Continuous-time integral dynamics for Aggregative Game equilibrium seeking
University of Groningen(格罗宁根大学);TU Delft(代尔夫特理工大学)
本文提出一种连续时间半分布式动力学方案,通过积分控制律驱动分布式投影梯度动力学,证明了全局指数收敛性,并改进了群体博弈的相关结果。
2018-03-28 cs.GT cs.SY eess.SY
Continuous-time integral dynamics for monotone aggregative games with coupling constraints
Faculty of Science and Engineering, University of Groningen(格罗宁根大学科学与工程学院);Delft Center for Systems and Control (DCSC), TU Delft(代尔夫特理工大学系统与控制中心)
本文提出半去中心化积分动力学,证明其能全局收敛至变分广义聚合或纳什均衡,采用Lyapunov方法和微分包含的不变性技术。
2018-05-08 cs.GT cs.SY eess.SY
Nonatomic Aggregative Games with Infinitely Many Types
我们定义和分析的概念,变分Wardrop均衡的非原子聚合游戏与无限的球员类型。这些平衡的特点是通过一个无限维的变分不等式。我们表明,在单调性条件下,收敛定理,使近似这样的平衡任意精度。为此,我们引入了一个序列的非原子游戏有限数量的球员类型,这近似于初始的游戏。我们证明了在这些游戏中的每一个对称Wardrop均衡的存在。我们证明了这些对称平衡点收敛到无限对策的平衡点,并且它们可以作为有限维变分不等式的解来计算。该模型是通过一个例子,从智能电网:一个参数分布的描述一个大的人口的电力消费者给出了一个非原子的游戏与无限的不同的球员类型,与行动受到耦合约束。
2019-06-04 cs.GT math.OC
Differentially Private Online Distributed Aggregative Games With Time-Varying and Non-Identical Communication and Feedback Delays
本文提出了一种在线分布式双平均算法,以处理具有时间变化和非相同通信和反馈延迟的差分隐私在线分布式聚合博弈中的隐私泄露问题,并实现了可证明的低遗憾界。
2025-12-13 cs.GT math.OC
A Douglas-Rachford splitting for semi-decentralized equilibrium seeking in generalized aggregative games
TU Eindhoven(埃因霍温理工大学);TU Delft(代尔夫特理工大学)
本文提出了一种半分布式算法,用于解决非合作代理在具有线性耦合约束的平均聚合博弈中的均衡寻求问题,通过操作符理论将均衡点表示为单调多值算子的零点,并利用改进的Douglas-Rachford分裂方法保证了算法的全局收敛性。
2018-09-30 cs.GT cs.SY eess.SY
Projected-gradient algorithms for generalized equilibrium seeking in Aggregative Games are preconditioned Forward-Backward methods
TU Eindhoven(埃因霍温理工大学);Delft Center for Systems and Control (DCSC), TU Delft(代尔夫特系统与控制中心)
本文展示投影梯度方法在聚合博弈中分布式计算广义纳什均衡时,实际上是应用于游戏KKT算子的预条件前向-后向分裂方法。
2018-03-28 cs.GT cs.SY eess.SY
Charging plug-in electric vehicles as a mixed-integer aggregative game
我们认为充电调度协调的车队的插电式电动汽车,开发一个混合决策框架的有效和有利可图的使用的配电网。每个充电动态,受整个车队的总行为,建模为一个相互依赖的,混合逻辑动力系统。协调问题被形式化为广义混合整数聚合势博弈,并通过半分散实施的顺序最佳反应算法,导致近似均衡的游戏解决。
2019-10-22 cs.GT cs.MA math.OC
On the robustness of equilibria in generalized aggregative games
我们解决的问题,评估的不确定性,多智能体游戏的均衡的鲁棒性。具体而言,我们专注于广义纳什均衡问题的聚合形式受到线性耦合约束的不确定性与可能未知的概率分布。在一个数据驱动的背景下,我们应用场景的方法范式提供了一个后验的可行性证书的整个广义纳什均衡的游戏。然后,我们表明,评估这样的集合的违反概率只需要枚举的约束,“形”它。对于类的聚合游戏,这导致解决的可行性问题的可行性区域的每个活动方面,我们提出了一个半分散的算法。我们证明了我们的理论结果通过一个学术例子。
2020-05-19 cs.GT cs.MA cs.SY
Compression-based Privacy Preservation for Distributed Nash Equilibrium Seeking in Aggregative Games
本文针对聚合博弈中分布式纳什均衡求解的通信负担与隐私泄露问题,提出一种基于随机压缩的算法,在节省通信资源的同时通过压缩误差实现差分隐私,并证明其收敛精度,仿真验证了有效性。
2024-05-06 cs.GT cs.SY eess.SY
Decentralized MARL for Coarse Correlated Equilibrium in Aggregative Markov Games
The School of Mathematical Sciences University of Chinese Academy of Sciences(中国科学院大学数学科学学院);SKLMS AMSS, CAS(中国科学院数学与系统科学研究院数学与应用数学国家重点实验室)
本文提出一种适应性阶段式V学习算法,用于在聚合马尔可夫游戏中去中心化学习粗相关均衡,通过调整阶段长度和无遗憾更新实现高效学习。
2026-03-29 cs.GT cs.SY eess.SY
Distributed coordination for seeking the optimal Nash equilibrium of aggregative games
针对具有层次结构的多智能体判定问题,设计了一种分布式协调算法。主要目标是寻找一个非合作对策的纳什均衡,使得每个局中人在其私人目标下都没有偏离均衡的动机。同时,代理人可以协调优化的纳什均衡的基础游戏的集合内的社会成本。这样的最优纳什均衡问题可以建模为一个带有变分不等式约束的分布式最优化问题。我们考虑的情况下,潜在的游戏和社会成本最优化问题的目标函数有一个特殊的聚合结构。由于每个参与者只能访问其局部目标,而不能知道所有参与者的决策,因此分布式算法是非常可取的。利用Tikhonov正则化和动态平均跟踪技术,在基于梯度的Nash均衡搜索的基础上引入激励项,提出了一种分布式协调算法,以干预参与者的决策,提高系统效率.通过仿真研究,证明了该算法收敛于单调对策的最优纳什均衡。
2022-05-14 cs.GT math.OC
A framework for receding-horizon control in infinite-horizon aggregative games
提出了一种新的建模框架,用于分析在无限时间范围内的聚合游戏,假设球员受到异构周期性约束。提出了一种新的聚合均衡概念,并在后退视野范式下分析了代理人的战略行为。通过离散时间多值动力系统模拟了玩家预测和实施的策略随时间的演变。通过考虑李雅普诺夫稳定性的概念和应用极限和不变性结果的集值对应,导出了必要条件的滚动地平线映射收敛到一个周期平衡的聚合对策。对于任何(可行的)初始条件都可以实现这一结果,从而确保所提出的控制框架对玩家数量和参数的实时变化的隐式自适应性。讨论了该控制策略的设计与实现,并给出了一个数据路由的分布式控制实例,通过仿真对其性能进行了评估。
2022-07-01 cs.GT cs.SY eess.SY
Local Stackelberg equilibrium seeking in generalized aggregative games
我们提出了一个两层,半分散算法计算局部解的Stackelberg均衡问题的聚合游戏耦合约束。具体来说,我们专注于一个单一的领导者,多个追随者的问题,等价重铸后的Stackelberg游戏作为一个数学规划与互补约束(MPCC),我们迭代凸化的正则化版本的MPCC作为内部问题,其解决方案产生一个序列的可行下降方向为原来的MPCC。因此,通过在每一个外迭代追求一个下降方向,我们建立收敛到一个局部Stackelberg平衡。最后,所提出的算法进行了测试的数值案例研究,涉及一个层次的实例充电协调的插电式电动汽车(PEVs)。
2020-06-06 cs.GT cs.MA cs.SY
A distributed algorithm for average aggregative games with coupling constraints
Laboratory for Information and Decision Systems, MIT(麻省理工学院信息与决策系统实验室);Automatic Control Laboratory, ETH Zurich(苏黎世联邦理工学院自动控制实验室)
本文提出一种分布式算法,用于解决带有耦合约束的平均聚合博弈问题,通过局部通信实现近Nash均衡,理论分析应用于多市场Cournot博弈。
2017-10-17 cs.GT cs.MA cs.SI
Gradient-extrapolation-based distributed mirror descent algorithm for multi-cluster aggregative games
College of Artificial Intelligence, Nankai University(南开大学人工智能学院)
本文针对多集群聚合博弈的纳什均衡求解问题,提出带梯度外推的分布式镜像下降算法,在非欧几里得场景下实现$\tilde{O}(1/k)$收敛,经能源系统需求响应算例验证有效。
2026-08-26 cs.GT math.OC
Differentially-private Distributed Algorithms for Aggregative Games with Guaranteed Convergence
针对聚合博弈,提出一种无需加密的分布式算法,在保证严格差分隐私的同时确保纳什均衡计算精度,并适用于随机场景。
2023-06-23 cs.GT cs.SY eess.SY
Tracking-based distributed equilibrium seeking for aggregative games
Alma Mater Studiorum - Universita‘ di Bologna(博洛尼亚大学);IMT School for Advanced Studies Lucca(卢卡高等研究学院);University of Seville(塞维利亚大学);University of Oxford(牛津大学)
针对网络下聚合博弈的纳什均衡搜索问题,提出两种带跟踪机制的全分布式算法,分别处理局部约束和耦合约束场景,证明其线性收敛性并通过仿真验证有效性与先进性。
2024-02-12 cs.GT cs.SY eess.SY
Privacy and Truthful Equilibrium Selection for Aggregative Games
我们研究一类非常普遍的游戏-多维聚合游戏-特别是推广匿名游戏和加权拥塞游戏。对于任何这样的游戏,也是大的,我们解决了均衡选择问题在很强的意义。特别地,我们给出了一个有效的弱中介:一个只具有倾听报告类型和提供无约束力的建议行动的能力的机制,使得(a)每个局中人如实地向中介报告他们的类型,然后遵循其建议行动是一个渐近纳什均衡;(b)当局中人这样做时,他们最终会在诱导完全信息博弈的一个特定的渐近纯策略纳什均衡上协调。事实上,真实的报告是中介博弈的事后纳什均衡,因此我们的解决方案即使在信息不完整的情况下也适用,即使参与者类型是任意的或最坏的情况(即不是从共同的先验中得出的)。我们实现了这一点,给出了一个有效的差分私人算法计算纳什均衡在这样的游戏。所有结果的收敛速度都是关于参与人个数的逆多项式$n$。我们还将我们的主要结果应用到多维市场博弈中。我们的结果可以被看作是给,丰富的游戏类,一个更强大的版本的启示原则,在我们的工作与较弱的信息假设(没有共同的先验),但提供了一个更强的解决方案的概念(事后纳什与贝叶斯纳什均衡)。与之前的工作相比,我们的主要概念贡献是表明弱介体是存在于各种游戏中的博弈论对象-以前,它们只存在于交通路由游戏中。
2015-02-24 cs.DS cs.GT
Distributed equilibrium seeking in aggregative games: linear convergence under singular perturbations lens
提出一种全分布式算法,通过跟踪机制重构聚合变量,利用奇异摄动框架分析,在强单调博弈中实现线性收敛,并在智能电网电压支撑案例中验证有效性。
2025-05-27 cs.GT cs.SY eess.SY
Nash and Wardrop equilibria in aggregative games with coupling constraints
ETH Zürich(苏黎世联邦理工学院);MIT(麻省理工学院)
研究纳什与沃德罗普均衡在聚合游戏中关系及收敛算法,分析其与种群规模的关系,并应用于电动汽车充电和道路网络路径选择。
2018-04-30 cs.GT cs.SY eess.SY
Strategically Robust Aggregative Games
ETH Zurich(苏黎世联邦理工学院);Caltech(加州理工学院);Imperial College London(帝国理工学院)
本文提出战略鲁棒Wardrop均衡概念,通过最优传输基的模糊集保护代理免受群体行为不确定性影响,在凸聚合博弈中证明其存在性并提供计算工具,展示鲁棒化能提升群体决策效率。
2026-04-26 cs.GT math.OC
Ensure Differential Privacy and Convergence Accuracy in Consensus Tracking and Aggregative Games with Coupling Constraints
针对带耦合约束的分布式聚合博弈,协同设计GNE求解与噪声注入机制,提出首个同时保证收敛性和严格ε-差分隐私的算法,并辅以新共识跟踪算法及一般收敛性理论,数值实验验证有效性。
2024-07-16 cs.CR cs.GT math.OC
Dynamic control of agents playing aggregative games with coupling constraints
Eindhoven University of Technology(埃因霍温理工大学)
本文研究如何通过中央协调器控制非合作异质代理群体,使其在共享凸约束下趋近群体均衡,提出基于算子理论的动态控制法,实现全局收敛。
2017-03-11 cs.GT cs.MA cs.SY
Network Aggregative Games and Distributed Mean Field Control via Consensus Theory
ETH Zurich(苏黎世联邦理工学院)
本文研究了网络聚合博弈模型,提出分布式算法以实现纳什均衡,并结合共识理论实现分布式均场控制,同时扩展了意见动态和智能建筑需求响应模型。
2015-06-25 cs.GT cs.MA cs.SI
Privacy Guarantee for Nash Equilibrium Computation of Aggregative Games Based on Pointwise Maximal Leakage
KTH Royal Institute of Technology(皇家理工学院);Southeast University(东南大学)
针对差分隐私在相关数据集上隐私度量不足的问题,提出逐点最大泄露框架,利用先验知识给出纳什均衡计算中隐私泄露的精确上界,实验表明其优于差分隐私。
2026-06-09 cs.GT cs.IT math.IT
On the Efficiency of Nash Equilibria in Aggregative Charging Games
ETH Zürich(苏黎世联邦理工学院);MIT(麻省理工学院)
本文研究了在聚合充电博弈中纳什均衡的效率问题,通过分析纳什均衡与社会最优解之间的价格错配,得出了在不同价格函数情况下纳什均衡效率趋近于最优的结论,并提供了有限人口下的效率界限。
2018-05-15 cs.GT cs.SY eess.SY
Inverse learning of black-box aggregator for robust Nash equilibrium
本文针对耦合约束聚合博弈中聚合器权重未知的黑箱场景,提出基于逆变分不等式的逆向学习方法估计未知聚合器,重建博弈并推导最坏情况下鲁棒纳什均衡的一阶条件,通过违反概率上界刻画泛化性,仿真验证了方法的有效性。
2024-03-16 cs.GT cs.SY eess.SY
Finding Any Nontrivial Coarse Correlated Equilibrium Is Hard
(粗略的)相关均衡概念最吸引人的一个方面是,自然动态很快就能达到这种均衡的近似值,即使在有许多参与者的博弈中也是如此。此外,存在计算精确(粗略)相关平衡的多项式时间算法。根据这些结果,一个自然的问题是,从任何有效的算法或动力学中产生的(粗糙)相关均衡有多好。在本文中,我们解决这个问题,并建立强负结果。特别是,我们表明,在多人游戏,有一个简洁的表示,这是NP-难计算任何粗相关平衡(或近似粗相关平衡)福利严格优于最坏的可能。对简洁游戏的关注确保了潜在的复杂性问题是有趣的;许多感兴趣的多人游戏实际上是简洁的。我们的研究结果意味着,虽然可以有效地计算一个粗糙的相关均衡,不能提供任何非平凡的福利保证所产生的均衡,除非P=NP。我们发现,类似的硬度结果保持相关的均衡,并坚持平等主义的目标或帕累托最优。为了补充硬度的结果,我们开发了一个算法框架,确定设置中,我们可以有效地计算一个近似的相关平衡与接近最佳的福利。我们使用这个框架来开发一个有效的算法计算近似相关的均衡与接近最优的福利在聚合游戏。
2015-04-23 cs.GT
How Irrationality Shapes Nash Equilibria: A Prospect-Theoretic Perspective
本文从前景理论视角研究非理性如何塑造纳什均衡,发现前景理论变换可保留对称均衡并消除非对称均衡,甚至将不可数均衡集合映射为有限集合,为人机交互系统的均衡选择提供理论依据。
2025-08-13 cs.GT
A sensitivity analysis for the price of anarchy in non-atomic congestion games
本文证明了非原子拥塞博弈中的PoA是H{<$}lder连续的.对成本函数和需求的组合干扰。然后,我们将这一结果的PoA的收敛性分析。
2021-08-23 cs.GT
Linear convergence in time-varying generalized Nash equilibrium problems
本文研究时变广义纳什均衡问题,通过证明KKT算子的强单调性得到原始-对偶伪梯度动力学的线性收敛,并提出部分决策信息下聚合博弈的全分布式算法,最终在点对点能源市场经济调度中验证其有效性。
2023-04-19 cs.GT cs.MA math.OC
Stochastic generalized Nash equilibrium seeking under partial-decision information
我们首次考虑了随机广义纳什均衡问题,即,期望值费用函数和联合可行性约束,在部分决策信息,这意味着代理只与一些可信的邻居通信。我们提出了几个分布式算法的网络游戏和聚合游戏,我们表明是一个预处理的前向向后分裂方法的特殊情况。我们证明了算法收敛到一个广义Nash平衡时,向前的操作是限制的余度,通过使用随机逼近方案与方差减少估计的期望值的伪梯度。
2021-05-31 cs.GT cs.SY eess.SY
Differentially Private Distributed Nash Equilibrium Seeking over Time-Varying Digraphs
该研究针对时变非平衡有向图下的聚合博弈,提出注入拉普拉斯噪声、结合push-sum协议与衰减因子、动量项的差分隐私分布式纳什均衡求解算法,实现收敛性与差分隐私的兼顾,仿真验证了有效性。
2025-02-13 cs.GT
Continuous-time fully distributed generalized Nash equilibrium seeking for multi-integrator agents
我们考虑在部分决策信息场景中由动态代理进行的具有凸可分离耦合约束的强单调游戏。我们首先设计连续时间完全分布式反馈控制器,基于共识和原始-对偶梯度动力学,在单积分代理网络中寻求广义纳什均衡。我们的第一个解决方案采用了一个固定的增益,其选择需要一些全局参数的游戏的知识。为了放松这一要求,我们设想了一个控制器,可以调整在一个完全分散的方式,由于使用不协调的积分自适应权重。我们还介绍了专门为广义聚合游戏设计的算法。最后,我们适应我们所有的控制方案来处理异构多积分代理,反过来,与非线性反馈线性化动力系统。对于所有提出的动态,我们证明了收敛到变分平衡,利用单调性和稳定性理论的投影动力系统。
2021-03-19 cs.GT cs.MA math.OC
Sensitivity Analysis for Markov Decision Process Congestion Games
我们考虑一个非原子拥塞游戏,每个决策者执行自私的优化状态的一个共同的MDP。决策者对自己的期望成本进行优化,并通过阻塞效应对国家行动成本的影响相互影响。我们分析了MDP拥塞博弈均衡对状态-行动成本的不确定性和扰动的敏感性。定义了随机Braess悖论的发生,基于博弈均衡的敏感性进行了分析,并在仿真中进行了演示。我们进一步分析了与确定性动力学相比,随机动力学的引入如何影响布雷斯悖论的大小。
2019-09-12 cs.GT math.OC
Evolutionary game of N competing AIMD connections
本文利用演化博弈的方法对网络的动态行为进行建模。今天有许多不同的协议用于通过互联网进行数据传输,为用户提供更好或更差的服务。选择更好的协议的过程可以被认为是一个与参与者(用户)的动态博弈,试图最大化他们的收益(例如吞吐量)。本文利用右端不连续的微分方程建立了网络的动态模型,证明了解的存在唯一性,建立了网络博弈的支付矩阵,并根据损失敏感性参数得到了网络博弈平衡点存在的条件。仿真结果说明了这一点
2017-08-01 cs.GT
Generalized Wardrop Equilibrium for Charging Station Selection and Route Choice of Electric Vehicles in Joint Power Distribution and Transportation Networks
本文提出了一个由异构电动汽车(EV)和配电系统运营商(DSO)作为球员,充电站运营商(CSO)和运输网络运营商(TNO)作为协调员组成的博弈的均衡分析。每辆电动汽车都试图选择一个充电站作为目的地,同时选择一条到达目的地的路线。然而,道路和充电站上的交通和电力负荷拥挤导致电动汽车的最优决策之间的相互依赖性。CSO和TNO需要应用一些收费来控制这种拥塞。另一方面,充电站的定价取决于实时分布式位置边际定价,这是由DSO解决配电网络上的最优潮流后确定的。本文还考虑了电动汽车,交通和分销网络的本地和耦合/基础设施的限制。该问题被建模为一个广义聚合博弈,然后提出一种分散学习方法来获得博弈的一个均衡点,即变分广义Wardrop均衡.证明了平衡点的存在性和算法的收敛性。我们进行数值研究萨凡纳城市模型和IEEE 33节点配电网,并调查各种特性对需求和价格的影响。
2023-01-26 cs.GT cs.SY eess.SY
Stochastic Dynamic Pricing of Electric Vehicle Charging with Heterogeneous User Behavior: A Stackelberg Game Framework
Monash University(蒙纳士大学);Huazhong University of Science and Technology(华中科技大学);Tongji University(同济大学)
本文提出一种基于Stackelberg博弈的随机动态定价框架,用于应对电动汽车充电中异质用户行为和系统不确定性的挑战,通过双层优化提升系统效用和用户满意度。
2026-01-20 cs.GT
A variational inequality framework for network games: Existence, uniqueness, convergence and sensitivity analysis
Massachusetts Institute of Technology(麻省理工学院)
本文提出统一的变分不等式框架,研究网络博弈中纳什均衡的基本性质,通过网络的谱范数、无穷范数和邻接矩阵最小特征值等条件,保证均衡的存在性、唯一性、收敛性与连续性。
2018-08-09 cs.GT cs.SI cs.SY
On Poisoned Wardrop Equilibrium in Congestion Games
近年来,针对日益互联的流量网络的攻击向量越来越多。信息攻击已经成为旨在毒害流量数据、误导用户和操纵流量模式的突出攻击。为了研究这类攻击的影响,我们提出了一个博弈论的框架,攻击者,作为一个Stackelberg领导者,伪造的交通状况,以改变交通模式预测的Wardrop交通平衡,实现了用户,或追随者。沃德罗普均衡的预期转移是战略信息中毒的结果。利用博弈论和敏感性分析,我们量化了系统级的影响,通过表征的概念,中毒的无政府代价的无政府状态,比较中毒的Wardrop均衡和其非中毒系统的最佳对应。我们使用疏散的案例研究表明,斯塔克伯格均衡可以通过两个时间尺度零阶学习过程中发现,并展示了信息中毒的破坏性影响,这表明迫切需要国防政策,以减轻这种安全威胁。
2022-08-31 cs.GT
Mean Field Equilibrium in Dynamic Games with Complementarities
我们研究一类随机动态博弈,表现出战略互补的球员之间,正式,在我们考虑的游戏中,一个球员的回报有越来越大的差异,她自己的状态和经验分布的其他球员的状态。这种游戏可以用来模拟各种各样的应用程序,包括网络安全模型,推荐系统和市场中的动态搜索。随机博弈通常很难分析,而且只有当参与者的数量很大时,这些困难才会加剧(就像前面的例子中可能出现的情况)。我们考虑一个近似的方法称为平均场均衡来研究这些游戏。在这种均衡中,每个参与者只对其他参与者的长期平均状态做出反应。我们找到了在这种博弈中存在平均场均衡的必要条件。此外,作为这个存在定理的一个简单的推论,我们得到了几个自然单调性性质。我们发现,存在一个“最大”和“最小”的均衡之间的所有这些玩家使用的均衡策略是非递减的,我们还表明,玩家收敛到这些均衡通过自然近视学习动态;正如我们所认为的,这些动态比标准的最佳对策动态更合理。我们还提供了敏感性结果,在那里我们量化了这些游戏的均衡如何响应游戏参数的变化(例如,对球员的激励)。
2010-11-25 cs.GT
Dynamical selection of Nash equilibria using Experience Weighted Attraction Learning: emergence of heterogeneous mixed equilibria
Department of Mathematics, King’s College London(伦敦国王学院数学系)
本文研究了大游戏中策略分布,分析了纳什均衡的分类及EWA学习如何打破均衡不确定性,揭示异质混合均衡的形成机制。
2017-06-29 cond-mat.stat-mech cs.GT cs.LG
Risk Sensitivity in Markov Games and Multi-Agent Reinforcement Learning: A Systematic Review
School of Electrical and Computer Engineering, University of Tehran(德黑兰大学电气与计算机工程学院)
本文系统综述了马尔可夫博弈与多智能体强化学习中的风险敏感性研究,梳理并数学定义了各类风险度量及其应用文献,同时总结了当前研究趋势与未来方向。
2024-06-10 cs.GT cs.LG cs.MA
Game Dynamics for Players with Social and Material Preferences
我们考虑大种群的个人谁可以玩各种类型的非合作博弈的动态,存在性和稳定性的平衡态。参与者模仿最有吸引力的策略,选择的动机不仅是策略的物质回报,而且是它们在人群中的受欢迎程度。决定平衡态中两个因素权重的参数对于所有类型的博弈都具有相同的解析形式,并与Hernstein匹配律中的增强参数敏感性相一致。我们证明定理的存在性和唯一性,并讨论了多个局部稳定的多态平衡所考虑的游戏类型的例子。
2012-03-30 cs.GT nlin.AO
Network Resource Sharing Games with Instantaneous Reciprocity
我们提出了一个通用的战略网络资源共享游戏之间的一组球员代表运营商。参与者协商哪些参与者共享给定的资源,以不同的干扰敏感度为用户提供服务。我们证明了所提出的游戏有一个纳什均衡,其中一个greenly玩游戏收敛。此外,仿真结果表明,当应用于小小区室内办公环境中的运营商间频谱共享时,收敛速度快,并且与默认资源使用配置相比,运营商的性能有显著改善。
2016-05-30 cs.GT cs.NI math.OC
BRAID: Learning Equilibrium Maps in Interdependent Security Games via Weight-Tied Iterative Graph Neural Networks
The Ohio State University(俄亥俄州立大学)
针对网络上相互依存安全博弈中纳什均衡计算成本高的问题,提出BRAID模型,用权重绑定迭代图神经网络学习均衡映射,速度提升43倍,可预测均衡并恢复参数扰动下的均衡变化,经实验验证有效。
2026-08-18 cs.GT cs.LG
Insights on the Theory of Robust Games
鲁棒博弈是一种无分布模型,用于处理由参与者支付函数值的可能实现的有界集合所产生的模糊性。参与者是最坏情况下的优化者,并且通过标准正则性条件来保证称为鲁棒优化均衡的解决方案。本文研究了这种平衡的不确定性水平的敏感性。具体地说,我们证明了它是一个名义对应博弈的ε-纳什均衡,其中ε-近似度量了一个参与者通过降低他的不确定性水平而获得的额外利润。此外,给定一个名义博弈的鲁棒-纳什均衡,我们证明了总是可以引入不确定性,使得鲁棒-纳什均衡是一个鲁棒优化均衡。一个例子表明,一个鲁棒古诺双寡头模型可以允许多个和非对称的鲁棒优化均衡,尽管只有一个对称的纳什均衡存在的名义对应的游戏。
2020-02-01 cs.GT econ.TH
Entropic Risk-Sensitive Evolutionary Learning and Equilibrium Selection in Coordination Games
University of Maryland, College Park(马里兰大学帕克分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究提出熵风险敏感进化学习模型,证明在协调博弈中,种群风险态度可系统性调控长期均衡选择,风险寻求偏向收益占优均衡,风险规避偏向最大最小均衡。
2026-09-09 cs.GT cs.MA cs.SY
High-Probability Nash Regret for Decentralized Learning in Markov $α$-Potential Games: Episodic and Fully Online Asynchronous Algorithms with Applications to Markov Congestion Games
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对马尔可夫α-势博弈,提出KL投影自然策略梯度算法,在情节式和完全在线异步设置下实现高概率纳什遗憾界,消除分布不匹配系数,并应用于马尔可夫拥塞博弈的在线作业调度。
2026-09-15 cs.GT cs.LG cs.MA
Strategy, Not Payoffs: A Behavioural Embedding of Normal-Form Games
University of Waterloo(滑铁卢大学)
该研究提出轻量双特征行为嵌入,可预测大型语言模型在不同标准型博弈间微调后的策略能力变化,证明策略能力迁移由决策行为结构而非收益几何决定。
2026-07-31 cs.AI cs.GT cs.LG
Dynamics of Boltzmann Q-Learning in Two-Player Two-Action Games
USC Information Sciences Institute(南加州大学信息科学研究所)
我们考虑在两个玩家的两个动作的游戏与玻尔兹曼探索机制的Q-学习的动力学。对于任何非零的探索率的动力学是耗散的,这保证了代理策略收敛到休息点,通常不同于游戏的纳什均衡(NE)。我们提供了一个全面的表征不同的游戏的休息点结构,并检查这种结构的灵敏度,由于探索的噪音。我们的研究结果表明,对于一类具有多个NE的游戏,学习动力学的渐近行为在临界探索率下会发生剧烈的变化。此外,我们证明,对于某些游戏与一个单一的NE,它是可能的有额外的休息点(不对应于任何NE),持续为一个有限范围的探索率和消失时,双方球员的探索率趋于零。
2012-03-01 cs.GT cs.LG cs.MA
Strategic Gaussian Signaling under Linear Sensitivity Mismatch
Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);Université Internationale de Rabat(拉巴特国际大学)
研究在线性灵敏度不匹配下的高斯信号策略,分析无噪声和有噪声信道中的均衡结构,探讨信号传输的阈值条件。
2026-05-14 cs.GT cs.IT cs.SY