رویکرد الگوریتم 8 برای مقابله با بالاترین حریف بازپرداخت

نویسندگان:

(1) Avrim Blum ، موسسه فناوری تویوتا در شیکاگو ، IL ، ایالات متحده ؛

(2) ملیسا دوتز ، مؤسسه فناوری تویوتا در شیکاگو ، IL ، ایالات متحده.

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 …

Source link