后向归纳法的动态认知刻画

后向归纳法BI(Backward Induction)是求解动态博弈的经典算法,其认知机制的探讨多是基于静态的认知模型展开的。这样,为了给BI算法结果中具有反事实性的理性行动提供合理置信的解释,一些非平凡的条件被添加到这类认知模型中,形成多种较为复杂的条件知识(或信念)或层级式(Hierarchical)知识(或信念)系统。我们构建了一类博弈认知模型,基于公开宣告逻辑PAL(Public Announcement Logic),实现博弈认知模型的动态更新,论证了在完美信息动态博弈中,选手间的理性公共知识能够导致BI算法结果,为该算法的认知条件提供了一种新的逻辑刻画。这种刻画没有涉及选手策略等博弈概念,通过利用PAL中模型更新的动态性来描述动态博弈中的BI算法认知条件,不会受到通常BI算法认知刻画理论中所涉及的反事实(无论是主观还是客观)推理的影响,从而有效地避免了复杂的条件信念(或知识)系统或层级式知识(或信念)和信念修正的问题。

瞬时不确定性决策研究

从秘书招聘问题引伸到一般的瞬时不确定性决策问题,主要用决策树直观地表示其结构,然后应用动态规划思想的后向归纳法得出相应的模型和结论,最后指出它的几个主要应用领域,具有很强的实用价值。