Apresentação da minha defesa de dissertação de mestrado

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


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


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


16

FUN

DA

MEN

TAÇ

ÃO

TEÓ

RIC

A -

TAC

CLA

SSIC






100

1000


17

FUN

DA

MEN

TAÇ

ÃO

TEÓ

RIC

A -

TAC

CLA

SSIC






100

1000


18

FUN

DA

MEN

TAÇ

ÃO

TEÓ

RIC

A -

TAC

CLA

SSIC






100

1000

A pontuação final do agente

19

FUN

DA

MEN

TAÇ

ÃO

TEÓ

RIC

A -

TAC

CLA

SSIC






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

RobsonF

Retângulo

RobsonF

Texto

{p(1), p(2), ..., p(n)}

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 )


SE ( ao está distante OU médio a Pr ) E ( bo está próximo de Pr )


SE ( ao está próximo de Pr )


,,2,bob

,,1,bob

,,3,bob

,,4,brP

RobsonF

Retângulo

RobsonF

Texto

b

RobsonF

Retângulo

RobsonF

Retângulo

RobsonF

Texto

b

RobsonF

Texto

b

RobsonF

Retângulo

RobsonF

Retângulo

RobsonF

Retângulo

RobsonF

Retângulo

RobsonF

Retângulo

RobsonF

Retângulo

RobsonF

Texto

P

RobsonF

Texto

( )

RobsonF

Texto

( )

RobsonF

Texto

( )

RobsonF

Texto

( )

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


55

Controlador Nebuloso

O A

GEN

TE LA

CO

NIB

OT


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


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”


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


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


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


62


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


63


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


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)


66

O A

GEN

TE LA

CO

NIB

OT


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


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

:::


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

RobsonF

Retângulo

RobsonF

Texto

(MN )

RobsonF

Retângulo


72

Implementação com NSGAII (Continuação)

Pareto-front

O A

GEN

TE LAC

ON

IBO

T -C

OM

PO

NEN

TE ALO

CA

DO

R


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


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


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


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


85

AVA

LIAÇ

ÃO

-A

NÁ

LISE D

OS R

ESU

LTAD

OS

Posição



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




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




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


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


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


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)

Technology

Apresentação da minha defesa de dissertação de mestrado