加尔各答派斯餐厅问题中的随机学习：经典与量子策略

我们将回顾在过去十年中，针对加尔各答派斯餐厅问题（Kolkata Paise Restaurant Problem）背景下、为在大量竞争智能体间优化可用多选择资源而发展的随机学习策略的结果，包括经典（一次性与迭代）与量子（仅一次性）策略。除少数针对经典与量子策略的严格与近似解析结果外，大多数关于相变行为（目前仅针对经典模型获得）的有趣结果均来自经典蒙特卡洛模拟。所有这些，包括其在计算机科学（物联网中的任务或资源分配）、交通工程（在线车辆租赁问题）、运筹学（委托搜索问题的努力优化、旅行商问题的高效求解）等方面的应用都将被讨论。