Interacting learning agents : models, simulations and experiments

• Auteur / Autrice : Viktoriya Semeshenko
• Direction : Mirta B. Gordon
• Type : Thèse de doctorat
• Discipline(s) : Sciences cognitives
• Date : Soutenance en 2007
• Etablissement(s) : Grenoble INPG

Mots clés

Mots clés contrôlés

Modèles de choix discret

Modèles mathématiques

Interaction sociale

Physique statistique

Mots clés libres

Agents hétérogènes , Capacités d'apprentissage

Résumé

Cette thèse modélise des systèmes socio-économiques composés d'un grand nombre d'agents hétérogènes face à des choix discrets. Elle analyse le rôle des interactions et des capacités d'apprentissage des agents dans la dynamique du système avec des méthodes de la Physique Statistique, des simulations et des expériences. Nous caractérisons les états d'équilibre collectifs et les conditions nécessaires à l'existence d'équilibres multiples. On considère des agents adaptatifs dans un cadre de choix répétés. Nous étudions différents algorithmes d'apprentissage et deux scénarios d'apprentissage correspondant à deux hypothèses sur les connaissances des agents. L'évolution du système à partir de différentes conditions initiales nous apprend quelles conditions empêchent d'atteindre l'optimum social. Des expériences sous différentes conditions d'information ont permis de tester ces modèles. Les résultats sont interprétés en termes d'apprentissage en ajustant les paramètres aux données empiriques

The subject of this thesis is to model socio-economic systems composed of a large number of heterogeneous agents making binary choices. We study the impact of the social interactions and agents' learning capacities on the system's dynamics, using methods of Statistical Physics and numerical simulations. We characterize the equilibrium collective states as well as the conditions necessary for the existence of multiple Nash equilibria. We consider adaptive agents within a framework of repeated choices. We study various learning algorithms and two learning scenarios corresponding to different assumptions about the information available to the agents. Starting from different initial conditions we study the evolution of the system and determine the conditions that prevent reaching the social optimum. We test the theoretical predictions running experiments under various information conditions. The results are interpreted in terms of learning, by adjusting the parameters to the empirical data