去中心化联邦学习（DFL）是一种无需中心服务器的隐私保护分布式机器学习范式，但缺乏中央协调器使得参与节点可能出现搭便车、不诚实协作等机会主义行为。演化博弈论（EGT）常用于分析这类行为的演化，然而先前研究往往假设智能体具有完全理性，且策略固定不变，无法反映真实世界中的有限理性和动态调整。本文作者提出一个新的EGT框架，专门用于分析DFL中策略的演化并提升整体性能。具体而言，研究在晶格网络（lattice）结构上对节点间的对等交互建模，基于有限理性假设；设计了一个综合收益矩阵，纳入训练成本、通信开销和协作奖励，同时定制了策略更新规则以刻画空间传播动力学。为了有效遏制搭便车行为，框架集成了基于声誉的奖惩机制：表现良好的节点获得声誉增益，搭便车者受到惩罚。仿真实验表明，该框架显著优于基线：平均准确率从约70%提高到82%；合作频率从低于5%跃升至接近100%；准确率方差从约0.40下降到0.002，实现了更均匀的收敛和更高的系统稳定性。该工作不仅为DFL中的协作激励提供了新思路，也为后续在更复杂网络和攻击模型下的研究奠定基础。