近期，我院王胜贤博士与电子科技大学陈小杰教授、华北电力大学/内蒙古工业大学肖峰教授（教育部长江学者、国家优秀青年科学基金获得者）等人合作完成的研究成果《Cost-efficient incentives for collective cooperation in gaming environments with institutional errors》被信息科学领域国际期刊SCIENCE CHINA Information Sciences正式录用。该成果由王胜贤博士为论文第一作者，陈小杰教授为通讯作者，安徽师范大学计算机与信息学院（人工智能学院）为第一完成单位。论文链接：http://engine.scichina.com/doi/10.1360/s11432-025-5105-4。

   合作是多自主个体或AI智能体实现任务协同的基础。然而，在由自主个体组成的多智能体系统中如何有效地促进合作，仍是一个值得研究的科学难题。近年来，演化博弈论成为研究大规模智能体中合作涌现的重要数学工具。其中，囚徒困境博弈作为典型范式，常用于探索自主个体在交互中如何在合作与背叛之间做出权衡，并为分析与设计合作在博弈环境中的涌现机制提供了基准模型。在博弈环境中，激励常被用于促进理性个体间的合作。社会机构可以通过提供正激励来提高合作者的收益，也可以通过实施负激励以降低背叛者的效用。尽管许多研究均假设这类机构能够完美运行并准确执行激励政策，但在实际情况中受到博弈信息不完全等因素影响，机构性误差通常会出现，激励方案也往往难以被准确执行。目前，尚不清楚这些机构性误差将如何影响群体合作的演化动态，以及它们对激励成本效益的整体作用。

   为解决上述问题，本工作采用囚徒困境博弈描述个体间的合作困境，并在此框架下分别引入两类机构性误差：策略观察误差与激励分配误差。首先，利用稳定性理论，确定了在每种误差存在的条件下，能够促使群体合作涌现所需的最小混合激励强度。随后，通过设计误差环境下累积激励成本的度量指标，并采用最优控制理论，推导出使系统在达到期望合作状态的同时，使得累积代价最低的最优激励协议。尽管两类误差对应的最优激励协议并不相同，但均呈现出时不变形式。进一步研究发现，两类机构性误差对最优混合激励的累积成本影响方式存在显著差异：策略观察误差相较于无误差情形会提高最优激励方案的累积成本；而在激励分配误差存在的情况下，最优激励方案在某些条件下产生的累积成本反而可能低于无误差情形。此外，本文还给出了激励分配误差所对应的最小累积成本。最后，数值计算验证了理论结果。

   SCIENCE CHINA Information Sciences（《中国科学：信息科学（英文版）》）是中国科学院主办的权威学术期刊，被SCI、EI等国际检索系统收录，是中国计算机学会（CCF）推荐的A类期刊、中国科协T1级高水平期刊，以及中国自动化学会A+类期刊，影响因子8.1，在国内外信息科学领域享有重要学术声誉。