İçeriğe geçScholarGate
KütüphaneKitaplığımMasaReview StudioAsistan
Giriş
Bu sayfada
SezgiNasıl çalışırNe zaman kullanılırGüçlü yönler & sınırlılıklarYaygın tuzaklarUygulamalarSSS🔒 Tam yöntemi okuKaynaklarİlişkili yöntemler
Bu sayfaya atıf yapBu sayfada bir hata mı var? Bildir / düzeltme öner →
Ana sayfa›Oyun teorisi›Evrimsel Oyun Teorisi
Machine learningGame-theoretic

Evrimsel Oyun Teorisi

Evolutionary Game Theory with Replicator Dynamics · Ayrıca şöyle bilinir: ESS, Evolutionarily Stable Strategy, Replicator Dynamics

Evrimsel Oyun Teorisi, oyun teorisi akıl yürütmesini, farklı stratejilere sahip ajan popülasyonlarının tekrar tekrar etkileşime girdiği biyolojik evrim ve sosyal dinamiklere uygular. 1973 yılında John Maynard Smith ve George Price tarafından tanıtılan bu çerçeve, mutant stratejiler tarafından istila edilemeyen strateji dağılımlarını belirlemek için Evrimsel Olarak Kararlı Stratejiler (ESS) kavramını kullanır. Tekrarlayıcı dinamikler, üreme ödeme başarısıyla orantılı olduğunda strateji frekanslarının zamanla nasıl evrildiğini açıklar.

ScholarGate
  1. Machine learning
  2. v1
  3. 2 Kaynaklar
  4. PUBLISHED
Bu sayfaya atıf yap →
Araçlar & kaynaklar
Slaytları indir
Öğren & keşfet

Tam yöntemi oku

Yalnızca üyeler

Bu bölümü okumak için ücretsiz hesapla giriş yapın.

Giriş yap

Yöntem haritası

İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.

Evrimsel Oyun Teorisi
Bayesci Nash DengesiCournot RekabetiNash DengesiStackelberg RekabetiAlt Oyun Mükemmel Dengesi

Ne zaman kullanılır

Etkileşimli ajan popülasyonlarını, başarı üremeyi artıran (biyolojik evrim, kültürel dinamikler, öğrenme süreçleri) durumlarda modellemek için evrimsel oyun teorisini uygulayın. İşbirliğinin ortaya çıkışını, çatışma çözümünü, sinyal vermeyi veya eşleşme davranışını incelemek için kullanın. Firmaların veya tüccarların karlılığa dayalı olarak zamanla stratejilerini geliştirdiği piyasalar için uygundur.

Güçlü yönler & sınırlılıklar

Güçlü yönler
  • Rasyonel öngörü olmadan davranışsal çeşitliliğin evrimsel ortaya çıkışını açıklar
  • Oyun teorik dengesini biyolojik ve kültürel evrimle ilişkilendirir
  • Tekrarlayıcı dinamikler, strateji frekansı evriminin sürekli zaman tanımını sağlar
  • ESS kavramı Nash Dengesi'nden daha katıdır, akıl almaz kararsız dengeleri ortadan kaldırır
Sınırlılıklar
  • Aseksüel üreme veya büyük popülasyonlarda rastgele karışım varsayımı gerektirir
  • Tekrarlayıcı dinamikler sürekli strateji ayarlamaları varsayar; ayrık popülasyonlar farklı dinamikler sergileyebilir
  • Birden fazla ESS genellikle mevcuttur, bu da tahminleri belirsiz hale getirir
  • Mutasyon oranlarını veya keşfi hesaba katmaz; uzun vadeli evrim mutasyon arzına bağlıdır

SSS

Evrimsel Olarak Kararlı bir Strateji, Nash Dengesi'nden nasıl farklıdır?

Her ESS bir Nash Dengesi'dir, ancak tersi doğru değildir. ESS ayrıca, bir popülasyon ESS stratejisini oynarsa, hiçbir mutant stratejinin istila edip yayılamayacağını gerektirir. ESS daha katıdır, nadir mutantlarla istilaya karşı kararsız olan dengeleri ortadan kaldırır.

Neden popülasyonlar ödemeyi en üst düzeye çıkarmak yerine ESS'ye doğru evrilir?

Çünkü evrim, toplam refahtan ziyade üreme başarısını optimize eder. Bir ESS kendi kendini uygular: herkes onu oynarsa, hiçbir birey sapmaktan fayda sağlayamaz ve bu da kararlı bir popülasyon durumu yaratır. Ödeme maksimizasyonu ikincildir.

Aynı oyunda birden fazla ESS bir arada bulunabilir mi?

Evet. Özellikle asimetrik oyuncu rolleri olan oyunlarda veya stratejilerin bağlama bağlı olduğu durumlarda birden fazla ESS bulunabilir. Tekrarlayıcı dinamikler yolu, başlangıç koşulları ve mutasyon desenlerine bağlı olarak bir popülasyonun hangi ESS'ye ulaştığını belirler.

Kaynaklar

  1. Smith, J. M., & Price, G. R. (1973). The logic of animal conflict. Nature, 246(5427), 15-18. DOI: 10.1038/246015a0 ↗
  2. Maynard Smith, J. (1982). Evolution and the Theory of Games. Cambridge University Press. link ↗

Bu sayfayı kaynak gösterin

ScholarGate. (2026, June 3). Evolutionary Game Theory with Replicator Dynamics. ScholarGate. https://scholargate.app/tr/game-theory/evolutionary-game-theory

İlişkili yöntemler

Bayesci Nash DengesiCournot RekabetiNash DengesiStackelberg Rekabeti

Hangi yöntem?

Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.

  • Bayesci Nash DengesiOyun teorisi↔ karşılaştır
  • Cournot RekabetiOyun teorisi↔ karşılaştır
  • Nash DengesiOyun teorisi↔ karşılaştır
  • Stackelberg RekabetiOyun teorisi↔ karşılaştır
Yan yana karşılaştır →

Bu yönteme atıf yapanlar

Cournot RekabetiAlt Oyun Mükemmel Dengesi

Benzer yöntemler

Nash DengesiAlt Oyun Mükemmel DengesiBirey Tabanlı Modelleme (BTM)Bayesci Nash DengesiEşgüdümlü çok amaçlı optimizasyonÇok Amaçlı Ajan Tabanlı ModellemeDeterministik Genetik AlgoritmaRastgele Evrimsel Optimizasyon Arama

İlgili referans kavramlar

Davranış ve Yaşam Tarihinin EvrimiDavranışsal ve Evrimsel EkolojiAkraba Seçilimi ve Sosyal EvrimSosyal Evrim ve İşbirliğiMutasyon, Seçilim ve Genetik SürüklenmeEşeysel Seçilim

Bu sayfada bir hata mı var? Bildir / düzeltme öner →

ScholarGate — Evolutionary Game Theory (Evolutionary Game Theory with Replicator Dynamics). 2026-07-20 tarihinde şu adresten erişildi: https://scholargate.app/tr/game-theory/evolutionary-game-theory · Veri seti: https://doi.org/10.5281/zenodo.20539026
Hızlı bilgiler
Originator
John Maynard Smith, George Price
Subfamily
Game-theoretic
Year
1973
Type
algorithm
İlişkili yöntemler
Bayesci Nash DengesiCournot RekabetiNash DengesiStackelberg Rekabeti
ScholarGate

Araştırma yöntemleri için içerik öncelikli bir referans kütüphanesi — her yöntemin ne olduğu, nasıl çalıştığı ve nereden geldiği.

Açık veri (CC-BY)

Keşfet

  • Kütüphane
  • Yöntemlerde ara…
  • Alanlara göre gez
  • Alanlar
  • Yolculuk
  • Karşılaştır
  • Hangi yöntem?

Başvuru

  • Konular
  • Atlas
  • Sözlük
  • Metodoloji
  • Felsefe

Çalışma alanı

  • Kitaplığım
  • Masa
  • Sohbet

Şirket

  • Hakkımızda
  • Fiyatlandırma
  • İletişim
  • Yöntem öner

Kayıtlar, başvuru amacıyla yayımlanmış kaynaklardan derlenmiştir. Herhangi bir bilginin doğruluğunu ve kendi kullanımınıza uygunluğunu denetlemek sizin sorumluluğunuzdadır.

© 2026 ScholarGate · Araştırma yöntemleri referans kütüphanesi
  • Gizlilik
  • Çerezler
  • Koşullar
  • Hesabı sil