Robust Accelerated Dynamics for Subnetwork Bilinear Zero-Sum Games with Distributed Restarting
针对双线性耦合双子网络零和博弈,提出分布式原始-对偶加速镜像下降算法,并引入协调重启机制以增强鲁棒性,建模为混合动力系统并证明结构鲁棒性。
2025-08-06 math.OC
On a Potential Game-theoretic Approach to Event-triggered Distributed Resource Allocation
本文提出了一种潜在的博弈论方法来解决多智能体系统中的事件触发的分布式资源分配。提出了种群的适应度动态,并将其作为一种线性变参数动态来实现事件触发的分布式资源分配。首先,它是动态类似于共识协议,是等效的复制动态。此外,还推导出了确保采样间隔的最小时间界限以避免Zeno行为的条件。一个经济调度问题来说明理论结果。
2018-07-23 math.OC
Distributed Algorithms for Aggregative Games on Graphs
我们考虑一类纳什博弈,称为聚合博弈,在网络系统中进行。在聚合博弈中,参与者的目标是所有参与者决策总和的函数。每个参与者都保持对这个聚合的估计,并且参与者通过连接的网络与他们的本地邻居交换这个信息。我们研究分布式同步和异步算法的信息交换和平衡计算在这样的网络。在标准条件下,我们建立了所得到的序列到平衡点的几乎必然收敛。我们还考虑我们的计划扩展到聚合游戏,玩家的目标是通过更一般形式的聚合函数耦合。最后,我们提出的数值结果表明所提出的计划的性能。
2016-06-08 math.OC
Distributed $n$-player approachability and consensus in coalitional games
我们研究了一个分布式分配过程,在这个过程中,每个参与者都在不断地与邻居重新协商过去的分配,并分配新的收入。平均分配根据双重(在时间和空间上)平均算法进行演变。我们研究的条件下,平均分配达到共识的任何点在一个预定义的目标集,即使在存在对抗性干扰。动机出现在可转移效用(TU)的联盟博弈的背景下,其中目标集是使大联盟稳定的任何一组分配。
2013-10-07 math.OC
Geometric Convergence of Distributed Gradient Play in Games with Unconstrained Action Sets
本文提出了一种分布式算法来学习一类具有强单调映射和无约束行动集的非合作对策的纳什均衡。每个参与者都可以访问自己的平滑局部费用函数,并且可以与无向图中的邻居进行通信。我们考虑一个分布式通信为基础的梯度算法。对于这个过程中,我们证明几何收敛到纳什均衡。与我们以前的工作[15],[16]相比,其中所提出的算法需要设置两个参数并且分析基于所谓的增强博弈映射,这项工作中的过程对应于标准的分布式梯度游戏,因此,仅需要适当选择一个恒定的步长参数以保证快速收敛到博弈解。此外,我们提供了一个严格的比较之间的收敛速度的分布式梯度播放和速度的GRANE算法在[15]。它使我们能够证明分布式梯度播放在收敛速度方面优于GRANE。
2019-07-15 math.OC
Distributed coverage games for mobile visual sensor networks
受当前数据密集型传感器网络的挑战,我们制定了一个覆盖最优化问题的移动视觉传感器作为一个(约束)重复多人游戏。每个视觉传感器都试图优化自己的覆盖范围,同时最大限度地降低处理成本。我们提出了两种分布式学习算法,每个传感器只记得自己的效用值和行动在最后一次播放。这些算法被证明是收敛的概率(约束)纳什均衡和全局最优的某些覆盖性能指标,分别。
2010-02-01 math.OC
Fast Distributed Nash Equilibrium Seeking in Monotone Games
本文针对单调凸博弈提出一种基于算子外推的分布式纳什均衡求解算法,在参与者仅能通过通信图与邻居交互的条件下实现几何收敛,并优于已有方法的收敛速度。
2025-07-15 math.OC
Distributed Nash Equilibrium Seeking in N-Cluster Games with Fully Uncoordinated Constant Step-Sizes
近年来,分布式优化和纳什均衡(NE)求解问题引起了控制界的广泛关注。本文研究了一类非合作博弈,称为N-集群博弈,它将多个智能体之间的合作和非合作性质包含在两个问题中:解决集群内的分布式最优化问题,同时进行跨集群的非合作对策。此外,我们考虑一个部分决策信息博弈设置,即,代理不能直接访问其他代理的决策,因此需要通过有向图相互通信。为了解决N簇博弈问题,我们提出了一个分布式NE搜索算法的共识和梯度跟踪的综合。与其他现有的离散时间方法N-集群游戏中,无论是一个共同的步长是公开的所有代理或只知道代理从同一集群,所提出的算法可以与完全不协调的恒定步长,这允许代理(内和跨集群)选择自己的首选步长。我们证明了,所有代理的决策线性收敛到其相应的NE,只要最大的步长和步长的异质性是小的。我们通过一个古诺竞争博弈的数值例子验证了所得结果。
2023-02-28 math.OC
Team Games Optimality Conditions of Distributed Stochastic Differential Decision Systems with Decentralized Noisy Information Structures
我们考虑一个团队博弈的奖励,我们推导出一个随机庞特里亚金的最大值原理的分布式随机微分系统分散噪声信息结构。我们的方法利用半鞅表示定理,变分方法,和向后随机微分方程。此外,我们推导出表征分散策略的团队和逐个最优性的必要和充分的最优性条件。最后,我们将随机最大值原理应用于通信、滤波和控制等应用领域的几个例子。
2013-04-11 math.OC
Efficient algorithm for approximating Nash equilibrium of distributed aggregative games
在本文中,我们的目的是设计一个分布式近似算法,寻找纳什均衡的一个集团对策。由于每个局中人的局部集合约束,基于投影的算法已被广泛应用于解决这类问题的实际。由于在实际中很难得到精确的投影,我们利用内接多面体来近似局部集合约束,从而得到一个相关的近似对策模型。我们首先证明了近似博弈的Nash均衡是原博弈的$ε$ -Nash均衡,然后提出了一个分布式算法来寻找$ε$ -Nash均衡,其中投影是二次规划的标准式.借助已有的求解二次规划的方法,证明了该算法的收敛性,并讨论了与逼近有关的计算代价问题.此外,基于算法的指数收敛性,我们估计了与$ε$相关的逼近精度。此外,我们调查的计算成本节省近似的数值例子。
2021-08-27 math.OC
Equilibrium strategies in a multiregional transboundary pollution differential game with spatially distributed controls
本文分析了一个具有空间分布控制的微分对策,研究了一个多区域跨界污染问题。状态变量(污染存量)的动态由二维抛物型偏微分方程定义。控制变量(排放量)是空间分布的变量。该模型允许一个,可能很大,预定的地理关系的代理商的数量。对于一个特殊的函数形式,以前使用的文献中的跨界污染动态博弈,我们分析表征反馈纳什均衡。我们表明,在均衡的水平和位置的排放量的每个区域取决于特定的地理关系之间的代理。我们证明,即使在简化的模型中,地理因素也可以修改参与者的最优策略,因此,模型的空间方面不应被忽视。
2019-12-01 math.OC
Distributed Nash Equilibrium Seeking in Consistency-Constrained Multi-Coalition Games
多联盟博弈的分布式纳什均衡求解问题近年来受到越来越多的关注,但研究主要集中在联盟内部无协议需求的情况下。本文考虑了一类多个联盟之间的网络博弈,其中每个联盟包含多个代理人,这些代理人合作以最小化其成本之和,但需要就其状态值达成一致。此外,代理之间的底层网络拓扑不需要平衡。为了实现在这种情况下的NE寻求的目标,构造两个估计,即费用函数的偏导数的估计和全局状态值的估计,在此基础上,精心设计的迭代状态更新律。证明了该算法的线性收敛性。结果表明,本文所研究的一致性约束多联盟博弈将网络中的个体博弈和分布式优化问题统一到一个统一的框架中,所提出的算法可以很容易地退化为这些问题的解.
2021-12-09 math.OC
Distributed robust adaptive equilibrium computation for generalized convex games
本文考虑了一类广义凸对策,其中每个局中人与凸目标函数、凸不等式约束和凸约束集相关联。参与者的目标是通过与相邻参与者的通信来计算纳什均衡。我们考虑的特殊挑战是,相关的球员的组件功能是未知的先验。研究了两种分布式计算算法,分析了它们在数据传输延迟和网络拓扑动态变化情况下的收敛性质。通过IEEE 30节点测试系统的需求响应验证了算法的性能。我们的技术工具集成了凸分析,变分不等式和同时扰动随机逼近。
2015-09-22 math.OC
Dynamic Coalitional TU Games: Distributed Bargaining among Players' Neighbors
我们考虑一个序列的可转移效用(TU)游戏,在每一个时间,特征函数是一个随机向量的实现限制到一些设置的值。该游戏不同于其他文献中的动态,随机或区间值TU游戏,因为它结合了动态的游戏与分配协议的球员,动态相互作用。该协议是一个迭代和分散的算法,提供了一个范例的谈判和讨价还价过程的数学描述。本文的第一部分有助于一个强大的(联盟)TU游戏的定义和分布式谈判协议的发展。我们证明了收敛概率为1的谈判过程中的一个随机分配,在一些温和的条件下,在底层通信图的鲁棒游戏的核心。本文的第二部分讨论了更一般的情况下,健壮的游戏可能有空的核心。在这种情况下,我们通过对特征函数序列进行时间平均,将动态平均博弈与动态博弈联系起来。然后,我们考虑一个相应修改的讨价还价协议。假设序列的特征函数是遍历和平均游戏的核心有一个非空的相对内部,我们证明了修改后的谈判协议收敛概率为1的随机分配,在于平均游戏的核心。
2011-01-24 math.OC
Distributed Non-Bayesian Learning for Games with Incomplete Information
我们考虑了具有未知成本相关参数的博弈中的分布式学习问题,目的是在学习真实参数的同时找到纳什均衡。受社会学习文献的启发,我们提出了一种分布式的非贝叶斯规则来学习参数(每个代理保持对参数的信念,并根据收到的噪声成本更新信念),结合最佳响应动态策略更新。分析的难度主要在于参数学习过程和策略更新过程是耦合的。我们首先证明了代理人的信念收敛到一个共同的信念和策略配置文件收敛到一个纳什均衡在这个共同的信念。在此基础上,我们进一步表明,信念最终集中在真参数。
2023-03-13 math.OC
Single-timescale distributed GNE seeking for aggregative games over networks via forward-backward operator splitting
我们考虑具有仿射耦合约束的聚合博弈,其中代理商具有关于聚合值的部分信息,并且只能与相邻代理商进行通信。我们提出了一个单层分布式算法,达到变分广义纳什均衡,恒定的步长。该算法在单个时间尺度上工作,即,在更新其动作之前,不需要代理之间的多轮通信。收敛性证明利用了聚合估计的不变性,并依赖于两个预处理算子的前向-后向分裂及其在共识子空间上的限制(强)单调性。
2020-08-04 math.OC
Distributed Robust Nash Equilibrium Seeking for Mixed-Order Games by a Neural-Network based Approach
在实际应用中,具有异质动态的决策者可能参与相同的决策过程。这促使我们研究分布式纳什均衡寻求游戏中的球员是混合阶(一阶和二阶)的集成商的影响未知的动态和外部干扰在本文中。为了解决这个问题,我们采用了自适应神经网络来管理未知的动态和干扰,在此基础上,通过进一步适应基于梯度的优化和多智能体共识的概念,开发了分布式纳什均衡寻求算法。通过构造适当的李雅普诺夫函数,我们分析证明了收敛的报告的方法。理论研究表明,参与人的行动将被引导到纳什均衡的一个任意小的邻域,这也被模拟所证实。
2022-09-02 math.OC
Fully Distributed Adaptive Nash Equilibrium Seeking Algorithm for Constrained Noncooperative Games with Prescribed Performance
针对约束非合作博弈,提出一种全分布式自适应纳什均衡寻求算法,利用自适应惩罚、时变增益和余弦时间转换实现规定时间稳定,并通过电力市场仿真验证。
2024-11-06 math.OC
Distributed Nash Equilibrium Seeking for Games in Systems with Bounded Control Inputs
针对实际工程系统中普遍存在的物理限制问题,研究了控制输入有界系统中博弈的纳什均衡问题。更具体地说,一阶积分型系统的控制输入有界,两个饱和控制策略的设计,以寻求纳什均衡的游戏。然后,我们进一步考虑了二阶积分型系统中博弈的纳什均衡寻求问题。由于这个问题很少被研究,我们首先提出了一个集中式的搜索策略,而不考虑控制输入的有界性,其次是分布式的。通过进一步调整饱和函数的纳什均衡搜索策略,一个新的搜索策略,然后被认为是二阶系统的有界控制。在建议的分布式策略中,共识协议包括信息共享和饱和函数被用来构造有界控制输入。通过李雅普诺夫稳定性分析,证明了该方法的收敛性.最后,通过考虑移动传感器网络的连通性控制,对所提出的方法进行了数值验证。
2020-09-27 math.OC
Distributed Online Generalized Nash Equilibrium Tracking for Prosumer Energy Trading Games
随着分布式发电的普及,配电网络中传统的被动消费者正在演变为既能生产能源又能消费能源的“产消者”。在能源过剩和短缺的情况下,与主电网或产消者之间的能源交易是不可避免的。为此,本文研究了对等(P2P)能源交易市场,这是制定为一个广义纳什博弈。我们首先证明了广义纳什均衡(GNE)的存在唯一性。在此基础上,提出了一种分布式在线跟踪算法。证明了该算法的收敛性受学习时间的次线性函数约束,表明该在线算法在实际应用中具有可接受的精度。最后,通过6个微网格的数值算例验证了算法的有效性。
2022-10-05 math.OC
An Optimal Distributed Algorithm with Operator Extrapolation for Stochastic Aggregative Games
本文研究了一类随机集结对策的纳什均衡问题,其中每个局中人都有一个期望值目标函数,该期望值取决于其局部策略和所有局中人策略的集合。我们提出了一个分布式算法与运营商外推,其中每个球员保持估计这个聚集通过交换此信息与它的邻居在一个随时间变化的网络,并更新其决定通过镜像下降法。在搜索方向上应用算子外推,使得利用两步历史梯度样本来加速收敛。在伪梯度映射的强单调性假设下,证明了该算法对于随机对策的纳什均衡搜索具有$\mathcal{O}(1/k)$的最优收敛速度。最后,通过数值模拟验证了算法的性能.
2022-05-14 math.OC
On the linear convergence of distributed Nash equilibrium seeking for multi-cluster games under partial-decision information
研究了部分决策信息情形下多集群博弈纳什均衡的分布式策略设计问题。在所考虑的游戏中,有多个集群,每个集群由一组代理。集群被看作是一个虚拟的非合作的球员,旨在最大限度地减少其本地支付函数和代理在集群内的实际球员,合作,通过通信,通过连通图优化集群的支付函数。在我们的设置中,代理只有部分决策信息,也就是说,他们只知道本地信息,不能完全访问对手的决定。为了解决这个公式化的游戏NE寻求问题,一个离散时间的分布式算法,称为分布式梯度跟踪算法(DGT),设计的基础上,集群间和集群内的通信。在所设计的算法中,每个代理都配备了策略变量,包括自己的策略和其他集群的策略估计。借助加权Fronbenius范数和加权Euclidean范数,给出了严格的理论分析,证明了算法的线性收敛。最后给出了一个数值例子来说明所提出的算法。
2022-06-07 math.OC
A Unifying System Theory Framework for Distributed Optimization and Games
本文提出统一系统理论框架,通过将优化与共识模块互联视为奇异摄动系统,为网络分布式优化与博弈提供设计分析方法,并开发出线性收敛的约束耦合问题新方案。
2025-05-23 math.OC
A Communication-Efficient and Differentially-Private Distributed Generalized Nash Equilibrium Seeking Algorithm for Aggregative Games
本文针对聚合博弈中带宽受限的分布式广义纳什均衡求解问题,提出一种结合事件触发通信与信息压缩的通信高效算法,同时节省传输轮次和比特数,并证明其收敛性及在随机量化下实现$(0,δ)$-差分隐私。
2025-03-11 math.OC
Distributed Nash Equilibrium Seeking in Aggregative Games over Jointly Connected and Weight-Balanced Networks
该研究针对联合连通且权平衡的网络场景,提出新方法解决现有聚合博弈分布式纳什均衡求解方法依赖网络连通性的问题,证明了闭环系统输出可指数收敛到未知纳什均衡点。
2024-05-13 math.OC
Adaptive Approaches for Fully Distributed Nash Equilibrium Seeking in Networked Games
本文研究了多智能体博弈的完全分布式纳什均衡寻求策略的设计问题。为了发展完全分布式搜索策略,提出了两种适应控制律,包括基于节点的控制律和基于边缘的控制律。在基于节点的自适应策略中,每个参与者根据可获得的共识误差动态调整自己的权重。此外,在基于边的算法中,通过自适应地调整通信图的边上的权重来设计全分布式策略。利用LaSalle的不变原理,证明了在局中人的目标函数是二次连续可微的,局中人的目标函数关于自身行动的偏导数是全局Lipschitz的,博弈的伪梯度向量是强单调的,通信网络是无向连通的条件下,两种策略下的纳什均衡是全局渐近稳定的.此外,我们进一步表明,基于边的方法可以很容易地适应于适应时变的通信条件,其中通信网络之间切换的一组无向和连通图。最后通过一个数值例子说明了所提方法的有效性。
2019-12-01 math.OC
No-regret distributed learning in subnetwork zero-sum games
在本文中,我们考虑了一个分布式学习问题的子网络零和对策,其中代理人是在不同的子网络竞争。这些代理商通过时变图连接,其中每个代理商都有自己的费用函数,并可以从其邻居接收信息。当图是一致强连通的且费用函数是凸凹的时,我们提出了一种计算Nash均衡的分布式镜像下降算法,并建立了迭代序列的次线性遗憾界.此外,我们证明了它的收敛性与适当选择递减步长的严格凸-凹费用函数。我们还考虑了一个恒定的步长的算法的变体,并建立了运行平均行动和纳什均衡的费用函数值之间的渐近误差界。此外,我们还将该算法应用于求解子网络零和有限策略博弈的混合策略Nash均衡,该博弈的费用函数为凸凹(具体地说是多线性),并在不同的假设条件下分别得到了最终迭代收敛和遍历收敛的结果.
2021-08-04 math.OC
On the asymptotic nature of first order mean field games
对于一类有限时间一阶平均场对策及相应的N人对策,给出了分布开环策略下对称N人Nash均衡收敛于拉格朗日形式平均场对策解的简单证明.然后,拉格朗日解与通常的两个耦合的一阶偏微分方程的平均场博弈系统所确定的那些连接,并建立了分布式马尔可夫策略的纳什均衡的收敛性。
2019-03-08 math.OC
Distributed Stochastic Nash Equilibrium Learning in Locally Coupled Network Games with Unknown Parameters
在随机纳什均衡问题(SNEPs)中,参与者对所处的复杂环境具有不确定性,模型中的参数具有多维未知性。在各种SNEP中,本文重点研究了局部耦合网络博弈,其中每个理性参与者的目标都受到其邻居的综合影响。我们提出了一个分布式学习算法的基础上的邻近点迭代和普通最小二乘估计,其中每个球员反复更新的本地估计的邻居的决定,使其增广的最佳反应的决定,给定当前的估计参数,接收实现的目标值,并学习未知的参数。利用Robbins-Siegmund定理和M-估计量的大偏差定律,证明了当更新步长以适当的速率衰减时,该算法对SNEP解的几乎必然收敛.
2022-04-05 math.OC
A distributed adaptive steplength stochastic approximation method for monotone stochastic Nash Games
我们考虑一个分布式的随机逼近(SA)计划计算一个随机纳什博弈的均衡。标准SA方案采用平方可和但不可和的递减步长序列。这样的要求提供了一个小的或没有指导如何利用Lipschitz和单调性的问题和天真的选择一般不执行统一的问题的广度。虽然[1]中提出了一种集中式自适应步长SA方案用于优化框架,但这种方案没有为代理提供选择自己步长的自由。因此,直接应用集中步长方案求解纳什博弈是不切实际的。此外,对博弈论机制的扩展(其中玩家可以独立选择步长序列)仅限于Koshal等人的最新工作。出于这些缺点,我们提出了一个分布式算法,其中每个球员更新他的步长的基础上,以前的步长和一些问题参数。步长规则是从最小化与玩家决策相关的误差的上界导出的。结果表明,这些规则产生的序列,几乎肯定收敛到一个平衡的随机纳什博弈。重要的是,这条规则的变体建议玩家独立选择步长序列,同时遵守整体协调要求。初步的数值结果被认为是有希望的。
2013-03-19 math.OC
Distributed computation of equilibria in misspecified convex stochastic Nash games
纳什均衡的分布式计算在分布式控制的背景下出现这样的问题时,在工程中的相关性越来越大。因此,我们提出了两类静态随机凸对策的平衡计算方案复杂的参数误设定,一个自然的关注,在控制大规模网络化工程系统。在这两种方案中,玩家学习的均衡策略,同时解决错误指定:(1)单调随机纳什博弈:我们提出了一组耦合的随机逼近计划分布在代理,其中第一个计划更新每个代理的策略通过一个预计(随机)梯度步骤,而第二个计划更新每个代理的信念,其错误指定的参数使用一个独立指定的学习问题。我们继续表明,所产生的序列收敛在几乎肯定的意义上真正的均衡策略和真正的参数,分别。令人惊讶的是,在均衡策略中的收敛在均方意义上实现了最优的收敛收敛速率,并且速率常数具有可量化的退化;(2)具有不可观察的总输出的随机纳什-古诺博弈:我们将(1)改进为古诺设置,其中我们假设策略元组是不可观察的,而支付函数和策略集是通过公共知识假设的公共知识。通过利用噪声破坏的价格的观察,迭代不动点计划的开发,允许同时学习的均衡策略和错误指定的参数在几乎肯定的意义。
2017-10-14 math.OC
Distributed generalized Nash equilibria computation of monotone games via a preconditioned proximal point algorithm
本文研究了具有仿射耦合约束的单调对策的分布式广义纳什均衡(GNE)计算。每个局中人只能利用其局部目标函数、局部可行集和耦合约束的局部块,并且只能与其邻居进行通信。我们假设博弈具有单调伪次微分,没有Lipschitz连续性限制。我们分别针对等式和不等式仿射耦合约束设计了新的无中心分布式GNE搜索算法。对于等式情形,提出了一种近似乘子交替方向法;对于不等式情形,提出了一种并行分裂型算法。在这两种算法中,GNE寻求任务被分解为一个有序的NE计算的正则化子博弈和分布式更新的乘数和辅助变量,基于本地数据和本地通信。我们的两个双层GNE算法不需要指定内循环NE搜索算法,而且,只要求强单调子对策不精确求解。我们证明了它们的收敛性,表明这两个算法可以被看作是特定的情况下,预处理邻近点法}(PPPA)寻找零的单调算子。最后给出了应用实例和数值模拟。
2017-09-30 math.OC
Dual Privacy Guarantees for Distributed Nash Equilibrium Seeking in Aggregative Games
School of Automation, Nanjing University of Science and Technology(南京理工大学自动化学院)
针对聚合博弈中的隐私保护分布式纳什均衡求解问题,提出一种结合随机事件触发与随机量化的差分隐私机制,通过双重随机性实现严格差分隐私并保证收敛性。
2026-05-26 math.OC
BIG Hype: Best Intervention in Games via Distributed Hypergradient Descent
针对 Stackelberg 博弈等层次化决策问题缺乏收敛保证与计算效率的痛点,提出一种基于一阶超梯度的分布式算法,利用非光滑分析证明其收敛性,并通过保留分布式结构实现可扩展与隐私保护。
2024-03-28 math.OC
Distributed stochastic subgradient-free algorithm for Nash equilibrium seeking in two-network zero-sum games
研究了具有集合约束的两个网络零和对策的分布式Nash均衡求解问题,其中两个网络具有相反的非光滑费用函数.在每个网络中的代理的相互作用的特点是由一个不平衡的有向图。我们特别感兴趣的情况下,在这两个网络中的每个代理的本地费用函数是未知的。我们首先构造随机无次梯度的双变量预言机的局部费用函数的测量的基础上。该算法不使用局部费用函数的次梯度,而是采用无次梯度的双变量预言机来设计分布式算法。在强连通性假设下,证明了该算法保证了所有智能体的状态几乎必然收敛到纳什均衡的邻域内,通过在预言机中选择合适的光滑参数,该邻域的规模可以任意小.最后通过数值模拟验证了理论分析的正确性。
2019-12-02 math.OC
Distributed Generalized Nash Equilibrium Seeking of N-Coalition Games with Full and Distributive Constraints
本文研究了带有不等式约束的$N$ -联盟博弈的分布式广义纳什均衡(GNE)求解问题.首先,我们研究的情况下,在一个联盟中的每个代理人有充分的信息的所有约束。提出了一种基于有限时间平均一致性的方法。证明了该算法收敛于博弈的GNE(变分均衡)。然后,基于有限时间一致性跟踪,我们提出了一种分布式算法,通过使用部分决策信息,只有相邻的动作信息是需要为每个代理。此外,我们调查的情况下,只有分布约束信息可用于代理。这里的术语"分布式”是指约束信息的获取和处理跨联盟中的多个代理进行的情况,并且每个代理仅可以访问约束的子集,而不是每个代理具有所有约束的全部信息的情况。在这种情况下,减少了每个个体所需的乘数计算和约束信息。针对这种情况,分别提出了一种全决策信息算法和一种部分决策信息算法。数值算例验证了算法的有效性。
2021-09-26 math.OC
Privacy and Robustness Guarantees in Distributed Dynamics for Aggregative Games
本文研究了群体对策中的纳什均衡问题,其中每个局中人的支付函数依赖于所有局中人行动的总和。我们提出了一个分布式的连续时间算法,使球员的行动收敛到NE通过相互沟通,通过一个连接的网络。战略代理人之间的通信方案的一个主要问题是,他们的私人信息可能会透露给其他代理人或好奇的第三方谁可以窃听的通信。我们解决这个问题所提出的算法,并表明,私人信息的球员不能重建,即使所有的通信变量受到损害。由于代理可能会偏离NE寻求协议所规定的最优策略,我们研究了所提出的算法对时变干扰的鲁棒性。特别是,我们提供了严格的鲁棒性保证,通过证明输入状态稳定性(ISS)的NE寻求动态的属性。最后,我们展示了我们的理论研究结果的实际应用两个案例研究,即,在一个能源消耗的游戏和电动汽车的充电协调问题。
2019-11-01 math.OC
Distributed Generalized Nash Equilibria Learning for Online Stochastic Aggregative Games
针对含局部与时变耦合约束的在线随机聚合博弈,本文基于push-sum和原始-对偶策略设计分布式在线算法,证明其收敛性与性能界并通过仿真验证。
2025-11-17 math.OC
Distributed Nash Equilibrium Seeking by A Consensus Based Approach
本文研究了局中人网络的纳什均衡问题。与许多现有的关于非合作对策中纳什均衡寻求的工作不同,本文考虑的局中人不能直接观察不是他们邻居的局中人的行动。相反,玩家应该能够通过无向和连接的通信图相互通信。通过综合领导者跟随一致性协议和梯度对策,提出了一种非合作对策的分布式纳什均衡搜索策略。通过李雅普诺夫稳定性分析,分析了局中人行动收敛到纳什均衡的过程。对于具有非二次支付的对策,当多个孤立的纳什均衡可能共存于对策中时,在一定条件下得到了一个局部收敛结果。然后,给出了一个更强的条件来证明非二次对策的非局部收敛结果。对于二次博弈,证明了所提出的搜索策略能够使局中人的行动在给定条件下全局收敛到纳什均衡。数值算例验证了该搜索策略的有效性。
2017-03-26 math.OC
Bayesian Nash Equilibrium Seeking for Distributed Incomplete-information Aggregative Games
本文研究不完全信息聚合博弈的分布式贝叶斯纳什均衡寻求问题,通过离散化连续类型克服非紧策略集带来的障碍,证明了离散模型均衡是ε-BNE,并提出并证明了具有收敛性的分布式算法。
2023-01-11 cs.GT math.OC
Accelerating Distributed Nash Equilibrium Seeking
本文提出一种基于集中式算子外推思想的分布式方法,用于在受限强单调伪梯度的凸博弈中计算纳什均衡,实现了几何收敛速率并改进了已有方法的收敛表现。
2023-10-23 math.OC
Distributed Nash Equilibrium Seeking for Games in Systems with Unknown Control Directions
研究了不确定网络系统在控制方向未知的情况下的分布式纳什均衡求解问题。更具体地说,玩家的动态应该是一阶或二阶系统,其中控制方向是未知的,有参数不确定性。为了实现分布式纳什均衡搜索,提出了基于Nussbaum函数的策略,分别设计了优化模块和状态调节模块。优化模块生成一个参考轨迹,可以搜索纳什均衡,状态调节模块。状态调节器被设计为将玩家的动作引导到参考轨迹。在状态调节模块中引入了自适应律来补偿参与者动态中的不确定参数,并引入了Nussbaum函数来解决控制方向的不可用性。完全分布式实现所提出的算法进行了讨论和研究。通过我们的分析探索,我们表明,所提出的寻求策略可以驱动的球员的行动的纳什均衡渐近,而不需要均匀的球员的未知控制方向的基础上Barbalat引理。最后给出了一个数值例子来支持所提算法的理论分析。
2020-09-27 math.OC
DRAG: Distributed Resource Allocation Games over Multiple Interacting Coalitions
School of Automation, Southeast University(东南大学自动化学院);Department of Electrical Engineering, City University of Hong Kong(香港城市大学电子工程学系)
本文针对多个交互联盟间的分布式资源分配问题,提出资源分配博弈模型,并基于变量替换、梯度跟踪和领导者-跟随者一致性技术设计两类DRA算法,证明其在线性收敛到纳什均衡的同时始终满足资源约束,并通过数值仿真验证有效性。
2025-09-23 math.OC
Constrained multi-cluster game: Distributed Nash equilibrium seeking over directed graphs
本文针对有向图上受约束的多集群博弈,提出结合一致性方法和梯度跟踪技术的分布式纳什均衡寻求算法,引入平均化程序处理约束,实现线性收敛,并在微电网能量管理中验证有效性。
2024-04-22 math.OC
Linearly Convergent Variable Sample-Size Schemes for Stochastic Nash Games: Best-Response Schemes and Distributed Gradient-Response Schemes
本文研究了一个$N$ -局中人随机Nash对策,其中第一局中人$i$最小化一个复合目标$f_i(x) + r_i(x_i)$,其中$f_i$是期望值,$r_i$有一个有效的最优估计.在这方面,我们作出以下贡献。(i)在一个强单调性假设的级联梯度图,我们推导出({ \bf最优})率报表和Oracle的复杂性界限,建议可变样本量近端随机梯度响应(VS-PGR)计划;(ii)我们覆盖(VS-PGR)的共识阶段,以期发展分布式协议的聚合随机纳什博弈。值得注意的是,当样本量和共识步骤的数量在每次迭代增长在一个合适的速度,线性收敛速率可以实现;(iii)最后,根据一个合适的收缩属性与近端最佳响应(BR)地图,我们设计了一个可变的样本量近端BR(VS-PBR)计划,其中近端BR计算通过解决一个样本平均问题。如果计算样本平均值的批量大小以合适的速率提高,我们证明了所得到的迭代以线性速率收敛,并推导出预言机的复杂性。
2018-10-25 math.OC
Distributed online generalized Nash Equilibrium learning in multi-cluster games: A delay-tolerant algorithm
本文针对多集群博弈中反馈信息存在时变延迟且智能体仅能获取部分决策信息的问题,提出一种基于原始-对偶和聚合梯度机制的分布式在线容忍延迟GNE学习算法,并证明其遗憾和约束违反随时间次线性增长。
2024-07-04 math.OC
Distributed Algorithm for Continuous-type Bayesian Nash Equilibrium in Subnetwork Zero-sum Games
本文研究子网络零和博弈中连续类型贝叶斯纳什均衡求解问题,通过连续类型离散化与带稀疏化规则的压缩通信两步设计,提出一种分布式通信高效算法,并证明了其显式误差界限与$O(\ln T/\sqrt{T})$的收敛速率。
2022-09-14 math.OC
A Distributed Linear Quadratic Discrete-Time Game Approach to Formation Control with Collision Avoidance
本文提出一种分布式线性二次离散时间博弈方法,通过边上的惩罚项实现带碰撞避免的编队控制,利用状态依赖黎卡提方程和梯度下降迭代求解,并采用滚动时域实现。
2023-09-05 math.OC
A Survey on Distributed Online Optimization and Game
Tongji University(同济大学);Shanghai Research Institute for Intelligent Autonomous Systems(上海智能自主系统研究院);Nanyang Technological University(南洋理工大学);Harvard University(哈佛大学)
分布式在线优化和博弈在过去十年中得到了越来越多的研究,主要是由于其在传感器网络,机器人(例如,分布式目标跟踪和编队控制)、智能电网、深度学习等等。在这些问题中,有一个可以合作的代理网络(即,分布式在线优化)或非协作(即,网络游戏,通过信息交流。在动态甚至对抗环境中,每个代理的局部成本函数往往是时变的。每一次,决策必须由每个代理人根据手头的历史信息做出,而不知道成本函数的未来信息。对于这些问题,目前还缺乏一个全面的调查。本文旨在从问题设置、通信、计算、算法和性能的角度对分布式在线优化和博弈进行全面的概述。此外,还讨论了一些潜在的未来发展方向。
2023-01-21 cs.LG math.OC
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
Distributed games with jumps: An $α$-potential game approach
UC Berkeley(加州大学伯克利分校);University of Oxford(牛津大学);Imperial College London(帝国理工学院)
本文基于α-势游戏框架分析具有跳跃扩散的分布式游戏,探讨了α-纳什均衡的求解方法,并展示了在人群运动网络游戏中α的计算及在投资组合选择游戏中的应用。
2026-04-16 cs.MA math.OC math.PR
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
Distributed Equilibria for $N$-Player Differential Games with Interaction through Controls: Existence, Uniqueness and Large $N$ Limit
Durham University(杜伦大学)
本文研究了N-player微分博弈的分布式均衡存在性与唯一性,探讨了大N极限下的收敛性,提出了新的一致性关系,并通过线性二次例子验证了假设的尖锐性。
2026-03-31 math.AP math.OC
An asynchronous distributed and scalable generalized Nash equilibrium seeking algorithm for strongly monotone games
本文提出了三种分布式算法来求解一类强单调对策中的广义纳什均衡(GNE)寻求问题。第一个(SD-GENO)是基于代理的同步更新,而第二个和第三个(AD-GEED和AD-GENO)代表异步解决方案,是强大的通信延迟。AD-GENO可以看作是AD-GEED的一个改进,因为它只需要节点辅助变量,增强了算法的可扩展性。我们的主要贡献是证明收敛到一个变分GNE的游戏通过运营商理论的方法。最后,我们将算法应用到网络古诺博弈中,并展示了不同的激活序列和延迟如何影响收敛。我们还比较了所提出的算法,只有其他文献(ADAGNES),并观察到,AD-GENO优于替代品。
2020-05-06 cs.GT math.OC