Questions tagged «evolutionary-game-theory»

生态学和进化论的研究正变得越来越数学化，但是大多数理论工具似乎都来自物理学。然而，在许多情况下，问题具有非常离散的性质（例如，参见SLBS00），并且可以从计算机科学的角度受益。但是，我知道，TCS仅有少数严肃的结果，试图涉及生态学和进化中的特定问题。我想到的两个方向是： Livnat，A.，Papadimitriou，C.，Dusho，J。，＆Feldman，MW [2008]“性别在进化中的作用的可混合性理论” PNAS 105（50）：19803-19808。[ pdf ] Valiant，LG [2009] ACM的“演进性”杂志56（1）：3。 前者应用了遗传算法分析得出的想法，以表明性和无性生物在适应环境中的行为方式之间存在质的差异，并已采取后续行动，以证明所观察到的模块化是合理的。后者将进化与计算学习理论联系起来，以试图证明可进化性和不可置信性的结果。它影响了一小部分论文，但主要是受到其他计算机科学家的影响。 在这些方面还有其他结果吗？在生物学家研究中，理论计算机科学在理解生态学和进化方面是否有其他深远/重要的应用？ 笔记 我对与通用工程相关的遗传或进化算法结果不感兴趣。尽管这是计算机科学中非常有趣和令人兴奋的部分，但生物学家研究的计算机与进化的联系通常是肤浅的。有时（例如在LPDF08中）建立了具体的连接，但是大多数标准结果都没有生物学意义，因此在这篇文章中我对它们不感兴趣。 生物信息学是附近的领域，但它也不是我想要的。尽管它可以用于重建系统进化树之类的事物，从而帮助进化/生态，但理论上的CS方面并没有占据中心地位。在这里，CS结果似乎主要是为了完善一种可以从现有的公认理论中广泛用作黑匣子的工具，而不是建立或扩展新的生物学理论。 我更喜欢使用计算机科学的现代性和非平凡方面来在理论（但仍与生物学家有关）水平上影响生物学的结果。因此，我对柴廷的代谢生物学之类的东西不那么感兴趣。 相关问题 关于遗传算法的可行陈述 社会科学中的算法镜头 算法进化博弈论的来源 量化金融中的计算复杂性

27 reference-request  big-picture  application-of-theory  evolutionary-game-theory  algorithmic-lens 

我在很宽泛的意义上使用标题术语。 关于进化博弈论，包括其数学基础，有大量工作要做。我被推荐为《进化游戏与人口动态》，但尚未深入研究。 关于算法博弈论的工作也很多，这是该网站上的热门话题。 我想看到的是有关某些进化动力学的计算复杂性或收敛性声明的工作。 示例（措辞非常宽松）： 给定一个种群和一个进化方案，我们能否为长期种群的最优性（相对于产生的最佳个体）给出概率后悔？这似乎与专家团队和匪徒问题密切相关。在非平稳环境中呢？ 给定一组在环境中相互作用的不同物种的种群，几乎可以玩任何类型的多人游戏，鉴于他们的进化策略，我们可以对其策略或策略分布的最终稳定性做出什么陈述。 在具有许多“小生境”的一种环境中（据我所知，这是一种过分的措辞方式），无论是与环境的直接关系还是与其他物种的关系，我们都可以对种群如何分布做出什么陈述？这些利基。 我没有问过但应该问的任何问题-我来这里的时候几乎没有AGT，TCS，遗传算法，进化博弈论或种群生物学背景；我从优化/机器学习/统计的角度问我的问题，这可能是错误的或不完整的。

15 reference-request  gt.game-theory  genetic-algorithms  evolutionary-game-theory 

当考虑网络上的交互时，通常很难通过解析来计算动力学，并且采用近似法。通常，平均场逼近通常最终会完全忽略网络结构，因此很少是一个很好的逼近。流行的近似是对近似，它考虑了相邻节点之间固有的相关性（直觉上，我们可以将其视为边缘上的一种平均场近似）。 如果考虑考虑Cayley图，则近似值是精确的；如果考虑正则随机图，则近似值非常好。在实践中，当我们有一个平均度为k且度数围绕k紧分布的随机图时，它也提供了很好的近似值。不幸的是，许多有趣的网络和交互都无法通过这些图很好地建模。它们通常由具有非常不同的度数分布（例如，像无标度网络），具有特定的（和较高的）聚类系数或特定的平均最短路径距离的图很好地建模（更多信息，请参见Albert＆Barabasi 2001） 。kkkkkkkkk 是否存在对近似的优化方法，这些方法对这些类型的网络有效？还是有其他解析近似可用？ 网络互动的一个例子 我想举一个例子说明网络交互的含义。我将包括一个进化博弈论中相对普遍的例子。 您可以将每个节点视为一个代理（通常仅由一个策略表示），它与具有优势的每个代理成对地玩一些固定的游戏。因此，给每个节点分配一些策略的给定网络会为每个节点产生收益。然后，我们使用这些收益和网络结构来确定策略在节点之间的分布，以进行下一次迭代（一个常见的示例可能是每个代理复制收益最高的邻居或此概率的某种变体）。我们通常感兴趣的问题是了解每种策略的代理商数量以及其随着时间的变化如何变化。通常，我们有稳定的分布（然后我们想知道或近似），有时甚至是极限环甚至是更多奇异的野兽。 如果我们对这种模型进行均值场逼近，则使用获取复制器方程作为动态模型，该方程公然忽略了网络结构，仅对完整图形有效。如果我们使用对近似（如Ohtsuki＆Nowak 2006），我们将获得稍有不同的动力学特性（它实际上是具有修改后的收益矩阵的复制器动力学特性，其中修改取决于图的程度以及更新步骤的细节）对于随机图，它与仿真非常匹配，但对于其他感兴趣的网络则不然。 对于更像物理学的例子：用自旋替换代理，并将收益矩阵称为相互作用哈密顿量，然后在执行定期随机测量时冷却系统。 注意事项及相关问题 考虑到三元组或四元组节点上的平均场近似类型的那种对近似的直接概括是笨拙的，并且仍然没有考虑到非常不同的度数分布或平均最短路径距离。 算法进化博弈论的来源

10 graph-theory  gt.game-theory  evolutionary-game-theory