基于多智能体强化学习的电子市场动态定价研究

在基础原料类电子市场环境下，研究新型而实用的动态定价方法对于辅助企业制定自身定价策略，以及为研究电子市场的价格形成机理和信息披露机制具有重要价值。研究表明：采用强化学习方法可以提高定价收益，但是将已有多智能体学习算法应用于定价问题却面临学习模型、收敛速度、算法适应性等方面的一些实际困难。本课题申请研究有效解决这些困难的新型智能定价方法。首先，从模型角度，提出扩展了的马尔科夫博弈学习模型，将状态驱动的学习扩展为效用驱动，解决学习目标不适用问题。进一步，从算法角度，通过建立基于自适应模糊推理的对手模型，将领域知识融入学习算法，提高学习初期的定价收益，解决探索和利用的两难问题。最后，应用逐步精化的思想，先在粗粒度的决策空间上学习，然后根据学习结果逐步细化，从而显著降低样本训练量，解决收敛速度慢的问题。本课题还将建立标准化仿真平台用于定价算法对比测试，并利用该平台研究定价算法的若干宏观特性。