Survol

[ English ]

Atelier reporté - dates à confirmer

20-22 avril 2020
Comportement des agents dans la théorie des jeux combinatoires

Dans le monde réel, les processus d'optimisation impliquent souvent des agents dont les intérêts divergent avec ceux du décideur. Par exemple, dans le domaine économique, les prix optimaux ('first-best'), qui aligneraient les intérêts des utilisateurs égoïstes avec ceux de la société, pourraient ne pas exister. Ceci mène à des programmes mathématiques qui doivent explicitement intégrer le comportement des agents dans leur formulation. Ce cadre correspond à celui des MPEC (programmes mathématiques avec contraintes d'équilibre) qui impliquent, même dans les cas les plus simples, des éléments non convexes et non différentiables. Les MPEC sont génériquement NP-difficiles, et la simple existence d'une solution n'est pas toujours assurée. Ces difficultés soulèvent des questions dont l'étude a mené à des développements théoriques (optimisation non différentiable) et algorithmiques (algorithmes exacts ou approximatifs, heuristiques, métaheuristiques, etc.). Notons qu'un MPEC peut être considéré comme un jeu meneur-suiveur, où le suiveur peut impliquer plusieurs agents non-coopératifs, atomiques ou non, dont le comportement doit être correctement évalué, par exemple par le biais d'approches d'apprentissage par renforcement.

L'atelier a pour but d'étudier les progrès récents portant sur des jeux de grande taille dotés de caractéristiques combinatoires, en mettant l'accent sur l'apprentissage du comportement des joueurs (préférences, fonctions d'utilité), un processus étroitement lié à la science des données et à l'apprentissage automatique. Il est donc naturel que les relations entre ces disciplines et l'optimisation soient au cœur de l'atelier. Les organisateurs souhaitent que les participants, ayant été exposés à des perspectives qui sont généralement abordées par des communautés de recherche distinctes, auront pu élargir leur connaissance d’un domaine en forte émergence.



logo d'algorithms