A novel adaptive agent-based algorithm to find mixed Nash equilibrium in static games

Farimani, Fateme Daburi; Yektay, Navid; Mashhadi, Habib Rajabi

doi:10.1109/iraniancee.2013.6599547

Cited by 3 publications

(2 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Some efforts are made to improve the practice feasibility of a mixed Nash equilibrium, for instance, doing economical experiment(2007, Bloomfield) [4] , exploring the relationship between the decision analysis and game theory (2007, Binsbergen) [5] , using diagrammatic methods for two-person non-zero-sum game (2008, Magirou) [6] , by decision trees (2013,Cobb) [3] ,the immune algorithm (2010, Cheheltaniand Ebadzadeh) [7] ,honey bees foraging optimization (2011, Navidi, Ayanzadeh and Mousavi ) [8] ,adaptive agent-based algorithm (2013, Farimani, Yektay and Mashhadi) [9] , heuristic-meta algorithm (2014, Mohtadi and Nogondarian) [10] .These heuristic or evolutionary methods are helpful to compute the mixed Nash equilibria faster by computer. But it is still hard for people randomize their mixed Nash equilibrium strategies.…”

Section: Introductionmentioning

confidence: 99%

Penalty Game with Mission Success Rates and Randomizing Mixed Nash Equilibrium Strategies-Based on Monte Carlo Simulation

Gong¹,

Niu²,

Yuan³

et al. 2017

Proceedings of the 2017 2nd International Conference on Modelling, Simulation and Applied Mathematics (MSAM2017)

View full text Add to dashboard Cite

Abstract-This article aims at improving the practice feasibility of game theory for the couches and athletes in a football penalty game. Firstly, some mission success rates are introduced to the penalty game to depict the technical uncertainty. Secondly, direction strategies are digitalized in order to be randomized later by Matlab. Lastly, Monte Carlo(MC) simulation is adopted to randomize the players' direction strategies, according to the probability distribution of a mixed Nash equilibrium.

show abstract

Section: Introductionmentioning

confidence: 99%

Penalty Game with Mission Success Rates and Randomizing Mixed Nash Equilibrium Strategies-Based on Monte Carlo Simulation

Gong¹,

Niu²,

Yuan³

et al. 2017

Proceedings of the 2017 2nd International Conference on Modelling, Simulation and Applied Mathematics (MSAM2017)

View full text Add to dashboard Cite

show abstract

“…Agentes inteligentes são sistemas capazes de, autonomamente, perceber e modificar o ambiente no qual estão inseridos, buscando alcançar o melhor resultado, ou, quando existe incerteza, o melhor resultado esperado [1]. A ideia inicial de agentes de software foi proposta em meados de 1950 por John MacCarthy [2], e, desde então, foi possível observar o crescimento da sua aplicação nas mais diversas áreas, tais como Smart Grid [3], comércio eletrônico [4], jogos [5], sistemas de recomendações [6], sistemas de detecção de intrusão [7], controle de tráfego [8], controle de tráfego aéreo [9], educação a distância [10], monitoramento de pacientes [11], robótica [12], entre outras. Mesmo com toda essa ampla aplicabilidade, testar a eficiência de sistemas baseados em agentes não tem sido uma tarefa fácil.…”

Section: Introductionunclassified

Sistemas imunológicos artificiais no teste de agentes inteligentes

Carneiro

Silva

Rabêlo

et al. 2015

Revista Brasileira De Computação Aplicada

View full text Add to dashboard Cite

Resumo: Agentes inteligentes consistem em uma tecnologia da computação promissora para o desenvolvimento de sistemas distribuídos complexos. Apesar dos referenciais teóricos disponíveis para orientar o projetista desses agentes, existem poucas técnicas de testes propostas para validar esses sistemas. Sabe-se que essa validação depende dos casos de teste selecionados, os quais devem providenciar informações a respeito dos componentes na estrutura do agente que estão com desempenho insatisfatório. Este artigo apresenta a aplicação de sistemas imunológicos artificiais (SIA), por meio do algoritmo de seleção clonal (Clonalg), para o problema de otimização de seleção de casos de teste para o teste de sistemas computacionais baseados em agentes inteligentes. A fim de validar o uso do Clonalg, foram realizadas comparações entre as técnicas de algoritmos genéticos (AG) e algoritmos de otimização por colônia de formigas (ACO). Nos experimentos com a abordagem testando agentes inteligentes com diferentes tipos de arquitetura em ambientes parcialmente e totalmente observáveis, a abordagem selecionou um conjunto de casos de teste satisfatório em termos das informações geradas sobre o desempenho irregular do agente. Com base nesse resultado, a abordagem possibilita a identificação dos episódios problemáticos, permitindo ao projetista realizar mudanças objetivas na estrutura interna do agente de forma a melhorar seu desempenho.Palavras-chave: Agentes inteligentes. Seleção de casos de teste. Sistemas imunológicos artificiais. Abstract:Intelligent agents consist of a computing technology promising to develop complex distributed systems. Despite the theoretical frameworks available to guide the designer of these agents, there are few techniques proposed tests to validate these systems. It is known that this validation depends on the selected test cases, which should provide information on the components in the structure of the agent that are underperforming. This paper presents the application of artificial immune systems (AIS), through clonal selection algorithm (Clonalg) for the optimization problem of selecting test cases for testing computer systems based on intelligent agents. In order to validate the use of Clonalg comparisons between techniques of aenetic algorithms (GA) and algorithms for ant colony optimization (ACO) were performed. In the experiments with the approach testing intelligent agents with different architecture types in partially and fully observable environments, the approach selected a set of test cases satisfying in terms of information generated on the uneven performance of the agent. From this result, the approach enables the identification of problematic episodes, allowing the designer to make objective changes in the internal structure of the agent in order to improve its performance.

show abstract