LACONIBOT: UM AGENTE PARA
ATUAR NOS LEILÕES CDA DO TAC
Defesa de Dissertação de Mestrado
Mestrando: Robson Gonçalves Fechine Feitosa
Orientador: Jerffeson Teixeira de Souza
Co-orientador: Gustavo Augusto Lima de Campos
– 10 de setembro de 2009 –
Roteiro
2
Introdução
Fundamentação teórica
Trabalhos relacionados
O agente LaconiBot
Avaliação
Conclusões e trabalhos futuros
Referências bibliográficas
INTRODUÇÃO
3
Motivação
4
Comércio eletrônico (e-commerce)
Teoria dos Leilões
Continuous Double Auction (CDA)
Inteligência Artificial (IA)
Aplicabilidade no comércio eletrônico
Agentes de software
Trading Agent Competition (TAC)
INTR
OD
UÇ
ÃO
Problema
5
Como desenvolver um agente para participar
de leilões CDA do TAC?
Subproblemas
Como funciona um CDA?
Determinação dos lances
Como alocar os bens de acordo com suas
preferências?
Quais bens devem ser comprados?
Quais bens devem ser vendidos?
INTR
OD
UÇ
ÃO
Problema
6
Subproblemas (Continuação)
Por qual valor e quando efetuar o lance?
Como alocar a participação do agente?
De acordo com suas preferências?
De acordo com uma medida de avaliação de
desempenho?
INTR
OD
UÇ
ÃO
Objetivos
7
Geral
“Conceber um agente de software para atuar no
ambiente de negociação CDA do TAC”
Específico
“Contribuir com a geração de conhecimento
sobre agentes negociadores, permitindo que
outros pesquisadores na área possam utilizar
este conhecimento como
fundamentação, aprimorando os resultados
presentes e explorando os aspectos não
abordados e indicados neste trabalho”
INTR
OD
UÇ
ÃO
FUNDAMENTAÇÃO TEÓRICA
8
O Ambiente Trading Agent Competition
9
Segundo Wellman et al. (2007)
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
O Ambiente Trading Agent Competition
10
“Fórum internacional destinado a promover
pesquisas de alto nível para o problema dos
agentes negociadores” (WELLMAN et
al., 2007)
TAC Classic
TAC SCM (Supply Chain Management)
TAC Market Design
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
TAC Classic
11
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
Preferências dos Clientes
12
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A -
TAC
CLA
SSIC
Cliente IAD IDD HB AP AW MU
1 2 5 73 175 34 24
2 1 3 125 113 124 57
3 4 5 73 1557 12 177
4 1 2 102 50 67 49
5 1 3 75 12 135 111
6 2 4 856 197 8 59
7 1 5 90 56 197 162
8 1 3 50 79 92 136
A função utilidade
13
Para Stone & Greenwald (2000)
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A -
TAC
CLA
SSIC
A função utilidade
14
“Mensura o quão próximo o pacote turístico
criado pelo agente se aproximou do
desejado pelo cliente”
(STONE; GREENWALD, 2000)
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A -
TAC
CLA
SSIC
A função utilidade
15
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A -
TAC
CLA
SSIC
de- penalidae - custo = utilidadpontuação
MU AP + MU? *AW + AP? *sso= AW? *bonusIngre
= TT? *HB bonusHotel
PD| )D|+ |IDD -*(|IAD - AViagem= penalidade
esso +bonusIngrbonusHoteladeViagem+ - penalid= utilidade
100
1000
A função utilidade
16
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A -
TAC
CLA
SSIC
de- penalidae - custo = utilidadpontuação
MU AP + MU? *AW + AP? *sso= AW? *bonusIngre
= TT? *HB bonusHotel
PD| )D|+ |IDD -*(|IAD - AViagem= penalidade
esso +bonusIngrbonusHoteladeViagem+ - penalid= utilidade
100
1000
A função utilidade
17
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A -
TAC
CLA
SSIC
de- penalidae - custo = utilidadpontuação
MU AP + MU? *AW + AP? *sso= AW? *bonusIngre
= TT? *HB bonusHotel
PD| )D|+ |IDD -*(|IAD - AViagem= penalidade
esso +bonusIngrbonusHoteladeViagem+ - penalid= utilidade
100
1000
A função utilidade
18
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A -
TAC
CLA
SSIC
de- penalidae - custo = utilidadpontuação
MU AP + MU? *AW + AP? *sso= AW? *bonusIngre
= TT? *HB bonusHotel
PD| )D|+ |IDD -*(|IAD - AViagem= penalidade
esso +bonusIngrbonusHoteladeViagem+ - penalid= utilidade
100
1000
A pontuação final do agente
19
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A -
TAC
CLA
SSIC
de- penalidae - custo = utilidadpontuação
MU AP + MU? *AW + AP? *sso= AW? *bonusIngre
= TT? *HB bonusHotel
PD| )D|+ |IDD -*(|IAD - AViagem= penalidade
esso +bonusIngrbonusHoteladeViagem+ - penalid= utilidade
100
1000
Leilões CDA
20
Klemperer (1999) escreveu um survey sobre
leilões
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
Leilões CDA
21
Leilões
A Internet proporcionou redução nos custos
Refletiu no aumentando do número de
participantes em leilões on-line
Modalidades de Leilões (KLEMPERER, 1999)
Inglês
Holandês
Vickrey
Duplo
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
Leilões CDA
22
Segundo He et al. (2003)
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A -
LEILÕES
CD
A
(10 min)
Leilões CDA
23
Como funciona um CDA?
“Os participantes submetem ofertas de compra e
venda de bens no leilão, e caso uma oferta de
compra combine com uma de venda, a transação
é realizada”
Formalismo
Um descritor
Um protocolo de funcionamento
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
Agentes de Software
24
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
Para Russell & Norvig (1995)
Agentes de Software
25
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
Para Russell & Norvig (1995)
Agentes de Software
26
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
Classificação das arquiteturas de agentes
Reativos Simples
Baseados em estados
Baseados em objetivos, ou metas
Orientados por utilidade
Agentes de Software
27
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
Baseados em estados
Agentes de Software
28
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
Baseados em utilidade
Técnicas de Inteligência Artificial
29
Sistemas Fuzzy
Redes Neurais Artificiais
Algoritmos Genéticos
FUN
DA
MEN
TAÇ
ÃO
TEÓ
RIC
A
TRABALHOS RELACIONADOS
30
Visão Geral
31
Trabalhos diversos
Park et al. (2004)
Análise do cenário e levantamento de projeto para
implementação de agentes em CDA
Das et al. (2001)
P-Strategy - Estratégia baseada em estatística
(cadeias de Markov)
He et al. (2003)
Uso de um controlador Fuzzy para a determinação
dos lances
FL-Strategy
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Visão Geral
32
Trabalhos diversos (Continuação)
Vytelingum (2006)
Tese de doutorado intitulada: “The structure and
behaviour of the Continuous Double Auction”
Adaptive-Aggressiveness Bidding Strategy
Menezes Júnior (2006) e Soares & A. S. (2008)
RNA na previsão de séries temporais econômicas
Ribeiro et al. (2007)
Geração de árvores de cenários para modelar o
processo de otimização estocástica da seleção de
portfólio financeiro
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Agentes TAC
33
Agente DummyAgent
Agente SICS02
Agente UTTA06
Agente Mertacor
Agente DealerBot
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Agente DummyAgent
34
No início do jogo ele marca os leilões que
pretende participar (compra/venda)
Os ingressos marcados para venda
iniciam com $200
o valor é reduzido de forma linear com o tempo
até o mínimo de $120
Os ingressos marcados para compra
iniciam com $50
o valor é incrementado de forma linear com o
tempo até o máximo de $60
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Agente SICS02
35
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Agente UTTA06
36
Tabarzad et. al (2006) analisaram o CDA do TAC
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Agente UTTA06
37
Utilizam 2 funções
para estimativa do preço de venda
para estimativa do preço de compra
TRA
BA
LHO
S R
ELAC
ION
AD
OS
profit
startclose
currentcloset P
tt
ttPP
current max
profit
startclose
currentcloset P
tt
ttPP
current min
Agente Mertacor
38
Kehagias et al. (2006) criaram a estratégia
A Long-Term Profit Seeking Strategy
Idéia
“... o interessante não é lucrar em apenas uma
transação, levando ao fechamento de poucas
transações, e sim conseguir uma média positiva
de lucro no conjunto de todas as transações que
ele participar.”
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Pseudo-código da estratégia de venda
39
TRA
BA
LHO
S R
ELAC
ION
AD
OS -
AG
ENTE
MER
TAC
OR
Agente DealerBot
40
Oliveira (2008)
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Agente DealerBot
41
Oliveira (2008)
implementou o DealerBot
Baseado na estratégia descrita por He et al.
(2003)
FL-Strategy
Comparou o desempenho do agente com 2
mecanismos de inferência
Sugeno
Mandami
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Agente DealerBot
42
Funcionamento
“a FL-Strategy pode ser vista como um
controlador Fuzzy, que recebe como entrada os
preços das cotações de compra e venda do bem
negociado, além de um preço de
referência, detalhado a seguir. E como saída, o
controlador decide a viabilidade em efetuar ou
ajustar um lance, de compra ou venda, baseado
no seu conjunto de regras nebulosas, e no seu
mecanismo de inferência”
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Agente DealerBot
43
Preço de Referência
valor da mediana em um conjunto ordenado
p(i) = o preço da i-ésima transação em um CDA
passado
n = quantidade de transações salvas
TRA
BA
LHO
S R
ELAC
ION
AD
OS
(n)(2)(1) p,...,p,pH
Agente DealerBot
44
Conjuntos Nebulosos
TRA
BA
LHO
S R
ELAC
ION
AD
OS
Agente DealerBot
45
Conjuntos de Regras Nebulosas
TRA
BA
LHO
S R
ELAC
ION
AD
OS
SE ( ao está distante OU médio a Pr ) E ( bo está distante de Pr )
ENTÃO novo lance é
SE ( ao está distante OU médio a Pr ) E ( bo está médio a Pr )
ENTÃO novo lance é
SE ( ao está distante OU médio a Pr ) E ( bo está próximo de Pr )
ENTÃO novo lance é
SE ( ao está próximo de Pr )
ENTÃO novo lance é
,,2,bob
,,1,bob
,,3,bob
,,4,brP
O AGENTE LACONIBOT
46(20 min)
LaconiBotO
AG
ENTE
LAC
ON
IBO
T
Arquitetura do LaconiBot
48
O A
GEN
TE LA
CO
NIB
OT
Arquitetura do LaconiBot
53
O A
GEN
TE LA
CO
NIB
OT
Lógica do Componente Negociador
54
Lógica Fuzzy
Criada por Lotfi Zadeh (1965)
O A
GEN
TE LA
CO
NIB
OT
Lógica do Componente Negociador
55
Controlador Nebuloso
O A
GEN
TE LA
CO
NIB
OT
Lógica do Componente Negociador
56
Incremento ou decremento do lance
Sabe se o bem está ou não desvalorizado
Abordagem baseada na estratégia de He et
al. (2003)
FL-Strategy
Adaptações
Acrescentado o mecanismo de seleção de
portfólio com AG
Melhorada a estimativa do valor de transação
com a RNA
O A
GEN
TE LA
CO
NIB
OT
Lógica do Componente Previsor
57
Redes Neurais Artificiais
Neurônio de McCulloch-Pitts
O A
GEN
TE LA
CO
NIB
OT
Lógica do Componente Previsor
58
Objetivo
“apoiar a tomada de decisão do negociador”
“quanto mais apurada for a estimativa do valor
de transação, mais apurada será a tomada de
decisão do controlador”
Redes Neurais Artificiais
bastante utilizadas na concepção de modelos de
previsão
estimar o preço de transação em leilões CDA
O A
GEN
TE LA
CO
NIB
OT
A Rede Neural Artificial
59
Perceptron Multi-Camadas (MLP)
com algoritmo de aprendizagem Back-
propagation
Implementação
em Java com o framework Joone
(Java Object Oriented Neural Engine)
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE PREV
ISO
R
A Rede Neural Artificial
60
Topologia
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE PREV
ISO
RCamada deEntrada
(Input Layer)
Camada deSaída
(Output Layer)
CamadaEscondida
(Hidden Layer)
SaídaEntrada 2
Entrada 3
Entrada 1
A Rede Neural Artificial
61
Processo de aprendizado da RNA
Conjunto de Treinamento
Cv = preço de cotação de venda em um Δt
Cc = preço de cotação de compra em um Δt
t = tempo decorrido de jogo
Pt = preço de transação em um dado instante
de tempo t
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE PREV
ISO
R
tcv Pt,,C,CT
A Rede Neural Artificial
62
Processo de aprendizado da RNA
Pré-Processamento dos Dados de Entrada
Tratamento da integridade dos dados
Cv, Cc e Pt > 0
Cv ≥ Cc
Normalização
T = <98.0, 66.0, 307, 79.0>
T = <0.49, 0.33, 0.57, 0.39>
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE PREV
ISO
R
A Rede Neural Artificial
63
Processo de aprendizado da RNA
Treinamento, teste e validação da RNA
Treinamento e Teste
Back-propagation
Validação
Cross-validation (WITTEN et al., 2005)
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE PREV
ISO
R
A Rede Neural Artificial
64
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE PREV
ISO
R
Seleção do conjunto treinamento da rede
Treinamento da Rede Neural
r10000 épocas
Teste da Rede Neural com novo conjunto de dados
Rede Treinada com Sucesso?
Execução
Sim
Problema Definido
. . .Divisão do conjunto treinamento em 10 instâncias
.
.
.
9 instâncias agrupadas
Instância remanescente
10-fold
Validação por MSE eMatriz-confusão
Gera MSE
Após a execução de 10 etapasde treinamento e teste
Lógica do Componente Alocador
65
Algoritmos Genéticos
Charles Robert Darwin
O A
GEN
TE LA
CO
NIB
OT
(30 min)
Lógica do Componente Alocador
66
O A
GEN
TE LA
CO
NIB
OT
Lógica do Componente Alocador
67
Seleção dos leilões de entretenimento
Objetivo
escolha dos ingressos que devem ser negociados
comprados ou vendidos
maximizar o lucro do agente
Estratégia
Utilização de um AG Multiobjetivo
O A
GEN
TE LA
CO
NIB
OT
Formalização do Problema de Seleção de Leilões CDA
68
Objetivos
Ganhok
Inventário
Despesa Operacionalk
Problema de Otimização Multiobjetivo
Maximizar
Minimizar
Minimizar
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE ALO
CA
DO
R
Ganho8
1
k
k
Inventário
racionalDespesaOpe8
1
k
k
Formalização do Problema de Seleção de Leilões CDA
69
Ganhok
Inventário
Despesa Operacionalk
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE ALO
CA
DO
R
Prêmio l + 1000 Ganho k
ij
Nd i
k
ijkk kJj
Pr Inventário ij
4
1 i
3
1 j
A
ijij lT
Pr l racionalDespesaOpe ij
Nd i
k
ijkk kJj
ij
blJjNdiClientesk ij
o
k
ij
kk
ingresso do compra napagar pode agente o que máximo
:::
Formalização do Problema de Seleção de Leilões CDA
70
Restrições
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE ALO
CA
DO
R
1l:: k
ijkJj
kNdiClientesk
1l:: k
ijkNdj
kJjClientesk
ij
alTentosEntretenimjNdi ij
o
A
ijij
k
)ingresso(s do(s) vendanareceber pode agente o que mínimo
::
Nc
k Ndi j
Nd
i
Ne
j
ijk
T1 1
K
ij
A
ij
1 1
ll
Busca de uma Solução com Algoritmo Genético
71
Implementação com NSGAII
Nondominated Sorting Genetic Algorithm II
Complexidade
M é o número de objetivos
N é o tamanho da população
Elitismo
“calcula a distância entre soluções e
escolhe, entre as existentes, aquelas que estão
mais dispersas pelo Pareto-front”
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE ALO
CA
DO
R
2MNO
Busca de uma Solução com Algoritmo Genético
72
Implementação com NSGAII (Continuação)
Pareto-front
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE ALO
CA
DO
R
Busca de uma Solução com Algoritmo Genético
73
Implementação com NSGAII (Continuação)
Implementado com a linguagem Java
Desenvolvido com o apoio do framework JMetal
Representação da Solução
0 – nenhum ingresso naquele cliente-dia
1 – 1 ingresso do tipo AW naquele cliente-dia
2 – 1 ingresso do tipo AM naquele cliente-dia
3 – 1 ingresso do tipo MU naquele cliente-dia
O A
GEN
TE LAC
ON
IBO
T -C
OM
PO
NEN
TE ALO
CA
DO
R
AVALIAÇÃO
74
Arquitetura do ambiente de execução disponível
75
Ambiente de execução TAC
Todas as ferramentas implementadas em Java
Framework Agentware (DummyAgent)
Toolkit para a consulta dos logs
Servidor
AgentImpl
Classe que deve ser estendida para implementação
de novos agentes
Possui uma Interface bem definida
AVA
LIAÇ
ÃO
Adaptações no ambiente de execução disponível
76
Classe ClassicMarket
no método setupClients
prêmio foi configurado para 0 (zero)
para que não haja diferença de ganho entre alocar o cliente no melhor hotel ou não
Classe OnesideContinuousAuction2
na forma de incremento do preço das passagens
variação do preço foi cancelada
Classe EngAscAuction
no número de quartos disponíveis em cada hotel
possibilitou o excedente de quartos
o preço de compra dos mesmos sempre 0
AVA
LIAÇ
ÃO
Metodologia de Experimentos
77
Alterar o servidor TAC
Selecionar agentes
Iniciar a bateria de testes configurando os
agentes a participarem de X partidas
Ao final de cada bateria de testes
Analisar os logs do servidor
Calcular Pontuação máxima ideal de cada agente
Pontuação final obtida por cada agente
Analisar a média da pontuação final
Analisar a média da colocação final
AVA
LIAÇ
ÃO
Metodologia de Experimentos
78
Calculo da Pontuação máxima ideal
“A pontuação máxima, ou ótima, de cada agente
pode ser calculada como o somatório do retorno
máximo da função utilidade (2.1) para todos
seus clientes, somada da venda dos bens
sobressalentes pelo valor máximo de $200.0 e a
compra de bens faltosos por $0.0.”
AVA
LIAÇ
ÃO
Análise dos Resultados
79
DealerBot
Vs
LaconiBot
Vs
Mertacor
AVA
LIAÇ
ÃO
Resultados do agente DealerBot
80
AVA
LIAÇ
ÃO
-A
NÁ
LISE D
OS R
ESU
LTAD
OS
Posição
10 jogos 20 jogos 40 jogos
Agente Pontuação Agente Pontuação Agente Pontuação
1 DealerBot 9347.63 Mertacor 9518.15 Mertacor 9558.85
2 Mertacor 9316.15 SICS02 9368.68 DealerBot 9345.54
3 UTTA06 9234.74 DealerBot 9325.48 UTTA06 9237.42
4 SICS02 9169.22 DummyAgent 9255.28 DummyAgent 9205.06
5 DummyAgent 9143.40 UTTA06 9128.85 SICS02 9189.23
Resultados do LaconiBot sem o componente Alocador
81
Validação da RNA
Root Mean Square Error (RMSE)
Matriz-Confusão
“quantidade de amostras classificadas corretamente
para cada classe de dados”
AVA
LIAÇ
ÃO
-A
NÁ
LISE D
OS R
ESU
LTAD
OS
N
a
ya
RMSE
N
k k
kk
1
2
Resultados do LaconiBot sem o componente Alocador
82
Root Mean Square Error (RMSE)
AVA
LIAÇ
ÃO
-A
NÁ
LISE D
OS R
ESU
LTAD
OS
Etapa do Treinamento/Teste Valor do RMSE Valor * 100
1 0.03790378821188909 3.790
2 0.03792054262127483 3.792
3 0.03741238428226856 3.741
4 0.03837015819945445 3.837
5 0.0375940506948018 3.759
6 0.03772424081175014 3.772
7 0.037880241856337225 3.788
8 0.03692442292505494 3.692
9 0.037551458993737144 3.755
10 0.036275948189295366 3.627
Erro Global 0.03755572367858635 3.755
Resultados do LaconiBot sem o componente Alocador
83
Matriz-Confusão
AVA
LIAÇ
ÃO
-A
NÁ
LISE D
OS R
ESU
LTAD
OS
[0.26-0.30] [0.31-0.35] [0.36-0.40] [0.41-0.45] [0.46-0.50] [0.51-0.55] [0.56-0.60]
[0.26-0.30] 64.15% 5.71% 0.00% 0.26% 0.00% 2.33% 0.00%
[0.31-0.35] 29.25% 43.33% 14.35% 2.07% 1.76% 2.33% 0.00%
[0.36-0.40] 3.77% 43.81% 63.43% 19.69% 12.78% 18.60% 13.64%
[0.41-0.45] 1.89% 7.14% 22.22% 77.72% 24.23% 25.58% 31.82%
[0.46-0.50] 0.94% 0.00% 0.00% 0.26% 61.23% 13.95% 9.09%
[0.51-0.55] 0.08% 0.00% 0.00% 0.00% 0.00% 34.88% 22.73%
[0.56-0.60] 0.00% 0.00% 0.00% 0.00% 0.00% 2.33% 22.73%
0
20
40
60
80
100
120
140
160
180
200
0 20 40 60 80 100 120 140 160 180 200
Ao
Bo
Resultados do LaconiBot sem o componente Alocador
84
Preços de Cotação para Compra (Bo) e Venda (Ao) X Preço de Transação
AVA
LIAÇ
ÃO
-A
NÁ
LISE D
OS R
ESU
LTAD
OS
Resultados do LaconiBot sem o componente Alocador
85
AVA
LIAÇ
ÃO
-A
NÁ
LISE D
OS R
ESU
LTAD
OS
Posição
10 jogos 20 jogos 40 jogos
Agente Pontuação Agente Pontuação Agente Pontuação
1 Mertacor 9460.05 Mertacor 9455.27 Mertacor 9482.58
2 LaconiBot 9310.86 SICS02 9296.70 LaconiBot 9289.96
3 SICS02 9299.19 LaconiBot 9265.98 DummyAgent 9248.99
4 DummyAgent 9203.32 UTTA06 9213.99 UTTA06 9195.72
5 UTTA06 9187.31 DummyAgent 9091.94 SICS02 9165.85
(40 min)
Resultados do LaconiBot sem o componente Previsor
86
AVA
LIAÇ
ÃO
-A
NÁ
LISE D
OS R
ESU
LTAD
OS
Posição
10 jogos 20 jogos 40 jogos
Agente Pontuação Agente Pontuação Agente Pontuação
1 Mertacor 9460.43 Mertacor 9562.20 Mertacor 9469.79
2 LaconiBot 9372.86 LaconiBot 9321.54 LaconiBot 9254.27
3 UTTA06 9249.43 UTTA06 9298.85 DummyAgent 9222.63
4 DummyAgent 9230.95 DummyAgent 9233.11 UTTA06 9180.90
5 SICS02 8234.58 SICS02 8337.40 SICS02 8356.34
Resultados do LaconiBot com todos os componentes
87
AVA
LIAÇ
ÃO
-A
NÁ
LISE D
OS R
ESU
LTAD
OS
Posição
10 jogos 20 jogos 40 jogos
Agente Pontuação Agente Pontuação Agente Pontuação
1 Mertacor 9445.03 Mertacor 9539.59 Mertacor 9484.06
2 LaconiBot 9417.63 LaconiBot 9371.73 LaconiBot 9379.72
3 UTTA06 9324.26 UTTA06 9235.29 UTTA06 9274.00
4 DummyAgent 9260.46 SICS02 9198.99 SICS02 9230.51
5 SICS02 9245.65 DummyAgent 9191.72 DummyAgent 9198.55
Resumo dos Resultados
88
AVA
LIAÇ
ÃO
AgenteMédia
colocações
Média % do
ótimo
Média Pont.
final
Diferença
% para 1º
DealerBot 2 85,96 9339,55 1,43
LaconiBot sem GA 2,3 86,40 9288,93 1,87
LaconiBot sem RNA 2 84,37 9316,22 1,90
LaconiBot Completo 2 84,19 9389,69 1,05
CONCLUSÕES E TRABALHOS FUTUROS
89
Conclusões
90
Pesquisa em comércio eletrônico, agentes
negociadores e estratégias para negociação
em CDA têm sido bastante explorada
Utilização de Técnicas Estatísticas
Aplicação das Heurísticas de IA
Mais especificamente este trabalho
Descreveu e avaliou o agente LaconiBot em uma
versão modificada do ambiente TAC Classic
CO
NC
LUSÕ
ES E T
RA
BA
LHO
S FU
TURO
S
Conclusões
91
Para avaliar o agente
Realizou algumas adaptações no cenário do
ambiente TAC
Estabelecer novos parâmetros para análise do
desempenho do agente
média do percentual do ótimo obtido
percentual da diferença da média de pontos para o
agente campeão
CO
NC
LUSÕ
ES E T
RA
BA
LHO
S FU
TURO
S
Conclusões
92
A análise dos resultados
A utilização das heurísticas de IA apresentadas
neste trabalho melhorou desempenho do agente
LaconiBot, quando comparado com o agente
controle, o DealerBot
“LaconiBot obteve um acréscimo tanto do
percentual do ótimo quanto na média de
pontos, e diminuiu a diferença da média de
pontos para o agente campeão”
CO
NC
LUSÕ
ES E T
RA
BA
LHO
S FU
TURO
S
Conclusões
93
Contribuições
“a implementação do LaconiBot, por meio de sua
arquitetura modular, bem como a descrição das
abordagens aqui apresentadas podem ser
úteis, didaticamente, para o ensino de disciplinas
como Engenharia de Software a Inteligência
Artificial, servindo como ilustração da aplicação
de teorias computacionais em um programa
agente concreto construído para a resolução de
problemas complexos”
CO
NC
LUSÕ
ES E T
RA
BA
LHO
S FU
TURO
S
Trabalhos futuros
94
Calibrar os parâmetros do agente
Utilizar a intuição do especialista humano e
calibrar os parâmetros
do controlador nebuloso
do algoritmo genético
da RNA
Melhorar a adaptabilidade do agente
desenvolver um modelo de adaptação
automatizado, baseado no número de leilões
selecionados pelo algoritmo genético
CO
NC
LUSÕ
ES E T
RA
BA
LHO
S FU
TURO
S
Trabalhos futuros
95
Melhorias na RNA
Verificar os impactos na modificação da
topologia da RNA
Utilizar outros modelos de RNA
utilizar SVM (Support Vector Machine)
modelos híbridos de RNA
treinar uma RNA para cada tipo de ingresso
Melhorias na Alocador
Verificar o impacto de outras Heurísticas de
otimização multiobjetivo
CO
NC
LUSÕ
ES E T
RA
BA
LHO
S FU
TURO
S
REFERÊNCIAS BIBLIOGRÁFICAS
96
Principais Referências
97
HE, M.; LEUNG, H.; JENNINGS, N.R. A fuzzy-logicbased bidding strategy for autonomous agents in continuous double auctions. IEEE Transactions onKnowledge and Data Engineering (IEEE ComputerSociety): 1345-1363, 2003.
HAYKIN, S. Redes Neurais: princípios e prática. Porto Alegre: Bookman, 2001.
KASABOV, N.K. Foundations of neural networks, fuzzysystems, and knowledge engineering. The MIT press, 1996.
KLEMPLERER, P. Auction Theory: A Guide to theLiterature. Journal of Economic Surveys 13: 227-286, 1999.
REF
ERÊN
CIA
S B
IBLIO
GRÁ
FIC
AS
Principais Referências
98
OLIVEIRA, G. P. T. Uma Abordagem Fuzzy para o Mercado de Entretenimento da Trading AgentCompetition. Uma Abordagem Fuzzy para o Mercado de Entretenimento da Trading Agent Competition, 2008.
RODRIGUES, F.L.; LEITE, H.G., NASCIMENTOS, H., SOUZA, A.L.; SILVA, G.F.Metaheurística Algoritmo Genético para Solução de Problemas de Planejamento Florestal com Restrições de Integridade. Sociedade de Investigações Florestais: 233-245, 2004
RUSSELL, S.; NORVIG, P. Artificial Intelligence: a modernapproach. Prentice Hall, 1995.
SANDRI, S.; CORREA, C. Lógica nebulosa. ESCOLA DE REDES NEURAIS: CONSELHO NACIONAL DE REDES NEURAIS (ITA) 5: 73-90, 1999
REF
ERÊN
CIA
S B
IBLIO
GRÁ
FIC
AS
Principais Referências
99
STONE, P.; GREENWALD, A. The first internationaltrading agent competition: Autonomous biddingagents. Electronic Commerce Research (Springer) 5: 229-265, 2000
TABARZAD, M.A.; LUCAS, C.; Haghjoo, P. A HeuristicPrice Prediction and Bidding Strategy for Internet Auctions. IJCSNS 6, 2006
VYTELINGUM, P. The structure and behaviour of theContinuous Double Auction. University ofSouthampton, 2006.
WELLMAN, M.P.; GREENWALD, A.; STONE, P. Autonomous bidding agents: strategies and lessonsfrom the trading agent competition. The MIT Press, 2007.
REF
ERÊN
CIA
S B
IBLIO
GRÁ
FIC
AS
Principais Referências
100
WITTEN, I.H.; FRANK, E. Data mining:
practical machine learning tools and
techniques. Elsevier, 2005.
ZADEH, L. Fuzzy sets Fuzzy Systems and AI
Reports and Letters, Morgan Kaufmann:
61, 129-136, 1965
REF
ERÊN
CIA
S B
IBLIO
GRÁ
FIC
AS
OBRIGADO!
101
FIM
102
“Posso todas as coisas em Cristo que me fortalece.”
Filipenses, 4:13
103(50 min)
Top Related