진화계산 기반 인공에이전트를 이용한 교섭게임 :Bargaining Game using Artificial agent based on Evolution Computation

성명호

추천

검색

자료유형: 학위논문

저자정보: 성명호 (공주대학교, 공주대학교 대학원)

지도교수: 이상용

발행연도: 2016

저작권: 공주대학교 논문은 저작권에 의해 보호받습니다.

이용수8

이 논문의 연구 히스토리 (2)

2016

진화계산 기반 인공에이전트를 이용한 교섭게임

성명호 컴퓨터공 2016.01 학위논문

진화계산 기반 인공에이전트를 이용한 교섭게임

성명호 , 이상용 디지털융복합연구 2016.01 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

에이전트 기반 모델은 시스템 전체에 미치는 에이전트들의 영향을 평가하기 위해 자율 에이전트의 행동 및 상호 작용을 시뮬레이션 하는 계산 모델 종류 중 하나이다. 이러한 에이전트 모델은 게임 이론, 복잡 시스템, 창발적 현상, 전산 사회학, 멀티 에이전트 시스템 및 진화 연산의 요소를 결합한다.
근래에, 진화 연산을 활용한 교섭 게임의 분석은 게임 이론 분야에서 중요한 문제로 다루어지고 있다. 이 논문은 교섭 게임에서 진화 연산을 사용하여 이기종 인공 에이전트 간의 상호 작용 및 공진화 과정을 조사하였다. 특히, 에이전트들 간의 상호 작용 및 공진화를 통해 획득하는 보수에 관한 게임 성능을 연구하였다. 본 논문에서는 교섭게임에 참여하는 진화전략 에이전트들로서 유전자 알고리즘 (GA), 입자군집최적화( PSO ) 및 차분진화알고리즘 (DE) 3종류를 사용하였다. 그리고 알고리즘 변수를 변화하였을 때 에이전트의 성능이 어떻게 변하는지도 조사하였다. 이러한 실험을 통해 상대적으로 성능이 우수한 에이전트를 찾아내고 왜 성능이 우수한지 그 이유에 대해 논의하였다. 이 연구는 또한 단일 게임과 순차 게임 결과를 관찰하여 구별되는 특징을 비교하였다. 시뮬레이션 결과로부터 다음과 같은 내용들을 발견하였다.
첫째, 제어 변수를 변경하면서 인공에이전트의 성능을 보수 측면에서 관찰하였다. 시뮬레이션 결과, GA-agent와 PSO-agent의 제어 변수가 DE-agent의 제어변수에 비해 성능에 더 영향을 많이 끼친다는 사실을 발견하였는데, 이는 GA-agent의 교차 및 변이 확률과 PSO-agent의 최대 속도 및 중간 변수의 값이 성능에 영향을 많이 끼치는 반면에 DE-agent의 변이확률 및 계수들은 성능에 영향을 거의 끼치지 않는다는 것이었다.
둘째, GA-agent, PSO-agent 및 DE-agent의 3가지 인공 에이전트들 간의 공진화 실험을 통해 교섭게임에서 3가지 진화계산 에이전트 중에 가장 성능이 우수한 진화 계산 알고리즘이 무엇인지 확인하였다. 시뮬레이션 실험결과, PSO-agent가 가장 성능이 우수하고 그 다음이 GA-agent이며 DE-agent가 가장 성능이 좋지 않다는 것을 확인하였다.
PSO-agent가 교섭게임에서 성능이 가장 우수한 이유를 이해하기 위해서 게임 완료 후 인공 에이전트 전략들을 관찰하였다. PSO-agent는 거래 실패로 인해 보수를 얻지 못하는 것을 감수하고서라도 가급적 많은 보수를 얻기 위한 방향으로 진화하였다는 것을 확인하였으며, 반면에 GA-agent와 DE-agent는 소량의 보수를 얻더라도 거래를 성공시키는 방향으로 진화하였다는 것을 확인하였다. 관찰한 결과, 입자군집최적화는 거래가 성사되지 않더라도 많은 재화를 획득하려는 배짱형, 유전알고리즘은 현실 세계와 같은 상대 맞춤형 전략 및 차분진화는 내쉬 이론처럼 약간의 손해를 감수하고서라도 거래 성사 전략을 구사한다는 결론을 내렸다.

Agent-based model is one of the type calculation model for simulating the behavior and interaction of autonomous agents to assess the effects of agents on the overall system. It combine elements of game theory, emergence, complex systems, multi-agent systems, computational sociology, and evolutionary computation.
In recent years, the analysis of a game utilizing the negotiation evolutionary computation is dealt as an important problem in game theory. The paper interactions and coevolution process between heterogeneous artificial agents was investigated using the evolutionary game in the negotiation. In particular, research was the performance of the game on the premium that obtained through the interaction between the agent and coevolution. We present three kinds of evolving-strategic agents participating in the bargaining game; genetic algorithm (GA), differential evolution (DE) and particle swarm optimization (PSO). And how the map changes in the agent''s performance changes when the algorithm parameters were investigated. We discuss about the agents that show better performance and the reason thereof. The study also remarks the distinguishing features of one-shot and sequential game, and their performances. From the simulation results it is found as follows.
Firstly, while changing the control variables were observed in the performance of the artificial agent conservative side. The simulation results, GA-agent and PSO-agent control were variable found that compared with the control variables of DE-agent exerts much more influence on the performance, which up to the GA-agent crossover and mutation probability and PSO-agent of variation coefficients of the probability and DE-agent, on the other hand the value of the intermediate variable speed and damaging a lot of impact on the performance was not are not substantially affect the performance.
Secondly, it determines what GA-agent, PSO-agent DE-agent 3 kinds of artificial agents and the excellent performance of the three evolutionary computation evolutionary computation algorithms bargaining agent in the game through the coevolution between the two experiments. Simulation results, PSO-agent is the most excellent performance and then it was confirmed that the GA-agent DE-agent is not good the best performance.
PSO-agent after completion of the game in order to understand why the best performance was observed in the negotiation of an artificial agent strategy game. PSO-agent success deal was confirmed that the evolution was the direction for obtaining the expense of not getting compensation because of failed trades and profusely as much maintenance, even get the GA-agent and DE-agent small amount of maintenance, on the other hand It was evolved in the direction of finding that.

Ⅰ. 서론 1
1.1 연구 배경 및 목적 1
1.2 논문의 구성 4
Ⅱ. 관련연구 5
2.1 게임이론 (Game theory) 5
2.1.1 게임이론의 역사 7
2.1.2 게임의 형태 10
2.1.3 게임의 분류 12
2.1.4 교섭게임 (Bargaining game) 15
2.2 인공에이전트 (Artificial agent) 16
2.2.1 인공지능 (Artificial Intelligence) 17
2.2.2 다중 에이전트 (Multi-agent) 20
2.3 진화계산 (Evolution computation) 21
2.3.1 유전알고리즘 (Genetic algorithms, GA) 21
2.3.2 입자군집최적화 (Particle swarm optimization, PSO) 25
2.3.3 차분진화알고리즘 (Differential evolution, DE) 27
Ⅲ. 인공에이전트를 이용한 교섭게임 30
3.1 인공에이전트 전략표현 30
3.2 유전알고리즘 기반 인공에이전트 (GA-agent) 31
3.3 입자군집최적화 기반 인공에이전트 (PSO-agent) 33
3.4 차분진화알고리즘 기반 인공에이전트 (DE-agent) 36
3.5 공진화 39
Ⅳ. 실험 및 고찰 43
4.1 실험 환경 43
4.2 단일 인공에이전트 실험 44
4.2.1 GA-agent 44
4.2.2 PSO-agent 44
4.2.3 DE-agent 45
4.3 인공에이전트들 간의 공진화 실험 46
4.3.1 GA-agent 대 PSO-agent 47
4.3.2 GA-agent 대 DE-agent 51
4.3.3 PSO-agent 대 DE-agent 55
4.4 고찰 60
Ⅴ. 결 론 62
참고문헌 64

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)