基于Repast.NET的演化囚徒博弈仿真
情绪视角下网络舆情发生期的演化博弈与仿真分析
第１４卷㊀第２期Ｖｏｌ．１４Ｎｏ．２㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２４年２月㊀Ｆｅｂ．２０２４㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２４）０２－０１２８－０５中图分类号：Ｇ２０６文献标志码：Ａ情绪视角下网络舆情发生期的演化博弈与仿真分析代㊀丽，贾阳光（浙江理工大学经济管理学院，杭州３１００００）摘㊀要：在网络舆情的发生期，信息的传播更多地存在于网民群体内部，相较于政府组织，网民群体极易受到情绪因素的影响，因此分析不同情绪对网民群体决策的影响，有利于提高对网络舆情发生期的有效监管㊂本文将等级依赖期望效用（ＲａｎｋＤｅｐｅｎｄｅｎｔＥｘｐｅｃｔｅｄＵｔｉｌｉｔｙ，ＲＤＥＵ）理论与博弈理论相结合，考虑网络舆情发生期情绪因素对于网络舆情演化的影响作用，构建网民与意见领袖演化博弈模型；通过仿真实验，分析不同情绪组合下的均衡策略选择㊂研究结果表明：在多数情况下，情绪状态能够加快舆情的演化；相较于网民，意见领袖的情绪状态对舆情的演化结果能产生更显著的影响㊂关键词：网络舆情；意见领袖；ＲＤＥＵ理论；演化博弈；仿真ＥｖｏｌｕｔｉｏｎａｒｙｇａｍｅａｎｄｓｉｍｕｌａｔｉｏｎａｎａｌｙｓｉｓｏｆｔｈｅｏｃｃｕｒｒｅｎｃｅｐｅｒｉｏｄｏｆｉｎｔｅｒｎｅｔｐｕｂｌｉｃｏｐｉｎｉｏｎｆｒｏｍｔｈｅｐｅｒｓｐｅｃｔｉｖｅｏｆｅｍｏｔｉｏｎＤＡＩＬｉ，ＪＩＡＹａｎｇｇｕａｎｇ（ＳｃｈｏｏｌｏｆＥｃｏｎｏｍｉｃｓａｎｄＭａｎａｇｅｍｅｎｔ，ＺｈｅｊｉａｎｇＳｃｉ－ＴｅｃｈＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｄｕｒｉｎｇｔｈｅｏｃｃｕｒｒｅｎｃｅｏｆｏｎｌｉｎｅｐｕｂｌｉｃｏｐｉｎｉｏｎｅｖｅｎｔｓ，ｉｎｆｏｒｍａｔｉｏｎｐｒｉｍａｒｉｌｙｃｉｒｃｕｌａｔｅｓｗｉｔｈｉｎｔｈｅｏｎｌｉｎｅｃｏｍｍｕｎｉｔｙ，ａｎｄｃｏｍｐａｒｅｄｔｏｇｏｖｅｒｎｍｅｎｔｏｒｇａｎｉｚａｔｉｏｎｓ，ｏｎｌｉｎｅｃｏｍｍｕｎｉｔｉｅｓａｒｅｈｉｇｈｌｙｓｕｓｃｅｐｔｉｂｌｅｔｏｅｍｏｔｉｏｎａｌｆａｃｔｏｒｓ．Ｔｈｅｒｅｆｏｒｅ，ａｎａｌｙｚｉｎｇｔｈｅｉｍｐａｃｔｏｆｄｉｆｆｅｒｅｎｔｅｍｏｔｉｏｎｓｏｎｔｈｅｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｏｆｏｎｌｉｎｅｃｏｍｍｕｎｉｔｉｅｓｉｓｃｏｎｄｕｃｉｖｅｔｏｉｍｐｒｏｖｉｎｇｅｆｆｅｃｔｉｖｅｓｕｐｅｒｖｉｓｉｏｎｄｕｒｉｎｇｔｈｅｏｃｃｕｒｒｅｎｃｅｏｆｏｎｌｉｎｅｐｕｂｌｉｃｏｐｉｎｉｏｎｅｖｅｎｔｓ．ＴｈｉｓｐａｐｅｒｃｏｍｂｉｎｅｓＲａｎｋＤｅｐｅｎｄｅｎｔＥｘｐｅｃｔｅｄＵｔｉｌｉｔｙ（ＲＤＥＵ）ｔｈｅｏｒｙｗｉｔｈｇａｍｅｔｈｅｏｒｙｔｏｃｏｎｓｉｄｅｒｔｈｅｉｎｆｌｕｅｎｃｅｏｆｅｍｏｔｉｏｎａｌｆａｃｔｏｒｓｄｕｒｉｎｇｔｈｅｏｃｃｕｒｒｅｎｃｅｏｆｏｎｌｉｎｅｐｕｂｌｉｃｏｐｉｎｉｏｎｅｖｅｎｔｓｏｎｔｈｅｅｖｏｌｕｔｉｏｎｏｆｓｕｃｈｅｖｅｎｔｓ．Ｉｔｃｏｎｓｔｒｕｃｔｓａｇａｍｅｍｏｄｅｌｏｆｔｈｅｅｖｏｌｕｔｉｏｎｏｆｏｐｉｎｉｏｎｓｂｅｔｗｅｅｎｎｅｔｉｚｅｎｓａｎｄｏｐｉｎｉｏｎｌｅａｄｅｒｓａｎｄａｎａｌｙｚｅｓｅｑｕｉｌｉｂｒｉｕｍｓｔｒａｔｅｇｙｃｈｏｉｃｅｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｅｍｏｔｉｏｎａｌｃｏｍｂｉｎａｔｉｏｎｓｔｈｒｏｕｇｈｓｉｍｕｌａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓ．Ｔｈｅｒｅｓｅａｒｃｈｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔ，ｉｎｍｏｓｔｃａｓｅｓ，ｅｍｏｔｉｏｎａｌｓｔａｔｅｓｃａｎａｃｃｅｌｅｒａｔｅｔｈｅｅｖｏｌｕｔｉｏｎｏｆｐｕｂｌｉｃｏｐｉｎｉｏｎ，ａｎｄ，ｉｎｃｏｍｐａｒｉｓｏｎｔｏｎｅｔｉｚｅｎｓ，ｔｈｅｅｍｏｔｉｏｎａｌｓｔａｔｅｓｏｆｏｐｉｎｉｏｎｌｅａｄｅｒｓｈａｖｅａｍｏｒｅｓｉｇｎｉｆｉｃａｎｔｉｍｐａｃｔｏｎｔｈｅｏｕｔｃｏｍｅｏｆｐｕｂｌｉｃｏｐｉｎｉｏｎｅｖｏｌｕｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｎｅｔｗｏｒｋｐｕｂｌｉｃｏｐｉｎｉｏｎ；ｏｐｉｎｉｏｎｌｅａｄｅｒｓ；ＲＤＥＵｔｈｅｏｒｙ；ｅｖｏｌｕｔｉｏｎａｒｙｇａｍｅ；ｓｉｍｕｌａｔｉｏｎ作者简介：代㊀丽（１９７７－），女，博士，副教授，主要研究方向：农机虚拟平台㊁机构优化设计；贾阳光（１９９６－），男，硕士研究生，主要研究方向：信息系统与数据智能收稿日期：２０２３－０２－２００㊀引㊀言根据中国互联网络信息中心（ＣＮＮＩＣ）发布的第５０次‘中国互联网络发展状况统计报告“显示，截至２０２２年６月，中国网民数量已达１０．５１亿㊂庞大的用户群体，形成了庞大的信息交互，这种信息交互进一步促进了网络舆情的发展㊂网络舆情并非毫无征兆地瞬间爆发，在网络舆情的传播过程中，存在一定的生命周期，从开始走向死亡可划分为几个阶段，并且存在内在规律［１］㊂网络舆情发展的不同阶段，主要参与的主体各不相同，也存在其独特的特征，难以用一个模型进行论述［２］㊂因此，在网络舆情的相关研究中，学者通过三阶段㊁四阶段或多阶段的模型展开研究㊂网络舆情的发生期一般是指在网络空间中存在信息较少，并未引起较大规模的信息传播与讨论的网络舆情发展阶段㊂处于发生期的网络舆情并未受到社会广泛的关注，信息转播更多地存在于普通网民（以下简称网民）㊁意见领袖等网民群体内部［３］㊂但在此阶段，若无法有效地发现可能存在的舆情危机并及时干预，将存在舆情急速恶化的风险［４］㊂网络舆情是各参与主体心理博弈的结果，且各主体会根据舆情的变化，调整自身的战略，因此可以用演化博弈模型来模拟舆情演化的结果［５］㊂由于在海量的互联网信息中，网民难以筛选出所需信息，且需要花费大量的时间成本，因此网民极易对意见领袖等信息 权威者 提供的信息产生无条件的信任［６］㊂虚假信息的错误诱导㊁主观的错误解读都极易产生负面情绪，加上网络中情绪化语言的引导，可能导致网络舆情产生群体情绪激化现象［７］㊂在网络舆情传播过程中，意见领袖能够使网民的群体情绪进一步激化［８］，且意见领袖的情绪化发言相较于网民的情绪化发言更具传播性［９］㊂而网络舆情中传播的情绪对个人情绪㊁社会因素以及个体的策略选择都会产生影响［１０］㊂因此，在网络舆情的传播过程中，网络舆情的参与主体进行策略选择时，不仅会受到其自身情绪的影响，还会受到其他参与主体的策略选择以及情绪的影响㊂所以仅仅从理性人角度出发，而忽略诸如情绪㊁文化背景等个人因素对个体决策的影响，可能导致研究与实际出现偏差㊂在现有研究中，部分学者已经注意到了网络舆情参与主体的情绪对于网络舆情演化的影响，通过构造政府与网民［１１］或者政府与网络大Ｖ［１２］的情绪博弈模型，发现网络舆情参与主体的情绪因素能够对网络舆情的发展产生深刻的影响㊂但是，这些研究大多从政府的角度出发，忽视了网民群体内部的情绪因素对于网络舆情的影响㊂在网络舆情的传播过程中，相较于政府㊁新闻媒体等权威机构，网民群体具有更强烈的情绪倾向㊂综上所述，本文从网民群体内部出发，构造网络舆情发生期意见领袖与网民的ＲＤＥＵ演化博弈模型，分析网民与意见领袖的情绪因素对于发生期网络舆情演化的影响㊂并通过Ｍａｔｌａｂ进行仿真分析，为提高对网络舆情发生期的有效监管提供参考㊂１㊀模型构建１．１㊀意见领袖与网民博弈模型在网络舆情的发生期，对于网民来说存在参与或不参与两个策略选择；而对于意见领袖则可选择以消极的观点或以积极的观点传播网络舆情㊂设：以积极的观点传播网络舆情的意见领袖收益为Ｒ２，此时参与网络舆情传播的网民收益为Ｅ２；以消极的观点传播网络舆情的意见领袖收益为Ｒ１，此时参与网络舆情传播的网民收益为Ｅ１㊂意见领袖在海量的网络信息中挖掘正确的舆情信息，需要付出一定的成本Ｓ㊂通常情况下，意见领袖传播积极的观点更能满足大部分网民的心理，能获得更大的关注度，因此Ｒ２＞Ｒ２－Ｓ＞Ｒ１＞Ｓ；但是，对于网民来说，消极的信息更能满足其追寻 真相 的心理，则有Ｅ１＞Ｅ２㊂意见领袖的收益来自于网民的关注，网民的收益来自参与网络舆情的传播获得的心理满足㊂因此，当网民选择不参与网络舆情的传播时，网民与意见领袖的收益皆为０㊂假设意见领袖以积极的观点传播网络舆情的概率为ｘ（ｘɪ［０，１］），选择以消极的观点传播网络舆情的概率为１－ｘ；网民参与网络舆情传播的概率为ｙ（ｙɪ［０，１］），不参与网络舆情的概率为１－ｙ㊂根据相关参数设定，可知意见领袖与网民在不同策略选择下的收益㊂博弈支付矩阵见表１㊂表１㊀博弈支付矩阵Ｔａｂｌｅ１㊀Ｇａｍｅｐａｙｍｅｎｔｍａｔｒｉｘ网民意见领袖积极的观点传播网络舆情消极的观点传播网络舆情参与Ｒ２－Ｓ，Ｅ２Ｒ１，Ｅ１不参与－Ｓ，００，０１．２㊀ＲＤＥＵ理论在ＲＤＥＵ理论中，以非线性的决策权重代替传统期望效用理论中的线性决策权重，因此能在一定程度上刻画非理性主体的情绪状态㊂ＲＤＥＵ基本理论模型如下：人并非理性人，人的期望效用并非一成不变，会受其他因素的影响㊂因此，人存在一定的偏好，即Ｘ＞Ｙ㊂在非效用期望理论中，偏好可以用函数Ｖ来表示：Ｘ＞Ｙ↔Ｖ（Ｘ；ｕ；Ｗ）＞Ｖ（Ｙ；ｕ；Ｗ）（１）Ｖ（Ｘ；ｕ；Ｗ）＝ðｎｉ＝１ｕ（ｘｉ）Ｗｉ（ｐ）（２）Ｗｉ（ｐ）＝ｗ（ｐｉ＋１－ＲＰｉ）－ｗ（１－ＲＰｉ），㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀ｉ＝１，２，３， ，ｎ（３）ＲＰｉ＝Ｐ｛Ｘɤｘｉ｝＝ｐｉ＋ｐｉ＋１，ｉ＝１，２，３， ，ｎ（４）式中：Ｗｉ（ｐ）为决策权重，ＲＰｉ为效用等级，ｗ（㊃）为情绪函数，反应了参与方的偏好㊂按照学者的研究，一般将情绪函数设置为ｗ（㊃）＝ｐｒｉ，其中ｒｉ为情绪指数，当ｒｉ＜１时为消极情绪；ｒｉ＞１时为积极情绪㊂ＲＤＥＵ理论的核心在于能够通过情绪函数体现在博弈过程中博弈主体的情绪效应对其决策选择的影响，从而使博弈主体的反应更符合现实场景，使决策更具有现实意义㊂１．３㊀意见领袖与网民的ＲＤＥＵ博弈模型根据模型假设以及ＲＤＥＵ理论，意见领袖与网民各个策略的效用㊁概率㊁效用等级㊁决策权重见表２㊂９２１第２期代丽，等：情绪视角下网络舆情发生期的演化博弈与仿真分析表２㊀考虑情绪因素的网民及意见领袖等级依赖期望效用Ｔａｂｌｅ２㊀Ｒａｎｋ－ｄｅｐｅｎｄｅｎｔｅｘｐｅｃｔｅｄｕｔｉｌｉｔｙｏｆｎｅｔｉｚｅｎｓａｎｄｏｐｉｎｉｏｎｌｅａｄｅｒｓｃｏｎｓｉｄｅｒｉｎｇｅｍｏｔｉｏｎａｌｆａｃｔｏｒｓ效用Ｕ（ｘｉ）概率Ｐｉ效用等级ＲＰｉ决策权重π（ｘｉ）意见领袖Ｒ２－Ｓｘｙ１ω１（ｘｙ）Ｒ１ｙ－ｘｙ１－ｘｙω１（ｙ）－ω１（ｘｙ）０１－ｘ－ｙ＋ｘｙ１－ｙω１（１－ｘ＋ｘｙ）－ω１（ｙ）－Ｓｘ－ｘｙｘ－ｘｙ１－ω１（１－ｘ＋ｘｙ）网民Ｅ１ｙ－ｘｙ１ω２（ｙ－ｘｙ）Ｅ２ｘｙ１－ｙ＋ｘｙω２（ｙ）－ω２（ｙ－ｘｙ）０１－ｙ１－ｙ１－ω２（ｙ）㊀㊀意见领袖选择以积极的观点传播网络舆情的期望收益Ｕｘ以及平均期望收益ＥＵｘ为，表达式如式（５）㊁式（６）：㊀㊀㊀㊀㊀㊀㊀Ｕｘ＝Ｒ２ｙｒ２－Ｓ（５）㊀㊀ＥＵｘ＝（Ｒ２－Ｒ１－Ｓ）（ｘｙ）ｒ１＋Ｒ１ｙｒ１＋Ｓ（１－ｘ＋ｘｙ）ｒ１－Ｓ（６）㊀㊀网民参与网络舆情的期望收益Ｕｙ及平均期望收益ＥＵｙ，表达式如式（７）㊁式（８）：Ｕｙ＝（Ｅ２－Ｅ１）ｘｒ１＋Ｅ１（７）ＥＵｙ＝（Ｅ２－Ｅ１）（ｙ－ｘｙ）＋Ｅ２ｙｒ２（８）２㊀ＲＤＥＵ博弈模型的演化均衡性分析２．１㊀基于复制动态方程的演化均衡策略求解依据意见领袖以积极的观点传播网络舆情的收益函数（式（５））与平均期望收益（式（６））构造其动态复制方程（式（９）），并按照网民参与网络舆情的收益函数（式（７））与平均期望收益（式（８））构造其动态复制方程（式（１０））㊂Ｆ（ｘ）＝ｘｒ１（Ｕｘ－ＥＵｘ）＝ｘｒ１（Ｒ２ｙｒ２－（Ｒ２－Ｒ１－Ｓ）（ｘｙ）ｒ１－Ｒ１ｙｒ１－Ｓ（１－ｘ＋ｘｙ）ｒ１）（９）㊀Ｆ（ｙ）＝ｙｒ２（Ｕｙ－ＥＵｙ）＝ｙｒ２（（Ｅ２－Ｅ１）ｘｒ１＋Ｅ１－（Ｅ１－Ｅ２）（ｙ－ｘｙ）ｒ２－Ｅ２ｙｒ２）（１０）令式（９）㊁式（１０）为０，可得到Ｅ１（０，０）㊁Ｅ２（０，１）㊁Ｅ３（１，０）㊁Ｅ４（１，１）㊁Ｅ５（ｘ∗，ｙ∗）５个演化均衡点㊂依据演化博弈原理，可通过雅克比矩阵来判断复制动态模型的渐进稳定性，即雅可比矩阵的行列式Ｄｅｔ（ｊ）＞０且迹Ｔｒ（ｊ）＜０来进行判别演化稳定策略（ＥＳＳ）㊂考虑网民与意见领袖的不同情绪状态，将网民与意见领袖划分为４种不同的情绪状态组合，进行不同情况下的演化均衡稳定性分析㊂２．２㊀意见领袖与网民均处于理性状态当博弈双方都处于理性状态时，将ｒ１＝１㊁ｒ２＝１代入式（９）与式（１０）并令其为０，可得演化均衡解ｘ∗＝Ｅ１／（Ｅ１－Ｅ２）㊁ｙ∗＝－Ｓ／（Ｒ１－Ｒ２）㊂将演化均衡点代入雅可比矩阵，可得到均衡点的演化稳定性，见表３㊂假设双方皆处于理性状态，则Ｅ１（０，０）㊁Ｅ２（０，１）㊁Ｅ３（１，０）㊁Ｅ４（１，１）皆为不稳定点㊂结果表明，当意见领袖与网民皆理性时，此时意见领袖会选择以积极的观点传播网络舆情，而网民选择参与网络舆情的传播㊂表３㊀意见领袖与网民均理性时演化稳定性判断Ｔａｂｌｅ３㊀Ｅｖｏｌｕｔｉｏｎａｒｙｓｔａｂｉｌｉｔｙｊｕｄｇｍｅｎｔｗｈｅｎｏｐｉｎｉｏｎｌｅａｄｅｒｓａｎｄｎｅｔｉｚｅｎｓａｒｅｒａｔｉｏｎａｌ均衡点Ｄｅｔ（ｊ）Ｔｒ（ｊ）稳定性Ｅ１（０，０）－＋不稳定Ｅ２（０，１）－＋／－不稳定Ｅ３（１，０）＋＋不稳定Ｅ４（１，１）＋－ＥＳＳＥ５（ｘ∗，ｙ∗）０－不稳定２．３㊀意见领袖处于理性状态当意见领袖处于理性条件，网民处于非理性条件时（ｒ１＝１㊁ｒ２¹１），演化均衡解Ｅ５（ｘ∗，ｙ∗）取决于ｒ２的取值，即网民的情绪倾向㊂表４中，Ｅ１（０，０）㊁Ｅ３（１，０）为鞍点，Ｅ２（０，１）为不稳定点，可能存在Ｅ４（１，１）为演化稳定策略，但结果取决于博弈双方的收益情况㊂表４㊀意见领袖理性时演化稳定性判断Ｔａｂｌｅ４㊀Ｅｖｏｌｕｔｉｏｎａｒｙｓｔａｂｉｌｉｔｙｊｕｄｇｅｍｅｎｔｗｉｔｈｒａｔｉｏｎａｌｏｐｉｎｉｏｎｌｅａｄｅｒｓ均衡点Ｄｅｔ（ｊ）Ｔｒ（ｊ）稳定性Ｅ１（０，０）００鞍点Ｅ２（０，１）－＋／－不稳定Ｅ３（１，０）００鞍点Ｅ４（１，１）＋／－－ＥＳＳ／不稳定２．４㊀网民处于理性状态意见领袖处于非理性状态而网民处于理性状态下时（ｒ１ʂ１㊁ｒ２＝１），演化均衡解（ｘ∗，ｙ∗）取决于ｒ１的取值，即意见领袖的情绪倾向㊂见表５，由行列式可判断Ｅ１（０，０）㊁Ｅ２（０，１）㊁Ｅ３（１，０）均为鞍点，此时Ｅ４（１，１）能否为演化稳定策略，取决于双方的收益情况及意见领袖的情绪，进一步表明了意见领袖０３１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀的情绪状态对于网络舆情传播的重要作用㊂表５㊀网民理性时演化稳定性判断Ｔａｂｌｅ５㊀Ｅｖｏｌｕｔｉｏｎａｒｙｓｔａｂｉｌｉｔｙｊｕｄｇｅｍｅｎｔｗｉｔｈｒａｔｉｏｎａｌｎｅｔｉｚｅｎｓ均衡点Ｄｅｔ（ｊ）Ｔｒ（ｊ）稳定性Ｅ１（０，０）００鞍点Ｅ２（０，１）００鞍点Ｅ３（１，０）００鞍点Ｅ４（１，１）＋／－－ＥＳＳ／不稳定２．５㊀意见领袖与网民均处于非理性状态当意见领袖与网民均处于非理性条件下时（ｒ１¹１㊁ｒ２¹１），演化均衡解Ｅ５（ｘ∗，ｙ∗）取决于ｒ１与ｒ２的取值㊂如表６所示，Ｅ１（０，０）㊁Ｅ２（０，１）㊁Ｅ３（１，０）均为鞍点，此时Ｅ４（１，１）能否为演化稳定策略，取决于双方的收益情况及意见领袖与网民情绪的取值㊂表６㊀意见领袖与网民均非理性时演化稳定性判断Ｔａｂｌｅ６㊀Ｅｖｏｌｕｔｉｏｎａｒｙｓｔａｂｉｌｉｔｙｊｕｄｇｍｅｎｔｗｈｅｎｏｐｉｎｉｏｎｌｅａｄｅｒｓａｎｄｎｅｔｉｚｅｎｓａｒｅｂｏｔｈｉｒｒａｔｉｏｎａｌ均衡点Ｄｅｔ（ｊ）Ｔｒ（ｊ）稳定性Ｅ１（０，０）００鞍点Ｅ２（０，１）００鞍点Ｅ３（１，０）００鞍点Ｅ４（１，１）＋／－－ＥＳＳ／不稳定３㊀仿真分析由于在博弈模型中，各点的演化情况还取决于各主体的情绪强度㊂因此，为进一步了解网民情绪因素对网络舆情演化的影响，采用Ｍａｔｌａｂ软件通过具体数值进行模拟仿真分析㊂依据前文假设，参数设置如下：Ｒ１＝１０㊁Ｒ２＝１６．１㊁Ｅ１＝６㊁Ｅ２＝２．５㊁Ｓ＝４㊂不同情况下仿真结果分析：（１）意见领袖处于理性条件如图１所示，当意见领袖处于理性条件下且网民处于乐观条件时，在网络舆情演化的初期，意见领袖为了吸引网民的参与，有一定的概率选择以消极的观点传播网络舆情，但随着舆情的发展，理性的意见领袖为了获得长期的收益，最终会选择以积极的观点传播网络舆情㊂当网民悲观情绪较低时（ｒ２＝０．８），由于意见领袖处于理性状态，网民缺乏外部情绪诱导，舆情仍然能朝着积极的方向发展㊂当网民悲观情绪较高时（ｒ１＝０．６），演化初期意见领袖与网民策略选择急速变化，最终意见领袖有０．４３的概率选择以消极的观点传播舆情，网民有０．８１的概率参与舆情的传播，这表明当网民的悲观情绪较高时，演化初期在网络空间中存在明显的观点冲突㊂随着舆情的演化，部分悲观的网民会选择不参与舆情的传播，而意见领袖为了吸引网民的参与，有概率以消极的观点传播舆情㊂1.00.90.80.70.60.50.40.30.20.1时间概率12345678910x:r1=1,r2=0.6y:r1=1,r2=0.6x:r1=1,r2=0.8y:r1=1,r2=0.8x:r1=1,r2=1.2y:r1=1,r2=1.2x:r1=1,r2=1.4y:r1=1,r2=1.4图１㊀意见领袖理性时的演化仿真Ｆｉｇ．１㊀Ｅｖｏｌｕｔｉｏｎａｒｙｓｉｍｕｌａｔｉｏｎｗｉｔｈｒａｔｉｏｎａｌｏｐｉｎｉｏｎｌｅａｄｅｒｓ㊀㊀（２）网民处于理性条件如图２所示，当网民处于理性条件时（ｒ２＝１），极度悲观的意见领袖（ｒ１＝０．６）认为舆情的恶化无法避免，为了满足网民的需求，会有较大的概率（ｐ＝０．７３）选择以消极的观点传播网络舆情，但当意见领袖悲观情绪上升（ｒ１＝０．８）时，将提高意见领袖以积极观点传播网络舆情的概率㊂当意见领袖处于乐观情绪时，随着意见领袖乐观情绪的上升，将加快意见领袖以积极观点传播网络舆情的演化速率，但此时情绪的变化对意见领袖的影响较小㊂1.00.90.80.70.60.50.40.30.20.1时间概率12345678910x:r1=0.6,r2=1y:r1=0.6,r2=1x:r1=0.8,r2=1y:r1=0.8,r2=1x:r1=1.2,r2=1y:r1=1.2,r2=1x:r1=1.4,r2=1y:r1=1.4,r2=1图２㊀网民理性时的演化仿真Ｆｉｇ．２㊀Ｅｖｏｌｕｔｉｏｎａｒｙｓｉｍｕｌａｔｉｏｎｗｉｔｈｒａｔｉｏｎａｌｎｅｔｉｚｅｎｓ㊀㊀（３）意见领袖处于乐观情绪网民处于非理性条件如图３所示，当意见领袖处于乐观情绪，网民处于较高的悲观情绪时（ｒ２＝０．６），网民会选择参与舆情的传播，但意见领袖有０．５７的概率选择以消极的观点传播网络舆情，舆情会缓慢的恶化㊂当网民的悲观情绪较低时（ｒ２＝０．８），不存在演化稳定策１３１第２期代丽，等：情绪视角下网络舆情发生期的演化博弈与仿真分析略，此时的网络空间观点冲突将进一步加剧㊂当意见领袖与网民均处于乐观情绪时，双方均认为网络舆情会朝着积极的方向发展，因此网民会积极的参与网络舆情的传播㊂随着网民乐观情绪的上升，网络舆情积极发展的可能也随之加大，意见领袖以积极的观点传播网络舆情的演化速率随之加快㊂1.00.90.80.70.60.50.40.30.20.10时间概率12345678910x :r 1=1.2,r 2=0.6y :r 1=1.2,r 2=0.6x :r 1=1.2,r 2=0.8y :r 1=1.2,r 2=0.8x :r 1=1.2,r 2=1.2y :r 1=1.2,r 2=1.2x :r 1=1.2,r 2=1.4y :r 1=1.2,r 2=1.4图３㊀意见领袖处于乐观情绪的演化仿真Ｆｉｇ．３㊀Ｅｖｏｌｕｔｉｏｎａｒｙｓｉｍｕｌａｔｉｏｎｗｉｔｈｏｐｔｉｍｉｓｔｉｃｏｐｉｎｉｏｎｌｅａｄｅｒｓ㊀㊀（４）意见领袖处于悲观情绪网民处于非理性条件如图４所示，当意见领袖处于悲观情绪时，意见领袖更偏向于以积极的观点传播网络舆情㊂但当网民处于较高的悲观情绪时（ｒ２＝０．６），博弈双方都对网络舆情的发展持悲观的情绪，此时网民有０．４的概率选择不参与网络舆情的传播，此时悲观的意见领袖０．４９的概率选择以消极的观点传播舆情㊂此时，网络空间中存在明显的观点对立，舆情的发展难以预测㊂当网民悲观情绪较低或处于乐观的情绪时，意见领袖更愿意采取以积极的观点传播网络舆情的策略，且网民参与网络舆情的速率会随着网民自身的情绪上升而上升㊂1.00.90.80.70.60.50.40.30.20.10时间概率12345678910x :r 1=0.8,r 2=0.6y :r 1=0.8,r 2=0.6x :r 1=0.8,r 2=0.8y :r 1=0.8,r 2=0.8x :r 1=0.8,r 2=1.2y :r 1=0.8,r 2=1.2x :r 1=0.8,r 2=1.4y :r 1=0.8,r 2=1.4图４㊀意见领袖处于悲观情绪的演化仿真Ｆｉｇ．４㊀Ｅｖｏｌｕｔｉｏｎａｒｙｓｉｍｕｌａｔｉｏｎｗｉｔｈｐｅｓｓｉｍｉｓｔｉｃｏｐｉｎｉｏｎｌｅａｄｅｒｓ４㊀结束语本文通过等级依赖效用理论与演化博弈理论，研究了在网络舆情的发生期，情绪对于网民与意见领袖之间的策略选择以及网络舆情演化的影响㊂研究结果表明：网民和意见领袖的情绪状态能加快网络舆情的演化；在多数情绪状态下，相较于网民，意见领袖的情绪状态对舆情的演化结果能产生更大的影响；网民和意见领袖的悲观情绪并不一定导致网络舆情的恶化，但要避免网民陷入极端的悲观情绪㊂本研究还存在一些局限性，仅仅从情绪的角度出发，无法体现实际网络舆情背景下网民决策的复杂性，在后续研究中将在此基础上进一步进行探讨㊂参考文献［１］谢科范，赵湜，陈刚，等．网络舆情突发事件的生命周期原理及集群决策研究［Ｊ］．武汉理工大学学报（社会科学版），２０１０，２３（４）：４８２－４８６．［２］孟骊超，来爽．网络舆情演变过程的主体博弈及对策研究［Ｊ］．现代情报，２０２０，４０（１２）：１１４－１２９．［３］晏敬东，杨彩霞，张炜南．基于生命周期理论的微博舆情引控研究［Ｊ］．情报杂志，２０１７，３６（８）：８８－９３，７５．［４］郭倩倩．突发事件的演化周期及舆论变化［Ｊ］．新闻与写作，２０１２，３３７（７）：９－１２．［５］魏丽萍．网络舆情形成机制的进化博弈论启示［Ｊ］．新闻与传播研究，２０１０，２０（６）：２９－３８．［６］王根生．基于羊群效应传染动力模型的医患关系网络舆情演变研究［Ｊ］．南昌大学学报（人文社会科学版），２０１８，４９（４）：６４－６９．［７］朱志玲，朱力．从 不公 到 怨恨 ：社会怨恨情绪的形成逻辑［Ｊ］．社会科学战线，２０１４（２）：１７２－１７７．［８］彭小兵，邹晓韵．邻避效应向环境群体性事件演化的网络舆情传播机制 基于宁波镇海反事件的研究［Ｊ］．情报杂志，２０１７，３６（４）：１５０－１５５．［９］唐雪梅，赖胜强．情绪化信息对舆情事件传播的影响研究［Ｊ］．情报杂志，２０１８，３７（１２）：１２４－１２９．［１０］ＮＡＳＫＡＲＤ，ＳＩＮＧＨＳＲ，ＫＵＭＡＲＤ，ｅｔａｌ．Ｅｍｏｔｉｏｎｄｙｎａｍｉｃｓｏｆｐｕｂｌｉｃｏｐｉｎｉｏｎｓｏｎｔｗｉｔｔｅｒ［Ｊ］．ＡＣＭＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍｓ，２０２０，３８（２）：１－２４．［１１］杨阳，王杰．情绪因素影响下的突发事件网络舆情演化研究［Ｊ］．情报科学，２０２０，３８（３）：３５－４１．［１２］霍良安，邵洋洋．基于秩依效用理论的网络舆情传播博弈模型［Ｊ］．现代情报，２０１６，３６（９）：４５－４９．２３１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀。
Repast教程中文版
RepastJavacswarm脚本编译模型，用Javaswarm脚本运行模型。
作为一个开源项目，在遵循GNU协议的基础上，所有人都可以分享Swarm的资料，这也意味着所有人都可以自由地奉献自己的智慧。
因此，对Swarm感兴趣的研究人员可以结合自己的研究需要和建模经验，提出相关的设想，参与到Swarm的研究中去，本节后面的资源链接中列出了相关网址。
Repast（Recurslve Porous Agent Simulation Toolkit）是芝加哥大学社会科学计算研究中心研制的多主体建模工具，她提供了一系列用以生成、运行、显示和收集数据的类库，并能对运行中的模型进行“快照”，记录某一时刻模型的当前状态，还可以生成模型运行过程中状态动态演化的视频资料。
Repast从Swarm中借鉴了不少的设计结构和方法，所以常常称Repast为类Swarm的架构。
一、设计思想及目标由于Swarm对建模者来说还是有些过于复杂，Repast项目希望提供一系列简化Swarm 模型开发的Java类库。
然而，随着JavaSwarm①版本的推出，这种仅仅希望作为Swarm的Java扩展的想法很快就被摒弃了。
设计者们开始尝试使用Java语言设计一个完全独立的模型平台，而不再是从Swarm中做一些现成的提取有外围的包装。
RePast项目拟订了三个设计目标：使用方便、容易学习和容易扩展。
设计者通过让模拟软件的底层结构具备抽象性、可扩展性以及“良好”的表现来实现这些目标。
1．抽象性RePast的设计借鉴了很多别的主体建模软件，汲取了各个软件中最优秀的设计思想。
类库设计时充分应用了面向对象和设计模式的思想，因此RePast的整个类库的结构非常明晰优美。
类库提供了普通常用的底层抽象库（如安排时序、显示、数据收集等类库），类库还提供了一些用以建立表层元素的常用类。
这些类可直接使用，也可以根据需要继承和扩展。
与Swarm一样，Repast还设计了一些关键的抽象数据结构，其中一些结构直接模仿了Swarm，如时序表等。
三方演化博弈模型matlab代码
三方演化博弈模型matlab代码1. 简介在现实生活和学术研究中，博弈论是一种重要的分析工具，用于研究各种决策者之间的交互行为和策略选择。
而三方演化博弈模型是博弈论中的一种重要研究对象，它涉及到三个决策者之间的博弈过程，通常是在一个动态的演化过程中进行模拟和分析。
2. 模型构建对于三方演化博弈模型的构建，可以使用matlab来编写相关的代码。
在该模型中，可以考虑三个决策者分别选择不同的策略，并根据策略的效果来更新自身的策略，从而形成一个动态的博弈过程。
在matlab 中，可以利用矩阵运算和迭代算法来模拟这一过程，并通过可视化的方式展现不同策略的演化趋势。
3. 模型代码以下是一个简单的三方演化博弈模型的matlab代码示例：```matlab设置初始策略strategy_A = rand(1, 100);strategy_B = rand(1, 100);strategy_C = rand(1, 100);设置参数iterations = 1000;payoff_matrix = [1 -1 -1; -1 1 -1; -1 -1 1];演化过程for i = 1:iterations计算每个决策者的收益payoff_A = strategy_B * payoff_matrix(1, 2) + strategy_C * payoff_matrix(1, 3);payoff_B = strategy_A * payoff_matrix(2, 1) + strategy_C * payoff_matrix(2, 3);payoff_C = strategy_A * payoff_matrix(3, 1) + strategy_B * payoff_matrix(3, 2);更新策略new_strategy_A = strategy_A + 0.1 * (payoff_A -mean(payoff_A));new_strategy_B = strategy_B + 0.1 * (payoff_B -mean(payoff_B));new_strategy_C = strategy_C + 0.1 * (payoff_C -mean(payoff_C));归一化strategy_A = new_strategy_A / sum(new_strategy_A);strategy_B = new_strategy_B / sum(new_strategy_B);strategy_C = new_strategy_C / sum(new_strategy_C);end结果展示plot(strategy_A, 'r');hold on;plot(strategy_B, 'g');hold on;plot(strategy_C, 'b');legend('策略A', '策略B', '策略C');xlabel('迭代次数');ylabel('策略选择概率');```4. 模型分析通过以上的matlab代码，我们可以模拟三方演化博弈模型的演化过程，并观察不同策略在演化过程中的变化。
演化博弈模型matlab编码
演化博弈模型matlab编码演化博弈模型是一种用于研究群体行为的模型，它模拟了种群内个体之间的博弈和进化过程。
在这个模型中，每个个体有一个策略，这个策略会对其自身的收益和其他个体的收益产生影响。
随着时间的推移，个体的策略会不断地进化，从而导致整个种群的行为模式发生改变。
matlab作为一种常用的科学计算工具，可以方便地实现演化博弈模型。
下面是一个基于matlab的简单演化博弈模型的实现代码： ```matlab% 演化博弈模型的matlab实现% (仿) 《The Selfish Gene》% 初始化N = 100; % 种群规模T = 100; % 模拟时间p = 0.5; % 初始策略为协作与背叛各占一半G = [4 1; 5 2]; % 收益矩阵strat = rand(N,1) > p; % 随机生成初始策略% 模拟for t = 1:T% 计算每个个体的收益payoff = zeros(N,1);for i = 1:Nfor j = 1:Nif i ~= jif strat(i) == 1 % i协作if strat(j) == 1 % j协作payoff(i) = payoff(i) + G(1,1); else % j背叛payoff(i) = payoff(i) + G(1,2); endelse % i背叛if strat(j) == 1 % j协作payoff(i) = payoff(i) + G(2,1); else % j背叛payoff(i) = payoff(i) + G(2,2); endendendendend% 更新策略new_strat = strat;for i = 1:N% 随机选择邻居nbr = randi(N);% 如果邻居的收益更高，就采用邻居的策略if payoff(nbr) > payoff(i)new_strat(i) = strat(nbr);endendstrat = new_strat;end% 统计结果coop_prop = sum(strat)/N;fprintf('协作策略在最终的种群中所占比例为: %.2f',coop_prop);```以上代码实现了一次简单的模拟，模拟结果会输出最终种群中协作策略的比例。
matlab三方演化博弈 代码
【matlab三方演化博弈代码】在游戏理论中，演化博弈是一种独特的博弈模型，其主要研究对象是在不断演化变化的环境中，个体策略的演化过程。
在这种博弈模型中，个体之间相互作用并通过策略的调整来适应环境，最终形成一种动态的平衡状态。
而三方演化博弈是指在游戏参与者为三方的情况下进行演化博弈的模型。
在本文中，我们将通过MATLAB的编程实现，来探讨三方演化博弈模型的应用与分析。
1. 模型构建三方演化博弈模型的构建主要涉及到参与者的策略选择与博弈结果的演化。
我们需要定义三个参与者，并为他们分别设定策略空间。
在MATLAB中，可以通过定义矩阵来表示参与者的策略选择。
我们可以设定三个参与者的策略选择空间分别为A、B、C，共有n种可能的策略组合。
我们需要定义三个参与者之间的收益函数矩阵，以描述他们在不同策略组合下的收益情况。
2. 演化过程演化博弈模型的核心在于个体策略的演化过程。
在三方演化博弈模型中，个体之间的相互作用将导致策略的调整与演化。
在MATLAB中，我们可以通过编写循环程序来模拟策略的演化过程。
在每一轮演化中，参与者将根据当前的策略选择和博弈结果来进行调整，以适应环境的变化。
3. 结果分析在模拟演化过程之后，我们可以通过MATLAB的数据分析工具来对模拟结果进行分析。
通过观察演化过程中参与者的策略选择和博弈结果的变化趋势，我们可以得出关于三方演化博弈模型的一些结论。
我们可以分析在不同初始条件下演化结果的稳定性，探讨参与者策略选择的收敛性与多样性等问题。
总结回顾通过MATLAB的编程实现，我们可以对三方演化博弈模型进行深入的研究与分析。
三方演化博弈模型作为一种复杂的动态博弈模型，在现实社会中具有重要的应用意义。
通过深入研究三方演化博弈模型，我们可以更好地理解群体行为的演化规律，并为社会管理与决策提供科学依据。
个人观点与理解在三方演化博弈模型中，参与者策略的选择与演化过程是非常复杂的。
在实际应用中，我们需要结合具体的问题背景来设计合适的策略选择空间和收益函数矩阵，以更好地模拟真实的社会博弈过程。
基于LabVEW的复杂网络演化博弈实验软件
d o i ：10. 16180/j . cnki . is s n l 007 -7820. 2017. 12. 029基于LabV E W 的复杂网络演化博弈实验软件刘海洋，刘歌群，任宁春，张嘉楠(上海理工大学光电信息与计算机工程学院，上海200093)摘要复杂网络演化博弈能够揭示丰富的物理现象和规律，复杂网络演化博弈实验软件对于演化博弈过程的理解和认知具有重要作用。
目前对网络演化博弈进行可视化的软件并不多见，因此文中基于L J V I E W 开发了一种演示网 络演化博弈过程的实验软件。
软件在L J V I E W 开发环境下，规划人机交互界面，实现软件流程。
软件的输入包含了网 络模型、博弈模型和策略更新规则，对节点策略、节点收益以及网络合作频率进行动态显示。
可以对众多网络演化博弈 过程进行演示，并文中给出了软件运行结果。
关键词复杂网络；实验软件；演化博弈;L J V IE W中图分类号TP 311.5 文献标识码 A 文章编号1007 -7820(2017)12 -109 -05Experimental Software Developed with Lab V IEW for Evolutionary Games onNetworksL IU H a iy a n g ，L IU G e q u n ，R E N N in g c h u n ，Z H A N G Jia n a n(School o f O p tic a l -E le c tric a landC om puterE n g in e e rin g "U n iv e rs ityo fShanghai fo rScieShanghai 200093，C h in a )AbstractE voliutionary g ames on com plex net"worlcs can reveal a b u nd a n t p h y s ic a l phenom ena and l w s. E x p e ri m ental soft'ware fo r net "w or!ced evoliutionary games plays an im p o rta n t ro le in the u n d e rsta n d in g and c o g n itio n o f evoliu - tio n a ry game process . B ecause the visu a lize d software fo r the netw orked e v o lu tio n a ry games are ra re ，so we developed a software w ith L a b V IE W to d is p la y the process o f netw orked e v o lu tio n games . In the L a b Y IE W developm ent e n v iro n m e n t ， we designed the hum an- m achine in te rfa ce and program m ed the soft'ware process . T hein p u t ocludes the ne tw o rk m o d e l，the game m odel and the strategy update ru le s . T he soft'ware can d y n a m ic a lly show thenodes s tra te g y ，the nodes gains and the netw orks ’ cooperation fre q u e n c y . T he soft'ware can dem onstrate the process o f lots o f e v o lu tio n a ry games on severaltypes o f n e tw o rks . A ttheend o f th isp a p e r，the softwareru n n inK e ywordscom plex netw orks # e xp e rim e n tal software # e vo lu tio na ry games # L a b Y IE W图像•编码与软件違3叫■技2017年第30卷第12期Electronic Sci . & Tech . /Dec . 15,2017随着博弈论的广泛应用，博弈个体之间的关系变得 越来越复杂，博弈结果的形成过程也引起了学者们的关 注，因而诞生了网络演化博弈论。
基于Mealy机的多主体演化博弈仿真研究
ｔ ｈ ｏ ｂｓｄｏ ｂｅｔ ｏｉ ｔ ｎ ｉ ａ ｉｔ ＿ｅ Ｉ ｌ ｓ ｕａｏ ｙｔ ｔ ｎｔ ａｔ ａ０ ａｓ ｔｄ ｅ ｎｌ ｃ ０ ａｅ ｎｏｊｃ — ｒ ｎｅ ａ ｄｖ ｕｌｎｅ ａ ． ｎｔｅ ｉ ｌｔｎｓｓ ｍ，ｈ ｆ ｉ ｕ ｍ ｔｎｉｔ ｎｌ ｅ ｅ ｄ ｓ ｄｃ Ｉ ｍ ｉ ｅ ｅｉ ｅ ０ ｓｒ ａ
（ ０ ｅｅ０ ｃｎ ｍｃ ｎ ｕｉｅｓＡ ｍ ｎｓａｉ ， ｈ ｎｑ ｇＵ ｉ ｒｉ ， ｈ ｎｑ ｇ Ｏｏ ０ ｈｎ ） Ｃ ｌ ｇ ｆ ｏ ｏ ｉ ａｄ目 ｓ ｓ ｄ ｉｉｒｔ ｎ Ｃ ｏ ｇｉ ｎ ｅｓｙ Ｃ ０ｇｉ ｏ ３ ，Ｃ ｉａ ｌ Ｅ ｓ ｎ ｔ ｏ ｎ ｖ ｔ ｎ４
ＡＢＳ ＴＲＡＣＴ ： ｍｉ ｇ ａ ｈ ｅ ｒｓ ｎ ａｉｎ ａ ｄ ｍａｅ ｉｌ ａｉｎ ０ ｖ ｌ ｔ ｎ ｒ ａ ｄ ｌ ｎ ｅ ｏ ｏ ｃ ｓｕ ｙ ｉ Ａｉ ｎ ｔｔｅ ｒｐ ｅ ｅ ｔｔ ｎ ｔｒ ｉ ｔ ｆｅ ｏ ｕｉ ａ ｙ ｇ ｍｅ ｍ０ ｅ ｃ ｎ ｍｉ ｔｄ ，ａ ｓｍ— ０ ａｚ ｏ ｏ ｉ ｕ ａｉｎ ｓ ｓｅ ｂ ｓ ｄ ｏ ｎ ｔ ｕ ｏ ａｏ ｏ ｌｉ ｇ ｎ ａ ｒ ｐ ｓ ｄ ｉ ｈｓｐ ｐ ｒ ｎ ｔ ｅ Ｔｏ ｅ ，ｔ ｅ ｂ ｈ ｖｏ ｆ ｌ ｔ ｙ ｔｍ ａ ｅ ｎ ６ ｉ ｒ ｔ ｌ ｔ ｎ ｆ Ｔｄ ｌ ｈ ｅ 『 ｉ Ｔ０ ｏ ｅｄ ｎ ｄ ｏ ｇ ｎ ｚ ｔ ｎ ａ ｄ ｉ ｄ ｖｄ ａ ｓ ｅ ｐ ｓ ｄ ｂ ｎ ｔ ｕ ０ ｔ ． ｎ ｔ ｅ ｓ ｓｅ ，ｔｅ ｆ ｉ ｕ ０ ｔ ｒ ｏ ｓｒ ｃ ｅ ｙ ｒ ａ ｉａｉ ｎ ｎ ｉｉ ｕ ｌｉ ｘ ｎ ｓ ｅ ｙ ６ ｉ ａ ｔｍａ ａ ｏ ｅ Ｉ ｈ ｙ ｔｍ ｈ ｉ ｔ ａ ｔｍａ ａ ａ ｅ ｃ ｎ ｔ ｔｄ ｂ ｎｅ ｕ
演化博弈模仿者动态方程
演化博弈模仿者动态方程演化博弈理论是一种重要的研究方法，用于描述生物、社会和经济系统中的动态博弈行为。
在这个理论框架下，模仿者动态方程起到了重要作用。
模仿者动态方程是演化博弈模型中描述个体学习和决策策略更新的数学方程。
它使我们能够探索个体在面对不同环境和对手时的行为响应，并从中推导出最优策略。
在演化博弈模型中，个体的行为受到两个主要因素的影响：遗传和学习。
遗传是指通过基因传递给后代的遗传信息，而学习是指在个体生命周期中通过与对手交互和观察来获取的知识和经验。
模仿者动态方程主要基于两个假设：首先，个体在决策时会考虑到自身获得的利益；其次，个体倾向于模仿那些在过去能够获得最高利益的策略。
具体地说，模仿者动态方程可以表示为：模仿者的策略变化率等于对手得分差异的函数，乘以学习率。
这个方程的含义是，个体倾向于模仿那些在对战中表现更好的对手，并通过调整自己的决策策略来提高自己的得分。
模仿者动态方程的意义在于它能够解释许多现实世界中的行为现象。
比如，在生物进化中，弱者往往通过模仿强者的策略来提高自己的生存能力。
在社会领域，个体通常倾向于模仿那些在经济交易中取得成功的人，以获取更高的收益。
此外，模仿者动态方程还为我们提供了一种指导决策的方法。
通过观察和模仿表现更好的对手，我们可以逐渐改进个体的决策策略，不断提高自己的竞争力。
这对于解决博弈过程中的困境和冲突具有重要意义。
总而言之，模仿者动态方程在演化博弈理论中起到了重要的作用。
它帮助我们理解个体在面对竞争和合作时的行为模式，并为我们提供了一种指导决策的方法。
通过研究模仿者动态方程，我们可以更好地理解生物、社会和经济系统中的行为现象，并探索优化策略以提高自身竞争力的途径。
I009基于RePast平台的发电商竞价模型的仿真研究
基于RePast平台的发电商竞价模型的仿真研究朱江艳，黄仙（华北电力大学控制科学与工程学院，北京，102206）摘 要：在电力市场环境下，发电商的收益在很大程度上取决于其采用的竞价策略，而发电商的竞价过程可以被看成是一个不完全信息的非合作博弈过程。
本文运用不完全信息博弈理论对发电商竞价策略进行研究，建立了基于博弈论的竞价模型。
在RePast平台上对模型进行仿真研究，仿真结果表明了在对对手策略估算准确的前提下，各发电商可获得最大收益。
关键词：电力市场； 博弈论； RePast仿真； 竞价策略0 引言随着电力市场的发展发电商作为独立的经济实体分离出来，作为自主运营的实体[1]，发电商最关心的问题是如何使自己的利润最大化，而要实现这一目标采取何种竞价策略尤为重要。
目前，国内外的学者在发电商报价策略这一领域做了很多的研究，策略性竞价方法主要有：基于预测其他竞争对手的报价行为的方法，即采用概率方法或模糊集方法进行估计；基于预测市场出清价格的策略性报价方法，即发电商只要出的价格比预测价格稍微低即可；基于博弈论的策略性报价方法，即基于矩阵博弈模型或寡头博弈模型确定价格；前两种方法主要用于研究发电商之间的非合作竞价策略，而博弈论方法既可研究发电商之间的非合作竞价策略，也可以用于研究合作竞价策略[2] [3]。
发电商的利润不仅取决于自身的报价策略，还依赖于其他发电商如何报价。
因此，利用博弈论研究发电商的最优报价策略具有重要意义。
由于电力行业的特殊性，在实际的电力市场中完全竞争的情形是不可能存在的[4]，发电商对竞争对手和市场的信息不可能完全知道。
本文运用博弈论研究在不完全信息情况下发电商的竞价策略，建立基于博弈论的竞价模型，并在仿真平台RePast上对模型进行仿真，仿真结果表明了发电商获利的多少取决于对对手信息预测的准确度，在对对手策略估算准确的前提下，各发电商可获得最大收益。
1 RePast仿真平台简介RePast (Recursive Porous Agent Simulation Toolkit)是一种在Java语言环境下，设计生成的基于Agent的计算机模拟软件构架。
演化博弈论的复制动态方程
演化博弈论的复制动态方程
演化博弈论是一种研究自然界中遗传进化和社会进化等现象的
数学模型。
其中复制动态方程是演化博弈论中的一种重要工具，它描述了参与游戏的个体在演化过程中如何选择策略的变化规律。
复制动态方程的基本形式是：dx/dt = x(f(y) - f(x))，其中x 表示一种策略在群体中的比例，t表示时间，f(.)是一个映射函数，y表示群体中其他策略的比例。
这个方程描述了一种策略在群体中的比例变化速度，其变化率由群体中其他策略的比例和各自的收益函数决定。
复制动态方程的解析解通常很难求解，因此研究者们通常通过数值模拟来探究演化博弈论中的各种问题。
例如，通过模拟可以研究群体中各种策略的演化过程及其稳定性，进而揭示自然界中某些行为现象的演化机制。
总之，复制动态方程是演化博弈论中的一个重要工具，它能够帮助我们理解自然界中复杂行为现象的演化规律。
- 1 -。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于Ｒｅｐａｓｔ．ＮＥＴ的演化囚徒博弈仿真
［摘 要］ 本文介绍了多主体仿真的基本理论，对新一代仿真平台Repast
进行了阐述。通过对演化囚徒困境的进一步理论分析和仿真研究，揭示出多主体
博弈的演化机制和规律。同时对影响博弈演化的因素进行了分析，比如博弈重复
的次数、博弈者的适应系数、博弈邻居的选择等。并结合客观现实，对仿真结果
进行了解析。仿真结果进一步揭示了Repast仿真工具在多主体演化博弈分析中
的高效性和可靠性。
［关键词］ 博弈论；多主体仿真；Repast；演化
doi:10.3969/j.issn.1673-0194.2009.10.035
1Repast与多主体仿真
复杂适应系统（Complex Adaptive System，CAS）理论是由圣塔菲研究所(SFI)
的霍兰教授于1994年提出的。它是当前最具代表性且应用最广泛的复杂系统理
论。而基于 Agent建模与仿真是CAS理论的重要研究方法与手段。在系统和管
理科学中，Agent是一种自身具有“主动行为能力”的个体。它和以前习惯使用的
元素、部件、子系统等概念有着本质的区别。在多主体的情况下， Agent能够
主动处理所处环境中发生的事件，作出反应，并且改变自身的结构和行为规则。
从人工智能和软件开发的角度来看， Agent是一个能够完成某项或一系列任务
的实体。总之，尽管侧重点不同，各学科对于Agent这个概念都是强调了主动性、
适应性、演化、发展这样一些思想。这是基于主体的建模思想的核心。使用 Agent
的建模方法是尽可能使微观个体与实际个体特征一致，然后观察在不同实验条件
下系统可能的演化特征。
在复杂适应系统仿真（Complex Adaptive System Simulation，CASS）中，ABM
方法是极其重要和有效的。在这一领域有许多MABS（多主体仿真）工具，
SWARM 和 Repast就是其中最杰出的代表。
SWARM 起源于著名的美国圣塔菲研究所(Santa Fe Institute，SFI)，是一组
由 Objective C 语言写成的类库，也有用于 Java语言的编程接口，是应用最为
广泛的 MABS 平台。
Repast（Recursive Porous Agent Simulation Toolkit）是芝加哥大学社会科学
计算研究中心研制的“循环多主体仿真工具”。而且Repast 3.0支持Java，Python，
DotNet3种编程接口。Repast 在CAS理论研究、社会系统仿真、经济系统仿真
等领域有着广泛的应用。特别是在基于 Agent 的计算经济学（Agent-based
Computational Economics，ACE）这一新兴的经济学分支领域中，Repast 正在发
挥越来越重要的作用。
本文之所以选择Repast.NET版本，主要考虑3个原因：一是微软的视窗系
统在国内有着最庞大的用户群；二是用于Repast.NET编程的C#语言是一种全新
的、易用的、高效的跨平台语言，具有良好的发展前景；三是因为Repast在多
主体重复行为处理中有着极其强大的功能，使得它在演化博弈建模中能够大显身
手。
2Repast.NET建模环境和运行环境
2.1Repast.NET建模环境
构造Repast.NET建模环境，主要有以下两个步骤：
首先，要安装Microsoft VS.NET。这主要为Repast.NET建模提供一个编辑、
编译和运行的集成开发环境。
其次，要安装Repast.NET。从Repast网站上获取免费的名为
Repast_.NET_1.1_Installer.exe的安装程序后，可直接安装。
完成上述步骤后，我们就建立了一个Repast.NET建模环境。这时，运行
Microsoft VS.NET，在新建C#项目时，就会发现有两个Repast的模板可供选择：
一个是Base Repast Model；另一个是Default Repast Model。
2.2Repast.NET运行环境
实际上，在完成Repast.NET建模环境的构造后，也就建立了Repast.NET模
型的运行环境。不过，更多的时候，我们可能要将编译后的模型带到其他机器上
运行。此时，目标计算机必须至少符合两个条件：
（1）安装了.NET Framework 。 这个框架，一般XP以上的系统都默认安
装了。如果没有，安装一个微软的dotnetfx.exe即可。
（2）拥有Repast的类库文件。这个条件容易实现，可在目标机上安装Repast，
或者在建模时将模型中用到的Repast类库文件自动复制到模型所在目录。
3基于Repast.NET的演化博弈仿真过程
我们将基于Repast.NET的博弈仿真过程，分为模型背景和规则分析、仿真
程序建立、仿真程序运行3个基本步骤。本文中，以“重复博弈囚徒困境”（Ｉterated
Ｐrisoner’s Ｄilemma，IPD）模型为例， 来介绍如何创建Repast仿真程序。
3.1模型背景和规则分析
我们先来看一下博弈论中的经典模型：“囚徒困境”。模型中有两个参与者A
和B，可采取的行动有两个C（合作）和D（不合作）。在一次博弈中，双方根
据博弈规则，选择利益最大化行为，不可避免地导致了行动组合（D，D）的发
生。
上述模型存在几个问题：首先，它是一个基于双主体的对阵局面，没有考虑
多方博弈的情形；其次，这种博弈不是重复的；第三，所有博弈参与人都被设定
为“利益驱动”类型，他们仅仅依赖博弈规则选择行动方案，没有考虑参与人类型
对行动的影响。为此，对该模型进行如下修改，使其更加切合实际。
首先，我们认为，参与人是有类型的，也就是“他有自己的行动信念”。他倾
向于哪一种行动呢？这取决于对手的选择。假设对手合作，参与人合作的概率为
p；而对手不合作时，参与人合作的概率为q。对应一组确定的p和q将决定一
个参与者类型。因此，如果p和q连续分布，则参与者有无数类型。为了研究的
可行性，取其中的4种特殊类型作为研究对象。
结合现实情况，我们认为上述４种类型的博弈参与者是非常典型的：ALLC，
即all cooperation，“吃亏也笑的人”；TFT，即tit－for－tat，对方合作，我也合
作，也就是“吃软不吃硬的人”；ATFT，anti TFT，即“欺软怕硬的人”；ALLD，
all defect，就是所谓“软硬不吃的顽固分子”。
其次，考虑另一个现实情形，就是“人”总有学习的倾向。通过学习，他可能
改变自身类型，以获取较高的效用。当然，每个人的“学习”能力和适应倾向是不
一样的。因此，在模型中引入适应系数的概念，表示参与者改变类型的倾向程度。
现在，假设有一组参与者进行博弈。群体中的每个成员和随机选择（或者按
特定规律选择）的一组“邻居”进行重复博弈，博弈行动由他们的类型决定。每一
轮博弈中，每两个参与者均进行多次博弈。在每一轮博弈结束时，参与者对这一
轮博弈的所有行为者中最有效的战略进行模仿，每个参与者进行类型适应性改
变。也就是说，在模型运行过程中，参与者类型是变化的。