该研究通过将驾驶游戏建模为拥塞游戏来界定均衡效率，并通过模拟交通拥堵情况对社会成本和个人利益之间的相对权衡进行探究，得出了针对一些问题的 PoA 的改进边界。该研究还通过去中心化多智能体强化学习策略得出了高效均衡状态。

Oct, 2022

本文研究了各种类型的博弈中当玩家是（部分）利他主义者时的均衡的低效性，并通过模拟玩家的 “利他” 行为来推导出这些游戏的安定价格的（严格）下限。

Dec, 2011

探讨自动驾驶汽车的出现如何增加网络吞吐量，激励用户选择更优路径以便缓解拥堵，讨论自私均衡和互惠均衡之间的比较，并通过交通微观模拟实现了总延迟减少的目标。

Oct, 2018

本文开发了一个框架，为计算机科学应用中涉及到的包含多个参与者的博弈论模型提供了红利保障，以减小其混沌的程度，实现了对多个经典模型的实例化，包括 “同时出价单项竞拍”、“贪婪组合式拍卖” 和 “路由博弈”，并鉴定了在什么情况下多方博弈的 POA 更好，同时也给出了简单竞拍可以在现实中表现出几乎和最优竞拍一样的效果的新的方面。

Mar, 2015

计算系统最优策略的计算复杂性在领域中鲜有研究，本论文通过参数化复杂性范式，确定了问题的可处理边界，并且发现控制问题计算复杂性的结构性参数不是基于顶点分离器，而是基于边分离器。

Dec, 2023

本文提出了一种奖励设计方法，通过多智能体强化学习和黑盒优化使得自利型智能体在非合作多智能体系统中选择的动作能够产生优化的系统结果，并且能通过离线的马尔可夫博弈来得到最优的激励设计结构。

Jan, 2019

D3C 算法通过引入 Price of anarchy 的不可微上界，使得每个多智能体可以调整其激励机制，从而提高系统的效率。

Oct, 2020

移动用户通过众包平台学习和分享交通观察，然而这类平台仅迎合自私用户的短视利益以推荐最短路径，未鼓励足够多的用户为他人出行和学习其他路径。我们的研究通过人机交互式地分析用户如何学习和改变随机路径上的交通情况，证明了短视路由策略导致随机路径的严重未探索，造成高于 2 的社会成本。我们提出了一种信息隐藏和概率推荐机制，名为 CHAR，成功确保了低于 5/4 的 PoA，并证明了在更一般的线性路径图中 PoA 结果保持不变。我们的实验验证了 CHAR 在真实数据集上接近最优的性能。

Apr, 2024

提出了一种基于凸松弛的近似框架，用于对共享车辆系统进行建模和优化，通过分析此近似框架的性质，得出了计算复杂度更低的解决方案并提供实际操作洞见，实现了对共享车辆系统的有效控制与管理。

Aug, 2016

该研究开发了工具，用于分析具有单维代理商的非对称拍卖中的 Bayes-Nash 平衡的福利和收益，分析分离了标准的平稳框架两个不同的部分，得到了关于社会福利和收益的无序价格结果，并为最优福利和最优收益提供了近似结果，同时还给出了同时组合多个拍卖的扩展定理。

Apr, 2014