Simulação de um mercado de agentes racionais numa perspectiva de inteligência colectiva

Abstract

Neste trabalho foi implementado um modelo utilizando o paradigma de programação multi-agente. O modelo multi-agente que será implementado é o proposto por Garrido (2010c). Estabeleceram-se dois critérios com o objectivo de avaliar o comportamento dos agentes no contexto da sociedade colectiva artificial. O primeiro critério verifica-se todos os agentes possuem um nível de riqueza igual ou superior a um valor mínimo de subsistência. O segundo critério verifica-se o somatório total da riqueza cresce ao longo do tempo. Neste contexto entende-se por riqueza a quantidade de produtos de consumo na posse dos agentes. Os objectivos deste trabalho passam por averiguar em que medida são cumpridos os critérios de avaliação comportamental dos agentes no modelo com a funcionalidade racionalidade acrescida. O algoritmo escolhido para dotar os agentes de racionalidade é o single Q do Reinforcement Learning. Escolheu-se um algoritmo de Reinforcement Learning porque o Reinforcement Learning é conhecido por aproximar a aprendizagem humana à computacional. Estudou-se o modelo desprovido de racionalidade e com racionalidade. No que diz respeito à racionalidade averiguou-se a influência da exploração do ambiente, o modo como os agentes adquirem a informação e o modo como descontam o seu futuro. Conclui-se que o algoritmo single Q-learning nao garante o cumprimento dos critérios.

In this work one describes the implementation of a model based on a multi-agent system (MAS). The multi-agent model that will be implemented was proposed by Garrido (2010c). The implemented model has two essential criteria of agent's behaviour: | The system has the basic objective of making available to its members a level of wealth exceeding a subsistence minimum. It has also the objective of increasing the collective wealth over the time. The main objective of this work was endow agents with rationality to the agents and investigate to what extent this in uences the satisfaction of behaviour's criteria of the model. The algorithm chosen to endow the agents with rationality is the single Q of Reinforcement Learning. Reinforcement Learning algorithm was chosen because Reinforcement Learning is known to approximate human learning. Two platforms were used to implement the model: | LSD and ScicosLab. Both were evaluated and ScicosLab was preferred. The model devoid of rationality and the model with rationality were studied. With regard to rationality, the in uence of the exploitation of the environment and the in uence of learning rate and discount factor of agents, were tested. We conclude that the Reinforcement Learning Q-learning algorithm does not guarantee compliance with the criteria.