Nash and stackelberg

在电力市场环境下,充电站优化投标策略能降低电力成本，甚至通过售电获取收益。本程序考虑了电动汽车成为柔性储荷资源的潜力，提出了日前电力市场和实时电力市场下充电站的投标策略。基于闵可夫斯基加法提出了充电站内电动汽车集群模型的压缩方法，并建立了日前可调度潜力预测模型和实时可调度潜力评估模型。同时，考虑充电站间的非合作博弈，建立了电力零售市场下充电站的策略投标模型，并基于驻点法将其转化为一个广义Nash 均衡问题。然后，提出了基于日前报价和实时报量的两阶段市场交易模式，并与合作投标模式、价格接受模式和集中调度模式进行对比。最后，基于一个 38 节点配电系统进行了仿真。仿真结果表明所提出的可调度潜力计算方法能够将电动汽车集群封装为广义储能设备，从而降低了模型的维度。基于可调度潜力的策略投标模型能够挖掘电动汽车的储荷潜力，实现电动汽车与电网的有序互动

Nashpy：一个用于计算2个玩家战略游戏均衡性的python库。 该库在2个玩家游戏中实现了纳什均衡的以下算法： 支持列举 最佳响应多面体顶点枚举 Lemke Howson算法 Nashpy具有一组简单的Python依赖关系：它仅需要numpy和scipy因此可以直接在所有操作系统上安装。 安装 通过设计，Nashpy易于安装：最简单的安装方法是从pypi： $ python -m pip install nashpy 用法 通过传递两个二维数组/列表来创建双向矩阵游戏： >> > import nashpy as nash >> > A = [[ 1 , 2 ], [ 3 , 0 ]] >> > B = [[ 0 , 2 ], [ 3 , 1 ]] >> > game = nash . Game ( A , B ) >> > for eq in game . support_enumeration (): ... print ( eq ) ( array ([ 1. , 0. ]), array ([ 0. , 1. ])) ( array ([ 0. , 1. ]

MCTS-为AKG博弈找到近似的Nash均衡解

本文通过两个详细的例子解释了零和博弈中的纳什均衡可以通过应用线性规划和极大值计算来获得。 为了同样的目的，它也讨论了库恩-塔克理论的应用。 特别是，在对原始问题和对偶问题的经济学解释上，它还为策略的使用建立了均衡条件“边际成本大于或等于边际收益”，从而获得了均衡条件的类似条件。在常规经济问题中使用活动。

matlab代码做游戏量子游戏中的纳什均衡 这是一种类似于梯度下降法的蛮力方法，目的是在随机量子博弈中找到纳什均衡点。 先决条件 这是一个MATLAB程序。 该程序需要QETLAB（量子纠缠理论实验室），它是用于探索量子纠缠理论的MATLAB工具箱。 要安装QETLAB，请访问此。 运行代码 首先运行文件PartialTraceModified.m ：这是PartialTrace包含的内置PartialTrace函数的修改版本。 通过修改，我们可以计算符号矩阵的部分迹线。 接下来运行文件generate_random_game.m ：该文件用于生成随机量子游戏。 该文件将有两个输入： 玩家A可用的策略数量 玩家B可用的策略数量 运行文件find_equilibrium.m ：该文件将运行蛮力算法来找到在上一步中生成的随机量子博弈的平衡。 该文件中的重要参数是： 设置linear_update_method = true使用线性更新方法，设置linear_update_method = false使用矩阵指数更新方法 将total_iterations设置为所需值。 当前值为total_

主要介绍了博弈论及nash均衡在控制理论中的一些基础应用，这本书是两者的结合，主要用来考虑系统的优化问题，需要的可以阅读！

法兰西数学精品译丛-拟微分算子和Nash-Moser定理(中文版)-[法]S·阿里纳克＆P·热拉尔-姚一隽(译)-高等教育出版社-2009.pdf

针对N人非合作博弈Nash均衡求解问题，将免疫算法中抗体浓度抑制机制和免疫记忆功能引入基本粒子群算法，提出了一种求解博弈问题Nash均衡的免疫粒子群算法。该算法通过抗体浓度抑制机制和免疫记忆功能来保持种群的多样性，不仅保持了粒子群算法简单、易于实现的特点，而且增强了粒子群算法的全局寻优能力，加快了算法的速度。实验表明，提出的算法具有较好的性能,优于免疫算法和基本粒子群算法。

[纳什 博弈论.经典.论文].Nash 英文版 pdf 。rar