Tárgyalások. Intelligens Elosztott Rendszerek BME-MIT, 2018
|
|
- Bertalan Gáspár
- 5 évvel ezelőtt
- Látták:
Átírás
1 Tárgyalások
2 Mechanizmus-tervezés: szociális jóléti függvény (Szavazás) (Aukció) Megegyezés keresése/elérése: Tárgyalás (Érvelés)
3 Megegyezés elérése speciálisan megtervezett tárgyalásos protokollokkal Befagyásmentes legyen Terminálódjon Biztos sikerre vezessen Szociális jólétet maximalizáljon (vagy valami mást?) Pareto-hatékony legyen (nincs olyan más megegyezés, ami legalább egy ágens hasznosságát megnövelne úgy, hogy más ágensek hasznosságát nem csökkenti) Individuális racionális legyen (a protokoll követése ágensek önérdeke (benne lenni jobb)) Stabil (a protokoll meghatározott viselkedésre készteti az ágenseket) Egyszerű (optimális stratégia komplexitása legyen alacsony, kiszámítható) Elosztott (egy egyedi ágens bukása a protokollt ne buktathassa (single point of failure))
4 Tárgyalás komponensei Javaslat halmaz: ágensek által megtehető javaslatok Protokoll: megadja az adott helyzetben legális javaslatok meghatározását Ágensek stratégiái Megegyezés elérésének szabályai (tárgyalás terminálási szabályai) Tárgyalás fajtái Egy tételű Többtételű (javaslatok mennyisége exponenciális, javaslatok összevetése nehéz) 1-1 tárgyalás (tip. többágenses rendszerekben) N-1 N-M
5 Egyszerű 1-1 protokoll (váltakozó javaslatok Rubinstein protokollja) a tárgyalás fordulókban történik, az 1. ágens indít a 0. fordulóban x0 javaslattal, a 2. ágnes ezt vagy elfogadja, vagy elutasítja, ha elfogadja, a megegyezés létrejött és az x0 javaslatot életbe léptetik. máskülönben új forduló következik, ahol most a 2. ágens tesz javaslatot.
6 Egyszerű 1-1 protokoll (váltakozó javaslatok Rubinstein protokollja) lesz-e megegyezés? (folyomatos elutasítás) - ha nincs megegyezés konfliktus Alap feltételezések - a megegyezés hiánya a legrosszabb kimenetel, akármilyen megegyezés jobb, mint semmi, - ágensek hasznosságuk maximalizálására törekednek. Osszuk meg egy tortát! Azaz van egy erőforrás, ami két (x, 1-x) részre osztható (és 1-re összegződik) Tárgyalási javaslat: (x, 1-x) A lehetséges javaslatok halmaza: ( x,1 x): 0 x 1 Mit javasoljunk az 1. ágens nevében?
7 Tegyük fel, csak egy forduló van Ultimátum játék Az 1. ágens teljhatalmú. Ha az 1. ágens (1,0)-át javasol, a 2. ágens számára ez még mindig jobb, mint elutasítani, konfliktussal. A javaslat az 1. ágens számára is a legjobb: Nash-egyensúly(!) Tegyük fel, két forduló van A 2. ágens lesz teljhatalmú. Akármit javasol is az 1. ágens, a 2. ágens ezt elutasítja. Majd a 2. ágens (0,1)-et javasol. A javaslat az 1. ágens számára jobb, mint a konfliktus, és nyílván legjobb a 2. ágens számára is: Nashegyensúly(!) Ugyanaz a helyzet tetszőleges, de fix számú forduló esetében.
8 Tegyük fel, végtelen sok forduló lehet Az 1. ágens stratégiája. Mindig (1,0)-át javasolni és a 2. ágens bármely javaslatát elutasítani. Ha a 2. ágens elutasítja: konfliktus! Akkor inkább el kell fogadnia, és ezt akkor már az első fordulóban érdemes. Pontosabban: akármit is (x,1-x) formában javasol az 1. ágens, az azonnali elfogadása a Nash-egyensúly mindaddig, amíg a 2. ágens tudja az 1. ágens stratégiáját. Nash-egyensúly itt túlzottan gyenge kritérium Vegyük figyelembe az idő múlását! Akármilyen x kimenetelről lenne szó, mindkét ágens ezt nagyobbra értékeli korábban, mint később leszámoltatás Minden ágensnek van leszámoltatási tényezője Minél közelebb áll ez 1-hez, annál türelmesebb egy ágens. Ha egy ágensnek x-et kinálnak, akkor az x tortarész értéke k-ik időpillanatban x, i x, i i x,, ( i ) k x, i 1,2, 0 1 i
9 Egy fordulós tárgyalás még mindig egy ultimátum. Két forduló: a 2. ágens eddigi módon játszhat, de amit kap, most csak 2 -t ér nála. Megkapja az egész tortát, de ez most kevesebbet ér. Az 1. ágens ezt figyelembe veheti: (1-2, 2 )-at javasolva. A 2. ágens jobbat nem kap, ez most a Nash-egyensúly. Általános esetben az 1. ágens azt javasolja, amit a 2. ágens a második fordulóban kikényszeríthet ágens része: 2 2. ágens része: visszafelé indukcióval 1 2 (1 ) 2 1 T = 1 A 2. elutasít. A 2. a folytatásból max. kihozhat: v2(2)-t. Az 1. ágens max. nyeresége, ami ezzel konzisztens: v1(1) = 1-2 v2(2), v2(2) = 1 1 v1(3) Két elutasítás után a játék rekurzive ismétlődik: v1 = 1-2 (1 1 v1) v1 = (1-2 )/(1 1 2 ) v2 = 1-v1 = 2 (1 1 )/(1 1 2 ) Türelmesebb jobban jár! 1 =.9, 2 =.2 v1 =.975 v2 = =.5, 2 =.5 v1 =.666 v2 = =.5, 2 =.666 v1 =.5 v2 =.5
10 Heurisztikus megközelítés Pontos leszámoltatás (ellenfél modell) ismeretlen Értékitélet heurisztikus becslése: - lineáris 1 t Ui( t) 1 ( ), i b, s T - Boulware stratégia (GE vice president Lemuel Boulware) először sokáig kis engedmény, a végén nagyobb a megegyezés halogatása, messze a rezervációs szinttől - Conceder engedmény stratégia nagy engedmény gyorsan (a megegyezés sürgetése), majd sokáig kis engedmény, a rezervációs szint közelében i Offer ( t) RP U ( t)( IP RP ) i i i i i t IP ( RP IP)( ) T i i i i
11 Probability Bayes: prior posterior Negotiation Technologies Nick Jennings
12 Feladat-orientált domén Task Oriented Domain (TOD) Lehetséges feladatok (véges) halmaza Ágenshalmaz Ag 1,2,..., n Egy feladathalmaz végrehajtásának költsége T t1, t2,..., t n c :2 T T, Ag, c Költség-függvény monotón A semmitevés költsége Összeütközés (encounter) TT 1, 2 T1 T2 D1 D2 T T c( T ) c( T ) c( ) 0 T1, T2,..., Tn összeütközésben egy üzlet/(le)osztás (deal) 1 2 a feladatok új kiosztása Egy ágens részére az üzlet haszna: u ( ) c( T ) c( D ) i i i Ha nincs üzlet és mindegyik ágens az ő eredeti feladatát végzi, az un. konfliktus-üzlet ( nincs-üzlet üzlet) D, D TT 1, 2
13 1 2 i 1,2 : u ( ) u ( ) 1 i 2 i 1,2 : u ( ) u ( ) i i 1 i 2 Mások által nem dominált üzlet Pareto-optimális Individuálisan racionális üzlet = a konfliktus-üzletet gyengén dominálja. Legális javaslatok a Pareto-optimális és ind. racionális javaslatok. Hasznosságegység-függetlenség (HEF): ha U mellett az üzlet, de adva az üzlet és U 1u1 i : u ( ) u ( ),...,, kuk uu i i i 1 dominálja 2 Ha a 1 legalább ugyanolyan jó minden ágensre, mint a 2. Van olyan ágens, akinek a 1 jobb, mint a 2. Gyengén dominál, ha csak az 1. igaz. Irreleváns alternatíva függetlensége (IAF): ha adva D, -t üzletet választunk, akkor adva D, D D, D szintén -t választunk (a gyöztes üzlet nem változik, ha a vesztes üzletet kiiktatjuk) Szimmetria: az üzlet u.a., amíg a hasznosságok halmaza u.a., függetlenül attól, hogy mely ágens hasznossága az. i : u ( ) u ( ) i 1 i 2
14 Stratégiai megoldás lehetőségei Pareto-optimális,. de melyik legyen? Pareto-optimális (javaslathalmaz) Lehetséges üzletek Javaslathalmaz Ind. racionális üzletek Konfliktus üzlet Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
15 Stratégiai megoldás lehetőségei Pareto-optimális Egalitáriánus Utilitáriánus Szociális jólét egalitárianus Nash-alku Kalai-Smorodinsky de melyik legyen?
16 Egalitárianus u ( ), E u ( ) u ( ) argmax i i, j i j E i Jose M Vidal Fundamentals of Multiagent Systemswith NetLogo Examples
17 Szociális jólét egalitárianus argmax min u ( ), i i Jose M Vidal Fundamentals of Multiagent Systemswith NetLogo Examples
18 Utilitárianus arg max u ( ) i i Jose M Vidal Fundamentals of Multiagent Systemswith NetLogo Examples
19 Nash-alku arg max u ( ) i i Egyetlen, ami: (1) Pareto-hatékony, (2) HEF, (3) IAF, (4) szimmetrikus Jose M Vidal Fundamentals of Multiagent Systemswith NetLogo Examples
20 Kalai-Smorodinsky Legyen u i * az i ágens maximális haszna, amit a Pareto-határvonalbeli üzletekből hozhat ki. Keressük meg azt az üzletet, ami a - és a (u i *, u j *) pont közötti egyenesen fekszik. Jose M Vidal Fundamentals of Multiagent Systemswith NetLogo Examples
21 Monoton Engedmény Protokoll Fordulók Megegyezés, ha 1. ágens olyan 1 üzletet és 2. ágens olyan 2 üzletet javasol, hogy vagy u 1 ( 2 ) u 1 ( 1 ), vagy u 2 ( 1 ) u 2 ( 2 ), azaz a másik javaslata legalább ilyen jó, mint az enyém Megválasztás: üzlet maximális hasznossággal Ha legális üzletre nincs lehetőség: konfliktus-üzlet 1. i arg max u i ( ) 2. i üzlet javaslata 3. j üzlet ellenjavaslata 4. if u i ( j ) u i ( i ) 5. then j elfogadása 6. else i i, olyan hogy u j ( i ) e + u j ( i ) és u i ( i ) u i ( - ) 7. goto 2.
22 Monoton Engedmény Protokoll Jose M Vidal Fundamentals of Multiagent Systemswith NetLogo Examples
23 Monoton Engedmény Protokoll N-M multilaterális tárgyalás Fordulók 1. Minden ágens előáll a javaslatával k. Mindegyik ágens vagy ragaszkodik a javaslatához, vagy engedményt tesz. Ismétlés megegyezéshez, vagy konfliktus-üzlet beálltáig. Konfliktus-üzlet: a fordulóban senki nem tesz engedményt. Megegyezés: ha egy ágens olyan üzletet javasol, ami mások számára legalább olyan jó, mint a saját javaslatuk.
24 N-M multilaterális engedmény stratégiák Erős engedmény Engedmény, ami mások számára szigorúan előnyösebb. Gyenge engedmény Engedmény, ami mások közül legalább egy számára szigorúan előnyösebb. Pareto engedmény Engedmény, ami mások számára nem rosszabb és közülük egy számára szigorúan előnyösebb. Utilitáriánus engedmény Engedmény, ami mások összjólétét (hasznosságok összegét) növeli. Egalitáriánus engedmény Engedmény, ami növeli mások minimális hasznosságát megnöveli. Nash-engedmény Engedmény, ami mások hasznosságának szorzatát megnöveli. Egocentrikus engedmény Engedmény, ami a javasló szempontjából rosszabb.
25 Monoton Engedmény Protokoll Zeuthen (1930) stratégia Milyen legyen egy jó stratégia? Mit kellene javasolni az első fordulóban? Egy-egy fordulóban kinek kellene engedményeket tennie? Ha egy ágens engedményt tesz, mennyit engedjen?
26 Monoton Engedmény Protokoll Zeuthen (1930) stratégia Milyen lenne egy jó stratégia? Mit kellene javasolni az első fordulóban? Mindenki az ő leginkább preferrált üzletét. Egy-egy fordulóban kinek kellene engedményeket tennie? Annak az ágensnek, aki legkevésbé hajlandó kockáztatni a konfliktust. Ha egy ágens engedményt tesz, mennyit engedjen? Épp annyit, hogy megszünjen ilyennek lenni (azaz a konfliktust legkevésbé kockáztatni hajlandó) Ha kevesebb: újra kell engedményt tennie nem hatékony Ha több hasznosságot pazarol. Az i ágens hajlandósága konfliktust kockáztatni magas, ha: az aktuális javaslata és a konfliktus hasznosság különbsége alacsony (a konfliktussal nem veszít sokat) az aktuális javaslata és az ellenfél javaslata hasznosság különbsége magas (az engedménnyel sokat veszít)
27 Az i ágens hajlandósága konfliktust kockáztatni: risk t i i hasznosságvesztessége, ha j javaslatát elfogadja i hasznosságvesztessége, ha okoz konfliktust t t t ui ( i ) ui ( j ) ui ( j ) 1 t t u ( ) u ( ) i i i i t és 1, ha u ( ) 0 i i Engedményt tevő i ágens: risk t i risk t j Zeuthen stratégia: nem garantálja a szociális jólét maximumát, garantálja a Nash-produktum maximumát, garantáltan terminálódik, az elért megegyezés individuális racionális és Pareto optimális, Nash-egyensúly, ha az ellenfél is ezt használja (stratégia publikus lehet), ismerni kell kölcsönösen a hasznosságok számítását és ha a kockázat azonos?
28 Zeuthen stratégia 1. i arg max u i ( ) 2. i üzlet javaslata 3. j üzlet ellenjavaslata 4. if u i ( j ) u i ( i ) then j elfogadása 5. risk i, risk j számítása 6. if risk i < risk j then i i, olyan hogy risk i ( i ) > risk j goto 2 7. goto 3. Az i ágens hajlandósága konfliktust kockáztatni multilaterális esetben(?): risk t i t t u ( ) min u ( ), j ágensek i i i j t u ( ) i i
29 Zeuthen stratégia risk risk t i t j t 5 j 1 5 t t i 1 t j i Jose M Vidal Fundamentals of Multiagent Systemswith NetLogo Examples
30 Egylépéses tárgyalási stratégia 1 E u ( ) u ( ) u ( ) u ( ) 2 arg max u ( ) 3 4 i E i i j javaslata beérkezése i j i j 5 if u ( ) u ( ) u ( ) u ( ) i j j j i i j i 6 then hiba, j nem követi az előírt stratégiát 7 koordinálás j vel melyik üzletet elfogadni Megjegyzés: Zeuthen stratégia maximálja a Nash-produktumot (i tesz engedményt, ha az üzlete a Nash-produktum maximumától elmarad) risk risk ( ) ( ), ( ) u ( ) u ( ) i j i j i i i j i
31 Hegymászó tárgyalás Jose M Vidal Fundamentals of Multiagent Systemswith NetLogo Examples
32 Feladathozzárendelési probléma - Task Allocation Problem Hasznosság számítása: u ( ) 8 c ( ), u ( ) 8 c ( ) i i j j Üzletek számítása: egyszerre egyetlen egy feladat üzletelése Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
33 Feladathozzárendelési probléma - Task Allocation Problem Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
34 Feladathozzárendelési probléma - Task Allocation Problem Mi van, ha nemigen van egy jó üzlet, amit lehetne javasolni és elfogadásra találni?
35 Feladathozzárendelési probléma - Task Allocation Problem Mi van, ha nemigen van egy jó üzlet, amit lehetne javasolni és elfogadásra találni? Fizetések: (pénzbeli) fizetések bevezetése növeli a lehetséges üzletek választékát (a Vállalkozási Hálók protokoll hajdani igazi oka)
36 Feladathozzárendelési probléma - Task Allocation Problem Fizetések: (Vállalkozási Hálók) - a menedzser egy feladat megoldását vesz és a válalkozók benevezik (költségük alapján) a fizetendő árat, - menedzser választ vállalkozókat (egybevetve a hasznot és a költséget), kiadja a feladatot és fizet. Tegyük fel: Az i ágens számára a pillanatnyi feladathozzárendelés költséges, mert az egyik t feladata (számára) igen drága. Az i hajlandó akár Dc-t is fizetni másnak, hogy a t feladatot átvegye (a feladat átadásával járó hasznosságnyereség erejéig, többet fizetni tiszta veszteség lenne). Az j ágens átveheti a feladatot, ha a fizetés több, mint a feladat végzésével járó hasznosságcsökkenés. c ( s ( )) c ( s ( ) t) nyereség Dc fizetés i i i i c ( s ( )) c ( s ( ) t) Dc veszteség fizetés 0 j j j j
37 Feladathozzárendelési probléma - Task Allocation Problem Fizetés hatása: egyetlen egy üzletből végtelen sok üzletjavaslat jön létre: (eredeti üzlet + fizetés (- + )) Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
38 Feladathozzárendelési probléma - Task Allocation Problem 45 Fizet = Nyer Új domináns üzletek. Melyik legyen? Engedményes protokoll? Milyen megoldás felé? Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
39 Feladathozzárendelési probléma - Task Allocation Problem 1 nem dominálja a 0 -t, a tárgyalás könnyűszerrel a 0 -ban terminálódik, ami pl. nem egy utilitáriánus megoldás. A Vállalkozási Hálók protokoll beszúrása, ami a feladat átvállallását tisztázza, fizetés ellenében, lehetőséget ad egy utilitáriánus megoldás megegyezésére. (nem garantált a költségfüggvény alakjától függ) A c(s) függvény additív költségfüggvény, ha minden feladat-hozzárendelés esetén, a hozzárendelt feladatok összköltsége az egyes feladatok költségösszege. s. s T, c( s) c( t) Tétel: Ha egy additív költségfüggvénnyel rendelkező feladat-hozzárendelési problémában egyszerre egyetlenegy feladat cseréje történik, minden olyan tárgyalási protokoll, ami lehetővé teszi a fizetést és mindig a domináns üzlet felé lép, végeredményben az utilitáriánus megegyezéshez fog konvergálni (2006). ts
40 Feladathozzárendelési probléma - Task Allocation Problem A c(s) függvény additív költségfüggvény, ha minden feladathozzárendelés esetén, a hozzárendelt feladatok összköltsége az egyes feladatok költségösszege. s. s T, c( s) c( t) ts Tétel: Ha egy additív költségfüggvénnyel rendelkező feladat-hozzárendelési problémában egyszerre egyetlen egy feladat csere történik, minden tárgyalási protokoll, ami lehetővé teszi a fizetést és mindig a domináns üzlet felé lép, végeredményben az utilitáriánus megegyezéshez fog konvergálni (2006).
41 Feladathozzárendelési probléma - Task Allocation Problem Minden üzletet a fizetéssel relaxált változata dominálja, 7 -et kivéve. A protokoll ott köt ki. Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
42 Feladathozzárendelési probléma - Task Allocation Problem Üzlettípusok (javaslatnyelvek, üzlet-gráfok): O üzlet (O (original) contract) egy feladat átadása 2 ágens között C-üzlet (C (cluster) contract) legalább 2 feladat átadása 2 ágens között S-üzlet (S (swap) contract) egy-egy feladat kölcsönös átadása M-üzlet (M (multiagent) contract) pontosan 3 feladat átadása 3 ágens között, egy ágens egyetlen egy feladatot adja át, de kaphat kettőt is OCSM-üzlet (combined) Optimális megegyezés elérése tetszőleges (nem additív) költségfüggvény esetében nem garantált (merre megy a hegymászó? Optimum számítása komplexitás!) Ha az üzlet-gráf teljesen összekötött (pl. OCSM-javaslatnyelv mellett), akkor minden protokoll, ami a domináns üzletek sorozatából áll, utilitáriánus megoldást eredményez. (de a domináns üzletek számítási komplexitása!) Pragmatikus cél: a javasolható üzletek számának mérséklése (az üzletek hozzáférhetőségének mérséklése, a gráf élei), de az optimum megegyezés garantálása (még nincsenek eredmények)
43 Feladathozzárendelési probléma - Task Allocation Problem Megegyezés és visszalépés az üzlettől (de-committment), mert: - időközben jobb ajánlatok, - a környezet dinamikájának hatása, - ágens vis major, - Az üzletjavaslatba ágyazott bűntetés csökkenti a rizikót. Lássúk
44 Feladathozzárendelési probléma - Task Allocation Problem = (i, j) 0 = (2, 2) Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
45 Feladathozzárendelési probléma - Task Allocation Problem = (i, j) 1 = (1, 5) Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
46 Feladathozzárendelési probléma - Task Allocation Problem = (i, j) 0 = (2, 2) 1 = (1, 5) j fizet 2-t! 2 = (3, 3) domináns! Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
47 Feladathozzárendelési probléma - Task Allocation Problem Rizikó i számára j részéről: j nem fizet, a feladatot csinálni kell ( 1 ) Rizikó j számára i részéről: j fizet és a feladatot is csinálni kell ( 3 ) Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
48 Feladathozzárendelési probléma - Task Allocation Problem Kisebb a rizikó: az i-nek 4 u.u. jó, mint 0. Az j-nek 5 is jobb. Így a 2 üzlet már nem ilyen eszedelmes. Az üzlet felrugásával bűntetés jár ($1). Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
49 Feladathozzárendelési probléma - Task Allocation Problem Hazudni néha jó tárgyalni fantom feladatokról - feladatot elhallgattatni, - álfeladatot kitalálni. Nash-tárgyalási megoldás a 1, az i-nek nem tetszik. Az i kitalál egy fiktív t 2 feladatot és tárgylásba viszi be. Most a Nash-tárgyalási megoldás a 4. Ezzel az i minden feladatot felvállal, de belőle csak t 1 a valódi. Így magához ragadta a tényleges feladatot, nagyobb hasznossággal. (általános költségfüggvények) Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
50 Feladathozzárendelési probléma - Task Allocation Problem Komplex üzletek Üzlet komponensei: x 1,, x n változók - elosztott korlátozás kielégítés (optimálizálás) -- ágensek nem uralják a változók értékét Pl. Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
51 Feladathozzárendelési probléma - Task Allocation Problem Komplex üzletek Üzletek generálása lokális (mert sok). Engedményes, hegymászó, stb. protokoll leállhat Pareto megoldások előtt. Indulunk a legjobbaktól. Nagy a keresési tér. Azok környezetében módosítünk engedmények érdekében = legfeljebb lokális min. Agenda = tárgyalt dimenziók sorozata Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
52 Feladathozzárendelési probléma - Task Allocation Problem Komplex üzletek tárgyalás közvetítő ágenssel Elmozdulás lokális min-tól globális felé -- szimulált lehűtés algoritmus Kilépés: stabil hasznosságok egyik ágens számára sincs már javulás. Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
53 Feladathozzárendelési probléma - Task Allocation Problem Komplex üzletek tárgyalás közvetítő ágenssel akik a tárgyalásban résztvesznek Hegymászó tárgyaló (Hill Climber) - elfogad rezervációs ára u i (_), majd mindenkori eddigi legjobb elfogadott üzlet felett. Azaz monoton módon növeli a rezervációs árát. Szimulált lehűtő tárgyaló (Annealer) - T hőmérséklet szerint elfogad kis valószínűséggel az eddigi elfogadott legjobb üzletnél rosszabb javaslatot is. P DU exp( ) T Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
54 Feladathozzárendelési probléma - Task Allocation Problem Rezervációs árszintek módosítása üzletek függvényében Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
55 Feladathozzárendelési probléma - Task Allocation Problem Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
56 Feladathozzárendelési probléma - Task Allocation Problem Szimulációk: Mindkettő HC alacsonyabb hasznosság (mindkettő kielégítése) Az A jelenléte mindig növeli a jólétet. Mindkettő A kb. 40% jobb hasznosság. Jólét érdekében hajlandók időnként lemondani Problémák: - random üzletgenerálás kölcsönös ismeret egymás hasznosságáról elvész, - rösszabb üzlet elfogadása irracionális lépés. Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
57 Feladathozzárendelési probléma - Task Allocation Problem Tárgyalási hálók Több ágens szimultán módon tárgyal egymással több üzletet tartalmazó D i üzleti csomagokról. Ágensek üzleti csomagjai nem feltétlenül konzisztensek (benne van a konfliktus üzlet is). A bennük lévő üzletek lehetnek erős kölcsönhatásban (pl. több eladóval tárgyalni ugyanannak a dolgognak eladásáról, visszalépések!). Egy-egy üzleti csomag tárgyaló ágensei a teljes MAS valamilyen részhalmaza. A tárgyalási háló megoldása az üzleti csomagokból (mindegyikéből) merített üzletek olyan halmaza, ahol egy-egy ágensre vonatkozó üzletek konzisztensek egymással. Jose M Vidal Fundamentals of Multiagent Systems with NetLogo Examples
58 Feladathozzárendelési probléma - Task Allocation Problem Érvelés alapú tárgyalás - Szabványos tárgyalási nyelvek még nincsenek (érvelési protokollok, preferencia alapú kommunikációs nyelvek, ) - Benyújtott üzletjavaslat Kritika információ másik hasznossági függvényéről jövőbeli esélytelen javaslatok kiszűrése Ellenjavaslat, erősen korrelált a kritizált javaslattal társult érvelés meggyőzés érdekében Rábeszélés (további információ megadása) Fenyegetés. Jutalmazás, hatásgyakorlás. Ezzel lehetséges pl. megbecsülni az ellenfél hasznosságfüggvényét üzletjavaslatok eliminálása (keresés komplexitása!) befolyásolni ellenfél hasznosságfüggvényét módosítani saját hasznosságfüggvényét
Monoton Engedmény Protokoll N-M multilaterális tárgyalás
Tárgyalások/2 Monoton Engedmény Protokoll N-M multilaterális tárgyalás Fordulók 1. Minden ágens előáll a javaslatával k. Mindegyik ágens vagy ragaszkodik a javaslatához, vagy engedményt tesz. Ismétlés
RészletesebbenMechanizmus-tervezés: szociális jóléti függvény nem kooperatív (versengő) ágensek. A megegyezés keresése és elérése: Tárgyalás (Negotiation)
Tárgyalások/1 Mechanzmus-tervezés: szocáls jólét függvény nem kooperatív (versengő) ágensek (Szavazás (Votng)) (Árverés (Aucton)) A megegyezés keresése és elérése: Tárgyalás (Negotaton) (Érvelés (Argung))
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Racionalitás: a hasznosság és a döntés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenSzavazási protokollok - közös preferencia kialakítása
Szavazási protokollok - közös preferencia kialakítása Szavazás: Társadalmi választás SCF social choice/ wellfare function: Minden ágensnek van saját preferencia listája Agi, ennek alapján el kell jutni
RészletesebbenRasmusen, Eric: Games and Information (Third Edition, Blackwell, 2001)
Játékelmélet szociológusoknak J-1 Bevezetés a játékelméletbe szociológusok számára Ajánlott irodalom: Mészáros József: Játékelmélet (Gondolat, 2003) Filep László: Játékelmélet (Filum, 2001) Csontos László
RészletesebbenKoordinálás és feladatkiosztás aukciókkal 3.rész. Kooperáció és intelligencia, Dobrowiecki, BME-MIT
Koordinálás és feladatkiosztás aukciókkal 3.rész Komplex feladatok kezelése Elemi feladat nem dekomponálható Dekomponálható egyszerű feladat elemi, v. dekomponálható elemi feladatokra, de egyetlen egy
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - csak lokális információra alapozva Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Lokálisan
RészletesebbenMesterséges Intelligencia I. (I602, IB602)
Dr. Jelasity Márk Mesterséges Intelligencia I. (I602, IB602) harmadik (2008. szeptember 15-i) előadásának jegyzete Készítette: Papp Tamás PATLACT.SZE KPM V. HEURISZTIKUS FÜGGVÉNYEK ELŐÁLLÍTÁSA Nagyon fontos
RészletesebbenMikroökonómia I. B. ELTE TáTK Közgazdaságtudományi Tanszék. 12. hét STRATÉGIAI VISELKEDÉS ELEMZÉSE JÁTÉKELMÉLET
MIKROÖKONÓMIA I. B ELTE TáTK Közgazdaságtudományi Tanszék Mikroökonómia I. B STRATÉGIAI VISELKEDÉS ELEMZÉSE JÁTÉKELMÉLET K hegyi Gergely, Horn Dániel, Major Klára Szakmai felel s: K hegyi Gergely 2010.
RészletesebbenJAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN
JAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN Supporting Top-k item exchange recommendations in large online communities Barabás Gábor Nagy Dávid Nemes Tamás Probléma Cserekereskedelem
RészletesebbenSzavazó ágensek: racionális ágensek egyvéleményű közössége /3. Kooperáció és intelligencia, Dobrowiecki, BME-MIT
Szavazó ágensek: racionális ágensek egyvéleményű közössége /3 Hibrid szavazási protokollok és manipulálási komplexitás elmélet Manipulálás szoftver ágensek több veszély, lehetőség - Egyszeri algoritmus
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 6. Előadás Problémaosztályok http://digitus.itk.ppke.hu/~flugi/ Emlékeztető A specifikáció egy előfeltételből és utófeltételből álló leírása a feladatnak Léteznek olyan feladatok,
RészletesebbenProgramozási módszertan. Mohó algoritmusok
PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás
RészletesebbenTovábbi forgalomirányítási és szervezési játékok. 1. Nematomi forgalomirányítási játék
További forgalomirányítási és szervezési játékok 1. Nematomi forgalomirányítási játék A forgalomirányítási játékban adott egy hálózat, ami egy irányított G = (V, E) gráf. A gráfban megengedjük, hogy két
RészletesebbenKétszemélyes játékok Gregorics Tibor Mesterséges intelligencia
Kétszemélyes játékok Kétszemélyes, teljes információjú, véges, determinisztikus,zéró összegű játékok Két játékos lép felváltva adott szabályok szerint, amíg a játszma véget nem ér. Mindkét játékos ismeri
RészletesebbenKereskedési rendszerek kétoldalú szerződésekkel
Kereskedési rendszerek kétoldalú szerződésekkel Fleiner Tamás, Jankó Zsuzsanna, Akihisa Tamura, Alexander Teytelboym 2017. június 16. MOK Fleiner Tamás, Jankó Zsuzsanna, Akihisa Tamura, Kereskedési Alexander
RészletesebbenDiverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 11. Előadás Portfólió probléma Portfólió probléma Portfólió probléma Adott részvények (kötvények,tevékenységek,
RészletesebbenDöntési rendszerek I.
Döntési rendszerek I. SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Készítette: London András 7. Gyakorlat Alapfogalmak A terület alapfogalmai megtalálhatók Pluhár András Döntési rendszerek
RészletesebbenOperációkutatás vizsga
Operációkutatás vizsga A csoport Budapesti Corvinus Egyetem 2007. január 9. Egyéb gyakorló és vizsgaanyagok találhatók a honlapon a Letölthető vizsgasorok, segédanyagok menüpont alatt. OPERÁCIÓKUTATÁS
Részletesebben1. feladat Az egyensúly algoritmus viselkedése: Tekintsük a kétdimenziós Euklideszi teret, mint metrikus teret. A pontok
1. feladat Az egyensúly algoritmus viselkedése: Tekintsük a kétdimenziós Euklideszi teret, mint metrikus teret. A pontok (x, y) valós számpárokból állnak, két (a, b) és (c, d) pontnak a távolsága (a c)
Részletesebben2. Visszalépéses keresés
2. Visszalépéses keresés Visszalépéses keresés A visszalépéses keresés egy olyan KR, amely globális munkaterülete: egy út a startcsúcsból az aktuális csúcsba (az útról leágazó még ki nem próbált élekkel
RészletesebbenDöntési rendszerek I.
Döntési rendszerek I. SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Készítette: London András 8 Gyakorlat Alapfogalmak A terület alapfogalmai megtalálhatók Pluhár András Döntési rendszerek
RészletesebbenKÖZGAZDASÁGTAN I. Készítette: Bíró Anikó, K hegyi Gergely, Major Klára. Szakmai felel s: K hegyi Gergely. 2010. június
KÖZGAZDASÁGTAN I. Készült a TÁMOP-4.1.2-08/2/a/KMR-2009-0041 pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA Közgazdaságtudományi
RészletesebbenNem-kooperatív játékok
Nem-kooperatív játékok Versengő ágensek konfliktusai játékelmélet Cselekvéseivel mások cselekvéseinek hatását befolyásolják. Ettől a cselekvések (mind) várható haszna meg fog változni. A változás az én
Részletesebben1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje
1. Alapfogalmak 1.1. Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt
RészletesebbenNagy Péter: Fortuna szekerén...
Nagy Péter: Fortuna szekerén... tudni: az ész rövid, az akarat gyenge, hogy rá vagyok bízva a vak véletlenre. És makacs reménnyel mégis, mégis hinni, hogy amit csinálok, az nem lehet semmi. (Teller Ede)
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 11. Előadás Halmazkeresések, dinamikus programozás http://digitus.itk.ppke.hu/~flugi/ A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen
Részletesebbenangolul: greedy algorithms, románul: algoritmi greedy
Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város
RészletesebbenRegresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
RészletesebbenKözgazdaságtan I. 11. alkalom
Közgazdaságtan I. 11. alkalom 2018-2019/II. 2019. Április 24. Tóth-Bozó Brigitta Tóth-Bozó Brigitta Általános információk Fogadóóra szerda 13-14, előzetes bejelentkezés szükséges e-mailben! QA218-as szoba
Részletesebben1. Informatikai trendek, ágensek, többágenses rendszerek. Intelligens Elosztott Rendszerek BME-MIT, 2018
1. Informatikai trendek, ágensek, többágenses rendszerek A számítástechnika történetének 5 nagy trendje mindenütt jelenlévő (ubiquity) összekapcsolt (interconnection) intelligens delegált (delegation)
RészletesebbenKeresések Gregorics Tibor Mesterséges intelligencia
Keresések ADAT := kezdeti érték while terminálási feltétel(adat) loop SELECT SZ FROM alkalmazható szabályok ADAT := SZ(ADAT) endloop KR vezérlési szintjei vezérlési stratégia általános modellfüggő heurisztikus
RészletesebbenMIKROÖKONÓMIA - konzultáció - Termelés és piaci szerkezetek
MIKROÖKONÓMIA - konzultáció - Termelés és piaci szerkezetek Révész Sándor reveszsandor.wordpress.com 2011. december 17. Elmélet Termelési függvény Feladatok Parciális termelési függvény Adott a következ
RészletesebbenSapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus
Csíkszereda IRT-. kurzus 3. Előadás: A mohó algoritmus 1 Csíkszereda IRT. kurzus Bevezetés Az eddig tanult algoritmus tipúsok nem alkalmazhatók: A valós problémák nem tiszta klasszikus problémák A problémák
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 8. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenDualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat
RészletesebbenAlgoritmusok bonyolultsága
Algoritmusok bonyolultsága 9. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 18 Közelítő algoritmusok ládapakolás (bin packing) Adott n tárgy (s i tömeggel) és végtelen sok 1 kapacitású láda
RészletesebbenA stratégiák összes kombinációján (X) adjunk meg egy eloszlást (z) Az eloszlás (z) szerint egy megfigyelő választ egy x X-et, ami alapján mindkét
Készítette: Jánki Zoltán Richárd Robert Aumann (1930) Izraeli-amerikai matematikus 1974-ben általánosította a Nash-egyensúlyt 2005-ben közgazdasági Nobel-díjat kapott (kooperatív és nem-kooperatív játékok)
RészletesebbenMegkülönböztetett kiszolgáló routerek az
Megkülönböztetett kiszolgáló routerek az Interneten Megkülönböztetett kiszolgálás A kiszolgáló architektúrák minősége az Interneten: Integrált kiszolgálás (IntServ) Megkülönböztetett kiszolgálás (DiffServ)
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel ha sötétben tapogatózunk Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenÖsszefoglalás és gyakorlás
Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)
RészletesebbenA sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex
A sorozat fogalma Definíció. A természetes számok N halmazán értelmezett függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet a valós számok halmaza, valós számsorozatról beszélünk, mígha az
RészletesebbenVÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak
Vállalkozási VÁLLALATGAZDASÁGTAN II. Tantárgyfelelős: Prof. Dr. Illés B. Csaba Előadó: Dr. Gyenge Balázs Az ökonómiai döntés fogalma Vállalat Környezet Döntések sorozata Jövő jövőre vonatkozik törekszik
RészletesebbenTÁRGYMUTATÓ. Á állam (17, 19, 118, 123, 133, 152, 160, 181) állandó összegő játék/interakció (49, 94)
TÁRGYMUTATÓ A következı alapfogalmakat, amelyek a könyvben túl gyakran fordulnak elı, a tárgymutató nem tartalmazza: csoport, domináns, döntés, döntéshozó, egyensúly, érték, individuális, interakció, játék,
RészletesebbenVálasztási rendszerek axiomatikus elmélete
Választási rendszerek axiomatikus elmélete Boros Zoltán Debreceni Egyetem TTK Matematikai Intézet Analízis Tanszék Matematika Szakkör Megnyitó 2016. szeptember 12. Interaktív demonstráció: fagylalt preferenciák
RészletesebbenMikro- és makroökonómia. Bevezető Szalai László
Mikro- és makroökonómia Bevezető 2017.09.14. Szalai László Általános információk Tantárgy: Mikro- és Makroökonómia (BMEGT30A001) Kurzuskód: C2 (adatlap: www.kgt.bme.hu) Oktató Szalai László Fogadóóra:
RészletesebbenNavigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel
Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal
RészletesebbenMatematika 8. osztály
ELTE Apáczai Csere János Gyakorló Gimnázium és Kollégium Hat évfolyamos Matematika 8. osztály III. rész: Függvények Készítette: Balázs Ádám Budapest, 2018 2. Tartalomjegyzék Tartalomjegyzék III. rész:
RészletesebbenA JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA
A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - lokális információval Pataki Béla Bolgár Bence BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Rugó tervezése
Részletesebben1000 forintos adósságunkat, de csak 600 forintunk van. Egyetlen lehetőségünk, hogy a
A merész játékok stratégiája A következő problémával foglalkozunk: Tegyük fel, hogy feltétlenül ki kell fizetnünk 000 forintos adósságunkat, de csak 600 forintunk van. Egyetlen lehetőségünk, hogy a még
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Keresés ellenséges környezetben Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Ellenség
RészletesebbenSorozatok határértéke SOROZAT FOGALMA, MEGADÁSA, ÁBRÁZOLÁSA; KORLÁTOS ÉS MONOTON SOROZATOK
Sorozatok határértéke SOROZAT FOGALMA, MEGADÁSA, ÁBRÁZOLÁSA; KORLÁTOS ÉS MONOTON SOROZATOK Sorozat fogalma Definíció: Számsorozaton olyan függvényt értünk, amelynek értelmezési tartománya a pozitív egész
RészletesebbenBranch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11.
11. gyakorlat Branch-and-Bound a korlátozás és szétválasztás módszere 1. Az egészértéketű programozás 1.1. Bevezető Bizonyos feladatok modellezése kapcsán előfordulhat olyan eset, hogy a megoldás során
RészletesebbenNem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
RészletesebbenKéprekonstrukció 9. előadás
Képrekonstrukció 9. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem hv-konvex összefüggő halmazok Mag-burok-szerű rekonstrukció: S. Brunetti, A. Del Lungo, F.
Részletesebben2. Visszalépéses stratégia
2. Visszalépéses stratégia A visszalépéses keres rendszer olyan KR, amely globális munkaterülete: út a startcsúcsból az aktuális csúcsba (ezen kívül a még ki nem próbált élek nyilvántartása) keresés szabályai:
RészletesebbenBrósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Számelmélet I.
Számelmélet I. DEFINÍCIÓ: (Osztó, többszörös) Ha egy a szám felírható egy b szám és egy másik egész szám szorzataként, akkor a b számot az a osztójának, az a számot a b többszörösének nevezzük. Megjegyzés:
RészletesebbenNemlineáris programozás 2.
Optimumszámítás Nemlineáris programozás 2. Többváltozós optimalizálás feltételek mellett. Lagrange-feladatok. Nemlineáris programozás. A Kuhn-Tucker feltételek. Konvex programozás. Sydsaeter-Hammond: 18.1-5,
RészletesebbenMegerősítéses tanulás 7. előadás
Megerősítéses tanulás 7. előadás 1 Ismétlés: TD becslés s t -ben stratégia szerint lépek! a t, r t, s t+1 TD becslés: tulajdonképpen ezt mintavételezzük: 2 Akcióértékelő függvény számolása TD-vel még mindig
RészletesebbenCsercsik Dávid ITK PPKE. Csercsik Dávid (ITK PPKE) Játékelmélet és hálózati alkalmazásai 4. ea 1 / 21
Játékelmélet és hálózati alkalmazásai 4. ea Csercsik Dávid ITK PPKE Csercsik Dávid (ITK PPKE) Játékelmélet és hálózati alkalmazásai 4. ea 1 / 21 1 Nash bargaining 2 Kooperatív játékok TU CFF játékok tulajdonságai
RészletesebbenA mérlegterv nem más, mint a tervidőszak utolsó napjára vonatkozóan összeállított mérleg, amely a vállalat vagyonát mutatja be kétféle vetületben,
A mérlegterv nem más, mint a tervidőszak utolsó napjára vonatkozóan összeállított mérleg, amely a vállalat vagyonát mutatja be kétféle vetületben, pénzértékben. Az üzleti terv-részek nem tartalmaznak olyan
Részletesebbenü ü ü Í ű ű Í ű Í ü ű ü ü Í ü ü ü Í ű ü Í Í É É Á Á Á Í ü Á Á Á É Á ű Á Á Á Á Á É Á Í Á Á Á Í É É Á Ú Á Á Ú Á Á Ü Á É ü Ö Ú ű É ü ü ü ü Í ü ü ü ü Í ü Í ű ű ü ű ü ű ü ű ű ű ű ü ü ü ű ű ű ű ü ű Í ü ü ű ü
Részletesebbenú É ú ú ú ú ú ú ú ú ű ű ú ú ú Í ű Í ű ű ú ú ú ú Í ú ú É Í Ő Í Í É Í ű ú ű ú ú ű ú ú ű ú ú ú ű ú Ó ú ú ű É É ű ű ű ú ű ű ű ú ű ú Í ú Í ú ű ű ű ú ű É ú ű ú ű ű ű ű ú ú ú Í ű ű ú ű ú ú ú ú ú ű ú Í ű ú ú ű
Részletesebbení ú ü ú Ú É ü ú ú Ú í Ú É É í Ú í í ú ú í Ú ú ú í í í ú ú í Ú É í ű ü í í í í í í ü ü í ü ü Ú Ő ü ü í Ö ű í Ú Ü ü ü í ü í Ú í Ü ü Ü í í í ü Ö Ü ű ú Ü ű ú ü ü í í Ú Ú ű í ü í í Ü ü í ű í ű É ú ű ü ú í ú
RészletesebbenÍ Ü Ő Ő Ő Á Ó ó Á Ó Ú Á Á Á Á Ö Á Í Ü Á Á Í Ú ú ö Í Í ö ö ó ó ú ó ó ú ö ö Á Á Á ú ó ű ö ó ú ó ü ö ű ú Á ó ö Á ö ú ó ó ó ó ó ú ü ó ó ó ö Á ó ű ó ú Í Á ó ó Í Í ü Í ö ö ü Í ó ó ó Á ö Á ö ö ö Í ö ú Í ű ű ú
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - alapok Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Valószínűségi
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenN-személyes játékok. Bársony Alex
N-személyes játékok Bársony Alex Előszó Neumann János és Oskar Morgenstern Racionális osztozkodás törvényeinek tanulmányozása Játékosok egy tetszőleges csoportjának ereje Nem 3 személyes sakk Definíció
RészletesebbenV. Kétszemélyes játékok
Teljes információjú, véges, zéró összegű kétszemélyes játékok V. Kétszemélyes játékok Két játékos lép felváltva adott szabályok szerint. Mindkét játékos ismeri a maga és az ellenfele összes választási
RészletesebbenSZÁMÍTÁSTUDOMÁNY ALAPJAI
SZÁMÍTÁSTUDOMÁNY ALAPJAI INBGM0101-17 Előadó: Dr. Mihálydeák Tamás Sándor Gyakorlatvezető: Kovács Zita 2017/2018. I. félév 2. gyakorlat Az alábbi összefüggések közül melyek érvényesek minden A, B halmaz
RészletesebbenVálogatott fejezetek a közlekedésgazdaságtanból
Válogatott fejezetek a közlekedésgazdaságtanból 2. Választási modellek Levelező tagozat 2015 ősz Készítette: Prileszky István http://www.sze.hu/~prile Fogalmak Választási modellek célja: annak megjósolása,
RészletesebbenOpkut deníciók és tételek
Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét
RészletesebbenGépi tanulás a gyakorlatban. Lineáris regresszió
Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
RészletesebbenDiszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 3. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Relációk Diszkrét matematika I. középszint 2014.
RészletesebbenMEZŐGAZDASÁGI ÁRAK ÉS PIACOK
MEZŐGAZDASÁGI ÁRAK ÉS PIACOK Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az
RészletesebbenA digitális számítás elmélete
A digitális számítás elmélete 8. előadás ápr. 16. Turing gépek és nyelvtanok A nyelvosztályok áttekintése Turing gépek és a természetes számokon értelmezett függvények Áttekintés Dominó Bizonyítások: L
RészletesebbenPIACI SZERKEZETEK BMEGT30A hét, 1. óra: Differenciált termékes Bertrand-oligopólium
PIACI SZERKEZETEK BMEGT30A104 8. hét, 1. óra: Differenciált termékes Bertrand-oligopólium PRN: 10. fejezet 2019.04.01. 10:15 QAF14 Kupcsik Réka (kupcsikr@kgt.bme.hu) Emlékeztető Bertrand-modell: árverseny
RészletesebbenÁltalános algoritmustervezési módszerek
Általános algoritmustervezési módszerek Ebben a részben arra mutatunk példát, hogy miként használhatóak olyan általános algoritmustervezési módszerek mint a dinamikus programozás és a korlátozás és szétválasztás
RészletesebbenBeruházási és finanszírozási döntések
Beruházási és finanszírozási döntések Dr. Farkas Szilveszter PhD, egyetemi docens BGF, PSZK, Pénzügy Intézeti Tanszék farkas.szilveszter@pszfb.bgf.hu, http://dr.farkasszilveszter.hu Tematika és tananyag
RészletesebbenA JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA
A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
RészletesebbenEgyüttműködés versengés közepette - koordinálás és feladatkiosztás árveréssel/1
Együttműködés versengés közepette - koordinálás és feladatkiosztás árveréssel/ Miért éppen árverés? ismeretlen értékű dolgok értékesítése automatizálható csökkenti a tárgyalás komplexitását kedvező a számítógépes
RészletesebbenProblémamegoldás kereséssel. Mesterséges intelligencia március 7.
Problémamegoldás kereséssel Mesterséges intelligencia 2014. március 7. Bevezetés Problémamegoldó ágens Kívánt állapotba vezető cselekvéseket keres Probléma megfogalmazása Megoldás megfogalmazása Keresési
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Kényszerkielégítési problémák (Constraint Satisfaction Problem, CSP) http://mialmanach.mit.bme.hu/aima/ch05 Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki
RészletesebbenApproximációs algoritmusok
Approximációs algoritmusok Nehéz (pl. NP teljes) problémák optimális megoldásának meghatározására nem tudunk (garantáltan) polinom idejű algoritmust adni. Lehetőségek: -exponenciális futási idejű algoritmus
RészletesebbenGenetikus algoritmusok
Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu
Részletesebben13. Tanulás elosztott rendszerekben/1. Intelligens Elosztott Rendszerek BME-MIT, 2017
13. Tanulás elosztott rendszerekben/1 (Egyedi ágens) tanulásáról röviden Célja: javulás (feladavégzésben), adaptalódás, robusztusság (környezet), kompenzálás, hibatürés (ismerethiány, meghibasodás) Miből:
Részletesebben2014. szeptember 24. és 26. Dr. Vincze Szilvia
2014. szeptember 24. és 26. Dr. Vincze Szilvia Mind a hétköznapi, mind a tudományos életben gyakran előfordul, hogy bizonyos halmazok elemei között kapcsolat figyelhető meg. A kapcsolat fogalmának matematikai
Részletesebben2015/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2015/2016-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Egy példa Adott két TV csatorna (N1, N2), melyek 100 millió nézőért versenyeznek.
RészletesebbenMesterséges intelligencia 2. laborgyakorlat
Mesterséges intelligencia 2. laborgyakorlat Keresési módszerek A legtöbb feladatot meg lehet határozni keresési feladatként: egy ún. állapottérben, amely tartalmazza az összes lehetséges állapotot fogjuk
RészletesebbenMikroökonómia I. B. ELTE TáTK Közgazdaságtudományi Tanszék. 8. hét TERMÉKPIACI EGYENSÚLY VERSENYZŽI ÁGAZATBAN
MIKROÖKONÓMIA I. B ELTE TáTK Közgazdaságtudományi Tanszék Mikroökonómia I. B TERMÉKPIACI EGYENSÚLY VERSENYZŽI ÁGAZATBAN K hegyi Gergely, Horn Dániel, Major Klára Szakmai felel s: K hegyi Gergely 2010.
RészletesebbenKözgazdasági elméletek. Dr. Karajz Sándor Gazdaságelméleti Intézet
Közgazdasági elméletek Dr. Karajz Sándor Gazdaságelméleti 3. Előadás A karakterisztikai elmélet Bizonytalan körülmények közötti választás A karakterisztikai elmélet Hagyományos modell a fogyasztó különböző
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
RészletesebbenGráfelmélet/Diszkrét Matematika MSc hallgatók számára. 3. Előadás
Gráfelmélet/Diszkrét Matematika MSc hallgatók számára 3. Előadás Előadó: Hajnal Péter Jegyzetelő: Pék Máté 2009. szeptember 21. 1. Folyamok 1.1. Definíció. G = (V, E, K, B) irányított gráf, ha e! v : ekv
RészletesebbenKooperáció és intelligencia kis HF-ok/ Kooperáció és intelligencia, Dobrowiecki T., BME-MIT 1
Kooperáció és intelligencia kis HF-ok/ 2015 Kooperáció és intelligencia, Dobrowiecki T., BME-MIT 1 Kis HF-1: Elosztott következtetés (modell-keresés) 3 db. logikailag következtető (KA1..3) ágens dolgozik
Részletesebben