Details

Autor(en) / Beteiligte

• Eberling, Markus
• Kleine Büning, Hans
• Rammig, Franz Josef

Titel

Multi-criteria cooperation in multiagent systems by local adaptation [Elektronische Ressource]

Erscheinungsjahr

2011

Link zum Volltext

• Hochschulschriften Visual Library - Scan2Web Hochschulschriften UB Paderborn (s2w-hsspadubpb)
• Volltext

  kostenfrei

Link zu anderen Inhalten

• Volltext

Beschreibungen/Notizen

• Tag der Verteidigung: 15.07.2011
• Paderborn, Univ., Diss., 2011
• Open Access
• ger: Kooperation in Multiagentensystemen (MAS) ist noch immer eine Herausforderung. Agenten werden erstellt um rational zu handeln, was oft Eigennützigkeit bedeutet, da Agenten unterschiedliche Präferenzen über Umgebungszustände und/oder Aktionen haben können. Dies kann insbesondere der Fall sein, wenn Agenten von unterschiedlichen Herstellern mit unterschiedlichen Zielen erstellt wurden. In einem solchen Fall kann ein Agent sich nicht mehr darauf verlassen, Kooperation von anderen Agenten zu bekommen, wenn diese nötig wird. Sozialwissenschaftler haben herausgefunden, dass kooperatives Verhalten besonders zwischen sich ähnelnden Personen auftritt bezüglich ihrer Ideologie, ihrem äußeren Erscheinungsbild oder gleichen Meinungen. In dieser Arbeit werden wir ein MAS vorstellen, in dem die Agenten Aufgaben zu erledigen haben, die aus kleineren Unteraufgaben bestehen, die bestimmte Fähigkeiten verlangen. Da jeder Agent nur mit einer Teilmenge der möglichen Fähigkeiten ausgestattet ist, sind die Agenten oft auf Kooperation angewiesen um die ihnen zugewiesenen Aufgaben zu erledigen. Die Agenten vergleichen sich untereinander auf der Basis von abstrakten Bewertungsvektoren. Bei hinreichender, lokaler Ähnlichkeit wird ein Agent mit einem um Hilfe fragenden Agenten kooperieren. Wenn ein Agent nicht zu der lokal besten Gruppe an Agenten gehört - das bedeutet, die beste Gruppe unter den Nachbarn in einem Agentennetzwerk - dann ist der Agent unzufrieden und passt sich an eine Menge an Vorbildern aus seiner Nachbarschaft an. Diese Adaptation wird durch eine Verschiebung des aktuellen Bewertungsvektors in Richtung der Bewertungsvektoren der Vorbilder realisiert. Wir werden zeigen, dass dieses neue, lokale, adaptionsbasierte Lernverfahren zu hohen Kooperationsraten führt.
• eng: Cooperation in multiagent systems (MAS) is still a challenge. Agents are designed to behave rationally which often means selfish, as different agents may have different preferences over environment states and/or actions. In particular, this is the case if different parties with contrary goals design the agents of a multiagent system. In such systems, the agents cannot rely on receiving cooperation, if cooperation is needed to archive a specific goal. Social scientists have investigated that cooperative behavior likely occurs between similar persons with respect to ideology, look or shared opinions. We will consider a MAS where agents have to fulfill jobs constructed of smaller tasks, which require specific skills. As each agent is only equipped with a subset of all possible skills, cooperation is often needed to fulfill the jobs that are allocated to the agents. Agents will compare themselves based on rating-vectors. If the similarity is sufficient from the individual agent's view, an agent will provide its help to a requesting agent. If the agent does not belong to a local set of best performing agents, i.e. compared to its neighbors in a social network graph, the agent is unsatisfied and adapts itself to a set of ideal agents from its neighborhood. The adaptation is a movement of its current rating-vector into the direction of the rating-vectors of some role model agents. We show that this novel local adaptation-based learning algorithm produces high rates of cooperation.