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

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

3. INTRODUÇÃO
3

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

8. FUNDAMENTAÇÃO TEÓRICA
8

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

11. TAC Classic
11
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

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

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

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

27. Agentes de Software
27
FUNDAMENTAÇÃO
TEÓRICA
 Baseados em estados

28. Agentes de Software
28
FUNDAMENTAÇÃO
TEÓRICA
 Baseados em utilidade

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

30. TRABALHOS RELACIONADOS
30

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

35. Agente SICS02
35
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
( )
( )
( )
( )

46. O AGENTE LACONIBOT
46
(20 min)

47. LaconiBot
O
AGENTE
LACONIBOT

48. Arquitetura do LaconiBot
48
O
AGENTE
LACONIBOT

53. Arquitetura do LaconiBot
53
O
AGENTE
LACONIBOT

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

74. AVALIAÇÃO
74

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

89. CONCLUSÕES E TRABALHOS FUTUROS
89

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

96. REFERÊNCIAS BIBLIOGRÁFICAS
96

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

101. OBRIGADO! 
101

102. FIM
102

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