MétaCan
Menu
Retour à la cohorte
Enregistrement W3176733198 · doi:10.1109/tac.2022.3206253

Feedback Nash Equilibria in Differential Games With Impulse Control

2022· preprint· en· W3176733198 sur OpenAlexafffund
Utsav Sadana, Puduru Viswanadha Reddy, Georges Zaccour

Notice bibliographique

RevueIEEE Transactions on Automatic Control · 2022
Typepreprint
Langueen
DomaineComputer Science
ThématiqueOptimization and Variational Analysis
Établissements canadiensHEC MontréalMcGill UniversityGroup for Research in Decision Analysis
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesScience and Engineering Research Board
Mots-clésNash equilibriumDifferential gameMathematicsEpsilon-equilibriumBest responseMathematical economicsCorrelated equilibriumHamilton–Jacobi–Bellman equationExample of a game without a valueSequential gameMathematical optimizationApplied mathematicsComputer scienceRepeated gameBellman equationEquilibrium selectionNormal-form gameGame theory

Résumé

récupéré en direct d'OpenAlex

In this article, we study a class of deterministic finite-horizon two-player nonzero-sum differential games where players are endowed with different kinds of controls. We assume that Player 1 uses piecewise-continuous controls, whereas Player 2 uses impulse controls. For this class of games, we seek to derive conditions for the existence of feedback Nash equilibrium strategies for the players. More specifically, we provide a verification theorem for identifying such equilibrium strategies, using the Hamilton–Jacobi–Bellman equations for Player 1 and the quasi-variational inequalities for Player 2. Furthermore, we show that the equilibrium number of interventions by Player 2 is upper bounded. Furthermore, we specialize the obtained results in a scalar two-player linear–quadratic differential game. In this game, Player 1’s objective is to drive the state variable toward a specific target value, and Player 2 has a similar objective with a different target value. We provide, for the first time, an analytical characterization of the feedback Nash equilibrium in a linear–quadratic differential game with impulse control. We illustrate our results using numerical experiments.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,981
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,009
Tête enseignante GPT0,231
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Automatic ControlMême sujetOptimization and Variational AnalysisTravaux en français237 207