需求不确定下的众感博弈：一种深度强化学习方法
计算机与社会
2019-01-04 v1
摘要
当前，配备 GPS、加速度计、陀螺仪与摄像头等强大内置传感器的智能手机爆炸式增长，使得众感应用的设计成为可能，并在人类与生活环境之间创造了新的接口。迄今已设计出多种移动众感应用，众包方可以雇佣移动用户（MUs）来完成所需的感知任务。本文利用新兴的基于学习的技术，解决带有需求不确定性与 MUs 隐私信息保护的众感博弈问题。首先，设计了一种考虑 MUs 资源约束与需求不确定性的移动众感新型经济模型。其次，给出了基于 Stackelberg 博弈的激励机制，其中感知平台（SP）为领导者，MUs 为跟随者。然后，证明了 Stackelberg 均衡（SE）的存在性与唯一性，并给出了 SE 的计算步骤。进一步，研究了一种基于深度强化学习（DRL）方法的动态激励机制（DIM），无需知晓 MUs 的私有信息，使 SP 能直接从博弈经验中学习最优定价策略，而无需任何关于 MUs 信息的先验知识。最后，通过数值仿真评估了所提机制与方法的性能及理论性质。
引用
@article{arxiv.1901.00733,
title = {Crowdsensing Game with Demand Uncertainties: A Deep Reinforcement Learning Approach},
author = {Yufeng Zhan and Yuanqing Xia and Jiang Zhang and Ting Li and Yu Wang},
journal= {arXiv preprint arXiv:1901.00733},
year = {2019}
}
备注
Submitted to Information Science