面向协作式公共资源分配的博弈论时空强化学习框架
机器学习
2025-10-31 v1 计算机与社会
摘要
公共资源分配涉及有效分配城市基础设施、能源和交通等资源，以有效满足社会需求。然而，现有方法侧重于独立优化单个资源的运动，未考虑其容量约束。在针对该限制的背景下，我们提出一种更为实际的问题：协作式公共资源分配(CPRA)，其在实际场景中显式包含容量约束和时空动态。我们提出一种新框架，称为博弈论时空强化学习(GSTRL)，用于解决CPRA。我们的贡献有两方面：1)我们将CPRA问题形式化为潜在博弈，证明潜在函数与最优目标之间不存在差距，为Approximating该NP难问题的纳什均衡奠定了坚实的理论基础；2)我们设计的GSTRL框架有效捕获整个系统的时空动态。我们在两个真实数据集上评估GSTRL，实验显示其性能优越。我们的源代码已包含在补充材料中。
引用
@article{arxiv.2510.26184,
title = {A Game-Theoretic Spatio-Temporal Reinforcement Learning Framework for Collaborative Public Resource Allocation},
author = {Songxin Lei and Qiongyan Wang and Yanchen Zhu and Hanyu Yao and Sijie Ruan and Weilin Ruan and Yuyu Luo and Huaming Wu and Yuxuan Liang},
journal= {arXiv preprint arXiv:2510.26184},
year = {2025}
}