Nash Equilibrium Seeking with Dynamic Agents in Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this thesis, we investigate methods of designing distributed (generalized) Nash equilibrium (GNE) seeking algorithms in continuous-time for agents with inherent dynamics. In real-world applications, the action of each agent may correspond to a physical quantity, that is actuated through a control input. In such settings, the algorithms considered take the form of distributed, dynamic feedback controllers with networked communication that seek to drive the action to the (G)NE in steady-state. The specific contributions of the thesis take two forms. First, we propose a general framework for designing distributed Nash equilibrium (NE) seeking controllers for decoupled LTI agents. Using this methodology, we show that the problem is reduced to the design of a set of decentralized stabilizing controllers. We investigate various methods of designing these controllers, first for quadratic games using LTI control theory and diagonal stability theory and then for non-quadratic games using passivity and H-infinity control theory. Second, we consider designing distributed GNE seeking feedbacks for dynamic agents in games with coupled constraints. Current methods can only ensure constraint satisfaction in steady-state. In contrast, we propose an inexact penalty method using a barrier function for agents with equilibrium-independent passive dynamics. Initially, we show that with fixed barrier function these dynamics converge to a suboptimal epsilon-GNE while satisfying the constraints for all time, not only in steady-state. Then, we consider allowing the log-barrier function to vary in time in order to achieve exact convergence to the variational GNE.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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