Thèse soutenue

Apprentissage dans les jeux à champ moyen
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Saeed Hadikhanloo
Direction : Pierre CardaliaguetRida Laraki
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 29/01/2018
Etablissement(s) : Paris Sciences et Lettres (ComUE)
Ecole(s) doctorale(s) : Ecole doctorale SDOSE (Paris)
Partenaire(s) de recherche : Laboratoire : Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision (Paris)
Etablissement de préparation de la thèse : Université Paris Dauphine-PSL (1968-....)
Jury : Président / Présidente : Yves Achdou
Examinateurs / Examinatrices : Pierre Cardaliaguet, Rida Laraki, Yves Achdou, Fabio Camilli, Sylvain Sorin, Daniela Tonon, Catherine Rainer
Rapporteurs / Rapporteuses : Fabio Camilli, Sylvain Sorin

Résumé

FR  |  
EN

Les jeux à champ moyen (MFG) sont une classe de jeux différentiels dans lequel chaque agent est infinitésimal et interagit avec une énorme population d'agents. Dans cette thèse, nous soulevons la question de la formation effective de l'équilibre MFG. En effet, le jeu étant très complexe, il est irréaliste de supposer que les agents peuvent réellement calculer la configuration d'équilibre. Cela semble indiquer que si la configuration d'équilibre se présente, c'est parce que les agents ont appris à jouer au jeu. Donc, la question principale est de trouver des procédures d'apprentissage dans les jeux à champ moyen et d'analyser leurs convergences vers un équilibre. Nous nous sommes inspirés par des schémas d'apprentissage dans les jeux statiques et avons essayé de les appliquer à notre modèle dynamique de MFG. Nous nous concentrons particulièrement sur les applications de fictitious play et online mirror descent sur différents types de jeux de champs moyens : Potentiel, Monotone ou Discret.