MoCaNA, un agent de négociation automatique utilisant la recherche arborescente de Monte-Carlo
Résumé
Automated negotiation is a rising topic in Artificial Intelligence research. Monte Carlo methods have got increasing interest, in particular since they have been used with success on games with high branching factor such as go.In this paper, we describe an Monte Carlo Negotiating Agent (MoCaNA) whose bidding strategy relies on Monte Carlo Tree Search. We provide our agent with opponent modeling tehcniques for bidding strtaegy and utility. MoCaNA can negotiate on continuous negotiating domains and in a context where no bound has been specified. We confront MoCaNA and the finalists of ANAC 2014 and a RandomWalker on different negotiation domains. Our agent ouperforms the RandomWalker in a domain without bound and the majority of the ANAC finalists in a domain with a bound.
La négociation automatique est un sujet qui suscite un intérêt croissant dans la recherche en IA. Les méthodes de Monte-Carlo ont quantàquantà elles vécu un grand essor, notamment suitè a leur utilisation sur les jeuxàjeuxà haut facteur de branchement tel que le go.Dans cet article, nous décrivons un agent de négociation automatique, Monte-Carlo Negotiating Agent (MoCaNA) dont la stratégie d'offre s'appuie sur la recherche arborescente de Monte Carlo. Nous munissons cet agent de méthodes de modélisation de la stratégie et de l'utilité adverse. MoCaNA est capable de négocier sur des do-maines de négociation continus et dans un contexte o` u aucune borne n'est spécifiée. Nous confrontons MoCaNA aux agents de l'ANAC 2014 et à un RandomWalker sur des domaines de négociation différents. Il se montre capable de surpasser le Random-Walker dans un domaine sans borne et la majorité des finalistes de l'ANAC dans un domaine avec borne.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|