马尔可夫完美均衡的去中心化多臂老虎机学习

该研究探讨了具有连续动作的折扣无限期一般和马尔可夫博弈中的去中心化多臂老虎机学习。智能体通过观察公共状态与自身实际奖励，利用同时扰动随机逼近算法更新动作。在负运行奖励梯度的强单调性及足够小的时间步长假设下，该算法几乎必然收敛至唯一的稳态马尔可夫完美均衡，收敛速度达到 O(n^{-1/2})，并可扩展至分段有限期学习。