AAAIFeb, 2023

结合搜索策略提高经济代理模型校准的性能

PDF
TL;DR本论文主要介绍了在经济学和金融领域中，针对大规模参数空间内的代理模型（ABMs）进行校准的方法，对基于随机森林代理的方法进行基准测试并提出了一种采用强化学习机制策略以在模型校准期间自动选择和组合搜索方法的方案，该方案不依赖任何先前的信息或试错过程。
agent-based modelscalibrationrandom-forest surrogatesreinforcement learningperformance
发现论文，激发创造
  • 多智能体强化学习学习和校准异质有界理性市场行为

    在代理基模型中，我们提出了一种用于在多代理强化学习框架下表示异构处理受限代理的新技术，通过共享策略学习以及代理技能水平的分布，实现了从严格效用最大化到有界理性行为的过渡，并通过使用策略梯度来学习行为，通过在多个实例中验证，我们证明了该模型在许多常见的代理设置下具有显著改进的预测能力。

    Feb, 2024

  • 通过强化学习和基于代理的建模模拟理性对经济的影响

    使用多智能体增强学习 (RL) 拓展有限理性模拟模型以考察其对经济的影响，研究发现多智能体根据市场竞争和理性程度 spontaneously 学习出不同策略，增加市场力量和整体利润，但更高程度的理性也可能导致更大不稳定性，并提出了可以稳定学习的经济模拟模型。

    May, 2024

  • 利用机器学习代理进行代理模型校准

    本文提出了一种新的方法，将监督机器学习和智能抽样结合起来，构建一个代理元模型来探索代理模型中的参数空间和校准。这种方法提供了一种快速而准确的模型行为近似方法，大大降低了计算时间，并有助于获取有关代理模型复杂运作的洞见。

    Mar, 2017

  • 经济代理人基于模型校准方法的比较

    该研究使用计算实验通过比较多种普遍使用的代理模型定值方法，发现贝叶斯估计法优于频率学派、基于目标函数的方法，并提出需要进一步研究定值方法的未来方向。

    Feb, 2019

  • 使用 RL 行为模型的面向政策的基于代理的建模

    本文研究了在决策制定环境下，基于强化学习的智能体决策行为的刻画与建模。实验结果表明，相比于传统的规则制定和数据回归方式，基于强化学习的智能体决策行为模型具有更高的适应性和更好的表现，可以更好地支持 Agent-based Models 在政策分析等领域的应用。

    Jun, 2020

  • 在 ABM 中学习复杂的空间行为：一个实验观察研究

    本文介绍了一种利用深度强化学习方法，如 PPO 算法，基于智能代理模型实现的智能自适应行为仿真方法。通过捕捉和模拟代理模型中的隐藏，躲避和觅食等行为，探索并展示了深度强化学习方法在智能自适应行为建模中的应用研究。

    Jan, 2022

  • 组合优化问题的高效主动搜索

    本文介绍了三种高效的主动搜索策略，通过改变模型的一部分参数进行一定的参数优化，从而有效地解决机器学习中的组合优化问题。

    Jun, 2021

  • 具备强韧性的贝叶斯优化与强化学习习得的获取函数

    本文介绍了一种基于强化学习技术的数据驱动式采样函数选择策略，称为强化学习辅助贝叶斯优化（RLABO），用于高昂的黑盒优化问题，取得了具有竞争力和鲁棒性的优化效果。

    Oct, 2022

  • 优化搜索广告策略：将强化学习与广义第二价格拍卖相结合以实现增强型广告排名和出价

    本文探讨了在电子商务平台中将战略优化方法引入搜索广告领域，重点关注广告排名和竞价机制。通过结合强化学习和进化策略，我们提出了一个动态模型，能够根据用户交互的变化优化广告成本、用户相关性和平台收益的平衡。我们的研究结果表明，在广告投放准确性和成本效率方面取得了显著的改进，证明了该模型在实际场景中的适用性。

    May, 2024

  • 简单随机搜索提供了竞争性的增强学习方法

    通过介绍一种随机搜索算法，我们证明了基于策略参数空间的随机搜索方法与探索动作空间的方法在样本效率方面没有显著差异。该算法可在连续控制问题中训练静态、线性策略，并在 MuJoCo 任务基准测试中表现出与最先进的模型无关方法相当的样本效率。此外，在动力学未知的控制理论经典问题中，我们的算法也能找到接近最优的控制器，计算效率至少比这些基准测试中最快的模型无关方法高出 15 倍。

    Mar, 2018