Cooperation Dynamics in Multi-Agent Systems: Exploring Game-Theoretic Scenarios with Mean-Field Equilibria

本文旨在探讨在多智能体系统（MAS）和多智能体强化学习（MARL）中，合作是基本的，通常需要智能体平衡个体利益和集体奖励。在这方面，本文旨在研究在博弈理论情景下调用合作的策略，即迭代囚徒困境，智能体必须优化个体和群体结果。分析了现有的合作策略，以评估它们在重复游戏中促进面向群体的行为的有效性。提出了修改方案，其中鼓励群体奖励也将导致更高的个体收益，解决了分布式系统中出现的现实困境。研究扩展到智能体数量呈指数增长（$N \longrightarrow +\infty$）的情况，传统的计算和平衡确定变得具有挑战性。利用均值场博弈理论，在重复游戏中为无限大的智能体集合建立平衡解和奖励结构。最后，通过使用多智能体后期信用分配训练器进行模拟，提供了实用的见解，并探讨了如何调整模拟算法以创建有利于群体奖励合作的情景。这些实际应用将理论概念与现实世界应用联系起来。

研究在博弈理论场景下如何激发合作，以平衡个体利益与集体奖励，并探索在无限大代理集合中的均衡解和奖励结构

使用平均场博弈理论建立无限大代理集合中的均衡解和奖励结构，提出鼓励集体奖励的策略以实现个体和集体的双赢

论文分析了现有的合作策略在重复博弈中促进群体导向行为的有效性，并提出了修改方案以解决分布式系统中存在的现实困境。通过Multi-Agent Posthumous Credit Assignment Trainer进行模拟实验，并探索适应模拟算法以创建有利于群体奖励的场景。

最近的相关研究包括《Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms》、《Deep Reinforcement Learning in Large Discrete Action Spaces》等。