导师简介
如果你想申请德国慕尼黑工业大学 计算机学系博士，那今天这期文章解析可能对你有用！今天Mason学长为大家详细解析慕尼黑工业大学的Prof. Brandt的研究领域和代表文章，同时，我们也推出了新的内容“科研想法&开题立意”，为同学们的科研规划提供一些参考，并且会对如何申请该导师提出实用的建议！方便大家进行套磁！后续我们也将陆续解析其他大学和专业的导师，欢迎大家关注！
Prof. Dr. Felix Brandt现任德国慕尼黑工业大学（Technical University of Munich, TUM）计算、信息与技术学院算法博弈论教授。教授的学术轨迹兼具深度与广度，博士阶段与本科阶段均毕业于TUM。此后，他先后在卡内基梅隆大学和斯坦福大学担任博士后研究员，随后出任慕尼黑路德维希马克西米利安大学助理教授，丰富的学术经历让他积累了多元的研究视角。
研究分析
- F. Brandt, M. Greger, and R. Romen. On strategyproofness and localizedness in social choice.2025.该研究聚焦社会选择中的策略证明性（strategyproofness）与局部性（localizedness）问题。策略证明性是机制设计的核心属性，确保参与者如实披露偏好时能最大化自身收益；局部性则关注决策机制对局部偏好信息的依赖程度，二者结合对简化复杂决策场景下的机制设计具有重要意义。
- F. Brandt, H. Chen, C. Dong, P. Lederer, and A. Schlenga.Majoritarian assignment rules. 2025. 研究围绕多数派分配规则展开，探索在资源分配场景中，如何基于多数派偏好设计公平且高效的分配机制。这类规则在公共资源配置、公共政策制定等领域具有直接应用价值，能为解决集体决策中的偏好聚合问题提供新思路。
- In One Hundred Years of Game Theory: A Nobe Symposium, Econometric Society Monographs. Cambridge University Press, 2026. Forthcoming.论文收录于纪念博弈论百年的诺贝尔研讨会专集，足见其学术分量。研究基于 pairwise comparisons 构建随机选择与动态模型，为分析主体在不确定环境下的决策动态提供了新的理论框架。
- Optimal budget aggregation with star-shaped preference domains. Mathematics of Operations Research, 2026. Forthcoming.针对星型偏好域（star-shaped preference domains）下的预算聚合问题，提出最优解决方案。星型偏好域是一类具有特殊结构的偏好集合，该研究成果能为公共预算分配、企业资源规划等场景提供理论支撑。
- Coordinating charitable donations with Leontief preferences. Journal of Economic Theory, 230:106096, 2025.这是该教授团队在捐赠协调领域的代表性成果。研究结合里昂惕夫偏好（Leontief preferences），设计慈善捐赠的协调机制，有效解决了捐赠资源分散、捐赠效果不佳的问题，为慈善组织优化捐赠分配提供了可落地的理论工具。
研究想法
- 数字公益平台的捐赠协调优化基于其“Donor Coordination”与“Leontief preferences”相关研究，可延伸至数字公益场景。当前数字公益平台存在捐赠分散、资源配置低效的问题，可设计结合Leontief偏好的动态协调算法，通过实时分析捐赠者偏好与公益项目需求，构建智能匹配机制，同时引入声誉激励系统，提升捐赠者参与持续性，填补理论模型与数字公益实践之间的鸿沟。
- 人工智能推荐系统中的概率社会选择融合结合“Probabilistic Social Choice”与算法技术，探索AI推荐系统的公平性优化。当前推荐系统易产生“信息茧房”，可将概率社会选择理论融入推荐算法，通过聚合用户群体的多元偏好，设计兼顾个体需求与群体公平的推荐机制，同时利用“ComputerAided Proofs”验证算法的稳定性与公平性，为算法伦理提供理论支撑。
- 在线协作场景中的投票悖论缓解机制针对“Voting Paradoxes”与“Tournament Solutions”研究，聚焦远程协作、在线决策等新兴场景。在线协作中个体偏好差异大，易出现投票悖论导致决策低效，可设计基于成对比较的动态投票规则，结合“Dynamics”理论实时调整投票流程，同时嵌入简单易懂的偏好表达界面，降低参与门槛，提升在线决策的效率与合理性。
申请建议
1. 学术背景准备
- 核心课程：需扎实掌握博弈论（Game Theory）、算法设计与分析、微观经济学、概率论与数理统计等基础课程，优先修读“Social Choice Theory”“Mechanism Design”等相关选修课，构建与教授研究方向匹配的知识体系；
- 技能储备：熟练掌握至少一种编程语言（如Python、R），具备基础的数学建模能力，了解LaTeX论文写作工具，有计算机辅助证明工具（如Coq）使用经验者将更具优势；
- 语言要求：TUM博士项目通常要求英语流利（雅思6.5+或托福90+），虽教授研究以英语为主，但掌握基础德语可提升日常交流与生活便利性。
2. 研究经历打磨
- 方向契合：优先参与博弈论、算法优化、经济计算相关的科研项目，如投票机制设计、资源分配算法研究等，若暂无相关项目，可将课程论文、毕业设计聚焦于教授研究主题（如捐赠协调、投票悖论），形成具体的研究成果；
- 成果呈现：整理研究经历中的核心数据、模型与结论，形成简洁的研究摘要，重点突出自己在项目中的角色、使用的方法及取得的成果，体现独立研究与团队协作能力。
3. 申请文书优化
- 个人陈述（PS）：聚焦与教授研究方向的契合点，明确阐述对Algorithmic Game Theory某一细分领域（如概率社会选择、捐赠协调）的兴趣，结合自身经历说明选择该教授团队的原因，避免泛泛而谈；
- 研究计划（RP）：基于教授的最新研究（如2025年工作论文“Majoritarian assignment rules”）提出延伸研究方向，明确研究问题、研究方法与预期目标，确保研究计划具备可行性与创新性，篇幅控制在35页；
- 推荐信：优先选择熟悉自己科研能力的推荐人，推荐人需能具体说明申请人在学术学习、科研项目中的表现，若推荐人在博弈论、经济计算领域有一定学术影响力，将更具说服力。
博士背景
Aurelia ，美国TOP10院校计算机科学与认知科学双博士生，研究聚焦算法博弈论不确定性及其在人工智能中的应用。她的跨学科研究融合了计算机科学、语言学和心理学知识，在国际顶级期刊《Journal of Artificial Intelligence Research》和《Cognitive Science》上发表多篇论文。Aurelia 荣获ACM SIGAI博士论文奖，擅长相关方向的PhD申请指导。
【竞赛报名/项目咨询+微信：mollywei007】
