利用在线镜像下降扩展平均场博弈的均衡计算
人工智能
2021-03-02 v1
摘要
我们利用在线镜像下降（OMD）来解决平均场博弈（MFGs）中均衡计算的扩展问题。我们证明，在自然而合理的单调性假设下，连续时间 OMD 可证明收敛到纳什均衡。这一理论结果可很好地推广到多群体博弈以及含共同噪声的情形。针对各类单群体与多群体 MFGs 的详尽实验研究表明，OMD 优于虚构博弈（FP）等传统算法。我们通过求解（据我们所知）首批具有数千亿状态的 MFGs 实例，实证表明 OMD 具有更好的扩展性且比 FP 收敛显著更快。本研究确立了大规模多智能体与多群体博弈中学习的最先进水平。
引用
@article{arxiv.2103.00623,
title = {Scaling up Mean Field Games with Online Mirror Descent},
author = {Julien Perolat and Sarah Perrin and Romuald Elie and Mathieu Laurière and Georgios Piliouras and Matthieu Geist and Karl Tuyls and Olivier Pietquin},
journal= {arXiv preprint arXiv:2103.00623},
year = {2021}
}