记忆智能体空间演化博弈动力学的研究引起了数学、自动化、计算机科学与技术等众多相关学者的密切关注。以往的研究中，学者们通常假定记忆智能体之间以足够大的交互强度进行空间博弈，这在种群结构上反映出记忆智能体均具有同等博弈条件特征。事实上，在考虑博弈结果对网络结构的反作用时，学者们主要考虑了记忆智能体之间是否接触（比如断边重连、智能体生灭及移动等）这样的特殊问题，然而并没有涉及到记忆智能体之间交互关系强弱的动态演变过程。换句话说，反作用导致记忆智能体之间是否接触只是博弈结果影响博弈关系的一种特殊案例。此外，博弈个体都是聪明的智能体，它们各自很有可能会根据博弈结果的实际情况自动地调整交互关系的强弱。在此背景下，李佳奇教授对驱动记忆智能体之间交互强度的空间演化博弈进行了建模、实验及理论研究。实验结果与恒定交互方式结果进行了对比, 发现基于记忆智能体历史收益信息自适应改变智能体之间的交互强度能够极大提高种群中合作智能体的幸存能力，并能够促成系统中合作行为现象的大量涌现和维持。对于损益比不是很大的情形，总能存在最小的信息记忆长度能够使得系统达到最优合作密度。为了直观地观察到种群中智能体行为的演变，我们从微观演变的过程中捕获了一些典型的快照分析智能体的行为特征。另外，传统的对估计方法仅仅能预测充分交互规则网络上的演化博弈合作密度。然而，从生物行为演变的视角上看，充分交互方式仅仅是随机交互方式的一种特殊案例，因此我们将对传统的充分交互模式下对估计方法进行了扩展，使得这种改进型方法能够预测自适应交互网络上智能体的合作密度。通过与数值仿真进行对比，我们发现尽管应用这两种方法的结果存在微小差异，但种群中智能体行为的定性变化趋势并没有改变。我们的研究结果可以为多机器人系统的任务分解与协作、机器深度学习、状态空间的启发式搜索策略以及Agent的体系结构等人工智能技术的研究注入新鲜血液、提供新颖的理论指导。

       论文链接：https://www.sciencedirect.com/science/article/abs/pii/S009630031930829X