基于演化博弈論的網絡信息傳播群體行為分析

郭艷燕，童向榮，張楠，王瑩潔

(煙臺大學 計算機與控制工程學院，山東 煙臺 264005)

?

基于演化博弈論的網絡信息傳播群體行為分析

郭艷燕，童向榮，張楠，王瑩潔

(煙臺大學 計算機與控制工程學院，山東 煙臺 264005)

以網絡信息傳播為背景，針對網絡信息傳播群體，對群體的靜態結構和動態行為進行抽象和分析。以前期使用經典博弈論來分析傳播個體行為的研究為基礎，建立符合網絡信息傳播特性的演化博弈模型來刻畫網絡信息傳播群體的交互行為，采用有限理性Agent來模擬真實網絡信息傳播環境下的信息傳播者，使用演化穩定策略和復制者動態對網絡信息傳播單群體的行為進行靜態和動態均衡的分析，并通過計算驗證了網絡信息傳播群體的穩定結構與群體行為的動態均衡具有很強的關聯性。

演化博弈論；演化穩定策略；復制者動態；有限理性；Agent；單群體；動態均衡

中文引用格式：郭艷燕，童向榮，張楠，等. 基于演化博弈論的網絡信息傳播群體行為分析[J]. 智能系統學報， 2016, 11(4): 487-495.

英文引用格式：GUO Yanyan， TONG Xiangrong， ZHANG Nan， et al. Analysis of network information propagation population behavior based on evolutionary game theory[J]. CAAI Transactions on Intelligent Systems, 2016, 11(4): 487-495.

網絡信息傳播是人類借助網絡傳遞或交流信息的社會性行為，目的是使信息得以廣泛散發、吸收和利用。網絡信息傳播作為一種信息傳播活動有其發展、變化的動態規律，并且與網絡信息傳播群體的行為緊密相關。網絡信息傳播群體是通過網絡信息將網絡中具有交互關系的個體聯系在一起形成一種新型的網絡虛擬群體，具有相同行為的個體構建出同一類型的單群體。根據信息傳播行為的不同，可將網絡信息傳播群體分為信息發送單群體和信息接收單群體。

網絡信息傳播具有以下兩個重要特性：

1)網絡信息傳播具有流動性。網絡信息的傳播者將所擁有的信息發送給信息接收者，本輪信息傳播過程完成后，信息傳播并沒有終止，而是信息的接收者瞬間又成為信息的擁有者，開始下一輪信息傳播過程，網絡信息傳播在這種循環往復的過程中進行；

2)網絡信息傳播具有主體性。信息傳播個體具有主動的行為，傳播個體的行為選擇機制影響著信息傳播過程。在網絡信息傳播過程中，傳播主體追求傳播效用，即網絡中擁有信息的個體為了實現某種自身的利益訴求，采取能夠獲取更多收益的信息發送策略，例如發送真實信息或對信息進行加工處理形成失真信息進行發送。對于信息的接收者又會對接收到的信息進行策略選擇，例如對接收到的信息進行直接轉發或者加工后轉發。網絡信息傳播過程中的策略選擇，使傳播主體之間形成了互動關系，產生了信息傳播者之間的行為博弈，并促成了信息傳播群體的行為演化。

在網絡信息傳播的研究中，為了能夠更真實地反映行為主體的多樣性和復雜性，并且可以為宏觀調控群體行為提供理論依據，需要對網絡信息傳播群體的動態行為進行抽象和分析。演化博弈論[1]以具有有限理性的參與人群體為研究對象，把博弈理論分析和動態演化過程分析結合起來。在方法論上，它不同于經典博弈論將重點放在靜態的均衡，而強調的是一種動態的均衡，關注群體行為的動態演化過程。

本文構造了符合網絡信息傳播特性的演化博弈模型，克服了使用其他模型存在的非主體性問題。由于網絡信息傳播具有流動性的特點，在研究過程中將信息接收單群體同樣作為信息發送單群體來看待，僅形成同一類的信息傳播者單群體。網絡信息傳播群體中的個體發送真實信息和發送失真信息獲得不同收益的行為關系在本文中使用構建的演化博弈模型來描述和分析，個體在尋求自身利益的交互過程中相互制約，最終形成群體行為的平衡點。

在研究演化穩定策略ESS(evolutionary stable strategies)的同時，也需要對群體行為的動態演化過程進行刻畫，從動力學角度分析穩定均衡。在網絡信息傳播群體中，信息的傳播和信息傳播群體行為的選擇都遵從某種規律的動力學。本文采用屬于收益正性動態的復制者動態[2]模型來刻畫網絡群體行為的動力學機制，即所有超出平均收益的純策略都具有正的增長率，而所有低于平均收益的純策略都具有負的增長率。

本文的主要貢獻在于將演化博弈論應用到分析網絡信息傳播單群體行為的研究中。通過對網絡信息傳播單群體中隨機個體的交互博弈分析，描述信息傳播群體行為的動態演化過程以及動態均衡下的策略選擇，并為下一步的信息傳播多群體間的行為研究打下理論基礎。為了建立形式化的演化博弈模型并為下一步的模擬實驗打下基礎，本文將網絡環境中的真實信息傳播個體用多Agent系統[3]中的Agent進行模擬，來幫助分析網絡信息傳播群體的行為決策。通過對用戶的行為規律進行深入挖掘分析，從而為進一步網絡信息預測和控制[4]的研究和應用打下基礎。

1　研究機制及方法

1.1演化博弈論

演化博弈理論是一種適合解決網絡中動態博弈問題的方法。在網絡信息傳播的應用背景下，使用演化博弈[5]相對經典博弈來對信息傳播行為進行研究，具有以下優勢：

1)經典博弈要求參與者具有絕對理性，包括目標理性和過程理性。參與者以追求收益最大化為目的，并可以準確無誤地選擇最優反應策略。完全理性在現實中很難滿足，尤其是當應用環境和決策問題較復雜時，參與者存在很大的理性局限，從而對參與者的決策和行為選擇方式會產生很大影響。因此，在網絡信息傳播的應用背景下，采用有限理性的演化博弈進行分析更加適用。

2)經典博弈是一種靜態博弈，能夠使個體在瞬間獲取最優結果從而達到靜態均衡。在網絡信息傳播的大平臺下，由于信息具有流動性，信息在網絡中的廣泛傳播需要一定的時間階段，且不可忽略，同時個體的信息傳播行為隨時間和交互次數進行動態調整從而達到動態均衡。因此，在網絡信息傳播的應用背景下，采用能夠體現動態特性的演化博弈進行分析更加適用。

3)經典博弈主要關注參與者的個體行為。在網絡大環境中，個體行為并不能對整個網絡產生足夠的影響，能對網絡信息傳播產生嚴重影響的是群體行為，并且群體行為的變化是一個長期動態調整的過程。因此，在網絡信息傳播的應用背景下，采用研究群體行為的演化博弈進行分析更加適用。

4)在網絡信息傳播的應用背景下，信息傳播個體之間隨機地發生交互，個體間進行的是多次博弈，且兩次遇到相同個體的概率很小，因此采用演化博弈對傳播行為進行研究可以避免經典博弈理論中個體記憶的概念，具有更簡潔的理論框架，因此更適合應用到網絡信息傳播群體行為的研究中。

1.2復制者動態學習模型

演化博弈論的有限理性體現在參與者的學習能力上，參與者的行為選擇可以依據前人的經驗、學習與模仿他人行為，在博弈過程中通過動態學習尋找較好的策略。選擇動態模擬演化博弈中參與者的學習和決策過程，來刻畫有限理性下的決策機制和群體行為的動態演化。演化博弈基本的選擇動態如式(1)所示。

(1)

式中：θi(t)表示在t時刻選擇策略i的個體在群體中所占的比例；函數gi(t)表示具體的選擇過程，不同的學習選擇機制對應不同的函數。

(2)

由于在網絡信息傳播過程中，網絡上的每個點都可以成為信息傳播的參與者且數量巨大，因此本文對網絡信息傳播群體進行演化博弈分析時采用復制者動態學習模型是適用的。

1.3有限理性Agent

為了利于形式化建模和分析，以及為下一步的模擬實驗奠定基礎，可以用具有有限理性[9]和學習能力的Agent來模擬演化博弈模型中的參與者。在演化博弈研究中，參與者只需要具有有限理性和學習能力，智能體Agent正好符合這一特性。Agent的理性在于多Agent交互時，能夠在多個可能策略選擇間做出合理的選擇。在多Agent系統中，Agent不是孤立存在的，但Agent的資源和能力卻是有限的，Agent的行為必須滿足某種理性[10]，但很難滿足邏輯理性和效用理性[11]。同時，Agent具有學習能力，因此Agent是有限理性而不是完全理性的。

本文在網絡信息傳播背景下，使用Agent來模擬有限理性的真實信息傳播者是合理的。

2　建立模型

2.1前提條件

本文基于Agent的網絡信息傳播群體行為的演化博弈分析的前提如下。

1)進行的是網絡信息傳播單群體的行為演化分析，這種分析思路符合網絡信息流動性的特點。

2)是從全局進行考察，網絡上的每個人都可以作為信息的傳播者。在進行信息傳播時，信息傳播者的策略分為對所擁有信息進行真實發送，或者對信息進行加工處理成失真信息后發送。

3)在演化博弈分析時，不考慮決策環境中的不確定性對策略選擇的影響，因此群體行為的動態演化過程是一種無突變的選擇學習[12]。

4)用Agent群體模擬信息發送群體，群體中的每一個信息傳播個體用一個Agent個體表示。

5)以網絡信息傳播為研究背景，網絡中信息傳播者群體龐大，因此用來進行行為模擬的Agent群體中的個體都屬于同一類單群體，且數量足夠大并混合均勻，即群體中任意兩個個體等可能地進行隨機博弈。

2.2演化博弈模型的形式化定義

網絡信息傳播中，Agent個體的適應性是指它和群體中一個隨機相遇的Agent互動得到的預期收益。群體中任意兩個Agent相遇進行博弈的收益矩陣，如圖1所示，s1表示發送真實信息，s2表示發送失真信息。由于進行的是單群體博弈分析，因此建立的收益矩陣是對稱的。

圖1　群體中兩個Agent交互時的收益矩陣(B>A>C)Fig.1　Pay-off matrix of two interactive Agents (B>A>C)

網絡背景下，之所以存在發送失真信息的策略，是因為網絡信息傳播者具有主體性且信息本身具有不確定性，因此存在發送失真信息會帶來更多收益的可能性。在圖1矩陣中，B>A對應現實中的情景是通過發送某些虛假信息或通過造謠來達到信息真假難辨的目的從而獲利，博弈雙方策略不同時，發送失真信息獲得的收益大于發送真實信息獲得的收益。C

1)N={Agent1,Agent2,...,Agentn}為Agent同類群體，Agent群體中的任何一個Agenti都可以發送信息。

2) 因為N是同一群體，因此N中的每一個Agenti都有相同的策略備選項集S={s1,s2}，其中s1和s2都表示純策略。該模型中，s1表示發送真實信息，s2表示發送失真信息。

3)U={U1,U2，…,Un}，Ui是Agenti的收益函數，Ui(sj1,sj2)表示在純策略組合(sj1,sj2)之下Agenti的收益值，sj1∈S，sj2∈S。表1為Agent1、Agent2交互雙方策略組合的收益函數列表。

表1　群體中兩個交互Agent雙方的收益函數(2A>B>A)

4) P是混合策略集，是將策略備選項集的空間從有限純策略集S擴展到S的概率分布空間。

式中：Pi是Agenti的混合策略概率, 即Agenti采用以Pi發送真實信息，以1-pi發送失真信息的混合策略，且0

5)E(si)是Agenti采取策略si的期望收益函數，si∈S，i=1,2。

6)S*為建立的演化博弈模型的演化穩定策略(ESS)的集合。若存在s*∈P，對于所有的s∈P且s≠s*，滿足E(s*)>E(s)，則s*為演化博弈模型的ESS，即s*∈S*，s*可以是演化穩定純策略，也可以是演化穩定混合策略。

3　群體行為的演化博弈分析

3.1群體中個體行為的經典博弈分析

因為網絡信息傳播個體行為對網絡信息傳播群體行為的涌現趨勢和演化結果有重要的影響，即網絡群體行為的形成是離不開群體內的個體行為。因此，對于個體信息傳播行為進行建模、分析和預測也是網絡信息群體行為研究中的重要內容。

結合圖1中的收益矩陣進行完全信息靜態博弈分析，博弈雙方的策略組合(s1,s2)和(s2,s1)為純策略納什均衡，并且是非嚴格對稱納什均衡。

將隨機因素引入到參與者Agent的行為選擇中，Agent以p(0

(3)

圖2　個體Agent的收益曲線圖Fig.2　Pay-off diagram of individual Agent

對于Agent群體中的個體來說，在靜態博弈下通過式(4)的求解過程，獲知Agent以概率p=(2A-B)/B發送真實信息，以概率1-(2A-B)/B發送失真信息是混合策略納什均衡，并且是對稱混合納什均衡。

E(s1)=E(s2)?p=(2A-B)/B

(4)

3.2演化穩定策略的分析

定義2演化穩定策略[9]。策略T以x占比入侵策略S，表示總體中有x占比的群體采用策略T，1-x占比的群體采用策略S，其中x是一個小于1的正數。假設存在一個正數y，當任何其他策略T以任何x

演化穩定策略是演化博弈的靜態均衡，根據建立的網絡信息傳播群體的演化博弈模型，結合定義2進行模型演化穩定策略的分析，具體過程如下。

1)分析發送真實信息的策略是否是ESS，即判斷以x占比發送失真信息的群體入侵以1-x占比發送真實信息的群體時，期望收益E(s1)是否大于期望收益E(s2)、E(s1)和E(s2)如式5所示。

(5)

如果E(s1)>E(s2)，則需要滿足條件x>2(B-A)/B，如果不滿足該條件，即x<2(B-A)/B，則E(s1)

2)分析發送失真信息的策略是否是ESS，即判斷以x占比發送真實信息的群體來入侵以1-x占比發送失真信息的群體時，期望收益E(s2)是否大于期望收益E(s1)，E(s2)和E(s1)如式6所示。

(6)

如果E(s2)>E(s1)，則需要滿足條件x>(2A-B)/B，如果不滿足該條件，即x<(2A-B)/B，則E(s2)

3)分析混合策略是否是ESS

1-x占比的群體以p概率發送真實信息，以1-p概率發送失真信息。x占比的群體以q概率(q≠p)發送真實信息，以1-q概率發送失真信息來入侵。如果采取混合策略p的期望收益大于采取混合策略q的期望收益，即E(p)>E(q)時，則p是演化穩定混合策略。

用F(p,q)表示采取策略p的個體Agent與采取策略q的個體Agent交互時，采取p策略的個體Agent的期望收益。采取p和q策略的期望收益計算過程如式7所示。

(7)

性質1對所有的q≠p來說，如果E(p)>E(q)，則p策略是演化穩定策略，需要滿足以下兩個條件之一[9]：

1)F(p,p)>F(q,p)，則采取p策略是強演化穩定策略;

2)F(p,p)=F(q,p)且F(p,q)>F(q,q)，則采取p策略是弱演化穩定策略。

從3.1節可知，靜態博弈模型存在對稱混合納什均衡，因此結合性質1來驗證以概率p=(2A-B)/B發送真實信息以概率1-p發送失真信息的混合策略是否是弱演化穩定策略，驗證過程如下：

驗證1建立的演化博弈模型不存在強演化穩定策略。

從3.1小節可獲知，以概率p=(2A-B)/B發送真實信息，以概率1-p發送失真信息是混合策略納什均衡，并且是對稱混合納什均衡。因為在p<(2A-B)/B或p>(2A-B)/B時，會得到F(p,p)和F(q,p)相反的比較結果。此結果也驗證了如果演化穩定策略不是純策略，那混合策略只可能是弱演化穩定策略。

驗證2混合納什均衡策略是否是演化博弈模型的弱演化穩定策略。

當p=(2A-B)/B時，q無論為何值時，都存在式8和式9結果。

(8)

(9)

因此p=(2A-B)/B是弱演化穩定策略。

對于給出的演化博弈模型來說，不存在演化穩定純策略，但存在演化穩定混合策略，即群體中的個體對于已經擁有的信息，采用p=(2A-B)/B概率發送真實信息以1-p概率發送失真信息的混合策略，會在整個網絡信息傳播的大環境中生存并穩定下去。通過演化穩定策略可以來預測在網絡信息傳播中，最終群體傳播者的行為策略。

3.3復制者動態分析

演化穩定策略屬于靜態的均衡概念，但無法刻畫群體行為的動態演化過程，動態的穩定均衡與具體的演化過程有關，以下通過復制者動態來描述群體行為的選擇過程，從而分析均衡的動態穩定性。

在網絡信息傳播群體中，群體中采取發送真實信息策略的比例為x，發送失真信息策略的比例為1-x。發送真實信息群體的收益為U1，發送失真信息群體的收益為U2，U表示發送信息群體的平均收益，如式(10)所示。不同行為群體的收益隨比例x的變化曲線如圖3所示。群體選擇的復制動態方程如式(11)所示。

(10)

圖3　Agent群體收益曲線圖Fig.3　Pay-off diagram of Agent population

(11)

當F(x)=0時，復制動態穩定狀態為：x*=0，x*=1，x*=(2A-B)/B。復制動態相位圖如圖4所示，描述隨著時間的推移網絡信息傳播群體行為的演化過程。根據微分方程的穩定性定理，一個穩定狀態必須對微小擾動具有穩健性才能稱為進化穩定策略。對于穩定狀態x*，當F′(x*)<0時，x*才為演化穩定策略ESS。對于3個動態穩定點，只有x*=(2A-B)/B對應F′(x*)<0，因此x*=(2A-B)/B是演化博弈模型的演化穩定策略。

圖4　Agent群體復制者動態相位圖Fig.4　Replicator dynamics phase diagram of Agent population

定義3靜止點。如果群體結構一旦處于點s*，且群體結構一直穩定在這個點，那么群體結構s*就是一個靜止點[9]。

x*=0，x*=1，x*=(2A-B)/B都是網絡信息傳播群體的靜止點。但復制者動態要想達到靜止點，必須要求該靜止點具有局部穩定性，具有局部穩定的靜止點稱為吸引子。

定義4吸引子[9]。如果當群體結構一開始接近點s*，且最終群體結構會走向s*，那么這個靜止點s*就是一個吸引子，即群體結構收斂到吸引子。

從網絡信息傳播群體復制者動態相位圖上可以看出，全部采取傳播失真信息的Agent群體結構(x*=0)，和全部采取傳播真實信息的Agent群體結構(x*=1)是兩個靜止點但不是吸引子。采取發送真實信息Agent的比例x*=(2A-B)/B是一個吸引子。除了x*=0和x*=1兩個靜止點，其他區域都是吸引子x*=(2A-B)/B的吸引域。在吸引域內，采取發送真實信息策略的群體比例x最終會穩定在動態均衡點x*=(2A-B)/B上，使整個群體結構處于穩定狀態。

3.4演化穩定策略與復制者動態之間的關系

復制者動態產生的動態均衡與演化穩定策略有很強的關聯性。通過演化穩定策略可以刻畫穩定群體的行為，描述演化博弈的靜態均衡。演化穩定策略可以是純策略也可以混合策略，強調群體中個體行為的選擇。通過復制者動態可以刻畫群體行為的選擇過程，可以分析演化博弈的動態均衡(吸引子)，即處于穩定狀態下的群體結構。復制者動態強調群體行為的選擇，選擇僅限于純策略。針對同一個演化博弈模型分析得到的演化穩定策略中的概率值，與通過復制者動態分析得到的穩定群體結構中吸引子上對應的比例數值是相等的。

在已構建的演化博弈模型中，存在一個弱演化穩定策略，即群體中的所有個體都以p=(2A-B)/B概率發送真實信息，以1-p概率發送失真信息，使整個群體行為處于穩定狀態。針對演化博弈模型構建的復制者動態，x=(2A-B)/B比例的群體發送真實消息，1-x比例的群體發送失真消息，將使整個群體結構處于穩定狀態。

4　相關工作與比較

網絡信息傳播的研究可以從網絡信息傳播個體行為、單群體行為和群體間行為三方面進行[12]。網絡信息傳播個體的行為對網絡信息傳播群體行為的涌現和演化結果有重要影響，對個體行為進行分析和預測是網絡群體行為研究中的重要內容。作者在文獻[13]中，使用經典博弈論對網絡信息傳播個體的行為進行了建模和分析。本文使用演化博弈論對網絡信息傳播單群體的行為進行建模和分析。而網絡信息傳播多群體間的行為研究將作為下一步的工作內容。

文獻[14]關注危機信息在網絡上傳播的動力學研究。文獻[15]關注具有競爭性的信息在網絡上傳播的演化分析。文獻[14-15]都強調被傳播的網絡信息具有某一特殊性，而本文中被傳播的網絡信息更具有一般性。文獻[16-17]中建立的觀點交互模型主要描述網絡信息傳播者間交互規則在用戶觀點上的演化過程，而本文主要描述網絡信息傳播群體在行為選擇上的演化過程。文獻[18]是對網絡群體事件的演化博弈分析，主要關注政府和網民行為的演化過程。文獻[19]是對網絡謠言傳播行為的分析，主要關注謠言發送者與政府或謠言發送者與網民的行為博弈。文獻[20]關注不同網絡拓撲結構對網絡群體行為產生不同演化趨勢的影響。文獻[15-20]和本文的研究雖然都是使用演化博弈模型來進行建模分析，但應用的背景問題不同。文獻[21]模擬信息傳播過程的各個不同階段，將信息傳播個體的知識結構等因素引入到博弈模型中，從而研究信息傳播個體自身的特性因素對個體傳播行為的影響。而本文研究信息傳播群體的行為而非個體的行為，并且在演化模型中并未考慮群體的知識結構等因素對適應性的影響。將群體的特性因素引入模型進行分析研究可以作為下一步研究的內容。

文獻[22]使用基于傳染病傳播機制的信息傳播模型來建模網絡信息傳播過程。許多研究者認為復雜網絡上的信息傳播與傳染病在人群中的擴散具有相似性。經典的網絡信息傳播模型是SIR(Susceptible-Infected-Recovered)模型及其改進模型[23]。雖然SIR模型能很好地體現網絡信息傳播具有流動性的特性，但不能體現網絡信息傳播具有主體性的特性。因為在SIR模型中，將用戶行為默認為自動轉發行為，即將接收到的信息直接轉發，而現實中的信息轉發常伴隨對信息進行加工處理而非直接轉發，該過程受傳播者主體性的影響，傳播者會根據自身的期望收益來進行策略選擇，而在SIR模型中卻無法體現傳播者的利益訴求。另外，對SIR模型的研究常結合具體的網絡類型[24]，例如隨機網絡、小世界網絡、無標度網絡等，而缺乏在一般網絡上的分析研究。

演化博弈模型作為研究網絡信息傳播行為的強有力工具，與SIR及其擴展模型、Markov隨機模型、隨機Petri網模型相比，其優越性表現在通過它能很好地刻畫個體和群體在與其他個體或群體交互過程中，行為隨時間、環境、經驗和學習等因素的動態演化。本文建立的演化博弈模型不僅考慮了信息傳播流動性的特點，而且將信息發送者和信息接收者統歸于信息傳播者大類上，并把信息傳播者的偏好和利益訴求考慮其中，克服了SIR模型不能體現傳播主體性的問題，更加符合網絡信息傳播的現實情形。

本文采用Agent來模擬有限理性的信息傳播者和為建立的演化博弈模型進行形式化定義也是本文的創新之處。結合多Agent技術進行網絡信息傳播群體行為的研究不僅可以提供一種理論分析的工具和視角，關注群體傳播行為的抽象，而且可以為基于實證數據[25]的仿真實驗奠定基礎。

5　結論

本文以網絡信息傳播為背景，將演化博弈論作為主要分析工具，同時結合多Agent技術對網絡信息傳播者群體行為進行模擬，采用復制者動態對群體行為到達均衡解的動態演化過程進行建模。通過計算群體行為達到穩定狀態時的吸引子，可以分析和探討演化穩定策略與復制者動態的吸引子之間的關系，并可以驗證在網絡信息傳播的背景下，針對信息傳播群體的行為，復制者動態產生的結果與演化穩定策略有很強的關聯性，同時可以揭示網絡信息傳播群體的行為規律。在下一階段的研究中，可以從以下幾個研究內容和方法出發：

1)采取基于智能優化算法的學習、神經網絡的學習、最優反映學習、信念學習[26]等決策機制來分析演化過程；

2)考慮到群體行為具有隨機性的特點，將隨機性動態演化與演化博弈過程相結合，建立隨機演化博弈模型[27]，從而解決確定性演化博弈模型存在的問題；

3)考慮到網絡的拓撲結構會影響群體行為的演化趨勢[28]，針對不同類型的復雜網絡開展信息傳播群體行為的演化博弈分析[29]。

[1]SELTENR.Evolutionarystabilityinextensivetwo-persongames[J].Mathematicalsocialsciences, 1983, 5(3): 269-363.

[2]CRESSMANR.Dynamicstabilityinsymmetricextensiveformgames[J].Internationaljournalofgametheory, 1997, 26(4): 525-547.

[3]DIAZBA.Agentbasedmodelsonsocialinteractionanddemographicbehaviour[D].Wien:ViennaUniversityofTechnology, 2010: 1-93.

[4]EASLEYD,KLEINBERGJ.Networks,crowds,andmarkets:reasoningaboutahighlyconnectedworld[M].Cambridge:CambridgeUniversityPress, 2010: 1-744.

[5]SCATAM,DISTEFANOA,LACORTEA,etal.Combiningevolutionarygametheoryandnetworktheorytoanalyzehumancooperationpatterns[J].Chaos,solitons&fractals, 2016, 91: 17-24.

[6]王先甲, 全吉, 劉偉兵. 有限理性下的演化博弈與合作機制研究[J]. 系統工程理論與實踐, 2011, 31(S1): 82-93.

WANGXianjia,QUANJi,LIUWeibing.Studyonevolutionarygamesandcooperationmechanismwithintheframeworkofboundedrationality[J].Systemsengineering-theory&practice, 2011, 31(S1): 82-93.

[7]BLOEMBERGEND,CALISKANELLII,TUYLSK.Learninginnetworkedinteractions:areplicatordynamicsapproach[M]//HEADLEANDCJ,TEAHANWJ,CENYDDLA.ArtificialLifeandIntelligentAgents.Switzerland:Springer, 2015: 44-58.

[8]HOFBAUERJ,SIGMUNDK.Evolutionarygamedynamics[J].BulletinoftheAmericanmathematicalsociety, 2003, 40(4): 479-519.

[9]HARRINGTONJRJE.Game,strategies,anddecisionmaking[M].NewYork:WorthPublishers, 2008: 1-540.

[10]蔣建國, 張國富, 夏娜, 等. 一種基于理性Agent的任務求解聯盟形成策略[J]. 自動化學報, 2008, 34(4): 478-481.

JIANGJianguo,ZHANGGuofu,XIANa,etal.Ataskorientedcoalitionformationstrategybasedonrationalagents[J].Actaautomaticasinica, 2008, 34(4): 478-481.

[11]程顯毅, 石純一.Agent社會理性的研究[J]. 軟件學報, 2011, 12(12): 1825-1829.

CHENGXianyi,SHIChunyi.Researchonthesociallyrationalityofagent[J].Journalofsoftware, 2001, 12(12): 1825-1829.

[12]王元卓, 于建業, 邱雯, 等. 網絡群體行為的演化博弈模型與分析方法[J]. 計算機學報, 2015, 38(2): 282-300.

WANGYuanzhuo,YUJianye,QIUWen,etal.Evolutionarygamemodelandanalysismethodsfornetworkgroupbehavior[J].Chinesejournalofcomputers, 2015, 38(2): 282-300.

[13]郭艷燕, 童向榮, 劉其成, 等. 基于博弈論的網絡信息傳播模型的研究[J]. 計算機科學, 2014, 41(3): 238-244.GUOYanyan,TONGXiangrong,LIUQicheng,etal.Themodelsofnetworkinformationpropagationbasedonthegametheory[J].Computerscience, 2014, 41(3): 238-244.

[14]張樂. 危機信息傳播的社會網絡結構和傳播動力學研究[D]. 合肥: 中國科學技術大學, 2009: 1-90.

ZHANGLe.Researchonsocialnetworkstructureanddynamicsofcrisisinformationdissemination[D].Hefei:UniversityofScienceandTechnologyofChina, 2009: 1-90.

[15]YUJianye,WANGYuanzhuo,LIJingyuan,etal.Analysisofcompetitiveinformationdisseminationinsocialnetworkbasedonevolutionarygamemodel[C]//Proceedingsofthe2012SecondInternationalConferenceonCloudandGreenComputing.Xiangtan,China:IEEE, 2012: 748-753.

[16]SOBKOWICZP.Modellingopinionformationwithphysicstools:callforcloserlinkwithreality[J].Journalofartificialsocietiesandsocialsimulation, 2009, 12(1): 11.

[17]CASTELLANOC,FORTUNATOS,LORETOV.Statisticalphysicsofsocialdynamics[J].Reviewsofmodernphysics, 2009, 81(2): 591-646.

[18]肖人彬, 張耀峰. 網絡群體事件信息傳播的演化博弈分析[J]. 復雜系統與復雜性科學, 2012, 9(1): 1-7.

XIAORenbin,ZHANGYaofeng.Evolutionarygameanalysisofinformationspreadinnetworkmassevents[J].Complexsystemsandcomplexityscience, 2012, 9(1): 1-7.

[19]張芳, 司光亞, 羅批. 謠言傳播模型研究綜述[J]. 復雜系統與復雜性科學, 2009, 6(4): 1-11.

ZHANGFang,SIGuangya,LUOPi.Asurveyforrumorpropagationmodels[J].Complexsystemsandcomplexityscience, 2009, 6(4): 1-11.

[20]SKYRMSB,PEMANTLER.Adynamicmodelofsocialnetworkformation[M]//GROSST,SAYAMAH.AdaptiveNetworks.BerlinHeidelberg:Springer, 2009: 231-251.

[21]QIUWen,WANGYuanzhuo,YUJianye.Agametheoreticalmodelofinformationdisseminationinsocialnetwork[C]//Proceedingsof2012InternationalConferenceonComplexSystems.Agadir,Morocco:IEEE, 2012: 1-6.

[22]ANDERSONRM,MAYRM,ANDERSONB.Infectiousdiseasesofhumans:dynamicsandcontrol[M].Oxford:OxfordUniversityPress, 1992: 1-766.

[23]ANTULOV-FANTULINN,LANCICA,STEFANCICH,etal.FastSIRalgorithm:afastalgorithmforthesimulationoftheepidemicspreadinlargenetworksbyusingthesusceptible-infected-recoveredcompartmentmodel[J].Informationsciences, 2013, 239: 226-240.

[24]LLOYDAL,MAYRM.Howvirusesspreadamongcomputersandpeople[J].Science, 2001, 292(5520): 1316-1317.

[25]KIESLINGE,GüNTHERM,STUMMERC,etal.Agent-basedsimulationofinnovationdiffusion:areview[J].CentralEuropeanjournalofoperationsresearch, 2012, 20(2): 183-230.

[26]王先甲, 劉偉兵. 有限理性下的進化博弈與合作機制[J]. 上海理工大學學報, 2011, 33(6): 679-686.

WANGXianjia,LIUWeibing.Evolutionarygameandcooperationmechanismsbasedonboundedrationality[J].JournalofuniversityofShanghaiforscienceandtechnology, 2011, 33(6): 679-686.

[27]GAOXing,ZHONGWeijun,MEIShue.Stochasticevolutionarygamedynamicsandtheirselectionmechanisms[J].Computationaleconomics, 2013, 41(2): 233-247.

[28]SKYRMSB,PEMANTLER.Adynamicmodelofsocialnetworkformation[M]//GROSST,SAYAMAH.AdaptiveNetworks.BerlinHeidelberg:Springer, 2009: 231-251.

[29]王龍, 伏鋒, 陳小杰, 等. 復雜網絡上的演化博弈[J]. 智能系統學報, 2007, 2(2): 1-10.

WANGLong,FUFeng,CHENXiaojie,etal.Evolutionarygamesoncomplexnetworks[J].CAAItransactionsonintelligentsystems, 2007, 2(2): 1-10.

郭艷燕，女，1980年生，講師。主持山東省自然科學基金1項，參與國家自然科學基金2項，主要研究方向為人工智能和軟件工程。

童向榮，男，1975年生，教授，主要研究方向為多Agent系統、數據挖掘和智能信息處理。主持國家自然科學基金面上項目2項；獲山東高校優秀科研成果獎三等獎3項。共發表學術論文40余篇。

張楠，男，1979年生，講師，博士。主要研究方向為粗糙集、模式識別與人工智能。

Analysis of network information propagation population behavior based on evolutionary game theory

GUO Yanyan， TONG Xiangrong， ZHANG Nan， WANG Yingjie

(School of Computer and Control Engineering , Yantai University, Yantai 264005, China)

To address the behavior of information propagation population within the research background of network information propagation, the abstraction and analysis of its static structure and dynamic behavior are investigated in this paper. Based on previous research work on individual behavior applying classic game theory, an evolutionary game model was built to simulate the interaction of information propagation population in line with network information dissemination characteristics. Evolutionary game theory was used to analyze the effect of the dynamic evolutionary process on population behavior. A bounded rationality agent was used to simulate message senders in a social network. An evolutionary stable strategy and replicator dynamics were used to analyze the static and dynamic equilibrium of the population behavior. We conclude that there is a strong correlation between the stability structure of the network information propagation population and the dynamic equilibrium of group behavior.

evolutionary game theory; evolutionary stable strategies; replicator dynamics; bounded rationality; agent; monomorphic population; dynamics equilibrium

10.11992/tis.201606001

網絡出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20160808.0831.034.html

2016-06-01. 網絡出版日期：2016-08-08.

國家自然科學基金項目(61403329, 61502410, 61572418)；山東省自然科學基金項目(ZR2015PF010, ZR2013FQ020, ZR2014FL009, ZR2014FQ016)；山東省高等學校科技計劃項目(J15LN09, J14LN23).

郭艷燕. E-mail：smallgyy@sina.com.

TP18

A

1673-4785(2016)04-0487-09