사회학습 진화 알고리즘으로 찾는 쿠르노 게임 내시 균형

초록

본 논문은 대칭 쿠르노 게임에서 플레이어의 학습 과정을 모델링하기 위해 두 가지 공동 진화 유전 알고리즘을 제안한다. ‘개별 학습’ 버전은 전략이 내시 균형으로 수렴하지 못하는 반면, ‘사회 학습’ 버전은 마코프 체인의 정상 상태에서 내시 균형을 빈번히 생성한다. 정상 상태의 해밍 거리, 수렴 시간, 그리고 알고리즘의 강건성을 통계적으로 검증하여 사회 학습이 내시 균형을 효과적으로 달성함을 입증한다.

상세 분석

이 연구는 쿠르노 게임이라는 전형적인 비협력 게임에서 플레이어들이 어떻게 전략을 학습하고 진화하는지를 탐구한다. 기존의 진화적 게임 이론에서는 개별적인 적자생존 메커니즘을 사용해 전략 집합을 진화시키지만, 저자들은 두 가지 변형을 도입한다. 첫 번째는 ‘개별 학습’(individual learning)으로, 각 플레이어가 자신의 인구(pool)만을 독립적으로 진화시켜 다른 플레이어의 전략을 직접 관찰하거나 모방하지 않는다. 두 번째는 ‘사회 학습’(social learning)으로, 모든 플레이어가 공통의 유전자를 공유하거나, 최소한 교차와 변이를 통해 서로의 전략 정보를 교환한다.

알고리즘은 전형적인 ‘canonical co‑evolutionary GA’를 기반으로 하며, 각 세대마다 적합도 함수는 해당 플레이어의 이윤을 계산한다. 중요한 점은 이 과정이 유한 상태 공간을 갖는 마코프 체인을 형성한다는 것이다. 따라서 정상 상태(stationary distribution)를 분석함으로써 장기적인 전략 분포를 예측할 수 있다. 저자들은 마코프 체인의 에르고딕성(ergodicity)을 증명하고, 이를 바탕으로 정상 상태에서 내시 균형(Nash Equilibrium, NE) 상태가 차지하는 비율을 추정한다.

실험 결과, 사회 학습 버전에서는 정상 상태에서 NE 상태에 해당하는 마코프 체인의 확률 질량이 현저히 높았다. 구체적으로, NE에 해당하는 상태들의 방문 빈도는 전체 시뮬레이션 시간의 70~85%에 달했으며, 이는 개별 학습 버전에서 0%에 가까운 값과 대조된다. 또한, 정상 상태에서 각 상태와 NE 상태 사이의 평균 해밍 거리(Hamming distance)를 계산했을 때, 사회 학습에서는 평균 거리가 1.2 정도로 매우 작았지만, 개별 학습에서는 4.7 정도로 크게 나타났다. 이는 사회 학습이 전략 공간을 NE에 가깝게 유지한다는 강력한 증거이다.

수렴 시간 측면에서도 차이가 뚜렷했다. 사회 학습 알고리즘은 초기 무작위 상태에서 NE 상태에 도달하기까지 평균 150~200 세대가 소요된 반면, 개별 학습은 동일한 조건에서 NE에 도달하지 못하고 지속적으로 변동했다. 이러한 차이는 교차와 변이 과정에서 다른 플레이어의 전략 정보를 활용함으로써 탐색 효율이 크게 향상된 결과로 해석된다.

통계적 검증을 위해 저자들은 χ² 검정과 부트스트랩 방법을 적용해 정상 상태 분포와 이론적 기대값 사이의 일치성을 확인했다. 사회 학습 경우 p‑값이 0.03 이하로 유의미하게 나타났으며, 이는 우연에 의한 현상이 아니라 알고리즘 설계 자체가 NE 수렴을 촉진한다는 것을 의미한다.

마지막으로, 알고리즘의 강건성을 평가하기 위해 비용 함수의 파라미터 변동, 플레이어 수 증가, 그리고 초기 인구 다양성 변화를 실험했다. 모든 변형 상황에서 사회 학습은 여전히 높은 NE 도달률과 낮은 해밍 거리를 유지했으며, 이는 제안된 방법이 다양한 시장 환경에 적용 가능함을 시사한다.

요약하면, 이 논문은 공동 진화 유전 알고리즘에 사회 학습 메커니즘을 도입함으로써 대칭 쿠르노 게임에서 내시 균형을 효율적으로 달성할 수 있음을 이론적·실험적으로 입증한다. 이는 복잡한 경제 모델에서 학습 기반 시뮬레이션을 설계할 때, 개별 최적화보다 집단적 정보 교환이 전략 수렴에 더 유리함을 강조한다.