揭示全局信息实现覆盖和打包博弈的近最优性
摘要：覆盖和打包问题可以建模为游戏，以包含有趣的社会和工程环境。这些游戏在其自然形式中的无序代价很高。然而，现有的研究仅适用于这些游戏的特定情况，并且只能证明快速收敛到任意均衡。本文研究了涵盖和打包游戏的一般类别，并采用学习动态模型，将一个中央机构引入其中，向代理提供弱的社会效益信号，而代理在决策过程中仅使用本地信息。我们展示了这些系统能够快速实现接近最优性能，而不是将其收敛到可能具有非常高社会成本的任意均衡状态。特别是在公共服务广告模型中，只需要接触到少量的代理即可使系统达到广泛类别的集合覆盖和集合打包游戏的最优性水平的对数因子范围内，或在点覆盖和最大独立集的特殊情况下达到最优性的常数因子范围内，从而避免了在没有中央机构的情况下可能出现的坏的局部均衡的社会低效率。我们将这些结果扩展到学习-决策模型，其中代理使用广泛类别的学习算法来决定是否按照本地最优行为或广播信号所规定的行为来行事。我们使用的新技术对于分布式方式分析更一般的经典优化问题可能具有更广泛的兴趣。
作者：Maria-Florina Balcan, Sara Krehbiel, Georgios Piliouras and Jinwoo Shin
论文ID：1109.3606
分类：Computer Science and Game Theory
分类简称：cs.GT
提交时间：2011-09-19