博弈与强化学习：外卖配送定价

这是主线研究之外的一项早期探索：外卖配送的价格，能否同时考虑骑手收益与商家偏好，而不只是由平台单方面决定？

把定价看作策略互动

论文采用 Stackelberg 主从博弈：骑手侧代理先提出报价，商家据此调整购买意愿。骑手希望订单有利可图，商家则权衡价格与到店时间。双方并非独立决策，而是在回应对方的策略。

用强化学习调整报价

深度 Q 网络（DQN）根据当前价格与购买意愿，学习小幅提价、降价或维持价格。奖励来自骑手效用的变化，而非报价本身的增加：价格更高，却无人愿意购买，并不是更好的策略。

两者分工明确：博弈模型描述策略关系，强化学习寻找调价策略。边缘计算与联盟链提供设想中的执行和交易记录架构，这里不展开系统细节。

结果与边界

论文考察了四名骑手的竞争场景及连续 100 笔订单仿真。在给定模型下，考虑竞争关系的方案比独立定价基线更稳定，到店更快的骑手也更容易获得订单。

这是一项基于简化仿真的概念验证，不能直接证明真实平台上的交易公平性。真实订单、差异化配送要求与跨平台竞争仍需验证。值得保留的思路是：当环境中的其他参与者也会回应你的策略时，如何把学习与策略互动结合起来？