关税政策的历史演进及其博弈分析

本文以博弈理论为平台 ,对关税史中的纷争进行分析 ,着重阐释了两个问题 :第一 ,是什么促使各国在国际贸易中主动寻求强约束 ;第二 ,有约束力协定产生的条件是什么。     

新制度经济学的边界与发展方向

作为"现实世界的经济学",新制度经济学显然取得了很大的成功。但是,作为一个开放的理论体系,其"边界"很模糊,基本的理论工具还处于形成期,对于制度变迁的一些关键性问题如非正式制度的演进等还理解得不透彻。新制度经济学要具有更强的解释力,就必须更贴近真实的世界,在方法论上进行改进,充分吸收行为科学等其他学科的最新成果,更多的是从案例分析中去寻找结论,在边际上求发展。     

司法运行过程的博弈解读

国家司法权利运行一般情况下产生的是正面的效果,但是,鉴于司法过程的复杂性、人的认识能力的缺陷等因素,司法权利运行出错又不可避免。司法权力具有强制性,就像一部运行的卡车。而卡车本身并不可以单独运行,它需要人来具体操作,我们具体操作这部司法机器的人就好像是司机。而司法行政的"对象"在"卡车"的强大力量下是非常弱小无力的,就像是路人。本文正是借用这样的一种比喻,在法律问题的解决中引入了博弈学分析的方法,来帮助理解和解读国家、司法人员和民众三者的关系,从而为减少司法出错的社会成本提出建议。     

甘地和国大党的博弈

在印度民族独立过程中,甘地和国大党为印度从英国的殖民统治中解放出来做出了巨大的贡献,甘地主义与国大党的统治在印度影响非常深远.但是甘地与国大党之间的矛盾也非常明显,甘地希望通过国大党平台在印度能实现他个人的信念,而国大党则希望利用甘地的威望团结印度各种力量达到印度自治,实现党派的利益.这两种力量在博弈中为实现各自的目的既相互妥协又相互斗争.在这场博弈中甘地和国大党的力量、声望、策略等不断变化,从而导致博弈结果的出现.     

一种多重优先经验回放的麻将游戏数据利用方法

针对大众麻将AI训练时经验回放机制中样本均匀采样导致训练缓慢的问题,提出了一种多重优先经验回放算法,即从时序差分误差、局面复杂程度、动作即时奖励3个维度对经验样本进行优先级标记,每次采样时优先级高的样本高概率被抽取来更新神经网络。为了验证算法的有效性,构建了大众麻将自博弈平台进行相应的实验验证。实验结果表明：相比随机经验回放方法,新方法将麻将AI的训练速度提升了22.5%。     

竞技二打一中玩家叫牌风格划分方法

由于玩家在对局中会有不同的博弈风格,针对竞技二打一中玩家叫牌风格划分的问题,提出了通过计算玩家叫牌和基准叫牌之间差异的统计学方法,设计了融合叫牌情况和玩家手牌及强力牌特征的基准叫牌模型来给出基准叫牌。实验结果表明：该方法中的基准叫牌模型能够在测试集上准确率达到94%以上,在玩家的叫牌风格实验中达到了预期的划分效果,在一定程度上验证了玩家博弈风格划分的可行性。     

Q学习实现亚马逊棋评估函数自调参

在亚马逊棋评估函数模型中进行参数调试,主要由人工依靠经验反复实验来实现,效率较低且无法保证精度。针对人工调参效率低下、精确度不足的问题,可借助机器学习的方法来弥补。采用强化学习中Q学习的思路,构造一种具有自学习能力的网络结构,利用计算机自身反复模拟对局与迭代,实现评估函数调参工作的自动化。实验结果表明：当训练达10 000次时,模型各结点Q值会趋于收敛,说明此时程序可以做出稳定合理的调参操作;在博弈实战中,模型调参后的程序也表现出了较强的棋力。     

群体性突发事件中政府机会主义行为的演化博弈分析

群体性突发事件成为影响当前我国社会稳定和实现现代化平稳过渡的重要因素,但是研究主要是基于实践经验的概述和总结分析上,缺少合适的理论分析工具揭示群体性突发事件的演化规律和发展特征。本文尝试运用演化博弈理论建立了地方政府部门与社会弱势群体之间的演化博弈模型,分析了地方政府部门机会主义行为导致的群体性突发事件呈现扩大化的趋势。研究结果表明:(1)如果社会弱势群体的情绪和行动尚未激化,至多停留在集体上访或集会等体制内平和的诉求手段,机会主义的地方政府将采取高压强硬策略;此时博弈均衡结果是(妥协或平和诉求,强硬);(2)一旦弱势群体中出现少数分子采取了"打砸抢"等暴力抗争的行动,由于机会主义政府转而做出较大让步,从而诱导其他弱势成员相继采取暴力抗争行动,事态反而进一步呈现扩大趋势。因此,群体性突发事件处置过程中,地方政府的机会主义行为不仅延误事件处置的最佳时机,而且直接导致了事态的扩大化。最后结合数值分析和瓮安事件案例,剖析了地方政府部门采取的机会主义应急处置措施,以及本文理论模型的适用范围。     

从博弈角度看证券市场监管

本文从“激励的悖论”引出证券市场的博弈模型,通过对模型的分析,得出我国证券市场监管应采取的措施。