یافتن استراتژی غالب در بازی های Blotto با استفاده از اتوماتاهای یادگیر

در این مقاله، رویکردی مبتنی بر اتوماتاهای یادگیر برای یافتن استراتژی غالب در بازی های Blotto ارائه می گردد. اهمیت این دسته از بازی ها در تئوری بازی از دوجهت است. اولا این بازی ها در دنیای واقعی برای مدل سازی فرایندهایی به کار می روند که در آن ها برای غلبه بر حریف، نیاز به توزیع بهینه منابع محدود بین چندین کار وجود دارد. ثانیا رویکردی که در این بازی ها برای یافتن استراتژی غالب مورد استفاده قرار می گیرد را می توان برای مدل کردن هر فرایند چند عامله رقابتی دیگر که دارای استراتژی غالب برای هر یک از عامل ها می باشد به کار برد. با دانستن استراتژی غالب می توان تضمین کرد که عامل، همواره سودی بیشتر یا مساوی با سایر عامل ها به دست خواهد آورد. در روش پشینهادی در این مقاله، هر یک از بازیکنان دارای یک اتوماتای یادگیر می باشد که از آن برای یادگیری و تصمیم گیری در مورد انتخاب اعمال کمک می گیرد. آزمایشات انجام شده نشان می دهند که با استفاده از این روش، استراتژی بازیکنان مجهز به اتوماتای یادگیر به تدریج به استراتژی غالب همگرا شده و این بازیکنان قادر به یافتن بهترین حالت تقسیم منابع و برد در بازی خواهند بود.