A Multi-Participant Benefit Maximization Model and Strategy Optimization in Market Transactions Incorporating Game Theory
Notice bibliographique
Résumé
This topic discusses the problem of maximizing the interests of multiple participants in the trading market based on game theory.Taking the electric power market as a study case, an interest maximization model of multi-party trading strategy in the electric power market is constructed, and the ADMM algorithm is used to solve the model.The rationality and effectiveness of the described model are verified through experimental analysis and arithmetic simulation.Compared with other algorithms, the ADMM algorithm in this paper has a faster convergence speed, and the benefits of the grid company, the benefits of the new entities and the benefits of the users under different numbers of users are all closest to the ideal Nash equilibrium state, which shows the superiority of the ADMM algorithm in this paper.The constructed model is used to solve the conflict of interests among the grid company, new entities and users, and the existence and uniqueness of the game equilibrium is proved through analysis and derivation, and has good convergence results.After the optimization of the strategy in this paper, the revenue of the added entity increases by 6.76%, the power purchase cost of the users decreases by 10.29%, and the consumption surplus increases by 4.50%.Through price-guided output, the load curve is realized to shift peaks and fill valleys, so that the grid company, the added entities and the users get higher benefits.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».