超越纳什均衡:21 世纪的解决方案概念
本文综合从理论和实证的角度,回顾了计算有限正规形式博弈中纳什均衡及其近似解的各种算法,并在不同类型的博弈中对这些算法进行了综合比较,并给出了关于这些算法的实现和使用的实际建议,最后从理论和实践考虑提出了一系列开放问题。
Dec, 2023
该文章研究了多智能体博弈中的主动平衡概念,并比较了与 Nash 平衡的效果。研究结果表明,主动平衡比 Nash 平衡更有效,是多智能体学习中的首选解。
Oct, 2022
我们引入了神经均衡求解器,它利用特殊的等变神经网络体系结构来近似解决具有固定形状、购买速度和决定性的所有游戏空间,并定义了一个灵活的均衡选择框架,该框架能够唯一选择最小化相对熵或最大化福利的均衡,该网络的训练无需生成任何监督训练数据,展示了在更大的游戏中惊人的零样本泛化能力。这样的网络是许多可能的多主体算法的强大组成部分。
Oct, 2022
本文提出了一个关于战略代理进行可能昂贵计算的普适的博弈论框架,利用该框架在一些已研究的博弈中(如有限重复犯罪囚徒困境和剪刀石头布)提供心理学上合理的解释,同时提出了保证博弈中存在均衡的自然条件。
Dec, 2014
通过发展更高效和可扩展的算法,使用稀疏迭代方法的行为扰动来解决不完全信息博弈中的纳什均衡问题,从而实现最优均衡,但不排除博弈树中未到达的子树中存在次优策略。 通过使用平滑方法,能够计算出一个近似的 extensive-form 完美均衡,以解决经典的纳什均衡算法中存在的精度问题。
May, 2017
通过研究不完全记忆下的最优决策问题,我们分析了广义形式博弈中多个解概念(纳什均衡、基于证据决策理论的多个自体以及基于因果决策理论的多个自体)下,在多人情景中寻找均衡的计算复杂性,同时关注精确和近似解的计算。我们将单人游戏、两人零和游戏与最小最大值以及没有外在随机性(几率节点)的游戏作为特例,并将这些问题与复杂性类 P、PPAD、PLS、Σ₂ᴾ、∃R 和∃∀R 联系起来。
Jun, 2024