多聚簇游戏中分布式在线广义纳什均衡学习：一种延迟容忍算法
最优化与控制
2024-07-08 v1
摘要
本文解决了针对具有延迟反馈信息的多聚簇游戏中分布式在线广义纳什均衡（GNE）学习的问题。具体而言，假设游戏中的每个代理人都接收一系列具有时间可变延迟的局部成本函数和约束函数。每个代理人所在聚簇的目标是在时间可变的耦合不等式约束和局部可行集约束下，协同优化该聚簇的成本函数。此外，假设每个代理人需要通过与邻居的交互来估计所有其他代理人的决策，而不是直接获取所有代理人的决策，即每个代理人需要在部分决策信息下作出决策。为解决这一困难问题，本文基于原始-对偶算法引入聚合梯度机制，开发了一种新的分布式在线延迟容忍 GNE 学习算法。该文构建了系统性后悔和约束违规，以衡量算法的性能，表明在某些条件下随时间呈亚线性增长。最后， presented 以数值结果验证了所提算法的有效性。
引用
@article{arxiv.2407.03578,
title = {Distributed online generalized Nash Equilibrium learning in multi-cluster games: A delay-tolerant algorithm},
author = {Bingqian Liu and Guanghui Wen and Xiao Fang and Tingwen Huang and Guanrong Chen},
journal= {arXiv preprint arXiv:2407.03578},
year = {2024}
}