利用经验加权吸引学习动态选择纳什均衡：异质混合均衡的出现
计算机科学与博弈论
2018-09-05 v1 统计力学
机器学习
经济学
摘要
我们研究了一个大型博弈中策略的分布，该博弈模拟智能体如何在不同的双边拍卖市场间进行选择。我们对可能的平均场纳什均衡进行了分类，其中包括潜在的隔离状态，即智能体群体可分裂为采用不同策略的子群体。由于该博弈是聚合型的，实际的均衡策略分布仍无法确定。因此，我们与经验加权吸引(EWA)学习的结果进行比较，在长时极限下，当选择强度大、噪声低（智能体长记忆）且缺失分数归因完美（虚拟博弈）时，EWA学习导致纳什均衡。学习动力学打破了纳什均衡的不确定性。非平凡地，根据相关极限的取法，可以选择多于一种类型的均衡。这些包括标准的同质混合与异质纯态，也包括异质混合态，其中不同智能体采用并非全为纯策略的不同策略进行博弈。EWA学习的分析涉及Fokker-Planck建模结合大偏差方法。理论结果由多智能体仿真证实。
引用
@article{arxiv.1706.09763,
title = {Dynamical selection of Nash equilibria using Experience Weighted Attraction Learning: emergence of heterogeneous mixed equilibria},
author = {Robin Nicole and Peter Sollich},
journal= {arXiv preprint arXiv:1706.09763},
year = {2018}
}
备注
35 pages, 16 figures