演化博弈论是人们解决社会困境问题时强有力的理论工具,而复杂网络作为复杂系统的基本结构,为复杂性研究提供了一种新的视角与新的方法,它以一种抽象的方式描述真实的网络.如今将博弈理论与复杂网络理论相结合,已经成为研究复杂系统的一个新方法和新角度。本论文的研究工作主要基于复杂网络拓扑模型中的规则网络和博弈论中的囚徒困境模型。首先研究了个体的记忆长度大小对群体的合作演化过程中的影响,在此基础上引入自查询更新机制,然后研究了效用参数在相互依赖网络中对群体演化的控制能力,并分析其动力学特性和结构特征。研究结果有力证明了记忆长度和效用参数对规则网络上群体演化的重要影响。本论文的主要研究内容和创新性成果如下:1.提出了一种进化博弈模型。研究规则格子网络下,记忆长度的大小对群体合作行为的影响。将记忆长度引入到个体在做出决策所依据的费米规则中,进而研究记忆长度的大小在群体演化中所造成的影响。大量的数值模拟试验数据表明,记忆可以促进合作者团簇的生存;另外,只有当记忆长度处于中间值时,才能像传统的空间网络互惠那样帮助合作者团簇不断地扩张,并且得到最优的结果;当记忆长度过大时,促进效果可能会下降。2.在记忆效应的研究基础上,提出了一种自查询更新机制。个体通过自我反省的方式,采用反策略与所有邻居进行虚拟游戏。计算出虚拟的收益,并将虚拟收益与实际收益进行比较,并把取得最高收益的策略记录到记忆中。基于囚徒困境博弈模型与规则格子网络,研究这种策略更新机制对群体演化的影响。3.在相互依赖的双层格子网络下,提出了一种新的效用耦合方式,研究效用参数的大小对群体合作率的影响。首先,随着收益整合到个体效用评价中的程度增加,可以极大地促进稳定状态下的总体合作总水平,即可调参数α越大,水平越高;其次,将多个个体的效用参数结合在另一个网格上,有利于焦点个体做出理性选择,并有助于创建合作集群以防止背叛者的入侵。