基于机器学习的动态仪价模型研究

论文摘要

如何利用Agent技术和机器学习理论构建动态议价模型,模拟现实经济生活中最为普遍的经济现象,在更为深入的层面上揭示人类议价行为的一般规律一直是经济和计算机研究者在跨学科范围内研究的热点问题。 本文针对已有议价模型缺乏学习机制的不足之处,提出了改进的基于机器学习的动态议价模型(MLDBS)。首先,按照Oliver原理建立一个基于遗传算法的动态议价模型(GADBS),并用实数编码方法代替二进制编码方法,从而避免发生变量越界,出现“异常”策略的问题。然后,分析了GADBS议价模型中存在的不足之处,并对其进行改进。在改进的议价模型中,本文对Agent如何提取对手偏好特征以及对特征如何描述进行了详细地论述,并且采用BP神经网络作为分类器,对提取出的特征进行分类、识别。最后,对两个议价模型的实验数据进行了比较分析。 实验结果表明,本文提出的基于机器学习的动态议价模型解决了已有议价模型中存在的Agent学习滞后,不能够根据对方的偏好信息对对方进行识别,自适应地调整议价策略的问题。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题背景
• 1.2 研究意义
• 1.3 国内外相关领域的研究现状
• 1.3.1 现有的几种主流议价模型
• 1.3.2 目前研究中采用的方法
• 1.3.3 目前研究中存在的问题
• 1.4 研究内容
• 1.5 主要工作
• 1.6 内容安排
• 第二章 相关理论和算法
• 2.1 Agent与多Agent系统
• 2.1.1 Agent的定义
• 2.1.2 多Agent系统
• 2.1.3 Agent在议价系统中的应用
• 2.2 议价
• 2.2.1 议价的基本概念
• 2.2.2 议价的基本原理
• 2.2.3 动态议价模型
• 2.3 机器学习
• 2.3.1 学习的必要性
• 2.3.2 遗传算法
• 2.3.3 BP神经网络
• 2.4 本章小结
• 第三章 基于遗传算法的动态议价模型（GADBS）
• 3.1 动态议价模型的界定
• 3.1.1 相关定义
• 3.1.2 议价问题的界定
• 3.1.3 议价的形式
• 3.1.4 策略构造
• 3.2 基于遗传算法的动态议价模型（GADBS）设计
• 3.2.1 模型原理
• 3.2.2 编码方法
• 3.2.3 适应度函数
• 3.2.4 遗传算子
• 3.3 GADBS实验结果及其分析
• 3.4 本章小结
• 第四章 基于机器学习的动态议价模型（MLDBS）
• 4.1 模型分析
• 4.2 模型原理
• 4.2.1 模型的逻辑结构
• 4.2.2 特征提取
• 4.2.3 BP神经网络结构设计
• 1策略调整'>4.3 Agent₁策略调整
• 4.4 MLDBS实验结果及其分析
• 4.5 本章小结
• 结论
• 参考文献
• 致谢