Teoria dei Giochi per Sistemi Multiagente: Modelli Dinamici ed Apprendimento

La tesi presenta un’introduzione ai fondamenti della Teoria dei Giochi e al suo utilizzo nella modellizzazione dei sistemi multi-agente, con particolare riferimento al Multi-Agent Reinforcement Learning (MARL). L’obiettivo è fornire una visione unificata dei principali modelli di interazione strategica, a partire dai giochi in forma normale fino ai giochi stocastici e ai Partially Observable Stochastic Games (POSG). Partendo dai modelli di gioco in forma normale, vengono analizzati i principali concetti di soluzione, tra cui best response, Equilibrio di Nash e criterio minimax. L’analisi viene successivamente estesa ai giochi ripetuti, nei quali si evidenzia il ruolo del Folk Theorem, e ai giochi in forma estesa, dove la backward induction consente l’identificazione di soluzioni credibili attraverso il Subgame Perfect Equilibrium. Infine, vengono presentati i giochi stocastici e i POSG come modelli generali per la descrizione di ambienti dinamici e parzialmente osservabili. Vengono inoltre discussi i principali approcci al Multi-Agent Reinforcement Learning, in particolare central learning e independent learning, evidenziandone vantaggi e limitazioni.