Implicitní spolupráce agentů ve více-účastnickém prostředí

Abstract

Tato bakalářská práce se zabývá problémem rozhodování za neurčitosti. Konkrétně zaměřuje se na implicitní kooperaci rozhodovacích agentů ve více agentním prostředí. Metodologicky jsou to nezávislé bayesovské bytosti, které používají plně pravděpodobnostní návrh rozhodovacích strategií. Agenti kooperují přes sdílení svých rozhodovacích pravidel z předchozího kroku. Pravidlo, které poskytl soused, agent používá jako externí prediktor pro obohacení svých představ o sousedovi. Toto řešení bylo ilustrováno na Nashově obchodní hře, která je abstraktním modelem obchodování. Získané výsledky ukazují, že implicitní kooperace: i) vede ke zvýšení úspěšnosti hry, ii) přináší větší individuální zisky hráčům.

This bachelor's thesis addresses a problem of sequential decision making (DM) under uncertainty. In particular, it focuses on the implicit cooperation of DM agents in multi-agent environment. Methodologically, they are self-interested independent Bayesian agents that use fully probabilistic design to find optimal DM strategy. The agents cooperate via sharing their DM rules from the previous decision epoch. The neighbour's DM rule, gathered by the cooperating agent, is used as an external predictor to enrich the agent's knowledge about the neighbour. We illustrate the approach by applying the designed agent to the Nash demand game, which is an abstract model of bargaining. The results indicate that the established implicit negotiation: i) results in enhancing success rate of the game, and, ii) brings higher individual profits to the players.