نظریه بازی ها

وقتی ریاضی منطقی عمل میکند

مقدمه: نظریهٔ بازی‌ها شاخه‌ای از ریاضیات کاربردی است که به تحلیل تصمیم‌گیری در موقعیت‌های تعاملی می‌پردازد؛ یعنی موقعیت‌هایی که نتیجهٔ هر تصمیم‌گیرنده نه تنها به انتخاب خودش، بلکه به انتخاب‌های دیگران نیز بستگی دارد. برخلاف تصمیم‌گیری فردی در شرایط قطعی یا مخاطره‌آمیز، در اینجا عنصر «وابستگی متقابل راهبردی» نقش محوری دارد. این نظریه از اواسط قرن بیستم با کارهای جان فون نویمان و اسکار مورگنسترن آغاز شد و سپس با مفهوم تعادل نش که توسط جان نش معرفی گردید، گسترش چشمگیری یافت. امروزه نظریهٔ بازی‌ها ابزاری بنیادین در اقتصاد، علوم سیاسی، زیست‌شناسی، علوم رایانه و مدیریت راهبردی محسوب می‌شود. هدف این تست، آشنایی دقیق با مفاهیم پایه، ابزارهای تحلیلی و کاربردهای اصلی این نظریه است تا شرکت‌کنندگان بتوانند از آن به‌عنوان چارچوبی برای تحلیل موقعیت‌های واقعی استفاده کنند.

ابتدا عناصر اصلی یک بازی را تعریف می‌کنیم: بازیکنان: مجموعهٔ تصمیم‌گیرندگان عاقل. فرض می‌کنیم بازیکنان عقلانیت کامل دارند و هدفشان بیشینه‌سازی پیامد خود است. مجموعهٔ راهبردها: برای هر بازیکن، مجموعهٔ تمام انتخاب‌های ممکن. راهبرد می‌تواند خالص (انتخاب یک عمل مشخص) یا مختلط (توزیع احتمالی روی اعمال) باشد. تابع پیامد (عایدی): تابعی که به هر ترکیب از راهبردهای بازیکنان، یک عدد حقیقی نسبت می‌دهد و نشان‌دهندهٔ مطلوبیت یا سود هر بازیکن است. ساختار اطلاعاتی: آیا بازیکنان از راهبردهای دیگران مطلع‌اند یا خیر؟ بازی با اطلاعات کامل در مقابل بازی با اطلاعات ناقص. زمان‌بندی حرکت: بازی‌های همزمان (نرمال‌فرم) در برابر بازی‌های متوالی (گسترده یا درختی). دو شکل نمایش اصلی وجود دارد: شکل نرمال (ماتریسی): مناسب بازی‌های همزمان. شکل گسترده (درختی): مناسب بازی‌های متوالی که ترتیب حرکت و مجموعه‌های اطلاعاتی در آن مشخص است. فرض عقلانیت مشترک نیز اهمیت دارد: نه تنها هر بازیکن عاقل است، بلکه می‌داند دیگران نیز عاقل‌اند و این آگاهی مشترک است. بازی‌ها را می‌توان از چند زاویه طبقه‌بندی کرد: از نظر مجموع پیامدها: مجموع‌صفر (آنچه یکی به دست می‌آورد، دیگری از دست می‌دهد) در برابر غیرصفر-مجموع (امکان منافع مشترک یا تعارض جزئی). از نظر امکان همکاری: غیرهمکارانه (توافق الزام‌آور وجود ندارد) در برابر همکارانه (امکان تشکیل ائتلاف و تقسیم منافع).

از نظر تکرار: بازی یک‌مرحله‌ای در برابر بازی‌های تکرارشونده (متناهی یا نامتناهی). از نظر اطلاعات: کامل، ناقص، کامل اما ناقص (مانند بازی‌های بیزی). هر یک از این طبقه‌بندی‌ها ابزارهای تحلیلی متفاوتی می‌طلبند. مهم‌ترین بخش نظریهٔ بازی‌ها، یافتن پیش‌بینی‌های پایدار از رفتار بازیکنان است. الف) راهبرد غالب و مغلوب اگر یک راهبرد برای بازیکن، صرف‌نظر از انتخاب دیگران، بهتر از بقیه باشد، راهبرد غالب اکید نامیده می‌شود. حذف پیاپی راهبردهای مغلوب، روشی ساده برای ساده‌سازی بازی است. ب) تعادل نش ترکیبی از راهبردها که در آن هیچ بازیکنی انگیزهٔ انحراف یک‌جانبه ندارد. به‌عبارت دقیق‌تر، راهبرد هر بازیکن بهترین پاسخ به راهبردهای دیگران است. جان نش نشان داد که در هر بازی متناهی با راهبردهای خالص یا مختلط، حداقل یک تعادل نش وجود دارد. این نتیجه با استفاده از قضیهٔ نقطهٔ ثابت براور اثبات می‌شود. تعادل نش می‌تواند: در راهبردهای خالص باشد، یا تنها در راهبردهای مختلط (توزیع احتمالی) وجود داشته باشد. ج) مفاهیم تکمیلی تعادل نش کامل زیربازی (برای بازی‌های متوالی): تعادل باید در هر زیربازی نیز نش باشد. این مفهوم تهدیدها و وعده‌های غیرقابل‌اعتماد را حذف می‌کند. تعادل بیزی-نش: برای بازی‌های با اطلاعات ناقص. تعادل همبسته: زمانی که امکان سیگنال مشترک وجود داشته باشد. در بازی‌های یک‌مرحله‌ای ممکن است همکاری پایدار نباشد، اما وقتی تعامل تکرار می‌شود، امکان تنبیه انحراف و پاداش همکاری به‌وجود می‌آید. قضیهٔ عام (Folk Theorem) نشان می‌دهد که در بازی‌های با افق نامتناهی و عامل تنزیل sufficiently نزدیک به یک، تقریباً هر پیامد شدنی و به‌صورت فردی عقلایی می‌تواند به‌عنوان تعادل پشتیبانی شود.

اقتصاد و سازمان صنعتی: رقابت قیمتی، ورود به بازار، ادغام‌ها و طراحی حراج. علوم سیاسی: مذاکرات بین‌المللی، رأی‌گیری راهبردی، بحران‌ها. زیست‌شناسی: نظریهٔ بازی‌های تکاملی و راهبردهای پایدار تکاملی (ESS) که رفتارهای جمعی گونه‌ها را توضیح می‌دهد. شبکه‌ها و امنیت: تخصیص منابع، دفاع در برابر حملات، طراحی پروتکل‌ها. مدیریت و راهبرد سازمانی: مذاکره، طراحی قرارداد، تصمیم‌گیری گروهی. نظریهٔ بازی‌ها چارچوبی دقیق برای تحلیل وابستگی متقابل تصمیم‌ها فراهم می‌کند. مفاهیم تعادل، به‌ویژه تعادل نش و تکمیل‌های آن، ابزار اصلی پیش‌بینی رفتار در محیط‌های راهبردی هستند. امروزه این نظریه با ترکیب با یادگیری ماشینی، اقتصاد رفتاری و داده‌های بزرگ، در حال گسترش به حوزه‌های جدید است. درک عمیق آن نه تنها قدرت تحلیلی می‌دهد، بلکه به طراحی سازوکارهای بهتر برای تخصیص منابع و هماهنگی جمعی کمک می‌کند.