دستیابی به همکاری از طریق یادگیری تقویتی چند عاملی در معمای زندانی تکرارشونده

معمای زندانی یکی از مسائل اولیه و مهم در نظریه بازی ها است. در این معما برای عامل ها دو عمل همکاری و عدم همکاری وجود دارد که عامل ها بر اساس منافع شخصی خود یکی از اعمال مذکور را انتخاب می کنند . در معمای زندانی نقطه تعادل نشی وجود دارد و چنانچه عامل ها منطقی رفتار کنند در آن نقطه بازی می کنند؛ بدین منظور عامل ها برای دستیابی به سود بیشتر عدم همکاری راانتخاب می کنند. در حالی که برای عامل ها نقطه بهتری نسبت به نقطه نش وجود دارد و آن هم این است که هر دو عامل همکاری را انتخاب کنند. حال در جهت افزایش میزان همکاری عامل ها معمای زندانی به صورت معمای زندانی تکرارشونده با یک رویکرد یادگیری تقویتی در نظر گرفته شده است . رویکرد مورد نظر شامل دو مرحله است . مرحله اول آفلاین است: سیاس تها با درجه های مختلفهمکاری با یکدیگر تلفیق می شوند و سپس شبکه شناسایی، درجه همکاری را به عامل ها آموزش می دهد . مرحله دوم بصورت آنلاین است: یک عامل بر اساس میزان همکاری مشخص شده رقیب، استراتژی خود را انتخاب می کند. نتایج مقاله نشان دهنده این است که رویکرد مورد نظر سبب افزایش میزان همکاری عامل ها شده است و اگر عاملی همکاری را پیشه کند عامل دیگر نیز همکاری را انتخاب می کند و بالعکس .

Keywords:

عدم همکاری متقابل , معمای زندانی تکرارشونده , یادگیری تقویتی , همکاری متقابل LSTM(Long short term Memory)