基于增广拉格朗日法的耦合约束连续博弈半去中心化协调在线学习
计算机科学与博弈论
2019-10-22 v1 机器学习
系统与控制
系统与控制
最优化与控制
摘要
我们考虑一类凹连续博弈，其中每个玩家对应的可行策略剖面受制于仿射耦合约束。我们提出一种新颖算法，将相关群体动态引向纳什均衡。该算法基于镜像上升算法（适用于无遗憾在线学习框架）与增广拉格朗日法。算法的去中心化方面体现在：每个玩家的迭代仅需关于其对耦合约束贡献的局部信息以及由中心协调器广播的价格向量，因此每个玩家无需知晓群体行动。此外，中心主协调器无需进行特定控制。我们给出了步长与拉格朗日增广程度的条件，使得所提算法收敛到广义纳什均衡。
引用
@article{arxiv.1910.09276,
title = {Semi-Decentralized Coordinated Online Learning for Continuous Games with Coupled Constraints via Augmented Lagrangian},
author = {Ezra Tampubolon and Holger Boche},
journal= {arXiv preprint arXiv:1910.09276},
year = {2019}
}