Apresentação da minha defesa de dissertação de mestrado

24,860 views
24,540 views

Published on

Apresentação da minha defesa de dissertação na UECE, do programa de Mestrado Acadêmico em Ciência da Computação.

Published in: Technology
4 Comments
0 Likes
Statistics
Notes
  • Be the first to like this

No Downloads
Views
Total views
24,860
On SlideShare
0
From Embeds
0
Number of Embeds
39
Actions
Shares
0
Downloads
241
Comments
4
Likes
0
Embeds 0
No embeds

No notes for slide

Apresentação da minha defesa de dissertação de mestrado

  1. 1. 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 –
  2. 2. Roteiro 2  Introdução  Fundamentação teórica  Trabalhos relacionados  O agente LaconiBot  Avaliação  Conclusões e trabalhos futuros  Referências bibliográficas
  3. 3. INTRODUÇÃO 3
  4. 4. 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) INTRODUÇÃO
  5. 5. 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? INTRODUÇÃO
  6. 6. 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? INTRODUÇÃO
  7. 7. 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” INTRODUÇÃO
  8. 8. FUNDAMENTAÇÃO TEÓRICA 8
  9. 9. O Ambiente Trading Agent Competition 9  Segundo Wellman et al. (2007) FUNDAMENTAÇÃOTEÓRICA
  10. 10. 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 FUNDAMENTAÇÃOTEÓRICA
  11. 11. TAC Classic 11 FUNDAMENTAÇÃOTEÓRICA
  12. 12. Preferências dos Clientes 12 FUNDAMENTAÇÃOTEÓRICA-TACCLASSIC 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
  13. 13. A função utilidade 13  Para Stone & Greenwald (2000) FUNDAMENTAÇÃOTEÓRICA-TACCLASSIC
  14. 14. A função utilidade 14  “Mensura o quão próximo o pacote turístico criado pelo agente se aproximou do desejado pelo cliente” (STONE; GREENWALD, 2000) FUNDAMENTAÇÃOTEÓRICA-TACCLASSIC
  15. 15. A função utilidade 15 FUNDAMENTAÇÃOTEÓRICA-TACCLASSIC de- penalidae - custo= utilidadpontuação MUAP + MU? *AW + AP? *sso= AW? *bonusIngre = TT? *HBbonusHotel PD| )D|+ |IDD -*(|IAD - AViagem=penalidade esso+bonusIngrbonusHoteladeViagem+- penalid=utilidade 100 1000
  16. 16. A função utilidade 16 FUNDAMENTAÇÃOTEÓRICA-TACCLASSIC de- penalidae - custo= utilidadpontuação MUAP + MU? *AW + AP? *sso= AW? *bonusIngre = TT? *HBbonusHotel PD| )D|+ |IDD -*(|IAD - AViagem=penalidade esso+bonusIngrbonusHoteladeViagem+- penalid=utilidade 100 1000
  17. 17. A função utilidade 17 FUNDAMENTAÇÃOTEÓRICA-TACCLASSIC de- penalidae - custo= utilidadpontuação MUAP + MU? *AW + AP? *sso= AW? *bonusIngre = TT? *HBbonusHotel PD| )D|+ |IDD -*(|IAD - AViagem=penalidade esso+bonusIngrbonusHoteladeViagem+- penalid=utilidade 100 1000
  18. 18. A função utilidade 18 FUNDAMENTAÇÃOTEÓRICA-TACCLASSIC de- penalidae - custo= utilidadpontuação MUAP + MU? *AW + AP? *sso= AW? *bonusIngre = TT? *HBbonusHotel PD| )D|+ |IDD -*(|IAD - AViagem=penalidade esso+bonusIngrbonusHoteladeViagem+- penalid=utilidade 100 1000
  19. 19. A pontuação final do agente 19 FUNDAMENTAÇÃOTEÓRICA-TACCLASSIC de- penalidae - custo= utilidadpontuação MUAP + MU? *AW + AP? *sso= AW? *bonusIngre = TT? *HBbonusHotel PD| )D|+ |IDD -*(|IAD - AViagem=penalidade esso+bonusIngrbonusHoteladeViagem+- penalid=utilidade 100 1000
  20. 20. Leilões CDA 20  Klemperer (1999) escreveu um survey sobre leilões FUNDAMENTAÇÃOTEÓRICA
  21. 21. 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 FUNDAMENTAÇÃOTEÓRICA
  22. 22. Leilões CDA 22  Segundo He et al. (2003) FUNDAMENTAÇÃOTEÓRICA-LEILÕESCDA (10 min)
  23. 23. 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 FUNDAMENTAÇÃOTEÓRICA
  24. 24. Agentes de Software 24 FUNDAMENTAÇÃOTEÓRICA  Para Russell & Norvig (1995)
  25. 25. Agentes de Software 25 FUNDAMENTAÇÃOTEÓRICA  Para Russell & Norvig (1995)
  26. 26. Agentes de Software 26 FUNDAMENTAÇÃOTEÓRICA  Classificação das arquiteturas de agentes  Reativos Simples  Baseados em estados  Baseados em objetivos, ou metas  Orientados por utilidade
  27. 27. Agentes de Software 27 FUNDAMENTAÇÃOTEÓRICA  Baseados em estados
  28. 28. Agentes de Software 28 FUNDAMENTAÇÃOTEÓRICA  Baseados em utilidade
  29. 29. Técnicas de Inteligência Artificial 29  Sistemas Fuzzy  Redes Neurais Artificiais  Algoritmos Genéticos FUNDAMENTAÇÃOTEÓRICA
  30. 30. TRABALHOS RELACIONADOS 30
  31. 31. 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 TRABALHOSRELACIONADOS
  32. 32. 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 TRABALHOSRELACIONADOS
  33. 33. Agentes TAC 33  Agente DummyAgent  Agente SICS02  Agente UTTA06  Agente Mertacor  Agente DealerBot TRABALHOSRELACIONADOS
  34. 34. 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 TRABALHOSRELACIONADOS
  35. 35. Agente SICS02 35 TRABALHOSRELACIONADOS
  36. 36. Agente UTTA06 36  Tabarzad et. al (2006) analisaram o CDA do TAC TRABALHOSRELACIONADOS
  37. 37. Agente UTTA06 37  Utilizam 2 funções  para estimativa do preço de venda  para estimativa do preço de compra TRABALHOSRELACIONADOS profit startclose currentclose t P tt tt PPcurrent max profit startclose currentclose t P tt tt PPcurrent min
  38. 38. 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.” TRABALHOSRELACIONADOS
  39. 39. Pseudo-código da estratégia de venda 39 TRABALHOSRELACIONADOS-AGENTEMERTACOR
  40. 40. Agente DealerBot 40  Oliveira (2008) TRABALHOSRELACIONADOS
  41. 41. 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 TRABALHOSRELACIONADOS
  42. 42. 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” TRABALHOSRELACIONADOS
  43. 43. 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 TRABALHOSRELACIONADOS (n)(2)(1) p,...,p,pH {p(1), p(2), ..., p(n)}
  44. 44. Agente DealerBot 44  Conjuntos Nebulosos TRABALHOSRELACIONADOS
  45. 45. Agente DealerBot 45  Conjuntos de Regras Nebulosas TRABALHOSRELACIONADOS 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 b b b P ( ) ( ) ( ) ( )
  46. 46. O AGENTE LACONIBOT 46(20 min)
  47. 47. LaconiBot OAGENTELACONIBOT
  48. 48. Arquitetura do LaconiBot 48 OAGENTELACONIBOT
  49. 49. Arquitetura do LaconiBot 53 OAGENTELACONIBOT
  50. 50. Lógica do Componente Negociador 54  Lógica Fuzzy  Criada por Lotfi Zadeh (1965) OAGENTELACONIBOT
  51. 51. Lógica do Componente Negociador 55  Controlador Nebuloso OAGENTELACONIBOT
  52. 52. 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 OAGENTELACONIBOT
  53. 53. Lógica do Componente Previsor 57  Redes Neurais Artificiais  Neurônio de McCulloch-Pitts OAGENTELACONIBOT
  54. 54. 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 OAGENTELACONIBOT
  55. 55. 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) OAGENTELACONIBOT-COMPONENTEPREVISOR
  56. 56. A Rede Neural Artificial 60  Topologia OAGENTELACONIBOT-COMPONENTEPREVISOR Camada de Entrada (Input Layer) Camada de Saída (Output Layer) Camada Escondida (Hidden Layer) SaídaEntrada 2 Entrada 3 Entrada 1
  57. 57. 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 OAGENTELACONIBOT-COMPONENTEPREVISOR tcv Pt,,C,CT
  58. 58. 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> OAGENTELACONIBOT-COMPONENTEPREVISOR
  59. 59. 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) OAGENTELACONIBOT-COMPONENTEPREVISOR
  60. 60. A Rede Neural Artificial 64 OAGENTELACONIBOT-COMPONENTEPREVISOR 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 e Matriz-confusão Gera MSE Após a execução de 10 etapas de treinamento e teste
  61. 61. Lógica do Componente Alocador 65  Algoritmos Genéticos  Charles Robert Darwin OAGENTELACONIBOT (30 min)
  62. 62. Lógica do Componente Alocador 66 OAGENTELACONIBOT
  63. 63. 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 OAGENTELACONIBOT
  64. 64. Formalização do Problema de Seleção de Leilões CDA 68  Objetivos  Ganhok  Inventário  Despesa Operacionalk  Problema de Otimização Multiobjetivo  Maximizar  Minimizar  Minimizar OAGENTELACONIBOT-COMPONENTEALOCADOR Ganho 8 1 k k Inventário racionalDespesaOpe 8 1 k k
  65. 65. Formalização do Problema de Seleção de Leilões CDA 69  Ganhok  Inventário  Despesa Operacionalk OAGENTELACONIBOT-COMPONENTEALOCADOR Prêmiol+1000Ganho k ij Ndi k ijk k k Jj PrInventário ij 4 1i 3 1j A ijij lT PrlracionalDespesaOpe ij Ndi k ijk k k Jj
  66. 66. ij blJjNdiClientesk ij o k ij kk ingressodocompranapagarpodeagenteoquemáximo ::: Formalização do Problema de Seleção de Leilões CDA 70  Restrições OAGENTELACONIBOT-COMPONENTEALOCADOR 1l:: k ij k Jj k NdiClientesk 1l:: k ij k Ndj k JjClientesk ij alTentosEntretenimjNdi ij o A ijij k )ingresso(sdo(s)vendanareceberpodeagenteoquemínimo :: Nc k Ndi j Nd i Ne j ij k T 1 1 K ij A ij 1 1 ll
  67. 67. 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” OAGENTELACONIBOT-COMPONENTEALOCADOR 2 MNO(MN )
  68. 68. Busca de uma Solução com Algoritmo Genético 72  Implementação com NSGAII (Continuação)  Pareto-front OAGENTELACONIBOT-COMPONENTEALOCADOR
  69. 69. 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 OAGENTELACONIBOT-COMPONENTEALOCADOR
  70. 70. AVALIAÇÃO 74
  71. 71. 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 AVALIAÇÃO
  72. 72. 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 AVALIAÇÃO
  73. 73. 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 AVALIAÇÃO
  74. 74. 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.” AVALIAÇÃO
  75. 75. Análise dos Resultados 79  DealerBot Vs  LaconiBot Vs  Mertacor AVALIAÇÃO
  76. 76. Resultados do agente DealerBot 80 AVALIAÇÃO-ANÁLISEDOSRESULTADOS 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
  77. 77. 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” AVALIAÇÃO-ANÁLISEDOSRESULTADOS N a ya RMSE N k k kk 1 2
  78. 78. Resultados do LaconiBot sem o componente Alocador 82  Root Mean Square Error (RMSE) AVALIAÇÃO-ANÁLISEDOSRESULTADOS 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
  79. 79. Resultados do LaconiBot sem o componente Alocador 83  Matriz-Confusão AVALIAÇÃO-ANÁLISEDOSRESULTADOS [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%
  80. 80. 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 AVALIAÇÃO-ANÁLISEDOSRESULTADOS
  81. 81. Resultados do LaconiBot sem o componente Alocador 85 AVALIAÇÃO-ANÁLISEDOSRESULTADOS 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)
  82. 82. Resultados do LaconiBot sem o componente Previsor 86 AVALIAÇÃO-ANÁLISEDOSRESULTADOS 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
  83. 83. Resultados do LaconiBot com todos os componentes 87 AVALIAÇÃO-ANÁLISEDOSRESULTADOS 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
  84. 84. Resumo dos Resultados 88 AVALIAÇÃO Agente Média 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
  85. 85. CONCLUSÕES E TRABALHOS FUTUROS 89
  86. 86. 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 CONCLUSÕESETRABALHOSFUTUROS
  87. 87. 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 CONCLUSÕESETRABALHOSFUTUROS
  88. 88. 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” CONCLUSÕESETRABALHOSFUTUROS
  89. 89. 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” CONCLUSÕESETRABALHOSFUTUROS
  90. 90. 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 CONCLUSÕESETRABALHOSFUTUROS
  91. 91. 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 CONCLUSÕESETRABALHOSFUTUROS
  92. 92. REFERÊNCIAS BIBLIOGRÁFICAS 96
  93. 93. Principais Referências 97  HE, M.; LEUNG, H.; JENNINGS, N.R. A fuzzy-logic based bidding strategy for autonomous agents in continuous double auctions. IEEE Transactions on Knowledge and Data Engineering (IEEE Computer Society): 1345-1363, 2003.  HAYKIN, S. Redes Neurais: princípios e prática. Porto Alegre: Bookman, 2001.  KASABOV, N.K. Foundations of neural networks, fuzzy systems, and knowledge engineering. The MIT press, 1996.  KLEMPLERER, P. Auction Theory: A Guide to the Literature. Journal of Economic Surveys 13: 227- 286, 1999. REFERÊNCIASBIBLIOGRÁFICAS
  94. 94. Principais Referências 98  OLIVEIRA, G. P. T. Uma Abordagem Fuzzy para o Mercado de Entretenimento da Trading Agent Competition. 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 modern approach. Prentice Hall, 1995.  SANDRI, S.; CORREA, C. Lógica nebulosa. ESCOLA DE REDES NEURAIS: CONSELHO NACIONAL DE REDES NEURAIS (ITA) 5: 73-90, 1999 REFERÊNCIASBIBLIOGRÁFICAS
  95. 95. Principais Referências 99  STONE, P.; GREENWALD, A. The first international trading agent competition: Autonomous bidding agents. Electronic Commerce Research (Springer) 5: 229-265, 2000  TABARZAD, M.A.; LUCAS, C.; Haghjoo, P. A Heuristic Price Prediction and Bidding Strategy for Internet Auctions. IJCSNS 6, 2006  VYTELINGUM, P. The structure and behaviour of the Continuous Double Auction. University of Southampton, 2006.  WELLMAN, M.P.; GREENWALD, A.; STONE, P. Autonomous bidding agents: strategies and lessons from the trading agent competition. The MIT Press, 2007. REFERÊNCIASBIBLIOGRÁFICAS
  96. 96. 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 REFERÊNCIASBIBLIOGRÁFICAS
  97. 97. OBRIGADO!  101
  98. 98. FIM 102
  99. 99. “Posso todas as coisas em Cristo que me fortalece.” Filipenses, 4:13 103(50 min)

×