Reinforcement Learning im Cournot Duopol

Diplomarbeit aus dem Jahr 2007 im Fachbereich VWL - Mikroökonomie, allgemein, Note: 1,7, Ruprecht-Karls-Universität Heidelberg (Alfred-Weber-Institut), Veranstaltung: Wirtschaftstheorie, 22 Quellen im Literaturverzeichnis, Sprache: Deutsch, Anmerkungen: Diese Arbeit stellt zwei Reinforcement Learning Ansätze zur Anwendung in der Spieltheorie vor. Der eine nach Alvin E. Roth und Ido Erev, der andere nach Christopher J.C.H. Watkins (Q-Learning). Nach dem theoretischen Vergleich der Modelle, werden konkrete Implementierungen für die Java-Programmiersprache gezeigt und Simulationsergebnisse besprochen. , Abstract: Diese Arbeit untersucht den Einsatz agentenbasierter Lernalgorithmen im wiederholten Cournot-Spiel. Es werden zwei unterschiedliche Implementierungen (eine nach Roth-Erev, die andere nach Watkins Q-Learning) des sogenannten Reinforcement Learning untersucht. Diese Implementierungen werden in die Modellwelt des bekannten Cournot-Spiels gesetzt, um gegeneinander zu spielen. Es sind Arbeiten bekannt, in denen Q-Learning Agengenten, kooperierendes Verhalten lernen. Es ist Ziel dieser Arbeit, die Unterschiede theoretisch herauszuarbeiten und praktisch in Java zu implementieren. Dabei soll die Frage gekl ärt werden, warum nur Q-Learning kooperierendes Verhalten erzeugt.