提出数据驱动网络LQG平均场博弈方法

Jean Zhu 与 Shuang Gao 提出一种数据驱动方法，用于求解智能体动力学未知的无限时域线性二次高斯（LQG）平均场博弈，其中种群具有网络耦合与异构性。该方法结合积分强化学习与 Kleinman 迭代求解代数 Riccati 方程，仅用轨迹数据即可生成网络耦合的 MFG 策略，无需智能体动力学参数。 论文称，在激励持续性条件以及对应 ARE 存在唯一稳定解的条件下，所学到的网络耦合 MFG 策略可收敛到其真实值。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。