本文研究了在交通网络中，当用户具有策略性且网络状态不确定时的最优信息提供。全知规划者观察网络状态并向用户披露信息，目的是在用户均衡状态下最小化预期旅行时间。众所周知，包括全信息披露在内的公共信号策略在实现最优性方面是低效的。因此，我们专注于私有信号，并且不失一般性地限制分析路径建议与服从约束相一致的信号，即用户没有动机根据其后验信念偏离所接收的建议。我们首先制定了一般问题，并分析了任意网络拓扑和延迟函数的属性。然后，我们考虑具有仿射延迟函数的两个平行链路的情况，并提供了实现最优性的充分条件。有趣的是，我们观察到系统受益于不确定性，即当不确定参数的方差较大时，规划者更容易实现最优性。然后，我们提供了一个例子，即使不满足最优性的充分条件，也可以实现最优性。

本文讨论了会议同行评审的情境，会议旨在基于嘈杂的审稿分数接受高质量论文并拒绝低质量论文。最近的研究提出了保序机制，该机制可以从提交多篇论文的作者那里引出论文质量的排名，以帮助提高会议的决策。然而，保序机制依赖于这样一个假设，即作者的效用函数关于审稿分数是单调递增和凸函数，而这在同行评审的情境中经常被违反（例如当作者旨在最大化被接受的论文数量时）。因此，本文提出了一种顺序评审机制，可以在仅假设代理人的效用函数关于其被接受的论文的真实质量是单调递增的情况下，真实地引出作者的排名信息。其关键思想是根据提供的排名顺序逐个审查作者的论文，并将下一篇论文的审查置于前一篇论文的审查分数的条件下。顺序评审机制的优点包括：1）在比以前的工作更加现实的情境下引出真实的排名信息；2）提高被接受的论文的质量，减少审稿工作量并增加审阅的论文的平均质量；3）激励作者写出更少但质量更高的论文。

自我对弈是一种多智能体系统中机器学习的技术，其中学习算法通过与自身的副本交互来学习。自我对弈对于生成大量的学习数据非常有用，但缺点是学习者在训练后将面对与其通过自我交互所期望的智能体截然不同的行为。对于两人零和游戏的特殊情况，达到纳什均衡的自我对弈保证能够产生对任何训练后对手表现良好的策略；然而，对于多人游戏，不存在这样的保证。我们展示了在游戏近似分解为一组两人零和游戏（称为常和多矩阵游戏）的情况下，在每个子游戏中全局的 $\epsilon$-纳什均衡与纳什均衡之间有有限的距离（称为子游戏稳定性），通过自我对弈学习的任何无外部遗憾算法都将产生具有有限弱点的策略。我们的结果首次确定了多人游戏的结构特性，使得一类广泛的自我对弈算法产生的策略具有性能保证。我们通过对Leduc扑克的实验展示了我们的发现。

本文从合作博弈理论的角度研究了停车函数的总位移统计量。我们引入了停车博弈，这是一种基于总位移统计量的特征函数形式的联合成本分担博弈。我们展示了停车博弈是超模成本分摊博弈，这表明合作是困难的（即它们的核心是空的）。接下来，我们研究了它们的Shapley值，这个值形式化了一个“公平”的成本分摊概念，相当于根据随机到达顺序为每辆车收取其预期边际位移。我们的主要贡献是提出了一个多项式时间算法来计算停车博弈的Shapley值，与已知的计算任意博弈Shapley值的难度结果形成对比。该算法利用了总位移的排列不变性、组合枚举和动态规划。最后，我们总结了超模成本分摊博弈的替代解概念和与组合学其他领域的联系的开放性问题。