عنوان پایان‌نامه
استفاده از تکنیک های داده کاوی زمان دار در بهبود مکانیسمهای تصمیم گیری عامل های هوشمند
- رشته تحصیلی
- مهندسی کامپیوتر -نرم افزار
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 52381
- تاریخ دفاع
- ۲۵ خرداد ۱۳۹۰
- دانشجو
- سارا مصباح
- استاد راهنما
- فتانه تقی یاره
- چکیده
- کارگزارها یک روش سطح بالا و قدرتمند برای ایجاد سیستم های نرم افزاری پیچیده هستند. در مورد کارگزارها، مسائل زیادی وجود دارد که یکی از مهمترین آن‌ها، مسأله بهبود تصمیم گیری است. یک کارگزار هوشمند، باید قادر به گرفتن تصمیمات سریع و دقیق در محیط های پویا باشد. هدف اصلی این پایان نامه، ارائه روشی جهت بهبود تصمیم گیری کارگزار ها از طریق افزودن بینش استقرایی در مراحل تصمیم گیری آن ها است. ثبت و آنالیز تصمیمات گذشته کارگزار، می-تواند دانش مفیدی برای بهبود بخشیدن کیفیت تصمیم گیری کارگزار ها فراهم کند. به دلیل زیاد بودن حجم اطلاعات ثبت شده، ما به کارگیری تکنیک های داده کاوی ترتیبی را برای آنالیز این اطلاعات و استخراج دانش نهفته از آن ها، پیشنهاد می کنیم. برای این منظور، یک الگوریتم رده بندی ترتیبی برای استخراج الگوهای ترتیبی مثبت و منفی از رفتار گذشته کارگزار پیشنهاد شده است. در این الگوریتم، معیار علاقه مندی “NConf” برای حذف کاندیدای بی اهمیت در نظر گرفته شده است. در روش پیشنهادی، با استفاده از الگوریتمی مشابه یادگیری Q، به تدریج قوانین بر اساس بازخورد دریافتی از محیط بهینه می¬شوند. همچنین از الگوریتم ژنتیک برای بهبود مجموعه قوانین موجود، استفاده نموده ایم. در این پایان نامه، محیط "کارگزار های داد و ستد"Trading Agent Competition (TAC) به عنوان بستر تست انتخاب شده است و کارگزار آگهی ساز این بازی ها را توسط روش پیشنهادی پیاده سازی کرده ایم. میزان تاثیر هر یک از اجزای روش پیشنهادی، و همچنین تاثیر معیارهای کارایی مختلف در میزان موفقیت کارگزار آگهی ساز این محیط، مورد بررسی قرار گرفته است. در پایان نتایج، با سایر الگوریتم‌ها مقایسه و تحلیل شده است. نتایج به دست آمده، نشان می دهند که کارگزار مجهز شده به این روش سود بیشتری، نسبت به کارگزارهای دیگر به دست می آورد تا آنجا که روش استقرایی می تواند در زمینه های دیگر نیز باعث بهبود تصمیم گیری کارگزارها حتی در سیستم های چند کارگزاری شود.
- Abstract
- Intelligent agents and multi-agent systems (MAS) are emerging as a new way of thinking for designing systems that dealing with complexity, distribution and interactivity, and perhaps a new perspective on computing and intelligence. Agents are applied in many real-world domains for modeling a variety of business and technology problems, such as e-commerce, distributed and ubiquitous computing, process management, traffic control, robotics and decision support systems. One of the most important issues in agents is enhancement of their decision making capability and this issue is a major topic among the main research areas in multi-agent systems. In this thesis we propose a sequence classification method based on positive and negative sequential patterns to extract knowledge through analyzing collected log data, and use this knowledge in the decision making and inference mechanisms of agents. The log data describe advertiser agent’s own previous behavior in “TAC/Ad Auction” environment. We have applied a Q-Learning like method to update classifiers’s weights and to assign their credits. In the next stage, a genetic algorithm is discovering new classifiers. We applied proposed method to advertiser agent in TAC/Ad auction game. The experiment results show that the agent equipped with positive and negative sequential classification is superior to the agent equipped with only positive sequential patterns. Furthermore we found that updated credits via our proposed algorithm lead to higher performance. In addition, optimization of rules set brings about better decision.
