MARC

 008250123s2024        us                              c    eng  d
■001000017164523
■00520250211153013
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384045076
■035    ▼a(MiAaPQ)AAI31631478
■035    ▼a(MiAaPQ)umichrackham005852
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aWei,  Xupeng.
■24510▼aCoordination  Among  Strategic  Agents  With  Asymmetric  Information
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a155  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Anastasopoulos,  Achilleas.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aMulti-agent  decision  making  is  an  essential  task  in  various  fields  across  communication  networks,  energy  communities,  autonomous  driving,  and  more.  Agents  in  these  settings  observe  partial  information  and  take  actions  to  optimize  individual  objectives.  Complexities  arise  as  the  system  designer  must  coordinate  agents  who  operate  under  varying  objectives  and  information,  in  order  to  optimize  a  collective  goal.  Such  coordination  is  hindered  by  the  strategic  interplay,  the  necessity  to  infer  the  unseen,  and  the  intertwinement  between  strategy  and  belief  formations,  making  it  a  formidable  challenge.  In  this  thesis,  we  consider  game-theoretic  coordination  methodologies,  including  mechanism  design,  information  design,  and  correlated  equilibrium.To  begin  with,  we  consider  a  static  resource  allocation  problem  in  energy  communities  in  Chapter  2.  We  propose  a  mechanism  that  employs  employs  specially  designed  allocation  and  tax  functions  to  incentivize  agents  toward  maximal  social  welfare.  Given  the  communication  constraints  which  may  exist  in  real  life,  the  proposed  mechanism  is  revised  to  support  the  distributed  communication  networks,  in  which  the  allocation  and  tax  functions  depend  only  on  messages  from  neighborhood.  The  mechanisms  are  equipped  with  a  learning  algorithm  for  Nash  equilibrium,  with  which  agents  are  able  to  find  the  equilibrium  collaboratively.Starting  from  Chapter  3,  we  advance  to  dynamical  decision-making  systems.  Chapter  3  studies  a  sequential  Bayesian  learning  setting.  With  the  idea  of  introducing  a  third-party  coordinator  to  avoid  the  herding  behavior  and  facilitate  the  social  learning  process,  a  combination  of  mechanism  and  information  designs  is  investigated.  As  the  general  recommendation  mechanism  of  the  coordinator  is  history-dependent,  to  settle  down  the  issue  brought  by  accumulative  dimension  of  history,  we  identify  a  class  of  summary-based  mechanism  and  prove  its  sufficiency  for  the  interest  of  coordinator.  A  special  suboptimal  mechanism  is  then  proposed  and  demonstrates  its  effectiveness  on  avoiding  bad  herding  consequence  and  an  improvement  on  social  welfare.Chapter  4  explores  the  coordination  in  Markov  games  with  asymmetric  information.  Based  on  the  ideas  of  correlated  equilibrium  in  static  games,  we  develop  the  idea  of  perfect  correlated  equilibrium  with  the  help  of  a  coordination  device  responsible  for  collecting  public  observations  and  sending  out  recommended  partial  strategies.  Then,  utilizing  the special  structure  of  Markov  games,  a  structured  perfect  correlated  equilibrium  is  proposed,  enabling  scalable  coordination  schemes.  It  can  be  shown  by  the  example  of  public  investment  games  that  structured  perfect  correlated  equilibrium,  as  a  newly-developed  cooperative  equilibrium  concept,  extends  the  possible  outcome  set  of  the  existing  structured  perfect  Bayesian  equilibrium  as  a  non-cooperative  equilibrium  concept.
■590    ▼aSchool  code:  0127.
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■650  4▼aCommunication
■653    ▼aGame  theory
■653    ▼aMulti-agent  system
■653    ▼aMechanism  design
■653    ▼aInformation  design
■653    ▼aMarkov  decision  process
■653    ▼aBayesian  learning
■690    ▼a0544
■690    ▼a0501
■690    ▼a0464
■690    ▼a0459
■71020▼aUniversity  of  Michigan▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164523▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서