我们调查了多辅助多武装强盗(MA-MAB)设置来建模重复的Cournot寡头寡头寡头杆游戏,该公司作为代理的公司从代表生产量(离散值)的武器中选择。代理商与单独和独立的强盗问题交互。在这种制定中,每个代理人在武器之间进行连续选择,以最大化自己的奖励。代理商没有有关环境的任何信息;在采取行动后,他们只能看到自己的奖励。但是,市场需求是行业总产量的静止功能,不允许随机进入或从市场退出。鉴于这些假设,我们发现$ \ epsilon $ -greedy方法提供比其他传统MAB方法更加可行的学习机制,因为它不需要对系统进行任何额外的知识来运作。我们还提出了两种旨在利用订购的行动空间:$ \ epsilon $ -greedy + hl和$ \ epsilon $ -greedy + el。这些新方法通过消除较少的有利可图的选择,帮助公司专注于更有利可图的行动,从而旨在优化勘探。我们使用计算机模拟来研究结果中各种均衡的出现,并对关节累积遗憾进行实证分析。
translated by 谷歌翻译