Blotto Games 是一种流行的多维战略资源配置模型。 两名玩家在拍卖设置中分配不同战场的资源。 虽然预算相等的竞争是众所周知的，但对资源不对称下的战略行为知之甚少，因为这种情况很难用分析方法解决。 我们引入了遗传算法，一种受生物进化启发的搜索启发式算法，被解释为一种社会学习机制，以解决这个问题。 该算法通过多智能体强化学习来评估随机初始策略的性能。 大多数高性能策略组合在一起以创建更高性能的策略。 变异允许算法有效地扫描可能策略的空间，并考虑广泛的偏差。 重复此过程可改进策略，直到不存在盈利偏差。 这种方法允许确定涉及非常大的策略空间的问题的最佳解决方案，例如 Blotto 游戏。 我们表明我们的遗传算法收敛到对称 Blotto 游戏的解析纳什均衡。 我们展示了它为非对称 Blotto 游戏提供的解决方案概念。 它特别看到了“游击战”战略的出现，这与经验和实验结果一致。 资源较少的玩家学会集中其资源来补偿竞争的不对称。 当玩家对战场的估值异质性时，反制策略和竞价焦点在均衡中获得。 这些特征与经验和实验结果一致，并为其存在提供了学习基础。 这些结果有助于更完整地描述战略资源分配博弈中的解决方案。 它将遗传算法作为一种对博弈论问题感兴趣的搜索方法，以取得进一步的理论和操作成果。
