ダイナミックプライシングのためのマルチエージェント強化学習: 収益性・安定性・公平性のバランス

要約: 競争的な小売市場におけるダイナミックプライシングは、需要の変動と競合他社の行動に適応する戦略を必要とします。 本研究では、競争下でのダイナミック価格最適化のためのマルチエージェント強化学習（MARL）アプローチ、特にMAPPOとMADDPGを対象に、体系的な実証評価を提示します。実世界の小売データに基づいて構築したシミュレート市場環境を用い、これらのアルゴリズムを独立学習器として広く用いられているIndependent DDPG（IDDPG）ベースラインと比較します。利益性能、乱数シード間の安定性、公平性、学習効率を評価します。我々の結果は、MAPPOが一貫して最高の平均リターンを低分散で達成し、競争力のある価格最適化に対して安定かつ再現性のあるアプローチを提供する一方、MADDPGは利益がわずかに低いもののエージェント間で最も公平な利益分布を示すことを示しています。これらの知見は、MARL手法、特にMAPPOが、ダイナミック小売価格設定に対する独立学習アプローチの拡張性が高く、安定した代替手段を提供することを示しています。