Studying the impact of negotiation environments on negotiation teams' performance
Universidad Politécnica de Valencia(瓦伦西亚理工大学)
在这篇文章中,我们研究了谈判环境的影响,对性能的几个团队内的策略(团队动态)为基础的谈判团队与对手谈判。基于代理的谈判团队是一组代理,它们作为一方加入,因为它们在谈判中有共同的利益。实验表明,谈判环境条件,如双方的最后期限,对手的让步速度,团队成员之间的相似性,和团队规模如何影响性能指标,如团队成员的最小效用,团队成员的平均效用,和谈判轮数。我们的目标是确定哪些团队内部策略在不同的环境条件下更好地工作,以便为团队成员提供有用的知识,根据环境条件选择合适的团队内部策略。
2016-04-16 cs.AI cs.MA
Towards General Negotiation Strategies with End-to-End Reinforcement Learning
Leiden University(莱顿大学);Delft University of Technology(代尔夫特理工大学);RWTH Aachen University(亚琛工业大学)
针对传统谈判策略泛化性差、现有强化学习方法处理维度变动存在局限的问题,提出基于图表示与图神经网络的端到端强化学习方法,实现了在未知谈判问题中的有效谈判,拓展了强化学习在谈判智能体领域的应用。
2024-06-21 cs.LG cs.MA
Automated Peer-to-peer Negotiation for Energy Contract Settlements in Residential Cooperatives
The University of Melbourne(墨尔本大学);Centrum Wiskunde & Informatica(荷兰国家数学与计算机科学研究所);Utrecht University(乌得勒支大学)
本文提出了一种自动化的点对点谈判策略解决能源合同之间的Prosumer在住宅能源合作社考虑异质性Prosumer的偏好。这种异质性源于产消者通过多种社会和环境标准对能源合同的评估,以及产消者对这些标准的私人偏好。产消者与同行进行双边谈判,共同商定定期能源合同/贷款,包括在该期间交换的能源量和所交换能源的返回时间。谈判的产消者通过一个共同的谈判域,包括潜在的能源合同和评估这些合同从他们的估值对所需的标准对效用函数,是强大的发电和需求的不确定性。从重复的互动中,产消者逐渐了解其同行在达成更接近纳什解的能源合同方面的兼容性。在多个系统尺度上对实际需求、发电和存储配置文件进行的实证评估表明,与基线策略和代表现状策略的个体灵活性控制策略相比,所提出的基于协商的策略可以提高系统效率(以功利社会福利衡量)和公平性(以纳什社会福利衡量)。因此,我们从点对点的灵活性交换中获得系统利益,而无需任何中央协调和市场运营商,提供了一个简单而灵活有效的范例,补充了现有的市场。
2019-11-26 cs.AI cs.MA
An Autonomous Negotiating Agent Framework with Reinforcement Learning Based Strategies and Adaptive Strategy Switching Mechanism
NEC Corporation(日本电气股份有限公司)
尽管文献中有大量的谈判策略,但自动谈判的复杂性使得单个策略在不同的谈判场景中无法占主导地位。为了克服这一点,一种方法是使用混合专家模型,但同时,这种方法的一个问题是专家的选择,因为这种方法受到所选择的专家的能力的限制。大多数谈判策略的另一个问题是它们不能适应对手在单个谈判会话中的行为的动态变化,从而导致性能不佳。这项工作侧重于两个,解决专家选择和适应对手的行为与我们的自主谈判代理框架的问题。该框架允许对手的行为的实时分类,并提供了一种机制,选择,切换或组合策略在一个单一的谈判会话。此外,我们的框架有一个审查员组件,使自我增强的能力,决定包括新的战略或更换旧的更好的战略定期。我们通过使用基于深度学习的对手分类器实现基于最大熵强化学习的策略来演示我们的框架的实例。最后,我们评估我们的代理对国家的最先进的谈判者在不同的谈判场景下的性能。
2021-02-09 cs.AI cs.MA
Learnable Strategies for Bilateral Agent Negotiation over Multiple Issues
Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
我们提出了一种新的双边谈判模型,允许一个自私的代理学习如何在用户偏好的不确定性存在的多个问题进行谈判。该模型依赖于可解释的策略模板,代表代理在谈判过程中应该采用的策略,并学习模板参数,以最大限度地提高在多次谈判中收到的平均效用,从而导致最佳的投标接受和生成。我们的模型还使用深度强化学习来评估阈值效用值,用于那些需要它们的策略,从而为每个环境状态导出最佳效用。为了处理用户偏好的不确定性,该模型依赖于一个随机搜索,以找到最符合给定的部分偏好配置文件的用户模型。多目标优化和多标准决策方法应用于谈判时间,以产生帕累托最优结果,从而增加成功(双赢)谈判的数量。严格的实验评估表明,代理采用我们的模型优于获奖代理的第10届自动谈判代理竞争(ANAC'19)的个人以及社会福利效用。
2022-01-07 cs.AI cs.MA
Intra-Team Strategies for Teams Negotiating Against Competitor, Matchers, and Conceders
Universitat Politècnica de València(瓦伦西亚理工大学);Delft University of Technology(代尔夫特理工大学)
在某些情况下,一群人可能需要作为谈判团队一起谈判,对抗另一方。与两个人之间的双边谈判不同,这种类型的谈判需要谈判团队采用团队内策略,以便做出团队决策并相应地与对手进行谈判。在开放的环境中,谈判对手的谈判策略和行为可能会有所不同,因此能够成功地与异质对手进行谈判至关重要。虽然一个对手可能会合作并随着时间的推移而让步,但另一个对手可能不会让步。本文分析了最近提出的团队内的策略,谈判团队对不同类别的对手:竞争对手,匹配,和让步的性能。此外,它还为双边谈判团队提供了谈判工具Genius的扩展。因此,这项工作促进了谈判团队的研究。
2016-04-16 cs.AI cs.GT cs.MA
Energy Contract Settlements through Automated Negotiation in Residential Cooperatives
本文提出了一种自动对等(P2P)协商解决能源合同之间的Prosumer在住宅能源合作社(REC)考虑异构Prosumer的偏好。这种异质性源于产消者通过多种社会和环境标准对能源合同的评估,以及产消者对这些标准的私人偏好。产消者与同行进行双边谈判,共同商定定期能源合同/贷款,包括在该期间交换的能源量和所交换能源的返回时间。产消者通过对合同的评估来保持对可能的能源合同的有序偏好,并迭代地向同行提供合同,直到达成协议。产消者将估值嵌入效用函数,进一步考虑需求和发电配置文件所带来的不确定性。对实际需求、发电量和存储量的实证分析表明,与基线策略和个体灵活性控制策略相比,基于协商的策略能够提高系统效率(以效用社会福利衡量)和公平性(以纳什社会福利衡量).因此,我们得出系统的好处,P2P的灵活性交换已经很少代理,没有中央协调,提供了一个简单而灵活和有效的范例,可以补充现有的市场。
2018-10-23 cs.MA
Negotiation Strategies for Agents with Ordinal Preferences
本研究针对序数偏好下的智能体双边谈判,分析交替报价协议在完全信息与无信息等不同设定下的策略与均衡,拓展了序数偏好谈判的理论研究。
2018-05-02 cs.GT cs.MA
ChargingBoul: A Competitive Negotiating Agent with Novel Opponent Modeling
Joe Shymanski(独立研究者)
ChargingBoul通过平衡让步与对手建模,在自动化谈判竞赛中取得优异成绩,展示了其在多策略对手环境中的高效谈判能力。
2025-12-06 cs.AI cs.MA
A Deep Reinforcement Learning Approach to Concurrent Bilateral Negotiation
Royal Holloway, University of London(伦敦大学皇家霍洛威学院);King Saud University(沙特国王大学)
我们提出了一种新的谈判模型,允许代理学习如何在未知的和动态的电子市场中进行双边谈判。该代理使用具有无模型强化学习的演员-评论家架构来学习表示为深度神经网络的策略。我们通过综合市场数据的监督来预训练策略,从而减少谈判过程中学习所需的探索时间。因此,我们可以建立自动代理的并发谈判,可以适应不同的电子市场设置,而不需要预先编程。我们的实验评估表明,我们的深度强化学习为基础的代理优于现有的两个众所周知的谈判策略,在一对多的并发双边谈判的电子市场设置的范围。
2020-02-03 cs.AI cs.MA
The Automated but Risky Game: Modeling and Benchmarking Agent-to-Agent Negotiations and Transactions in Consumer Markets
Stanford University(斯坦福大学);University of Toronto(多伦多大学);Google DeepMind(谷歌DeepMind);University of Southern California(南加州大学);Massachusetts Institute of Technology(麻省理工学院)
本文构建实验框架评测多种LLM智能体在消费者市场全自动谈判与交易中的表现,发现不同智能体为用户争取的结果差异显著,且LLM行为异常可导致双方财务损失,提示用户应谨慎委托AI进行商业决策。
2025-09-20 cs.AI cs.CL cs.CY
Automated Configuration and Usage of Strategy Portfolios for Bargaining
讨价还价可以用来解决多智能体系统中的混合动机博弈问题。尽管在自动谈判代理中实现了大量的谈判策略,但大多数代理都基于单一的固定策略,而人们普遍认为,没有一个最佳的策略适用于所有谈判环境。在本文中,我们专注于讨价还价的对手反复遇到的设置,但讨价还价的问题发生变化。我们引入了一种新颖的方法,该方法使用训练集自动创建和部署互补谈判策略组合,并通过按设置策略选择来优化前所未有的讨价还价设置中的回报。我们的方法依赖于以下贡献。我们引入了一个功能表示,捕捉对手和讨价还价的问题的特点。我们在谈判过程中根据对手的行动对对手的行为进行建模,这表明了对手的谈判策略,以便在未来的遭遇战中更加有效。我们结合基于特征的方法推广到新的谈判环境,因为在实践中,随着时间的推移,它在未来的遭遇中选择有效的对策。我们的方法在ANAC类锦标赛中进行了测试,我们表明我们有能力赢得这样的锦标赛,与亚军代理相比,收益增加了5.6%。
2022-12-20 cs.MA
Dialogue Diplomats: An End-to-End Multi-Agent Reinforcement Learning System for Automated Conflict Resolution and Consensus Building
School of Computing and Engineering(计算与工程学院);College of Engineering(工程学院);University of Wollongong(沃灵顿大学)
Dialogue Diplomats通过端到端多智能体强化学习框架,结合分层共识网络、渐进谈判协议和上下文感知奖励机制,实现复杂环境中的自动化冲突解决与共识构建。
2025-11-20 cs.AI cs.MA
Using utility graphs to search for Pareto-optimal outcomes in complex, interdependent issue negotiations
CWI, The Netherlands National Research Center for Mathematics & Computer Science(荷兰国家数学与计算机科学研究中心);Eindhoven University of Technology (TU/e)(埃因霍温理工大学);Massachusetts Institute of Technology (MIT), Center for Collective Intelligence(麻省理工学院集体智能中心);School of Collective Intelligence, UM6P (University Mohammed VI Polytechnic)(UM6P(穆罕默德六世polytechnic大学)集体智能学院)
本文提出基于效用图分解的算法,在复杂相互依赖谈判中高效搜索帕累托最优结果,实现指数级加速,并连接了偏好 elicitation 研究。
2025-10-09 cs.MA
A Negotiating Strategy for a Hybrid Goal Function in Multilateral Negotiation
在各种多代理协商设置中,协商者的效用部分地或完全地取决于协商者的效用的总和(即,社会福利)。虽然需要有效的谈判代理设计,考虑到社会福利已被承认在最近的工作,甚至建立了自动谈判代理竞争的一个类别,很少有设计已经提出了日期。在本文中,我们介绍了代理HerbT+的设计原则和广泛评估的结果,HerbT+是一种谈判代理,旨在最大化个人和社会福利之间的线性权衡。我们的评估框架依赖于自动谈判代理人竞争(ANAC),并包括与2015-2018年期间提交的前15名代理人的绩效进行全面比较,这些代理人是基于涉及63名代理人的谈判提交给这些竞争的。我们发现,除了少数几个小的例外,当社会福利在代理的目标函数中起着重要的作用,我们的代理优于所有其他的测试设计。
2022-01-11 cs.MA
Deep Learnable Strategy Templates for Multi-Issue Bilateral Negotiation
我们研究如何利用策略模板的概念来学习多议题双边谈判策略。每个策略模板由一组可解释的参数化策略组成,用于在任何时候决定最佳行动。我们在整个行动者-批评者架构中使用深度强化学习来估计阈值效用的策略参数值,何时接受报价以及如何生成新的出价。这与现有的工作,只估计这些策略的阈值效用。我们通过使用“教师策略”收集的数据集进行监督来预训练策略,从而减少谈判过程中学习所需的探索时间。因此,我们建立自动代理多问题的谈判,可以适应不同的谈判域,而不需要预先编程。我们的经验表明,我们的工作优于国家的最先进的个人以及社会效率方面。
2022-01-07 cs.MA
New Mechanism for Multiagent Extensible Negotiations
多智能体协商机制建议原来的解决方案,通常的问题解决方法是不合适的几个问题。协商模型主要是基于Agent之间的消息交互。Agent相互作用,以达成解决特定问题的协议。在这项工作中,我们研究了一个新的变种的谈判,这还没有在现有的作品。这种协商形式被称为可扩展协商。与当前的协商模型相比,这种形式的协商允许代理动态地扩展正在协商的项目集。该设施提供了更多的可接受的解决方案,为代理人在他们的谈判。扩大谈判空间的好处是肯定为代理人达成新的协议提供更多的便利,而这些协议是使用通常的谈判方法无法达成的。本文提出了协议和策略所使用的代理来处理这样的谈判。
2014-02-17 cs.MA
Agent Based Negotiation using Cloud - an Approach in E-Commerce
云计算允许基于订阅访问计算。它还允许通过互联网提供存储服务。自动协商是电子商务中多Agent系统的一个新兴的、重要的研究领域。为了提高电子商务谈判的效率,需要基于多Agent的谈判系统。云计算为用户数据提供了安全性和隐私性,并降低了维护成本。我们提出了一个使用云的谈判系统。在这个系统中,所有的产品信息和多个代理商的详细信息都存储在云端。双方通过云选择代理商进行协商。代理人充当谈判代表。代理拥有用户详细信息及其对特定产品的要求。代理商根据用户的需求,就价格、数量、工期、质量等问题进行谈判,谈判完成后,代理商向用户反馈谈判是否成功。该协商系统是动态的,并且随着参与用户的增加而增加代理。
2013-11-25 cs.MA
[COMP25] The Automated Negotiating Agents Competition (ANAC) 2025 Challenges and Results
Delft University of Technology(代尔夫特理工大学);Centrum Wiskunde & Informatica (CWI)(数学与计算机科学中心);Eindhoven University of Technology(埃因霍温理工大学);Utrecht University(乌得勒支大学);Tokyo University of Agriculture and Technology(东京农工大学);National Institute for Advanced Industrial Science and Technology(产业技术综合研究所);Leiden University(莱顿大学);NEC Corporation(日本电气株式会社)
本文介绍了ANAC 2025竞赛中的主要研究挑战和关键发现,重点探讨多交易谈判和复杂供应链管理环境中并发谈判代理的发展,分析竞赛结果并提出未来方向。
2026-04-15 cs.MA
Intelligent Agent for Prediction in E- Negotiation: An Approach
随着网络技术的发展,传统的协商定价机制的自动化和智能化变得越来越重要。代表人类进行谈判的软件代理的行为是由其决策函数形式的策略决定的。谈判中伙伴行为的预测是近年来一个活跃的研究方向,因为它可以提高自适应谈判代理的效用增益,并且可以更快地达成协议或获得更高的收益。在本文中,我们回顾了各种谈判方法和现有的架构。虽然谈判实际上是非常复杂的活动,自动化没有人的干预,我们提出了架构,预测对手的行为,将考虑到各种因素,影响谈判的过程。其基本概念是,谈判者的信息,他们的个人行动和动态可以使用的软件代理配备自适应能力,从过去的谈判中学习,并协助选择适当的谈判策略。
2013-11-25 cs.MA
Unanimously acceptable agreements for negotiation teams in unpredictable domains
Universitat Politècnica de València(瓦伦西亚理工大学);Delft University of Technology(代尔夫特理工大学)
谈判团队是一组具有共同偏好且可能相互冲突的代理人,形成谈判的一方。一个谈判团队同时参与两个决策过程,一个是与对手的谈判,另一个是决定谈判中行动的团队内部过程。这篇文章的重点是谈判团队决策的情况下,需要团队决策的一致性。现有的基于代理的方法只能保证团队在完全由可预测和兼容的问题组成的域中进行谈判的一致性。本文提出了一个模型,谈判团队,保证一致的团队决策域组成的可预测的和兼容的,也不可预测的问题。此外,本文还探讨了使用对手模型和团队成员模型对团队成员提出策略的影响。实验结果表明,如果团队成员采用贝叶斯学习来建模他们的队友的偏好,团队受益。
2016-04-16 cs.AI cs.GT cs.MA
Belief-Desire-Intention (BDI) Multi-agent System for Cloud Marketplace Negotiation
Twitter, Inc.(推特公司)
随着云计算的发展,越来越多的大型企业将其基础设施和工作负载扩展到公共云中。提出了一个基于信念-愿望-意图(BDI)多Agent的云资源云市场系统的完整框架。云市场系统中的每一方都支持BDI代理进行自主决策和协商,以促进资源的自动购买和销售。此外,来自竞争相同云资源的企业的多个BDI代理可以经由主协商交换所彼此协商,以在协商云资源时最小化企业的总体成本函数。云市场系统进一步增强了代理的行为规范和信誉指数的分配,以促进他们之间的信任。
2022-06-16 cs.AI cs.DC cs.MA
An Agent-based Cloud Service Negotiation in Hybrid Cloud Computing
随着云计算发展的到来,大型组织已经将内部IT基础设施扩展到云。虽然这是一种流行的做法,但它缺乏全面的努力来研究云客户和提供商之间的资源自动协商方面。本文提出了一个完整的框架,多方,多问题的协商系统的云资源。它引入了一个强大的云市场系统来购买和销售云资源。基于BDI模型的云客户和供应商代理同时就多个问题进行谈判,追求基于时间和资源的动态截止日期算法的混合策略来生成报价和还价。基于云市场的系统被进一步增强,为代理分配行为规范分数和信誉指数,以建立它们之间的信任。
2020-06-16 cs.DC cs.MA cs.NI
Targeted Data Acquisition for Evolving Negotiation Agents
Stanford University(斯坦福大学)
成功的谈判者必须学会如何平衡自我利益和合作的最优化。然而,目前的人工谈判代理通常严重依赖于他们训练的静态数据集的质量,限制了他们在平衡自身利益和合作方面做出适应性反应的能力。因此,我们发现这些代理人可以实现高效用或合作,但不能两者兼而有之。为了解决这个问题,我们引入了一个有针对性的数据采集框架,在这个框架中,我们使用来自专家Oracle的注释来指导强化学习代理的探索。引导探索激励学习代理超越其静态数据集并开发新的谈判策略。我们表明,这使我们的代理商,以获得更高的回报和更多的帕累托最优的解决方案时,谈判与模拟和人类的合作伙伴相比,标准的监督学习和强化学习方法。当将使用我们的目标数据采集框架的代理与使用监督学习和强化学习的混合训练的代理变体进行比较时,或者与使用定制奖励函数的代理进行比较时,这种趋势也是成立的,这些奖励函数明确优化了效用和帕累托最优性。
2021-06-16 cs.AI cs.CL cs.MA
Agent Madoff: A Heuristic-Based Negotiation Agent For The Diplomacy Strategy Game
在本文中,我们介绍了代理麦道夫的策略,这是一个基于谈判的代理,在自动谈判代理竞赛(ANAC 2017)中获得第二名。代理麦道夫是实现玩游戏外交,这是一个战略棋盘游戏,模仿第一次世界大战期间的情况。每个玩家代表一个主要的欧洲大国,必须与其他势力谈判,并赢得地图上大多数供应中心的所有权。我们提出了一个设计架构,其中包括3个组件:启发式模块,接受策略和投标策略。启发式模块负责评估图上哪些区域更有价值,考虑区域的类型和与该区域相邻的供应中心的数量,并返回地图上每个区域的效用值。接受策略是根据订单的类型,通过使用复合函数计算接受概率,在个案基础上完成的。投标策略采用防御性方法,旨在中和攻击并解决与其他参与者的冲突,以最大限度地减少我们在供应中心的损失。
2019-02-19 cs.MA
Game-theoretic LLM: Agent Workflow for Negotiation Games
Rutgers University(罗格斯大学);University of California, Santa Barbara(加州大学圣巴巴拉分校);University of Southern California(南加州大学);University of South Florida(南佛罗里达大学);Harvard University(哈佛大学);Institute of Computing Technology(计算技术研究所)
本文研究LLMs在博弈论决策中的理性局限,提出多种博弈论工作流以指导其推理,显著提升了模型在谈判等任务中识别最优策略、实现近最优分配及抗剥削的鲁棒性,并探讨了智能体采用该工作流的元战略问题。
2024-11-12 cs.AI cs.CL cs.GT
Diversity Without Fidelity: A Solver-Sampler Mismatch in Multi-Agent LLM Negotiation Simulation
研究指出推理增强模型在模拟行为时可能表现不佳,通过三个多智能体谈判环境实验发现,有界推理能产生更多样且妥协导向的轨迹,强调模拟应将模型视为采样器而非求解器。
2026-07-09 cs.AI cs.CY cs.LG
Agent Capability Negotiation and Binding Protocol (ACNBP)
Security Researcher(安全研究员);OWASP;Adversarial AI Security reSearch (A2RS)(对抗性AI安全研究);Intuit
针对异构多智能体协作中传统协议适用性受限的问题,提出集成ANS基础设施、含10步流程与协议扩展机制的ACNBP框架,经安全分析与场景验证,可实现安全高效可验证的智能体交互。
2025-06-16 cs.AI cs.CR cs.MA
SCARCE: Emergent Institutions in Long-Horizon Multi-Agent Coding Systems
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);ELLIS Institute Tübingen(蒂宾根 ELLS 研究所);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);Tübingen AI Center(蒂宾根人工智能中心)
研究提出SCARCE框架,分析多智能体在编码任务中协商共享计算资源的行为,发现智能体自发形成非正式制度,且前沿模型的制度性行为更多,为多智能体系统安全审计提供受控环境。
2026-10-20 cs.AI cs.MA
Curiosity-Aware Bargaining
Kyriba;Université Pierre et Marie Curie(皮埃尔和玛丽·居里大学);Université de Reims Champagne Ardennes(兰斯香槟阿登大学)
对手建模包括对代理的策略或偏好进行建模,这要归功于它提供的数据。在自动化谈判和机器学习的背景下,它可以产生压倒性的优势,以至于它可能会限制一些临时代理成为谈判过程的一部分。我们有资格作为“好奇”的代理人的谈判的愿望,以收集信息和改善其对手的模型驱动。然而,在自动协商中,基于好奇心的理性协议和好奇心-鲁棒协议还没有被研究。在本文中,我们依靠机制设计提出了三个扩展的标准讨价还价协议,限制信息泄漏。这些扩展是由一个增强的合理性模型,认为交换信息的支持。并对它们进行了理论分析和实验评价。
2016-12-30 cs.AI cs.MA
The Power of Stories: Narrative Priming Shapes How LLM Agents Collaborate and Compete
Department of Data Science and its Applications, German Research Center for Artificial Intelligence (DFKI)(数据科学及其应用系,德国人工智能研究中心(DFKI));Department of Computer Science, University of Kaiserslautern–Landau (RPTU)(计算机科学系,凯撒斯劳滕-兰道大学(RPTU));Department of Language Science and Technology, Saarland University(语言科学与技术系,萨尔兰大学)
本文通过有限重复公共物品博弈实验发现,基于故事的叙事启动能显著影响 LLM 智能体的合作与竞争策略,共同叙事促进合作,而不同叙事使自利倾向智能体占优,对多智能体系统设计和 AI 对齐具有启示。
2025-05-08 cs.AI cs.CL cs.MA
Complexity Reduction in the Negotiation of New Lexical Conventions
University of Bordeaux(波尔多大学);INRIA Bordeaux Sud-Ouest(法国国家信息与自动化研究所波尔多西南中心);Ensta ParisTech(巴黎高等科技学院);SONY Computer Science Lab(索尼计算机科学实验室);Sapienza University of Rome(罗马第一大学);Complexity Science Hub Vienna (CSHV)(维也纳复杂科学中心)
在一个群体中为新概念集体发明新词的过程中,冲突可能很快以同义词和同音词的形式出现。记住所有这些可能会消耗太多的内存,记住太少可能会减慢整个过程。有没有一种有效的行为可以帮助平衡这两者?该博弈是一个多智能体计算模型的语言出现,专注于协商新的词汇公约,其中一个共同的词汇自组织,但通过一个阶段的高度复杂性。以前的工作已经完成了控制复杂性增长在这个特定的模型,通过允许代理人主动选择他们谈论什么。然而,这些战略依赖于高度依赖于参数微调的临时战略。我们在这里定义了一个新的原则措施和一个新的战略,基于每个代理人对人口的全球状态的信念。这种方法不依赖于大量的计算,在认知上是合理的。新的策略产生了一个有效的控制复杂性的增长,以及更快的协议过程。此外,我们表明,短期记忆是足够的,以建立有关的信念,全球性的词汇。
2018-05-17 cs.CL cs.MA cs.SI
Deep Learning Based Proactive Multi-Objective Eco-Routing Strategies for Connected and Automated Vehicles
Laboratory of Innovations in Transportation (LiTrans)(交通创新实验室);Ryerson University(瑞尔森大学)
本研究利用信息和通信技术(ICT)、互联和自动驾驶车辆(CAV)以及传感技术的进步,制定积极主动的多目标生态路由策略。为了一个强大的应用程序,几个温室气体成本核算方法进行了审查。利用带有外生预测因子的长短期记忆深度网络建立了链路级流量和排放状态的预测模型。结果发现,积极主动的路由策略优于近视的策略,无论路由目标。无论是短视还是前瞻性的,多目标路由,旅行时间和温室气体最小化为目标,优于单目标路由策略,导致平均旅行时间(TT),平均车辆行驶公里数(VKT),总温室气体和总氮氧化物分别减少了17%,21%,18%和20%。最后,网络中车辆经历的额外TT和VKT对网络中产生的GHG和NOx的量产生了不利影响。
2020-12-27 cs.AI cs.LG cs.MA
Strategic Negotiations in Endogenous Network Formation
本文研究内生网络形成中任意子集智能体可策略性歪曲信念的问题,提出求解全部纳什均衡的高效算法,并设计新智能体学习策略性信息的算法,在模拟与国际贸易数据上验证了多策略性智能体带来的复杂效用变化。
2024-09-03 cs.GT cs.MA math.OC
MoCaNA, un agent de n{é}gociation automatique utilisant la recherche arborescente de Monte-Carlo
自动谈判是人工智能研究领域的一个新兴课题。蒙特卡罗方法得到了越来越多的兴趣,特别是因为他们已经成功地用于高分支因子的游戏,如go.In本文中,我们描述了一个蒙特卡罗谈判代理(MoCaNA),其投标策略依赖于蒙特卡罗树搜索。我们为我们的代理提供对手建模技术,用于投标策略和实用程序。MoCaNA可以在连续协商域上进行协商,并且在没有指定边界的上下文中进行协商。我们面对MoCaNA和ANAC 2014的决赛选手和RandomWalker在不同的谈判领域。我们的代理在没有约束的域中优于RandomWalker,在有约束的域中优于大多数ANAC决赛选手。
2018-10-16 cs.MA
SPIO: Ensemble and Selective Strategies via LLM-Based Multi-Agent Planning in Automated Data Science
Enhans;Peking University(北京大学);Yale University(耶鲁大学)
SPIO通过基于LLM的多智能体规划,在自动化数据科学中实现了集成与选择策略,提升了流程的灵活性和准确性。
2026-01-07 cs.AI cs.CL cs.LG
Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market
University of Bristol(布里斯托大学);Tokyo Institute of Technology(东京工业大学)
针对适应市场变化的自动交易策略设计,将其构建为非平稳连续武装强盗问题,提出基于贝叶斯优化与“bandit-over-bandit”框架的PRBO算法,在BSE模拟中利润显著优于PRSH且超参数更少。
2023-06-26 cs.LG cs.MA
Human-Agent Decision-making: Combining Theory and Practice
Bar-Ilan University(巴伊兰大学)
在博弈论和逻辑学中进行了大量的工作来模拟战略互动。一个重要的问题是,我们是否可以使用这些理论来设计与人互动的代理?一方面,它们为代理策略提供了正式的设计规范。另一方面,人们并不一定坚持按照这些策略进行游戏,他们的行为受到许多社会和心理因素的影响。在本文中,我们将考虑的问题,是否策略行为理论所暗示的策略可以使用的自动代理人,熟练地与人互动。我们将专注于我们构建的自动化代理,这些代理需要在两种谈判环境中与人互动:讨价还价和商议。对于讨价还价,我们将研究基于博弈论的均衡代理,对于论证,我们将讨论基于逻辑的论证理论。我们还将考虑安全游戏和说服游戏,并将讨论使用基于均衡的代理的好处。
2016-06-24 cs.AI cs.GT cs.MA
Evaluation of Coordination Strategies for Underground Automated Vehicle Fleets in Mixed Traffic
Center for Applied Autonomous Sensor Systems (AASS)(应用自主传感器系统中心);Örebro University(奥雷布罗大学)
本研究评估地下混合交通中AV车队协调策略,提出路径重叠密度指标,发现协调策略与隧道特征共同影响系统性能,地图特征优化效率,自适应协调保障安全。
2025-04-27 cs.HC cs.MA cs.RO
Time Matters: Exploring the Effects of Urgency and Reaction Speed in Automated Traders
我们考虑在模拟金融市场中的自动交易策略的时间问题,包含一个单一的交易所与公共限价订单簿和连续的双重拍卖匹配。特别是,我们探讨了两个影响:(i)反应速度-交易策略计算对市场事件的反应所需的时间;(ii)交易紧迫性-交易策略对临近截止日期的敏感性。许多关于交易代理的文献只关注优化定价策略,而忽略了时间的影响,而现实世界的市场继续经历着零延迟的竞争,因为自动交易系统竞争快速获取信息并在市场上领先于其他系统。我们证明,建模反应速度可以显着改变以前发表的结果,与简单的策略,如SHVR优于更复杂的自适应算法,如AA。我们还表明,为ZIP交易者(ZIP-Pace或ZIPP)添加速度参数可以产生紧迫感,从而显着提高盈利能力。
2021-02-28 cs.CE cs.MA q-fin.CP
LFC: Combining Autonomous Agents and Automated Planning in the Multi-Agent Programming Contest
2019年多智能体编程竞赛引入了一个新的场景,即智能体组装,两个智能体团队在2D网格中移动,并竞争组装复杂的块结构。在本文中,我们描述了我们的团队所使用的策略,使我们在比赛中获得第一名。我们的策略解决了2019年竞赛中的一些主要挑战:如何在智能体只能访问本地视觉而没有全局坐标的情况下探索和构建地图;如何在地图上有效移动,即使有动态事件可以改变网格中的单元格;以及如何组装和提交复杂的块结构,因为对手可能会试图破坏我们。为了实现我们的策略,我们使用多智能体系统开发平台JaCaMo来编程我们的代理和快速向下规划器来规划代理在网格中的运动。我们还提供了一个简短的讨论,我们在比赛中的比赛,并给我们的分析,我们的团队如何在每场比赛中表现。
2020-06-04 cs.MA
Evaluation of Automated Vehicles Encountering Pedestrians at Unsignalized Crossings
University of Michigan(密歇根大学)
本文提出了一种评估自动驾驶车辆在无信号交叉口与行人互动安全性和可行性的新方法,通过分析数据和模拟行人反应,验证了自动驾驶策略的有效性。
2017-03-28 cs.MA cs.RO cs.SY