动态环境中非合作博弈的去中心化在线学习
最优化与控制
2021-05-14 v1
摘要
本文研究了动态环境中求解非合作博弈广义纳什均衡（GNE）的去中心化在线学习问题。每个参与者旨在自私地最小化其自身时变代价函数，并受时变耦合约束与局部可行集约束的限制。个体参与者仅可获得局部代价函数与局部约束，并可通过一个固定且连通的图接收邻居的信息。此外，参与者对未来时刻的代价函数与局部约束函数没有先验知识。在此设定下，基于镜像下降与原始-对偶策略，设计了一种求解所研究博弈 GNE 的新型分布式在线学习算法。结果表明，通过适当选取递减步长，所提算法可实现次线性有界动态遗憾与约束违背。最后，通过数值仿真验证了所得理论结果。
引用
@article{arxiv.2105.06200,
title = {Decentralized Online Learning for Noncooperative Games in Dynamic Environments},
author = {Min Meng and Xiuxian Li and Yiguang Hong and Jie Chen and Long Wang},
journal= {arXiv preprint arXiv:2105.06200},
year = {2021}
}