SlideShare uma empresa Scribd logo
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)
INTRODUÇÃO
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
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
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
FUNDAMENTAÇÃO TEÓRICA
8
O Ambiente Trading Agent Competition
9
 Segundo Wellman et al. (2007)
FUNDAMENTAÇÃO
TEÓRICA
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
FUNDAMENTAÇÃO
TEÓRICA
TAC Classic
11
FUNDAMENTAÇÃO
TEÓRICA
Preferências dos Clientes
12
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
A função utilidade
13
 Para Stone & Greenwald (2000)
FUNDAMENTAÇÃO
TEÓRICA
-
TAC
CLASSIC
A função utilidade
14
 “Mensura o quão próximo o pacote turístico
criado pelo agente se aproximou do
desejado pelo cliente”
(STONE; GREENWALD, 2000)
FUNDAMENTAÇÃO
TEÓRICA
-
TAC
CLASSIC
A função utilidade
15
FUNDAMENTAÇÃO
TEÓRICA
-
TAC
CLASSIC
de
- penalida
e - custo
= utilidad
pontuação
MU
AP + MU? *
AW + AP? *
sso= AW? *
bonusIngre
= TT? *HB
bonusHotel
PD| )
D|+ |IDD -
*(|IAD - A
Viagem=
penalidade
esso
+bonusIngr
bonusHotel
adeViagem+
- penalid
=
utilidade
100
1000
A função utilidade
16
FUNDAMENTAÇÃO
TEÓRICA
-
TAC
CLASSIC
de
- penalida
e - custo
= utilidad
pontuação
MU
AP + MU? *
AW + AP? *
sso= AW? *
bonusIngre
= TT? *HB
bonusHotel
PD| )
D|+ |IDD -
*(|IAD - A
Viagem=
penalidade
esso
+bonusIngr
bonusHotel
adeViagem+
- penalid
=
utilidade
100
1000
A função utilidade
17
FUNDAMENTAÇÃO
TEÓRICA
-
TAC
CLASSIC
de
- penalida
e - custo
= utilidad
pontuação
MU
AP + MU? *
AW + AP? *
sso= AW? *
bonusIngre
= TT? *HB
bonusHotel
PD| )
D|+ |IDD -
*(|IAD - A
Viagem=
penalidade
esso
+bonusIngr
bonusHotel
adeViagem+
- penalid
=
utilidade
100
1000
A função utilidade
18
FUNDAMENTAÇÃO
TEÓRICA
-
TAC
CLASSIC
de
- penalida
e - custo
= utilidad
pontuação
MU
AP + MU? *
AW + AP? *
sso= AW? *
bonusIngre
= TT? *HB
bonusHotel
PD| )
D|+ |IDD -
*(|IAD - A
Viagem=
penalidade
esso
+bonusIngr
bonusHotel
adeViagem+
- penalid
=
utilidade
100
1000
A pontuação final do agente
19
FUNDAMENTAÇÃO
TEÓRICA
-
TAC
CLASSIC
de
- penalida
e - custo
= utilidad
pontuação
MU
AP + MU? *
AW + AP? *
sso= AW? *
bonusIngre
= TT? *HB
bonusHotel
PD| )
D|+ |IDD -
*(|IAD - A
Viagem=
penalidade
esso
+bonusIngr
bonusHotel
adeViagem+
- penalid
=
utilidade
100
1000
Leilões CDA
20
 Klemperer (1999) escreveu um survey sobre
leilões
FUNDAMENTAÇÃO
TEÓRICA
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
FUNDAMENTAÇÃO
TEÓRICA
Leilões CDA
22
 Segundo He et al. (2003)
FUNDAMENTAÇÃO
TEÓRICA
-
LEILÕES
CDA
(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
FUNDAMENTAÇÃO
TEÓRICA
Agentes de Software
24
FUNDAMENTAÇÃO
TEÓRICA
 Para Russell & Norvig (1995)
Agentes de Software
25
FUNDAMENTAÇÃO
TEÓRICA
 Para Russell & Norvig (1995)
Agentes de Software
26
FUNDAMENTAÇÃO
TEÓRICA
 Classificação das arquiteturas de agentes
 Reativos Simples
 Baseados em estados
 Baseados em objetivos, ou metas
 Orientados por utilidade
Agentes de Software
27
FUNDAMENTAÇÃO
TEÓRICA
 Baseados em estados
Agentes de Software
28
FUNDAMENTAÇÃO
TEÓRICA
 Baseados em utilidade
Técnicas de Inteligência Artificial
29
 Sistemas Fuzzy
 Redes Neurais Artificiais
 Algoritmos Genéticos
FUNDAMENTAÇÃO
TEÓRICA
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
TRABALHOS
RELACIONADOS
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
TRABALHOS
RELACIONADOS
Agentes TAC
33
 Agente DummyAgent
 Agente SICS02
 Agente UTTA06
 Agente Mertacor
 Agente DealerBot
TRABALHOS
RELACIONADOS
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
TRABALHOS
RELACIONADOS
Agente SICS02
35
TRABALHOS
RELACIONADOS
Agente UTTA06
36
 Tabarzad et. al (2006) analisaram o CDA do TAC
TRABALHOS
RELACIONADOS
Agente UTTA06
37
 Utilizam 2 funções
 para estimativa do preço de venda
 para estimativa do preço de compra
TRABALHOS
RELACIONADOS
profit
start
close
current
close
t P
t
t
t
t
P
Pcurrent max
profit
start
close
current
close
t P
t
t
t
t
P
Pcurrent 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.”
TRABALHOS
RELACIONADOS
Pseudo-código da estratégia de venda
39
TRABALHOS
RELACIONADOS
-
AGENTE
MERTACOR
Agente DealerBot
40
 Oliveira (2008)
TRABALHOS
RELACIONADOS
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
TRABALHOS
RELACIONADOS
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”
TRABALHOS
RELACIONADOS
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
TRABALHOS
RELACIONADOS
(n)
(2)
(1) p
,...,
p
,
p
H {p(1), p(2), ..., p(n)}
Agente DealerBot
44
 Conjuntos Nebulosos
TRABALHOS
RELACIONADOS
Agente DealerBot
45
 Conjuntos de Regras Nebulosas
TRABALHOS
RELACIONADOS
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
,
b
o
b
,
,
1
,
b
o
b
,
,
3
,
b
o
b
,
,
4
,
b
r
P
b
b
b
P
( )
( )
( )
( )
O AGENTE LACONIBOT
46
(20 min)
LaconiBot
O
AGENTE
LACONIBOT
Arquitetura do LaconiBot
48
O
AGENTE
LACONIBOT
Apresentação da minha defesa de dissertação de mestrado
Apresentação da minha defesa de dissertação de mestrado
Apresentação da minha defesa de dissertação de mestrado
Apresentação da minha defesa de dissertação de mestrado
Arquitetura do LaconiBot
53
O
AGENTE
LACONIBOT
Lógica do Componente Negociador
54
 Lógica Fuzzy
 Criada por Lotfi Zadeh (1965)
O
AGENTE
LACONIBOT
Lógica do Componente Negociador
55
 Controlador Nebuloso
O
AGENTE
LACONIBOT
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
AGENTE
LACONIBOT
Lógica do Componente Previsor
57
 Redes Neurais Artificiais
 Neurônio de McCulloch-Pitts
O
AGENTE
LACONIBOT
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
AGENTE
LACONIBOT
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
AGENTE
LACONIBOT
-
COMPONENTE
PREVISOR
A Rede Neural Artificial
60
 Topologia
O
AGENTE
LACONIBOT
-
COMPONENTE
PREVISOR
Camada de
Entrada
(Input Layer)
Camada de
Saída
(Output Layer)
Camada
Escondida
(Hidden Layer)
Saída
Entrada 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
AGENTE
LACONIBOT
-
COMPONENTE
PREVISOR
t
c
v P
t,
,
C
,
C
T
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
AGENTE
LACONIBOT
-
COMPONENTE
PREVISOR
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
AGENTE
LACONIBOT
-
COMPONENTE
PREVISOR
A Rede Neural Artificial
64
O
AGENTE
LACONIBOT
-
COMPONENTE
PREVISOR
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
Lógica do Componente Alocador
65
 Algoritmos Genéticos
 Charles Robert Darwin
O
AGENTE
LACONIBOT
(30 min)
Lógica do Componente Alocador
66
O
AGENTE
LACONIBOT
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
AGENTE
LACONIBOT
Formalização do Problema de Seleção de Leilões CDA
68
 Objetivos
 Ganhok
 Inventário
 Despesa Operacionalk
 Problema de Otimização Multiobjetivo
 Maximizar
 Minimizar
 Minimizar
O
AGENTE
LACONIBOT
-
COMPONENTE
ALOCADOR
Ganho
8
1
k
k
Inventário
racional
DespesaOpe
8
1
k
k
Formalização do Problema de Seleção de Leilões CDA
69
 Ganhok
 Inventário
 Despesa Operacionalk
O
AGENTE
LACONIBOT
-
COMPONENTE
ALOCADOR
Prêmio
l
+
1000
Ganho k
ij
Nd
i
k
ij
k
k k
J
j
Pr
Inventário ij
4
1
i
3
1
j
A
ij
ij l
T
Pr
l
racional
DespesaOpe ij
Nd
i
k
ij
k
k k
J
j
ij
b
l
J
j
Nd
i
Clientes
k ij
o
k
ij
k
k
ingresso
do
compra
na
pagar
pode
agente
o
que
máximo
:
:
:
Formalização do Problema de Seleção de Leilões CDA
70
 Restrições
O
AGENTE
LACONIBOT
-
COMPONENTE
ALOCADOR
1
l
:
: k
ij
k
J
j
k
Nd
i
Clientes
k
1
l
:
: k
ij
k
Nd
j
k
J
j
Clientes
k
ij
a
l
T
entos
Entretenim
j
Nd
i ij
o
A
ij
ij
k
)
ingresso(s
do(s)
venda
na
receber
pode
agente
o
que
mínimo
:
:
Nc
k Nd
i j
Nd
i
Ne
j
ij
k
T
1 1
K
ij
A
ij
1 1
l
l
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
AGENTE
LACONIBOT
-
COMPONENTE
ALOCADOR
2
MN
O(MN )
Busca de uma Solução com Algoritmo Genético
72
 Implementação com NSGAII (Continuação)
 Pareto-front
O
AGENTE
LACONIBOT
-
COMPONENTE
ALOCADOR
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
AGENTE
LACONIBOT
-
COMPONENTE
ALOCADOR
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
AVALIAÇÃO
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
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
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
Análise dos Resultados
79
 DealerBot
Vs
 LaconiBot
Vs
 Mertacor
AVALIAÇÃO
Resultados do agente DealerBot
80
AVALIAÇÃO
-
ANÁLISE
DOS
RESULTADOS
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”
AVALIAÇÃO
-
ANÁLISE
DOS
RESULTADOS
N
a
y
a
RMSE
N
k k
k
k
1
2
Resultados do LaconiBot sem o componente Alocador
82
 Root Mean Square Error (RMSE)
AVALIAÇÃO
-
ANÁLISE
DOS
RESULTADOS
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
AVALIAÇÃO
-
ANÁLISE
DOS
RESULTADOS
[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
AVALIAÇÃO
-
ANÁLISE
DOS
RESULTADOS
Resultados do LaconiBot sem o componente Alocador
85
AVALIAÇÃO
-
ANÁLISE
DOS
RESULTADOS
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
AVALIAÇÃO
-
ANÁLISE
DOS
RESULTADOS
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
AVALIAÇÃO
-
ANÁLISE
DOS
RESULTADOS
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
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
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
CONCLUSÕES
E
TRABALHOS
FUTUROS
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
CONCLUSÕES
E
TRABALHOS
FUTUROS
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”
CONCLUSÕES
E
TRABALHOS
FUTUROS
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”
CONCLUSÕES
E
TRABALHOS
FUTUROS
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
CONCLUSÕES
E
TRABALHOS
FUTUROS
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
CONCLUSÕES
E
TRABALHOS
FUTUROS
REFERÊNCIAS BIBLIOGRÁFICAS
96
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.
REFERÊNCIAS
BIBLIOGRÁFICAS
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
REFERÊNCIAS
BIBLIOGRÁFICAS
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.
REFERÊNCIAS
BIBLIOGRÁFICAS
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
REFERÊNCIAS
BIBLIOGRÁFICAS
OBRIGADO! 
101
FIM
102
“Posso todas as coisas em Cristo que me fortalece.”
Filipenses, 4:13
103
(50 min)

Mais conteúdo relacionado

Mais procurados

Dissertação mestrado Ciência da Educação / Neldilene G. Soares
Dissertação  mestrado Ciência da Educação / Neldilene G. SoaresDissertação  mestrado Ciência da Educação / Neldilene G. Soares
Dissertação mestrado Ciência da Educação / Neldilene G. Soares
Secretaria de Educação e Cultura - SEMEC aAcari
 
Apresentação de dissertação de mestrado
Apresentação de dissertação de mestradoApresentação de dissertação de mestrado
Apresentação de dissertação de mestrado
Diego Pudo
 
Defesa Mestrado
Defesa MestradoDefesa Mestrado
Defesa Mestrado
Ulysses Varela
 
Aulão Revisão Prova Final Metodologia científica
Aulão Revisão Prova Final Metodologia científica Aulão Revisão Prova Final Metodologia científica
Aulão Revisão Prova Final Metodologia científica
Djesser Juan Vaes
 
Estudo de caso
Estudo de casoEstudo de caso
Estudo de caso
Joao Mattar
 
Metodologia pesquisa cientifica 24 03 2009
Metodologia pesquisa cientifica 24 03 2009Metodologia pesquisa cientifica 24 03 2009
Metodologia pesquisa cientifica 24 03 2009
Flavio Oliveira Alencar
 
Defesa da tese 09 12-2010
Defesa da tese 09 12-2010Defesa da tese 09 12-2010
Defesa da tese 09 12-2010
João Piedade
 
Projeto de tcc
Projeto de tccProjeto de tcc
Projeto de tcc
Valdirene Oliveira
 
Defesa dissertação
Defesa dissertaçãoDefesa dissertação
Defesa dissertação
Karyn Lehmkuhl
 
Dissertação de mestrado
Dissertação de mestradoDissertação de mestrado
Dissertação de mestrado
Ana Santos
 
Defesa de mestrado Valeria de Oliveira 9.8.13
Defesa de mestrado   Valeria de Oliveira 9.8.13Defesa de mestrado   Valeria de Oliveira 9.8.13
Defesa de mestrado Valeria de Oliveira 9.8.13
Valeria de Oliveira
 
O QUE É PESQUISA-AÇÃO
O QUE É PESQUISA-AÇÃOO QUE É PESQUISA-AÇÃO
O QUE É PESQUISA-AÇÃO
Mirela Roman
 
Metodologia de Pesquisa: Estudo de Caso para Yin e para STAKE (comparativo)
Metodologia de Pesquisa: Estudo de Caso para Yin e para STAKE (comparativo)Metodologia de Pesquisa: Estudo de Caso para Yin e para STAKE (comparativo)
Metodologia de Pesquisa: Estudo de Caso para Yin e para STAKE (comparativo)
Nayara Duarte
 
Tecnicas de coleta de dados e instrumentos- Material maravilhoso
Tecnicas de coleta de dados e instrumentos- Material maravilhosoTecnicas de coleta de dados e instrumentos- Material maravilhoso
Tecnicas de coleta de dados e instrumentos- Material maravilhoso
Rosane Domingues
 
Slides para a qualificação
Slides para a qualificaçãoSlides para a qualificação
Slides para a qualificação
Juliana Fonseca Duarte
 
Análise e interpratação dos dados
Análise e interpratação dos dadosAnálise e interpratação dos dados
Análise e interpratação dos dados
Adamo Cruz
 
Análise de Dados
Análise de DadosAnálise de Dados
Análise de Dados
Lucila Pesce
 
Apresentação defesa tese
Apresentação defesa teseApresentação defesa tese
Apresentação defesa tese
Nelson Brites Correia
 
Apresentação Tese de Doutoramento
Apresentação Tese de DoutoramentoApresentação Tese de Doutoramento
Apresentação Tese de Doutoramento
Fernando Rui Campos
 
Qualificação Mestrado
Qualificação MestradoQualificação Mestrado
Qualificação Mestrado
Bruno Galli
 

Mais procurados (20)

Dissertação mestrado Ciência da Educação / Neldilene G. Soares
Dissertação  mestrado Ciência da Educação / Neldilene G. SoaresDissertação  mestrado Ciência da Educação / Neldilene G. Soares
Dissertação mestrado Ciência da Educação / Neldilene G. Soares
 
Apresentação de dissertação de mestrado
Apresentação de dissertação de mestradoApresentação de dissertação de mestrado
Apresentação de dissertação de mestrado
 
Defesa Mestrado
Defesa MestradoDefesa Mestrado
Defesa Mestrado
 
Aulão Revisão Prova Final Metodologia científica
Aulão Revisão Prova Final Metodologia científica Aulão Revisão Prova Final Metodologia científica
Aulão Revisão Prova Final Metodologia científica
 
Estudo de caso
Estudo de casoEstudo de caso
Estudo de caso
 
Metodologia pesquisa cientifica 24 03 2009
Metodologia pesquisa cientifica 24 03 2009Metodologia pesquisa cientifica 24 03 2009
Metodologia pesquisa cientifica 24 03 2009
 
Defesa da tese 09 12-2010
Defesa da tese 09 12-2010Defesa da tese 09 12-2010
Defesa da tese 09 12-2010
 
Projeto de tcc
Projeto de tccProjeto de tcc
Projeto de tcc
 
Defesa dissertação
Defesa dissertaçãoDefesa dissertação
Defesa dissertação
 
Dissertação de mestrado
Dissertação de mestradoDissertação de mestrado
Dissertação de mestrado
 
Defesa de mestrado Valeria de Oliveira 9.8.13
Defesa de mestrado   Valeria de Oliveira 9.8.13Defesa de mestrado   Valeria de Oliveira 9.8.13
Defesa de mestrado Valeria de Oliveira 9.8.13
 
O QUE É PESQUISA-AÇÃO
O QUE É PESQUISA-AÇÃOO QUE É PESQUISA-AÇÃO
O QUE É PESQUISA-AÇÃO
 
Metodologia de Pesquisa: Estudo de Caso para Yin e para STAKE (comparativo)
Metodologia de Pesquisa: Estudo de Caso para Yin e para STAKE (comparativo)Metodologia de Pesquisa: Estudo de Caso para Yin e para STAKE (comparativo)
Metodologia de Pesquisa: Estudo de Caso para Yin e para STAKE (comparativo)
 
Tecnicas de coleta de dados e instrumentos- Material maravilhoso
Tecnicas de coleta de dados e instrumentos- Material maravilhosoTecnicas de coleta de dados e instrumentos- Material maravilhoso
Tecnicas de coleta de dados e instrumentos- Material maravilhoso
 
Slides para a qualificação
Slides para a qualificaçãoSlides para a qualificação
Slides para a qualificação
 
Análise e interpratação dos dados
Análise e interpratação dos dadosAnálise e interpratação dos dados
Análise e interpratação dos dados
 
Análise de Dados
Análise de DadosAnálise de Dados
Análise de Dados
 
Apresentação defesa tese
Apresentação defesa teseApresentação defesa tese
Apresentação defesa tese
 
Apresentação Tese de Doutoramento
Apresentação Tese de DoutoramentoApresentação Tese de Doutoramento
Apresentação Tese de Doutoramento
 
Qualificação Mestrado
Qualificação MestradoQualificação Mestrado
Qualificação Mestrado
 

Semelhante a Apresentação da minha defesa de dissertação de mestrado

Perfil dos Trabalhos e Resultados Entregues!
Perfil dos Trabalhos e Resultados Entregues!Perfil dos Trabalhos e Resultados Entregues!
Perfil dos Trabalhos e Resultados Entregues!
Paulo Santiago
 
Cyber Ponto
Cyber PontoCyber Ponto
Cyber Ponto
Marco Coghi
 
TDC2017 | São Paulo - Trilha Startups How we figured out we had a SRE team at...
TDC2017 | São Paulo - Trilha Startups How we figured out we had a SRE team at...TDC2017 | São Paulo - Trilha Startups How we figured out we had a SRE team at...
TDC2017 | São Paulo - Trilha Startups How we figured out we had a SRE team at...
tdc-globalcode
 
Six Sigma Metodologia DMAIC
Six Sigma Metodologia DMAICSix Sigma Metodologia DMAIC
Six Sigma Metodologia DMAIC
CLT Valuebased Services
 
Uma Arquitetura para Agentes Negociadores Baseada em Teoria dos Jogos
Uma Arquitetura para Agentes Negociadores Baseada em Teoria dos JogosUma Arquitetura para Agentes Negociadores Baseada em Teoria dos Jogos
Uma Arquitetura para Agentes Negociadores Baseada em Teoria dos Jogos
gustavoeliano
 
Gestão de Projetos e Empreendedorismo: TAD-NC4 (21/10/2013)
Gestão de Projetos e Empreendedorismo: TAD-NC4 (21/10/2013)Gestão de Projetos e Empreendedorismo: TAD-NC4 (21/10/2013)
Gestão de Projetos e Empreendedorismo: TAD-NC4 (21/10/2013)
Alessandro Almeida
 
PMCanvas oque e para que serve 10.05.pptx
PMCanvas oque e para que serve  10.05.pptxPMCanvas oque e para que serve  10.05.pptx
PMCanvas oque e para que serve 10.05.pptx
0000998206
 
Gestão de Projetos e Empreendedorismo: SIN-NA7 (22/10/2013)
Gestão de Projetos e Empreendedorismo: SIN-NA7 (22/10/2013)Gestão de Projetos e Empreendedorismo: SIN-NA7 (22/10/2013)
Gestão de Projetos e Empreendedorismo: SIN-NA7 (22/10/2013)
Alessandro Almeida
 
Modelagem e análise de processos de negócio
Modelagem e análise de processos de negócioModelagem e análise de processos de negócio
Modelagem e análise de processos de negócio
Mauricio Uriona Maldonado PhD
 
Gestão de Projetos e Empreendedorismo (23/04/2014)
Gestão de Projetos e Empreendedorismo (23/04/2014)Gestão de Projetos e Empreendedorismo (23/04/2014)
Gestão de Projetos e Empreendedorismo (23/04/2014)
Alessandro Almeida
 
Scrum e venda de escopo aberto
Scrum e venda de escopo abertoScrum e venda de escopo aberto
Scrum e venda de escopo aberto
Júlio César Caldas
 
Matemática financeira aula 4
Matemática financeira aula 4Matemática financeira aula 4
Matemática financeira aula 4
Augusto Junior
 
EC08 - TEORIA DA FIRMA.pdf
EC08 - TEORIA DA FIRMA.pdfEC08 - TEORIA DA FIRMA.pdf
EC08 - TEORIA DA FIRMA.pdf
CARLOSAUGUSTOROCHADE
 
A&H Decoração e Design
A&H Decoração e DesignA&H Decoração e Design
A&H Decoração e Design
Marco Coghi
 
Teoria aula 1
Teoria aula 1Teoria aula 1
Teoria aula 1
Claudio Parra
 
SMED (Single Minute Exchange of Die) v3
SMED (Single Minute Exchange of Die) v3SMED (Single Minute Exchange of Die) v3
SMED (Single Minute Exchange of Die) v3
Valor Agregado Consulting
 
Agile Economics
Agile EconomicsAgile Economics
Agile Economics
Jose Papo, MSc
 
Como aumentar a produtividade e multiplicar os lucros
Como aumentar a produtividade e multiplicar os lucrosComo aumentar a produtividade e multiplicar os lucros
Como aumentar a produtividade e multiplicar os lucros
Kamila Máximos
 
Track Your World (web analytics para todos) - Huxley Dias
Track Your World (web analytics para todos) - Huxley DiasTrack Your World (web analytics para todos) - Huxley Dias
Track Your World (web analytics para todos) - Huxley Dias
Huxley Dias
 
Procurement e Transparência em Custos
Procurement e Transparência em CustosProcurement e Transparência em Custos
Procurement e Transparência em Custos
Glaudson Bastos, M.Sc
 

Semelhante a Apresentação da minha defesa de dissertação de mestrado (20)

Perfil dos Trabalhos e Resultados Entregues!
Perfil dos Trabalhos e Resultados Entregues!Perfil dos Trabalhos e Resultados Entregues!
Perfil dos Trabalhos e Resultados Entregues!
 
Cyber Ponto
Cyber PontoCyber Ponto
Cyber Ponto
 
TDC2017 | São Paulo - Trilha Startups How we figured out we had a SRE team at...
TDC2017 | São Paulo - Trilha Startups How we figured out we had a SRE team at...TDC2017 | São Paulo - Trilha Startups How we figured out we had a SRE team at...
TDC2017 | São Paulo - Trilha Startups How we figured out we had a SRE team at...
 
Six Sigma Metodologia DMAIC
Six Sigma Metodologia DMAICSix Sigma Metodologia DMAIC
Six Sigma Metodologia DMAIC
 
Uma Arquitetura para Agentes Negociadores Baseada em Teoria dos Jogos
Uma Arquitetura para Agentes Negociadores Baseada em Teoria dos JogosUma Arquitetura para Agentes Negociadores Baseada em Teoria dos Jogos
Uma Arquitetura para Agentes Negociadores Baseada em Teoria dos Jogos
 
Gestão de Projetos e Empreendedorismo: TAD-NC4 (21/10/2013)
Gestão de Projetos e Empreendedorismo: TAD-NC4 (21/10/2013)Gestão de Projetos e Empreendedorismo: TAD-NC4 (21/10/2013)
Gestão de Projetos e Empreendedorismo: TAD-NC4 (21/10/2013)
 
PMCanvas oque e para que serve 10.05.pptx
PMCanvas oque e para que serve  10.05.pptxPMCanvas oque e para que serve  10.05.pptx
PMCanvas oque e para que serve 10.05.pptx
 
Gestão de Projetos e Empreendedorismo: SIN-NA7 (22/10/2013)
Gestão de Projetos e Empreendedorismo: SIN-NA7 (22/10/2013)Gestão de Projetos e Empreendedorismo: SIN-NA7 (22/10/2013)
Gestão de Projetos e Empreendedorismo: SIN-NA7 (22/10/2013)
 
Modelagem e análise de processos de negócio
Modelagem e análise de processos de negócioModelagem e análise de processos de negócio
Modelagem e análise de processos de negócio
 
Gestão de Projetos e Empreendedorismo (23/04/2014)
Gestão de Projetos e Empreendedorismo (23/04/2014)Gestão de Projetos e Empreendedorismo (23/04/2014)
Gestão de Projetos e Empreendedorismo (23/04/2014)
 
Scrum e venda de escopo aberto
Scrum e venda de escopo abertoScrum e venda de escopo aberto
Scrum e venda de escopo aberto
 
Matemática financeira aula 4
Matemática financeira aula 4Matemática financeira aula 4
Matemática financeira aula 4
 
EC08 - TEORIA DA FIRMA.pdf
EC08 - TEORIA DA FIRMA.pdfEC08 - TEORIA DA FIRMA.pdf
EC08 - TEORIA DA FIRMA.pdf
 
A&H Decoração e Design
A&H Decoração e DesignA&H Decoração e Design
A&H Decoração e Design
 
Teoria aula 1
Teoria aula 1Teoria aula 1
Teoria aula 1
 
SMED (Single Minute Exchange of Die) v3
SMED (Single Minute Exchange of Die) v3SMED (Single Minute Exchange of Die) v3
SMED (Single Minute Exchange of Die) v3
 
Agile Economics
Agile EconomicsAgile Economics
Agile Economics
 
Como aumentar a produtividade e multiplicar os lucros
Como aumentar a produtividade e multiplicar os lucrosComo aumentar a produtividade e multiplicar os lucros
Como aumentar a produtividade e multiplicar os lucros
 
Track Your World (web analytics para todos) - Huxley Dias
Track Your World (web analytics para todos) - Huxley DiasTrack Your World (web analytics para todos) - Huxley Dias
Track Your World (web analytics para todos) - Huxley Dias
 
Procurement e Transparência em Custos
Procurement e Transparência em CustosProcurement e Transparência em Custos
Procurement e Transparência em Custos
 

Apresentação da minha defesa de dissertação de mestrado

  • 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. Roteiro 2  Introdução  Fundamentação teórica  Trabalhos relacionados  O agente LaconiBot  Avaliação  Conclusões e trabalhos futuros  Referências bibliográficas
  • 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. 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. 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. 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
  • 9. O Ambiente Trading Agent Competition 9  Segundo Wellman et al. (2007) FUNDAMENTAÇÃO TEÓRICA
  • 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 FUNDAMENTAÇÃO TEÓRICA
  • 12. Preferências dos Clientes 12 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
  • 13. A função utilidade 13  Para Stone & Greenwald (2000) FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC
  • 14. A função utilidade 14  “Mensura o quão próximo o pacote turístico criado pelo agente se aproximou do desejado pelo cliente” (STONE; GREENWALD, 2000) FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC
  • 15. A função utilidade 15 FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC de - penalida e - custo = utilidad pontuação MU AP + MU? * AW + AP? * sso= AW? * bonusIngre = TT? *HB bonusHotel PD| ) D|+ |IDD - *(|IAD - A Viagem= penalidade esso +bonusIngr bonusHotel adeViagem+ - penalid = utilidade 100 1000
  • 16. A função utilidade 16 FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC de - penalida e - custo = utilidad pontuação MU AP + MU? * AW + AP? * sso= AW? * bonusIngre = TT? *HB bonusHotel PD| ) D|+ |IDD - *(|IAD - A Viagem= penalidade esso +bonusIngr bonusHotel adeViagem+ - penalid = utilidade 100 1000
  • 17. A função utilidade 17 FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC de - penalida e - custo = utilidad pontuação MU AP + MU? * AW + AP? * sso= AW? * bonusIngre = TT? *HB bonusHotel PD| ) D|+ |IDD - *(|IAD - A Viagem= penalidade esso +bonusIngr bonusHotel adeViagem+ - penalid = utilidade 100 1000
  • 18. A função utilidade 18 FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC de - penalida e - custo = utilidad pontuação MU AP + MU? * AW + AP? * sso= AW? * bonusIngre = TT? *HB bonusHotel PD| ) D|+ |IDD - *(|IAD - A Viagem= penalidade esso +bonusIngr bonusHotel adeViagem+ - penalid = utilidade 100 1000
  • 19. A pontuação final do agente 19 FUNDAMENTAÇÃO TEÓRICA - TAC CLASSIC de - penalida e - custo = utilidad pontuação MU AP + MU? * AW + AP? * sso= AW? * bonusIngre = TT? *HB bonusHotel PD| ) D|+ |IDD - *(|IAD - A Viagem= penalidade esso +bonusIngr bonusHotel adeViagem+ - penalid = utilidade 100 1000
  • 20. Leilões CDA 20  Klemperer (1999) escreveu um survey sobre leilões FUNDAMENTAÇÃO TEÓRICA
  • 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 FUNDAMENTAÇÃO TEÓRICA
  • 22. Leilões CDA 22  Segundo He et al. (2003) FUNDAMENTAÇÃO TEÓRICA - LEILÕES CDA (10 min)
  • 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 FUNDAMENTAÇÃO TEÓRICA
  • 26. Agentes de Software 26 FUNDAMENTAÇÃO TEÓRICA  Classificação das arquiteturas de agentes  Reativos Simples  Baseados em estados  Baseados em objetivos, ou metas  Orientados por utilidade
  • 29. Técnicas de Inteligência Artificial 29  Sistemas Fuzzy  Redes Neurais Artificiais  Algoritmos Genéticos FUNDAMENTAÇÃO TEÓRICA
  • 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 TRABALHOS RELACIONADOS
  • 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 TRABALHOS RELACIONADOS
  • 33. Agentes TAC 33  Agente DummyAgent  Agente SICS02  Agente UTTA06  Agente Mertacor  Agente DealerBot TRABALHOS RELACIONADOS
  • 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 TRABALHOS RELACIONADOS
  • 36. Agente UTTA06 36  Tabarzad et. al (2006) analisaram o CDA do TAC TRABALHOS RELACIONADOS
  • 37. Agente UTTA06 37  Utilizam 2 funções  para estimativa do preço de venda  para estimativa do preço de compra TRABALHOS RELACIONADOS profit start close current close t P t t t t P Pcurrent max profit start close current close t P t t t t P Pcurrent min
  • 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.” TRABALHOS RELACIONADOS
  • 39. Pseudo-código da estratégia de venda 39 TRABALHOS RELACIONADOS - AGENTE MERTACOR
  • 40. Agente DealerBot 40  Oliveira (2008) TRABALHOS RELACIONADOS
  • 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 TRABALHOS RELACIONADOS
  • 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” TRABALHOS RELACIONADOS
  • 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 TRABALHOS RELACIONADOS (n) (2) (1) p ,..., p , p H {p(1), p(2), ..., p(n)}
  • 44. Agente DealerBot 44  Conjuntos Nebulosos TRABALHOS RELACIONADOS
  • 45. Agente DealerBot 45  Conjuntos de Regras Nebulosas TRABALHOS RELACIONADOS 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 , b o b , , 1 , b o b , , 3 , b o b , , 4 , b r P b b b P ( ) ( ) ( ) ( )
  • 54. Lógica do Componente Negociador 54  Lógica Fuzzy  Criada por Lotfi Zadeh (1965) O AGENTE LACONIBOT
  • 55. Lógica do Componente Negociador 55  Controlador Nebuloso O AGENTE LACONIBOT
  • 56. 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 AGENTE LACONIBOT
  • 57. Lógica do Componente Previsor 57  Redes Neurais Artificiais  Neurônio de McCulloch-Pitts O AGENTE LACONIBOT
  • 58. 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 AGENTE LACONIBOT
  • 59. 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 AGENTE LACONIBOT - COMPONENTE PREVISOR
  • 60. A Rede Neural Artificial 60  Topologia O AGENTE LACONIBOT - COMPONENTE PREVISOR Camada de Entrada (Input Layer) Camada de Saída (Output Layer) Camada Escondida (Hidden Layer) Saída Entrada 2 Entrada 3 Entrada 1
  • 61. 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 AGENTE LACONIBOT - COMPONENTE PREVISOR t c v P t, , C , C T
  • 62. 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 AGENTE LACONIBOT - COMPONENTE PREVISOR
  • 63. 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 AGENTE LACONIBOT - COMPONENTE PREVISOR
  • 64. A Rede Neural Artificial 64 O AGENTE LACONIBOT - COMPONENTE PREVISOR 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
  • 65. Lógica do Componente Alocador 65  Algoritmos Genéticos  Charles Robert Darwin O AGENTE LACONIBOT (30 min)
  • 66. Lógica do Componente Alocador 66 O AGENTE LACONIBOT
  • 67. 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 AGENTE LACONIBOT
  • 68. Formalização do Problema de Seleção de Leilões CDA 68  Objetivos  Ganhok  Inventário  Despesa Operacionalk  Problema de Otimização Multiobjetivo  Maximizar  Minimizar  Minimizar O AGENTE LACONIBOT - COMPONENTE ALOCADOR Ganho 8 1 k k Inventário racional DespesaOpe 8 1 k k
  • 69. Formalização do Problema de Seleção de Leilões CDA 69  Ganhok  Inventário  Despesa Operacionalk O AGENTE LACONIBOT - COMPONENTE ALOCADOR Prêmio l + 1000 Ganho k ij Nd i k ij k k k J j Pr Inventário ij 4 1 i 3 1 j A ij ij l T Pr l racional DespesaOpe ij Nd i k ij k k k J j
  • 70. ij b l J j Nd i Clientes k ij o k ij k k ingresso do compra na pagar pode agente o que máximo : : : Formalização do Problema de Seleção de Leilões CDA 70  Restrições O AGENTE LACONIBOT - COMPONENTE ALOCADOR 1 l : : k ij k J j k Nd i Clientes k 1 l : : k ij k Nd j k J j Clientes k ij a l T entos Entretenim j Nd i ij o A ij ij k ) ingresso(s do(s) venda na receber pode agente o que mínimo : : Nc k Nd i j Nd i Ne j ij k T 1 1 K ij A ij 1 1 l l
  • 71. 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 AGENTE LACONIBOT - COMPONENTE ALOCADOR 2 MN O(MN )
  • 72. Busca de uma Solução com Algoritmo Genético 72  Implementação com NSGAII (Continuação)  Pareto-front O AGENTE LACONIBOT - COMPONENTE ALOCADOR
  • 73. 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 AGENTE LACONIBOT - COMPONENTE ALOCADOR
  • 75. 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
  • 76. 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
  • 77. 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
  • 78. 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
  • 79. Análise dos Resultados 79  DealerBot Vs  LaconiBot Vs  Mertacor AVALIAÇÃO
  • 80. Resultados do agente DealerBot 80 AVALIAÇÃO - ANÁLISE DOS RESULTADOS 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
  • 81. 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 - ANÁLISE DOS RESULTADOS N a y a RMSE N k k k k 1 2
  • 82. Resultados do LaconiBot sem o componente Alocador 82  Root Mean Square Error (RMSE) AVALIAÇÃO - ANÁLISE DOS RESULTADOS 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. Resultados do LaconiBot sem o componente Alocador 83  Matriz-Confusão AVALIAÇÃO - ANÁLISE DOS RESULTADOS [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%
  • 84. 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 - ANÁLISE DOS RESULTADOS
  • 85. Resultados do LaconiBot sem o componente Alocador 85 AVALIAÇÃO - ANÁLISE DOS RESULTADOS 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)
  • 86. Resultados do LaconiBot sem o componente Previsor 86 AVALIAÇÃO - ANÁLISE DOS RESULTADOS 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
  • 87. Resultados do LaconiBot com todos os componentes 87 AVALIAÇÃO - ANÁLISE DOS RESULTADOS 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
  • 88. 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
  • 90. 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 CONCLUSÕES E TRABALHOS FUTUROS
  • 91. 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 CONCLUSÕES E TRABALHOS FUTUROS
  • 92. 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” CONCLUSÕES E TRABALHOS FUTUROS
  • 93. 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” CONCLUSÕES E TRABALHOS FUTUROS
  • 94. 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 CONCLUSÕES E TRABALHOS FUTUROS
  • 95. 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 CONCLUSÕES E TRABALHOS FUTUROS
  • 97. 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. REFERÊNCIAS BIBLIOGRÁFICAS
  • 98. 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 REFERÊNCIAS BIBLIOGRÁFICAS
  • 99. 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. REFERÊNCIAS BIBLIOGRÁFICAS
  • 100. 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 REFERÊNCIAS BIBLIOGRÁFICAS
  • 103. “Posso todas as coisas em Cristo que me fortalece.” Filipenses, 4:13 103 (50 min)