转对称; (iii)记忆长度M并不影响分段点τc的值，但是对不同段fc有很大影响; (iv)对于很大的收益参数r，系统仍然表现出较高的合作水平，这与Hauert等人得到的结果有很大不同.这表明即使自私的个体为了使自身利益最大化而做出决策，合作在欺骗者受益很高的情况下仍然能够产生和持久。 二维网格上的博弈行为 在M=1的时候，系统中的合作行为表现出了大的震荡，如左图的插图所示 4邻居和8邻居二维网格上合作水平与博弈模型参数的函数关系.插图中为合作水平与历史记忆长度的相关性以及在历史长度为1时的演化行为 无标度网络上的博弈行为 (i)与规则格子非常不同的是，fc是r的非单调函数，并存在一个 最优值.这个有趣的现象说明适当鼓励自私的行为反而能够更好 地促进合作; (ii)与规则格子上的情况相同，fc曲线的连续性被一些突然的增 加打断。连续段的数目对应于平均度; (iii)两幅图都以坐标点(0.5，0.5)为180度旋转对称; (iv)记忆长度M不影响不连续点r的值，而只影响介的值。我们 进一步细致研究了M如何影响fc。我们发现存在一段特殊的区域，在这段区域M对fc起不同的作用. 当M=1时，系统同样存在大震荡 无标度网络上的合作行为与博弈参数的函数关系，在交叉点处合作水平与