CN107181793A - 基于动态博弈论的交通服务信息转发机制 - Google Patents
基于动态博弈论的交通服务信息转发机制 Download PDFInfo
- Publication number
- CN107181793A CN107181793A CN201710284418.3A CN201710284418A CN107181793A CN 107181793 A CN107181793 A CN 107181793A CN 201710284418 A CN201710284418 A CN 201710284418A CN 107181793 A CN107181793 A CN 107181793A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- node
- colony
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
一种基于动态博弈论的交通服务信息转发机制,属于城市智能交通信息技术领域,基于动态博弈论理论,将多群体动态演化博弈理论应用在交通服务信息传输这样的交通应用场景中,将车联网节点分为多个种群,采用奖惩机制,利用种群的演化博弈,通过收益鼓励节点积极行为的积极发布和转发数据,抑制车辆节点的自私行为,从而抑制车联网中节点的自私行为,激励节点积极参与交通服务信息的传输;有效提高数据传输效率,同时动态引导车联网环境趋于一种良性的网络状态。
Description
技术领域
本发明涉及城市智能交通信息技术领域,具体为基于动态博弈论的交通服务信息转发机制。
背景技术
车联网是城市智能交通的重要组成部分,是提高道路效率和安全性的关键技术。为驾驶者及时提供交通服务信息是车联网中的重要应用之一,服务信息包括路况实时信息、路况预警信息、天气信息、娱乐信息等,交通服务信息能有效地提高驾驶者的安全性和舒适性,提高交通运行效率。由于车联网自身的网络拓扑多变、车辆连接短暂等特点,在车联网环境中面向出行者的交通服务信息的安全可靠的转发面临了更多的挑战。车联网中的节点目前可以分为三类:正常节点、自私节点和恶意节点。自私节点在通常情况下和其他节点交互正常,但是在特定场景中处于节省能源等自身利益考虑会做出拒绝转发等自私行为,恶意节点通常采取拒绝为其他节点转发数据的行为。现有车联网数据传输方法研究主要考虑车联网中节点的高速移动性等产生的影响,进而对传输协议进行改进,以期提高传输效率,但都并未考虑车辆节点自私性对数据传输的影响。
发明内容
针对现有技术中存在的问题,本发明提供一种基于动态博弈论的交通服务信息转发机制,充分考虑了现实车联网环境中节点自私行为对交通服务信息传输的影响,激励车辆节点的合作传输行为,有效的提高了数据传输的效率。
本发明是通过以下技术方案来实现:
基于动态博弈论的交通服务信息转发机制,包括如下步骤,
步骤1,建立面向车联网环境的交通服务信息转发动态演化博弈模型;并将车联网中的车辆节点分为三个群体,分别为正常节点为群体1,自私节点为群体2和恶意节点为群体3;
步骤2,对三个群体分别设置对应的积极行为策略和自私行为策略,并表示为如下的策略空间,
群体1的策略空间是G1={a1,a2};a1表示节点接收交通服务信息并转发,同时愿意自主发布相关服务信息;a2表示节点仅接收交通信息并转发,但是不愿意自主发布交通服务信息;
群体2的策略空间是G2={b1,b2};b1表示节点接收交通服务信息并转发;b2表示节点仅接收的交通服务信息,但拒绝转发;
群体3的策略空间是G3={c1,c2};c1表示接收交通服务信息;c2表示拒绝接收;
其中,a1、b1和c1积极行为策略,a2、b2和c2为自私行为策略;
步骤3,建立博弈模型中车辆节点的收益函数如下;
车辆节点的收益=每个车辆节点接收交通服务信息获得的收益+转发信息获得的反馈奖励+自主发布交通服务信息获得的反馈奖励-消耗的能量;
其中,消耗的能量=转发能量消耗+自主发布能量消耗;
步骤4,根据三个群体的策略空间和车辆节点的收益函数,得到对应三个群体中的车辆节点选择不同策略时的收益,从而得到三个群体的平均效用函数,表征对应群体的整体收益;
步骤5,在面向车联网环境的交通服务信息转发动态演化博弈模型中,设定r3>r2>r1,车辆节点每接收一个单元的交通服务信息,获得的收益是r1,消耗的能量是e1;车辆节点每转发一个单元的交通服务信息,获得反馈奖励是r2,消耗的能量是e2;车辆节点每主动发布一个单元的交通服务信息,获得的反馈奖励是r3,消耗的能量是e3;且任何类型的能量消耗均小于收益或反馈奖励;以规避车辆节点的自私行为,激励车辆节点的积极行为,进行多次动态博弈演化;
当在一次动态演化博弈过程中,演化参数为则可得到:
群体1中的节点选择满足如下条件,
其中,q1为群体1中节点收益函数,
则得到策略a1就是群体1的演化稳定策略;
群体2中的节点选择满足如下条件,
其中,q2为群体2中节点收益函数,
则得到策略b1就是群体2的演化稳定策略;
群体3中的节点选择满足如下条件,
其中,q3为群体3中节点收益函数,
则得到策略c1就是群体3的演化稳定策略;
从而使得博弈模型逐渐趋向选择收益高的策略,并且趋于稳定状态,实现抑制节点的自私行为,激励节点的积极行为,提高交通服务信息的传输效率,并且通过三个群体的平均效用函数完成对应群体在博弈模型稳定状态下的整体收益评估。
优选的,步骤1中,所述的车辆网中车辆节点的分布服从泊松分布,在一次基于动态博弈模型的演化过程中,存在n个车辆节点参与博弈的概率如式(1)所示,
其中,θ为概率计算参数,K为车联网中随机选择的节点数量。
优选的,步骤1中,所述的车辆网中两个车辆节点之间的连接时间服从指数分布,在一段时间T内,两车的连接概率P计算如式(2)所示,
P=1-(1+χT)e-χT (2)
其中,概率计算参数χ>0。
优选的,步骤2中,所述的车辆节点在不同的群体中,会采取不同的行为策略,以期获取更大的利益。
优选的,步骤4中的具体步骤如下,
步骤4.1,三个群体中的车辆节点选择积极行为策略的概率如下,
在群体1中,车辆节点选择策略a1的概率是x,x∈[0,1];
在群体2中,车辆节点选择策略b1的概率是y,y∈[0,1];
在群体3中,车辆节点选择策略c1的概率是z,z∈[0,1];
步骤4.2,根据选择积极行为策略的概率得到三个群体中的车辆节点选择积极行为策略的收益概率如下,
在群体1中的某个节点选择策略a1,则其获得收益的概率计算如式(3),
当群体2中的某个节点选择策略b1时,收益概率计算如式(4),
当群体3中的某个节点选择策略c1时,收益概率计算如式(5),
步骤4.3,在一次博弈过程中,群体1参与博弈节点数目为n1,群体2节点数目为n2,群体3节点数目为n3;根据节点的收益概率,得到节点的收益如下;
群体1中,当节点选择策略a1时,节点的收益如式(6),
当节点选择策略a2,节点的收益如下,
群体2中,当节点选择策略b1时,节点的收益如下,
当节点选择策略b2,节点的收益如下,
群体3中,当节点选择策略c1时,节点的收益如下,
当节点选择策略c2,由于节点选择消极策略,不做任何接收或转发行为,因此收益为0;
步骤4.4,根据各群体中节点的收益得到三个群体的平均效用函数;
群体1的平均效用函数如式(7),
群体2的平均效用函数如式(8),
群体3的平均效用函数如式(9),
优选的,步骤5中,每个群体中的车辆节点在群的整体演化过程中都会进行自我学习;通过学习,选择收益较高的策略选择,放弃收益低的策略选择,逐渐的固化收益最大化的策略选择;在多次的动态博弈过程之后,整个群体趋向动态收敛直至达到均衡的稳定状态。
与现有技术相比,本发明具有以下有益的技术效果:
本发明基于动态博弈论理论,将多群体动态演化博弈理论应用在交通服务信息传输这样的交通应用场景中,将车联网节点分为多个种群,采用奖惩机制,利用种群的演化博弈,通过收益鼓励节点积极行为的积极发布和转发数据,抑制车辆节点的自私行为,从而抑制车联网中节点的自私行为,激励节点积极参与交通服务信息的传输;有效提高数据传输效率,同时动态引导车联网环境趋于一种良性的网络状态。
附图说明
图1为本发明实例中所述转发机制中博弈模型的架构图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明基于动态博弈论的交通服务信息转发机制,将车联网中的节点划分为三个群体,建立群体的动态博弈模型,通过收益机制激励各群体中的节点选择积极合作的行为策略,对车联网中的交通服务信息进行积极发布、转发或接收,通过多次动态博弈过程,模型达到平衡和稳定,从而有效的优化整个车联网的数据传输环境,有助于提高交通服务信息的传输效率。如图1所示,其包括:
步骤1,建立面向车联网环境的交通服务信息转发动态演化博弈模型。
该动态演化博弈论的设置如下:
(1)车辆网中节点数量庞大,隶属于不同的种群,存在相互竞争的自私性关系。
(2)设置当前随机选择的节点数量为随机变量K,K≥0;
(3)假设每个种群有自身的策略集,种群中的节点从自身种群的策略集中选取策略,以获取最大化的收益。
基于上述设定,对交通服务信息转发动态演化博弈模型的基本要素描述如下:
参与者:车联网中所有车辆节点;
群体划分:通过分析,车联网中的车辆节点分为三个群体,正常节点为群体1,自私节点为群体2,恶意节点为群体3。每个群体中节点的数目是不确定的,随着时间的推移,某个节点有可能从原属群体转移到其他群体。假设车联网中车辆节点的分布服从泊松分布,在一次基于动态博弈模型的演化过程中,存在n个车辆节点参与博弈的概率可以通过式(1)计算:
其中,参数θ为泊松分布参数,,K为车联网中随机选择的节点数量,是一个随机变量。
步骤2,设计群策略空间。
每个群体都有各自相对应的行为策略,在不同的场景中,节点会采取不同的行为策略,以期获取更大的利益。
群体1的策略空间是G1={a1,a2},a1表示节点接收交通服务信息并转发,同时愿意自主发布相关服务信息,a2表示节点仅仅接收交通信息并转发,但是不愿意自主发布交通服务信息。
群体2的策略空间是G2={b1,b2},b1表示节点接收交通服务信息并转发,b2表示节点仅仅接收的交通服务信息,但拒绝转发。
群体3的策略空间是G3={c1,c2},c1表示接收交通服务信息,因为这些信息有可能对自身有用,c2表示拒绝接收。
步骤3,分析节点收益。
在本发明中,分析影响节点采取合作行为的因素包括两大类,一是成本付出,例如自身能量消耗等。二是收益,包括节点信誉值等。在博弈模型中通过对成本收益的演化分析来激励车辆节点在信息服务传输中采取合作行为策略。
收益:参与者采取某种具体的策略之后可以获取的收益。
该模型中车辆节点的收益函数的计算如下:
节点的收益=每个节点接收交通服务信息获得的收益+转发信息获得的反馈奖励+自主发布交通服务信息获得的反馈奖励-消耗的能量;其中,消耗的能量=转发能量消耗+自主发布能量消耗。
假设车辆节点每接收一个单元的交通服务信息,获得的收益是r1,消耗的能量是e1;车辆节点每转发一个单元的交通服务信息,获得反馈奖励是r2,消耗的能量是e2;车辆节点每主动发布一个单元的交通服务信息,获得的反馈奖励是r3,消耗的能量是e3。为了规避车辆节点的自私行为,激励车辆节点主动发布和转发交通服务信息,设r3>r2>r1,同时任何类型的能量消耗均小于收益或反馈奖励。
步骤4,计算收益平均效用函数。
由于车辆网中车辆节点是移动的,假设两个车辆节点之间的连接时间服从指数分布,在一段时间T内,两车的连接概率P计算如式(2):
P=1-(1+χT)e-χT (2)
其中,概率计算参数χ>0。
在群体1中,车辆节点选择策略a1的概率是x,x∈[0,1];在群体2中,车辆节点选择策略b1的概率是y,y∈[0,1];群体3中,车辆节点选择策略c1的概率是z,z∈[0,1]。
在群体1中的某个节点选择策略a1,则其获得收益的概率计算如式(3):
其中,n1为某次博弈过程中,群体1中参与博弈的节点的个数,δ为依据式(2)计算的两车连接的概率值。
当群体2中的某个节点选择策略b1时,收益概率计算如式(4),其中n2为某次博弈过程中,群体2中参与博弈的节点的个数:
当群体3中的某个节点选择策略c1时,收益概率计算如式(5),其中n3为某次博弈过程中,群体3中参与博弈的节点的个数:
在计算出节点的收益概率之后,可以据此进行节点的收益的计算,以群体1中的某节点为例,当节点选择策略a1时,节点的收益计算过程如式(6):
当节点选择策略a2,同理可以计算时节点的收益
群体2中,当节点选择策略b1时,节点的收益如下,
当节点选择策略b2,节点的收益如下,
群体3中,当节点选择策略c1时,节点的收益如下,
当节点选择策略c2,节点采取消极策略,不做任何接收或转发行为,因此收益为0;
依据式(6),群体1的平均效用函数计算如式(7):
其中表示群体1中的节点选择策略a2时个体节点的收益。
同理,群体2的平均效用函数计算如式(8):
群体3的平均效用函数计算如式(9):
步骤5,分析模型演化稳定策略。
在这个多种群的网络环境中,需要设计动态演化模型的演化稳定策略,该策略表明群体博弈最终趋于一个稳定状态。在本发明的应用场景中,每个群中的个体节点在群的整体演化过程中都会进行自我学习,通过学习,选择收益较高的策略,放弃收益低的策略选择,逐渐的固化收益最大化的策略选择。在多次的动态博弈过程之后,整个群体趋向动态收敛直至达到均衡。
得到的演化策略的如下:
假设某次博弈的开始时刻为mt,结束时刻为(m+1)t,m≥0。在一次动态演化博弈过程中,以正常节点群体1为例,当群体1中的节点选择满足如下条件:
其中,q1为群体1中节点的收益函数,演化参数式(9)表明当群体中节点选择策略a1的收益大于策略a2的收益时,其他节点会逐渐调整策略,使得整个博弈演化过程趋向稳定,其中策略a1就是群体1的演化稳定策略。
同理可以确定群体2和群体3的演化稳定策略。
通过上述步骤,车辆网中的车辆节点在动态演化博弈模型中经过演化,逐渐趋向选择收益高的策略,并且整个网络系统在多次演化后趋于一种稳定状态,从而实现抑制节点的自私行为,激励节点合作的积极行为,提高交通服务信息的传输效率,并且通过三个群体的平均效用函数完成对应群体在博弈模型稳定状态下的整体收益评估。
Claims (6)
1.基于动态博弈论的交通服务信息转发机制,其特征在于,包括如下步骤,
步骤1,建立面向车联网环境的交通服务信息转发动态演化博弈模型;并将车联网中的车辆节点分为三个群体,分别为正常节点为群体1,自私节点为群体2和恶意节点为群体3;
步骤2,对三个群体分别设置对应的积极行为策略和自私行为策略,并表示为如下的策略空间,
群体1的策略空间是G1={a1,a2};a1表示节点接收交通服务信息并转发,同时愿意自主发布相关服务信息;a2表示节点仅接收交通信息并转发,但是不愿意自主发布交通服务信息;
群体2的策略空间是G2={b1,b2};b1表示节点接收交通服务信息并转发;b2表示节点仅接收的交通服务信息,但拒绝转发;
群体3的策略空间是G3={c1,c2};c1表示接收交通服务信息;c2表示拒绝接收;
其中,a1、b1和c1积极行为策略,a2、b2和c2为自私行为策略;
步骤3,建立博弈模型中车辆节点的收益函数如下;
车辆节点的收益=每个车辆节点接收交通服务信息获得的收益+转发信息获得的反馈奖励+自主发布交通服务信息获得的反馈奖励-消耗的能量;
其中,消耗的能量=转发能量消耗+自主发布能量消耗;
步骤4,根据三个群体的策略空间和车辆节点的收益函数,得到对应三个群体中的车辆节点选择不同策略时的收益,从而得到三个群体的平均效用函数,表征对应群体的整体收益;
步骤5,在面向车联网环境的交通服务信息转发动态演化博弈模型中,设定r3>r2>r1,车辆节点每接收一个单元的交通服务信息,获得的收益是r1,消耗的能量是e1;车辆节点每转发一个单元的交通服务信息,获得反馈奖励是r2,消耗的能量是e2;车辆节点每主动发布一个单元的交通服务信息,获得的反馈奖励是r3,消耗的能量是e3;且任何类型的能量消耗均小于收益或反馈奖励;以规避车辆节点的自私行为,激励车辆节点的积极行为,进行多次动态博弈演化;
当在一次动态演化博弈过程中,演化参数为则可得到:
群体1中的节点选择满足如下条件,
<mrow>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>&part;</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mo>&part;</mo>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>></mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>&part;</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mo>&part;</mo>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,q1为群体1中节点收益函数,
则得到策略a1就是群体1的演化稳定策略;
群体2中的节点选择满足如下条件,
<mrow>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mo>&part;</mo>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>></mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mo>&part;</mo>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,q2为群体2中节点收益函数,
则得到策略b1就是群体2的演化稳定策略;
群体3中的节点选择满足如下条件,
<mrow>
<msub>
<mi>q</mi>
<mn>3</mn>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>&part;</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mo>&part;</mo>
<mo>)</mo>
</mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>&rsqb;</mo>
<mo>></mo>
<msub>
<mi>q</mi>
<mn>3</mn>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>&part;</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mo>&part;</mo>
<mo>)</mo>
</mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
其中,q3为群体3中节点收益函数,
则得到策略c1就是群体3的演化稳定策略;
从而使得博弈模型逐渐趋向选择收益高的策略,并且趋于稳定状态,实现抑制节点的自私行为,激励节点的积极行为,提高交通服务信息的传输效率,并且通过三个群体的平均效用函数完成对应群体在博弈模型稳定状态下的整体收益评估。
2.根据权利要求1所述的基于动态博弈论的交通服务信息转发机制,其特征在于,步骤1中,所述的车辆网中车辆节点的分布服从泊松分布,在一次基于动态博弈模型的演化过程中,存在n个车辆节点参与博弈的概率如式(1)所示,
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>=</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msup>
<mi>&theta;</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>!</mo>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&theta;</mi>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,θ为概率计算参数,K为车联网中随机选择的节点数量。
3.根据权利要求1所述的基于动态博弈论的交通服务信息转发机制,其特征在于,步骤1中,所述的车辆网中两个车辆节点之间的连接时间服从指数分布,在一段时间T内,两车的连接概率P计算如式(2)所示,
P=1-(1+χT)e-χT (2)
其中,概率计算参数χ>0。
4.根据权利要求1所述的基于动态博弈论的交通服务信息转发机制,其特征在于,步骤2中,所述的车辆节点在不同的群体中,会采取不同的行为策略,以期获取更大的利益。
5.根据权利要求1所述的基于动态博弈论的交通服务信息转发机制,其特征在于,步骤4中的具体步骤如下,
步骤4.1,三个群体中的车辆节点选择积极行为策略的概率如下,
在群体1中,车辆节点选择策略a1的概率是x,x∈[0,1];
在群体2中,车辆节点选择策略b1的概率是y,y∈[0,1];
在群体3中,车辆节点选择策略c1的概率是z,z∈[0,1];
步骤4.2,根据选择积极行为策略的概率得到三个群体中的车辆节点选择积极行为策略的收益概率如下,
在群体1中的某个节点选择策略a1,则其获得收益的概率计算如式(3),
<mrow>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>x</mi>
<mi>&delta;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</msup>
</mrow>
<mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mi>x</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
当群体2中的某个节点选择策略b1时,收益概率计算如式(4),
<mrow>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>y</mi>
<mi>&delta;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</msup>
</mrow>
<mrow>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mi>y</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
当群体3中的某个节点选择策略c1时,收益概率计算如式(5),
<mrow>
<msub>
<mi>G</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>z</mi>
<mi>&delta;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>n</mi>
<mn>3</mn>
</msub>
</msup>
</mrow>
<mrow>
<msub>
<mi>n</mi>
<mn>3</mn>
</msub>
<mi>z</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤4.3,在一次博弈过程中,群体1参与博弈节点数目为n1,群体2节点数目为n2,群体3节点数目为n3;根据节点的收益概率,得到节点的收益如下;
群体1中,当节点选择策略a1时,节点的收益如式(6),
<mrow>
<msubsup>
<mi>G</mi>
<mn>1</mn>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>y</mi>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&Sigma;</mi>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mi>&infin;</mi>
</msubsup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>=</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>3</mn>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
当节点选择策略a2,节点的收益如下,
<mrow>
<msubsup>
<mi>G</mi>
<mn>1</mn>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>y</mi>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&Sigma;</mi>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mi>&infin;</mi>
</msubsup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>=</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
群体2中,当节点选择策略b1时,节点的收益如下,
<mrow>
<msubsup>
<mi>G</mi>
<mn>2</mn>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>z</mi>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&Sigma;</mi>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mi>&infin;</mi>
</msubsup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>=</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
当节点选择策略b2,节点的收益如下,
<mrow>
<msubsup>
<mi>G</mi>
<mn>2</mn>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>z</mi>
<mo>&lsqb;</mo>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<msubsup>
<mi>&Sigma;</mi>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mi>&infin;</mi>
</msubsup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>=</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
群体3中,当节点选择策略c1时,节点的收益如下,
<mrow>
<msubsup>
<mi>G</mi>
<mn>3</mn>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>x</mi>
<mo>&lsqb;</mo>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<msubsup>
<mi>&Sigma;</mi>
<msub>
<mi>n</mi>
<mn>3</mn>
</msub>
<mi>&infin;</mi>
</msubsup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>=</mo>
<msub>
<mi>n</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
当节点选择策略c2,由于节点选择消极策略,不做任何接收或转发行为,因此收益为0;
步骤4.4,根据各群体中节点的收益得到三个群体的平均效用函数;
群体1的平均效用函数如式(7),
<mrow>
<mover>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<msubsup>
<mi>xG</mi>
<mn>1</mn>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>G</mi>
<mn>1</mn>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
群体2的平均效用函数如式(8),
<mrow>
<mover>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<msubsup>
<mi>yG</mi>
<mn>2</mn>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>G</mi>
<mn>2</mn>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
群体3的平均效用函数如式(9),
<mrow>
<mover>
<msub>
<mi>G</mi>
<mn>3</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<msubsup>
<mi>zG</mi>
<mn>3</mn>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>G</mi>
<mn>3</mn>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
6.根据权利要求1所述的基于动态博弈论的交通服务信息转发机制,其特征在于,步骤5中,每个群体中的车辆节点在群的整体演化过程中都会进行自我学习;通过学习,选择收益较高的策略选择,放弃收益低的策略选择,逐渐的固化收益最大化的策略选择;在多次的动态博弈过程之后,整个群体趋向动态收敛直至达到均衡的稳定状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710284418.3A CN107181793B (zh) | 2017-04-27 | 2017-04-27 | 基于动态博弈论的交通服务信息转发方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710284418.3A CN107181793B (zh) | 2017-04-27 | 2017-04-27 | 基于动态博弈论的交通服务信息转发方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107181793A true CN107181793A (zh) | 2017-09-19 |
CN107181793B CN107181793B (zh) | 2019-04-23 |
Family
ID=59831992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710284418.3A Active CN107181793B (zh) | 2017-04-27 | 2017-04-27 | 基于动态博弈论的交通服务信息转发方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107181793B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108541071A (zh) * | 2018-04-10 | 2018-09-14 | 清华大学 | 基于双层博弈的无线通信系统多用户资源分配系统 |
CN109890061A (zh) * | 2019-03-19 | 2019-06-14 | 中南大学 | 一种基于锚定效应理论提高车联网中车辆合作率的方法 |
CN112785839A (zh) * | 2020-11-19 | 2021-05-11 | 长安大学 | 基于区块链的车联网车辆通信行为模仿博弈策略 |
CN114428999A (zh) * | 2022-04-02 | 2022-05-03 | 中国人民解放军96901部队 | 基于演化博弈模型的无人飞行器对地攻防策略选择方法 |
CN117313902A (zh) * | 2023-11-30 | 2023-12-29 | 北京航空航天大学 | 一种基于信号博弈的车辆编队异步联邦学习方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006008722A1 (en) * | 2004-07-22 | 2006-01-26 | Philips Intellectual Property & Standards Gmbh | Communication device and communication system as well as method of communication between and among mobile nodes |
CN102880975A (zh) * | 2012-09-13 | 2013-01-16 | 大连理工大学 | Vanet中一种基于负载均衡的竞价博弈方法 |
CN103929777A (zh) * | 2014-05-08 | 2014-07-16 | 西安电子科技大学 | 基于拥塞博弈的车辆网络数据分发拥塞控制方法 |
CN105682174A (zh) * | 2016-01-15 | 2016-06-15 | 哈尔滨工业大学深圳研究生院 | 促进节点合作的机会网络演化算法及装置 |
-
2017
- 2017-04-27 CN CN201710284418.3A patent/CN107181793B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006008722A1 (en) * | 2004-07-22 | 2006-01-26 | Philips Intellectual Property & Standards Gmbh | Communication device and communication system as well as method of communication between and among mobile nodes |
CN102880975A (zh) * | 2012-09-13 | 2013-01-16 | 大连理工大学 | Vanet中一种基于负载均衡的竞价博弈方法 |
CN103929777A (zh) * | 2014-05-08 | 2014-07-16 | 西安电子科技大学 | 基于拥塞博弈的车辆网络数据分发拥塞控制方法 |
CN105682174A (zh) * | 2016-01-15 | 2016-06-15 | 哈尔滨工业大学深圳研究生院 | 促进节点合作的机会网络演化算法及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108541071A (zh) * | 2018-04-10 | 2018-09-14 | 清华大学 | 基于双层博弈的无线通信系统多用户资源分配系统 |
CN109890061A (zh) * | 2019-03-19 | 2019-06-14 | 中南大学 | 一种基于锚定效应理论提高车联网中车辆合作率的方法 |
CN109890061B (zh) * | 2019-03-19 | 2020-11-06 | 中南大学 | 一种基于锚定效应理论提高车联网中车辆合作率的方法 |
CN112785839A (zh) * | 2020-11-19 | 2021-05-11 | 长安大学 | 基于区块链的车联网车辆通信行为模仿博弈策略 |
CN112785839B (zh) * | 2020-11-19 | 2022-12-13 | 长安大学 | 基于区块链的车联网车辆通信行为模仿博弈策略 |
CN114428999A (zh) * | 2022-04-02 | 2022-05-03 | 中国人民解放军96901部队 | 基于演化博弈模型的无人飞行器对地攻防策略选择方法 |
CN114428999B (zh) * | 2022-04-02 | 2022-06-21 | 中国人民解放军96901部队 | 基于演化博弈模型的无人飞行器对地攻防策略选择方法 |
CN117313902A (zh) * | 2023-11-30 | 2023-12-29 | 北京航空航天大学 | 一种基于信号博弈的车辆编队异步联邦学习方法 |
CN117313902B (zh) * | 2023-11-30 | 2024-02-06 | 北京航空航天大学 | 一种基于信号博弈的车辆编队异步联邦学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107181793B (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107181793A (zh) | 基于动态博弈论的交通服务信息转发机制 | |
Tian et al. | Evaluating reputation management schemes of internet of vehicles based on evolutionary game theory | |
Sert et al. | A two-tier distributed fuzzy logic based protocol for efficient data aggregation in multihop wireless sensor networks | |
He et al. | Secure social networks in 5G systems with mobile edge computing, caching, and device-to-device communications | |
Liang et al. | Morality-driven data forwarding with privacy preservation in mobile social networks | |
Wang et al. | Incentive evolutionary game model for opportunistic social networks | |
Buttyán et al. | Barter trade improves message delivery in opportunistic networks | |
CN105636143B (zh) | 基于合作博弈的无线传感器网络分簇协作路由算法 | |
Liao et al. | Information-centric massive IoT-based ubiquitous connected VR/AR in 6G: A proposed caching consensus approach | |
CN104408306A (zh) | Vanet中利用演化博弈来激励停靠车辆合作转发进行分析建模的方法 | |
Jedari et al. | A survey on human-centric communications in non-cooperative wireless relay networks | |
Nobahary et al. | Selfish node detection based on hierarchical game theory in IoT | |
CN105872012A (zh) | 基于会员用户终端进行信息发送的方法及系统 | |
Fang et al. | Incentive mechanism for cooperative authentication: An evolutionary game approach | |
CN100442781C (zh) | 无线自组织网络中基于付费的路由和转发方法 | |
Wu et al. | Routing algorithm based on multi-community evolutionary game for VANET | |
Ding et al. | A public goods game theory-based approach to cooperation in VANETs under a high vehicle density condition | |
CN105847149A (zh) | 基于多层网络的无线容迟网络路由方法 | |
Ilavendhan et al. | Comparative study of game theoretic approaches to mitigate network layer attacks in VANETs | |
Wei et al. | SUCCESS: A Secure User-centric and Social-aware Reputation Based Incentive Scheme for DTNs. | |
Cai et al. | A survey on routing algorithms for opportunistic mobile social networks | |
Xing et al. | Uavs-aided delay-tolerant blockchain secure offline transactions in post-disaster vehicular networks | |
Liu et al. | Blockchain based offloading strategy: Incentive, effectiveness and security | |
Mao et al. | A fair credit-based incentive mechanism for routing in DTN-based sensor network with nodes’ selfishness | |
Feng et al. | Incentive-compatible packet forwarding in mobile social networks via evolutionary game theory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |