Résumé:
La négociation est un processus par lequel toutes les parties peuvent parvenir à une solution. Dans le cadre de ce travail, nous abordons les mécanismes de négociation bilatérale multi issues dans un domaine non linaire à fin d’obtenir une bonne solution de compromis.
Le but est de proposer une approche qui permet de modéliser les préférences d’adversaire en basant sur les négociations passées.
Dans ce travail, nous développons un agent basé sur l'apprentissage par renforcement (AR) et implémenté via l’algorithme Q-learning pour prédire les intentions d'autres agents et les actions futures possibles. Afin de maximiser le rôle de notre agent et en fonction de la décision de sélectionner la meilleure offre parmi plusieurs offres multi-issue non linéaires (y compris les stratégies acceptation / refus, concessions et proposition).
Nous montrons que notre agent est capable d’apprendre dans un environnement non linéaire multi-issue et obtient une valeur d’utilité meilleure que les autres agents disponibles dans la plateforme de simulation des négociations automatiques appelée GENIUS
