大规模 LQG 游戏中数据驱动的均衡计算
系统与控制
2025-07-22 v2 系统与控制
摘要
本文提出了一种新颖的数据驱动方法，用于近似计算连续时间线性二次高斯(LQG)游戏中的 -Nash均衡，涉及多个通过其动力学相互作用的智能体，以及无限期折扣成本。我们方法的核心在于使用来自智能体收集的状态和输入样本，求解两个代数 riccati 方程(AREs)和一个常微分方程(ODE)，无需先验地知道它们的动力学模型。通过积分强化学习(IRL)技术来解决标准 ARE，而在一般条件下，通过识别智能体动力学的漂移系数来解决非对称 ARE 和 ODE。此外，通过对模型施加特定条件，我们将 IRL 方法扩展到约等于求解非对称 ARE。给出数值示例来说明所提出算法的有效性。
引用
@article{arxiv.2502.19993,
title = {Data-Driven Mean Field Equilibrium Computation in Large-Population LQG Games},
author = {Zhenhui Xu and Jiayu Chen and Bing-Chang Wang and Tielong Shen},
journal= {arXiv preprint arXiv:2502.19993},
year = {2025}
}