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
 Introdução
 Fundamentação teórica
 Trabalhos relacionados
 O agente LaconiBot
 Avaliação
 Conclusões e trabalhos futuros
 Referências bibliográficas
2

INTRODUÇÃO
3

Motivação
INTRODUÇÃO
 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)
4

Problema
INTRODUÇÃO
 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?
5

Problema
INTRODUÇÃO
 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?
6

Objetivos
INTRODUÇÃO
 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”
7

FUNDAMENTAÇÃO TEÓRICA
8

O Ambiente Trading Agent Competition
FUNDAMENTAÇÃO TEÓRICA
 Segundo Wellman et al. (2007)
9

O Ambiente Trading Agent Competition
FUNDAMENTAÇÃO TEÓRICA
 “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
10

FUNDAMENTAÇÃO TEÓRICA
11
TAC Classic

Preferências dos Clientes
FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC
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
12

A função utilidade
FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC
 Para Stone & Greenwald (2000)
13

A função utilidade
FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC
 “Mensura o quão próximo o pacote turístico
criado pelo agente se aproximou do
desejado pelo cliente”
(STONE; GREENWALD, 2000)
14

A função utilidade
FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC
utilidade = 1000 - penalidadeViagem+bonusHotel +bonusIngr esso
penalidade Viagem= 100*(|IAD - AD|+ |IDD - PD| )
bonusHotel = TT? *HB
bonusIngre sso= AW? * AW + AP? *AP + MU? *MU
pontuação = utilidade - custo - penalidade
15

A função utilidade
FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC
utilidade = 1000 - penalidadeViagem+bonusHotel +bonusIngr esso
penalidade Viagem= 100*(|IAD - AD|+ |IDD - PD| )
bonusHotel = TT? *HB
bonusIngre sso= AW? * AW + AP? *AP + MU? *MU
pontuação = utilidade - custo - penalidade
16

A função utilidade
FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC
utilidade = 1000 - penalidadeViagem+bonusHotel +bonusIngr esso
penalidade Viagem= 100*(|IAD - AD|+ |IDD - PD| )
bonusHotel = TT? *HB
bonusIngre sso= AW? * AW + AP? *AP + MU? *MU
pontuação = utilidade - custo - penalidade
17

A função utilidade
FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC
utilidade = 1000 - penalidadeViagem+bonusHotel +bonusIngr esso
penalidade Viagem= 100*(|IAD - AD|+ |IDD - PD| )
bonusHotel = TT? *HB
bonusIngre sso= AW? * AW + AP? *AP + MU? *MU
pontuação = utilidade - custo - penalidade
18

A pontuação final do agente
FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC
utilidade = 1000 - penalidadeViagem+bonusHotel +bonusIngr esso
penalidade Viagem= 100*(|IAD - AD|+ |IDD - PD| )
bonusHotel = TT? *HB
bonusIngre sso= AW? * AW + AP? *AP + MU? *MU
pontuação = utilidade - custo - penalidade
19

Leilões CDA
FUNDAMENTAÇÃO TEÓRICA
 Klemperer (1999) escreveu um survey sobre
leilões
20

Leilões CDA
FUNDAMENTAÇÃO TEÓRICA
 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
21

Leilões CDA
FUNDAMENTAÇÃO TEÓRICA - LEILÕES CDA
 Segundo He et al. (2003)
(10 min) 22

Leilões CDA
FUNDAMENTAÇÃO TEÓRICA
 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
23

Agentes de Software
FUNDAMENTAÇÃO TEÓRICA
 Para Russell & Norvig (1995)
24

Agentes de Software
FUNDAMENTAÇÃO TEÓRICA
 Para Russell & Norvig (1995)
25

Agentes de Software
FUNDAMENTAÇÃO TEÓRICA
 Classificação das arquiteturas de agentes
 Reativos Simples
 Baseados em estados
 Baseados em objetivos, ou metas
 Orientados por utilidade
26

Agentes de Software
FUNDAMENTAÇÃO TEÓRICA
 Baseados em estados
27

Agentes de Software
FUNDAMENTAÇÃO TEÓRICA
 Baseados em utilidade
28

Técnicas de Inteligência Artificial
FUNDAMENTAÇÃO TEÓRICA
 Sistemas Fuzzy
 Redes Neurais Artificiais
 Algoritmos Genéticos
29

TRABALHOS RELACIONADOS
30

Visão Geral
TRABALHOS RELACIONADOS
 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
31

Visão Geral
TRABALHOS RELACIONADOS
 Trabalhos diversos (Continuação)
 Vytelingum (2006)
 Tesede 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
32

Agentes TAC
TRABALHOS RELACIONADOS
 Agente DummyAgent
 Agente SICS02
 Agente UTTA06
 Agente Mertacor
 Agente DealerBot
33

Agente DummyAgent
TRABALHOS RELACIONADOS
 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
34

TRABALHOS RELACIONADOS
35
Agente SICS02

Agente UTTA06
TRABALHOS RELACIONADOS
 Tabarzad et. al (2006) analisaram o CDA do TAC
36

Agente UTTA06
TRABALHOS RELACIONADOS
 Utilizam 2 funções
 para estimativa do preço de venda
tclose tcurrent
Ptcurrent Pmin Pprofit
tclose t start
 para estimativa do preço de compra
tclose tcurrent
Ptcurrent Pmax Pprofit
tclose t start
37

Agente Mertacor
TRABALHOS RELACIONADOS
 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.”
38

TRABALHOS RELACIONADOS - AGENTE MERTACOR
39
Pseudo-código da estratégia de venda

Agente DealerBot
TRABALHOS RELACIONADOS
 Oliveira (2008)
40

Agente DealerBot
TRABALHOS RELACIONADOS
 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
41

Agente DealerBot
TRABALHOS RELACIONADOS
 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”
42

Agente DealerBot
TRABALHOS RELACIONADOS
 Preço de Referência
 valor da mediana em um conjunto ordenado
H {p(1), (2) ,...,p (n) p(n)}
p (1) , p p(2), ...,
 p(i) = o preço da i-ésima transação em um CDA
passado
 n = quantidade de transações salvas
43

Agente DealerBot
TRABALHOS RELACIONADOS
 Conjuntos Nebulosos
44

Agente DealerBot
TRABALHOS RELACIONADOS
 Conjuntos de Regras Nebulosas
SE ( ao está distante OU médio a Pr ) E ( bo está distante de Pr )
ENTÃO novo lance é ( bo b ,1 , , )
SE ( ao está distante OU médio a Pr ) E ( bo está médio a Pr )
ENTÃO novo lance é ( bo b b,2 , , )
SE ( ao está distante OU médio a Pr ) E ( bo está próximo de Pr )
ENTÃO novo lance é ( bo b b ,3 , ,
)
SE ( ao está próximo de Pr )
ENTÃO novo lance é ( Pr P b,4 , , )
45

O AGENTE LACONIBOT
(20 min) 46

O AGENTE LACONIBOT
LaconiBot

Arquitetura do LaconiBot
O AGENTE LACONIBOT
48

Arquitetura do LaconiBot
O AGENTE LACONIBOT
53

Lógica do Componente Negociador
O AGENTE LACONIBOT
 Lógica Fuzzy
 Criada por Lotfi Zadeh (1965)
54

Lógica do Componente Negociador
O AGENTE LACONIBOT
 Controlador Nebuloso
55

Lógica do Componente Negociador
O AGENTE LACONIBOT
 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
56

Lógica do Componente Previsor
O AGENTE LACONIBOT
 Redes Neurais Artificiais
 Neurônio de McCulloch-Pitts
57

Lógica do Componente Previsor
O AGENTE LACONIBOT
 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
58

A Rede Neural Artificial
O AGENTE LACONIBOT - COMPONENTE PREVISOR
 Perceptron Multi-Camadas (MLP)
 com algoritmo de aprendizagem Back-
propagation
 Implementação
 em Java com o framework Joone
(Java Object Oriented Neural Engine)
59

A Rede Neural Artificial
O AGENTE LACONIBOT - COMPONENTE PREVISOR
 Topologia
Entrada 1
Entrada 2 Saída
Entrada 3
Camada de Camada Camada de
Entrada Escondida Saída
(Input Layer) (Hidden Layer) (Output Layer)
60

A Rede Neural Artificial
O AGENTE LACONIBOT - COMPONENTE PREVISOR
 Processo de aprendizado da RNA
 Conjunto de Treinamento
T C v , Cc , t, Pt
 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
61

A Rede Neural Artificial
O AGENTE LACONIBOT - COMPONENTE PREVISOR
 Processo de aprendizado da RNA
 Pré-Processamento dos Dados de Entrada
 Tratamento da integridade dos dados
 Cv , C c e P t > 0
 Cv ≥ Cc
 Normalização
 T = <98.0, 66.0, 307, 79.0>
 T = <0.49, 0.33, 0.57, 0.39>
62

A Rede Neural Artificial
O AGENTE LACONIBOT - COMPONENTE PREVISOR
 Processo de aprendizado da RNA
 Treinamento, teste e validação da RNA
 Treinamento e Teste
 Back-propagation
 Validação
 Cross-validation (WITTEN et al., 2005)
63

Problema Definido
A Rede Neural Artificial
O AGENTE LACONIBOT - COMPONENTE PREVISOR
Seleção do conjunto treinamento da rede
...
Divisão do conjunto treinamento em 10 instâncias
Treinamento da Rede Neural Teste da Rede Neural
com novo conjunto de dados
.
. r10000 épocas
Instância remanescente
.
Gera MSE
9 instâncias agrupadas
10-fold
Após a execução de 10 etapas
de treinamento e teste
Rede Treinada
com Sucesso?
Validação por MSE e
Matriz-confusão
Sim
Execução 64

Lógica do Componente Alocador
O AGENTE LACONIBOT
 Algoritmos Genéticos
 Charles Robert Darwin
(30 min) 65

Lógica do Componente Alocador
O AGENTE LACONIBOT
66

Lógica do Componente Alocador
O AGENTE LACONIBOT
 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
67

O AGENTE LACONIBOT - COMPONENTE ALOCADOR
Formalização do Problema de Seleção de Leilões CDA
 Objetivos
 Ganhok
 Inventário
 Despesa Operacionalk
 Problema de Otimização Multiobjetivo
8
 Maximizar Ganho k
k 1
 Minimizar Inventário
8
 Minimizar DespesaOperacional k
k 1
68

O AGENTE LACONIBOT - COMPONENTE ALOCADOR
Formalização do Problema de Seleção de Leilões CDA
 Ganhok
k k
Ganho k 1000 + l ij Prêmio ij
i Nd k j J k
 Inventário
4 3
Inventário Tij lijA Prij
i 1 j 1
 Despesa Operacionalk
k
DespesaOperacional k lij Prij
i Nd k j J k
69

O AGENTE LACONIBOT - COMPONENTE ALOCADOR
Formalização do Problema de Seleção de Leilões CDA
 Restrições
k Clientes : i Nd k : k
lij 1
j Jk
k k
k Clientes : j J : l ij 1
j Nd k
k Clientes : i Nd k : j J k : lij bo
k ij
máximo que o agente pode pagar na compra do ingresso ij
i Nd k : j Entretenimentos : Tij lijA ao
ij
mínimo que o agente pode receber na venda do(s) ingresso(s) ij
Nd Ne Nc
A K
Tij lij lij
i 1 j 1 k 1 i Nd k j 1 70

Busca de uma Solução com Algoritmo Genético
O AGENTE LACONIBOT - COMPONENTE ALOCADOR
 Implementação com NSGAII
 Nondominated Sorting Genetic Algorithm II
MN 2
 Complexidade O (MN )
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”
71

Busca de uma Solução com Algoritmo Genético
O AGENTE LACONIBOT - COMPONENTE ALOCADOR
 Implementação com NSGAII (Continuação)
 Pareto-front
72

Busca de uma Solução com Algoritmo Genético
O AGENTE LACONIBOT - COMPONENTE ALOCADOR
 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
73

AVALIAÇÃO
74

Arquitetura do ambiente de execução disponível
AVALIAÇÃO
 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
75

AVALIAÇÃO
Adaptações no ambiente de execução disponível
 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
76

Metodologia de Experimentos
AVALIAÇÃO
 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
 CalcularPontuação máxima ideal de cada agente
 Pontuação final obtida por cada agente
 Analisar a média da pontuação final
 Analisar a média da colocação final
77

Metodologia de Experimentos
AVALIAÇÃO
 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.”
78

Análise dos Resultados
AVALIAÇÃO
DealerBot
Vs
 LaconiBot
Vs
 Mertacor
79

Resultados do agente DealerBot
AVALIAÇÃO - ANÁLISE DOS RESULTADOS
10 jogos 20 jogos 40 jogos
Posição
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
80

AVALIAÇÃO - ANÁLISE DOS RESULTADOS
Resultados do LaconiBot sem o componente Alocador
 Validação da RNA
 Root Mean Square Error (RMSE)
2
N
ak yk
k 1 ak
RMSE
N
 Matriz-Confusão
 “quantidadede amostras classificadas corretamente
para cada classe de dados”
81

AVALIAÇÃO - ANÁLISE DOS RESULTADOS
Resultados do LaconiBot sem o componente Alocador
 Root Mean Square Error (RMSE)
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
82

AVALIAÇÃO - ANÁLISE DOS RESULTADOS
Resultados do LaconiBot sem o componente Alocador
 Matriz-Confusão
[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%
83

AVALIAÇÃO - ANÁLISE DOS RESULTADOS
Resultados do LaconiBot sem o componente Alocador
 Preços de Cotação para Compra (Bo) e Venda (Ao) X Preço de Transação
200
180
160
140
120
100 Ao
Bo
80
60
40
20
0
0 20 40 60 80 100 120 140 160 180 200
84

AVALIAÇÃO - ANÁLISE DOS RESULTADOS
Resultados do LaconiBot sem o componente Alocador
10 jogos 20 jogos 40 jogos
Posição
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) 85

AVALIAÇÃO - ANÁLISE DOS RESULTADOS
Resultados do LaconiBot sem o componente Previsor
10 jogos 20 jogos 40 jogos
Posição
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
86

AVALIAÇÃO - ANÁLISE DOS RESULTADOS
Resultados do LaconiBot com todos os componentes
10 jogos 20 jogos 40 jogos
Posição
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
87

Resumo dos Resultados
AVALIAÇÃO
Média Média % do Média Pont. Diferença
Agente
colocações ótimo final % 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
88

CONCLUSÕES E TRABALHOS FUTUROS
89

Conclusões
CONCLUSÕES E TRABALHOS FUTUROS
 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
90

Conclusões
CONCLUSÕES E TRABALHOS FUTUROS
 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
91

Conclusões
CONCLUSÕES E TRABALHOS FUTUROS
 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”
92

Conclusões
CONCLUSÕES E TRABALHOS FUTUROS
 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”
93

Trabalhos futuros
CONCLUSÕES E TRABALHOS FUTUROS
 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
94

Trabalhos futuros
CONCLUSÕES E TRABALHOS FUTUROS
 Melhorias na RNA
 Verificar os impactos na modificação da
topologia da RNA
 Utilizar outros modelos de RNA
 utilizarSVM (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
95

REFERÊNCIAS BIBLIOGRÁFICAS
96

Principais Referências
REFERÊNCIAS BIBLIOGRÁFICAS
 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.
97

Principais Referências
REFERÊNCIAS BIBLIOGRÁFICAS
 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
98

Principais Referências
REFERÊNCIAS BIBLIOGRÁFICAS
 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.
99

Principais Referências
REFERÊNCIAS BIBLIOGRÁFICAS
 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
100

OBRIGADO! 
101

FIM
102

“Posso todas as coisas em Cristo que me fortalece.”
Filipenses, 4:13
(50 min) 103