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

通过分析几个主要城市的道路网络的旅行时间，我们评估了无协调驾驶者的乱象代价。我们的模拟表明，不协调的驾驶者可能会浪费相当数量的旅行时间。令人意外的是，简单地封锁某些道路可以部分改善交通状况。我们分析了各种复杂网络，讨论了物理学中类似的悖论可能性。

Dec, 2007

本篇研究提出一种基于非合作非零和博弈的方法，将赛车决策的制定作为一种博弈模型，其中包括考虑碰撞规避和考虑非静态赛道约束等方面。这三个游戏分别考虑了不同的碰撞约束和回报机制，并证明了所提出的策略在模拟实现中可以成功地生成多种有趣的赛车行为形式。

Dec, 2017

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

该研究提出了一种算法，能够在具有自主性的司机行为中，通过利用值迭代方法和策略传播计算所有乘客和司机的均衡策略，在 spatio-temporal distributions 与税车轨迹数据集等多个方面表现出优异的性能。

Feb, 2021

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

本研究构建了一个非零和博弈框架，在其中考虑了多车相互作用并采用了一个有效的方法 —— 基于模型的强化学习方法，用于解决耦合的哈密顿 - 雅可比 - 贝尔曼方程，来推导纳什均衡驾驶策略，并在非信号化交叉口进行了验证。

Feb, 2023

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

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

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