多智能体强化学习

论文提出两层深度多智能体强化学习框架：经济主体与社会规划者共同适应，前者学习劳动和交易行为，后者学习税收政策，并用课程学习稳定这一双层优化。在一步经济中，模型能够恢复理论最优税制；在时空经济中，相较基准方法提高了功利主义福利以及公平—生产率权衡。结果同时出现劳动专业化、行为变化和避税策略，说明政策优化必须内生考虑主体对制度的策略性响应。

论文针对政府与大量自利家庭之间的动态税收博弈，构建基于Bewley–Aiyagari框架的多智能体强化学习环境TaxAI。模拟器同时包含家庭、政府、企业和金融中介，并用真实数据校准；作者在统一环境中比较两种传统经济方法和七种MARL方法。实验报告MARL在基准任务上整体优于传统方法，系统可扩展至一万户家庭，为税收政策学习提供了更大规模、可复现的算法比较平台。

该文聚焦强化学习与经济决策求解，重点考察智能体如何通过环境交互学习个体决策、市场均衡或政策规则。则考察市场机制的自发形成：在空间化资源环境中，价格并非外生给定，而是从经济主体的生产、消费与物物交换行为中涌现，研究发现供需响应、区域价差和运输套利等基本市场现象可作为主体互动的自然结果。本综述将其作为AI经济主体与决策求解文献收录；主要结论和适用边界应以英文摘要及原始研究设计为准。

该文聚焦强化学习与经济决策求解，重点考察智能体如何通过环境交互学习个体决策、市场均衡或政策规则。相关研究脉络指出：因此，AI得到的近似解仍需检验最优性条件或策略遗憾、预算约束、市场出清、分布运动规律和价格一致性，并评估其在不同初始状态、冲击和参数设定下的稳定性。本综述将其作为经济决策建模演进文献收录；主要结论和适用边界应以英文摘要及原始研究设计为准。

该文聚焦强化学习与经济决策求解，重点考察智能体如何通过环境交互学习个体决策、市场均衡或政策规则。相关研究脉络指出：使用多智能体强化学习刻画不同技能水平和信息处理成本下的有界理性市场行为，发现异质学习能力本身即可涌现出偏离完全理性均衡的集体行为模式；将Q-learning企业嵌入宏观ABM，相关细节见原文。本综述将其作为AI经济主体与决策求解文献收录；主要结论和适用边界应以英文摘要及原始研究设计为准。

该文聚焦强化学习与经济决策求解，重点考察智能体如何通过环境交互学习个体决策、市场均衡或政策规则。如何将LLM的情境化行为生成与RL的目标优化相结合，是值得深入研究的方向，提出的语言增强强化学习框架为此提供了初步探索。本综述将其作为AI经济主体与决策求解文献收录；主要结论和适用边界应以英文摘要及原始研究设计为准。