Feb, 2018

关于二阶时间相关均场博弈的原始二重算法实现及局部耦合

PDF
TL;DR本文研究具有本地耦合的时变均值场博弈系统的数值逼近，使用基于变分方法的离散化方法，并应用 Chambolle 和 Pock 介绍的原始 - 对偶算法来解决其有限维变分问题，特别是使用适当的预处理迭代算法来改善解决线性系统的方法。
发现论文，激发创造
  • 带有局部耦合的定态均场博弈的近端方法

    針對具有局部耦合的均勻場博弈問題的數值逼近進行研究，提出了透過變分方法和近端類型方法的有效算法，並使用數值實驗評估了方法的性能。

    Aug, 2016

  • 两种数值方法用于稳态场均值博弈

    本文研究了两种解决平稳均场博弈的数值方法：基于变分特征的梯度流方法和利用单调性质的方法，并通过各种实例，包括一维周期性 MFG、拥堵问题和高维模型进行展示。

    Nov, 2015

  • 均场博弈和均场类型控制的数值方法

    本文回顾了关于数值方法在 Mean Field Games 及 Mean Field Control 类型问题中应用的各种方面，包括基于线性二次型、偏微分方程数值方案、Kolmogorov-Fokker-Planck 方程优化技巧、基于单调算子视角的方法以及依赖于机器学习工具的随机方法等。

    Jun, 2021

  • 用机器学习框架解决高维场均值博弈和场均值控制问题

    本文提出了一种基于机器学习的灵活框架以数值解决潜在的平均场博弈和平均场控制问题，该框架避免使用空间离散化并利用拉格朗日和欧拉观点相结合的方法来近似解决高维问题。在标准工作站上近似解决了 100 维最优传输和人群运动问题，并在二维上进行了欧拉求解器的验证。这些结果为先前无法通过现有数值方法处理的 MFG 和 MFC 模型的应用开启了大门。

    Dec, 2019

  • 机器学习算法在数值均场控制和博弈中的收敛性分析：第 Ⅱ 部分 -- 有限时间域情形

    提出了两种基于神经网络参数的损失函数的数值方法，用于有限时间视野下的 McKean-Vlasov 动力学的最优控制，为确定如何近似于原始均场控制问题的解，引入了一种新的优化问题，并提供了误差率的严格说明。

    Aug, 2019

  • 离散时间主次均值场博弈的学习

    利用基于 M3FG（major-minor MFGs）的学习算法，我们提出了一种新的离散时间版本的 M3FG，能够解决具有强影响力的主要玩家的问题，并在三个实例问题中验证了该理论结果的实际效果，从而为一类广泛可解的博弈问题建立了学习框架。

    Dec, 2023

  • 用于生成建模的均值场博弈实验室

    该研究表明，均场博弈论（MFGs）是解释、增强和设计生成模型的数学框架，该文研究了 MFGs 与基于流和扩散的几种生成模型之间的关系，并探讨了 MFGs 的最优性条件及其算法应用。

    Apr, 2023

  • 针对均场博弈和控制问题的统一强化学习 Q-Learning

    本研究提出了一种强化学习算法，通过调整两个学习参数的比例，同一算法可以学习解决无限时间视角的均值场游戏与控制问题，并通过离散时间和空间中的智能体提供环境动作与状态分布来解决均值场问题。在连续时间和空间中展示渐进性均值场游戏与控制问题，并使用线性二次问题得到显式解作为算法结果的基准。

    Jun, 2020

  • 通过熵正则化的深度强化学习近似求解均场博弈

    本文研究了离散时间有限 MFG 问题，通过使用熵正则化和 Boltzmann 策略使得固定点迭代收敛到近似固定点，同时提供了在高维场景下使用的近似 Nash 均衡算法以及结合虚拟博弈的深度强化学习方法。

    Feb, 2021

  • 通过采样不变参数化的平均场博弈无监督解算子学习

    基于深度学习的新框架通过学习 MFG 解算符，解决高维度均场博弈问题并具有采样不变性，从而避免了离散化，并减少了创建训练数据集的计算开销。

    Jan, 2024