游戏网络
本研究介绍了多人博弈图模型和 Nash 平衡的计算算法，特别是在树形图的情况下，我们提出了高效的局部消息传递算法，它只涉及到与相邻节点的交互以及相对较少的全局交互，从而使得该算法可以被分布式实施。
Jan, 2013
本文研究了基于随机博弈模型的多智能体强化学习中，网络结构化玩家相互作用，混合合作与竞争以及有限的全局信息对于个体决策造成的挑战以及信息可用性对于不同学习范式的影响。并通过实验，探索了不同 MARL 范式的结果，例如集中式学习分散式执行。
May, 2022
本文提出了一种新的层次化基于网络的游戏论效用树（GUT）模型，将高级策略分解成可执行的低级动作以协同 MAS 决策。该模型结合了基于代理需求的新的支付措施，可帮助协同决策，其在实时策略游戏领域取得了良好的表现，同时使用机器人实验室验证了其在真实机器人应用中的有效性，可有效组织 MAS 合作策略，帮助群体获得更高性能。
Mar, 2023
文章提出了一个通用框架，通过推断其他代理方的平衡状态来解决不确定性问题，并在多人机器人导航问题的模拟中证明，通过对准平衡状态，机器人可以更准确地预测轨迹并降低所有玩家的成本。
Feb, 2020
本文介绍了一种新的方法来研究策略环境中的影响力问题，提出了 “影响力博弈” 作为大型但有限的网络人口行为的博弈理论模型，通过计算纯策略 Nash 均衡来确定影响力游戏的稳定结果并预测潜在结果，提供了各种影响力博弈问题的复杂性特征、高效算法和近似算法，并通过实验和数学建模将影响力博弈与潜力游戏和多元游戏等关键博弈理论模型相连接。
Mar, 2013
本文研究了在图形网络游戏中使用分布式八卦方法寻找纳什均衡的方法，介绍了干扰图和通信图的概念，设计了通信图以使玩家仅交换必要的信息，证明了使用干扰和通信图的八卦方法在收敛步长逐渐缩小的情况下能够几乎一定收敛于纳什均衡。
Mar, 2017
本文研究网络玩家的公共物品博弈，其中每个玩家具有二进制行动，并针对这类博弈的算法方面进行了研究，包括纯策略纳什均衡的存在性检测，限制条件下的可计算性以及启发式算法的提出与实验测试。
Nov, 2019
该研究开展了网络公共品博弈的算法研究，以诱导特定形式的均衡状态，研究了投资、网络结构和均衡状态对博弈结果的影响，并对多种均衡形式和效用函数进行了研究。
Feb, 2020
该研究针对大规模多智能体系统，建立一种基于完全图的游戏抽象机制，以简化学习过程，并通过交通路口和猎物 - 捕食者两种实验验证其在状态空间和收敛性能上的优势。
Nov, 2019