Игра с неполной информацией

Байесовская игра (англ. Bayesian game) или игра с неполной информацией (англ. incomplete information game) в теории игр характеризуются неполнотой информации о соперниках (их возможных стратегиях и выигрышах), при этом у игроков есть веры относительно этой неопределённости. Байесовскую игру можно преобразовать в игру полной, но несовершенной информации, если принять допущение об общем априорном распределении. В отличие от неполной информации, несовершенная информация включает знание стратегий и выигрышей соперников, но история игры (предыдущие действия оппонентов) доступна не всем участникам.

Джон Харсаньи описал байесовские игры следующим образом[1]. В дополнение к фактическим участникам игры появляется виртуальный игрок «Природа». Природа наделяет каждого из фактических участников случайной переменной, значения которой называются типами. Распределение (плотность или функция вероятности) типов для каждого из игроков известно. В начале игры природа «выбирает» типы игроков. Тип, в частности, определяет функцию выигрыша участника. Таким образом, неполнота информации в байесовской игре — незнание по крайней мере одним игроком типа некого другого участника. Игроки обладают верами относительно типов соперников; вера — вероятностное распределение на множестве возможных типов. В процессе игры веры обновляются в соответствии с теоремой Байеса.

Определение

Игра определяется так: ${\displaystyle G=\langle N,\Omega ,\langle A_{i},u_{i},T_{i},\tau _{i},p_{i},C_{i}\rangle _{i\in N}\rangle }$, где

1. ${\displaystyle N}$ — множество игроков.
2. ${\displaystyle \Omega }$ — множество состояний природы. Пример состояния природы: порядок колоды в карточной игре.
3. ${\displaystyle A_{i}}$ — множество действий игрока ${\displaystyle i}$. Пусть ${\displaystyle A=A_{1}\times A_{2}\times \dotsb \times A_{N}}$.
4. ${\displaystyle T_{i}}$ — множество типов игрока ${\displaystyle i}$. Тип определяется по правилу ${\displaystyle \tau _{i}\colon \Omega \rightarrow T_{i}}$.
5. ${\displaystyle C_{i}\subseteq A_{i}\times T_{i}}$ определяет доступные действия для игрока ${\displaystyle i}$, обладающего неким типом в ${\displaystyle T_{i}}$.
6. ${\displaystyle u_{i}\colon \Omega \times A\rightarrow R}$ функция выигрыша игрока ${\displaystyle i}$. Более формально, пусть ${\displaystyle L=\{(\omega ,a_{1},\dotsc ,a_{N})\mid \omega \in \Omega ,\forall i,(a_{i},\tau _{i}(\omega ))\in C_{i}\}}$, и ${\displaystyle u_{i}\colon L\rightarrow R}$.
7. ${\displaystyle p_{i}}$ распределение вероятности на ${\displaystyle \Omega }$ для каждого игрока ${\displaystyle i}$, то есть каждый игрок по-разному оценивает вероятности состояний природы; в течение игры они его не знают.

Чистая стратегия ${\displaystyle s_{i}\colon T_{i}\rightarrow A_{i}}$ должна удовлетворять ${\displaystyle (s_{i}(t_{i}),t_{i})\in C_{i}}$ для всех ${\displaystyle t_{i}}$. Стратегия каждого игрока зависит только от его типа, так как типы других игроков для него скрыты. Ожидаемый выигрыш игрока ${\displaystyle i}$ при данном стратегическом профиле равен ${\displaystyle u_{i}(S)=E_{\omega \sim p_{i}}[u_{i}(\omega ,s_{1}(\tau _{1}(\omega )),\dotsc ,s_{N}(\tau _{N}(\omega )))]}$.

Пусть ${\displaystyle S_{i}}$ — множество чистых стратегий, ${\displaystyle S_{i}=\{s_{i}\colon T_{i}\rightarrow A_{i}\mid (s_{i}(t_{i}),t_{i})\in C_{i},\forall t_{i}\}.}$

Байесовское равновесие игры ${\displaystyle G}$ определяется как равновесие Нэша (возможно, в смешанных стратегиях) игры ${\displaystyle {\hat {G}}=\langle N,{\hat {A}}=S_{1}\times S_{2}\times \dotsb \times S_{N},{\hat {u}}=u\rangle }$. Если игра ${\displaystyle G}$ конечна, байесовское равновесие существует всегда.

Примеры

Дилемма шерифа

Шериф сталкивается с подозреваемым. Оба должны одновременно принять решение о том, следует ли стрелять.

Подозреваемый имеет два возможных типа: «преступник» и «законопослушный». У шерифа есть только один тип. Подозреваемому известен его тип, шерифу же он неведом. Таким образом, в игре присутствует неполная информация, она относится к классу байесовских. По мнению шерифа, с вероятностью p подозреваемый является преступником, с вероятностью 1-p — законопослушным гражданином. Величины p и 1-p известны обоим игрокам, поскольку делается допущение об общем априорном распределении. Именно оно позволяет преобразовать эту игру в игру полной, но несовершенной информации.

Шериф предпочёл бы стрелять, если стреляет подозреваемый, и избежать стрельбы в противном случае (даже если подозреваемый действительно является преступником). Преступник склонен стрелять (даже если шериф не стреляет), в то время как законопослушный гражданин хочет избежать конфликта любым образом (даже если шериф стреляет). Матрицы выигрышей зависит от типа подозреваемого:

Тип = «Законопослушный»		Действие шерифа
		Стрелять	Не стрелять
Действие подозреваемого	Стрелять	-3, -1	-1, -2
	Не стрелять	-2, -1	0, 0

Тип = «Преступник»		Действие шерифа
		Стрелять	Не стрелять
Действие подозреваемого	Стрелять	0, 0	2, -2
	Не стрелять	-2, -1	-1,1

Если оба имеется общее знание о рациональности игроков (игрок 1 рационален; игрок 1 знает, что игрок 2 рационален; игрок 1 знает, что игрок 2, знает, что игрок 1 рационален и т.д. до бесконечности) игра пройдёт по следующему равновесному (совершенное байесовское равновесие) сценарию[2][3]:

Когда подозреваемый имеет тип «законопослушный», доминирующая стратегия для него — не стрелять, когда же он имеет тип «преступник», доминирующая стратегия предписывает ему стрелять. Сильно доминируемые стратегии можно исключить из рассмотрения. Тогда если шериф стреляет, он получает 0 с вероятностью p и -1 с вероятностью 1-p. Его ожидаемый выигрыш составляет p-1. Если шериф не стреляет, ему полагается -2 с вероятностью p и 0 с вероятностью 1-p; ожидаемый выигрыш равен -2p. Шериф всегда будет стрелять при условии p-1 > -2p, то есть когда p > 1/3.

См. также

• Игра с полной информацией
• Игра с совершенной информацией
• Игра с несовершенной информацией

Примечания

1. Harsanyi, John C., 1967/1968. "Games with Incomplete Information Played by Bayesian Players, I-III." Management Science 14 (3): 159-183 (Part I), 14 (5): 320-334 (Part II), 14 (7): 486-502 (Part III).
2. Coursera (англ.). Coursera. Дата обращения: 16 июня 2016. Архивировано 10 августа 2016 года.
3. Hu, Yuhuang; Loo, Chu Kiong. A Generalized Quantum-Inspired Decision Making Model for Intelligent Agent (англ.) // The Scientific World Journal^[англ.] : journal. — 2014. — 17 March (vol. 2014). — ISSN 1537-744X. — doi:10.1155/2014/240983. — PMID 24778580. — PMC 3977121.

Литература

• Gibbons, Robert. Game Theory for Applied Economists (неопр.). — Princeton University Press, 1992. — С. 144—152.
• Levin, Jonathan. Games with Incomplete Information  (неопр.) (2002). Дата обращения: 25 августа 2016.