END：部分决策信息下博弈的估计网络设计

多智能体决策问题通常通过分布式迭代算法求解，其中智能体仅在点对点网络上相互通信。每个智能体通常维护每个决策变量的一个副本，而本地副本间的一致性通过共识协议来强制实现。然而，每个智能体往往仅直接受一小部分决策变量的影响：忽略这种稀疏性会导致冗余、随网络规模扩展性差以及通信与内存开销。为应对这些挑战，我们提出了估计网络设计（END），一个用于分布式算法设计与分析的框架，它推广了若干近期方法。END算法可通过仅将每个变量的副本最优分配给部分智能体来进行调优，以利用特定问题的稀疏性结构，从而提高效率并最小化冗余。我们通过为部分决策信息下的广义纳什均衡（GNE）寻求设计新算法来展示END的潜力，这些算法可利用代价函数、约束和聚合值中的稀疏性。最后，我们在单播速率分配问题上对方法进行数值测试，结果显示通信与内存成本大幅降低。