Yazar
Arslan, Furkan
Basım Tarihi
2022-06-06T04:18:43Z
Konu
Derin öğrenme, Deep learning, Kümülatif teklif süreci, Cumulative offer process, Makine öğrenmesi, Machine learning, Yapay sinir ağları, Artificial neural networks, Çok ajanlı sistemler, Multiagent systems, Çok taraflı pazarlık, Multilateral bargaining
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
a3b650ef-e739-4d63-8601-872b70e1a0bf
Lokasyon
Bilgisayar Bilimleri Bölümü
Tarih
2022-06-06T04:18:43Z
Örnek Metin
Etkili ve akıllı bir teklif verme stratejisi tasarlamak, yazılım aracılarının çıkar çatışması olduğunda karşılıklı bir anlaşmaya varmak için birbirleriyle pazarlık yaptığı otomatik müzakeredeki en zorlayıcı araştırma zorluklarından biridir. Bu tez, elle hazırlanmış bir karar verme modülü tasarlamak yerine, ikili müzakerede ne sunulacağını öğrenen, aktör-eleştirmen takviyeli öğrenme yaklaşımını benimseyen yeni bir teklif verme stratejisi önermektedir. Teklif problemine \acrfull{sac} adı verilen bir entropi takviyeli öğrenme çerçevesi uygulanır ve önceki teklif değişimlerine ve kalan süreye dayalı olarak gelen teklifin hedef faydasını belirleyen modeli eğitmek için kendi kendine oynama yaklaşımı kullanılır. Ayrıca öğrenme sürecini hızlandırmak için davranış klonlama adı verilen taklit öğrenme yaklaşımı benimsenmektedir. Ayrıca, sadece aracının kendi faydasını değil aynı zamanda müzakerenin sonunda rakibin faydasını da alan yeni bir ödül fonksiyonu tanıtılmıştır. Geliştirilen ajan ampirik olarak değerlendirilir. Bu nedenle, farklı alanlardan seçilen, boyut ve muhalefet açısından farklılık gösteren çeşitli rakiplere karşı çok sayıda müzakere oturumu yürütülür. Temsilcinin performansı rakipleriyle ve aynı rakiplerle pazarlık yapan temel temsilcilerin performansıyla karşılaştırılır. Ampirik sonuçlar, temsilcimizin, rakip veya etki alanı hakkında önceden herhangi bir ön bilgiye ihtiyaç duymadan, farklı müzakere senaryolarında zorlu rakiplere karşı başarılı bir şekilde müzakere ettiğini göstermektedir. Ayrıca, başarılı müzakereler sonunda alınan hizmet konusunda temel aracılardan daha iyi sonuçlar elde etmektedir. Bir çıkar çatışması olduğunda yazılım araçlarının karşılıklı bir anlaşma başlatma amacıyla açılması için etkili ve akıllı bir teklif stratejisi tasarlamak otomatik müzakeredeki en zorlayıcı araştırma güçlüklerinden biridir. Bu tezde, elle hazırlanmış bir karar verme modülü tasarlamak yerine, ikili bir müzakerede hangi teklifin sunulacağını öğrenen bir aktör-eleştirme takviyeli öğrenme stratejisini benimseyen yeni bir teklif stratejisi önerilmiştir. Teklif verme yaklaşımı için Soft Actor-Critic (SAC) adı verilen bir entropi pekiştirmeli öğrenme yaklaşımı kullanıldı. Önceki teklif değişimlerine ve kalan süreye dayalı olarak gelecek teklifin hedef değerinin belirlenmesi SAC modelinin eğitilmesi için bir kendi kendine konuşma yaklaşımı kullanılır. Ayrıca, öğrenme sürecini hızlandırmak için davranış klonlama adı verilen bir taklit öğrenme yaklaşımı benimsenmiştir. Bunlara ek olarak, müzakerenin sonunda yalnızca temsilcinin aldığı teklif değeri değil, aynı zamanda rakibin teklif değerinde de kullanan yeni bir performans ortaya çıktı. Bu tez kapsamındaki SAC ajanı ampirik olarak değerlendirildi. Bu amaçla, boyut ve zorluk bakımından farklı bölgelerde seçilmiş çeşitli muhaliflere karşı çok sayıda satış kayıtları yürütüldü. Ajanın performansı rakipleriyle ve aynı rakiplerle rekabet eden temel ajanların performansıyla test edildi. Ampirik sonuçlar, temsilcimizin, rakip veya alan hakkında mevcut herhangi bir bilgi gerektirmeden farklı pazar senaryolarında zorlu rakiplere karşı başarılı bir şekilde gösterileri görülüyor. Ayrıca başarılı satış sürecinde alınan teklif değeri göz önünde bulundurulduğunda temel araçlardan daha iyi sonuçlar elde etmektedir.
