Solving Multiparametric Generalized Nash Equilibrium Problems and Explicit Game-Theoretic Model Predictive Control

📄 arXiv: 2512.05505v1 📥 PDF

作者: Sophie Hall, Alberto Bemporad

分类: eess.SY

发布日期: 2025-12-05

🔗 代码/项目: GITHUB

💡 一句话要点

提出一种求解参数化广义纳什均衡问题的显式方法，并应用于博弈论模型预测控制。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 广义纳什均衡 参数化规划 模型预测控制 多智能体系统 博弈论控制

📋 核心要点

  1. 传统求解广义纳什均衡问题计算量大，难以满足实时性要求，且缺乏可解释性，难以应对约束变化。
  2. 该论文提出一种参数化求解方法，通过显式解的形式，降低实时计算负担，增强可解释性，并支持零样本更新。
  3. 通过电池充电博弈和双质量弹簧系统控制问题验证了该方法的有效性，并与集中式求解器进行了性能比较。

📝 摘要（中文）

本文提出了一种计算参数化广义纳什均衡(GNE)问题显式解的方法，该问题具有凸二次成本函数以及线性耦合和局部约束。假设参数仅出现在成本函数的线性项和约束右侧，我们提供了GNE问题的精确多参数解。这种解能够实现：(i)最小的实时计算量，(ii)固有的可解释性、可说明性以及所有多个均衡的精确枚举，(iii)在存在无限多个均衡的情况下确定所需的GNE解类型，以及(iv)由于约束右侧和/或线性成本的变化而导致的GNE解的零样本更新。与显式模型预测控制(MPC)方法一致，我们将我们的方法应用于显式求解博弈论MPC(递推范围博弈)，并在电池充电博弈和玩具双质量弹簧系统控制问题中，将性能与集中式求解器进行比较。本文算法的Python实现可在https://github.com/bemporad/nash_mpqp上找到。

🔬 方法详解

问题定义：论文旨在解决具有凸二次成本函数和线性约束的参数化广义纳什均衡(GNE)问题。现有方法通常计算复杂度高，难以实时应用，并且缺乏对解的明确理解，难以应对参数变化带来的影响。

核心思路：论文的核心思路是利用参数化规划技术，将GNE问题的解表示为参数的显式函数。通过这种方式，可以将离线计算量最大化，从而在运行时仅需进行简单的函数评估，显著降低了实时计算负担。此外，显式解的形式也使得解的性质更容易理解和分析。

技术框架：该方法主要包含以下几个阶段：1) 将GNE问题转化为一个多参数二次规划(mp-QP)问题；2) 利用现有的mp-QP求解器（例如PQP）计算mp-QP问题的显式解，该解表示为参数空间的分区以及每个分区对应的最优解；3) 将mp-QP的解映射回GNE问题的解。整个框架的关键在于利用mp-QP求解器高效地计算参数化解。

关键创新：该论文的关键创新在于将参数化规划技术应用于GNE问题，从而获得了GNE问题的显式解。与传统的迭代求解方法相比，该方法具有更低的实时计算量、更好的可解释性和更强的适应性。此外，该方法还能够处理无限多个均衡的情况，并允许用户指定所需的解类型。

关键设计：论文假设参数仅出现在成本函数的线性项和约束的右侧。这种假设简化了问题的求解过程，使得可以利用现有的mp-QP求解器。此外，论文还讨论了如何处理无限多个均衡的情况，并提出了基于用户偏好的解选择策略。具体的参数设置和损失函数取决于具体的应用场景，例如电池充电博弈和双质量弹簧系统控制问题。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过电池充电博弈和双质量弹簧系统控制问题验证了所提出方法的有效性。实验结果表明，与集中式求解器相比，该方法能够显著降低实时计算量，并具有更好的可扩展性。此外，该方法还能够处理约束右侧和/或线性成本的变化，实现GNE解的零样本更新。

🎯 应用场景

该研究成果可广泛应用于多智能体系统、资源分配、博弈论控制等领域。例如，在智能电网中，可以用于优化多个分布式能源的调度；在交通控制中，可以用于协调多个车辆的行驶策略；在机器人协作中，可以用于实现多个机器人之间的协同任务。

📄 摘要（原文）

We present a method to compute explicit solutions of parametric Generalized Nash Equilibrium (GNE) problems with convex quadratic cost functions and linear coupling and local constraints. Assuming the parameters only enter the linear terms of the cost functions and constraint right-hand sides, we provide the exact multiparametric solution of the GNE problem. Such a solution enables (i) minimal real-time computation, (ii) inherent interpretability, explainability, and exact enumeration of all multiple equilibria, (iii) determine desired GNE solution types in the case of infinitely-many equilibria, and (iv) zero-shot updates of the GNE solution due to changes of constraint right-hand sides and/or linear costs. In line with explicit Model Predictive Control (MPC) approaches, we apply our method to solve game-theoretic MPC (Receding Horizon Games) explicitly, comparing performance against centralized solvers in a battery charging game and in a toy two-mass spring system control problem. A Python implementation of the algorithms presented in this paper is available on https://github.com/bemporad/nash_mpqp.