CN111523046B - 基于演化博弈的舆论信息与观点的协同演化模型构建方法 - Google Patents
基于演化博弈的舆论信息与观点的协同演化模型构建方法 Download PDFInfo
- Publication number
- CN111523046B CN111523046B CN202010281819.5A CN202010281819A CN111523046B CN 111523046 B CN111523046 B CN 111523046B CN 202010281819 A CN202010281819 A CN 202010281819A CN 111523046 B CN111523046 B CN 111523046B
- Authority
- CN
- China
- Prior art keywords
- individual
- information
- behavior
- central
- evolution
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 230000006399 behavior Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 39
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 4
- 230000011273 social behavior Effects 0.000 claims description 49
- 230000007246 mechanism Effects 0.000 claims description 38
- 230000008878 coupling Effects 0.000 claims description 14
- 238000010168 coupling process Methods 0.000 claims description 14
- 238000005859 coupling reaction Methods 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 206010003591 Ataxia Diseases 0.000 claims description 3
- 206010010947 Coordination abnormal Diseases 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 208000016290 incoordination Diseases 0.000 claims description 3
- 230000008595 infiltration Effects 0.000 description 20
- 238000001764 infiltration Methods 0.000 description 20
- 230000008859 change Effects 0.000 description 12
- 230000001737 promoting effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000002079 cooperative effect Effects 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 230000006353 environmental stress Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000013310 pig model Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004260 weight control Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明提供了一种基于演化博弈的舆论信息与观点的协同演化模型构建方法,属于演化博弈领域,包括:步骤1、选择100*100的规则网格网络作为社交网络模型,社交网络上的每个个体在规则网络中占据一个网格,为每个个体赋予属性值;步骤2、将每一个个体作为中心个体,对中心个体进行循环协同演化;步骤3、利用定时器进行定时操作,在每一轮次演化过程中,当到达规定时间时,停止协同演化过程,向名誉值最高的个体渗入信息,同时增加该个体的名誉值;然后继续进行协同演过操作;步骤4、循环进行步骤2和步骤3,直到完成所有中心个体的协同演化。该方法促进了社交网络中个体之间积极合作行为的涌现,具有实用性。
Description
技术领域
本发明属于演化博弈技术领域,具体涉及一种基于演化博弈的舆论信息与观点的协同演化模型构建方法。
背景技术
关于社交网络上的舆论信息传播与个体观点演化的研究主要是描述并分析社会群体中个体不同的博弈行为构建相互关系的过程、个体之间不同观点的相互影响及达到共识的过程、个体的行为和态度对舆论信息扩散的影响过程等。从经济学角度出发,信息扩散受到网络用户的决策、行为及其社会经济联系的重要影响。博弈论作为其中的一个重要理论,主要描述了参与方个体对于利益和目标存在竞争性质潜在冲突并采取合作或者斗争的行为。随着内容的不断丰富,博弈论已经能够给出一套成熟的概念、规则和理论方法,为研究社会群体中个体之间合作行为的演变提供了统一的理论框架。因此博弈论在关于社交网络上的信息传播模型上得到了很好的引用。博弈论包含一些较为典型的博弈模型,如囚徒困境模型、雪堆模型、智猪模型等等。随着在其他各相关领域的应用,博弈理论逐渐分为两个方向:前提假设为所有参与者均为完全理性决策者的经典博弈理论和前提假设为群体中参与个体是非完全理性决策者的演化博弈理论。
经典博弈论以经济学因素作为个体行为和策略改变的主要元素,考虑到的影响因素较少,不能很好地体现现实生活中各个体之间复杂的影响和交互关系。而演化博弈从生物角度考虑了个体的生物特性,表征了博弈个体的有限理性,其相关研究更加贴合现实社会情况。根据演化博弈的这个特质可知演化博弈理论的研究适应于分析研究由有限理性博弈个体构成的某个特定环境下的群体中各交互个体之间的重复性博弈,探究有限理性的个体在不断的重复博弈过程中如何最大化自身的利益,最终致力于理解、模拟和预测动力学行为。
与复杂的社交网络结合起来的研究更是扩大了演化博弈理论的应用范围,如今经济学家运用演化博弈论分析社会习惯、规范、制度或体制形成的影响因素。社交演化博弈包含用户行为博弈模型(多以囚徒困境博弈模型为主要研究对象)和更新规则(行为模仿、态度模仿),处于此环境下的个体都是同时追求个体利益和群体利益的。在各类经典的博弈模型中,多以囚徒困境模型的博弈收益矩阵为研究基础。这在数学角度上分析是合理的,但在多维信息共同作用的社会学领域显然是不合适的。因为社会体系给人行为的束缚作用迫使人的决策发生改变。基本思想是相较于一方利用另一方,交互会奖励合作的双方更多。所以社交网络上的演化博弈的相关研究主要是三个方面:(1)探究不同的博弈模型在特定的社交网络环境中的演化稳定策略;(2)研究促进社交网络中博弈个体合作行为涌现的机制;(3)构建包含小世界网络、无标度网络在内的动态可变的复杂网络模型,研究复杂网络与博弈个体行为的互演化。
从已有的相关工作中可以总结出,现有技术存在的问题是:演化博弈在复杂网络上促进合作行为涌现的研究不具备充足的现实意义;只研究了博弈对个体行为的影响,默认了社交网络中个体本身行为和态度是一致的,没有体现出实际中人们“知行不统一”的特点;博弈过程中,系统对个体合作行为的激励机制和对背叛行为的惩罚机制不够完善。
因此,本申请提出一种基于演化博弈的舆论信息与观点的协同演化模型构建方法。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种基于演化博弈的舆论信息与观点的协同演化模型构建方法。
为了实现上述目的,本发明提供如下技术方案:
基于演化博弈的舆论信息与观点的协同演化模型构建方法,包括以下步骤:
步骤1、选择100*100的规则网格网络作为社交网络模型,社交网络上的每个个体在规则网络中占据一个网格,为每个个体赋予属性值,所述属性值包括初始行为、名誉值、信息量和链接权重;
步骤2、将每一个个体作为中心个体,对中心个体进行循环协同演化,具体演化过程包括;
步骤21、每一轮次演化过程中,比较中心个体与博弈邻居的平均名誉值,当中心个体的名誉值较大时,增加自身的链接权重;
步骤22、每一轮次演化过程中,中心个体与邻居发生博弈交互,并复制所有邻居个体中的信息量最大值作为自身信息量;
步骤23、每一轮次演化过程结束后,个体在考虑适应度和群体态度之前先考虑自身信息拥有量而发生行为上的更替;
步骤24、按照以下公式,根据个体信息量计算出个体选择合作行为的概率:
p=I(i,j)/(1+I(i,j))
其中,I(i,j)表示个体信息拥有量;
步骤25、根据步骤24计算出的概率进行第一步判断合作行为的选择,如果中心个体没有成功选择合作行为,则根据个体态度与行为耦合机制判断是否有机会选择合作行为;
步骤26、记录每一轮次演化结束时名誉值最高的个体的位置、名誉值大小和信息拥有量;
步骤3、利用定时器进行定时操作,在每一轮次演化过程中,当到达规定时间时,停止协同演化过程,向名誉值最高的个体渗入信息,同时增加该个体的名誉值;然后继续进行协同演过操作;
步骤4、循环进行步骤2和步骤3,直到完成所有中心个体的协同演化。
优选地,在所述步骤23中引入了心理学上个体行为与态度的“认知不协调”概念,建立个体态度与行为耦合机制,包含:
每一轮次演化过程中,中心个体与每个邻居都发生博弈交互,通过博弈收益矩阵计算得出博弈收益,按照每个邻居的链接权重累计出中心个体的适应度;
每一轮次中,如果中心个体根据自身信息拥有量判断不选择合作行为时,个体继续考虑群体态度的影响;
每一轮次中心个体根据群体态度判断不选择合作行为时,个体继续考虑适应度的影响。
本发明提供的基于演化博弈的舆论信息与观点的协同演化模型构建方法结构具有以下有益效果:
(1)综合考虑了规则社交网格网络中个体分布的均匀随机性、演化博弈论中博弈个体的有限理性特征、个体行为策略的比例更新规则,并引入了具有现实意义的影响因素-事件信息渗入速率和个体态度,提出了更具有现实意义的行为和观点的协同演化模型,促进了社交网络中个体之间积极合作行为的涌现,更加具有实用性;
(2)本发明使用规则的网络模型有效地避免网络拓扑结构的影响,在现有技术的基础上引入信息渗入速率和个体态度两个元素,分别在囚徒困境博弈模型基础上构建出激励机制和惩罚机制。一方面,信息渗入速率是将信息每次通过群体中名誉值最高的个体位置上渗入到社交群体中,每次信息渗入到群体中,渗入位置的个体的名誉值都会增加一个较大的值,反映了现实社会中管理者为了促进群体一致合作现象而对表现优异者进行奖励的现象,为现有技术中促进合作行为产生的因素赋予了现实意义与价值。另一方面,个体态度受到群体态度的环境影响直接趋向于呈现态度上少数服从多数的趋势,结合现实社会以全民正能量的状态居多,个体态度的引入抑制了个体选择背叛行为的主动性。为现有技术增加了对背叛行为的惩罚机制,同时也体现出了现实社会个体受环境压力表现出的态度与行为上的不一致性。
附图说明
图1为本发明提出的基于演化博弈的舆论信息与观点的协同演化模型构建方法的演化流程图;
图2为添加信息渗入机制前,演化模型促进合作行为产生的结果图;
图3为添加信息渗入机制后,演化模型促进合作行为产生的结果图;
图4为添加个体态度与行为耦合机制前,演化模型抑制背叛行为产生的结果图;
图5为添加个体态度与行为耦合机制后,演化模型抑制背叛行为产生的结果图;
图6为采取合作行为的个体在群体中的占比变化图;
图7为持有合作态度的个体在群体中的占比变化图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种基于演化博弈的舆论信息与观点的协同演化模型构建方法,旨在建立一个以信息为主要影响因素,更加贴近现实演变规律的基于规则网络的信息扩散、行为与观点演化的协同模型并探究该模型下如何促进群体合作行为的产生。
具体为社交网络上基于动态演化博弈的舆论信息与观点的协同演化模型的构建方法,该模型引入了事件信息渗入机制,具体如图1所示,在现有技术的基础上引入信息渗入速率和个体态度两个元素,分别在囚徒困境博弈模型基础上构建出激励机制和惩罚机制。一方面,信息渗入速率是将信息每次通过群体中名誉值最高的个体位置上渗入到社交群体中,每次信息渗入到群体中,渗入位置的个体的名誉值都会增加一个较大的值,反映了现实社会中管理者为了促进群体一致合作现象而对表现优异者进行奖励的现象,为现有技术中促进合作行为产生的因素赋予了现实意义与价值。另一方面,个体态度受到群体态度的环境影响直接趋向于呈现态度上少数服从多数的趋势,结合现实社会以全民正能量的状态居多,个体态度的引入抑制了个体选择背叛行为的主动性。为现有技术增加了对背叛行为的惩罚机制。同时也体现出了现实社会个体受环境压力表现出的态度与行为上的不一致性。
社交网络上所有个体赋予初始态度值,初始的态度值和初始的行为值保持一致,符合现实社会中当舆论事件未发生时,群体中各个个体之间没有利益冲突,不需要背负环境压力,所以更容易出现“知行统一”的情况。每一轮次演化过程中,中心个体与每个邻居都发生博弈交互,通过博弈收益矩阵计算得出博弈收益,按照每个邻居的链接权重累计出中心个体的适应度。
每一轮次演化过程结束后,个体会按照从大到小的重要性考虑信息量、群体态度和适应度对自身行为更新的影响。具体为:首先根据自身信息量计算出选择合作行为的概率,计算方式为p=I(i,j)/(1+I(i,j)),如果选择合作行为的概率很小,不足以支撑个体选择合作行为时,个体继续考虑群体态度的影响,当个体周围邻居群体态度也不足以使个体选择合作行为,则根据适应度决定最终的行为,跟某个随机邻居相比,适应度高时坚持自身已有行为,否则模仿邻居行为。其中群体态度主要作用于态度为合作但行为为背叛的个体,原因在于现实中这类个体更容易受到群体对其“知行不统一”的环境压力。具体为:当中心个体的态度为合作而行为为背叛时,观察中心个体周围邻居表现为合作态度的数量在所有邻居数量中的占比,作为个体选择合作行为的阈值。当个体选择个作行为的概率大于阈值时,个体选择合作行为。当个体选择个作行为的概率小于阈值时,个体选择适应度比较方式。
本发明公开的基于演化博弈的舆论信息与观点的协同演化模型的构建方法,根据图1所示,具体包含以下步骤:
包括以下步骤:
步骤1、选择100*100的规则网格网络作为社交网络模型,社交网络上的每个个体在规则网络中占据一个网格,为每个个体赋予属性值,所述属性值包括初始行为、名誉值、信息量和链接权重;
步骤2、将每一个个体作为中心个体,对中心个体进行循环协同演化,具体演化过程包括;
步骤21、每一轮次演化过程中,比较中心个体与博弈邻居的平均名誉值,当中心个体的名誉值较大时,增加自身的链接权重;
步骤22、每一轮次演化过程中,中心个体与邻居发生博弈交互,并复制所有邻居个体中的信息量最大值作为自身信息量;
当信息渗入未发生时,每一轮次演化过程中,被选中的中心个体依次和邻居进行博弈交互,同时通过和邻居的信息融合来推进群体中信息的扩散。具体为:中心个体与每个邻居都比较信息量的大小,信息量低的个体接受信息量高的个体的信息量,最终结果为中心个体可以拥有所有邻居中最高信息量邻居的信息量;
步骤23、每一轮次演化过程结束后,个体在考虑适应度和群体态度之前先考虑自身信息拥有量而发生行为上的更替;
本实施还在所述步骤23中引入了心理学上个体行为与态度的“认知不协调”概念,建立个体态度与行为耦合机制,包含:
每一轮次演化过程中,中心个体与每个邻居都发生博弈交互,通过博弈收益矩阵计算得出博弈收益,按照每个邻居的链接权重累计出中心个体的适应度;
每一轮次中,如果中心个体根据自身信息拥有量判断不选择合作行为时,个体继续考虑群体态度的影响;
每一轮次中心个体根据群体态度判断不选择合作行为时,个体继续考虑适应度的影响。
步骤24、按照以下公式,根据个体信息量计算出个体选择合作行为的概率:
p=I(i,j)/(1+I(i,j))
其中,I(i,j)表示个体信息拥有量;,这个公式表达两个点:(1)随着个体信息量的增加,个体选择合作行为的概率越来越大;(2)随着个体信息量的增加,个体选择合作行为的概率增加得越来越慢,符合现实中当个体拥有足够量的信息之后,继续增加信息对个体选择合作行为的影响即开始减弱。
上述概率的作用机制具体为:若按照概率中心个体应选择合作行为时就直接采取合作行为,若按照概率中心个体应选择背叛行为,则不直接采取背叛行为,而是将中心个体行为策略的更新交给群体态度和适应度比例更新规则去判定。
步骤25、根据步骤24计算出的概率进行第一步判断合作行为的选择,如果中心个体没有成功选择合作行为,则根据个体态度与行为耦合机制判断是否有机会选择合作行为;
步骤26、记录每一轮次演化结束时名誉值最高的个体的位置、名誉值大小和信息拥有量;
社交网络上所有个体等概率选择合作或者背叛为初始行为,名誉值和链接权重初始均为1,社交网络中选择中心个体参与博弈与定时器同时启动,群体的演化过程中,每一轮次演化内中心个体的邻居是名誉值影响链接权重,链接权重控制邻居对中心个体施加不同程度的博弈影响。而名誉值的变化除受个体行为策略的影响外,还受信息渗入的影响:考虑现实情况下定时器按照固定的周期向名誉值最高的个体渗入一定量的信息,同时考虑现实中拥有第一手信息的个体更容易获得群体中的奖励,而名誉值即个体除博弈收益以外可以获得的奖励,所以当名誉值最高的个体获得新信息时自身的名誉值也会增加。另外,在每一轮次的演化过程中,名誉值是作为对合作行为的奖励而存在的,所以选取名誉值最高的个体作为新信息渗入的点也是为了符合现实中系统更容易奖励本身多次选择合作行为,表现出追随群体大趋势的个体的情况。因此,本发明中在每一轮次演化过程结束时会记录每一轮次演化结束时名誉值最高的个体的位置、名誉值大小和信息拥有量,用来定位接受信息渗入的个体;
步骤3、利用定时器进行定时操作,在每一轮次演化过程中,当到达规定时间时,停止协同演化过程,向名誉值最高的个体渗入信息,同时增加该个体的名誉值;然后继续进行协同演过操作;
步骤4、循环进行步骤2和步骤3,直到完成所有中心个体的协同演化。
如果自身信息拥有量不足以支撑个体选择合作行为时,个体继续考虑群体态度的影响。其中群体态度主要作用于态度为合作但行为为背叛的个体,原因在于现实中这类个体更容易受到群体对其“知行不统一”的环境压力。具体为:当中心个体的态度为合作而行为为背叛时,观察中心个体周围邻居表现为合作态度的数量在所有邻居数量中的占比,作为个体选择合作行为的阈值。当个体选择个作行为的概率大于阈值时,个体选择合作行为。当个体选择个作行为的概率小于阈值时,个体选择适应度比较方式。
同时,每一轮次演化过程中,中心个体的适应度由博弈收益矩阵和链接权重累计得出。适应度获得之后,如果中心个体根据群体态度没有选择合作行为时,个体继续考虑适应度的影响。具体为:当个体周围邻居群体态度也不足以使个体选择合作行为,则根据适应度决定最终的行为,跟某个随机邻居相比,适应度高时坚持自身已有行为,否则模仿邻居行为。
基于演化博弈的模型中,行为的演化经过足够长的时间,最终都会达到一个稳态,达到的稳态可以是全合作、全背叛或者合作和背叛动态平衡的一个相对稳态。图2和图3分别为添加信息渗入机制前后,演化模型促进合作行为产生的结果图。其中e表示链接权重区间宽度的一半,链接权重区间为[1-e,1+e]。当e=0时,链接权重的取值区间为[1,1];当e=0.2时,链接权重的取值区间为[0.8,1.2];当e=0.4时,链接权重的取值区间为[0.6,1.4];当e=0.6时,链接权重的取值区间为[0.4,1.6];当e=0.8时,链接权重的取值区间为[0.2,1.8]。图2和图3中的同序号曲线代表的是添加定时器渗入信息这个方式前后同一种e取值的情况;通过图2和图3的比较更加凸显了定时器渗入信息这个方式对已有方法的改进,表现出渗入信息这个方式的优点。
两幅图中对应的从下到上的五条曲线、即线条1、线条2、线条3、线条4和线条5分别代表了添加信息渗入机制前后,社交网络中个体的链接权重分布在[1,1]、[0.8,1.2]、[0.6,1.4]、[0.4,1.6]、[0.2,1.8]五个不同大小的区间时,社交网络中选择合作行为的个体数量在群体中所占占比的变化趋势。从图2可以看出,经过一定轮次的演化过程,不同分散程度的链接权重下,社交网络中选择合作行为的个体数量在群体中的占比都会逐渐趋近于一个相对稳态,而随着链接权重分布区间的增大,群体能够达到的相对稳态会包含更多采取合作行为的个体。对比图2和图3中相同序号的曲线可以看出,经过同等轮次的演化过程,相同分散程度的链接权重前提下,添加信息渗入机制能够提高社交网络中群体达到相对稳态时采取合作行为的个体在群体中所占的比重,比如图2和图3中线条5、线条4和线条3这三条线。甚至即使在某些可以达到全合作稳态的情况下,添加信息渗入机制也能够加快采取合作行为的个体的比重的增加,使得系统能够更快地达到全合作稳态。比如图2和图3中线条2和线条1这两条线。证明了添加信息渗入机制加深了对合作行为的奖励。
图4和图5分别为添加个体态度与行为耦合机制前后,演化模型抑制背叛行为产生的结果图,表明这个机制对群体中合作行为的个体有促进作用。两幅图中对应的线条6和线条7这两条曲线分别代表了添加个体态度与行为耦合机制前后,社交网络中个体的链接权重分布在[1,1]、[0.8,1.2]两个不同大小的区间时,社交网络中选择合作行为的个体数量在群体中所占占比的变化趋势。对比图4和图5中相同序号的曲线可以看出,经过同等轮次的演化过程,相同分散程度的链接权重前提下,添加个体态度与行为耦合机制能够减少社交网络中采取背叛行为的个体在群体中所占的比重,证明了添加个体态度与行为耦合机制加大了对背叛行为的惩罚。
图6为采取合作行为的个体在群体中的占比变化图,图7为持有合作态度的个体在群体中的占比变化图,凸显了个体在行为采取和态度持有上的不一致性。两幅图中对应的线条8和线条9这两条曲线分别代表了社交网络中个体的链接权重分布在[1,1]、[0.8,1.2]两个不同大小的区间时,社交网络中选择合作行为的个体数量在群体中所占占比的变化趋势和持有合作态度的个体数量在群体中所占占比的变化趋势。对比图6和图7中相同序号的曲线可以看出,相同分散程度的链接权重下,社交网络中采取合作行为的个体在群体中的占比相对于持有合作态度的个体在群体中的占比的变化存在一些延迟,证明在演化过程中个体的行为和态度是不完全一致,体现出了现实生活中个体“知行不统一”的特点。
模拟仿真所得到的结果比以往的演化模型加深了对合作行为的奖励,同时加大了对背叛行为的惩罚,整体更加促进了合作行为的产生。体现出了个体的行为与态度之间的不一致性。
本实施例在已有链接权重可变的演化博弈模型基础上引入信息渗入机制,构建激励机制,研究了信息渗入机制对行为演变和信息扩散的影响。结果为:信息总量一定时,信息渗入速率越慢,合作行为涌现越明显,信息分布越离散;在此基础上再引入行为与观点耦合机制,构建出惩罚机制,研究了群体态度对行为和态度共演化的影响。结果为:行为和态度耦合机制能够对背叛行为产生有效的抑制作用,间接促进了合作行为的产生。两种机制的引入都在已有研究基础上进一步促进了合作行为的涌现,并且体现出了个体行为和态度之间的不一致性。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (1)
1.一种基于演化博弈的舆论信息与观点的协同演化模型构建方法,其特征在于,包括以下步骤:
步骤1、选择100*100的规则网格网络作为社交网络模型,社交网络上的每个个体在规则网络中占据一个网格,为每个个体赋予属性值,所述属性值包括初始行为、名誉值、信息量和链接权重;
步骤2、将每一个个体作为中心个体,对中心个体进行循环协同演化,具体演化过程包括;
步骤21、每一轮次演化过程中,比较中心个体与博弈邻居的平均名誉值,当中心个体的名誉值较大时,增加自身的链接权重;
步骤22、每一轮次演化过程中,中心个体与邻居发生博弈交互,并复制所有邻居个体中的信息量最大值作为自身信息量;
步骤23、每一轮次演化过程结束后,个体在考虑适应度和群体态度之前先考虑自身信息拥有量而发生行为上的更替;
步骤24、按照以下公式,根据个体信息量计算出个体选择合作行为的概率:
p=I(ij)/(1+I(i,j))
其中,I(i,j)表示个体信息拥有量;
步骤25、根据步骤24计算出的概率进行第一步判断合作行为的选择,如果中心个体没有成功选择合作行为,则根据个体态度与行为耦合机制判断是否有机会选择合作行为;
步骤26、记录每一轮次演化结束时名誉值最高的个体的位置、名誉值大小和信息拥有量;
步骤3、利用定时器进行定时操作,在每一轮次演化过程中,当到达规定时间时,停止协同演化过程,向名誉值最高的个体渗入信息,同时增加该个体的名誉值;然后继续进行协同演过操作;
步骤4、循环进行步骤2和步骤3,直到完成所有中心个体的协同演化;
在所述步骤23中引入了心理学上个体行为与态度的“认知不协调”概念,建立个体态度与行为耦合机制,包含:
每一轮次演化过程中,中心个体与每个邻居都发生博弈交互,通过博弈收益矩阵计算得出博弈收益,按照每个邻居的链接权重累计出中心个体的适应度;
每一轮次中,如果中心个体根据自身信息拥有量判断不选择合作行为时,个体继续考虑群体态度的影响;
每一轮次中心个体根据群体态度判断不选择合作行为时,个体继续考虑适应度的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010281819.5A CN111523046B (zh) | 2020-04-11 | 2020-04-11 | 基于演化博弈的舆论信息与观点的协同演化模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010281819.5A CN111523046B (zh) | 2020-04-11 | 2020-04-11 | 基于演化博弈的舆论信息与观点的协同演化模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523046A CN111523046A (zh) | 2020-08-11 |
CN111523046B true CN111523046B (zh) | 2022-10-28 |
Family
ID=71901876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010281819.5A Active CN111523046B (zh) | 2020-04-11 | 2020-04-11 | 基于演化博弈的舆论信息与观点的协同演化模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523046B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801299B (zh) * | 2021-01-26 | 2023-12-01 | 西安电子科技大学 | 奖惩机制演化博弈模型构建方法、系统及应用 |
CN113158557B (zh) * | 2021-03-31 | 2024-06-07 | 清华大学 | 二元度特性网络重构方法、装置、设备及存储介质 |
CN116484113B (zh) * | 2023-04-12 | 2023-09-19 | 烟台大学 | 一种基于动态信任感知的群体观点预测方法及系统 |
CN117290433B (zh) * | 2023-09-27 | 2024-02-23 | 烟台大学 | 信息网络与社交网络协同驱动的观点输出方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845733A (zh) * | 2017-02-21 | 2017-06-13 | 浙江工商大学 | 社会群体性事件同步行为的演化方法 |
CN109271650A (zh) * | 2018-07-06 | 2019-01-25 | 沧州子芩信息科技有限公司 | 基于疏散对象社会力演化博弈模型的建筑物灾害疏散模拟方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201234299A (en) * | 2011-02-15 | 2012-08-16 | Po-Kai Chan | Method and system to generate a chain of transations |
-
2020
- 2020-04-11 CN CN202010281819.5A patent/CN111523046B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845733A (zh) * | 2017-02-21 | 2017-06-13 | 浙江工商大学 | 社会群体性事件同步行为的演化方法 |
CN109271650A (zh) * | 2018-07-06 | 2019-01-25 | 沧州子芩信息科技有限公司 | 基于疏散对象社会力演化博弈模型的建筑物灾害疏散模拟方法 |
Non-Patent Citations (2)
Title |
---|
共演博弈下网络合作动力学研究进展;荣智海等;《电子科技大学学报》;20130130;第42卷(第01期);10-22 * |
囚徒困境中基于非均匀连接的促合作控制设计;董瑞等;《系统工程理论与实践》;20171025;第37卷(第10期);2582-2591 * |
Also Published As
Publication number | Publication date |
---|---|
CN111523046A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523046B (zh) | 基于演化博弈的舆论信息与观点的协同演化模型构建方法 | |
Chen et al. | Evolution of cooperation in the spatial public goods game with adaptive reputation assortment | |
Tang et al. | Effects of average degree on cooperation in networked evolutionary game | |
Li et al. | An evolutionary game for the diffusion of rumor in complex networks | |
Zhang et al. | Impact of individual difference and investment heterogeneity on the collective cooperation in the spatial public goods game | |
CA2754086C (en) | Method and system for transmitting information based on social network | |
Suznjevic et al. | MMORPG player behavior model based on player action categories | |
Han et al. | The evolutionary public goods game model with punishment mechanism in an activity-driven network | |
Gisches et al. | Degrading network capacity may improve performance: private versus public monitoring in the Braess Paradox | |
Albrecht et al. | Comparative evaluation of MAL algorithms in a diverse set of ad hoc team problems | |
Quan et al. | Reputation-based probabilistic punishment on the evolution of cooperation in the spatial public goods game | |
Fu et al. | Promotion of cooperation with loyalty-based reward in the spatial prisoner’s dilemma game | |
Menezes et al. | How multiple weak species jeopardise biodiversity in spatial rock–paper–scissors models | |
Song et al. | Evolutionary prisoner’s dilemma game on signed networks based on structural balance theory | |
Chen et al. | Evolutionary prisoners dilemma game with voluntary participation on regular lattices and scale-free networks | |
CN117057943A (zh) | 一种节点特征感知的时序社交网络影响力最大化方法及系统 | |
Zhao et al. | Evolutionary dynamics of the cooperation clusters on interdependent networks | |
Mason et al. | Collective problem solving in networks | |
Deng et al. | The choice-decision based on memory and payoff favors cooperation in stag hunt game on interdependent networks | |
Prasetya et al. | Performance analysis of game world partitioning methods for multiplayer mobile gaming | |
Cassidy et al. | Modeling smart grid adoption via a social network model | |
Leydesdorff | The complex dynamics of technological innovation: a comparison of models using cellular automata | |
Nugraha et al. | Cluster formation in multiagent consensus via dynamic resilient graph games | |
Shang et al. | A modified evolutionary minority game with local imitation | |
Seradji et al. | A bayesian game of whitewashing in reputation systems |
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 |