Ein mathematisches Framework, das individuelle Optimalsteuerungsprobleme mit einer Mittel‑Feld‑Beschreibung der Populationsverteilung koppelt und ein selbstkonsistentes Gleichgewicht liefert, wenn jeder Agent optimal auf das Mittel der Population reagiert, während die Population sich unter Aggregation dieser Reaktionen entwickelt.

Prinzip

Kopplung von Hamilton–Jacobi–Bellman‑Gleichungen (individuelle Optimalität) mit einer vorwärts gerichteten Kolmogorov/Fokker–Planck‑Gleichung für die Verteilung; gesucht ist ein Fixpunkt, bei dem die aus der Wertfunktion berechneten optimalen Kontrollen die Verteilung antreiben, die diese Kontrollen erzeugte.

Demonstration

Modellierung der Bewegung einer Menschenmenge in einem Korridor: jeder Fußgänger minimiert Reisezeit und Unbehagen anhand des Dichtefeldes, was zu einem gekoppelten HJB–Fokker–Planck‑System führt, dessen Lösung Evakuierungs‑ und Stauungsmuster als Mittel‑Feld‑Nash‑Gleichgewicht vorhersagt.

Fehlanwendung

Anwenden von MFG, wenn die Population klein, stark heterogen ist oder strategische Interaktionen von wenigen starken Verbindungen dominiert werden; dann ist die Mittel‑Feld‑Grenze ungültig und es entstehen irreführende Gleichgewichte, die wichtige Endlich‑Spieler‑Effekte ignorieren.

Konsequenz

Bietet handhabbare Nash‑Gleichungsapproximationen für sehr große Populationen, erlaubt dezentrale Strategiebildung und Einsicht in aggregierte Effekte individueller Optimierung und kann bei großem N die Mechanismusgestaltung leiten.

Umkehrung

Endliche Spieler differential games und zentralisierter Mean‑Field‑Control unterscheiden sich: endliche‑N‑Spiele behalten idiosynkratische strategische Effekte, während Mean‑Field‑Control (zentraler Planer) ein soziales Optimierungsproblem statt eines Nash‑Gleichgewichts löst.

Abgrenzung

Gilt in der Grenze vieler symmetrischer oder schwach heterogener Agen­ten mit vernachlässigbarem individuellem Einfluss; schließt kleine‑N‑Settings, stark vernetzte Wechselwirkungen oder Probleme aus, in denen gemeinsamer Rauschen und grobe Heterogenität die Mittel‑Feld‑Annahme ohne Modifikation brechen.

Semantische Spannung

Spannung mit Mean‑Field‑Control (zentralisiert), agentenbasierten Simulationen und Multi‑Agent‑Reinforcement‑Learning: MFG fokussiert auf dezentrale Gleichgewichtsstruktur in der groß‑N‑Grenze statt auf endliche‑Agent‑Koordination oder Lern‑Dynamiken.

Synthese

Mean‑Field‑Games verbinden Optimalsteuerung und kinetikähnliche Populationsdynamik zu einem Fixpunktproblem: individuelle Optimierung und Populationsentwicklung müssen konsistent sein und erzeugen Nash‑artige Gleichgewichte, die das strategische Verhalten in sehr großen Populationen approximieren.