主题
重复囚徒困境锦标赛：经典策略与学习型智能体
博弈设定
每轮两名玩家同时选择合作（C）或背叛（D），收益矩阵为
| 对方合作 | 对方背叛 | |
|---|---|---|
| 我合作 | R（3） | S（0） |
| 我背叛 | T（5） | P（1） |
单轮博弈的唯一纳什均衡是双方背叛，但双方合作（各得 3）对两人都更好——这是“个体理性导致集体非理性”的经典例子。博弈重复进行时，未来的报复让合作成为可能。
两个学习型智能体
两个 Q-learning 智能体的状态是“上一轮双方的动作”，每场比赛从零开始边玩边学（ε 逐渐减小）。短视的智能体
在下方的“两个 Q-learning 互相学习”实验里，每个智能体都把对方当成环境的一部分——但对方的策略在不断变化，环境不再平稳，这正是独立学习（IQL）在多智能体问题中的根本困难。
可以试试
- 默认设置下跑一次：TFT、宽容 TFT 等“善良且可报复”的策略通常名列前茅，“永远背叛”排在中后段。
- 失误率调到 0.05：两个 TFT 之间一次失误就会引发无休止的互相报复，宽容 TFT 和巴甫洛夫的优势变得明显。
- 取消“永远合作”和“随机”这些“好欺负”的对手：背叛型策略的得分立刻下降。