Συντάχθηκε 02-10-2017 07:59
από Vasiliki Grigoraki
Email συντάκτη: vgrigoraki<στο>tuc.gr
Ενημερώθηκε:
-
Κύρια: υπάλληλος ΗΜΜΥ.
Άλλες ιδιότητες: Unknown -#-@ΗΜΜΥ
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΞΕΝΟΥ ΚΩΝΣΤΑΝΤΙΑ
με θέμα
Αλγόριθμοι για αυτοματοποιημένες πολυμερείς διαπραγματεύσεις
Algorithms for Automated Multilateral Negotiations
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Αναπληρωτής Καθηγητής Μιχαήλ Λαγουδάκης
Δρ. Νικόλαος Σπανουδάκης (Σχολή ΜΠΔ, Πολυτεχνείο Κρήτης)
Περίληψη
Σε διαπραγματεύσεις πάνω σε πολλαπλά ζητήματα, δύο οι περισσότεροι αυτόνομοι πράκτορες που μπορεί να μοιράζονται κοινά ή διαφορετικά συμφέροντα, διαπραγματεύονται πάνω σε κάθε διακριτό θέμα ξεχωριστά. Συνήθως αυτή η διαδικασία γίνεται υπό αβεβαιότητα σε σχέση με τα χαρακτηριστικά των υπόλοιπων μελών της διαπραγμάτευσης. Για αυτό το λόγο, οι πράκτορες πρέπει να είναι ικανοί καθ’ όλη την διάρκεια της διαπραγμάτευσης να προσαρμόσουν την συμπεριφορά τους, υιοθετώντας αποδοτικές αυτόνομες τεχνικές διαπραγμάτευσης. Η πρόκληση σε αυτό, έγγυται στο ότι οι συμμετέχοντες στην διαπραγμάτευση δεν είναι συνήθως πρόθυμοι να αποκαλύψουν τις προτιμήσεις τους, έτσι ώστε να μην μπορούν οι υπόλοιποι να αποσπάσουν στοιχεία σχετικά με αυτούς και να τα εκμεταλλευτούν προς δικό τους όφελος.
Για να ξεπεραστούν οι παραπάνω δυσκολίες και να βελτιωθεί η απόδοση ενός πράκτορα, συνήθως η υπάρχουσα στρατηγική συνοδεύεται από μία μοντελοποίηση του αντιπάλου. Βέβαια αξίζει να σημειώσουμε ότι σε προβλήματα του πραγματικού κόσμου, ή προσομοιώσεις αυτών, η αβεβαιότητα σχετικά με τις προτιμήσεις του αντιπάλου πάντα υπάρχει. Ωστόσο η μοντελοποίηση του αντιπάλου μπορεί να χρησιμοποιηθεί βοηθητικά, για να επιτευχθούν καλύτερες συμφωνίες και συνεπώς να προκύψουν καλύτερα αποτελέσματα στην εκάστοτε διαπραγμάτευση. Ένα πλήθος στρατηγικών διαπραγμάτευσης και τεχνικών μοντελοποίησης του αντιπάλου έχουν εφευρεθεί και μελετηθεί με το πέρασμα των χρόνων, ωστόσο δεν είναι πάντα εύκολο να γίνει η εμπειρική σύγκρισή τους.
Μία λύση σε αυτό ήρθε να δώσει ο παγκόσμιος διαγωνισμός αυτόνομων πρακτόρων διαπραγμάτευσης (ANAC), ο οποίος ξεκίνησε να διεξάγεται το 2009. Για την κάλυψη των απαιτήσεων του διαγωνισμού, δημιουργήθηκε μία νέα πλατφόρμα διαπραγματεύσεων (“Genius”). Το Genius προσφέρει έναν καθολικό τρόπο σύγκρισης των σύγχρονων στρατηγικών διαπραγμάτευσης.
Στην παρούσα διπλωματική εργασία, υλοποιήθηκαν συστηματικά διάφορες στρατηγικές διαπραγμάτευσης και δοκιμάστηκαν συνοδευόμενες από διαφορετικές τεχνικές μοντελοποίησης των αντίπαλων παικτών. Υλοποιήθηκαν υπάρχουσες προσεγγίσεις από την βιβλιογραφία, καθώς και νέες που βασίστηκαν σε υπάρχουσες. Η διαδικασία αυτή οδήγησε στην υλοποίηση δεκατριών (13) διαφορετικών πρακτόρων. Στην συνέχεια οι πράκτορες αυτοί αξιολογήθηκαν μέσα από την διεξαγωγή πρωταθλημάτων (τουρνουά) διαπραγματεύσεων μεταξύ τους, αλλά και έχοντας ως αντιπάλους πράκτορες που είχαν λάβει μέρος στον αμέσως προηγούμενο (2015) διαγωνισμό του ANAC για τον οποίο διαθέταμε εκτελέσιμα συμμετεχόντων πρακτόρων. Μία από τις στρατηγικές που υλοποιήσαμε, επιλέχθηκε για συμμετοχή - και συμμετείχε - στον παγκόσμιο διαγωνισμό ANAC-2017. Στη διπλωματική, γίνεται λεπτομερής αξιολόγηση και ανάλυση της απόδοσης όλων των αυτόνομων πρακτόρων που υλοποιήθηκαν.
Abstract
In multi-attribute negotiations, two or more intelligent automated agents sharing common or conflicting interests, negotiate over various distinct issues, usually under uncertainty about the characteristics of their negotiating partners. Agents should be able to adaptively adjust their behavior during the negotiation process, by adopting efficient and effective automated negotiation techniques. This is a challenging process, since negotiators are not usually willing to reveal their private information and preferences, so as to avoid being exploited by the other participants during the negotiation.
To overcome these problems and boost agent performance, a modeling of opponents’ preferences and strategy is usually incorporated—with the understanding that uncertainty regarding opponent preferences always exists in real-world settings. Opponent modeling can be usually shown to assist the agent to achieve efficient agreements, and thus to significantly increase the quality of the negotiation outcome. A multitude of negotiation strategies and opponent models have been coined and studied over the years; regardless, empirically comparing them to each other is not a straightforward exercise.
To this end, the international Autonomous Negotiation Agents Competition (ANAC) was initiated in 2009, and is conducted utilizing a “standard”, purpose-built, negotiation platform (“Genius”). Genius provides a uniform, accepted by all, way of comparing state-of-the-art agent strategies.
In this thesis, we systematically developed several different negotiating strategies, along with accompanying opponent models. We employed concepts found in the literature, implemented known strategies, and proposed novel ones. This process resulted to the creation of thirteen (13) distinct agents. The developed agents were pitted against previous ANAC participants, and also against each other, with an extensive evaluation being conducted on Genius. One of our strategies was selected and participated in the international ANAC-2017 competition. Our thesis presents a detailed evaluation and analysis of the performance of all our agents.
Τόπος: Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Α-14, Αίθουσα Συνεδριάσεων Εργαστηρίου Intelligenece
Έναρξη: 04/10/2017 11:00
Λήξη: 04/10/2017 12:00