نویسندگان:
(1) Avrim Blum ، موسسه فناوری تویوتا در شیکاگو ، IL ، ایالات متحده ؛
(2) ملیسا دوتز ، مؤسسه فناوری تویوتا در شیکاگو ، IL ، ایالات متحده.
جدول پیوندها
چکیده و 1 مقدمه
2 تنظیم و 2.1 مدل از مخالفان مغرضانه رفتاری
3 مقدمات و شهود
4.1 بهترین پاسخ دهنده و حریف مغزی 4.2 قمارباز
4.3 برنده ، حریف از دست دادن
4.4 حریف پیروی از رهبر و 4.5 بالاترین حریف بازپرداخت
5 تعمیم
5.1 سایر استراتژی های مغرضانه از نظر رفتاری
5.2 بهره برداری از یک استراتژی ناشناخته از مجموعه ای از استراتژی ها
6 کار و منابع آینده
یک ضمیمه
A.1 نوع Win-Stay-Lose-Shift: Tie-Stay
A.2 نوع پیروی از رهبر: تاریخ محدود
A.3 مرزهای اشتباه بیضوی
A.4 بالاترین حریف بازپرداخت
A.4 بالاترین حریف بازپرداخت
ما فرض می کنیم که حریف هر عمل را با میانگین بازپرداخت 0 آغاز می کند.
برای این حریف ، استراتژی سطح بالا ما یادگیری بهترین پاسخ به هر عمل خواهد بود و سپس از الگوریتم مشهور بیضی استفاده می کند تا اقدامات حریف را در حالی که بهترین پاسخ ها را به اقدامات پیش بینی شده انجام می دهد ، پیش بینی کند.
دور قبل از چنین سوئیچ باید برای حریف ضرر داشته باشد: بازپرداخت خالص آن باید در طی این دور کاهش یابد تا میانگین بازپرداخت از غیر منفی به منفی برود. ما …