p-猜测博弈中具有类比划分的演化策略

在以 p-猜测博弈为典型模型的凯恩斯选美竞赛中，参与者试图猜测猜测值平均值乘以 p 的结果。博弈向纳什均衡的收敛通常由主体的学习来解释。然而，当学习发生在不稳定环境中时，关于推理类型的起源和均衡行为的疑问仍然存在。当 p 的连续取值可高于和低于 1 时，有限理性主体可能通过游戏的简化表示、运用类比推理并构建对其他参与者行为的预期来学习其环境。我们引入一种演化学习过程，以研究在不稳定 p-猜测博弈环境及类比划分下学习的动态和由此产生的最优策略。作为该方法的验证，我们首先表明我们的遗传算法在持续环境中与先前结果一致，收敛到纳什均衡。我们刻画了在 p 值不稳定的混合机制中的战略行为。改变赋予遗传算法学习博弈的迭代次数，复现了具有 level-k 方法不同推理水平主体的行为。因此，该演化过程为认知层次模型中推理水平的存在和内生化转换提供了学习基础。