第一章引言

为什么需要演化博弈论？

经典博弈论建立在一个强有力但可疑的假设之上：参与者是完全理性的。他们知道博弈的全部结构，能计算所有可能的结果，并选择最优策略。纳什均衡——没有人在给定他人策略的情况下能单方面获益——是理性推理的终点。

但这个框架在两个方向上遇到了困难：

第一，理性假设过强。 真实世界的参与者——无论是动物、企业还是个人——很少进行完全理性的计算。一只蜥蜴不会求解纳什均衡，一个消费者不会在超市里进行逆向归纳。如果博弈论的预测依赖于理性，而理性在现实中缺席，预测还有什么意义？

第二，多重均衡问题。 许多博弈有多个纳什均衡（如协调博弈的两个纯均衡）。经典博弈论说"两个都是均衡"，但不告诉你该选哪个。面对左行右行的交通规则博弈，理性推理无法决定你该靠左还是靠右——你需要的是惯例、历史或演化。

演化博弈论（Evolutionary Game Theory）是对这两个困难的回应。它放弃"理性选择"的假设，转而问一个更朴素的问题：

如果种群中大量个体各自执行固定策略，通过反复博弈和自然选择（或模仿成功者），种群的策略分布会如何演化？最终稳定在什么状态？

没有全知的决策者，没有最优策略的计算，只有"越成功越增长"的自然选择逻辑。均衡不是理性选择的预设结果，而是动态过程的涌现终点。

起源

演化博弈论的历史起点是 1973 年 Maynard Smith 和 Price 的一篇短文。他们试图解释动物界中一个令人困惑的现象：为什么动物在争夺资源时经常"虚张声势"而不是真正打斗？如果攻击是更优策略（赢得资源），为什么退让策略在种群中没有被淘汰？

Maynard Smith 的洞见是：这个问题不能用经典博弈论来回答，因为动物不是理性的。但他注意到，如果把博弈的支付理解为适应度（繁殖成功率），那么"成功策略扩张"的自然选择逻辑可以给出答案。这就是演化稳定策略（ESS）概念的诞生。

随后，Taylor & Jonker (1978) 引入了复制者动态，将静态的 ESS 概念嵌入了动态框架。Hofbauer & Sigmund (1988, 1998) 建立了系统的数学理论。Weibull (1995) 和 Sandholm (2010) 提供了严谨的公理化处理。

演化博弈论从生物学出发，但它的影响迅速扩展到经济学、社会学、计算机科学和哲学。因为核心问题——"在没有中央协调者的情况下，策略如何在群体中扩散和稳定"——是普遍的。

核心范式转变

最重要的一行是"混合策略"的解读。在经典博弈论中，混合策略是一个玩家按概率分布随机选择——这是一种奇怪的行为（为什么理性的你要随机化？）。在演化博弈论中，混合策略是种群中不同纯策略个体的比例——没有任何个体需要随机化，"混合"是种群层面的统计特征。这个重新解读消解了经典博弈论中关于混合策略的哲学困惑。

本讲义的路线图

本讲义按以下路径展开：

• 第二章回顾经典博弈论基础——标准式博弈、纳什均衡、混合策略。重点是混合策略的"种群解读"，这是演化博弈论的基石。
• 第三章建立对称博弈与种群设定的形式化框架——适应度函数、单纯形、平移不变性。
• 第四章引入演化稳定策略（ESS）——核心概念，回答"哪些策略能抵御入侵"。
• 第五章引入复制者动态——描述种群演化过程的微分方程，回答"种群如何到达均衡"。
• 第六章深入分析五个经典模型——鹰鸽博弈、石头-剪刀-布、协调博弈、猎鹿博弈、囚徒困境。每个模型揭示演化博弈论的一个核心主题。
• 第七章扩展到非对称博弈——不同角色的参与者、两种群动态、Bourgeois 策略。
• 第八章综述应用（生物学、经济学、社会困境）和扩展方向（空间博弈、网络、有限种群）。

数学要求：微积分、线性代数、基础概率论。我们不追求最大的一般性，而追求对核心概念的清晰理解。每一个数学定义都会配有直觉解释，每一个定理都会被具体例子检验。

一个未完成的故事

演化博弈论回答了一些经典博弈论无法回答的问题，但它也有自己的边界和未解决的问题：

• 当种群结构复杂（多层次、异质网络）时，分析变得极其困难
• 将演化博弈论从"策略演化"推广到"博弈规则本身的演化"仍是开放问题
• 与人类特有的理性能力（语言、文化传承、制度设计）的整合尚不成熟

本讲义覆盖的是已经建立起来的"经典核心"。但演化博弈论仍是一个活跃的研究领域，新的模型和应用不断涌现。希望这份讲义能为你提供足够的基础，去阅读这个领域的前沿文献，并在这个未完成的故事中找到自己的位置。

第二章预备知识——经典博弈论基础

本章回顾经典博弈论的核心概念。我们不追求面面俱到，只覆盖演化博弈论所依赖的最小知识集合。如果你对这些内容已经熟悉，可以快速浏览，重点关注混合策略的解读那一节——演化博弈论会给出完全不同的视角。

2.1 博弈的标准式表述

一个标准式博弈（normal-form game）由三个要素构成：

其中：

• $N = \{1, 2, \ldots, n\}$ 是参与者（players）的集合
• $S_i$ 是参与者 $i$ 的策略空间（strategy space）
• $u_i: S_1 \times S_2 \times \cdots \times S_n \to \mathbb{R}$ 是参与者 $i$ 的支付函数（payoff function）

在本讲义中，我们主要关注两人有限博弈（two-player finite game），即 $n = 2$ 且每个 $S_i$ 是有限集。

对称博弈（symmetric game）是一个关键概念：如果 $S_1 = S_2 = S$ 且对所有 $s, s' \in S$ 都有 $u_1(s, s') = u_2(s', s)$，则称博弈是对称的。直觉上，两个玩家"身份互换后游戏不变"。对称博弈可以用一个支付矩阵 $A$ 完全描述：当玩家1选策略 $i$、玩家2选策略 $j$ 时，玩家1的支付为 $A_{ij}$，玩家2的支付为 $A_{ji}$。

2.2 纳什均衡

直觉：没有人能通过单方面改变策略而获益。这是一个"互相最优反应"的状态。

纳什定理（存在性，不证明）：任何有限博弈（参与者有限、策略有限）至少存在一个混合策略纳什均衡。

2.3 混合策略——两种解读

这一节请特别注意，因为演化博弈论会彻底改变混合策略的含义。

设参与者 $i$ 的纯策略集为 $S_i = \{1, 2, \ldots, m\}$。一个混合策略（mixed strategy）是一个概率分布：

策略空间因此从有限集扩展为单纯形（simplex）：

解读一：随机化（经典博弈论视角）

在经典博弈论中，混合策略被理解为单个玩家的随机化：玩家在每一轮博弈前，按概率分布 $x$ 随机选择一个纯策略。对手不知道你这轮会选什么。

这种解读有一个著名的哲学困难：如果每个玩家都在随机化，那是什么让他们"恰好"按均衡概率随机的？Harsanyi (1973) 用"颤抖的手"来回应，但争议一直存在。

解读二：种群分布（演化博弈论视角）

演化博弈论给出了一个完全不同的、而且更自然的解读：

混合策略 $x$ 不是一个玩家的随机化，而是种群中策略的份额分布。

$x_k = 0.3$ 的意思不是"某个玩家以30%的概率选策略 $k$"，而是"种群中30%的个体采用策略 $k$"。

这个解读消解了经典博弈论中的哲学困难——没有任何个体需要"随机化"，每个个体都坚定地执行一个纯策略，混合比例来自种群层面的统计。

这个重新解读是整门演化博弈论的基石。 后面所有的分析，都建立在这个理解之上。

两种解读不只是换了个说法

表面上看，两种解读只是对同一个数学对象 $x \in \Delta$ 的不同注释。但这个转换背后是一个更深的哲学位移：

经典博弈论是本质主义思维（essentialism）——策略是抽象的，玩家是同质的理性人，混合策略是个体层面的属性。这种思维预设了一个理想的、全知的决策者在做最优选择。

演化博弈论是种群思维（population thinking）——没有全知决策者，只有大量平凡个体各自执行固定策略。"混合比例"不是任何个体的属性，而是种群层面的涌现特征。

这个区分呼应了 Ernst Mayr 在生物学中的经典命题：达尔文革命的本质不是"适者生存"，而是用种群思维取代本质主义思维。物种不是由一个"理想形式"定义的，而是由种群中个体的变异分布定义的。演化博弈论把同一条思路带进了策略分析。

更深一层，这个转换重新定义了"均衡"的地位。经典博弈论中，纳什均衡要求理性玩家相互做出最优反应——但为什么理性人不能协调到帕累托更优的均衡？经典理论用"信息不完全"等外生条件来回答，但这些都是补丁。

演化博弈论的回答更干净：根本没有人在"选择"均衡。种群动态是一个去中心化的过程，没有中央协调者，没有全知理性。均衡是动态过程的涌现结果，而不是理性选择的前提预设。

这意味着演化博弈论把"均衡选择问题"变成了"动态收敛问题"——不问"哪个均衡是合理的"，而问"从给定初始状态出发，动态过程趋向哪个均衡"。这是一个更可操作、更可检验的问题。

适应度函数

给定种群分布 $x \in \Delta$，采用纯策略 $k$ 的个体的期望适应度（expected fitness）为：

而种群的平均适应度为：

2.4 三个经典例子

以下三个博弈会在后续章节中反复出现。先熟悉它们的结构和均衡，后面会用演化视角重新分析。

例1：协调博弈（Coordination Game）

两个玩家协调到同一策略就获益，否则为零。典型的例子是"左行右行"或技术标准选择（VHS vs BetaMax）。

均衡分析：

• 纯策略纳什均衡：$(H, H)$ 和 $(D, D)$ —— 都是纳什均衡
• 混合策略纳什均衡：$x^* = \frac{b}{a+b}$（选第一个策略的概率）

关键问题（演化博弈论会重新面对）：两个均衡都"合理"，经典博弈论无法告诉你该选哪个。如果你选了H但对手选了D，你一无所获——这就是协调失败。

例2：囚徒困境（Prisoner's Dilemma）

标准参数：$T > R > P > S$ 且 $2R > T + S$。

• 纯策略纳什均衡：$(D, D)$ —— 唯一的纳什均衡
• 合作 $(C, C)$ 给双方更高收益，但不是均衡——每个玩家都有动机单方面背叛

演化视角的伏笔：经典博弈论说理性人最终都背叛。但如果合作者在种群中占多数，背叛者短期内确实能获利，长期呢？演化博弈论要回答的就是这个问题。

例3：鹰鸽博弈（Hawk-Dove）

前面已给出支付矩阵。这里补充均衡分析。

设 $V = 2, C = 4$（典型参数），则：

均衡分析：

• 纯策略纳什均衡：不存在（可以验证H和D都不是彼此的最优反应）
• 混合策略纳什均衡：$x^* = \frac{2}{3}$（选鹰的概率）

混合均衡的意思是：当种群中 $\frac{2}{3}$ 的个体是鹰、$\frac{1}{3}$ 是鸽时，两种策略的适应度相等，种群处于均衡。

直觉：如果鹰太多，打斗成本使鹰的适应度下降，鸽变得有利 → 鹰的比例下降；如果鸽太多，鹰可以轻松掠夺 → 鹰的比例上升。最终稳定在一个中间比例。

这个"比例来回摆动最终稳定"的过程，正是复制者动态要刻画的内容。

2.5 小结

本章的关键要点：

1. 标准式博弈提供了演化博弈论的基本语言
2. 纳什均衡是"互相最优反应"的状态，后面会问：演化过程是否收敛到纳什均衡？
3. 混合策略的种群解读是核心伏笔——不是个体随机化，而是种群中的策略分布
4. 三个例子各有特色：协调博弈有多个均衡、囚徒困境有合作困境、鹰鸽博弈有唯一的混合均衡

这些概念的精确版本会在第三、四、五章中被重新审视和扩展。

习题

第三章对称博弈与种群设定

本章将第二章介绍的框架正式化。目标是建立一个干净的数学语言，让后续的 ESS 和复制者动态分析可以直接在上面展开。

3.1 对称两人博弈

为什么只关注对称博弈？ 两个原因：(1) 大量经典模型（鹰鸽博弈、囚徒困境、石头-剪刀-布）天然对称；(2) 对称设定下，我们可以用一个种群来描述整个系统，数学上大幅简化。非对称博弈（第七章）需要多个种群。

3.2 种群状态

几个重要的特殊状态：

• 单态状态（monomorphic state）：$x = e_i$（第 $i$ 个标准基向量），即种群中所有个体都采用策略 $i$
• 内点状态（interior state）：$x_i > 0$ 对所有 $i$，即每种策略在种群中都有非零份额
• 边界点（boundary point）：至少有一个 $x_i = 0$

在二维单纯形（$n = 3$）的情形中，种群状态可以用等边三角形中的一个点来可视化——三个顶点分别代表三种单态状态，内部点代表混合种群。

3.3 适应度函数

给定种群状态 $x$，一个采用策略 $i$ 的个体与种群中随机一个成员配对博弈。由于种群中策略 $j$ 的份额为 $x_j$，该个体的期望支付（即适应度）为：

性质 3.1 适应度函数 $f_i(x)$ 关于 $x$ 是线性的。平均适应度 $\bar{f}(x)$ 关于 $x$ 是二次的（一个二次型）。

线性性的直觉：策略 $i$ 的适应度是对所有可能对手的支付的加权平均，权重就是种群中各策略的份额。份额变了，适应度按比例变化——没有"边际递减"效应。

性质 3.2 如果两个策略 $i$ 和 $j$ 满足 $f_i(x) > f_j(x)$，则策略 $i$ 比策略 $j$ 更"成功"——在种群中能获得更高的期望收益。

这自然引出一个核心问题：更成功的策略是否会在种群中增长？ 答案是"是的"，而这正是第五章复制者动态的全部内容。

3.4 支付矩阵的平移与缩放

演化博弈论中有一个重要但容易被忽视的事实：对适应度函数做某些变换，不会改变演化的定性结果。

证明思路：给每个支付加同一个常数 $c$，相当于把所有策略的适应度同时抬高 $c$：

平均适应度变为 $\bar{f}^B(x) = \bar{f}^A(x) + c$。但适应度的差异 $f_i(x) - f_j(x)$ 不变，相对优劣关系不变。而复制者动态只依赖于适应度之差（见第五章），所以轨道完全相同。$\square$

推论 3.1 对支付矩阵做正缩放 $B = \alpha A$（$\alpha > 0$）也不改变演化结果——只是改变了动态的"速度"，不改变方向。

这两个性质意味着：演化博弈论关心的是策略之间的相对优劣，而不是支付的绝对数值。这与生物学的精神一致——适应度是一个相对概念。

3.5 支配与劣势策略

在进入演化稳定性的概念之前，我们需要一个经典的比较工具。

直觉很清楚：如果一个策略在任何环境下都不如另一个策略，那它在演化中注定被淘汰——没有"生态位"可以保护它。

3.6 小结

本章建立了演化博弈论的基本框架：

1. 对称博弈：一个支付矩阵 $A$ 就能描述整个博弈
2. 种群状态：单纯形 $\Delta^{n-1}$ 中的一个点，表示各策略在种群中的份额
3. 适应度：$f_i(x) = (Ax)_i$，是 $x$ 的线性函数
4. 平移不变性：演化结果不依赖支付的绝对水平，只依赖相对差异
5. 劣势策略：严格劣势的策略在演化中必被淘汰

有了这套语言，下一章就可以正式定义演化稳定策略——演化博弈论最核心的概念之一。

习题

第四章演化稳定策略（ESS）

这是演化博弈论最核心的概念。John Maynard Smith 和 George Price 在 1973 年提出这个概念时，问了一个极其朴素的问题：如果种群中所有个体都采用某个策略，少量"突变"策略能否入侵这个种群？ 如果不能，这个策略就是"演化稳定"的。

这个想法简洁而强大，我们一步步把它形式化。

4.1 直觉：入侵与抵抗

想象一个种群，其中所有个体都采用策略 $x^*$（称为驻留策略，resident strategy）。突然出现了一小群采用不同策略 $y$ 的突变体（mutant），占种群的 $\epsilon$ 比例（$\epsilon$ 很小）。

问题：突变体能不能站稳脚跟？

要回答这个问题，我们需要比较两种策略在"几乎全是驻留策略"的环境中的表现。面对一个 $\epsilon$ 比例突变体、$(1-\epsilon)$ 比例驻留策略的种群：

• 驻留策略的适应度：$f(x^*, \epsilon) = (1-\epsilon) \cdot x^{*\top} A x^* + \epsilon \cdot x^{*\top} A y$
• 突变策略的适应度：$f(y, \epsilon) = (1-\epsilon) \cdot y^\top A x^* + \epsilon \cdot y^\top A y$

如果驻留策略是纳什均衡（$x^{*\top} A x^* \geq y^\top A x^*$），那么当 $\epsilon$ 足够小时，驻留策略的适应度不会低于突变策略。但 Maynard Smith 的要求更强：突变体最终必须被淘汰，即其份额必须下降。

突变体份额的变化取决于其适应度是否高于平均适应度。当 $\epsilon$ 很小时：

• 如果一阶项 $< 0$：突变体适应度低于平均，直接被淘汰。条件满足。
• 如果一阶项 $= 0$：一阶无法判断，需要看二阶项。此时要求二阶项 $< 0$，即突变体在同类型对局中表现比驻留策略差。

这就是 ESS 的两个条件的来源。

4.2 形式化定义

用文字说：

• (E1)：面对驻留种群，突变策略的适应度严格低于驻留策略。突变体一进来就"水土不服"，直接被淘汰。
• (E2)：如果突变策略面对驻留种群时和驻留策略打平手（一阶不分胜负），那么当两个突变体互相对局时，它们的表现不如面对驻留策略。这保证了突变体在二阶上仍然会被淘汰。

直觉总结：ESS 是一个"能抵御任何小规模入侵"的策略。入侵者要么直接适应度更低（E1），要么即使一时打平也在同族竞争中吃亏（E2）。

4.3 ESS 的等价刻画

证明：

($\Rightarrow$) 若 $x^*$ 是 ESS，则 (E1) 和 (E2) 成立。特别地，取 $y$ 使得 $y^\top A x^* \leq x^{*\top} A x^*$（这由 (E1) 自动满足，或由 (E2) 加强），所以 $x^*$ 是纳什均衡。条件 ($\star$) 正是 (E2)。

($\Leftarrow$) 设 $x^*$ 是纳什均衡且 ($\star$) 成立。对任意 $y \neq x^*$：

• 若 $y^\top A x^* < x^{*\top} A x^*$，则 (E1) 成立。
• 若 $y^\top A x^* = x^{*\top} A x^*$，由纳什均衡性有 $x^{*\top} A x^* \geq x^{*\top} A y$，结合 ($\star$) 有 $y^\top A y < x^{*\top} A y$，即 (E2) 成立。
• $y^\top A x^* > x^{*\top} A x^*$ 不可能（与纳什均衡矛盾）。

$\square$

这直接从定理 4.1 令 $x^* = e_i$、$y = e_j$ 得到。

4.4 ESS 与纳什均衡的关系

这是本章最重要的结构性结果之一。

用集合关系表达：

两个包含关系都是真包含。

直觉：ESS 比纳什均衡更"严格"。纳什均衡只要求"没人想单方面偏离"，ESS 还要求"突变体来了也待不住"。这使得 ESS 能排除某些纳什均衡——那些"理论上是均衡但实际脆弱"的策略组合。

4.5 经典例子

例1：鹰鸽博弈

支付矩阵（$V = 2, C = 4$，已平移使得最小支付为零）：

纯策略检验：

• 鹰（H）：$A_{11} = -1$，$A_{21} = 0$。$A_{11} < A_{21}$，不满足 ESS 条件。
• 鸽（D）：$A_{22} = 1$，$A_{12} = 2$。$A_{22} < A_{12}$，不满足 ESS 条件。

直觉：全是鹰时，鸽入侵（面对鹰得0，鹰互打得-1）；全是鸽时，鹰入侵（面对鸽得2，鸽对鸽得1）。两种纯态都不稳定。

混合 ESS：由第三章已知混合纳什均衡为 $x^* = (\frac{1}{2}, \frac{1}{2})$。在这一点上 $f_H = f_D = \frac{1}{2}$。

ESS 验证：对 $y = e_1$（纯鹰），$y^\top A y = A_{11} = -1$，$x^{*\top} A y = \frac{1}{2}(-1) + \frac{1}{2}(0) = -\frac{1}{2}$。$-1 < -\frac{1}{2}$ ✓ (E2)。同理可验证 $y = e_2$ 也满足。对任意混合 $y$，条件也成立。

结论：$x^* = (\frac{1}{2}, \frac{1}{2})$ 是鹰鸽博弈唯一的 ESS。

直觉：种群中一半鹰一半鸽时，两种策略适应度相等，没有哪方能扩张。如果突变引入更多鹰，打斗成本上升，鹰的适应度下降，鹰被反压回去；反之亦然。种群会自动回到均衡比例。

例2：协调博弈

纯策略检验：

• 策略1：$A_{11} = 2 > 0 = A_{21}$。满足定理 4.2，是 ESS。✓
• 策略2：$A_{22} = 1 > 0 = A_{12}$。满足定理 4.2，是 ESS。✓

两个纯策略都是 ESS！

混合纳什均衡：$x^* = (\frac{1}{3}, \frac{2}{3})$。它是不是 ESS？

取 $y = e_1$：$y^\top A x^* = \frac{2}{3} = x^{*\top} A x^*$，进入 (E2)。$y^\top A y = 2$，$x^{*\top} A y = \frac{2}{3}$。$2 > \frac{2}{3}$，不满足 (E2)！

结论：混合纳什均衡 $x^* = (\frac{1}{3}, \frac{2}{3})$ 不是 ESS。

直觉：在混合均衡附近，如果突变引入了更多策略1的个体，这些个体之间对局得2（高于均衡时的平均收益 $\frac{2}{3}$），所以策略1的份额会增长——突变体可以"自我扩张"。均衡是脆弱的。

总结：协调博弈有两个 ESS（两个纯策略），混合纳什均衡不是 ESS。这就是经典的"多重均衡 + 风险"问题——演化动力学会"选中"其中一个纯 ESS，具体选哪个取决于初始条件。

例3：石头-剪刀-布

可以验证：不存在纯策略 ESS（每种策略都被另一种克制），唯一的纳什均衡是 $x^* = (\frac{1}{3}, \frac{1}{3}, \frac{1}{3})$。

但它是不是 ESS？ 对 $y = e_1$：$y^\top A y = A_{11} = 0$，$x^{*\top} A y = \frac{1}{3}(0) + \frac{1}{3}(-1) + \frac{1}{3}(1) = 0$。(E1) 取等号，进入 (E2)：$y^\top A y = 0 = x^{*\top} A y$。(E2) 也取等号。不满足 ESS 条件。

原因在于 $A$ 的对角线全为零——纯策略面对自己时支付为零，恰好等于混合均衡下的平均支付。这是一个退化情形。

4.6 ESS 的存在性

证明概要：由纳什定理，至少存在一个对称纳什均衡。在所有对称纳什均衡中，取在"支付等价"意义下最优的那个（利用纳什均衡集合的结构性质），可以证明它满足 ESS 条件。完整证明见 Weibull (1995, Theorem 2.3.3)。$\square$

但存在性不保证唯一性——协调博弈就有两个 ESS。当存在多个 ESS 时，演化博弈论本身不能告诉你"最终"会到达哪个，这取决于初始条件和动态过程的细节（第五章会深入讨论）。

4.7 ESS 的局限

ESS 是一个漂亮的静态概念，但它有几个已知的局限：

1. 只对对称博弈定义。非对称博弈需要推广到"演化稳定集合"等概念（第七章）。
2. 只考虑"小规模突变"。大量突变体同时入侵的情况不在 ESS 的框架内。
3. 不涉及动态。ESS 告诉你"均衡是稳定的"，但不告诉你从任意初始状态出发是否能到达均衡——这是复制者动态的任务（第五章）。
4. 对有限种群不适用。ESS 的定义假设种群无限大，有限种群需要不同的工具。

这些局限恰好指出了下一章（复制者动态）的必要性。

4.8 小结

1. ESS 的核心问题：驻留策略能否抵御突变入侵？
2. 两个条件：(E1) 适应度严格高于突变，或 (E2) 适应度相等时在同族竞争中占优
3. ESS ⊂ 纳什均衡：ESS 是更强的稳定性概念，能排除某些"脆弱"的纳什均衡
4. 严格纳什均衡 → ESS：但 ESS 不一定是严格的（如鹰鸽博弈的混合 ESS）
5. 多重 ESS 存在：协调博弈有两个纯 ESS，演化结果取决于初始条件

习题

第五章复制者动态

第四章的 ESS 是一个静态概念——它问"这个策略能否抵御入侵"，但不关心"从任意初始状态出发，系统怎么演化"。复制者动态（Replicator Dynamics）回答的正是后者：它给出一个微分方程，描述种群中各策略份额随时间变化的过程。

Taylor & Jonker (1978) 首先研究了这个方程，Zeeman (1980) 和 Hofbauer et al. (1979) 建立了系统的理论。

5.1 方程的推导

设种群中采用策略 $i$ 的个体数量为 $N_i(t)$，总数量为 $N(t) = \sum_i N_i(t)$。策略 $i$ 的份额为 $x_i = N_i / N$。

假设每个策略类型的数量按其适应度增长（"越成功，繁殖越多"）：

这里 $f_i(x) = (Ax)_i$ 是策略 $i$ 的适应度，取决于当前的种群状态 $x$。

对 $x_i = N_i / N$ 求导：

其中 $\dot{N} = \sum_j \dot{N}_j = \sum_j N_j f_j(x) = N \cdot \bar{f}(x)$。代入：

直觉：一个策略份额的增长率等于其适应度与平均适应度之差。高于平均就增长，低于平均就衰减，等于平均就保持不变。这就是"自然选择"的数学表达。

证明：$\sum_i \dot{x}_i = \sum_i x_i f_i(x) - \bar{f}(x) \sum_i x_i = \bar{f}(x) - \bar{f}(x) \cdot 1 = 0$。又若某 $x_i$ 从边界出发（$x_i = 0$），则 $\dot{x}_i = 0$，不会变为负值。$\square$

性质 5.2 复制者方程是自治的（不显含时间 $t$），且右端是 $x$ 的二次函数（因为 $\bar{f}(x) = x^\top A x$ 是二次的，$f_i(x)$ 是线性的）。

5.2 不动点

由 (RD) 方程，$\dot{x}_i = 0$ 当且仅当 $x_i^* = 0$ 或 $f_i(x^*) = \bar{f}(x^*)$。换言之：

在不动点处，每一个在种群中存在的策略（$x_i^* > 0$），其适应度都等于平均适应度。

这恰好是纳什均衡的条件：

证明：

($\Leftarrow$) 设 $x^*$ 是对称纳什均衡。由纳什均衡定义，对所有 $j$ 有 $x^{*\top} A x^* \geq e_j^\top A x^*$。对 $x_j^* > 0$ 的 $j$，这等价于 $f_j(x^*) \geq \bar{f}(x^*)$。但 $\bar{f}(x^*) = \sum_i x_i^* f_i(x^*)$，若某个 $f_j(x^*) > \bar{f}(x^*)$ 则必有某个 $f_k(x^*) < \bar{f}(x^*)$（加权平均的性质），这与纳什均衡矛盾（$x_k^* > 0$ 时 $f_k(x^*)$ 不能低于平均）。所以所有 $x_i^* > 0$ 的 $i$ 都有 $f_i(x^*) = \bar{f}(x^*)$，即 $\dot{x}_i = 0$。

($\Rightarrow$) 设 $x^*$ 是不动点。对所有 $x_i^* > 0$ 有 $f_i(x^*) = \bar{f}(x^*)$。对任意纯策略 $j$，由加权平均的性质，$f_j(x^*)$ 要么等于 $\bar{f}(x^*)$（若 $j$ 在支撑集中），要么 $f_j(x^*) \leq \bar{f}(x^*)$（因为若 $f_j(x^*) > \bar{f}(x^*)$ 则 $j$ 本应增长）。所以 $x^{*\top} A x^* = \bar{f}(x^*) \geq f_j(x^*) = e_j^\top A x^*$，即 $x^*$ 是纳什均衡。$\square$

这意味着：复制者动态的不动点集合恰好就是对称纳什均衡的集合。演化动态和理性选择在"停下来的地方"是一致的——但在"怎么到达"和"是否稳定"上可能完全不同。

5.3 稳定性

不动点可能稳定也可能不稳定。我们需要区分几种稳定性。

直觉：Lyapunov 稳定是"小扰动不会导致灾难"，渐近稳定是"小扰动会被自动纠正"。演化博弈论关心的主要是渐近稳定——我们想知道均衡是否能"自我修复"。

二维情形的分析

在 $n = 2$（两种策略）的情形中，复制者动态退化为一个一维 ODE。设 $x = (x_1, 1 - x_1)$，记 $p = x_1$，则：

令 $\phi(p) = f_1(p) - f_2(p)$，不动点满足 $\phi(p^*) = 0$（或 $p^* \in \{0, 1\}$）。

证明：在 $p^*$ 附近线性化，$\dot{p} \approx p^*(1 - p^*) \phi'(p^*) \cdot (p - p^*)$。若 $0 < p^* < 1$（内点不动点），则 $p^*(1 - p^*) > 0$，稳定性由 $\phi'(p^*)$ 的符号决定。$\square$

5.4 例子

例1：鹰鸽博弈

支付矩阵 $A = \begin{pmatrix} -1 & 2 \\ 0 & 1 \end{pmatrix}$（$V=2, C=4$）。

适应度差：$f_H(p) = 2 - 3p$，$f_D(p) = 1 - p$，$\phi(p) = 1 - 2p$。

不动点：$\phi(p^*) = 0 \Rightarrow p^* = \frac{1}{2}$。

稳定性：$\phi'(p^*) = -2 < 0$。渐近稳定。✓

动态行为：

• 若初始 $p > \frac{1}{2}$（鹰太多），$\phi(p) < 0$（鹰适应度低于鸽），$\dot{p} < 0$，鹰的比例下降
• 若初始 $p < \frac{1}{2}$（鸽太多），$\phi(p) > 0$（鹰适应度高于鸽），$\dot{p} > 0$，鹰的比例上升
• 无论从哪个 $p_0 \in (0, 1)$ 出发，都趋向 $p^* = \frac{1}{2}$

这就是"负反馈"机制：偏离均衡产生纠正力，拉回均衡。

与 ESS 的对应：$x^* = (\frac{1}{2}, \frac{1}{2})$ 是 ESS（第四章已证），也是渐近稳定的不动点。一一对应。

例2：协调博弈

$f_1(p) = 2p$，$f_2(p) = 1 - p$，$\phi(p) = 3p - 1$。

不动点：$p^* = \frac{1}{3}$。

稳定性：$\phi'(p^*) = 3 > 0$。不稳定！

动态行为：

• 若初始 $p > \frac{1}{3}$，$\phi(p) > 0$，策略1更有利，$p$ 继续增长 → 趋向 $p = 1$（纯策略1）
• 若初始 $p < \frac{1}{3}$，$\phi(p) < 0$，策略2更有利，$p$ 继续下降 → 趋向 $p = 0$（纯策略2）

p = 0        p* = 1/3         p = 1
  ←───────────┼───────────→
  策略2占优    [不稳定]     策略1占优

混合均衡 $p^* = \frac{1}{3}$ 是一个"鞍点"——不是协调的稳定结果，而是分界线。种群最终收敛到哪个纯 ESS，完全取决于初始份额是否超过 $\frac{1}{3}$。

这就是"均衡选择问题"的动态回答：不是理论选不出均衡，而是初始条件决定了演化走向。现实中初始条件取决于历史偶然——技术标准的竞争、社会规范的形成，往往就是这么"路径依赖"的。

例3：石头-剪刀-布

内点不动点：$x^* = (\frac{1}{3}, \frac{1}{3}, \frac{1}{3})$。

这个博弈的动态比前两个丰富得多。不动点 $x^*$ 不是渐近稳定的——种群不会"停"在均匀混合状态。但也不是简单的不稳定：轨迹在 $x^*$ 附近形成闭合轨道（极限环）。

可以证明：对于这个特殊博弈，轨道是渐近中性的——不螺旋向内也不向外，而是近似周期性地围绕 $x^*$ 运动。种群在三种策略之间循环：石头多 → 布有利 → 布多 → 剪刀有利 → 剪刀多 → 石头有利 → 循环。

在生物学中：侧斑蜥蜴（side-blotched lizard）的三种雄性策略（橙喉、蓝喉、黄喉）确实表现出这种循环动态——Orange beats Blue, Blue beats Yellow, Yellow beats Orange。田野数据观察到了周期约为4-5年的份额波动。

与 ESS 的关系：$x^* = (\frac{1}{3}, \frac{1}{3}, \frac{1}{3})$ 是 NE 但不是 ESS（习题 4.3），也不是渐近稳定的——它是 Lyapunov 稳定的（轨道不跑远）。这说明在 $n \geq 3$ 时，Lyapunov 稳定的不动点不一定是 ESS（$n = 2$ 时不存在这种分离）。

5.5 ESS 与动态稳定性

汇总本章和第四章的结果：

用集合关系说：

$n = 2$ 时：

$n \geq 3$ 时：

直觉：ESS 保证"小规模突变会被淘汰"（静态入侵抵抗），渐近稳定保证"小扰动会被动态纠正"。两者高度相关但不等价。在二维（最常见的应用情形）中，二者完全等价。

5.6 离散时间复制者动态（简要）

连续时间的分析方便且直觉清晰，但现实中演化可能以离散世代进行。离散时间版本为：

前提是 $\bar{f}(x) > 0$ 对所有可达状态成立（否则需要先做支付平移，由命题 3.1 保证不改变结果）。

直觉：下一代中策略 $i$ 的份额 = 本代份额 ×（适应度 / 平均适应度）。适应度高于平均的策略份额放大，低于平均的缩小。

连续时间版本是离散版本在时间步长趋于零时的极限。大部分定性结论（不动点、稳定性、ESS 的角色）在两个版本中一致，但离散版本可能出现连续版本中没有的复杂行为（如混沌），当支付函数的非线性足够强时。

5.7 小结

1. 复制者方程 $\dot{x}_i = x_i(f_i - \bar{f})$ 刻画了"成功策略扩张"的自然选择过程
2. 不动点 = 纳什均衡：演化动态和理性选择在"停下来"的地方一致
3. 渐近稳定 vs Lyapunov 稳定：前者是"自我修复"，后者只是"不跑远"
4. 二维情形：ESS ⇔ 渐近稳定，一一对应
5. 高维情形：可能出现循环（石头-剪刀-布），Lyapunov 稳定但不是 ESS
6. 路径依赖：多重 ESS 时，初始条件决定最终结果（协调博弈）

ESS 告诉你"哪些策略是好的"，复制者动态告诉你"种群会不会找到好的策略，以及怎么找到"。两章合在一起，构成了演化博弈论的核心分析框架。

习题

第六章经典模型专题

前几章建立了一般理论，本章深入分析几个经典模型。每个模型不只是数学练习——它们各自揭示了演化博弈论的一个核心主题：冲突与共存（鹰鸽）、循环与混沌（石头-剪刀-布）、路径依赖（协调博弈）、效率与风险（猎鹿）、合作困境（囚徒困境）。

6.1 鹰鸽博弈（Hawk-Dove）完整分析

模型设定

两只动物争夺一份价值为 $V$ 的资源。策略：

• 鹰（H）：攻击，不惜打斗
• 鸽（D）：展示退让，不打斗

假设 $V > 0, C > 0$（资源有价值，打斗有成本）。

分情况讨论

情形 1：$C < V$（打斗成本低于资源价值）

鹰严格优于鸽：$A_{12} = V > \frac{V}{2} = A_{22}$ 且 $A_{11} = \frac{V-C}{2} > 0 = A_{21}$（因为 $C < V$）。鸽被鹰严格劣势。唯一的 ESS 是纯鹰 $x^* = (1, 0)$。

情形 2：$C = V$（打斗成本等于资源价值）

由定理 4.2 验证，纯鹰仍是 ESS。但这是边界情形——如果 $C$ 稍微再大一点，结论就变了。

情形 3：$C > V$（打斗成本高于资源价值）—— 核心情形

没有纯策略 ESS（第四章已验证）。

混合 ESS：令 $f_H = f_D$。

即鹰的比例为 $V/C$。

复制者动态：$\phi'(p^*) = -\frac{C}{2} < 0$。渐近稳定。✓

生物学意义

鹰鸽博弈是 Maynard Smith 最早的模型之一，解释了自然界中"攻击性策略"和"退让策略"为何能共存。

• 鹰太多 → 打斗频繁 → 打斗成本压低鹰的适应度 → 鹰减少
• 鸽太多 → 掠夺容易 → 鹰的适应度飙升 → 鹰增加
• 均衡处两种策略共存，比例取决于 $V/C$

这解释了一个反直觉的现象：即使攻击是"更好的"策略，种群中也不会全是攻击者——因为攻击者之间的互相伤害维持了退让者的生存空间。

6.2 石头-剪刀-布与循环动态

唯一纳什均衡：$x^* = (\frac{1}{3}, \frac{1}{3}, \frac{1}{3})$。轨道不是趋向 $x^*$，而是在 $x^*$ 附近形成闭合轨道（周期解）。

生物学实例：侧斑蜥蜴

加州大学戴维斯分校的 Barry Sinervo 等人在 1990 年代-2000 年代的田野研究中发现，侧斑蜥蜴（Uta stansburiana）的雄性存在三种喉色策略：

• 橙喉（Orange）：大领地、多妻，击败蓝喉 → 对应"石头"
• 蓝喉（Blue）：中等领地、忠实守护，击败黄喉 → 对应"剪刀"
• 黄喉（Yellow）：偷袭者，潜入他人领地，击败橙喉 → 对应"布"

田野数据（1990-2002年）显示三种策略的份额确实呈现约4-5年的周期波动，与演化博弈论的预测高度吻合。这是演化博弈论预测得到实证支持的经典案例之一。

6.3 协调博弈与风险占优

两个纯 ESS，混合均衡 $p^* = \frac{b}{a+b}$ 不稳定。

风险占优（Risk Dominance）

偏离策略1到策略2的损失 = $a$；偏离策略2到策略1的损失 = $b$。损失更大者更"安全"，即风险占优。

混合均衡 $p^* = \frac{b}{a+b}$ 靠近哪个纯态，哪个的吸引域就更小——另一个的风险占优。

在对称协调博弈中，风险占优和帕累托占优总是指向同一个方向。要让两者冲突，需要非对称的支付结构——猎鹿博弈提供了这样的例子。

6.4 猎鹿博弈（Stag Hunt）：帕累托与风险的冲突

模型

猎鹿博弈来自卢梭的寓言：两个猎人可以合作猎鹿（需要两人配合）或单独猎兔（一人即可完成）。

均衡分析

纯策略均衡：$(\text{Stag}, \text{Stag})$ 和 $(\text{Hare}, \text{Hare})$ 都是纯 ESS。

混合均衡：$f_S(p) = 5p$，$f_H(p) = 3$。令相等：$p^* = \frac{3}{7} \approx 0.43$。混合均衡不是 ESS。

复制者动态

$\phi'(p^*) = 5 > 0$，$p^* = \frac{3}{7}$ 不稳定。

吸引域：

• Stag：$[0, \frac{3}{7}) \approx [0, 0.43)$
• Hare：$(\frac{3}{7}, 1] \approx (0.43, 1]$

Hare 的吸引域（$57\%$）大于 Stag 的吸引域（$43\%$）。从均匀随机的初始条件出发，种群更可能收敛到 Hare。

帕累托占优 vs 风险占优

帕累托占优：$(\text{Stag}, \text{Stag})$ 的支付 $5 > 3$，Stag 帕累托占优 Hare。

风险占优：偏离 Stag → Hare 的损失 = $5 - 3 = 2$；偏离 Hare → Stag 的损失 = $3 - 0 = 3$。偏离到 Stag 的损失更大，所以 Hare 更"安全"，Hare 风险占优。

Stag 是更好的均衡——但前提是对方也选 Stag。如果不确定对方的选择，Hare 是更稳妥的策略。演化过程中，"稳妥"战胜了"高效"。

含义

猎鹿博弈揭示了一个深刻的社会困境：

• 从效率角度看，社会应该收敛到 Stag（帕累托最优）
• 但从演化动态看，Hare 更可能被选中（风险占优，吸引域更大）
• 历史偶然性把种群推入了 Hare 的吸引域后，就没有自发力量把它拉回 Stag

这可以类比许多现实困境：

• 技术标准：VHS 画面质量不如 Betamax，但风险更低（更多厂商支持），最终胜出
• 制度改革：每个人都知道新制度更好，但没人愿意先迈出第一步
• 社会信任：高信任社会人人获益，但从低信任均衡出发，个体理性的选择是继续不信任

打破这种锁定的条件：需要外部冲击（政策干预、技术突破、领袖示范）把种群份额推过 $p^*$ 的门槛，之后演化动态自行完成剩余工作。

6.5 囚徒困境的演化视角

在基本设定下，合作被背叛严格劣势。唯一的 ESS 是纯背叛，复制者动态中合作份额单调递减至零。

但合作确实存在

以下是演化博弈论已经识别出的几种"合作促进机制"：

机制 1：重复博弈与互惠 — 如果两个个体反复相遇，背叛的短期收益可能被未来的惩罚抵消。Axelrod (1984) 的锦标赛表明"一报还一报"策略表现优异。

机制 2：种群结构与空间效应 — Nowak & May (1992) 发现：在二维格子上，简单的空间结构就能使合作策略在囚徒困境中存活甚至繁荣。

机制 3：亲缘选择 — Hamilton (1964) 的规则：如果 $rb > c$（亲缘系数 × 受益者收益 > 利他者成本），利他行为可以在亲属间演化。

机制 4：间接互惠与声誉 — 合作者获得好名声，未来得到更多合作机会。

6.6 五个模型的比较

6.7 小结

1. 鹰鸽博弈：$C > V$ 时混合 ESS 存在，解释了攻击与退让共存
2. 石头-剪刀-布：揭示了 NE 可以不是 ESS，Lyapunov 稳定但不满足入侵抵抗条件，生物学有真实对应
3. 协调博弈：帕累托占优不保证演化选中，风险占优和初始条件才是关键
4. 猎鹿博弈：帕累托最优与风险占优可以指向不同方向，"稳妥"可能战胜"高效"
5. 囚徒困境：基本框架中合作不能存活，但精确识别了促进合作的必要条件

这五个模型覆盖了演化博弈论最核心的几个主题，后续应用（第八章）中的许多分析都可以追溯到这五个原型。

习题

第七章非对称博弈与多种群模型

前六章全部在对称博弈的框架内——两个玩家从同一个策略集中选择，角色可互换。但现实中，博弈双方往往处于不同角色：雇主与雇员、捕食者与猎物、拥有者与入侵者。这些非对称结构需要新的分析框架。

本章的核心发现是：非对称性能产生对称博弈中不可能存在的纯策略 ESS。

7.1 非对称博弈的设定

对称性条件：博弈是对称的 $\iff$ $S_1 = S_2$ 且 $A = B^\top$。非对称博弈至少违反其中一个条件。

7.2 两种群复制者动态

在非对称博弈中，处于不同角色的个体来自不同的种群。每个种群独立演化，但通过博弈互动相互影响。

设行种群中策略 $i$ 的份额为 $x_i$，列种群中策略 $j$ 的份额为 $y_j$。

与单种群的关键区别：

1. 行种群的适应度只取决于列种群的状态 $y$，不取决于自身状态 $x$。
2. 两个方程是耦合的，但通过交叉变量耦合：$\dot{x}$ 取决于 $y$，$\dot{y}$ 取决于 $x$。
3. 相空间是 $\Delta^{m-1} \times \Delta^{n-1}$（两个单纯形的笛卡尔积），维数更高。

7.3 非对称博弈中的 ESS

7.4 核心例子：非对称鹰鸽博弈

两种群视角

考虑拥有者 vs 入侵者的非对称鹰鸽，设 $V = 2$，入侵者在鹰对鹰中承担更高成本（客场劣势）：

$A \neq B^\top$，这是真正的非对称性。

两种群复制者动态（$x$ = 拥有者选鹰的概率，$y$ = 入侵者选鹰的概率）：

内点不动点 $(x^*, y^*) = (1/5, 1/2)$。在该点线性化：

$\text{tr}(J) = 0$，$\det(J) = 2/5 > 0$，特征值 $\pm i\sqrt{2/5}$——纯虚数。不动点是中心，轨道围绕它旋转。

与对称鹰鸽的对比：对称版本中混合 ESS 是渐近稳定的（负反馈，自动回归）。非对称版本中混合均衡只是中性稳定（轨道旋转，不回归也不远离）。非对称性改变了动态的定性行为。

Bourgeois 策略：角色条件策略的 ESS

上述两种群分析将拥有者和入侵者视为两个不同的种群。Maynard Smith 的经典分析走的是另一条路：保留单一种群，但扩展策略集，允许策略依赖角色信息。

在对称鹰鸽（$V = 2, C = 4$）中，每个个体有 50% 概率扮演拥有者、50% 概率扮演入侵者。引入角色条件策略：

• H：无论什么角色都选鹰
• D：无论什么角色都选鸽
• Bourgeois（B）：拥有者选鹰，入侵者选鸽
• Anti-Bourgeois（AB）：拥有者选鸽，入侵者选鹰

可以验证，B 和 AB 面对任何对手的期望支付都相同——因为角色随机分配 50/50，两种策略的"行为模式"在统计上等价。因此策略空间可简化为三个有效策略：H, D, B。

简化后的 $3 \times 3$ 支付矩阵（行/列：H, D, B）：

关键观察：面对纯 B（$x^* = (0, 0, 1)$）时，所有策略的适应度都等于 0.5——H 得 0.5，D 得 0.5，B 自身也得 0.5。没有一阶优势。

ESS 验证：(E1) 不成立（适应度相等），检验 (E2)。

• $y = e_1$（纯 H）：$y^\top M y = -1$，$x^{*\top} M y = -0.5$。$-1 < -0.5$ ✓
• $y = e_2$（纯 D）：$y^\top M y = 1$，$x^{*\top} M y = 1.5$。$1 < 1.5$ ✓

Bourgeois 是 ESS。 ✓

直觉：H 面对 H 自相残杀得 $-1$，B 面对 H 只得 $-0.5$（因为 B 在入侵者身份时选 D 避开了冲突）。D 面对 D 各得 $1$，B 面对 D 得 $1.5$（因为 B 在拥有者身份时选 H 掠夺了 D）。B 在"同族竞争"中利用角色信息做出了更优选择。

核心对比

这就是非对称性的核心力量：角色信息扩展了策略空间，将原本"不可能的"纯策略 ESS 变为可能。 许多动物表现出的领地行为（territorial behavior）——拥有者积极防御、入侵者撤退——正是 Bourgeois 策略的自然实现。

7.5 信号博弈的演化分析（简要）

非对称博弈的另一个重要例子是信号博弈（signaling game），其中一方拥有私人信息（"类型"），另一方根据观察到的"信号"做出反应。

Zahavi (1975) 的累赘原理（handicap principle）是信号博弈在生物学中的经典应用：高能力个体通过展示昂贵的信号（如孔雀尾羽）来"证明"自己的质量——低能力个体负担不起这个成本，所以信号是诚实的。

7.6 小结

1. 非对称博弈：玩家角色不同，需要两个支付矩阵 $(A, B)$，$A \neq B^\top$
2. 两种群动态：每个种群独立演化，通过博弈耦合；不动点 = 纳什均衡
3. 纯策略 ESS 的回归：非对称性扩展了策略空间（角色条件策略），使纯策略 ESS 在原本只有混合 ESS 的博弈中成为可能
4. Bourgeois 策略：在非对称鹰鸽中，"拥有者选鹰、入侵者选鸽"是纯 ESS——自然界中许多动物确实表现出这种"领地行为"

非对称博弈的核心洞见：信息和角色结构改变了演化的可能性空间。 对称设定下不可能的结果，在引入不对称性后成为可能。

习题

第八章应用与扩展方向

前七章建立了演化博弈论的核心理论框架。本章做两件事：一是展示这些理论如何被应用于生物学、经济学和社会科学中的具体问题；二是概述超越基本模型的几个前沿方向。

本章是综述性质的——不追求推导细节，重在展示理论的解释力和边界。

8.1 生物学应用

性比演化

Fisher (1930) 提出了一个经典问题：为什么大多数有性生殖物种的性别比接近 1:1？

用演化博弈论的语言：策略是"分配资源给雄性后代的比例 $p$"。如果种群中雌性偏少（$p$ 偏低），生产雌性的策略就有更高的适应度（稀缺资源溢价），所以 $p$ 上升。反之亦然。混合均衡 $p^* = 0.5$ 是渐近稳定的。

性别比由种群动态内生决定，而非由自然选择"偏好"某个比例决定。

警告色与拟态

许多有毒的蝴蝶和蛇类有鲜艳的警告色（aposematism），而无毒物种会拟态（mimicry）这些颜色。这可以用鹰鸽式的博弈来建模——频率依赖的动态，两种策略可以共存。

利他行为与亲缘选择

Hamilton (1964) 的亲缘选择理论可以用演化博弈论来重新表述。核心条件 $rb > c$ 可以被解读为：当博弈发生在亲属之间时，"合作"策略的有效支付被亲缘关系放大，使得合作在适当条件下成为 ESS。

Nowak (2006) 统一了五种合作演化机制（亲缘选择、直接互惠、间接互惠、网络互惠、群体选择），将每种机制映射到特定的博弈结构和种群设定上。

8.2 经济学应用

社会规范的演化

社会规范可以被建模为协调博弈中的均衡。一旦种群被锁定在"都违反"的均衡中，即使"都遵守"帕累托更优，也没有自发力量推动转变。

Young (1993, 1998) 用随机演化博弈论证明在有限种群中，长期动态会"几乎必然"收敛到风险占优的均衡。

制度变迁

制度可以被理解为"自我实施的均衡"。North (1990) 的制度经济学强调了制度的"路径依赖"性质，这与演化博弈论中多重 ESS + 初始条件决定结果的框架完全吻合。

技术标准竞争

VHS vs Betamax、QWERTY vs Dvorak、蓝光 vs HD DVD——技术标准竞争是协调博弈的经典应用。风险占优而非帕累托占优决定最终结果。David (1985) 用 QWERTY 键盘的例子说明了"锁定"（lock-in）现象。

8.3 公共品博弈与社会困境

公共品博弈

公共品博弈（public goods game）是囚徒困境的多人推广。在基本设定下，不投入严格优于投入，演化收敛到零贡献。

有条件合作者

实验经济学大量发现：现实中存在相当比例的"有条件合作者"。Fischbacher et al. (2001) 的实验表明，约 50% 的受试者属于这一类型。在演化博弈论中，这可以用"反应策略"来建模。

8.4 超越基本模型：扩展方向

空间演化博弈

Nowak & May (1992) 的突破性工作：将个体放在二维格子上，空间结构也能维持合作——合作者形成簇，在簇内部互相获益。

网络上的演化博弈

Santos & Pacheco (2005) 发现，在无标度网络中，合作比在规则格子上更容易演化。枢纽节点的高连通度使其有更多机会获得合作者伙伴的收益。

有限种群与随机动态

在有限种群中，随机性（遗传漂变）成为不可忽略的因素。一个反直觉的结果：在有限种群中，弱选择下合作可能比在强选择下更容易演化——因为弱选择让随机波动有更多机会把种群推入合作的吸引域。

随机演化博弈动态

将随机性引入连续时间动态，得到随机微分方程。这类模型在金融和经济学中有应用。

8.5 与其他框架的联系

演化博弈论与学习理论

演化动态可以被重新解释为"群体学习"的过程：不是基因遗传，而是社会学习（模仿成功者）驱动策略份额变化。复制者方程的一个经典解释就是"模仿动态"。

演化博弈论与多智能体系统

在人工智能和多智能体系统（MAS）中，演化博弈论为分析智能体群体的行为演化提供了框架。Sandholm (2010) 的专著系统地建立了这一联系。

演化博弈论与统计物理

复制者动态与 Boltzmann 方程有深刻的数学联系。物理学中的相变概念也对应于演化博弈论中的均衡选择和分岔现象。

8.6 小结

1. 生物学：性比、警告色、利他行为——频率依赖选择是演化博弈论最自然的应用领域
2. 经济学：社会规范、制度变迁、技术标准——多重均衡 + 路径依赖解释了"锁定"现象
3. 社会困境：公共品博弈是囚徒困境的多人版，现实中有条件合作者提供了合作的微观基础
4. 空间与网络：打破完全混合假设后，合作在空间结构中可以自发涌现
5. 有限种群：随机性既是破坏力量也是建设力量——弱选择下合作可能更容易演化
6. 跨学科联系：演化博弈论连接了学习理论、多智能体系统和统计物理

演化博弈论的核心力量在于它的通用性：同一个数学框架（种群 + 策略 + 适应度 + 动态）可以被应用于从基因演化到社会规范的广泛领域。具体结论取决于博弈结构和种群设定，但分析方法是统一的。

习题

概念索引（中英对照）

按拼音排序。格式：中文术语（English Term）— 所在章节

A

• Anti-Bourgeois 策略（Anti-Bourgeois strategy）— 7.4

B

• Bourgeois 策略（Bourgeois strategy）— 7.4
• 博弈的标准式表述（normal-form game）— 2.1
• 博弈论（game theory）— 1

C

• 纯策略（pure strategy）— 2.1
• 纯策略纳什均衡（pure Nash equilibrium）— 2.2
• 重复博弈（repeated game）— 2.4, 6.4

D

• 单纯形（simplex）— 2.3, 3.2
• 单位单纯形（unit simplex）— 3.2
• 对称博弈（symmetric game）— 2.1, 3.1
• 对称纳什均衡（symmetric Nash equilibrium）— 4.4
• 多种群模型（multi-population model）— 7.2

F

• 非对称博弈（asymmetric game）— 7.1
• 非对称 ESS（asymmetric ESS）— 7.3
• 复制者动态（replicator dynamics）— 5.1
• 复制者方程（replicator equation）— 5.1
• 风险占优（risk dominance）— 6.3, 6.4
• 负反馈（negative feedback）— 5.4

G

• 公共品博弈（public goods game）— 8.3

H

• 混合策略（mixed strategy）— 2.3
• 混合策略纳什均衡（mixed Nash equilibrium）— 2.2
• 合作演化（evolution of cooperation）— 6.4, 8.3
• 互惠（reciprocity）— 6.4

J

• 渐近稳定（asymptotically stable）— 5.3
• 均衡选择问题（equilibrium selection problem）— 2.3, 6.3
• 均衡的涌现（emergence of equilibrium）— 2.3
• 警告色（aposematism）— 8.1

K

• 空间演化博弈（spatial evolutionary game）— 8.4

L

• 累赘原理（handicap principle）— 7.5
• 离散时间复制者动态（discrete-time replicator dynamics）— 5.6
• 猎鹿博弈（Stag Hunt game）— 6.4
• 领地行为（territorial behavior）— 7.4
• 劣势策略（dominated strategy）— 3.5
• 路径依赖（path dependence）— 6.3, 8.2

M

• 模仿动态（imitation dynamics）— 8.5

N

• 纳什均衡（Nash Equilibrium, NE）— 2.2
• 拟态（mimicry）— 8.1

P

• 帕累托占优（Pareto dominance）— 6.3, 6.4
• 频率依赖选择（frequency-dependent selection）— 8.1
• 平均适应度（mean fitness）— 2.3, 3.3

Q

• 亲缘选择（kin selection）— 6.4, 8.1
• 囚徒困境（Prisoner's Dilemma）— 2.4, 6.4
• 去中心化过程（decentralized process）— 2.3

R

• 入侵抵抗性（invasion barrier）— 4.1
• 入侵者（intruder）— 7.4

S

• 社会规范（social norm）— 8.2
• 社会困境（social dilemma）— 8.3
• 适应度（fitness）— 3.3
• 适应度函数（fitness function）— 3.3
• 石头-剪刀-布（Rock-Paper-Scissors）— 5.4, 6.2
• 随机演化动态（stochastic evolutionary dynamics）— 8.4
• 锁定（lock-in）— 6.3, 8.2

T

• 条件合作（conditional cooperation）— 8.3
• 同族竞争（intra-group competition）— 4.2
• 突变体（mutant）— 4.1

W

• 网络演化博弈（network evolutionary game）— 8.4
• 网络互惠（network reciprocity）— 6.4, 8.4

X

• 相对适应度（relative fitness）— 3.3
• 信号博弈（signaling game）— 7.5
• 性别比（sex ratio）— 8.1
• 协调博弈（coordination game）— 2.4, 6.3
• 学习理论（learning theory）— 8.5

Y

• 演化博弈论（Evolutionary Game Theory, EvoGT）— 1
• 演化稳定策略（Evolutionarily Stable Strategy, ESS）— 4.2
• 严格纳什均衡（strict Nash equilibrium）— 4.4
• 严格劣势（strictly dominated）— 3.5
• 拥有者（owner）— 7.4
• 鹰鸽博弈（Hawk-Dove game）— 2.1, 4.5, 6.1
• 有限种群（finite population）— 8.4

Z

• 支付函数（payoff function）— 2.1
• 支付矩阵（payoff matrix）— 2.1
• 种群博弈（population game）— 3.3
• 种群思维（population thinking）— 2.3
• 种群状态（population state）— 3.2
• 种群动态（population dynamics）— 2.3, 5.1
• 驻留策略（resident strategy）— 4.1
• 中心不动点（center fixed point）— 5.4, 7.4
• 周期轨道（periodic orbit）— 5.4, 6.2
• 自然选择（natural selection）— 5.1
• 最优反应（best response）— 2.2