基于AI引导的演化搜索：随机出价机制在双边贸易中的新下界
机器学习
2026-03-10 v1 人工智能
计算机科学与博弈论
理论经济学
摘要
著名的Myerson-Satterthwaite定理表明，在双边贸易中，任何机制都无法同时实现完全高效、贝叶斯激励相容（BIC）和预算平衡（BB）。这自然引出了一个问题：实现贸易收益（GFT）的BIC和BB机制与第一佳（完全高效）基准之间可接近多大程度。最优的BIC和BB机制通常复杂且高度依赖分布，使其难以直接表征。因此，文献大量分析较简单的机制，如随机出价（RO）机制，并建立相对于第一佳GFT的常数因子保证。一个重要的开放问题关心RO机制相对于第一佳（FB）效率的恶劣情况性能。虽然最初假设GFT_FB/GFT_RO的近似比率受2的上界约束，但最近的工作提供了反例：Cai等人证明该比率可严格大于2，Babaioff等人展示了一个大约为2.02的显式实例。在本工作中，我们采用AlphaEvolve，一种AI引导的演化搜索框架，探索价值分布的空间。我们识别出一个新的最差实例，导致GFT_FB/GFT_RO ≥ 2.0749的下界提升。这一结果为随机出价机制的恶劣情况性能设定了新的下界，表明此前已知的效率间隙更宽。
引用
@article{arxiv.2603.08679,
title = {A New Lower Bound for the Random Offerer Mechanism in Bilateral Trade using AI-Guided Evolutionary Search},
author = {Yang Cai and Vineet Gupta and Zun Li and Aranyak Mehta},
journal= {arXiv preprint arXiv:2603.08679},
year = {2026}
}