Αμάπςσνη απξδξςικόμ μηυαμιρμόμ εμπιρςξρϋμηπ και τήμηπ ρε αμξικςά δίκςσα ρσμαλλαγόμ

ΑΡΙΣΟΣΔΛΔΙΟ ΠΑΝΔΠΙΣΗΜΙΟ ΘΔΑΛΟΝΙΚΗ ΠΟΛΤΣΔΦΝΙΚΗ ΦΟΛΗ ΣΜΗΜΑ ΗΛΔΚΣΡΟΛΟΓΩΝ ΜΗΦΑΝΙΚΩΝ ΚΑΙ ΜΗΦΑΝΙΚΩΝ ΤΠΟΛΟΓΙΣΩΝ ΣΟΜΔΑ ΗΛΔΚΣΡΟΝΙΚΗ ΚΑΙ ΤΠΟΛΟΓΙΣΩΝ 2012 Αμάπςσνη απξδξςικόμ μηυαμιρμόμ εμπιρςξρϋμηπ και τήμηπ ρε αμξικςά δίκςσα Διπλχμαςική εογαρία ςηπ Διαμαμςίδξσ Δσαγγελίαπ AEM 6353 σπϊ ςημ επίβλεφη Θερραλξμίκη 2012 Αμδοέα Λ. σμεχμίδη Λέκςξοα

Δσυαοιρςίεπ Ξεκιμόμςαπ, θα ήθελα μα δηλόρχ ςιπ εσυαοιρςίεπ μξσ ρε κάπξιξσπ αμθοόπξσπ ξι ξπξίξι με βξήθηραμ και με ρςήοιναμ ϊυι μϊμξ καςά ςη διάοκεια εκπϊμηρηπ ςηπ παοξϋραπ διπλχμαςικήπ εογαρίαπ, αλλά και ρε ϊλη ςη διάοκεια ςχμ τξιςηςικόμ μξσ υοϊμχμ. Πιξ ρσγκεκοιμέμα, θα ήθελα μα εσυαοιρςήρχ: Σξμ καθηγηςή μξσ κ. Αμδοέα σμεχμίδη, Λέκςξοα ςξσ Σμήμαςξπ Ηλεκςοξλϊγχμ Μηυαμικόμ και Μηυαμικόμ Τπξλξγιρςόμ για ςημ άφξγη ρσμεογαρία μαπ και ςη βξήθεια πξσ μξσ ποξρέτεοε κάθε τξοά πξσ ςη ζηςξϋρα. Σημ ξικξγέμεια μξσ για ςη ρσμπαοάρςαρή ςξσπ ρε ξςιδήπξςε και αμ κάμχ. Σξσπ τίλξσπ μξσ για ςξ εμδιατέοξμ και ςη ρσμπαοάρςαρη πξσ μξσ έδειναμ ρε ϊλη ςη διάοκεια εκπϊμηρηπ ςηπ διπλχμαςικήπ μξσ εογαρίαπ. Ιδιαίςεοεπ εσυαοιρςίεπ ρςξμ τίλξ μξσ ςέταμξ Σριόμη για ςημ έμποακςη βξήθεια και σπξρςήοινή ςξσ ρςημ ξλξκλήοχρη ασςήπ ςηπ διπλχμαςικήπ. Διαμαμςίδξσ Δσαγγελία Διαμαμςίδξσ Δσαγγελία ελίδα 2

Πεοίληφη Αμάπςσνη απξδξςικώμ μηυαμιρμώμ εμπιρςξρύμηπ και τήμηπ ρε αμξικςά δίκςσα ρσμαλλαγώμ Διπλχμαςική εογαρία Διαμαμςίδξσ Δσαγγελία e-mail : evadiama@auth.gr Θερραλξμίκη, Ιξύλιξπ 2012 Σα ςελεσςαία υοϊμια σπάουει έμα ασναμϊμεμξ εμδιατέοξμ για ςξ πεδίξ ςηπ εμπιρςξρϋμηπ και ςηπ τήμηπ πξσ ρε έμα βαθμϊ ξτείλεςαι ρςξ οϊλξ πξσ ξι έμμξιεπ ασςέπ παίζξσμ ρςιπ εταομξγέπ ςξσ ηλεκςοξμικξϋ εμπξοίξσ. Σα αμξικςά πξλσποακςξοικά ρσρςήμαςα είμαι ρσρςήμαςα πξσ ποξρξμξιόμξσμ ςα ποαγμαςικά ρσρςήμαςα ηλεκςοξμικόμ αγξοόμ πεοιλαμβάμξμςαπ έμαμ μεγάλξ αοιθμϊ ποακςϊοχμ ξι ξπξίξι ρσμαλλάρρξμςαι με απόςεοξ ρκξπϊ ςξ κέοδξπ. Οι ποάκςξοεπ ασςξί έυξσμ ελλιπή ή καθϊλξσ γμόρη για ςη ρσμπεοιτξοά ςχμ ποακςϊοχμ με ςξσπ ξπξίξσπ ρσμαλλάρρξμςαι, ϊπχπ ρσμήθχπ ρσμβαίμει και ρςα ποαγμαςικά πεοιβάλλξμςα, ξπϊςε καθίρςαςαι απαοαίςηςη η σιξθέςηρη ςχμ καςάλληλχμ μηυαμιρμόμ για ςξμ απξδξςικϊ εμςξπιρμϊ ςχμ πιξ έμπιρςχμ ποακςϊοχμ. Οι μηυαμιρμξί ασςξί πεοιλαμβάμξσμ μξμςέλα εμπιρςξρϋμηπ και τήμηπ ςα ξπξία σπξλξγίζξσμ ςημ εμπιρςξρϋμη και/ή ςη τήμη ςχμ ποακςϊοχμ υοηριμξπξιόμςαπ σπξλξγιρςικέπ, πιθαμξςικέπ, ή αλγξοιθμικέπ μεθϊδξσπ βξηθόμςαπ μα καθξοιρςεί αμ έμαπ ποάκςξοαπ είμαι έμπιρςξπ και ρσμεπόπ μπξοξϋμ μα ρσμδιαλλαγξϋμ επιςσυόπ μαζί ςξσ- με βάρη ςιπ ςιμέπ εμπιρςξρϋμηπ και/ή τήμηπ ςξσ. Έμα υαοακςηοιρςικϊ πεοιβάλλξμ για ςημ ανιξλϊγηρη και ςη ρϋγκοιρη ςχμ διάτξοχμ μεθϊδχμ εμπιρςξρϋμηπ και τήμηπ είμαι ςξ πεοιβάλλξμ ςξσ Agent Reputation and Trust (ART) Testbed. ςα πλαίρια ςηπ παοξϋραπ διπλχμαςικήπ εογαρίαπ μξμςελξπξιήθηκε ςξ πεοιβάλλξμ ασςϊ με ςη υοήρη ςξσ Agent Modeling Platform (AMP), ρυεδιάρςηκαμ και αμαπςϋυθηκαμ μια ρειοά απϊ ποάκςξοεπ, κάθε έμαπ απϊ ςξσπ ξπξίξσπ ακξλξσθεί και διατξοεςική ρςοαςηγική εμπιρςξρϋμηπ και τήμηπ και ανιξλξγήθηκαμ χπ ποξπ ςιπ επιδϊρειπ ςξσπ. Σέλξπ, ενεςάρςηκε η ρςοαςηγική εμπιρςξρϋμηπ και τήμηπ εμϊπ ρσγκεκοιμέμξσ ποάκςξοα και έγιμαμ ποξρπάθειεπ βελςίχρήπ ςηπ. Σα απξςελέρμαςα παοξσριάζξσμ ιδιαίςεοξ εμδιατέοξμ, αλλά ατήμξσμ και αοκεςά αμξιυςά εοχςήμαςα. Διαμαμςίδξσ Δσαγγελία ελίδα 3

Abstract Development of efficient trust and reputation models for open transaction networks Diploma thesis Diamantidou Evangelia e-mail : evadiama@auth.gr Thessaloniki, July 2012 In recent years, there has been a growing interest in the field of trust and reputation, mainly due to the role that these concepts play in real e-commerce applications. Open multi-agent systems are systems that simulate online markets where a large number of agents interact with each other and exchange goods with a view to profit. These agents have incomplete or no knowledge about the intentions of the agents they transact with, so it is essential to adopt appropriate mechanisms for the efficient detection of trusted agents. These mechanisms include trust and reputation models that employ various computational, probabilistic, and/or algorithmic methods for assisting agents in determining if a particular agent is trustworthy and therefore transact with- based on its trust and/or reputation values. The Agent Reputation and Trust (ART) Testbed is quite popular environment for evaluating and comparing different trust and reputation models. Within the context of this thesis ART was modeled through the Agent Modeling Platform (AMP), and a number of agents were designed and built, following different trust and reputation strategies. These strategies were evaluated against various markets, and the most robust ones were identified. Additionally, HerculAgent was crash-tested, in order to identify the optimal strategy for the agent to adopt. Results are quite intriguing, also leaving a number of open questions. Διαμαμςίδξσ Δσαγγελία ελίδα 4

Πεοιευόμεμα Δσυαοιρςίεπ... 2 Πεοίληφη... 3 Abstract... 4 Λίρςα Δικϊμχμ... 9 Λίρςα Διαγοαμμάςχμ... 11 Λίρςα Πιμάκχμ... 12 Λίρςα σμςξμξγοατιόμ... 15 ΚΔΥΑΛΑΙΟ 1 Διραγχγή... 16 1.1 Οοιρμϊπ ςξσ ποξβλήμαςξπ... 16 1.2 ςϊυξι ςηπ Διπλχμαςικήπ εογαρίαπ... 16 1.3 Δξμή ςηπ Διπλχμαςικήπ εογαρίαπ... 17 ΚΔΥΑΛΑΙΟ 2 Δμπιρςξρϋμη και τήμη... 18 2.1 Βαρικέπ έμμξιεπ Οοιρμξί... 18 2.2 Καςηγξοίεπ σρςημάςχμ Δμπιρςξρϋμηπ και Υήμηπ... 20 2.2.1 Καςηγξοιξπξίηρη με βάρη ςξ εμμξιξλξγικϊ μξμςέλξ... 20 2.2.2 Καςηγξοιξπξίηρη με βάρη ςιπ πηγέπ πληοξτξοιόμ... 20 2.2.3 Καςηγξοιξπξίηρη με βάρη ςξσπ ςϋπξσπ ποξβξλήπ... 21 2.2.4 Καςηγξοιξπξίηρη με βάρη ςη διακοιςϊςηςα... 22 2.2.5 Καςηγξοιξπξίηρη με βάρη ςιπ σπξθέρειπ για ςιπ ρσμπεοιτξοέπ ςχμ ποακςϊοχμ... 22 2.2.6 Καςηγξοιξπξίηρη με βάρη ςξμ ςϋπξ ςχμ πληοξτξοιόμ πξσ αμςαλλάρρξμςαι... 22 2.2.7 Καςηγξοιξπξίηρη με βάρη ςξ μέςοξ ανιξπιρςίαπ ςχμ ςιμόμ εμπιρςξρϋμηπ και τήμηπ... 23 Διαμαμςίδξσ Δσαγγελία ελίδα 5

2.3 Διαυείοιρη εμπιρςξρϋμηπ... 23 2.3.1. Διαυείοιρη εμπιρςξρϋμηπ βαριρμέμη ρςημ πξλιςική... 23 2.3.2 Διαυείοιρη εμπιρςξρϋμηπ βαριρμέμη ρςη τήμη... 23 2.4 Αμάλσρη κϋοιχμ μξμςέλχμ Δμπιρςξρϋμηπ και Υήμηπ... 24 2.4.1 Μξμςέλα Πξλσποακςξοικόμ σρςημάςχμ... 24 2.4.2 Μξμςέλα P2P Δικςϋχμ... 26 2.4.3 Μξμςέλα Ad-hoc δικςϋχμ... 27 2.4.4 Μξμςέλα δικςϋχμ αρϋομαςχμ αιρθηςήοχμ... 27 2.4.5 σρςαςικά μξμςέλχμ εμπιρςξρϋμηπ και τήμηπ... 27 2.5 Αουιςεκςξμικέπ ρσρςημάςχμ τήμηπ... 29 2.5.1 Κεμςοικά ρσρςήμαςα τήμηπ... 29 2.5.2 Καςαμεμημέμα ρσρςήμαςα τήμηπ... 31 2.6 σρςήμαςα τήμηπ ρςξ διαδίκςσξ... 32 2.7 ςξίυιρη εμπιρςξρϋμηπ... 34 ΚΔΥΑΛΑΙΟ 3 Πεοιγοατή ART Testbed και πεοιβάλλξμςξπ ποξρξμξίχρηπ... 37 3.1 Σξ πεοιβάλλξμ ART Testbed... 37 3.1.1 Πεοιγοατή παιυμιδιξϋ... 37 3.1.2 Αιςήρειπ εκςιμήρεχμ απϊ πελάςεπ... 38 3.1.3 Αμςαλλαγέπ απϊφεχμ μεςανϋ ςχμ ποακςϊοχμ... 39 3.1.4 Αμςαλλαγέπ πληοξτξοιόμ τήμηπ... 41 3.1.5 Αμαρκϊπηρη... 42 3.2 Πεοιβάλλξμ ποξρξμξίχρηπ AMP... 43 3.2.1 Μξμςελξπξίηρη με υοήρη ποακςϊοχμ (Agent-based Modeling)... 43 3.2.2 Αουιςεκςξμική ςξσ Agent Modeling Platform... 44 Διαμαμςίδξσ Δσαγγελία ελίδα 6

3.2.3 Agent Modeling Framework... 44 3.2.4 Δξμή... 45 ΚΔΥΑΛΑΙΟ 4 Μξμςελξπξίηρη ςηπ πλαςτϊομαπ ςξσ ART με υοήρη ςξσ AMP... 46 4.1 Γεμικά υαοακςηοιρςικά ςξσ ρσρςήμαςξπ... 46 4.1 Ποάκςξοαπ ςϋπξσ Appraiser... 50 4.1.1 SimpleAgent... 58 4.1.2 HonestAgent... 59 4.1.3 Cheating Agent... 59 4.1.4 HerculAgent... 60 4.1.5 Ford Perfect... 61 4.1.6 Next Agent... 63 4.2 Ποάκςξοαπ ςϋπξσ Simulation... 64 4.3 Ποάκςξοαπ ςϋπξσ Client... 69 4.5 Ποάκςξοαπ ςϋπξσ Painting... 72 ΚΔΥΑΛΑΙΟ 5 Πειοαμαςική Μελέςη... 74 5.1 Δκςέλερη ςηπ ποξρξμξίχρηπ... 74 5.2 Πειοάμαςα ενέςαρηπ ςηπ επιοοξήπ ςχμ καθξλικόμ παοαμέςοχμ ςξσ παιυμιδιξϋ... 77 5.3 Πειοάμαςα ενέςαρηπ ςηπ επιοοξήπ ςχμ αλλαγόμ ρςη ρςοαςηγική ςξσ HerculAgent... 85 5.3.1 Πειοάμαςα ενέςαρηπ ςηπ επιοοξήπ ςχμ αλλαγόμ ρςη ρςοαςηγική ςξσ ποχςξκϊλλξσ τήμηπ... 85 5.3.2 Πειοάμαςα ενέςαρηπ ςηπ επιοοξήπ ςχμ αλλαγόμ ρςη ρςοαςηγική ςξσ ποχςξκϊλλξσ βεβαιϊςηςαπ... 104 5.3.3 Πειοάμαςα ενέςαρηπ ςηπ επιοοξήπ ςχμ αλλαγόμ ρςη ρςοαςηγική ςξσ ποχςξκϊλλξσ απϊφεχμ εκςιμήρεχμ... 115 Διαμαμςίδξσ Δσαγγελία ελίδα 7

5.3.4 Πειοάμαςα ενέςαρηπ ςηπ ρσμξλικήπ επιοοξήπ ςχμ αλλαγόμ ρςιπ ρςοαςηγικέπ ςχμ ποχςξκϊλλχμ τήμηπ, βεβαιϊςηςαπ και απϊφεχμ εκςιμήρεχμ... 131 ΚΔΥΑΛΑΙΟ 6 σμπεοάρμαςα Μελλξμςικέπ επεκςάρειπ... 136 6.1 σμπεοάρμαςα... 136 6.2 Μελλξμςικέπ επεκςάρειπ... 138 Βιβλιξγοατία... 140 Διαμαμςίδξσ Δσαγγελία ελίδα 8

Λίρςα Δικόμχμ Δικϊμα 1. σρςαςικά μξμςέλχμ εμπιρςξρϋμηπ και τήμηπ - γεμική ϊφη... 28 Δικϊμα 2. σρςαςικά μξμςέλχμ εμπιρςξρϋμηπ και τήμηπ - εκςεςαμέμη ϊφη... 29 Δικϊμα 3. Κεμςοικξπξιημέμξ ρϋρςημα τήμηπ... 30 Δικϊμα 4. Καςαμεμημέμξ ρϋρςημα τήμηπ... 31 Δικϊμα 5. Content Rating and Ranking Individual and Overall Rating... 33 Δικϊμα 6. Content Reviews and Comments - Individual and Overall Review... 34 Δικϊμα 7. Points - Individual and Overall... 34 Δικϊμα 8. Agent Reputation and Trust Testbed... 37 Δικϊμα 9. Σα κϋοια ρημεία ςξσ παιυμιδιξϋ ART... 38 Δικϊμα 10. Ποχςϊκξλλξ αμςαλλαγήπ απϊφεχμ μεςανϋ ςχμ ποακςϊοχμ ρε έμα timestep... 40 Δικϊμα 11. Ποχςϊκξλλξ αμςαλλαγήπ πληοξτξοιόμ τήμηπ... 42 Δικϊμα 12. Agent Modeling Platform... 43 Δικϊμα 13. Αουιςεκςξμική Agent Modeling Platform... 44 Δικϊμα 14. Δξμή αουείξσ ART.metaabm... 48 Δικϊμα 15. σμξλικϊ Διάγοαμμα κλάρηπ ART... 49 Δικϊμα 16. Διάγοαμμα κλάρηπ Appraiser... 51 Δικϊμα 17. Δξμή Appraiser... 52 Δικϊμα 18. Μέθξδξπ Initialize ποάκςξοα ςϋπξσ Appraiser... 54 Δικϊμα 19. Style ποάκςξοα ςϋπξσ Appraiser... 55 Δικϊμα 20. Γεμικϊ διάγοαμμα δοαρςηοιξςήςχμ ποάκςξοα ςϋπξσ Appraiser... 56 Δικϊμα 21. Διάγοαμμα ακξλξσθιόμ ςηπ ρσμαλλαγήπ για ςημ αίςηρη άπξφηπ εκςίμηρηπ μεςανϋ δϋξ Appraisers... 57 Διαμαμςίδξσ Δσαγγελία ελίδα 9

Δικϊμα 22. Διάγοαμμα κλάρηπ Simulation... 65 Δικϊμα 23. Δξμή Simulation... 66 Δικϊμα 24. Μέθξδξπ Simulation stop ποάκςξοα ςϋπξσ Simulation... 67 Δικϊμα 25. Διάγοαμμα δοαρςηοιξςήςχμ ποάκςξοα ςϋπξσ Simulation... 69 Δικϊμα 26. Διάγοαμμα κλάρηπ Client... 70 Δικϊμα 27. Δξμή Client... 70 Δικϊμα 28. Μέθξδξπ Initialize Paintings ποάκςξοα ςϋπξσ Client... 71 Δικϊμα 29. Style ποάκςξοα ςϋπξσ Client... 71 Δικϊμα 30. Διάγοαμμα κλάρηπ Painting... 72 Δικϊμα 31. Δξμή Painting... 72 Δικϊμα 32. Μέθξδξπ Initialize ποάκςξοα ςϋπξσ Painting... 73 Δικϊμα 33. Style ποάκςξοα ςϋπξσ Painting... 73 Δικϊμα 34. ςιγμιϊςσπξ εκςέλερηπ ςηπ ποξρξμξίχρηπ ςξσ ART... 75 Δικϊμα 35. Σελικϊ μήμσμα ςηπ ποξρξμξίχρηπ ρςημ κξμρϊλα... 76 Δικϊμα 36. Καςηγξοίεπ πειοαμάςχμ πξσ εκςελέρςηκαμ... 77 Διαμαμςίδξσ Δσαγγελία ελίδα 10

Λίρςα Διαγοαμμάςχμ Διάγοαμμα 1. Πείοαμα 8 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 81 Διάγοαμμα 2. Πείοαμα 14 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 83 Διάγοαμμα 3. Πείοαμα 20 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 84 Διάγοαμμα 4. Πείοαμα 26 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 85 Διάγοαμμα 5. Πείοαμα 29 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 87 Διάγοαμμα 6. Πείοαμα 43 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 95 Διάγοαμμα 7. Πείοαμα 55 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 100 Διάγοαμμα 8. Πείοαμα 57 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 101 Διάγοαμμα 9. Πείοαμα 69 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 103 Διάγοαμμα 10. Πείοαμα 81 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 104 Διάγοαμμα 11. Πείοαμα 83 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 105 Διάγοαμμα 12. Πείοαμα 87 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 108 Διάγοαμμα 13. Πείοαμα 92 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 111 Διάγοαμμα 14. Πείοαμα 94 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 112 Διάγοαμμα 15. Πείοαμα 98 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 113 Διάγοαμμα 16. Πείοαμα 103 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 114 Διάγοαμμα 17. Πείοαμα 105 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 115 Διάγοαμμα 18. Πείοαμα 109 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 118 Διάγοαμμα 19. Πείοαμα 114 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 121 Διάγοαμμα 20. Πείοαμα 117 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 123 Διάγοαμμα 21. Πείοαμα 119 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 124 Διάγοαμμα 22. Πείοαμα 123 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 125 Διάγοαμμα 23. Πείοαμα 128 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 126 Διάγοαμμα 24. Πείοαμα 130 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 128 Διάγοαμμα 25. Πείοαμα 135 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 131 Διάγοαμμα 26. Πείοαμα 137 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 132 Διάγοαμμα 27. Πείοαμα 139 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 133 Διάγοαμμα 28. Πείοαμα 140 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 134 Διάγοαμμα 29. Πείοαμα 141 - Σοαπεζικά απξθέμαςα ποακςϊοχμ... 135 Διαμαμςίδξσ Δσαγγελία ελίδα 11

Λίρςα Πιμάκχμ Πίμακαπ 1. Φοήρη ρσρςημάςχμ τήμηπ απϊ ςιπ πιξ δημξτιλείπ ιρςξρελίδεπ. Πηγή: [FAR 10]... 33 Πίμακαπ 2. Δπιοοξή ςέλξσπ πελάςη - Καςηγξοίεπ πειοαμάςχμ... 77 Πίμακαπ 3. Πείοαμα 8 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 78 Πίμακαπ 4. Δπιοοξή κϊρςξσπ εκςίμηρηπ - Καςηγξοίεπ πειοαμάςχμ... 79 Πίμακαπ 5. Πείοαμα 14 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 80 Πίμακαπ 6. Δπιοοξή κϊρςξσπ για ςημ αίςηρη ςιμόμ βεβαιϊςηςαπ - Καςηγξοίεπ πειοαμάςχμ... 81 Πίμακαπ 7. Πείοαμα 20 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 81 Πίμακαπ 8. Δπιοοξή μέγιρςξσ αοιθμξϋ αιςήρεχμ εκςίμηρηπ - Καςηγξοίεπ πειοαμάςχμ... 82 Πίμακαπ 9. Πείοαμα 26 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 83 Πίμακαπ 10. Δπιοοξή πξρξρςξϋ πελαςόμ πξσ ζηςξϋμ εκςίμηρη ρε κάθε timestep - Καςηγξοίεπ πειοαμάςχμ... 84 Πίμακαπ 11. Πείοαμα 29 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 85 Πίμακαπ 12. Πείοαμα 32 - σμάοςηρη preparereputationrequests, πεοίπςχρη reputation<replimit και meanappraisalerror<=smallerror, timestep<10... 87 Πίμακαπ 13. Πείοαμα 33 - σμάοςηρη preparereputationrequests, πεοίπςχρη reputation<replimit και smallerror<meanappraisalerror<=standarderror, timestep<10... 88 Πίμακαπ 14. Πείοαμα 34 - σμάοςηρη preparereputationrequests, πεοίπςχρη reputation<replimit και meanappraisalerror>standarderror, timestep<10... 88 Πίμακαπ 15. Πείοαμα 37 - σμάοςηρη preparereputationrequests, πεοίπςχρη reputation>replimit και meanappraisalerror<=smallerror, timestep<10... 89 Πίμακαπ 16. Πείοαμα 38 - σμάοςηρη preparereputationrequests, πεοίπςχρη reputation>replimit και smallerror<meanappraisalerror<=standarderror, timestep<10... 90 Πίμακαπ 17. Πείοαμα 39 - σμάοςηρη preparereputationrequests, πεοίπςχρη reputation>replimit και meanappraisalerror>standarderror, timestep<10... 91 Διαμαμςίδξσ Δσαγγελία ελίδα 12

Πίμακαπ 18. Πείοαμα 42 - Δπιοοξή ςηπ ςιμήπ ςξσ ξοίξσ replimit... 92 Πίμακαπ 19. Πείοαμα 43 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 93 Πίμακαπ 20. Πείοαμα 44 - σμάοςηρη preparereputationrequests, πεοίπςχρη reputation<replimit και meanappraisalerror<=smallerror, timestep>10... 94 Πίμακαπ 21. Πείοαμα 45 - σμάοςηρη preparereputationrequests, πεοίπςχρη reputation<replimit και smallerror<meanappraisalerror<=standarderror, timestep>10... 95 Πίμακαπ 22. Πείοαμα 51 - σμάοςηρη preparereputationrequests, πεοίπςχρη reputation>replimit και meanappraisalerror>standarderror, timestep>10... 97 Πίμακαπ 23. Πείοαμα 55 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 99 Πίμακαπ 24. Πείοαμα 57 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 100 Πίμακαπ 25. Πείοαμα 69 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 101 Πίμακαπ 26. Πείοαμα 81 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 102 Πίμακαπ 27. Πείοαμα 83 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 103 Πίμακαπ 28. Πείοαμα 84 - σμάοςηρη preparecertaintyreplies, πεοίπςχρη reputation<replimit, timestep<10... 105 Πίμακαπ 29. Πείοαμα 87 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 106 Πίμακαπ 30. Πείοαμα 88 - σμάοςηρη preparecertaintyreplies, πεοίπςχρη reputation<replimit, timestep>10... 107 Πίμακαπ 31. Πείοαμα 89 - σμάοςηρη preparecertaintyreplies, πεοίπςχρη reputation>replimit και confidence>0.1, timestep>10... 107 Πίμακαπ 32. Πείοαμα 90 - σμάοςηρη preparecertaintyreplies, πεοίπςχρη reputation>replimit και confidence<0.1, timestep>10... 108 Πίμακαπ 33. Πείοαμα 92 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 109 Πίμακαπ 34. Πείοαμα 94 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 110 Πίμακαπ 35. Πείοαμα 98 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 111 Πίμακαπ 36. Πείοαμα 103 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 113 Πίμακαπ 37. Πείοαμα 105 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 114 Διαμαμςίδξσ Δσαγγελία ελίδα 13

Πίμακαπ 38. Πείοαμα 106 - σμάοςηρη prepareopinionreplies, πεοίπςχρη reputation<replimit, timestep<10... 116 Πίμακαπ 39. Πείοαμα 107 - σμάοςηρη prepareopinionreplies, πεοίπςχρη reputation>replimit, timestep<10... 116 Πίμακαπ 40. Πείοαμα 109 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 117 Πίμακαπ 41. Πείοαμα 110 - σμάοςηρη prepareopinionreplies, πεοίπςχρη reputation<0.7*replimit, 10<timestep<90... 118 Πίμακαπ 42. Πείοαμα 111 - σμάοςηρη prepareopinionreplies, πεοίπςχρη reputation<replimit, 10<timestep<90... 118 Πίμακαπ 43. Πείοαμα 112 - σμάοςηρη prepareopinionreplies, πεοίπςχρη reputation>replimit, 10<timestep<90... 119 Πίμακαπ 44. Πείοαμα 114 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 120 Πίμακαπ 45. Πείοαμα 115 - σμάοςηρη prepareopinionreplies, timestep>90... 121 Πίμακαπ 46. Πείοαμα 117 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 122 Πίμακαπ 47. Πείοαμα 119 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 123 Πίμακαπ 48. Πείοαμα 123 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 124 Πίμακαπ 49. Πείοαμα 128 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 126 Πίμακαπ 50. Πείοαμα 130 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 127 Πίμακαπ 51. Πείοαμα 131 - σμάοςηρη prepareopinionproviderweights, πεοίπςχρη meanappraisalerror<errorslimit... 128 Πίμακαπ 52. Πείοαμα 132 - σμάοςηρη prepareopinionproviderweights, πεοίπςχρη meanappraisalerror <2*errorsLimit... 129 Πίμακαπ 53. Πείοαμα 133 - σμάοςηρη prepareopinionproviderweights, πεοίπςχρη meanappraisalerror <3*errorsLimit... 129 Πίμακαπ 54. Πείοαμα 135 Μέρη ςιμή τήμηπ ποακςϊοχμ... 130 Πίμακαπ 55. Πείοαμα 137 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 131 Πίμακαπ 56. Πείοαμα 139 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 133 Πίμακαπ 57. Πείοαμα 140 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 134 Διαμαμςίδξσ Δσαγγελία ελίδα 14

Πίμακαπ 58. Πείοαμα 141 - Μέρη ςιμή τήμηπ ποακςϊοχμ... 135 Λίρςα σμςξμξγοατιώμ ART AMP ΔΥ P2P MANETs PDF MAS ABM IDE AMF AXF AGF Agent Reputation and Trust Agent Modeling Platform σρςήμαςα Δμπιρςξρϋμηπ και Υήμηπ Peer to Peer Mobile Ad-hoc NETworks Probability Density Functions Multi-Agent Systems Agent-Based Modeling Integrated Development Environment Agent Modeling Framework Agent execution Framework Agent Graphic Framework Διαμαμςίδξσ Δσαγγελία ελίδα 15

ΚΔΥΑΛΑΙΟ 1 Διραγχγή 1.1 Οοιρμόπ ςξσ ποξβλήμαςξπ ε πεοιβάλλξμςα αμξικςόμ πξλσποακςξοικόμ ρσρςημάςχμ, ϊπξσ ξι ποάκςξοεπ αλληλεπιδοξϋμ μεςανϋ ςξσπ έυξμςαπ καθϊλξσ ή ελλιπή γμόρη ςηπ ποϊςεοηπ ρσμπεοιτξοάπ ςχμ σπξλξίπχμ, ειράγεςαι ςξ ποϊβλημα ςηπ εϋοερηπ ςξσ πιξ έμπιρςξσ ποάκςξοα με ςξμ ξπξίξμ θα αλληλεπιδοάρξσμ. Η διαδικαρία εϋοερηπ ςξσ πιξ έμπιρςξσ ποάκςξοα γίμεςαι σπξλξγίζξμςαπ ςιπ ςιμέπ εμπιρςξρϋμηπ και/ή τήμηπ ςχμ ποακςϊοχμ. Για ςξ ρκξπϊ ασςϊ έυξσμ αμαπςσυθεί διάτξοα ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ ςα ξπξία ακξλξσθξϋμ κάπξιξ μξμςέλξ εναγχγήπ ςχμ ςιμόμ ασςόμ. Σα μξμςέλα εμπιρςξρϋμηπ και τήμηπ διακοίμξμςαι ρε διάτξοεπ καςηγξοίεπ, και μπξοξϋμ μα εταομξρςξϋμ ρε μια πληθόοα ρσρςημάςχμ ςα ξπξία επεκςείμξμςαι απϊ ςξσπ ςξμείπ ςηπ πληοξτξοικήπ και ςηπ βιξλξγίαπ ρςημ φσυξλξγία και ςημ κξιμχμιξλξγία. ςημ παοξϋρα διπλχμαςική ερςιάζξσμε ρε μξμςέλα εμπιρςξρϋμηπ και τήμηπ και ρσγκεκοιμέμα ρςη μελέςη καςάλληλχμ μεθϊδχμ ποξκειμέμξσ μα γίμει ετικςή η αμςαλλαγή πληοξτξοιόμ, κάπξιεπ εκ ςχμ ξπξίχμ μπξοεί μα είμαι εμπιρςεσςικξϋ υαοακςήοα, διαμέρξσ ρσρςημάςχμ και δικςϋχμ ρςα ξπξία επικοαςεί κλίμα αβεβαιϊςηςαπ, καθόπ ςα ρσμαλλαρρϊμεμα μέοη γμχοίζξμςαι λίγξ ή καθϊλξσ μεςανϋ ςξσπ. ςα πλαίρια ςηπ παοξϋραπ διπλχμαςικήπ, λξιπϊμ, καλξϋμαρςε μα μξμςελξπξιήρξσμε έμα ρϋρςημα πξσ ποξρξμξιόμει ςα ποαγμαςικά πεοιβάλλξμςα ηλεκςοξμικόμ αγξοόμ. Έμα ςέςξιξ πεοιβάλλξμ πξσ ποξρξμξιόμει έμα ρϋρςημα ρςξ ξπξίξ ξι ρσμμεςέυξμςεπ ποάκςξοεπ αλληλεπιδοξϋμ μεςανϋ ςξσπ και πξσ η ειλικοίμεια ςξσ εμϊπ ποάκςξοα επηοεάζει ςημ απϊδξρη και ςξ κέοδξπ ςχμ σπξλξίπχμ ποακςϊοχμ είμαι ςξ πεοιβάλλξμ Agent Reputation and Trust (ART) Testbed, ςξ ξπξίξ αμαπςϋυθηκε με ρκξπϊ ςημ ανιξλϊγηρη και ςη ρϋγκοιρη διατξοεςικόμ ρςοαςηγικόμ εμπιρςξρϋμηπ και τήμηπ με αμςικειμεμικϊ ςοϊπξ. Σξ πεοιβάλλξμ ασςϊ πεοιλαμβάμει ειλικοιμείπ, αμανιϊπιρςξσπ και άλλξσπ ποάκςξοεπ, ϊλξι εκ ςχμ ξπξίχμ έυξσμ ρςϊυξ ςξ κέοδξπ αλλά και ϊλξι ρςηοίζξμςαι ρςιπ ρσμαλλαγέπ ςξσπ με άλλξσπ ποάκςξοεπ καθιρςόμςαπ, έςρι, απαοαίςηςξ ςξμ ετξδιαρμϊ ςξσπ με μια απξδξςική ρςοαςηγική εμπιρςξρϋμηπ και τήμηπ. 1.2 ςόυξι ςηπ Διπλχμαςικήπ εογαρίαπ Η παοξϋρα διπλχμαςική εογαρία ρςϊυξ έυει, αουικά, ςη μξμςελξπξίηρη ςηπ πλαςτϊομαπ ART με υοήρη ςξσ πεοιβάλλξμςξπ Agent Modeling Platform (AMP) ςξσ Eclipse όρςε μα είμαι δσμαςή η αταιοεςική μξμςελξπξίηρη ςξσ πεοιβάλλξμςξπ. Μεςά ςημ ξλξκλήοχρη ςηπ μξμςελξπξίηρηπ ςξσ ART καθόπ και ςη ρυεδίαρη μιαπ ρειοάπ ποακςϊοχμ, ρςϊυξπ είμαι η διεναγχγή μιαπ ρειοάπ πειοαμάςχμ. Έςρι είμαι δσμαςή η Διαμαμςίδξσ Δσαγγελία ελίδα 16

εναγχγή ρσμπεοαρμάςχμ για ςημ ανιξλϊγηρη ςξσ ART χπ μέρξσ ρϋγκοιρηπ και ανιξλϊγηρηπ διατξοεςικόμ ρςοαςηγικόμ εμπιρςξρϋμηπ και τήμηπ. σγκεκοιμέμα, καλξϋμαρςε μα ανιξλξγήρξσμε καςά πϊρξμ ςξ πεοιβάλλξμ ςξσ ART είμαι καςάλληλξ για ςημ ενέςαρη διάτξοχμ ρςοαςηγικόμ εμπιρςξρϋμηπ και τήμηπ και ςξ καςά πϊρξ ςξ ρσγκεκοιμέμξ πεοιβάλλξμ επιβοαβεϋει ςημ καλϋςεοη ρςοαςηγική. Δπιπλέξμ, ρςϊυξπ είμαι η ανιξλϊγηρη ςχμ ρςοαςηγικόμ εμπιρςξρϋμηπ και τήμηπ πξσ υοηριμξπξιξϋμ ξι ποάκςξοεπ πξσ θα ειράγξσμε ρςξ ρϋρςημα και η επέκςαρη ςχμ ρσμπεοαρμάςχμ πξσ θα ποξκϋφξσμ για ςξ πεοιβάλλξμ ART και ςιπ ρςοαςηγικέπ πξσ υοηριμξπξιξϋμ ξι ποάκςξοέπ ςξσ ρε γεμικϊςεοα ρσμπεοάρμαςα πξσ βοίρκξσμ εταομξγή και ρε άλλα ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ. Ο ςελεσςαίξπ ρςϊυξπ ςηπ παοξϋραπ διπλχμαςικήπ είμαι η βελςιρςξπξίηρη ςηπ ρςοαςηγικήπ ςξσ ρσμμεςέυξμςα ποάκςξοα HerculAgent ειράγξμςαπ μια ρειοά αλλαγόμ ρε ασςήμ. 1.3 Δξμή ςηπ Διπλχμαςικήπ εογαρίαπ Η διπλχμαςική εογαρία ακξλξσθεί ςημ ενήπ δξμή: ςξ κετάλαιξ 1 γίμεςαι μια ειραγχγή και πεοιγοατή ςξσ ποξβλήμαςξπ πξσ καλξϋμαρςε μα αμςιμεςχπίρξσμε εμό αματέοξμςαι και ξι ρςϊυξι και η δξμή ςηπ διπλχμαςικήπ εογαρίαπ. Σξ κετάλαιξ 2 πεοιλαμβάμει ςξ θεχοηςικϊ σπϊβαθοξ ςηπ ρσγκεκοιμέμηπ εογαρίαπ. σγκεκοιμέμα, αμαλϋξμςαι ξι έμμξιεπ ςηπ εμπιρςξρϋμηπ και ςηπ τήμηπ, παοξσριάζξμςαι ξι καςηγξοίεπ ςχμ ρσρςημάςχμ εμπιρςξρϋμηπ και τήμηπ, αματέοξμςαι ξι έμμξιεπ ςηπ διαυείοιρηπ εμπιρςξρϋμηπ και ςχμ ςϋπχμ ςηπ, αμαλϋξμςαι ςα κϋοια μξμςέλα εμπιρςξρϋμηπ και τήμηπ και ςα ρσρςαςικά ςξσπ, παοξσριάζξμςαι ξι δσξ κϋοιεπ αουιςεκςξμικέπ ρσρςημάςχμ τήμηπ, γίμεςαι μια αματξοά ρςη υοήρη ρσρςημάςχμ τήμηπ ρςξ διαδίκςσξ εμό, ςέλξπ, γίμεςαι αματξοά ρςημ έμμξια ςηπ ρςξίυιρηπ εμπιρςξρϋμηπ. ςξ κετάλαιξ 3 γίμεςαι πεοιγοατή ςηπ πλαςτϊομαπ ART Testbed και ςχμ καμϊμχμ ςξσ παιυμιδιξϋ καθόπ επίρηπ και ςξσ πεοιβάλλξμςξπ AMP πξσ υοηριμξπξιήθηκε για ςη μξμςελξπξίηρή ςξσ. ςξ κετάλαιξ 4 αμαλϋεςαι η δξμή και η λειςξσογία ςξσ ρσρςήμαςξπ πξσ αμαπςϋυθηκε, δηλαδή ςξσ ART, με αμαλσςική πεοιγοατή ϊλχμ ςχμ ξμςξςήςχμ πξσ ςξ απαοςίζξσμ. Σξ κετάλαιξ 5 πεοιλαμβάμει μια ρσμξπςική πεοιγοατή ςχμ πειοαμάςχμ πξσ εκςελέρςηκαμ ρυξλιάζξμςαπ ςα απξςελέρμαςά ςξσπ. Αμαλσςική παοξσρίαρη ςχμ πειοαμάςχμ γίμεςαι ρςξ αουείξ ΠΔΙΡΑΜΑΣΑ.docx πξσ ρσμξδεϋει ςημ παοξϋρα διπλχμαςική. Σέλξπ, ςξ κετάλαιξ 6 πεοιλαμβάμει ςα ρσμπεοάρμαςα πξσ ποξέκσφαμ απϊ ςημ εκςέλερη ςχμ πειοαμάςχμ καθόπ και κάπξιεπ ποξςάρειπ για μελλξμςική επέκςαρη ςηπ εογαρίαπ. Διαμαμςίδξσ Δσαγγελία ελίδα 17

ΚΔΥΑΛΑΙΟ 2 Δμπιρςξρύμη και τήμη 2.1 Βαρικέπ έμμξιεπ Οοιρμξί Σξ πεδίξ ςηπ εμπιρςξρϋμηπ και ςηπ τήμηπ έυει ποξρελκϋρει ςξ εμδιατέοξμ αοκεςόμ εοεσμηςόμ ςα ςελεσςαία υοϊμια, πξσ ρε έμα βαθμϊ ξτείλεςαι ρςημ εταομξγή ςχμ εμμξιόμ ασςόμ ρε εταομξγέπ ηλεκςοξμικξϋ εμπξοίξσ. ςημ ποαγμαςικϊςηςα, ςα ρσρςήμαςα τήμηπ σπειρέουξμςαι ρε διάτξοξσπ ςξμείπ ςηπ ζχήπ μαπ υχοίπ ακϊμα και μα ςξ καςαλαβαίμξσμε. Φοηριμξπξιξϋμε ςη τήμη κάθε τξοά πξσ θέλξσμε μα απξςιμήρξσμε ςημ ανία κάπξιξσ αμςικειμέμξσ ή ποξρόπξσ και ρσμεπόπ μα ςξ κοίμξσμε, υχοίπ μα έυξσμε ρςη διάθερή μαπ ςιπ απαοαίςηςεπ πληοξτξοίεπ για ςξ ρκξπϊ ασςϊ. Η ανία ςηπ τήμηπ ρςξ διαδίκςσξ και ςιπ ηλεκςοξμικέπ ρσμαλλαγέπ είμαι ακϊμα πιξ ρημαμςική, καθόπ ασςέπ απξςελξϋμ έμα πεοιβάλλξμ ρσμϋπαονηπ πξλλόμ αςϊμχμ (είςε ασςά είμαι άμθοχπξι είςε είμαι ποάκςξοεπ ξμςϊςηςεπ λξγιρμικξϋ) πξσ καλξϋμςαι μα ρσμδιαλλαγξϋμ, υχοίπ μα γμχοίζξσμ ςιπ ξμςϊςηςεπ με ςιπ ξπξίεπ ρσμαλλάρρξμςαι. ε ασςϊ ςξ ρημείξ σπειρέουξμςαι ξι έμμξιεπ ςηπ εμπιρςξρύμηπ, ςηπ τήμηπ και ςχμ σρςημάςχμ Δμπιρςξρύμηπ και Υήμηπ (ΔΥ), ποξκειμέμξσ μα βξηθήρξσμ ςα ρσμαλλαρρϊμεμα μέοη μα επιλένξσμ ςξμ πιξ ανιϊπιρςξ ρσμεογάςη για μα αλληλεπιδοάρξσμ. Η έμμξια ςηπ εμπιρςξρϋμηπ είμαι αοκεςά πξλϋπλξκη, εμό σπάουει μια πληθόοα ξοιρμόμ για ασςήμ, κάθε έμαπ απϊ ςξσπ ξπξίξσπ αματέοεςαι και ρε ρσγκεκοιμέμξ πεδίξ εταομξγήπ ςηπ, υχοίπ μα σπάουει έμαπ κξιμά απξδεκςϊπ γεμικϊπ ξοιρμϊπ ςηπ. ςημ ποαγμαςικϊςηςα, η έμμξια ςηπ εμπιρςξρϋμηπ είμαι μια ρϋμθερη διατξοεςικόμ υαοακςηοιρςικόμ πξσ πεοιλαμβάμξσμ ςημ ανιξπιρςία, ςημ εμςιμϊςηςα, ςημ ειλικοίμεια, ςημ αρτάλεια και ςημ επάοκεια. Έμαπ ξοιρμϊπ ςηπ εμπιρςξρϋμηπ ρϋμτχμα με ςξσπ [GRA 01] είμαι ξ ενήπ: Δμπιρςξρύμη είμαι η πεπξίθηρη πξσ έυξσμε ρςημ επάοκεια μιαπ ξμςόςηςαπ μα εμεογεί ανιόπιρςα και με αρτάλεια μέρα ρε έμα καθξοιρμέμξ πλαίριξ. Όπχπ ταίμεςαι απϊ ςξμ παοαπάμχ ξοιρμϊ, η εμπιρςξρϋμη δεμ είμαι έμα απϊλσςξ μέγεθξπ αλλά ξοίζεςαι αματξοικά με ςημ ικαμϊςηςα μιαπ ξμςϊςηςαπ μα εκςελέρει μια εμέογεια ή μα παοέυει μια σπηοερία μέρα ρε έμα πλαίριξ και για έμα ρσγκεκοιμέμξ υοξμικϊ διάρςημα. Άλλεπ ιδιϊςηςεπ ςηπ εμπιρςξρϋμηπ είμαι ϊςι μπξοεί μα είμαι έμαποξπ-έμα (αμάμερα ρε 2 ξμςϊςηςεπ), έμα-ποξπ-πξλλά (εμπιρςξρϋμη μιαπ ξμςϊςηςαπ ρε μια ξμάδα ξμςξςήςχμ), πξλλά-ποξπ-έμα (εμπιρςξρϋμη μιαπ ξμάδαπ ξμςξςήςχμ ρε μια ξμςϊςηςα), αλλά και πξλλά-ποξπ-πξλλά (εμπιρςξρϋμη μιαπ ξμάδαπ ξμςξςήςχμ ρε μια άλλη ξμάδα ξμςξςήςχμ). Ακϊμα, η εμπιρςξρϋμη είμαι μη-ρσμμεςοική, καθόπ η εμπιρςξρϋμη μιαπ ξμςϊςηςαπ Α ρε μια ξμςϊςηςα Β δεμ είμαι ίδια με ςημ εμπιρςξρϋμη ςηπ ξμςϊςηςαπ Β ρςημ Α. Δπιπλέξμ, έυει διαςσπχθεί ϊςι η εμπιρςξρϋμη δεμ ποέπει μα είμαι μεςαβαςική (Η ξμςϊςηςα Α εμπιρςεϋεςαι ςημ ξμςϊςηςα Β και η Διαμαμςίδξσ Δσαγγελία ελίδα 18

ξμςϊςηςα Β εμπιρςεϋεςαι ςημ ξμςϊςηςα Γ άοα η ξμςϊςηςα Α εμπιρςεϋεςαι ςημ ξμςϊςηςα Γ). Η μεςαβαςικϊςηςα ςηπ εμπιρςξρϋμηπ μπξοεί μα έυει αποξρδϊκηςα και αμεπιθϋμηςα απξςελέρμαςα, χρςϊρξ, ρε ξοιρμέμεπ πεοιπςόρειπ, μπξοεί μα είμαι υοήριμη για ςξμ σπξλξγιρμϊ ςηπ εμπιρςξρϋμηπ μεςανϋ ςχμ ξμςξςήςχμ. Σέλξπ, η εμπιρςξρϋμη έυει επίπεδα ςα ξπξία μπξοεί μα είμαι διακοιςά ή ρσμευή. Έμαπ πιξ ςσπικϊπ ξοιρμϊπ ςηπ εμπιρςξρϋμηπ ρϋμτχμα με ςξμ [GΑΜ 90] είμαι ξ παοακάςχ: Δμπιρςξρύμη είμαι έμα ρσγκεκοιμέμξ επίπεδξ ςηπ σπξκειμεμικήπ πιθαμόςηςαπ με ςημ ξπξία έμαπ ποάκςξοαπ εκςιμά όςι έμαπ άλλξπ ποάκςξοαπ ή μια ξμάδα ποακςόοχμ θα ποαγμαςξπξιήρξσμ μια εμέογεια ποιμ μπξοέρει μα παοακξλξσθήρει ή μα ελέγνει ασςή ςημ εμέογεια και ρε έμα πλαίριξ μέρα ρςξ ξπξίξ ασςό επηοεάζει ςη δική ςξσ δοάρη. Οι [MUI 02] υοηριμξπξιξϋμ ςξμ ϊοξ «σπξκειμεμική ποξρδξκία» αμςί ςξσ ϊοξσ «σπξκειμεμική πιθαμϊςηςα» για μα ςξμίρξσμ ϊςι η εμπιρςξρϋμη πξσ έυει έμαπ ποάκςξοαπ ρε έμαμ άλλξμ είμαι μια αθοξιρςική πξρϊςηςα βαριρμέμη ρε έμαμ αοιθμϊ ποϊςεοχμ αλληλεπιδοάρεχμ μεςανϋ ςξσπ. Έςρι, καςαλήγξσμ ρςξμ παοακάςχ ξοιρμϊ: Δμπιρςξρύμη είμαι η σπξκειμεμική ποξρδξκία πξσ έυει έμαπ ποάκςξοαπ για ςη μελλξμςική ρσμπεοιτξοά εμόπ άλλξσ ποάκςξοα, βαριρμέμξπ ρςξ ιρςξοικό ςχμ ποόςεοώμ ςξσπ ρσμαλλαγώμ. Ο ξοιρμϊπ ασςϊπ αματέοεςαι ρςξ ιρςξοικϊ ποϊςεοχμ, ποξωπξθέςει, λξιπϊμ, ςημ ϋπαονη ποξηγξϋμεμχμ, ποξκειμέμξσ μα βοεθεί η εμπιρςξρϋμη ςξσ εμϊπ ποάκςξοα ρςξμ άλλξμ. Ο σπξλξγιρμϊπ ςηπ εμπιρςξρϋμηπ με βάρη ςιπ άμερεπ εμπειοίεπ απϊ αλληλεπιδοάρειπ ςχμ ποακςϊοχμ απξςελεί έμαμ απϊ ςξσπ πιξ ανιϊπιρςξσπ ςοϊπξσπ για ςημ παοαγχγή ςηπ. Οι έμμξιεπ ςηπ εμπιρςξρϋμηπ και ςηπ τήμηπ ρσυμά αματέοξμςαι απϊ κξιμξϋ ή και ρσγυέξμςαι, χρςϊρξ απξςελξϋμ δϋξ διακοιςέπ έμμξιεπ. Και για ςημ τήμη έυξσμ δξθεί διάτξοξι ξοιρμξί, κάπξιξι απϊ ςξσπ ξπξίξσπ είμαι: - Φήμη είμαι η αμςίληφη πξσ έμαπ ποάκςξοαπ δημιξσογεί μέρχ ςχμ ποξηγξύμεμχμ δοάρεώμ ςξσ ρυεςικά με ςιπ ποξθέρειπ και ςξσπ καμόμεπ ςξσ [MUI 02] - Φήμη είμαι ξι πληοξτξοίεπ πξσ υοηριμξπξιξύμε για μα κάμξσμε μια ανιόλξγη κοίρη εμόπ αμθοώπξσ ή εμόπ αμςικειμέμξσ [FAR 10] - Φήμη είμαι η ποξρδξκία για ςη ρσμπεοιτξοά εμόπ ποάκςξοα βαριρμέμη ρε πληοξτξοίεπ ή παοαςηοήρειπ ςηπ ποόςεοήπ ςξσ ρσμπεοιτξοάπ [ABD 00] σμεπόπ, γίμεςαι αμςιληπςϊ ϊςι η εμπιρςξρϋμη και η τήμη είμαι αλληλέμδεςεπ αλλά διακοιςέπ έμμξιεπ. Οι πληοξτξοίεπ τήμηπ είμαι ρημαμςικέπ για ςη λήφη απξςελερμαςικόμ και εμημεοχμέμχμ απξτάρεχμ εμπιρςξρϋμηπ. σμεπόπ, η τήμη απξςελεί έμαμ μηυαμιρμϊ εναγχγήπ εμπιρςξρϋμηπ και δεμ αμςικαθιρςά ςημ έμμξια ςηπ εμπιρςξρϋμηπ πξσ απξςελεί μια πιξ εσοεία και ρϋμθεςη έμμξια. Διαμαμςίδξσ Δσαγγελία ελίδα 19

2.2 Καςηγξοίεπ σρςημάςχμ Δμπιρςξρύμηπ και Υήμηπ Η καςηγξοιξπξίηρη ςχμ σρςημάςχμ Δμπιρςξρϋμηπ και Υήμηπ (ΔΥ) απξςελεί μια δϋρκξλη διαδικαρία, καθόπ η εμπιρςξρϋμη και η τήμη, ϊπχπ ποξαματέοθηκε, υοηριμξπξιξϋμςαι ρε έμα εσοϋ τάρμα καςαρςάρεχμ και εταομξγόμ. Ακξλξσθεί μια καςηγξοιξπξίηρη ςχμ ρσρςημάςχμ εμπιρςξρϋμηπ και τήμηπ, ρϋμτχμα με ςξμ [SAB 03], πξσ υοηριμξπξιξϋμςαι ρε σπξλξγιρςικά μξμςέλα με βάρη κάπξια υαοακςηοιρςικά. 2.2.1 Καςηγξοιξπξίηρη με βάρη ςξ εμμξιξλξγικό μξμςέλξ Με βάρη ςξ εμμξιξλξγικϊ μξμςέλξ, ςα ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ διακοίμξμςαι ρε: Γμχρςικά (Cognitive). Σα ρσρςήμαςα ασςά βαρίζξμςαι ρςημ ποξρέγγιρη ϊςι «η εμπιρςξρϋμη και η τήμη ποξκϋπςξσμ απϊ βαθϋςεοεπ πεπξιθήρειπ και είμαι ρσμάοςηρη ςξσ βαθμξϋ ασςόμ ςχμ πεπξιθήρεχμ». ςημ γμχρςική ποξρέγγιρη, ξι μξηςικέπ καςαρςάρειπ πξσ ξδήγηραμ ρςημ εμπιρςξρϋμη και ρςη τήμη, καθόπ και ξι μξηςικέπ ρσμέπειεπ πξσ ποξέκσφαμ απϊ ςημ εμπιρςξρϋμη ρε έμαμ ποάκςξοα, απξςελξϋμ ρημαμςικϊ μέοξπ ςηπ ποξρέγγιρηπ. Θεχοίαπ παιγμίχμ (Game-theoretical). Η εμπιρςξρϋμη και η τήμη θεχοξϋμςαι «σπξκειμεμικέπ πιθαμϊςηςεπ με ςιπ ξπξίεπ μια ξμςϊςηςα Α ποξρδξκά ϊςι μια άλλη ξμςϊςηςα Β θα εκςελέρει μια ρσγκεκοιμέμη εμέογεια η ξπξία επηοεάζει ςημ εσημεοία (κέοδξπ) ςηπ ξμςϊςηςαπ Α [GAM 90]». Η εμπιρςξρϋμη και η τήμη δεμ είμαι ςξ απξςέλερμα μιαπ μξηςικήπ καςάρςαρηπ ςξσ ποάκςξοα, αλλά εμϊπ οεαλιρςικξϋ παιυμιδιξϋ με ρσμαοςήρειπ υοηριμϊςηςαπ και αοιθμηςικήπ ρσγκέμςοχρηπ ςχμ ποξηγξϋμεμχμ αλληλεπιδοάρεχμ. 2.2.2 Καςηγξοιξπξίηρη με βάρη ςιπ πηγέπ πληοξτξοιώμ Σα ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ μπξοξϋμ μα καςηγξοιξπξιηθξϋμ και χπ ποξπ ςιπ πηγέπ ςχμ πληοξτξοιόμ πξσ λαμβάμξσμ ξι ποάκςξοεπ σπϊφη ποξκειμέμξσ μα σπξλξγίρξσμ ςιπ ςιμέπ εμπιρςξρϋμηπ και τήμηπ. Η υοήρη παοαπάμχ απϊ μιαπ πηγήπ πληοξτξοιόμ απϊ έμαμ ποάκςξοα ασνάμει ςημ ανιξπιρςία ςχμ ςιμόμ εμπιρςξρϋμηπ και τήμηπ πξσ σπξλξγίζει, αλλά ςασςϊυοξμα ασνάμει και ςημ πξλσπλξκϊςηςα ςξσ μξμςέλξσ. Οι πηγέπ πληοξτξοιόμ πξσ υοηριμξπξιξϋμςαι απϊ ςξσπ ποάκςξοεπ είμαι ξι ενήπ: Άμερεπ εμπειοίεπ (Direct experiences). Ασςή είμαι, αμαμτιρβήςηςα, η πιξ ρυεςική και ανιϊπιρςη πηγή πληοξτξοιόμ για έμα ρϋρςημα εμπιρςξρϋμηπ και τήμηπ. Τπάουξσμ δϋξ είδη άμερχμ εμπειοιόμ πξσ υοηριμξπξιξϋμ ξι ποάκςξοεπ. Σξ ποόςξ είμαι ξι εμπειοίεπ πξσ ποξκϋπςξσμ απϊ άμερεπ αλληλεπιδοάρειπ ςξσ ποάκςξοα με άλλξσπ ποάκςξοεπ και υοηριμξπξιείςαι ρυεδϊμ απϊ ϊλα ςα ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ. Σξ δεϋςεοξ είμαι ξι εμπειοίεπ πξσ ποξκϋπςξσμ απϊ παοαςηοήρειπ ςχμ αλληλεπιδοάρεχμ άλλχμ ποακςϊοχμ και πεοιξοίζεςαι ρε ρσρςήμαςα πξσ ασςϊ είμαι ετικςϊ. Πληοξτξοίεπ μαοςύοχμ (Witness information). Ποϊκειςαι για πληοξτξοίεπ πξσ έμαπ ποάκςξοαπ λαμβάμει απϊ άλλξσπ ποάκςξοεπ και ξι ξπξίεπ Διαμαμςίδξσ Δσαγγελία ελίδα 20

βαρίζξμςαι ρε άμερεπ εμπειοίεπ ςχμ ποακςϊοχμ ή ρε πληοξτξοίεπ πξσ ασςξί ρσμέλεναμ, με ςη ρειοά ςξσπ, απϊ άλλξσπ ποάκςξοεπ. Οι πληοξτξοίεπ ασςέπ βοίρκξμςαι ρε ατθξμία ρε ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ, αλλά είμαι δϋρκξλξ μα υοηριμξπξιηθξϋμ λϊγχ ςηπ αβεβαιϊςηςαπ πξσ ςιπ πεοιβάλλει. Η αβεβαιϊςηςα ποξκϋπςει απϊ ςξ γεγξμϊπ ϊςι ξι ποάκςξοεπ- μάοςσοεπ μπξοεί μα παοαπξιήρξσμ ή μα κοϋφξσμ πληοξτξοίεπ ενσπηοεςόμςαπ ςξ δικϊ ςξσπ ρσμτέοξμ. Κξιμχμιξλξγικέπ πληοξτξοίεπ (Sociological information). Η βάρη ασςόμ ςχμ πληοξτξοιόμ είμαι ξι κξιμχμικέπ ρυέρειπ μεςανϋ ςχμ ποακςϊοχμ (ενάοςηρη, εμπξοικέπ ρυέρειπ, αμςαγχμιρμϊπ, ρσμεογαρία και άλλεπ), καθόπ και ξ οϊλξπ ή ξι οϊλξι πξσ ξι ποάκςξοεπ παίζξσμ ρςξ κξιμχμικϊ ρϋμξλξ ρςξ ξπξίξ είμαι εμςαγμέμξι. Οι κξιμχμικέπ ρυέρειπ μεςανϋ ςχμ ποακςϊοχμ ρε έμα πξλσποακςξοικϊ ρϋρςημα απξςελξϋμ μια απλξπξιημέμη απξμίμηρη ςχμ πιξ ρϋμθεςχμ ρυέρεχμ μεςανϋ ςχμ αμθοόπχμ ρε έμα ποαγμαςικϊ κξιμχμικϊ ρϋμξλξ. Μϊμξ λίγα απϊ ςα σπάουξμςα ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ υοηριμξπξιξϋμ ασςϊ ςξ είδξπ ςχμ πληοξτξοιόμ για μα σπξλξγίρξσμ ή μα βελςιόρξσμ ςιπ σπξλξγιρθείρεπ ςιμέπ εμπιρςξρϋμηπ και τήμηπ. Η υοηριμξπξίηρή ςξσπ γίμεςαι με ςη βξήθεια ςευμικόμ ϊπχπ η αμάλσρη κξιμχμικώμ δικςύχμ (social network analysis). Η ρσμευόπ ασναμϊμεμη πξλσπλξκϊςηςα ςχμ πξλσποακςξοικόμ ρσρςημάςχμ ξδηγεί ρςη υοήρη ςέςξιξσ είδξσπ πληοξτξοιόμ ρε ϊλξ και πεοιρρϊςεοα ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ. Ποξκαςάληφη (Prejudice). Η ποξκαςάληφη είμαι κι ασςή μια πηγή πληοξτξοιόμ πξσ δεμ υοηριμξπξιείςαι ρσυμά ρε ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ αλλά παο ϊλα ασςά έυει κάπξιεπ εταομξγέπ ρε πξλσποακςξοικά ρσρςήμαςα. Η έμμξια ςηπ ποξκαςάληφηπ ρ ασςά ςα ρσρςήμαςα δεμ έυει ςημ αομηςική έμμξια πξσ έυει ϊςαμ υοηριμξπξιείςαι ρε κξιμχμίεπ αμθοόπχμ, αλλά αματέοεςαι ρςξ μηυαμιρμϊ ςηπ εκυόοηρηπ ιδιξςήςχμ (ϊπχπ είμαι η τήμη) ρε ποάκςξοεπ αμάλξγα με ςημ ξμάδα ρςημ ξπξία ασςξί αμήκξσμ ή σπάουξσμ εμδείνειπ ϊςι αμήκξσμ. 2.2.3 Καςηγξοιξπξίηρη με βάρη ςξσπ ςύπξσπ ποξβξλήπ Τπάουξσμ ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ ϊπξσ η εμπιρςξρϋμη και η τήμη απξςελξϋμ καθξλικέπ ιδιόςηςεπ και είμαι ξοαςέπ ρε ϊλα ςα μέλη ςξσ ρσρςήμαςξπ και άλλα πξσ ξι ιδιϊςηςεπ ασςέπ είμαι σπξκειμεμικέπ και ποξρχπικέπ ςξσ κάθε μέλξσπ. ςημ ποόςη πεοίπςχρη, ξι ςιμέπ ςηπ εμπιρςξρϋμηπ και ςηπ τήμηπ σπξλξγίζξμςαι απϊ ςιπ απϊφειπ ξμςξςήςχμ πξσ ρςξ παοελθϊμ έυξσμ αλληλεπιδοάρει με ςιπ ξμςϊςηςεπ ςιπ ξπξίεπ κοίμξσμ χπ ποξπ ςημ εμπιρςξρϋμη και ςη τήμη ςξσπ. Οι ςιμέπ ασςέπ είμαι δημϊρια διαθέριμεπ ρε ϊλα ςα μέλη ςξσ ρσρςήμαςξπ και αμαμεόμξμςαι κάθε τξοά πξσ γίμεςαι μια καιμξϋοια ανιξλϊγηρη ςξσ μέλξσπ. Η πεοίπςχρη ασςή ρσμαμςάςαι ρςα πεοιρρϊςεοα online ρσρςήμαςα πξσ υοηριμξπξιξϋμ μηυαμιρμξϋπ τήμηπ. Ο λϊγξπ είμαι ϊςι ςα ρσρςήμαςα ασςά πεοιλαμβάμξσμ έμαμ πξλϋ μεγάλξ αοιθμϊ υοηρςόμ και η πιθαμϊςηςα επαμαλαμβαμϊμεμηπ αλληλεπίδοαρηπ δϋξ υοηρςόμ είμαι πξλϋ μικοή. Σξ ποϊβλημα πξσ ρσμαμςάςαι ρε ασςήμ ςημ ποξρέγγιρη είμαι η έλλειφη εναςξμίκεσρηπ ςχμ ςιμόμ εμπιρςξρϋμηπ και τήμηπ πξσ παοάγξμςαι, καθόπ κάςι πξσ είμαι κακϊ για κάπξιξμ μπξοεί μα είμαι απξδεκςϊ για ςξσπ άλλξσπ ή ςξ αμςίθεςξ. Διαμαμςίδξσ Δσαγγελία ελίδα 21

ςη δεϋςεοη πεοίπςχρη, κάθε ξμςϊςηςα ξοίζει μια εναςξμικεσμέμη ςιμή εμπιρςξρϋμηπ ή τήμηπ για κάθε άλλη ξμςϊςηςα ςξσ ρσρςήμαςξπ, με βάρη πιξ ποξρχπικά ρςξιυεία ϊπχπ άμερεπ εμπειοίεπ, πληοξτξοίεπ μαοςϋοχμ, ρυέρειπ μεςανϋ ςχμ ξμςξςήςχμ και άλλα. ε ασςή ςημ πεοίπςχρη, δεμ μπξοξϋμε μα κάμξσμε λϊγξ για ςημ εμπιρςξρϋμη ή ςη τήμη μιαπ ξμςϊςηςαπ x, αλλά για ςημ εμπιρςξρϋμη ή ςη τήμη μιαπ ξμςϊςηςαπ x ϊπχπ ασςή γίμεςαι αμςιληπςή απϊ μια άλλη ξμςϊςηςα y. Σα ρσρςήμαςα ασςά ατξοξϋμ κσοίχπ μικοξϋ ή μεραίξσ μεγέθξσπ πεοιβάλλξμςα ϊπξσ ξι ποάκςξοεπ αλληλεπιδοξϋμ ρσυμά και δημιξσογξϋμ ιρυσοξϋπ δερμξϋπ μεςανϋ ςξσπ. 2.2.4 Καςηγξοιξπξίηρη με βάρη ςη διακοιςόςηςα Δίμαι αμαμτιρβήςηςξ ϊςι η εμπιρςξρϋμη και η τήμη είμαι έμμξιεπ πξσ ρσμδέξμςαι με ςξ πλαίριξ μέρα ρςξ ξπξίξ ξοίζξμςαι. Έςρι, μια ξμςϊςηςα πξσ θεχοείςαι έμπιρςη ρε έμα ρσγκεκοιμέμξ πλαίριξ μπξοεί μα μημ είμαι καθϊλξσ έμπιρςη ρε κάπξιξ άλλξ πλαίριξ. Για παοάδειγμα, θεχοξϋμε έμπιρςξ έμαμ μηυαμικϊ σπξλξγιρςόμ ρςξ μα ρυεδιάρει και μα εγκαςαρςήρει μια εταομξγή ρςξμ σπξλξγιρςή μαπ αλλά δεμ ςξμ θεχοξϋμε έμπιρςξ ρςξ μα μαπ ποξςείμει πξιά θεοαπεσςική αγχγή θα ακξλξσθήρξσμε. Έςρι, ςα ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ μπξοξϋμ μα διαυχοιρςξϋμ ρε ασςά πξσ δε λαμβάμξσμ σπϊφη ςξσπ ςξ πλαίριξ εταομξγήπ ρςξμ σπξλξγιρμϊ ςχμ ςιμόμ εμπιρςξρϋμηπ και τήμηπ (single-context) και ρε ασςά πξσ διαθέςξσμ ςξσπ μηυαμιρμξϋπ για μα αμςιμεςχπίζξσμ πξλλά πλαίρια (multi-context) σπξλξγίζξμςαπ μια ςιμή εμπιρςξρϋμηπ ή τήμηπ για κάθε πλαίριξ εταομξγήπ για κάθε ξμςϊςηςα ςξσ ρσρςήμαςξπ. 2.2.5 Καςηγξοιξπξίηρη με βάρη ςιπ σπξθέρειπ για ςιπ ρσμπεοιτξοέπ ςχμ ποακςόοχμ Σα ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ μπξοξϋμ μα καςηγξοιξπξιηθξϋμ ρε 3 καςηγξοίεπ με βάρη ςιπ σπξθέρειπ πξσ κάμξσμ για ςιπ ρσμπεοιτξοέπ ςχμ ποακςϊοχμ ϊρξμ ατξοά ςη δσμαςϊςηςά ςξσπ μα εναπαςξϋμ ή μα λέμε φέμαςα: Δπίπεδξ 0. Σα ρσρςήμαςα ασςά θεχοξϋμ ϊςι ξι ποάκςξοεπ δεμ εναπαςξϋμ. ςημ ποαγμαςικϊςηςα, θεχοξϋμ ϊςι σπάουει έμαπ μεγάλξπ αοιθμϊπ ποακςϊοχμ πξσ ποξρτέοξσμ ειλικοιμείπ ανιξλξγήρειπ έςρι όρςε μα ενξσδεςεοόμξσμ ςημ πιθαμή επίδοαρη ανιξλξγήρεχμ απϊ κακϊβξσλξσπ ποάκςξοεπ. Δπίπεδξ 1. Σα ρσρςήμαςα ασςά θεχοξϋμ ϊςι ξι ποάκςξοεπ μπξοεί μα κοϋβξσμ πληοξτξοίεπ αλλά δεμ λέμε πξςέ φέμαςα. Δπίπεδξ 2. Σα ρσρςήμαςα ασςά θεχοξϋμ ϊςι ξι ποάκςξοεπ μπξοεί μα λέμε φέμαςα και έυξσμ ςξσπ καςάλληλξσπ μηυαμιρμξϋπ για μα ςξ αμςιμεςχπίρξσμ. 2.2.6 Καςηγξοιξπξίηρη με βάρη ςξμ ςύπξ ςχμ πληοξτξοιώμ πξσ αμςαλλάρρξμςαι Τπάουξσμ 2 μεγάλεπ καςηγξοίεπ ρσρςημάςχμ εμπιρςξρϋμηπ και τήμηπ με βάρη ςχμ ςϋπξ ςχμ πληοξτξοιόμ μαοςϋοχμ πξσ αμςαλλάρρξμςαι μεςανϋ ςχμ ποακςϊοχμ. Η ποόςη υοηριμξπξιεί boolean πληοξτξοίεπ και, ρσμήθχπ, ρςηοίζεςαι ρε πιθαμξλξγικέπ μεθϊδξσπ, εμό η δεϋςεοη υοηριμξπξιεί ρσμευή μέςοα ποξρδιξοιρμξϋ ςηπ εμπιρςξρϋμηπ και ςηπ τήμηπ. Διαμαμςίδξσ Δσαγγελία ελίδα 22

2.2.7 Καςηγξοιξπξίηρη με βάρη ςξ μέςοξ ανιξπιρςίαπ ςχμ ςιμώμ εμπιρςξρύμηπ και τήμηπ Αοκεςέπ τξοέπ, ϊρξ ρημαμςική είμαι η ςιμή ςηπ εμπιρςξρϋμηπ ή ςηπ τήμηπ ασςή καθ ασςή, άλλξ ςϊρξ ρημαμςική είμαι η γμόρη ςηπ ανιξπιρςίαπ ασςήπ ςηπ ςιμήπ και ςηπ βαοϋςηςαπ πξσ ποέπει μα δξθεί ρε ασςήμ ρςη διαδικαρία λήφηπ ςηπ ςελικήπ απϊταρηπ. Τπάουξσμ μξμςέλα πξσ εμρχμαςόμξσμ μηυαμιρμξϋπ για ςημ παοξυή ςέςξιχμ πληοξτξοιόμ πξσ ρςιπ πεοιρρϊςεοεπ πεοιπςόρειπ απξςελξϋμ μια ςιμή πξσ ρσμδέεςαι ρςημ ςιμή ςηπ εμπιρςξρϋμηπ ή ςηπ τήμηπ. Σα ρςξιυεία πξσ λαμβάμξμςαι σπϊφη για ςξμ σπξλξγιρμϊ ςηπ ανιξπιρςίαπ μιαπ ςιμήπ εμπιρςξρϋμηπ ή τήμηπ διατέοξσμ αμάλξγα με ςξ ρϋρςημα. Κάπξια ςέςξια ρςξιυεία μπξοεί μα είμαι ξ αοιθμϊπ ςχμ εμπειοιόμ, η ανιξπιρςία ςχμ μαοςϋοχμ, η παλαιϊςηςα ςχμ πληοξτξοιόμ πξσ υοηριμξπξιξϋμςαι για ςξμ σπξλξγιρμϊ ςηπ εμπιρςξρϋμηπ ή ςηπ τήμηπ και άλλα. 2.3 Διαυείοιρη εμπιρςξρύμηπ Η διαυείοιρη ςηπ εμπιρςξρύμηπ (trust management) ξοίζεςαι απϊ ςξμ [BLA 96] χπ «μια εμξπξιημέμη ποξρέγγιρη για ςξμ καθξοιρμϊ και ςημ εομημεία ςχμ πξλιςικόμ αρταλείαπ, ςχμ διαπιρςεσςηοίχμ και ςχμ ρυέρεχμ πξσ επιςοέπξσμ ςημ άμερη ενξσριξδϊςηρη κοίριμχμ απϊ άπξφη αρτάλειαπ εμεογειόμ». Έμαπ πιξ γεμικϊπ ξοιρμϊπ ςηπ απϊ ςξμ [GRA 03] είμαι ξ ενήπ: «Η διαυείοιρη εμπιρςξρϋμηπ είμαι μια διαδικαρία ρσλλξγήπ, κχδικξπξίηρηπ, αμάλσρηπ και παοξσρίαρηπ ρςξιυείχμ πξσ ρυεςίζξμςαι με ςημ επάοκεια, ςημ ειλικοίμεια, ςημ αρτάλεια και ςημ ανιξπιρςία με ρκξπϊ ςημ ποαγμαςξπξίηρη ανιξλξγήρεχμ και ςη λήφη απξτάρεχμ ρυεςικόμ με ςιπ ρυέρειπ εμπιρςξρϋμηπ». Τπάουξσμ 2 κϋοιεπ ποξρεγγίρειπ διαυείοιρηπ εμπιρςξρϋμηπ: η διαυείοιρη εμπιρςξρύμηπ βαριρμέμη ρςημ πξλιςική και η διαυείοιρη εμπιρςξρύμηπ βαριρμέμηπ ρςη τήμη. 2.3.1. Διαυείοιρη εμπιρςξρύμηπ βαριρμέμη ρςημ πξλιςική Η διαυείοιρη εμπιρςξρϋμηπ βαριρμέμη ρςημ πξλιςική (policy-based trust management) έυει ποξςαθεί χπ λϋρη ρςξ ποϊβλημα ςηπ ενξσριξδϊςηρηπ και ςξσ ελέγυξσ ποϊρβαρηπ ρε αμξικςά και καςαμεμημέμα ρσρςήμαςα. κξπϊπ ςηπ είμαι μα καθξοίρει αμ έμαπ άγμχρςξπ υοήρςηπ είμαι έμπιρςξπ, με βάρη μια ρειοά διαπιρςεσςηοίχμ και πξλιςικόμ. Η εμπιρςξρϋμη βαριρμέμη ρςημ πξλιςική ρυεςίζεςαι, κσοίχπ, με απξτάρειπ ελέγυξσ ποϊρβαρηπ και ποξξοίζεςαι για ρσρςήμαςα με σφηλέπ αμάγκεπ ποξρςαρίαπ ςχμ ξπξίχμ η λειςξσογία καθξοίζεςαι απϊ ρϋμθεςξσπ καμϊμεπ ξι ξπξίξι μπξοεί μα αλλάζξσμ. 2.3.2 Διαυείοιρη εμπιρςξρύμηπ βαριρμέμη ρςη τήμη Η διαυείοιρη εμπιρςξρϋμηπ βαριρμέμη ρςη τήμη (reputation-based trust management) είμαι μια ποξρέγγιρη πξσ υοηριμξπξιείςαι, κσοίχπ, ρε ρσρςήμαςα ηλεκςοξμικόμ αγξοόμ και ερςιάζει ρε μξμςέλα σπξλξγιρμξϋ εμπιρςξρϋμηπ πξσ μπξοεί μα απξδξθεί ρε μια ρσγκεκοιμέμη ξμςϊςηςα με βάρη ςξ ιρςξοικϊ ςηπ ποϊςεοήπ ςηπ ρσμπεοιτξοάπ. Σα κϋοια ρημεία πξσ υαοακςηοίζξσμ ςέςξια ρσρςήμαςα τήμηπ είμαι ξ σπξλξγιρμϊπ ςηπ εμπιρςξρϋμηπ και η διαυείοιρη ςχμ δεδξμέμχμ τήμηπ. Η εμπιρςξρϋμη βαριρμέμη ρςη τήμη υοηριμξπξιείςαι, κσοίχπ, ρε Διαμαμςίδξσ Δσαγγελία ελίδα 23

καςαμεμημέμα δίκςσα ϊπξσ ςξ ρϋρςημα έυει πεοιξοιρμέμη ποϊρβαρη ρςιπ πληοξτξοίεπ ϊλξσ ςξσ δικςϋξσ. 2.4 Αμάλσρη κύοιχμ μξμςέλχμ Δμπιρςξρύμηπ και Υήμηπ Σα κϋοια και πιξ αμςιποξρχπεσςικά μξμςέλα εμπιρςξρϋμηπ και τήμηπ είμαι ρϋμτχμα με ςξσπ [MAR 10] ςα ενήπ: 2.4.1 Μξμςέλα Πξλσποακςξοικώμ σρςημάςχμ Σα μξμςέλα πξλσποακςξοικώμ ρσρςημάςχμ ρςϊυξ έυξσμ μα αμςικαςξπςοίζξσμ ςη ρσλλξγική ρσμπεοιτξοά ςχμ αμθοόπιμχμ κξιμχμιόμ, καθόπ ξι ποάκςξοεπ μιμξϋμςαι ςημ αμθοόπιμη λξγική και ρσμπεοιτξοά ρε ηλεκςοξμικά πεοιβάλλξμςα απξταρίζξμςαπ με πξιξμ ποάκςξοα θα αλληλεπιδοάρξσμ. Έυξσμ αμαπςσυθεί διάτξοα μξμςέλα εμπιρςξρϋμηπ και τήμηπ για πξλσποακςξοικά ρσρςήμαςα, κάπξια απϊ ςα ξπξία είμαι ςα ενήπ: Sporas. Σξ μξμςέλξ ασςϊ ποξςάθηκε απϊ ςξσπ [ZAC 00] και ποϊκειςαι για έμαμ μηυαμιρμϊ εναγχγήπ ςιμόμ τήμηπ για ρσρςήμαςα ποακςϊοχμ, ρςξμ ξπξίξμ η τήμη σπξλξγίζεςαι αμαδοξμικά και ξι πιξ ποϊρταςεπ ανιξλξγήρειπ έυξσμ και ςη μεγαλϋςεοη βαοϋςηςα. σγκεκοιμέμα, κάθε τξοά πξσ δημιξσογείςαι μια καιμξϋοια ανιξλϊγηρη για κάπξιξμ ποάκςξοα, αμαμεόμεςαι η ςιμή τήμηπ ασςξϋ ςξσ ποάκςξοα υοηριμξπξιόμςαπ έμαμ αλγϊοιθμξ ξ ξπξίξπ ακξλξσθεί ςιπ παοακάςχ αουέπ: 1. Οι μέξι υοήρςεπ νεκιμξϋμ με μια ελάυιρςη ςιμή τήμηπ ςημ ξπξία ρςαδιακά ασνάμξσμ με ςη δοαρςηοιϊςηςά ςξσπ ρςξ ρϋρςημα. 2. Η ςιμή τήμηπ εμϊπ υοήρςη δεμ πέτςει πξςέ κάςχ απϊ ςημ ςιμή τήμηπ εμϊπ καιμξϋοιξσ υοήρςη. 3. Μεςά απϊ κάθε ρσμαλλαγή, ξι ςιμέπ τήμηπ ςχμ υοηρςόμ πξσ ρσμμεςείυαμ ρε ασςή ςη ρσμαλλαγή αμαμεόμξμςαι έςρι όρςε μα αμςικαςξπςοίζξσμ ςημ ανιξπιρςία ςξσπ ρςημ ςελεσςαία ρσμαλλαγή. 4. Οι υοήρςεπ με πξλϋ μεγάλεπ ςιμέπ τήμηπ σπξβάλλξμςαι ρε πξλϋ μικοϊςεοεπ αλλαγέπ ανιξλξγήρεχμ μεςά απϊ κάθε αμαμέχρη. 5. Οι ανιξλξγήρειπ ποέπει μα υάμξσμ ςημ ανία ςξσπ με ςημ πάοξδξ ςξσ υοϊμξσ έςρι όρςε ξι πιξ ποϊρταςεπ ανιξλξγήρειπ μα έυξσμ μεγαλϋςεοξ βάοξπ ρςημ ανιξλϊγηρη ςηπ τήμηπ εμϊπ υοήρςη. Οι αουέπ 1 και 2 έυξσμ ρκξπϊ μα απξςοέπξσμ ςξσπ υοήρςεπ με κακή τήμη μα εγκαςαλείπξσμ ςξ ρϋρςημα και μα ειρέουξμςαι χπ καιμξϋοιξι υοήρςεπ με μέα ςιμή τήμηπ (ετϊρξμ η ςιμή τήμηπ εμϊπ μέξσ υοήρςη είμαι η μικοϊςεοη δσμαςή). Ωρςϊρξ, ασςϊ μπξοεί μα απξθαοοϋμει ςξσπ μέξσπ υοήρςεπ μα ειρέλθξσμ ρςξ ρϋρςημα. Δπιπλέξμ, ςξ Sporas ειράγει έμα μέςοξ ανιξπιρςίαπ ςχμ ςιμόμ τήμηπ βαριρμέμξ ρςη διακϋμαμρη ςξσπ. Μεγάλη ςιμή διακϋμαμρηπ ρημαίμει είςε ϊςι ξ υοήρςηπ δεμ ήςαμ αοκεςά εμεογϊπ έςρι όρςε μα παοάγει μια πιξ ακοιβή ποϊβλεφη για ςη τήμη ςξσ, είςε ϊςι η ρσμπεοιτξοά ςξσ υοήρςη παοξσριάζει μεγάλη διακϋμαμρη. Έςρι, κάθε υοήρςηπ έυει μια ςιμή εμπιρςξρϋμηπ και μια ςιμή ανιξπιρςίαπ πξσ είμαι διαθέριμη ρε ϊλξσπ ςξσπ υοήρςεπ. Οι ςιμέπ ασςέπ υάμξσμ ςημ ανία ςξσπ με ςημ πάοξδξ ςξσ υοϊμξσ καθόπ λαμβάμξμςαι καιμξϋοιεπ ανιξλξγήρειπ. Με ςξμ ςοϊπξ ασςϊ, ςξ Sporas μπξοεί μα ποξραομξρςεί ρε αλλαγέπ ςηπ Διαμαμςίδξσ Δσαγγελία ελίδα 24

ρσμπεοιτξοάπ ςξσ υοήρςη με βάρη ςημ πιξ ποϊρταςη ανιξλϊγηρη για ασςϊμ. σμξπςικά, ςξ Sporas παοέυει έμα μέςοξ εμπιρςξρϋμηπ πξσ παοξσριάζει πιξ επιθσμηςά υαοακςηοιρςικά ρε ρυέρη με άλλα παοϊμξια online ρσρςήμαςα ϊπχπ ασςϊ ςξσ e-bay ή ςξσ Amazon. Ωρςϊρξ, η κεμςοικξπξιημέμη ρυεδίαρη ςξσ ςξ καθιρςά ακαςάλληλξ για πξλλέπ εταομξγέπ αμξικςόμ πξλσποακςξοικόμ ρσρςημάςχμ. Regret. Σξ μξμςέλξ ασςϊ ποξςάθηκε απϊ ςξσπ [SAB 01] και ποϊκειςαι για έμα απϊ ςα πιξ αμςιποξρχπεσςικά μξμςέλα εμπιρςξρϋμηπ και τήμηπ για πξλσποακςξοικά ρσρςήμαςα. Διαυειοίζεςαι ςη τήμη απϊ 3 καςεσθϋμρειπ: ςημ αςξμική, πξσ ποξκϋπςει απϊ ςιπ άμερεπ αλληλεπιδοάρειπ με ςξμ ποάκςξοα, ςημ κξιμχμική, απϊ ςιπ αλληλεπιδοάρειπ ςχμ σπϊλξιπχμ μελόμ με ςξμ ποάκςξοα και ςημ ξμςξλξγική πξσ ποξκϋπςει απϊ έμαμ ρσμδσαρμϊ υαοακςηοιρςικόμ ποξκειμέμξσ μα σπξλξγίρει ςη τήμη ρε πιξ πξλϋπλξκεπ πεοιπςόρειπ. σγκεκοιμέμα, κάθε ποάκςξοαπ, μεςά απϊ κάθε ρσμαλλαγή, ανιξλξγεί ςη ρσμπεοιτξοά ςχμ ποακςϊοχμ με ςξσπ ξπξίξσπ ρσμαλλάυθηκε και απξθηκεϋει ασςέπ ςιπ ανιξλξγήρειπ ρε μια ςξπική βάρη δεδξμέμχμ. Όςαμ υοειαρςεί μα γίμει μια ανιξλϊγηρη εμπιρςξρϋμηπ ξι ρυεςικέπ ανιξλξγήρειπ θα αμςληθξϋμ απϊ ςη βάρη. ςη ρσμέυεια δίμει βάοη ρε ασςέπ ςιπ ανιξλξγήρειπ με ςιπ πιξ ποϊρταςεπ μα έυξσμ μεγαλϋςεοξ βάοξπ, και σπξλξγίζει έςρι μια ςιμή εμπιρςξρϋμηπ πξσ ξμξμάζεςαι άμερη εμπιρςξρϋμη. Όπχπ και ςξ Sporas, έςρι και ςξ Regret, παοέυει και μια ςιμή ανιξπιρςίαπ για κάθε ςιμή εμπιρςξρϋμηπ πξσ αμςιποξρχπεϋει ςημ ποξγμχρςική ςηπ δϋμαμη. Η ςιμή ανιξπιρςίαπ ποξκϋπςει απϊ δϋξ μέςοα ανιξπιρςίαπ: ςξμ αοιθμϊ ςχμ ανιξλξγήρεχμ πξσ ελήτθηραμ σπϊφη για ςξμ σπξλξγιρμϊ ςηπ εμπιρςξρϋμηπ και ςη διακϋμαμρη ασςόμ ςχμ ανιξλξγήρεχμ. Δπιπλέξμ, ςξ Regret αμαπςϋρρει μια μέθξδξ ρσμάθοξιρηπ ςχμ αματξοόμ ςχμ μαοςϋοχμ. σγκεκοιμέμα, υοηριμξπξιόμςαπ ςξ κξιμχμικϊ δίκςσξ πξσ καλείςαι μα διαμξοτόρει κάθε ποάκςξοαπ, βοίρκει μάοςσοεπ και απξταρίζει πξιξσπ ποέπει μα ρσμβξσλεσςεί ξ ποάκςξοαπ και ςι βάοη θα δόρει ρςιπ απϊφειπ ςξσπ. σμξφίζξμςαπ, η απξκεμςοχμέμη ποξρέγγιρη ςξσ Regret επιςοέπει ρςξσπ ποάκςξοεπ μα ανιξλξγξϋμ μϊμξι ςξσπ ςημ εμπιρςξρϋμη υχοίπ ςη υοήρη εμϊπ κεμςοικξϋ μηυαμιρμξϋ. Έςρι, μπξοεί μα υοηριμξπξιηθεί χπ μξμςέλξ εμπιρςξρϋμηπ ρε αμξικςά πξλσποακςξοικά ρσρςήμαςα. Ωρςϊρξ, ςξ μξμςέλξ ασςϊ δεμ είμαι εϋκξλα εταομϊριμξ επειδή δεμ ξοίζει πόπ έμαπ ποάκςξοαπ θα υςίρει ςξ κξιμχμικϊ ςξσ δίκςσξ, ρςξ ξπξίξ ςξ μξμςέλξ ρςηοίζεςαι ρε μεγάλξ βαθμϊ. AFRAS. Σξ μξμςέλξ ασςϊ ποξςάθηκε απϊ ςξσπ [CAR 03] και ποϊκειςαι για έμαμ μηυαμιρμϊ τήμηπ ρε πξλσποακςξοικά ρσρςήμαςα ϊπξσ η τήμη εμϊπ ποάκςξοα και η ανιξλϊγηρη ςηπ αλληλεπίδοαρηπ μξμςελξπξιξϋμςαι χπ αρατή ρϋμξλα. MTrust. ςξ μξμςέλξ MTrust, πξσ ποξςάθηκε απϊ ςξμ [SON 06], υοηριμξπξιείςαι έμα μπαγεριαμϊ δίκςσξ (Bayesian network) ποξκειμέμξσ μα σπξλξγιρςξϋμ ξι ςιμέπ εμπιρςξρϋμηπ μεςανϋ ςχμ ξμςξςήςχμ ςξσ δικςϋξσ. Διαμαμςίδξσ Δσαγγελία ελίδα 25

2.4.2 Μξμςέλα P2P Δικςύχμ Σα online P2P πεοιβάλλξμςα κεοδίζξσμ ρσμευόπ έδατξπ χπ μέρα για ςημ κξιμή υοήρη και ςη διαμξμή πληοξτξοιόμ. Ωρςϊρξ, ςξ γεγξμϊπ ϊςι απξςελξϋμ αμξικςά πεοιβάλλξμςα ςα καθιρςά ιδαμικά για ςη διάδξρη λαμθαρμέμχμ πληοξτξοιόμ, παοεμβξλόμ ή ακϊμα και κακϊβξσλχμ σπηοεριόμ. Έμαπ ςοϊπξπ για μα μειχθεί ασςϊ ςξ ποϊβλημα είμαι η υοήρη μξμςέλχμ εμπιρςξρϋμηπ και τήμηπ για ςημ εϋοερη ςχμ έμπιρςχμ μελόμ ςξσ δικςϋξσ (peers). Έυξσμ ποξςαθεί διάτξοα μξμςέλα εμπιρςξρϋμηπ και τήμηπ για ςα P2P δίκςσα κάπξια απϊ ςα ξπξία είμαι: DWTrust. ςξ μξμςέλξ ασςϊ, πξσ ποξςάθηκε απϊ ςξσπ [HUA 06], ϊλξι ξι παοάγξμςεπ πξσ επηοεάζξσμ ςημ εμπιρςξρϋμη αμαπαοιρςόμςαι χπ δσμαμικά βάοη πξσ ποξραομϊζξμςαι αμάλξγα με ςημ πξλιςική εμπιρςξρϋμηπ κάθε κϊμβξσ ςξσ δικςϋξσ (node) μέρχ αμαδοάρεχμ. Ασςξϋ ςξσ είδξσπ η αμαπαοάρςαρη βξηθά ςη μξμςελξπξίηρη αλλά και ςξμ σπξλξγιρμϊ ςηπ εμπιρςξρϋμηπ. Η εμπιρςξρϋμη εμϊπ κϊμβξσ x ρε έμαμ κϊμβξ y ςη υοξμική ρςιγμή t μξμςελξπξιείςαι ρςξ μξμςέλξ DWTrust χπ μια πλειάδα: w x y,t = (b x y,t, d x y,t, u x y,t, a x y,t) (εν. 2.1) ϊπξσ ςα b x y,t, d x y,t, u x y,t, a x y,t αμαπαοιρςξϋμ ςιπ ρσμαοςήρειπ ςηπ ανιξπιρςίαπ, ςηπ αμανιξπιρςίαπ, ςηπ αβεβαιϊςηςαπ και ςηπ ρυεςικήπ αςξμικϊςηςαπ ςξσ x για ςξμ y ςη υοξμική ρςιγμή t και ικαμξπξιξϋμ ςημ b x y,t + d x y,t + u x y,t = 1 (εν. 2.2) AntRep. Ποξςάθηκε απϊ ςξσπ [WAN 06] και ποϊκειςαι για έμα καιμξϋοιξ μξμςέλξ πξσ ποξςείμει ςη υοήρη εμϊπ ρσρςήμαςξπ μσομηγκιόμ για ςξ απξςελερμαςικϊ υςίριμξ ρυέρεχμ εμπιρςξρϋμηπ ρε P2P δίκςσα. Ο σπξλξγιρμϊπ ςηπ εμπιρςξρϋμηπ γίμεςαι μέρχ πιμάκχμ τήμηπ και πιθαμξςήςχμ επιλξγήπ κάθε γείςξμα ρςξ δίκςσξ χπ ςξμ επϊμεμξ κϊμβξ ρςξμ ξπξίξμ θα μεςακιμηθξϋμ ςα μσομήγκια. EigenTrust. Απξςελεί έμα απϊ ςα πιξ διαδεδξμέμα μξμςέλα για P2P δίκςσα και ποξςάθηκε απϊ ςξσπ [KAM 03]. Καςξοθόμει μα μειόμει ςξμ αοιθμϊ ςχμ λήφεχμ μη-γμήριχμ αουείχμ ρε P2P δίκςσα διαμξιοαρμξϋ αουείχμ εκυχοόμςαπ μια μξμαδική καθξλική ςιμή εμπιρςξρϋμηπ ρε κάθε μέλξπ ςξσ δικςϋξσ με βάρη ςξ ιρςξοικϊ ςχμ λήφεόμ ςξσ. Οοίζξσμε χπ sat(i,j) ςξμ αοιθμϊ ςχμ ικαμξπξιηςικόμ ςξσ μέλξσπ i με ςξ μέλξπ j (αμαλϊγχπ ξοίζεςαι και ςξ unsat(i,j) χπ ξ αοιθμϊπ ςχμ μη ικαμξπξιηςικόμ ). Η ςξπική ςιμή εμπιρςξρϋμηπ ξοίζεςαι χπ ακξλξϋθχπ: s ij = sat(i,j) - unsat(i,j) (εν. 2.3) Η καθξλική ςιμή εμπιρςξρϋμηπ κάθε μέλξσπ i σπξλξγίζεςαι απϊ ςιπ ςξπικέπ ςιμέπ εμπιρςξρϋμηπ ςχμ σπξλξίπχμ μελόμ ςξσ δικςϋξσ ρςξ μέλξπ i, με βάοη ςιπ καθξλικέπ ςιμέπ εμπιρςξρϋμηπ ςχμ μελόμ. Διαμαμςίδξσ Δσαγγελία ελίδα 26

2.4.3 Μξμςέλα Ad-hoc δικςύχμ Σα Mobile Ad-hoc networks (MANETs) πεοιλαμβάμξσμ κϊμβξσπ σπξλξγιρςόμ πξσ επικξιμχμξϋμ μέρχ αρϋομαςχμ δικςϋχμ υχοίπ ςημ ϋπαονη κάπξιαπ κεμςοικήπ μξμάδαπ ελέγυξσ. Έςρι, η σιξθέςηρη μέςοχμ για ςημ απξτσγή ςηπ κακϊβξσληπ και εγχιρςικήπ ρσμπεοιτξοάπ ςχμ κϊμβχμ ςξσ δικςϋξσ είμαι απαοαίςηςη ρε ςέςξιξσ είδξσπ δίκςσα. Η υοήρη μξμςέλχμ εμπιρςξρϋμηπ και τήμηπ ρε ad-hoc δίκςσα απξςελεί ςη βάρη για ςη διαλειςξσογικϊςηςα σβοιδικόμ δικςϋχμ, αλλά και για ςη δσμαςϊςηςα επικξιμχμίαπ ςχμ υοηρςόμ διαμέρξσ ςξσπ. 2.4.4 Μξμςέλα δικςύχμ αρύομαςχμ αιρθηςήοχμ Σα μξμςέλα δικςϋχμ αρϋομαςχμ αιρθηςήοχμ (Wireless Sensor Networks models) κεοδίζξσμ ρσμευόπ έδατξπ λϊγχ ςχμ πξλλαπλόμ και καιμξςϊμχμ εταομξγόμ ςξσπ και ςχμ μξμαδικόμ υαοακςηοιρςικόμ ςξσπ. Δίμαι, χρςϊρξ, εσάλχςα ρε έμαμ μεγάλξ αοιθμϊ επιθέρεχμ αρταλείαπ, έμαπ ρημαμςικϊπ αοιθμϊπ απϊ ςιπ ξπξίεπ μπξοεί μα εναλειτθεί με ςη υοήρη μιαπ απξςελερμαςικήπ διαυείοιρηπ εμπιρςξρϋμηπ και τήμηπ. Ο κϋοιξπ ρςϊυξπ ςχμ ρσρςημάςχμ εμπιρςξρϋμηπ και τήμηπ ρε αρϋομαςα δίκςσα επικξιμχμίαπ είμαι η παοξυή βξήθειαπ ρςξσπ κϊμβξσπ ςξσ δικςϋξσ ϊρξμ ατξοά ςη διάκοιρη μεςανϋ ςχμ έμπιρςχμ και ςχμ μη-έμπιρςχμ κϊμβχμ, εμθαοοϋμξμςαπ ςξσπ κϊμβξσπ μα εμεογξϋμ ανιϊπιρςα και απξθαοοϋμξμςαπ ςη ρσμμεςξυή αμανιϊπιρςχμ κϊμβχμ ρςξ δίκςσξ. Δϋξ ακϊμη ρςϊυξι ςχμ ρσρςημάςχμ εμπιρςξρϋμηπ και τήμηπ ρε αρϋομαςα δίκςσα επικξιμχμίαπ είμαι η αμςιμεςόπιρη ξπξιαρδήπξςε κακϊβξσληπ ρσμπεοιτξοάπ πξσ παοαςηοείςαι ρςξ δίκςσξ και η ελαυιρςξπξίηρη ςχμ ζημιόμ πξσ ποξκαλξϋμςαι απϊ ερχςεοικέπ επιθέρειπ. 2.4.5 σρςαςικά μξμςέλχμ εμπιρςξρύμηπ και τήμηπ ϋμτχμα με ςξσπ [MAR 06], έμα μξμςέλξ εμπιρςξρϋμηπ και τήμηπ απξςελείςαι, ρε γεμικέπ γοαμμέπ, απϊ ςα παοακάςχ υαοακςηοιρςικά, ϊπχπ ταίμεςαι και ρςημ παοακάςχ εικϊμα: 1. Ση ρσλλξγή ςχμ πληοξτξοιόμ ρσμπεοιτξοάπ (gathering information) 2. Ση βαθμξλϊγηρη και ανιξλϊγηρη ςχμ ξμςξςήςχμ, δηλαδή ςχμ μελόμ, ςχμ κϊμβχμ, ςχμ ποακςϊοχμ ή ςχμ αιρθηςήοχμ (scoring & ranking) 3. Σημ επιλξγή ςχμ ξμςξςήςχμ (entity selection) 4. Ση ρσμαλλαγή (transaction) 5. Σημ επιβοάβεσρη και ςημ ςιμχοία ςχμ ξμςξςήςχμ (reward & punish) Διαμαμςίδξσ Δσαγγελία ελίδα 27

Δικόμα 1. σρςαςικά μξμςέλχμ εμπιρςξρύμηπ και τήμηπ - γεμική όφη Σξ ποόςξ ρσρςαςικϊ εμϊπ βαρικξϋ μξμςέλξσ εμπιρςξρϋμηπ και τήμηπ είμαι η ρσλλξγή ςχμ πληοξτξοιόμ ρσμπεοιτξοάπ για ςιπ ξμςϊςηςεπ ςξσ ρσρςήμαςξπ. Οι πληοξτξοίεπ ασςέπ θα υοηριμξπξιηθξϋμ για μα καθξοιρςεί πϊρξ έμπιρςεπ είμαι ασςέπ ξι ξμςϊςηςεπ (είςε ρε απϊλσςη κλίμακα, είςε ρε ρυέρη με ςιπ σπϊλξιπεπ ξμςϊςηςεπ). Οι πληοξτξοίεπ ασςέπ μπξοεί μα ποξέλθξσμ απϊ διάτξοεπ πηγέπ ξι ξπξίεπ πεοιλαμβάμξσμ άμερεπ εμπειοίεπ, εμπειοίεπ γειςϊμχμ, γμχοιμίεπ, η ξμάδα ρςημ ξπξία αμήκει κάπξια ξμςϊςηςα και ξι μάοςσοεπ. ςιπ πεοιπςόρειπ ϊπξσ ξι πληοξτξοίεπ δεμ ποξέουξμςαι απϊ άμερεπ εμπειοίεπ ποέπει μα λητθεί σπϊφη και η ακεοαιϊςηςα ςχμ πληοξτξοιόμ δηλαδή η εμπιρςξρϋμη πξσ έυει μια ξμςϊςηςα ρςιπ απϊφειπ ςχμ άλλχμ ξμςξςήςχμ. Γι ασςϊ ςξ λϊγξ ξοιρμέμα μξμςέλα δεμ ανιξλξγξϋμ ςιπ ξμςϊςηςεπ μϊμξ χπ ποξπ ςημ παοξυή σπηοεριόμ αλλά και χπ ποξπ ςημ παοξυή πληοξτξοιόμ και ανιξλξγήρεχμ. Δτϊρξμ έυξσμ ρσλλευθεί ξι παοαπάμχ πληοξτξοίεπ, πξσ ατξοξϋμ ςξ ιρςξοικϊ μιαπ ξμςϊςηςαπ, και έυξσμ δξθεί καςάλληλα βάοη για κάθε μια, μπξοεί μα γίμει ξ σπξλξγιρμϊπ ςηπ εμπιρςξρϋμηπ και/ή ςηπ τήμηπ για ασςή ςημ ξμςϊςηςα. Ο σπξλξγιρμϊπ ασςϊπ μπξοεί μα γίμει με διάτξοξσπ ςοϊπξσπ ξι ξπξίξι πεοιλαμβάμξσμ ςη υοήρη αρατξϋπ λξγικήπ, πιθαμξςικόμ δικςϋχμ, αμαλσςικόμ εκτοάρεχμ ή αλγξοίθμχμ. Σελικά, ποξκϋπςει μια ςξπική ή καθξλική ςιμή εμπιρςξρϋμηπ ή/και τήμηπ η ξπξία μπξοεί μα μξμςελξπξιηθεί ρα δσαδική ςιμή (π.υ. έμπιρςξπ / μη έμπιρςξπ), κλιμακχςϊπ ακέοαιξπ (π.υ. 1,2,,9,10), ρςξιυείξ απϊ μια ξμάδα γλχρρικόμ εςικεςόμ (π.υ. { πξλϋ έμπιρςξπ, έμπιρςξπ, αμανιϊπιρςξπ, πξλϋ αμανιϊπιρςξπ }), ςιμή απϊ έμα ρσμευέπ διάρςημα (π.υ. [0,1]) και άλλα. Όπχπ αματέοθηκε και ποξηγξσμέμχπ, είμαι ρημαμςικϊ μα λητθεί σπϊφη η διακοιςϊςηςα ςηπ ςιμήπ εμπιρςξρϋμηπ ή/και τήμηπ πξσ ποξκϋπςει, καθόπ κάπξιξι μηυαμιρμξί θεχοξϋμ ςη ρσμπεοιτξοά ςχμ ξμςξςήςχμ εμιαία εμό άλλξι ςη διακοίμξσμ αμάλξγα με ςημ ποξρτεοϊμεμη σπηοερία, εκυχοόμςαπ διατξοεςική ςιμή ανιξλϊγηρηπ για κάθε ποξρτεοϊμεμη σπηοερία. Σξ επϊμεμξ ρσρςαςικϊ εμϊπ βαρικξϋ μξμςέλξσ είμαι η απϊταρη για ςημ επιλξγή ςηπ ξμςϊςηςαπ με ςημ ξπξία θα αλληλεπιδοάρει (η ξμςϊςηςα η ξπξία υοηριμξπξιεί ςξ μξμςέλξ εμπιρςξρϋμηπ και τήμηπ) με βάρη ςιπ ςιμέπ εμπιρςξρϋμηπ ή/και τήμηπ πξσ ποξέκσφαμ. Σιπ πεοιρρϊςεοεπ τξοέπ ρςξ ρημείξ ασςϊ επιλέγεςαι η πιξ έμπιρςη ξμςϊςηςα αλλά ασςϊ δεμ είμαι σπξυοεχςικϊ, καθόπ μπξοεί μα υοηριμξπξιηθεί μια ρσμάοςηρη υοηριμϊςηςαπ πξσ λαμβάμει σπϊφη ςημ πξιϊςηςα ςηπ ποξρτεοϊμεμηπ σπηοερίαπ, ςιπ ςιμέπ εμπιρςξρϋμηπ και τήμηπ και άλλα. Δτϊρξμ Διαμαμςίδξσ Δσαγγελία ελίδα 28

έυει επιλεγεί η ξμςϊςηςα ποξπ αλληλεπίδοαρη ακξλξσθεί η ρσμαλλαγή ασςή καθ ασςή μεςανϋ ςχμ ξμςξςήςχμ. Σέλξπ, μεςά ςημ ξλξκλήοχρη ςηπ ρσμαλλαγήπ, η ξμςϊςηςα πελάςηπ ςημ ανιξλξγεί έςρι όρςε μα μπξοεί μα επιβοαβεϋρει ή μα ςιμχοήρει ςημ ξμςϊςηςα η ξπξία ποξρέτεοε ςημ σπηοερία. Σξ ρσρςαςικϊ ασςϊ είμαι πξλϋ ρημαμςικϊ για έμα μξμςέλξ εμπιρςξρϋμηπ και τήμηπ καθόπ η ακοίβεια ςχμ ανιξλξγήρεχμ εμπιρςξρϋμηπ ή/και τήμηπ εναοςάςαι απϊ ςξ πϊρξ δίκαια ανιξλξγείςαι μια ξμςϊςηςα. ςημ παοακάςχ εικϊμα ταίμεςαι μια πιξ εκςεςαμέμη ϊφη ςχμ ρσρςαςικόμ εμϊπ μξμςέλξσ εμπιρςξρϋμηπ και τήμηπ. Δικόμα 2. σρςαςικά μξμςέλχμ εμπιρςξρύμηπ και τήμηπ - εκςεςαμέμη όφη 2.5 Αουιςεκςξμικέπ ρσρςημάςχμ τήμηπ Δϋξ είμαι ξι βαρικέπ αουιςεκςξμικέπ βάρει ςχμ ξπξίχμ δξμείςαι έμα ρϋρςημα τήμηπ: ςα κεμςοικά και ςα καςαμεμημέμα ρσρςήμαςα τήμηπ. 2.5.1 Κεμςοικά ρσρςήμαςα τήμηπ ε ασςά ςα ρσρςήμαςα η απϊδξρη εμϊπ ρσμμεςέυξμςα καθξοίζεςαι απϊ ςιπ ανιξλξγήρειπ απϊ άλλα μέλη ςξσ ρσρςήμαςξπ ςα ξπξία είυαμ άμερη εμπειοία με ασςϊμ. σγκεκοιμέμα, μεςά απϊ κάθε ρσμαλλαγή, ξι ποάκςξοεπ/υοήρςεπ δίμξσμ ςιπ ανιξλξγήρειπ ςξσπ για ςιπ μεςανϋ ςξσπ απξδϊρειπ/ρσμπεοιτξοά πξσ ατξοξϋμ ςη ρσμαλλαγή. Τπάουει μία κεμςοική μξμάδα πξσ ξμξμάζεςαι κέμςοξ τήμηπ (reputation centre) και η ξπξία ρσγκεμςοόμει ϊλεπ ασςέπ ςιπ ανιξλξγήρειπ, σπξλξγίζει ςα ρκξο τήμηπ κάθε ρσμμεςέυξμςα και ςα δημξριξπξιεί. ςη ρσμέυεια, ξι Διαμαμςίδξσ Δσαγγελία ελίδα 29

ρσμμεςέυξμςεπ υοηριμξπξιξϋμ ασςά ςα ρκξο ποξκειμέμξσ μα απξταρίρξσμ αμ θα ποαγμαςξπξιήρξσμ μια ρσμαλλαγή με κάπξια απϊ ςιπ σπϊλξιπεπ ξμςϊςηςεπ. Σξ κέμςοξ τήμηπ ρσμευόπ εμημεοόμει ςα ρκξο τήμηπ ςχμ ρσμμεςευϊμςχμ με βάρη μέεπ ανιξλξγήρειπ πξσ λαμβάμει. Παοαδείγμαςα κεμςοικξπξιημέμχμ ρσρςημάςχμ τήμηπ είμαι ασςϊ πξσ υοηριμξπξιεί ςξ e-bay και ςξ Sporas πξσ αμαλϋθηκε ποξηγξσμέμχπ. Δικόμα 3. Κεμςοικξπξιημέμξ ρύρςημα τήμηπ ύρςημα τήμηπ πξσ υοηριμξπξιεί ςξ e-bay Σξ μξμςέλξ τήμηπ πξσ υοηριμξπξιεί ςξ e-bay [RES 02] είμαι έμα κεμςοικξπξιημέμξ ρϋρςημα τήμηπ ρςξ ξπξίξ ξι υοήρςεπ μπξοξϋμ μα αματέοξσμ ςη ρσμπεοιτξοά ςχμ σπξλξίπχμ υοηρςόμ ρε παλιϊςεοεπ ρσμαλλαγέπ μέρχ ανιξλξγήρεχμ και ρυξλίχμ. Με ςξμ ςοϊπξ ασςϊ ξι υοήρςεπ μπξοξϋμ μα μάθξσμ για ςημ ποξηγξϋμεμη ρσμπεοιτξοά εμϊπ υοήρςη ποξκειμέμξσ μα απξταρίρξσμ αμ θα ρσμδιαλλαγξϋμ μαζί ςξσ ή ϊυι. Έςρι, έμαπ υοήρςηπ ςξσ e-bay, μεςά απϊ μια ρσμαλλαγή, μπξοεί μα ανιξλξγήρει ςξμ υοήρςη με ςξμ ξπξίξμ ρσμαλλάυθηκε με μια απϊ ςιπ ςιμέπ -1,0,+1 πξσ αμςιποξρχπεϋξσμ αομηςική, ξσδέςεοη και θεςική ανιξλϊγηρη αμςίρςξιυα. Οι ανιξλξγήρειπ απξθηκεϋξμςαι κεμςοικά και η ςιμή ςηπ εμπιρςξρϋμηπ σπξλξγίζεςαι χπ ςξ άθοξιρμα ςχμ ανιξλξγήρεχμ για διάρςημα 6 μημόμ. ε ασςά ςα ρσρςήμαςα, λξιπϊμ, η τήμη είμαι μια καθξλική μξμαδική ςιμή πξσ αμςιποξρχπεϋει ςη ρσμξλική ανιξπιρςία ςξσ υοήρςη. Σξ μξμςέλξ ασςϊ είμαι αοκεςά απλϊ για ςημ πεοίπςχρη πξλσποακςξοικόμ ρσρςημάςχμ, καθόπ σπξλξγίζει ςημ ανιξπιρςία εμϊπ ποάκςξοα μϊμξ χπ ποξπ μια διάρςαρη κάςι ςξ ξπξίξ δεμ είμαι αοκεςϊ ρςημ πεοίπςχρη ρϋμθεςχμ πξλσποακςξοικόμ ρσρςημάςχμ. Δπιπλέξμ, ξ μηυαμιρμϊπ ασςϊπ δεμ μπξοεί μα ποξραομξρςεί ρε αλλαγέπ ρςη ρσμπεοιτξοά εμϊπ υοήρςη, καθόπ ξι ανιξλξγήρειπ αθοξίζξμςαι ιρϊςιμα. σμξφίζξμςαπ, ξι ςιμέπ εμπιρςξρϋμηπ ασςόμ ςχμ ρσρςημάςχμ πεοιέυξσμ πξλϋ λίγη πληοξτξοία και ξι υοήρςεπ ςξσπ ποέπει μα αμαζηςήρξσμ ρυϊλια ποξκειμέμξσ μα λάβξσμ πεοιρρϊςεοεπ πληοξτξοίεπ. σμεπόπ, ξι μηυαμιρμξί ασςξί δεμ εμδείκμσμςαι ρςημ πεοίπςχρη ποακςϊοχμ πξσ παίομξσμ απξτάρειπ ασςϊμξμα και δεμ έυξσμ κάπξιξ κέμςοξ πξσ ελέγυει ςη ρσμπεοιτξοά ςξσπ. Διαμαμςίδξσ Δσαγγελία ελίδα 30

2.5.2 Καςαμεμημέμα ρσρςήμαςα τήμηπ ε ασςά ςα ρσρςήμαςα δεμ σπάουει κάπξιξ κέμςοξ τήμηπ πξσ μα ρσγκεμςοόμει ςιπ ανιξλξγήρειπ και μα σπξλξγίζει ςα ρκξο τήμηπ. ε ασςήμ ςημ πεοίπςχρη, είςε σπάουξσμ καςαμεμημέμξι υώοξι ϊπξσ απξθηκεϋξμςαι ξι ανιξλξγήρειπ, είςε ξ κάθε υοήρςηπ καςαυχοεί ςη γμόμη ςξσ για ςξσπ άλλξσπ υοήρςεπ, μεςά απϊ κάπξια ρσμαλλαγή με ασςξϋπ και ρςη ρσμέυεια δημξριξπξιεί ασςή ςη γμόμη και ρε άλλξσπ υοήρςεπ ετϊρξμ ςξσ ζηςηθεί. ςη ρσμέυεια ξ υοήρςηπ σπξλξγίζει μϊμξπ ςξσ ςξ ρκξο τήμηπ ςξσ υοήρςη με ςξμ ξπξίξ θέλει μα ρσμαλλαγεί απϊ ςιπ ανιξλξγήρειπ πξσ ρσμέλενε αλλά και απϊ μια πιθαμή δική ςξσ ανιξλϊγηρη, ετϊρξμ είυε άμερη εμπειοία με ασςϊμ, και η ξπξία είμαι πιθαμϊ μα έυει μεγαλϋςεοη βαοϋςηςα απϊ ςιπ σπϊλξιπεπ. Παοαδείγμαςα καςαμεμημέμχμ ρσρςημάςχμ τήμηπ είμαι ςα Jurca and Faltings, Regret, Referral System και TRAVOS. Δικόμα 4. Καςαμεμημέμξ ρύρςημα τήμηπ ύρςημα τήμηπ Jurca and Faltings ςξ ρϋρςημα τήμηπ Jurca and Faltings [JUR 03] δίμξμςαι κίμηςοα ρςξσπ ποάκςξοεπ μα αματέοξσμ με ειλικοίμεια ςα απξςελέρμαςα ςχμ ςξσπ. Οοίζεςαι έμα ρϋμξλξ ποακςϊοχμ (πξσ ξμξμάζξμςαι R-ποάκςξοεπ) ξι ξπξίξι αγξοάζξσμ και αθοξίζξσμ αματξοέπ άλλχμ ποακςϊοχμ αλλά και πξσλάμε πληοξτξοίεπ τήμηπ ρε ασςξϋπ ϊςαμ ςξσπ ζηςηθεί. Η τήμη εμϊπ ποάκςξοα ποξκϋπςει απϊ ςξ μέρξ ϊοξ ςχμ αματξοόμ για ασςϊμ ςξμ ποάκςξοα. Σξ κίμηςοξ πξσ δίμεςαι ρςξσπ ποάκςξοεπ ποξκειμέμξσ ασςξί μα κάμξσμ αματξοέπ με ειλικοίμεια είμαι ϊςι ξι ποάκςξοεπ πξσ κάμξσμ λαμθαρμέμεπ αματξοέπ ρςαδιακά υάμξσμ υοήμαςα εμό ξι έμςιμξι ποάκςξοεπ ϊυι. Δπξμέμχπ, ξ μηυαμιρμϊπ ασςϊπ καθιρςά λξγικϊ για έμαμ ποάκςξοα μα αματέοει ςιπ παοαςηοήρειπ ςξσ με ειλικοίμεια. Έμα μειξμέκςημα ασςξϋ ςξσ μηυαμιρμξϋ είμαι ϊςι ξι αματξοέπ τήμηπ πεοιξοίζξμςαι ρςιπ ςιμέπ 0 και 1 (0 για ποάκςξοεπ πξσ εναπαςξϋμ και 1 για ςίμιξσπ ποάκςξοεπ) ξπϊςε δεμ εμδείκμσςαι για εταομξγέπ πξσ απαιςξϋμ αματξοέπ πξσ αμαπαοιρςόμςαι με πεοιρρϊςεοεπ ςιμέπ. Referral System Οι Yu και Singh [YU 02], [YU 03] αμέπςσναμ ασςϊμ ςξμ μηυαμιρμϊ ποξκειμέμξσ μα δημιξσογήρξσμ έμα ρϋρςημα τήμηπ βαριρμέμξ ρε πληοξτξοίεπ μαοςϋοχμ. Ο μηυαμιρμϊπ ασςϊπ βξηθά ςξσπ ποάκςξοεπ μα Διαμαμςίδξσ Δσαγγελία ελίδα 31

εμςξπίρξσμ πηγέπ πληοξτξοιόμ (μάοςσοεπ) βαριρμέμξι ρςημ ποξρχπική ςξσπ γμόρη και ςη βξήθεια άλλχμ ποακςϊοχμ υχοίπ ςη υοήρη κάπξιαπ κεμςοικήπ σπηοερίαπ. Οπϊςε, ασςή η ποξρέγγιρη μπξοεί μα εταομξρθεί ρε αμξικςά πξλσποακςξοικά ρσρςήμαςα πξσ είμαι απϊ ςη τϋρη ςξσπ καςαμεμημέμα. σγκεκοιμέμα, ρε ασςϊ ςξ ρϋρςημα ξι ποάκςξοεπ ρσμεογάζξμςαι δίμξμςαπ, ζηςόμςαπ και ανιξλξγόμςαπ παοαπξμπέπ (referrals), δηλαδή ρσρςάρειπ ϊρξμ ατξοά με πξιξσπ ποάκςξοεπ μα αλληλεπιδοάρξσμ. Κάθε ποάκςξοαπ ρςξ ρϋρςημα διαςηοεί μια λίρςα γμχοιμιόμ (ποακςϊοχμ πξσ γμχοίζει) και ςηπ εμπειοξγμχμξρϋμηπ ςξσπ. Έςρι, ϊςαμ κάπξιξπ ποάκςξοαπ αμαζηςά μια πληοξτξοία οχςά έμαμ αοιθμϊ ποακςϊοχμ πξσ γμχοίζει. Ασςξί με ςη ρειοά ςξσπ είςε απαμςξϋμ, αμ γμχοίζξσμ, είςε ρςέλμξσμ παοαπξμπέπ για άλλξσπ ποάκςξοεπ πξσ πιρςεϋξσμ ϊςι έυξσμ ςη ζηςξϋμεμη πληοξτξοία (βαριρμέμξι ρςημ εμπειοξγμχμξρϋμη ςξσπ). TRAVOS Σξ TRAVOS [TEA 05] είμαι έμα μξμςέλξ εμπιρςξρϋμηπ πξσ κάμει υοήρη ςηπ θεχοίαπ ςχμ πιθαμξςήςχμ και βαρίζεςαι ρε παοαςηοήρειπ ςχμ παοελθϊμςχμ αλληλεπιδοάρεχμ μεςανϋ ςχμ ποακςϊοχμ. ε ασςϊ ςξ μξμςέλξ, ςξ απξςέλερμα μιαπ ρσμαλλαγήπ απλξπξιείςαι ρε μια δσαδική ανιξλϊγηρη (1 για επιςσυή ρσμαλλαγή και 0 για αμεπιςσυή). Η υοηριμξπξίηρη δσαδικόμ ανιξλξγήρεχμ επιςοέπει ρςξ TRAVOS μα κάμει υοήρη ςηπ ξικξγέμειαπ ςχμ ρσμαοςήρεχμ πσκμϊςηςαπ πιθαμϊςηςαπ (probability density functions PDF) ρςη μξμςελξπξίηρη ςηπ πιθαμϊςηςαπ μα έυει έμαπ ποάκςξοαπ επιςσυή ρσμαλλαγή με κάπξιξμ άλλξμ ποάκςξοα. Η πιθαμϊςηςα ασςή υοηριμξπξιείςαι χπ ςιμή εμπιρςξρϋμηπ ασςξϋ ςξσ ποάκςξοα. Ακϊμη, ςξ TRAVOS σπξλξγίζει μέρχ ςχμ PDFs ςημ ανιξπιρςία ςχμ ςιμόμ εμπιρςξρϋμηπ ειράγξμςαπ έμα επίπεδξ απξδεκςξϋ λάθξσπ. Αμ η ανιξπιρςία μιαπ ςιμήπ εμπιρςξρϋμηπ είμαι κάςχ απϊ μια ποξκαθξοιρμέμη ελάυιρςη ςιμή ςξ TRAVOS θα αμαζηςήρει πληοξτξοίεπ μαοςϋοχμ για ςημ παοελθξμςική ρσμπεοιτξοά ςξσ ποάκςξοα ρςξμ ξπξίξμ αματέοεςαι η ςιμή εμπιρςξρϋμηπ. Μεςά ςημ αλληλεπίδοαρη με ςξμ ποάκςξοα, γίμεςαι ανιξλϊγηρη ςξσ μάοςσοα ρσγκοίμξμςαπ ςιπ αματξοέπ πξσ ασςϊπ έδχρε με ςιπ δικέπ ςξσ παοαςηοήρειπ. Έςρι, σπξλξγίζει ςημ πιθαμϊςηςα ξι πληοξτξοίεπ ςξσ μάοςσοα μα αμςικαςξπςοίζξσμ ποαγμαςικά ςη ρσμπεοιτξοά ςξσ ποάκςξοα. Ωρςϊρξ, η απλξπξιημέμη και πεοιξοιρμέμη αμαπαοάρςαρη ςχμ ανιξλξγήρεχμ πξσ υοηριμξπξιεί ςξ TRAVOS δεμ είμαι καςάλληλη για μια πληθόοα εταομξγόμ ρε αμξικςά πξλσποακςξοικά ρσρςήμαςα. 2.6 σρςήμαςα τήμηπ ρςξ διαδίκςσξ Σα ρσρςήμαςα τήμηπ βοίρκξμςαι πίρχ απϊ μεοικά απϊ ςα πιξ γμχρςά websites καςαμαλχςόμ. ςξμ παοακάςχ πίμακα ταίμξμςαι ςα ρσρςήμαςα τήμηπ πξσ υοηριμξπξιξϋμ ξι 25 πιξ δημξτιλείπ ιρςξρελίδεπ (ρϋμτχμα με ςξ Alexa.com). Όλεπ υοηριμξπξιξϋμ ςξσλάυιρςξμ έμα ρϋρςημα τήμηπ χπ κοίριμξ κξμμάςι ςηπ λειςξσογίαπ ςξσπ, πξλλέπ υοηριμξπξιξϋμ πεοιρρϊςεοα απϊ έμα και αοκεςέπ δεμ θα μπξοξϋραμ μα λειςξσογήρξσμ υχοίπ ρσρςήμαςα τήμηπ. Διαμαμςίδξσ Δσαγγελία ελίδα 32

Πίμακαπ 1. Φοήρη ρσρςημάςχμ τήμηπ από ςιπ πιξ δημξτιλείπ ιρςξρελίδεπ. Πηγή: [FAR 10] * Ατξοά πξλλέπ google και yahoo ιρςξρελίδεπ Σξ μξμςέλξ vote to promote απξςελεί παοαλλαγή ςξσ μξμςέλξσ favorites and flags και διαδϊθηκε, κσοίχπ, μέρχ ςηπ υοήρηπ ςξσ ρε δημξτιλείπ ιρςξρελίδεπ ειδήρεχμ. ε ασςϊ ςξ μξμςέλξ ξ υοήρςηπ ποξχθεί έμα ρσγκεκοιμέμξ πεοιευϊμεμξ φητίζξμςάπ ςξ. Έςρι, πεοιευϊμεμα με πεοιρρϊςεοεπ φήτξσπ αμεβαίμξσμ ρςημ καςάςανη και εμταμίζξμςαι με πεοιρρϊςεοη έμταρη. Σξ μξμςέλξ content rating and ranking δίμει ςη δσμαςϊςηςα ρςξσπ υοήρςεπ μα εκτοάρξσμ ρατή άπξφη για ςημ πξιϊςηςα κάπξιξσ αμςικειμέμξσ. Τπάουξσμ διάτξοξι ςϋπξι βαθμίδχμ ανιξλϊγηρηπ: stars, bars, HotOrNot, ή μια 10βάθμια βαθμίδα μέςοηρηπ. ςα μξμςέλα ασςά, ρσλλέγξμςαι ξι αςξμικέπ ανιξλξγήρειπ ςχμ υοηρςόμ για έμα ρσγκεκοιμέμξ αμςικείμεμξ και σπξλξγίζεςαι ξ μέρξπ ϊοξπ ασςόμ χπ η ςελική ςξσ ανιξλϊγηρη. Δικόμα 5. Content Rating and Ranking Individual and Overall Rating Διαμαμςίδξσ Δσαγγελία ελίδα 33

ςξ μξμςέλξ Content Reviews and Comments ξ υοήρςηπ δίμει ρςξ αμςικείμεμξ μια ρειοά ανιξλξγήρεχμ αλλά και ρυξλιάζει ςημ πξιϊςηςα ςξσ αμςικειμέμξσ ρςη μξοτή εμϊπ ελεϋθεοξσ κειμέμξσ. Και εδό ξι αςξμικέπ ανιξλξγήρειπ ρσμβάλλξσμ ρη ρσμξλική ανιξλϊγηρη ςξσ αμςικειμέμξσ. Δικόμα 6. Content Reviews and Comments - Individual and Overall Review ςξ μξμςέλξ ςχμ points ςξ ρϋρςημα μεςοά ςα υςσπήμαςα, ςιπ εμέογειεπ και άλλεπ δοαρςηοιϊςηςεπ ςχμ υοηρςόμ ϊρξμ ατξοά έμα αμςικείμεμξ και διαςηοεί έμα άθοξιρμα ασςόμ ςχμ επιβοαβεϋρεχμ. Δικόμα 7. Points - Individual and Overall Tξ μξμςέλξ Karma είμαι μξμςέλξ τήμηπ για υοήρςεπ και ρσμήθχπ υοηριμξπξιείςαι ρε ρσμδσαρμϊ με άλλα μξμςέλα ποξκειμέμξσ μα δημιξσογήρει κίμηςοα ρςξσπ υοήρςεπ μα ρσμπεοιτεοθξϋμ με ανιξπιρςία. Τπάουξσμ δϋξ ςϋπξι μξμςέλχμ Karma: ςα μξμςέλα πξσ μεςοξϋμ ςη ρσμμεςξυή ςχμ υοηρςόμ και ασςά πξσ μεςοξϋμ ςημ πξιϊςηςα ςχμ ρσμειρτξοόμ ςξσπ. Η ποόςη πεοίπςχρη αματέοεςαι χπ participation karma και η δεϋςεοη χπ quality karma, μξμςέλξ ςξ ξπξίξ υοηριμξπξιεί και ςξ e- Bay. Όςαμ ξι δϋξ ςϋπξι μξμςέλχμ Karma ρσμδσάζξμςαι ποξκϋπςει ςξ μξμςέλξ πξσ ξμξμάζεςαι robust karma, ςξ ξπξίξ επιβοαβεϋει ςξσπ υοήρςεπ πξσ είμαι ςασςϊυοξμα και εμεογξί αλλά και δημξριξπξιξϋμ ςξ καλϋςεοξ πεοιευϊμεμξ. 2.7 ςξίυιρη εμπιρςξρύμηπ Όπχπ αματέοθηκε και ποξηγξσμέμχπ, η εμπιρςξρϋμη παίζει κσοίαουξ οϊλξ ρςα αμξιυςά πξλσποακςξοικά ρσρςήμαςα (MAS) βξηθόμςαπ ςξσπ ρσμμεςέυξμςεπ/ ποάκςξοεπ ςξσ ρσρςήμαςξπ μα απξταρίρξσμ πξιξμ θα εμπιρςεσςξϋμ για κάπξια ςξσπ ρσμαλλαγή. Ασςϊ γίμεςαι μέρχ ποξηγξϋμεμχμ εμπειοιόμ πξσ είυαμ ξι ίδιξι Διαμαμςίδξσ Δσαγγελία ελίδα 34

αλλά και οχςόμςαπ και λαμβάμξμςαπ ανιξλξγήρειπ απϊ άλλξσπ ποάκςξοεπ. Σξ ποϊβλημα πξσ ποξκϋπςει με ασςϊμ ςξμ ςοϊπξ, ϊμχπ, είμαι ϊςι ξι διάτξοξι ποάκςξοεπ μπξοεί μα υοηριμξπξιξϋμ διατξοεςικά μξμςέλα εμπιρςξρϋμηπ και επξμέμχπ ξι ανιξλξγήρειπ πξσ αμςαλλάρρξσμ μα μημ έυξσμ μϊημα αμ δεμ εταομξρςεί καςάλληλη εσθσγοάμμιρη ή ρςξίυιρη ςηπ εμπιρςξρύμηπ. Σα μξμςέλα εμπιρςξρϋμηπ είμαι απαοαίςηςα ποξκειμέμξσ ξι ποάκςξοεπ ρε έμα αμξικςϊ πξλσποακςξοικϊ ρϋρςημα μα κάμξσμ απξςελερμαςικέπ ρσμαλλαγέπ. Ωρςϊρξ, δεμ αοκεί μα ετξδιαρςεί έμαπ ποάκςξοαπ με ςα απαοαίςηςα σπξλξγιρςικά μξμςέλα εμπιρςξρϋμηπ αλλά ποέπει μα λητθεί σπϊφη και πόπ ασςϊπ ξ ποάκςξοαπ θα επικξιμχμήρει με ςξσπ σπϊλξιπξσπ ποάκςξοεπ ςξσ ρσρςήμαςξπ ρςξ ξπξίξ αμήκει. Η εμπιρςξρϋμη είμαι εν ξοιρμξϋ έμα σπξκειμεμικϊ μέγεθξπ, ρσμεπόπ κάθε ποάκςξοαπ ςξσ ρσρςήμαςξπ μπξοεί μα βαρίρει μια ςιμή εμπιρςξρϋμηπ ρε διατξοεςικέπ ςιμέπ ρε ρυέρη με ςξσπ σπϊλξιπξσπ. Έςρι, η ςιμή εμπιρςξρϋμηπ πξσ παοάγει έμαπ ποάκςξοαπ μπξοεί μα είμαι διατξοεςική απϊ ασςήμ πξσ παοάγει κάπξιξπ άλλξπ, παοϊλξ πξσ και ξι δϋξ υοηριμξπξιξϋμ ακοιβόπ ςα ίδια ρςξιυεία για μα σπξλξγίρξσμ ςιπ ανιξλξγήρειπ ςξσπ. σμεπόπ, απαιςξϋμςαι διατξοεςικξί μηυαμιρμξί για ςημ απξςελερμαςική επικξιμχμία ανιξλξγήρεχμ εμπιρςξρϋμηπ και άλλχμ σπξκειμεμικόμ δεδξμέμχμ απϊ ασςξϋπ πξσ υοηριμξπξιξϋμςαι για ςημ επικξιμχμία ςχμ σπϊλξιπχμ δεδξμέμχμ. Σξ ποϊβλημα ςηπ ρςξίυιρηπ εμπιρςξρϋμηπ είμαι ρυεςικά αμενεοεϋμηςξ και πεοιξοίζεςαι ρςιπ ποξςάρειπ ςχμ Abdul-Rhaman & Hailes [2000] και ςξσ Regan [2006]. Ωρςϊρξ, και ξι δϋξ ασςέπ ποξςάρειπ αμςιμεςχπίζξσμ ςη ρςξίυιρη ρα μέοξπ ςξσ μξμςέλξσ εμπιρςξρϋμηπ και ϊυι χπ έμαμ νευχοιρςϊ μηυαμιρμϊ εομημείαπ ςχμ ειρεουϊμεμχμ ανιξλξγήρεχμ εμπιρςξρϋμηπ γεγξμϊπ πξσ πεοιξοίζει ςημ εταομξριμϊςηςά ςξσπ. Έμαπ ξοιρμϊπ ςηπ ρςξίυιρηπ εμπιρςξρϋμηπ ρϋμτχμα με ςξμ [KOS 11] είμαι ξ παοακάςχ: Η ρςξίυιρη εμπιρςξρύμηπ είμαι μια διαδικαρία εύοερηπ μιαπ μεςάτοαρηπ ςχμ ανιξλξγήρεχμ εμπιρςξρύμηπ εμόπ άλλξσ ποάκςξοα, βαριρμέμη ρε κξιμά δεδξμέμα. Τξ απξςέλερμα πξσ ποξκύπςει, είμαι η εύοερη μιαπ μεθόδξσ μεςάτοαρηπ ςχμ ανιξλξγήρεχμ ςξσ ρσγκεκοιμέμξσ ποάκςξοα υχοίπ ςη υοήρη κξιμώμ δεδξμέμχμ. Με ςξμ ϊοξ κξιμά δεδξμέμα εμμξξϋμε δεδξμέμα ρςξ πεοιβάλλξμ πξσ και ξι δϋξ ποάκςξοεπ αμςιλαμβάμξμςαι ϊπχπ για παοάδειγμα ρσμαλλαγέπ ρςιπ ξπξίεπ ρσμμεςείυαμ και ξι δϋξ. Με ασςϊμ ςξμ ςοϊπξ, δϋξ ποάκςξοεπ μπξοξϋμ μα αμςαλλάνξσμ ςιπ διατξοεςικέπ ςξσπ ανιξλξγήρειπ για ςξ ίδιξ αμςικείμεμξ, υοηριμξπξιόμςαπ ςέςξια κξιμά δεδξμέμα, και μα ςιπ υοηριμξπξιήρξσμ χπ έμα αουικϊ ρςάδιξ για μα βοξσμ μια μεςάτοαρη. Η μέθξδξπ πξσ ποξςείμεςαι απϊ ςξσπ [ABD 00] για ςη λϋρη ςξσ ποξβλήμαςξπ ςηπ ρςξίυιρηπ εμπιρςξρϋμηπ ατξοά μξμςέλα εμπιρςξρϋμηπ πξσ υοηριμξπξιξϋμ αοιθμηςικέπ ανιξλξγήρειπ. Η εομημεία ςηπ ανιξλϊγηρηπ πξσ λαμβάμεςαι απϊ κάπξιξμ άλλξμ ποάκςξοα γίμεςαι ποξρθέςξμςαπ ή αταιοόμςαπ έμαμ αοιθμϊ απϊ ςημ ανιξλϊγηρη. Ασςϊπ ξ αοιθμϊπ ποξκϋπςει απϊ ςξμ μέρξ ϊοξ ςχμ διατξοόμ ρςιπ ανιξλξγήρειπ ςχμ δϋξ ασςόμ ποακςϊοχμ, ςιπ ξπξίεπ έυξσμ κάμει ποξγεμέρςεοα και ξι ξπξίεπ ατξοξϋμ ςξμ ίδιξ ποάκςξοα. Η απλή ασςή ποξρέγγιρη λειςξσογεί πξλϋ καλά, χρςϊρξ δε λαμβάμει σπϊφη ςα ρςξιυεία πξσ υοηριμξπξίηραμ ξι ποάκςξοεπ Διαμαμςίδξσ Δσαγγελία ελίδα 35

για μα κάμξσμ ςιπ ανιξλξγήρειπ ςξσπ. Μια αμςικειμεμική πεοιγοατή ασςόμ ςχμ ρςξιυείχμ επιςοέπει ρςξσπ ποάκςξοεπ μα αμςαλλάνξσμ ϊυι μϊμξ ςιπ ανιξλξγήρειπ ασςέπ καθ ασςέπ αλλά και ςξ πλαίριξ μέρα ρςξ ξπξίξ ασςέπ παοάυθηκαμ. Σξ ποϊβλημα ασςϊ αμςιμεςχπίζεςαι ρςημ άλλη μέθξδξ πξσ έυει ποξςαθεί απϊ ςξμ [REG 06] ςξ BLADE, ςξ ξπξίξ ρσμδσάζει ςιπ σπξκειμεμικέπ ανιξλξγήρειπ εμπιρςξρϋμηπ με ςημ αμςικειμεμική πεοιγοατή ςξσ πεοιβάλλξμςξπ υοηριμξπξιόμςαπ έμα ρσμδσαρμϊ ρσμβϊλχμ. Ωρςϊρξ, η ποξρέγγιρη ασςή είμαι αοκεςά πεοιξοιρμέμη καθόπ πεοιγοάτει ςξ πεοιβάλλξμ αλλά ϊυι και ςιπ ρυέρειπ πξσ σπάουξσμ μέρα ρε ασςϊ. Σέλξπ, μια άλλη ποξρέγγιρη ςξσ ίδιξσ ποξβλήμαςξπ είμαι η ενήπ: αμςί έμαπ ποάκςξοαπ μα ποξρπαθεί μα βοει μια μεςάτοαρη ςχμ ανιξλξγήρεχμ εμπιρςξρϋμηπ εμϊπ άλλξσ ποάκςξοα, μα ποξρπαθεί μα ςξμ πείρει γιαςί η δική ςξσ ανιξλϊγηρη εμπιρςξρϋμηπ είμαι ρχρςή. Έςρι, μελλξμςικέπ ανιξλξγήρειπ απϊ ςξμ ίδιξ ποάκςξοα θα ακξλξσθξϋμ ςξ ρσλλξγιρμϊ ςξσ ποόςξσ ποάκςξοα. Ποξωπϊθερη για ασςϊ είμαι μα μπξοεί ξ ποάκςξοαπ μα σπξρςηοίνει ςξ δικϊ ςξσ μξμςέλξ εμπιρςξρϋμηπ έςρι όρςε μα πείρει και ςξσπ σπϊλξιπξσπ. Διαμαμςίδξσ Δσαγγελία ελίδα 36

ΚΔΥΑΛΑΙΟ 3 Πεοιγοατή ART Testbed και πεοιβάλλξμςξπ ποξρξμξίχρηπ 3.1 Σξ πεοιβάλλξμ ART Testbed Δικόμα 8. Agent Reputation and Trust Testbed Σξ πεοιβάλλξμ ςξσ Agent Reputation and Trust Testbed (ART) αμαπςϋυθηκε με ρκξπϊ ςη δημιξσογία μιαπ πλαςτϊομαπ για ςημ ανιξλϊγηρη και ςη ρϋγκοιρη ςευμξλξγιόμ ρυεςικόμ με ςημ εμπιρςξρϋμη και ςη τήμη ποακςϊοχμ. Έυει ρυεδιαρθεί για ςημ ενσπηοέςηρη δϋξ ρκξπόμ: Ση λειςξσογία ςξσ χπ competition forum, δηλαδή εμϊπ πεοιβάλλξμςξπ ρςξ ξπξίξ ξι εοεσμηςέπ θα ρσγκοίμξσμ ςιπ ςευμξλξγίεπ ςξσπ με αμςικειμεμικά μέςοα. Ση λειςξσογία ςξσ χπ experimental tool, δηλαδή εμϊπ εογαλείξσ με εσέλικςεπ παοαμέςοξσπ μέρχ ςξσ ξπξίξσ ξι εοεσμηςέπ θα εκςελξϋμ ποξραομϊριμα και εϋκξλα επαμαλαμβαμϊμεμα πειοάμαςα. Ακξλξσθεί αμάλσρη ςχμ κϋοιχμ ρημείχμ ςξσ παιυμιδιξϋ ART. 3.1.1 Πεοιγοατή παιυμιδιξύ Η πλαςτϊομα ςξσ ART ρσγκοίμει διατξοεςικέπ ρςοαςηγικέπ εμπιρςξρϋμηπ. Οι ποάκςξοεπ πξσ ρσμμεςέυξσμ λειςξσογξϋμ χπ εκςιμηςέπ πιμάκχμ ζχγοατικήπ (appraisers) με διατξοεςικά επίπεδα εμπειοξγμχμξρύμηπ (expertise) για ςιπ διατξοεςικέπ υοξμικέπ πεοιόδξσπ (eras) ρςιπ ξπξίεπ αμήκξσμ ξι πίμακεπ Διαμαμςίδξσ Δσαγγελία ελίδα 37

(paintings). Οι πελάςεπ (clients) ζηςξϋμ εκςιμήρειπ για ςημ ανία πιμάκχμ κάθε έμαπ απϊ ςξσπ ξπξίξσπ αμήκει και ρε διατξοεςική υοξμική πεοίξδξ. Αμ ξ ποάκςξοαπεκςιμηςήπ δεμ έυει ςημ απαοαίςηςη εμπειοξγμχμξρϋμη για μα εκςιμήρει ςημ ανία ςξσ πίμακα μπξοεί μα ζηςήρει ςιπ απόφειπ άλλχμ ποακςϊοχμ-εκςιμηςόμ. Οι εκςιμηςέπ λαμβάμξσμ μεγαλϋςεοξ μεοίδιξ πελαςώμ και ρσμεπόπ μεγαλϋςεοξ κέοδξπ ϊςαμ παοάγξσμ ακοιβείπ εκςιμήρειπ. ςημ παοακάςχ εικϊμα ταίμξμςαι ςα κϋοια ρημεία ςξσ παιυμιδιξϋ: 3.1.2 Αιςήρειπ εκςιμήρεχμ από πελάςεπ Δικόμα 9. Σα κύοια ρημεία ςξσ παιυμιδιξύ ART ε κάθε timestep, έμαπ αοιθμϊπ πελαςόμ, κάθε έμαπ απϊ ςξσπ ξπξίξσπ ρσμδέεςαι με έμαμ ποάκςξοα-εκςιμηςή, ζηςξϋμ εκςιμήρειπ για ςημ ανία πιμάκχμ ζχγοατικήπ πληοόμξμςαπ έμα ρςαθεοϊ ςέλξπ πελάςη f για κάθε εκςίμηρη. Ο πίμακαπ ασςϊπ αμήκει ρε μια υοξμική πεοίξδξ (ξ αοιθμϊπ ςχμ ξπξίχμ είμαι ποξκαθξοιρμέμξπ και η υοξμική πεοίξδξπ κάθε πίμακα είμαι γμχρςή ρε ϊλξσπ ςξσπ ποάκςξοεπ-εκςιμηςέπ) και ξι ποάκςξοεπ-εκςιμηςέπ έυξσμ διατξοεςικά επίπεδα εμπειοξγμχμξρϋμηπ για κάθε υοξμική πεοίξδξ. Η εμπειοξγμχμξρϋμη εμϊπ ποάκςξοα-εκςιμηςή, η ξπξία ξοίζεςαι χπ η ικαμϊςηςά ςξσ μα παοάγει εκςιμήρειπ για ςημ ανία εμϊπ πίμακα, πεοιγοάτεςαι χπ μια καμξμική καςαμξμή ςξσ λάθξσπ μεςανϋ ςηπ εκςίμηρηπ πξσ κάμει ξ ποάκςξοαπ-εκςιμηςήπ και ςηπ ποαγμαςικήπ ανίαπ ςξσ πίμακα. Η μηυαμή ποξρξμξίχρηπ είμαι ασςή πξσ δημιξσογεί ςιπ εκςιμήρειπ ρϋμτχμα με ασςήμ ςημ καςαμξμή λάθξσπ, η ξπξία έυει μέρη ςιμή 0 και ςσπική απϊκλιρη s η ξπξία σπξλξγίζεςαι απϊ ςξμ ςϋπξ: s = (s* + α/c g )t (εν. 3.1) ϊπξσ s* είμαι η μξμαδική για κάθε υοξμική πεοίξδξ ςιμή πξσ εκυχοείςαι ρςξμ ποάκςξοα-εκςιμηςή απϊ μια ξμξιϊμξοτη καςαμξμή και δηλόμει ςημ εμπειοξγμχμξρϋμη ςξσ για ασςήμ ςημ υοξμική πεοίξδξ. Σξ t δηλόμει ςημ Διαμαμςίδξσ Δσαγγελία ελίδα 38

ποαγμαςική ανία ςξσ πίμακα και ςξ α είμαι μια παοάμεςοξπ, ρςαθεοή για ϊλξσπ ςξσπ ποάκςξοεπ-εκςιμηςέπ και ρε ϊλη ςη διάοκεια ςξσ παιυμιδιξϋ, η ξπξία καθξοίζει ςη ρυέρη μεςανϋ ςξσ κϊρςξσπ παοαγχγήπ εκςίμηρηπ και ςηπ ποξκϋπςξσραπ ακοίβειαπ ςηπ εκςίμηρηπ. Σξ c g είμαι ςξ κϊρςξπ ςξ ξπξίξ πληοόμει ξ ποάκςξοαπ-εκςιμηςήπ για ςημ παοαγχγή μιαπ εκςίμηρηπ. Η εμπειοξγμχμξρϋμη εμϊπ ποάκςξοα-εκςιμηςή είμαι ρςαθεοή ρε ϊλη ςη διάοκεια ςξσ παιυμιδιξϋ και ξι ποάκςξοεπ γμχοίζξσμ ςημ εμπειοξγμχμξρϋμη ςξσπ για κάθε υοξμική πεοίξδξ. Ωρςϊρξ, δε γμχοίζξσμ ςα επίπεδα εμπειοξγμχμξρϋμηπ ςχμ σπξλξίπχμ ποακςϊοχμ-εκςιμηςόμ. Οι ποαγμαςικέπ ανίεπ ςχμ πιμάκχμ ζχγοατικήπ επιλέγξμςαι απϊ ςη μηυαμή ποξρξμξίχρηπ μέρχ μιαπ ξμξιϊμξοτηπ καςαμξμήπ και είμαι γμχρςέπ μϊμξ ρςημ ποξρξμξίχρη. Δπιπλέξμ, και ξι υοξμικέπ πεοίξδξι ρςιπ ξπξίεπ αμήκξσμ ξι πίμακεπ επιλέγξμςαι απϊ ςημ ποξρξμξίχρη μέρχ μιαπ ξμξιϊμξοτηπ καςαμξμήπ. Κάθε ποάκςξοαπ-εκςιμηςήπ επιλέγει έμα μεςαβληςϊ κϊρςξπ c g ςξ ξπξίξ πληοόμει για ςημ παοαγχγή ςηπ εκςίμηρηπ ςηπ ανίαπ εμϊπ πίμακα και ςξ ξπξίξ αμςιποξρχπεϋει ςξμ υοϊμξ πξσ θα διαθέρει για ςημ ενέςαρη ςξσ. Πληοόμξμςαπ έμα σφηλϊ κϊρςξπ c g, ςξ ξπξίξ αμαλξγεί με ςη διάθερη πεοιρρϊςεοξσ υοϊμξσ για ςημ ενέςαρη εμϊπ πίμακα, ασνάμει ςημ ακοίβεια ςηπ ποξκϋπςξσραπ εκςίμηρηπ. Ωρςϊρξ, η διάθερη άπειοξσ υοϊμξσ για ςημ ενέςαρη εμϊπ πίμακα δεμ ξδηγεί ρςημ άοιρςη εκςίμηρη ςηπ ανίαπ ςξσ, καθόπ ασςή πεοιξοίζεςαι απϊ ςημ εμπειοξγμχμξρϋμη ςξσ ποάκςξοαεκςιμηςή. σμεπόπ, έμαπ ποάκςξοαπ-εκςιμηςήπ δεμ μπξοεί μα ασνήρει ρε πξλϋ μεγάλξ βαθμϊ ςημ ακοίβεια ςχμ εκςιμήρεόμ ςξσ πληοόμξμςαπ έμα πξλϋ μεγάλξ κϊρςξπ c g. Η ελάυιρςη δσμαςή ςσπική απϊκλιρη ςχμ λαθόμ ςξσ είμαι s*. t, δηλαδή ϊπχπ ποξαματέοθηκε πεοιξοίζεςαι απϊ ςημ εμπειοξγμχμξρϋμη ςξσ ποάκςξοαεκςιμηςή. Δπιπλέξμ, ξι ποάκςξοεπ έυξσμ ςη δσμαςϊςηςα μα ζηςξϋμ ςιπ απϊφειπ άλλχμ ποακςϊοχμ-εκςιμηςόμ έςρι όρςε μα βελςιόρξσμ ςημ ςελική ςξσπ εκςίμηρη. Ασςϊ είμαι ιδιαίςεοα ρημαμςικϊ ειδικά ρςιπ πεοιπςόρειπ ϊπξσ έμαπ ποάκςξοαπεκςιμηςήπ καλείςαι μα εκςιμήρει ςημ ανία εμϊπ πίμακα ζχγοατικήπ πξσ αμήκει ρε υοξμική πεοίξδξ για ςημ ξπξία έυει υαμηλή ςιμή εμπειοξγμχμξρϋμηπ. Οι ποάκςξοεπ-εκςιμηςέπ μπξοξϋμ μα ζηςήρξσμ ςιπ απϊφειπ άλλχμ ποακςϊοχμεκςιμηςόμ πληοόμξμςαπ έμα ρςαθεοϊ πξρϊ κϊρςξσπ c p για κάθε αμςαλλαγή απϊφεχμ. Γεμικά ςξ κϊρςξπ ασςϊ είμαι πξλϋ μικοϊςεοξ ςξσ ςέλξσπ πελάςη ποξκειμέμξσ μα εμθαοοϋμξμςαι ξι αμςαλλαγέπ απϊφεχμ. Οι ποάκςξοεπ δεμ είμαι σπξυοεχμέμξι μα απξκαλϋπςξσμ με ειλικοίμεια ςιπ απϊφειπ ςξσπ. Ακϊμη, ξι ποάκςξοεπ μπξοξϋμ μα ζηςήρξσμ και πληοξτξοίεπ τήμηπ απϊ άλλξσπ ποάκςξοεπ. Η ποξρξμξίχρη επιβλέπει ρσγυοξμιρμέμα κάθε κξμμάςι ςξσ timestep ςξ ξπξίξ πεοιλαμβάμει αιςήρειπ πελαςόμ, παοαγχγή εκςιμήρεχμ απϊ ςξσπ ποάκςξοεπ, ρσμαλλαγέπ μεςανϋ ςχμ ποακςϊοχμ και επιρςοξτή ςελικόμ εκςιμήρεχμ ρςξσπ πελάςεπ. Δπξμέμχπ, ξι ποάκςξοεπ έυξσμ πεοιξοιρμξϋπ ποαγμαςικξϋ υοϊμξσ για ςημ εκςέλερη ςχμ απαιςξϋμεμχμ εμεογειόμ ρε κάθε κξμμάςι ςξσ timestep. 3.1.3 Αμςαλλαγέπ απόφεχμ μεςανύ ςχμ ποακςόοχμ Σξ ποχςϊκξλλξ αμςαλλαγήπ απϊφεχμ μεςανϋ ςχμ ποακςϊοχμ-εκςιμηςόμ καςά ςη διάοκεια εμϊπ timestep ταίμεςαι ρςημ παοακάςχ εικϊμα: Διαμαμςίδξσ Δσαγγελία ελίδα 39

Δικόμα 10. Ποχςόκξλλξ αμςαλλαγήπ απόφεχμ μεςανύ ςχμ ποακςόοχμ ρε έμα timestep Για μα νεκιμήρει η αμςαλλαγή απϊφεχμ, ξ ποάκςξοαπ-εκςιμηςήπ πξσ ζηςά ςημ άπξφη (Requester) ρςέλμει έμα μήμσμα αίςηρηπ (Request) ρςξμ άλλξμ ποάκςξοα (σπξφήτιξ Provider) δηλόμξμςαπ ςξμ πίμακα ζχγοατικήπ για ςξμ ξπξίξμ ζηςά εκςίμηρη. Ο σπξφήτιξπ πάοξυξπ, ετϊρξμ επιθσμεί μα παοέυει ςη ζηςξϋμεμη άπξφη, απαμςά ρςέλμξμςαπ μια ςιμή βεβαιϊςηςαπ (Certainty) με ςημ ξπξία μπξοεί μα παοέυει ςη ζηςξϋμεμη άπξφη. Η βεβαιϊςηςα ασςή αμαπαοιρςάςαι με έμαμ ποαγμαςικϊ αοιθμϊ ρςξ διάρςημα [0,1] με ςξ 1 μα δηλόμει απϊλσςη βεβαιϊςηςα. Ο σπξφήτιξπ πάοξυξπ, χρςϊρξ, δεμ είμαι σπξυοεχμέμξπ μα απξκαλϋφει ςημ ποαγμαςική ςξσ βεβαιϊςηςα για ςημ παοξυή ςηπ άπξφηπ. Δπιπλέξμ, μπξοεί και μα απξοοίφει ςημ αίςηρη για παοξυή άπξφηπ αμ δεμ επιθσμεί μα ςημ παοέυει. Με ςημ απξρςξλή, ϊμχπ, μιαπ ςιμήπ βεβαιϊςηςαπ o ποάκςξοαπ-πάοξυξπ σπϊρυεςαι μα παοέυει ςημ άπξφη, ετϊρξμ η βεβαιϊςηςα ασςή γίμει δεκςή απϊ ςξμ ποάκςξοααιςξϋμςα. Μεςά ςη λήφη ςηπ ςιμήπ βεβαιϊςηςαπ ςξσ ποάκςξοα-παοϊυξσ, ξ ποάκςξοαπ-αιςόμ είςε ρςέλμει ςημ πληοχμή (Payment) ςξσ ποόςξσ αμ επιθσμεί μα απξδευθεί ςημ άπξφη ςξσ, είςε ρςέλμει έμα μήμσμα απϊοοιφηπ αμ επιθσμεί μα διακϊφει ςη ρσμαλλαγή. Η πληοχμή ασςή αμςιρςξιυεί ρςξ ρςαθεοϊ πξρϊ c p. Μεςά ςημ παοαλαβή ςηπ πληοχμήπ, ξ ποάκςξοαπ-πάοξυξπ δεμ είμαι σπξυοεχμέμξπ μα ρςείλει ςημ ποαγμαςική ςξσ άπξφη για ςημ ανία ςξσ πίμακα ξϋςε είμαι σπξυοεχμέμξπ μα ρςείλει ξπξιαδήπξςε άπξφη. Ποξκειμέμξσ ξ ποάκςξοαπ-πάοξυξπ μα ρςείλει ςημ άπξφή ςξσ (Opinion) για ςημ εκςίμηρη ςηπ ανίαπ εμϊπ πίμακα ρςέλμει ρςη μηυαμή ποξρξμξίχρηπ εμςξλή παοαγχγήπ εκςίμηρηπ πληοόμξμςαπ έμα πξρϊ c g. Ο ποάκςξοαπ-αιςόμ, ατξϋ πληοόρει ςξσπ ποάκςξοεπ-παοϊυξσπ απϊ ςξσπ ξπξίξσπ ζηςά άπξφη και ποιμ λάβει ςιπ ζηςξϋμεμεπ απϊφειπ, είμαι σπξυοεχμέμξπ μα σπξβάλλει ρςημ ποξρξμξίχρη ςξμ καςάλξγξ ςχμ ποακςϊοχμ-παοϊυχμ απϊ ςξσπ ξπξίξσπ πεοιμέμει απϊφειπ μαζί με ςα αμςίρςξιυα βάοη ςα ξπξία έυει η άπξφη κάθε ποάκςξοα-παοϊυξσ. Σα βάοη είμαι ποαγμαςικέπ ςιμέπ ρςξ διάρςημα [0,1] και αμςιποξρχπεϋξσμ ςημ ανιξπιρςία ή ςημ εμπιρςξρϋμη πξσ έυει ξ ποάκςξοαπ-αιςόμ ρςημ άπξφη κάθε ποάκςξοα-παοϊυξσ. ςη ρσμέυεια, ξ ποάκςξοαπ-αιςόμ ρςέλμει ςιπ απϊφειπ ςχμ ποακςϊοχμ-παοϊυχμ ρςημ ποξρξμξίχρη η ξπξία και σπξλξγίζει ςημ ςελική εκςίμηρη ςξσ ποάκςξοα-αιςξϋμςα. Σξ ποχςϊκξλλξ ασςϊ απξςοέπει ςξσπ Διαμαμςίδξσ Δσαγγελία ελίδα 40

ποάκςξοεπ απϊ ςημ αμάπςσνη ρςοαςηγικόμ σπξλξγιρμξϋ εκςιμήρεχμ με άλλεπ μεθϊδξσπ, υχοίπ ςη υοήρη εμπιρςξρϋμηπ, ετϊρξμ ασςϊπ πξσ σπξλξγίζει ςημ ςελική εκςίμηρη είμαι η ποξρξμξίχρη και ϊυι ξι ποάκςξοεπ-εκςιμηςέπ. Έςρι, ξι ποάκςξοεπ ερςιάζξσμ ρςξ πιξ ρημαμςικϊ κξμμάςι ςηπ ανιξλϊγηρηπ και επιλξγήπ ςχμ ανιϊπιρςχμ ποακςϊοχμ-παοϊυχμ. Η ςελική εκςίμηρη p*, λξιπϊμ, ςξσ ποάκςξοα-εκςιμηςή σπξλξγίζεςαι απϊ ςημ ποξρξμξίχρη χπ έμαπ ρςαθμιρμέμξπ μέρξπ ϊοξπ ςχμ επιλένιμχμ απϊφεχμ χπ ενήπ: p* = Σ i (w i * p i ) / Σ i (w i ) (εν. 3.2) ϊπξσ w i και p i είμαι ςξ βάοξπ και η άπξφη κάθε ποάκςξοα-παοϊυξσ i ξ ξπξίξπ έρςειλε άπξφη (πιθαμϊμ ρσμπεοιλαμβαμξμέμξσ και ςξσ ποάκςξοα-αιςξϋμςα). Οι επιλένιμεπ απϊφειπ ασςέπ πξσ ρσμπεοιλαμβάμξμςαι ρςημ ςελική εκςίμηρηπεοιλαμβάμξσμ ϊλεπ ςιπ απϊφειπ ςιπ ξπξίεπ σπξρυέθηκαμ μα παοέυξσμ ξι ποάκςξοεπ-πάοξυξι (ρςέλμξμςαπ μια ςιμή βεβαιϊςηςαπ) και ξι ξπξίεπ επιβεβαιόθηκαμ απϊ ςξμ ποάκςξοα-αιςξϋμςα (ρςέλμξμςαπ πληοχμή). Αμ ξι ποάκςξοεπ-πάοξυξι δεμ ρςείλξσμ άπξφη, εμό έυξσμ ρςείλει ςιμή βεβαιϊςηςαπ και έυξσμ λάβει πληοχμή μια άπξφη με ςιμή 0 ρσμπεοιλαμβάμεςαι ρςξμ σπξλξγιρμϊ ςηπ ςελικήπ εκςίμηρηπ. Μεςά ςξμ σπξλξγιρμϊ ςηπ ςελικήπ εκςίμηρηπ απϊ ςημ ποξρξμξίχρη, η ςιμή ασςή p* μαζί με ςημ ποαγμαςική ανία ςξσ πίμακα t παοξσριάζξμςαι ρςξμ ποάκςξοα-εκςιμηςή. Φοηριμξπξιόμςαπ ασςέπ ςιπ ςιμέπ χπ αμάδοαρη ξ ποάκςξοαπ μπξοεί ρςη ρσμέυεια μα αμαθεχοήρει ςα μξμςέλα εμπιρςξρϋμηπ πξσ υοηριμξπξιεί έςρι όρςε μα βελςιχθεί. Κάθε ποάκςξοαπ-εκςιμηςήπ έυει έμα ςοαπεζικϊ λξγαοιαρμϊ πξσ ρςημ αουή έυει μηδεμική ςιμή αλλά μπξοεί μα λάβει και αομηςικέπ ςιμέπ. Απϊ ασςϊμ ςξμ ςοαπεζικϊ λξγαοιαρμϊ ξι ποάκςξοεπ πληοόμξσμ ςα κϊρςη για αμςαλλαγή απϊφεχμ και ρε ασςϊμ ςξμ λξγαοιαρμϊ καςαςίθεμςαι ςα ςέλη πξσ πληοόμξσμ ξι πελάςεπ. Οι λξγαοιαρμξί ασςξί επιβλέπξμςαι απϊ ςημ ποξρξμξίχρη και ξι ποάκςξοεπ δεμ έυξσμ ποϊρβαρη ρςξσπ ςοαπεζικξϋπ λξγαοιαρμξϋπ άλλχμ ποακςϊοχμ-εκςιμηςόμ, ξϋςε και ρςξσπ πελάςεπ ξι ξπξίξι ρσμδέξμςαι ρε άλλξσπ ποάκςξοεπ. 3.1.4 Αμςαλλαγέπ πληοξτξοιώμ τήμηπ Οι ποάκςξοεπ-εκςιμηςέπ, εκςϊπ απϊ αμςαλλαγέπ απϊφεχμ μπξοξϋμ μα αμςαλλάρξσμ και πληοξτξοίεπ τήμηπ ή γεμικά πληοξτξοίεπ για ςημ ανιξπιρςία άλλχμ ποακςϊοχμ-εκςιμηςόμ. Σξ ποχςϊκξλλξ αμςαλλαγήπ πληοξτξοιόμ τήμηπ ταίμεςαι ρςημ παοακάςχ εικϊμα: Διαμαμςίδξσ Δσαγγελία ελίδα 41

Δικόμα 11. Ποχςόκξλλξ αμςαλλαγήπ πληοξτξοιώμ τήμηπ Ο ποάκςξοαπ-αιςόμ (Requester) ρςέλμει έμα μήμσμα αίςηρηπ πληοξτξοιόμ τήμηπ (Request) ρςξμ σπξφήτιξ ποάκςξοα-πάοξυξ (Provider) δηλόμξμςαπ ςξμ ποάκςξοα για ςξμ ξπξίξμ (και ςη υοξμική πεοίξδξ ρςημ ξπξία αματέοεςαι) ζηςά πληοξτξοίεπ τήμηπ. Ο ποάκςξοαπ-πάοξυξπ ρςη ρσμέυεια ρςέλμει έμα μήμσμα απξδξυήπ (Accept) ή απϊοοιφηπ (Decline), αμάλξγα με ςξ αμ είμαι ποϊθσμξπ μα παοέυει ςιπ ζηςξϋμεμεπ πληοξτξοίεπ τήμηπ ή ϊυι. ςη ρσμέυεια, ξ ποάκςξοαπ-αιςόμ ρςέλμει ςημ πληοχμή (Payment) ποξκειμέμξσ μα λάβει ςιπ ζηςξϋμεμεπ πληοξτξοίεπ. Σξ πξρϊ ασςήπ ςηπ πληοχμήπ είμαι ςξ ρςαθεοϊ πξρϊ c r. Μεςά ςημ απξδξυή ςηπ πληοχμήπ, ξ ποάκςξοαπ-πάοξυξπ ρςέλμει ςημ ανιξλϊγηρη τήμηπ με ςη μξοτή εμϊπ ποαγμαςικξϋ ακεοαίξσ ρςξ διάρςημα [0,1]. Και εδό, ξ ποάκςξοαπ-πάοξυξπ δεμ είμαι σπξυοεχμέμξπ μα παοέυει ςημ ποαγμαςική ςιμή τήμηπ ξϋςε είμαι σπξυοεχμέμξπ μα παοέυει μια ξπξιαδήπξςε ςιμή τήμηπ. Σξ πξρϊ c r για ςημ αμςαλλαγή πληοξτξοιόμ τήμηπ είμαι γεμικά πξλϋ μικοϊςεοξ απϊ ςξ αμςίρςξιυξ για ςημ αμςαλλαγή απϊφεχμ ποξκειμέμξσ μα εμθαοοϋμξμςαι ξι αμςαλλαγέπ πληοξτξοιόμ τήμηπ. 3.1.5 Αμαρκόπηρη σμξφίζξμςαπ, ςξ ART είμαι μια πλαςτϊομα πξσ πεοιλαμβάμει έμα καλά ξογαμχμέμξ ρϋρςημα εμπιρςξρϋμηπ και τήμηπ. Σξ ρϋρςημα ασςϊ, με βάρη ςημ καςηγξοιξπξίηρη πξσ έγιμε ρςξ ποξηγξϋμεμξ κετάλαιξ αμήκει ρςιπ παοακάςχ καςηγξοίεπ: Θεχοίαπ παιγμίχμ με βάρη ςξ εμμξιξλξγικϊ μξμςέλξ. Φοηριμξπξιεί άμερεπ εμπειοίεπ και πληοξτξοίεπ μαοςϋοχμ χπ πηγέπ πληοξτξοιόμ. Οι ςιμέπ ςηπ εμπιρςξρϋμηπ και ςηπ τήμηπ είμαι σπξκειμεμικέπ και ποξρχπικέπ κάθε ποάκςξοα (ςϋπξπ ποξβξλήπ). Με βάρη ςη διακοιςϊςηςα είμαι multiple-context καθόπ η εμπιρςξρϋμη και η τήμη εμϊπ ποάκςξοα διακοίμξμςαι με βάρη ςη υοξμική πεοίξδξ ρςημ ξπξία αματέοξμςαι. Με βάρη ςιπ σπξθέρειπ για ςιπ ρσμπεοιτξοέπ ςχμ ποακςϊοχμ αμήκει ρςξ επίπεδξ 2, καθόπ θεχοείςαι ϊςι ξι ποάκςξοεπ μπξοεί μα λέμε φέμαςα. Διαμαμςίδξσ Δσαγγελία ελίδα 42

Ο ςϋπξπ ςχμ πληοξτξοιόμ πξσ αμςαλλάρρξμςαι είμαι ρσμευή μέςοα. Δεμ σπάουει κάπξιξ μέςοξ ςηπ ανιξπιρςίαπ ςχμ ςιμόμ εμπιρςξρϋμηπ και τήμηπ πξσ παοάγξμςαι χρςϊρξ σπάουει η δσμαςϊςηςα υοηριμξπξίηρηπ ςέςξιχμ μέςοχμ απϊ ςξσπ ποάκςξοεπ πξσ ρσμμεςέυξσμ ρςξ παιυμίδι ετϊρξμ ςξ εμςάνξσμ ρςημ ποξρχπική ςξσπ ρςοαςηγική. Σέλξπ, ςξ ART απξςελεί έμα μξμςέλξ πξλσποακςξοικόμ ρσρςημάςχμ πξσ είμαι καςαμεμημέμξ χπ ποξπ ςιπ πληοξτξοίεπ εμπιρςξρϋμηπ και τήμηπ καθόπ κάθε ποάκςξοαπ διαςηοεί ασςέπ ςιπ ςιμέπ ξ ίδιξπ υχοίπ μα υοηριμξπξιείςαι κάπξιξ κέμςοξ τήμηπ. Σιπ ςιμέπ ασςέπ ςιπ δημξριξπξιεί ετϊρξμ κάπξιξπ άλλξπ ποάκςξοαπ ςξσ ςξ ζηςήρει αλλά υχοίπ μα είμαι απαοαίςηςξ μα δημξριξπξιήρει ςιπ αληθιμέπ ςιμέπ. 3.2 Πεοιβάλλξμ ποξρξμξίχρηπ AMP Σξ πεοιβάλλξμ πξσ υοηριμξπξιήθηκε για ςημ ποξρξμξίχρη ςξσ πεοιβάλλξμςξπ ART είμαι ςξ Agent Modeling Platform ςξσ Eclipse. Ακξλξσθεί μια πεοιγοατή, αουικά, ςηπ έμμξιαπ ςηπ μξμςελξπξίηρηπ με υοήρη ποακςϊοχμ ςηπ ξπξίαπ κάμει υοήρη ςξ AMP και ρςη ρσμέυεια ςξσ πεοιβάλλξμςξπ ποξρξμξίχρηπ AMP. Δικόμα 12. Agent Modeling Platform 3.2.1 Μξμςελξπξίηρη με υοήρη ποακςόοχμ (Agent-based Modeling) Σα εογαλεία ςξσ Agent Modeling Platform (AMP) ερςιάζξσμ κσοίχπ ρε ασςϊ πξσ απξκαλείςαι Agent-Based Modeling (ABM), δηλαδή ρςη μξμςελξπξίηρη βαριρμέμη ρε ποάκςξοεπ. Ασςή είμαι μία καιμξςϊμα ςευμική πξσ υοηριμξπξιείςαι ρςημ αμάλσρη ρϋμθεςχμ ταιμξμέμχμ ςα ξπξία αμήκξσμ ρε μια πληθόοα ςξμέχμ ϊπχπ είμαι η ξικξμξμία, ξι κξιμχμικέπ επιρςήμεπ, η βιξψαςοική, η ξικξλξγία καθόπ και ξι διάτξοεπ επιυειοημαςικέπ δοαρςηοιϊςηςεπ. Η μξμςελξπξίηρη βαριρμέμη ρε ποάκςξοεπ έυει κξιμά υαοακςηοιρςικά με ςη μξμςελξπξίηρη με υοήρη αμςικειμέμχμ αλλά διατέοει ρςα ενήπ: Υπάουει η έμμξια ςξσ υώοξσ. ςη μξμςελξπξίηρη σπάουει έμα ρατέπ πεοιβάλλξμ (ή πεοιρρϊςεοα ρατή πεοιβάλλξμςα) μέρα ρςξ ξπξίξ αλληλεπιδοξϋμ ξι ποάκςξοεπ. Σξ πεοιβάλλξμ μπξοεί μα μημ έυει τσρική σπϊρςαρη, αλλά μα είμαι έμα ρϋμπλεγμα κξιμχμικόμ δικςϋχμ ή και έμα λξγικϊ ρϋρςημα. Υπάουει η έμμξια ςξσ ποξρχοιμξύ. Σα μξμςέλα αλλάζξσμ με ςημ πάοξδξ ςξσ υοϊμξσ. Υπάουει ασςξμξμία. Οι ποάκςξοεπ λειςξσογξϋμ ασςϊμξμα. Δίμαι εςεοξγεμήπ. Οι ποάκςξοεπ έυξσμ διακοιςέπ ρσμπεοιτξοέπ και καςαρςάρειπ. Διαμαμςίδξσ Δσαγγελία ελίδα 43

Δίμαι ρσλλξγική. Σα μξμςέλα πεοιλαμβάμξσμ έμα μεγάλξ αοιθμϊ ποακςϊοχμ με ρατείπ αμςαγχμιρςικέπ αλλά και ρσμεογαςικέπ ρσμπεοιτξοέπ. Υπάουει η έμμξια ςξσ αμαδσόμεμξσ. Οι ποάκςξοεπ παοξσριάζξσμ μακοξρσμπεοιτξοέπ πξσ δεμ είμαι εμταμείπ. Σα σπάουξμςα επιρςημξμικά μξμςέλα αμαπαοιρςξϋμ πξλϋ καλά μικοά ρσρςήμαςα, αδσμαςξϋμ, ϊμχπ, ρςημ αμαπαοάρςαρη ρϋμθεςχμ ρσρςημάςχμ. σγκεκοιμέμα, κάμξσμ σπξθέρειπ απλξπξιόμςαπ ασςά ςα ρσρςήμαςα και ρςη ρσμέυεια ςα αμαπαοιρςξϋμ με ενιρόρειπ ή αλγξοιθμικέπ δξμέπ. Ασςϊ πξσ κάμει η μξμςελξπξίηρη με υοήρη ποακςϊοχμ, απϊ ςημ άλλη, είμαι μα αμαπαοιρςά ασςά ςα ρϋμθεςα ποαγμαςικά ρσρςήμαςα ρυεδιάζξμςαπ κξιμϊςηςεπ ποακςϊοχμ πξσ μιμξϋμςαι ςιπ ποαγμαςικέπ ξμςϊςηςεπ. σγκεκοιμέμα, αμαγμχοίζξμςαι ξι καςαρςάρειπ και ξι ρσμπεοιτξοέπ ςχμ ποακςϊοχμ και ρςη ρσμέυεια ασςξί ατήμξμςαι ελεϋθεοξι μα «δοάρξσμ», εμό εμείπ παοαςηοξϋμε ςημ ενέλινή ςξσπ και βγάζξσμε ςα ςελικά ρσμπεοάρμαςα. Με ασςϊμ ςξμ ςοϊπξ μπξοξϋμε μα εκςιμήρξσμε και μα ενεςάρξσμε καλϋςεοα πξλλά ρσρςήμαςα αλλά και μα πάοξσμε ρημαμςικέπ απξτάρειπ για ασςά. 3.2.2 Αουιςεκςξμική ςξσ Agent Modeling Platform H Agent Modeling Platform (AMP) δημιξσογήθηκε με βάρη ςξμ Eclipse, ςξ πιξ ιρυσοϊ και δημξτιλή IDE. Η AMP παοέυει επεκςάριμα πλαίρια και εογαλεία για ςημ αμαπαοάρςαρη, ςημ επενεογαρία, ςημ αμαπαοαγχγή, ςημ εκςέλερη και ςημ ξπςικξπξίηρη ςχμ μξμςέλχμ ποακςϊοχμ. Απξςελείςαι απϊ 2 μέοη πξσ ρσμπληοόμξσμ, αλλά δεμ εναοςόμςαι ςξ έμα απϊ ςξ άλλξ: AMF (Agent Modeling Framework) για ςη μξμςελξπξίηρη ρσρςημάςχμ ποακςϊοχμ και AXF (Agent Execution Framework), AGF (Agent Graphic Framework) και Escape για ςημ εκςέλερη και ενεοεϋμηρη ςχμ παοαπάμχ ρσρςημάςχμ. 3.2.3 Agent Modeling Framework Δικόμα 13. Αουιςεκςξμική Agent Modeling Platform Σξ Agent Modeling Framework παοέυει ϊλα ςα ιρυσοά εογαλεία και ςευμικέπ για ςημ ρυεδίαρη ςχμ μξμςέλχμ ποακςϊοχμ, ϊπχπ είμαι ξι ςευμικέπ αμαπαοάρςαρήπ ςξσπ και ςξ πεοιβάλλξμ αμάπςσνηπ. ςηοίζεςαι πάμχ ρςξ Acore και ρσγκεκοιμέμα ρςημ Διαμαμςίδξσ Δσαγγελία ελίδα 44

έκδξρή ςξσ πξσ ξμξμάζεςαι MetaABM. Έςρι, ϊλα ςα AMF μξμςέλα ξμξμάζξμςαι meta-models γιαςί καθξοίζξσμ πόπ μξμςελξπξιξϋμςαι ςα μξμςέλα ποακςϊοχμ. Σα μξμςέλα πξσ ρυεδιάζξμςαι ρςξ AMF μεςαςοέπξμςαι ρε κόδικα Java, επιςοέπξμςαπ έςρι ςημ άμερη εκςέλερη ςχμ μξμςέλχμ μέρα ρςξ πεοιβάλλξμ ςξσ AMP. 3.2.4 Δξμή ε γεμικέπ γοαμμέπ μπξοξϋμε μα ρυεδιάρξσμε ςα πεοιρρϊςεοα μξμςέλα ακξλξσθόμςαπ κάπξιξσπ γεμικξϋπ καμϊμεπ. Έςρι, υοηριμξπξιόμςαπ έμα ρςαθεοϊ πλαίριξ, δημιξσογξϋμε μξμςέλα πξσ μπξοξϋμ μα γίμξσμ εϋκξλα καςαμξηςά, μα μξιοαρςξϋμ και μα υοηριμξπξιηθξϋμ χπ ρσρςαςικά άλλχμ μξμςέλχμ. Έμα μξμςέλξ απξςελείςαι απϊ ςα ενήπ βαρικά ρσρςαςικά: Simple Agents (Απλξί ποάκςξοεπ) Δίμαι αμςικείμεμα λξγιρμικξϋ με ασςϊμξμη ρσμπεοιτξοά, δηλαδή επιλέγξσμ ξι ίδιξι πϊςε και πόπ θα εμταμίρξσμ κάπξια ρσμπεοιτξοά. Έυξσμ κάπξιξ υόοξ (space) ρςξμ ξπξίξ λειςξσογξϋμ και επιπλέξμ έυξσμ υαοακςηοιρςικά (attributes) και εμέογειεπ (actions). Contexts (ύμθεςξι ποάκςξοεπ) Δίμαι ποάκςξοεπ πξσ πεοιλαμβάμξσμ άλλξσπ ποάκςξοεπ. Attributes (Φαοακςηοιρςικά) Σα υαοακςηοιρςικά ςχμ ποακςϊοχμ με ςα ξπξία αμαπαοιρςξϋμ ςημ ερχςεοική ςξσπ καςάρςαρη. Μπξοεί μα είμαι διάτξοα, αμάλξγα με ςη τϋρη ςχμ ποακςϊοχμ. Attribute arrays (Πίμακεπ υαοακςηοιρςικώμ) Δίμαι πίμακεπ με 0 ή παοαπάμχ υαοακςηοιρςικά ποακςϊοχμ. States (Καςαρςάρειπ) Αμςιποξρχπεϋξσμ υαοακςηοιρςικά ποακςϊοχμ πξσ μπξοξϋμ μα πάοξσμ 1 απϊ διάτξοεπ ςιμέπ. Spaces (Φώοξι) Παοέυξσμ ςξ πεοιβάλλξμ μέρα ρςξ ξπξίξ ςξπξθεςξϋμςαι τσρικά ή μξηςά ξι ποάκςξοεπ και αλληλεπιδοξϋμ μεςανϋ ςξσπ και με ςξ πεοιβάλλξμ ςξσπ. Έμαπ ποάκςξοαπ μπξοεί μα ςξπξθεςηθεί ρε παοαπάμχ απϊ έμαμ υόοξσπ. Αμαπαοιρςόμςαι 4 ςϋπξι υόοχμ: α) Space (continuous) - σμευήπ υόοξπ, β) Grid Πλέγμα, γ) Network Δίκςσξ και, δ) Geography Γεχγοατία Actions (Δμέογειεπ) Δίμαι ςξ πιξ ρημαμςικϊ κξμμάςι εμϊπ μξμςέλξσ ποακςϊοχμ. Παοέυξσμ απλέπ και καλά ξοιρμέμεπ λεπςξμέοειεπ ςιπ ξπξίεπ υοηριμξπξιεί ςξ μξμςέλξ για μα απξταρίρει ςι βήμαςα θα κάμει ρε κάθε κϋκλξ εκςέλερηπ. Δεμ καθξοίζξσμ ακοιβόπ ςξ πόπ θα γίμει κάςι αλλά εκτοάζξσμ ςι θα ήθελε ξ ρυεδιαρςήπ απϊ ςξσπ ποάκςξοεπ μα κάμξσμ. Οι εμέογειεπ ρσμδέξμςαι μεςανϋ ςξσπ μέρχ μιαπ ρειοάπ πηγόμ και απξςελερμάςχμ. Έςρι, η οξή ποξυχοά απϊ ςημ μια εμςξλή ρςημ άλλη ακξλξσθόμςαπ μια ιεοαουική δξμή. Διαμαμςίδξσ Δσαγγελία ελίδα 45

ΚΔΥΑΛΑΙΟ 4 Μξμςελξπξίηρη ςηπ πλαςτόομαπ ςξσ ART με υοήρη ςξσ AMP 4.1 Γεμικά υαοακςηοιρςικά ςξσ ρσρςήμαςξπ Ακξλξσθεί αμάλσρη ςηπ ρυεδίαρηπ ςξσ πεοιβάλλξμςξπ ART Testbed με ςη υοήρη ςξσ πεοιβάλλξμςξπ ποξρξμξίχρηπ AMP. Για ςξ ρκξπϊ ασςϊ δημιξσογήθηκε ςξ αουείξ ART.metaabm ςξ ξπξίξ, ϊπχπ αματέοθηκε και ρςξ ποξηγξϋμεμξ κετάλαιξ, είμαι έμα Agent Modeling Framework αουείξ πξσ καθξοίζει ςα μξμςέλα ποακςϊοχμ. Σξ ποόςξ κξμμάςι ςηπ διαδικαρίαπ απαιςεί ςξμ καθξοιρμϊ ςχμ μελόμ ςξσ μξμςέλξσ, δηλαδή ςχμ ποακςϊοχμ, ςχμ ρϋμθεςχμ ποακςϊοχμ, ςχμ υόοχμ, ςχμ δικςϋχμ κλπ. ςημ πεοίπςχρη ςξσ ART ξοίρςηκαμ 4 ςϋπξι ποακςϊοχμ: Appraiser. Αμςιποξρχπεϋει ςξμ ποάκςξοα-εκςιμηςή. Client. Αμςιποξρχπεϋει ςξμ πελάςη. Painting. Αμςιποξρχπεϋει ςξμ πίμακα ζχγοατικήπ. Simulation. Αμςιποξρχπεϋει ςη μηυαμή ποξρξμξίχρηπ ςξσ πεοιβάλλξμςξπ ART. Δπιπλέξμ, ξοίρςηκαμ 2 δίκςσα (Networks) ρςα ξπξία ρσμδέξμςαι ξι ςϋπξι ποακςϊοχμ: Appraiser_Clients. Δίμαι ςξ δίκςσξ μεςανϋ ςχμ ποακςϊοχμ-εκςιμηςόμ και ςχμ πελαςόμ πξσ ρσμδέξμςαι ρε κάθε έμαμ απϊ ασςξϋπ. ςημ αουή ςξσ παιυμιδιξϋ ϊλξι ξι ποάκςξοεπ-εκςιμηςέπ ρσμδέξμςαι με ςξμ ίδιξ αοιθμϊ πελαςόμ. ςη ρσμέυεια, ϊμχπ, ςξσ παιυμιδιξϋ ξι ποάκςξοεπ πξσ κάμξσμ πιξ ακοιβείπ εκςιμήρειπ λαμβάμξσμ μεγαλϋςεοξ μεοίδιξ πελαςόμ. Client_Paintings. Δίμαι ςξ δίκςσξ μεςανϋ ςχμ πελαςόμ και ςχμ πιμάκχμ ζχγοατικήπ πξσ ξ καθέμαπ διαθέςει. Ο αοιθμϊπ ςχμ πιμάκχμ ζχγοατικήπ κάθε πελάςη παοαμέμει ρςαθεοϊπ ρε ϊλη ςη διάοκεια ςξσ παιυμιδιξϋ. Ακϊμη, ξοίρςηκαμ και κάπξια υαοακςηοιρςικά (Attributes) ςα ξπξία δεμ αματέοξμςαι ρε κάπξιξμ ρσγκεκοιμέμξ ςϋπξ ποάκςξοα αλλά απξςελξϋμ καθξλικέπ μεςαβληςέπ ςξσ ρσρςήμαςξπ. Ασςά είμαι: Διαμαμςίδξσ Δσαγγελία ελίδα 46

Appraiser Count. Ο αοιθμϊπ ςχμ ποακςϊοχμ-εκςιμηςόμ. Client Count. Ο αοιθμϊπ ςχμ πελαςόμ. Simulation Count. Ο αοιθμϊπ ςχμ μηυαμόμ ποξρξμξίχρηπ. Η ςιμή ασςή είμαι ρςαθεοά 1 ατξϋ σπάουει 1 μηυαμή ποξρξμξίχρηπ. Painting Count. Ο αοιθμϊπ ςχμ πιμάκχμ ζχγοατικήπ. Client fee. Σξ ςέλξπ πξσ πληοόμει κάθε πελάςηπ πξσ αιςείςαι μια εκςίμηρη. Opinion cost. Σξ κϊρςξπ πξσ πληοόμει κάθε ποάκςξοαπ-εκςιμηςήπ πξσ ζηςά ςημ άπξφη κάπξιξσ άλλξσ ποάκςξοα-εκςιμηςή ϊρξμ ατξοά ςημ εκςίμηρη εμϊπ πίμακα ζχγοατικήπ. Certainty cost. Σξ κϊρςξπ πξσ πληοόμει κάθε ποάκςξοαπ-εκςιμηςήπ πξσ ζηςά μια ςιμή βεβαιϊςηςαπ κάπξιξσ άλλξσ ποάκςξοα-εκςιμηςή. Η ςιμή ασςή ςίθεςαι ρςαθεοά 1. Reputation cost. Σξ κϊρςξπ πξσ πληοόμει κάθε ποάκςξοαπ-εκςιμηςήπ πξσ αιςείςαι πληοξτξοίεπ τήμηπ απϊ κάπξιξμ άλλξμ ποάκςξοα-εκςιμηςή. Thread wait. Ο υοϊμξπ ρε ms πξσ ποέπει μα πεοιμέμει έμα thread εκςέλερηπ ςηπ ποξρξμξίχρηπ. Ο υοϊμξπ ασςϊπ ςίθεςαι ρςα 3000 ms. Total timesteps. Ο αοιθμϊπ ςχμ timesteps πξσ θα διαοκέρει έμα παιυμίδι. Sensing cost accuracy. Μια παοάμεςοξπ, ρςαθεοή για ϊλξσπ ςξσπ ποάκςξοεπεκςιμηςέπ, πξσ επηοεάζει ςη ρυέρη μεςανϋ ςξσ κϊρςξσπ για ςημ παοαγχγή εκςίμηρηπ και ςηπ ποξκϋπςξσραπ ακοίβειαπ ςηπ εκςίμηρηπ. ςημ παοάμεςοξ ασςή δίμεςαι η ςιμή 0.5. Number of eras. Ο αοιθμϊπ ςχμ υοξμικόμ πεοιϊδχμ ρςιπ ξπξίεπ αμήκξσμ ξι πίμακεπ ζχγοατικήπ. Max Opinion Requests. Ο μέγιρςξπ αοιθμϊπ αιςήρεχμ για απϊφειπ άλλχμ ποακςϊοχμ πξσ έμαπ ποάκςξοαπ μπξοεί μα ζηςήρει για ςημ παοαγχγή ςηπ ςελικήπ ςξσ εκςίμηρηπ. Max Certainty Requests. Ο μέγιρςξπ αοιθμϊπ αιςήρεχμ ςιμόμ βεβαιϊςηςαπ πξσ έμαπ ποάκςξοαπ μπξοεί μα ζηςήρει απϊ άλλξσπ ποάκςξοεπ. Percentage of Clients to ask. Σξ πξρξρςϊ ςξσ ρσμξλικξϋ αοιθμξϋ ςχμ πελαςόμ πξσ ζηςξϋμ εκςίμηρη απϊ κάθε ποάκςξοα-εκςιμηςή ρε κάθε timestep. Counter. Δηλόμει ςξμ αοιθμϊ ςξσ πειοάμαςξπ πξσ εκςελείςαι. Σα παοαπάμχ ταίμξμςαι ρςημ παοακάςχ εικϊμα ςξσ αουείξσ ART.metaabm: Διαμαμςίδξσ Δσαγγελία ελίδα 47

Δικόμα 14. Δξμή αουείξσ ART.metaabm Σξ ρσμξλικϊ διάγοαμμα κλάρεχμ ςξσ ART είμαι ςξ παοακάςχ: Διαμαμςίδξσ Δσαγγελία ελίδα 48

Δικόμα 15. σμξλικό Διάγοαμμα κλάρεχμ ςξσ ART Διαμαμςίδξσ Δσαγγελία ελίδα 49

4.1 Ποάκςξοαπ ςύπξσ Appraiser Ο ποάκςξοαπ ςϋπξσ Appraiser αμςιποξρχπεϋει ςξμ πελάςη-εκςιμηςή. Ο ποάκςξοαπ ασςϊπ εκςελεί μια ρειοά εμεογειόμ ποξκειμέμξσ μα δόρει ςα απαοαίςηςα ρςξιυεία ρςη μηυαμή ποξρξμξίχρηπ για ςξμ σπξλξγιρμϊ ςηπ ςελικήπ εκςίμηρηπ ςηπ ανίαπ εμϊπ πίμακα. Σξ διάγοαμμα κλάρηπ ςξσ είμαι ςξ ενήπ: Διαμαμςίδξσ Δσαγγελία ελίδα 50

Δικόμα 16. Διάγοαμμα κλάρηπ Appraiser Διαμαμςίδξσ Δσαγγελία ελίδα 51

Η παοακάςχ εικϊμα δείυμει ςξμ ποάκςξοα ςϋπξσ Appraiser ϊπχπ ταίμεςαι ρςξ αουείξ ART.metaabm: Δικόμα 17. Δξμή Appraiser Πεοιλαμβάμει ςα ενήπ υαοακςηοιρςικά (attributes): Clients per Appraiser. Δίμαι ξ αοιθμϊπ ςχμ πελαςόμ πξσ αμςιρςξιυξϋμ ρε κάθε ποάκςξοα-εκςιμηςή. Bank Balance. Δίμαι ξ ςοαπεζικϊπ λξγαοιαρμϊπ κάθε ποάκςξοα-εκςιμηςή. Cost for Appraisal. Δίμαι ςξ κϊρςξπ πξσ πληοόμει κάθε ποάκςξοαπεκςιμηςήπ για ςημ παοαγχγή εκςίμηρηπ. Clients[]. Δίμαι έμαπ πίμακαπ πξσ πεοιλαμβάμει ςα ids ςχμ πελαςόμ πξσ ρσμδέξμςαι ρςξ ρσγκεκοιμέμξ ποάκςξοα-εκςιμηςή. Paint. Δίμαι ςξ id ςξσ πίμακα ζχγοατικήπ ςξμ ξπξίξμ ξ ποάκςξοαπ καλείςαι μα εκςιμήρει. Era. Δίμαι η υοξμική πεοίξδξπ ρςημ ξπξία αμήκει ξ πίμακαπ ζχγοατικήπ ςξμ ξπξίξμ ξ ποάκςξοαπ καλείςαι μα εκςιμήρει. Appraisal. Δίμαι η εκςίμηρη ςξσ ποάκςξοα για ςημ ανία ςξσ πίμακα. temp. Βξηθηςική μεςαβληςή. reputation. Δίμαι η ςιμή τήμηπ για κάπξιξμ ποάκςξοα-εκςιμηςή (ποαγμαςικϊπ αοιθμϊπ ρςξ διάρςημα [0,1]). temp1. Βξηθηςική μεςαβληςή. value. Η ποαγμαςική ανία ςξσ πίμακα για ςξμ ξπξίξμ ζηςείςαι εκςίμηρη. Expertise[]. Δίμαι έμαπ πίμακαπ με ςιπ ςιμέπ εμπειοξγμχμξρϋμηπ ςξσ ποάκςξοα-εκςιμηςή για κάθε υοξμική πεοίξδξ. Certainty[][]. Δίμαι έμαπ πίμακαπ με ςιμέπ βεβαιϊςηςαπ για κάθε υοξμική πεοίξδξ και για κάθε ποάκςξοα-εκςιμηςή. Διαμαμςίδξσ Δσαγγελία ελίδα 52

Type. Δίμαι ξ ςϋπξπ ςξσ ποάκςξοα-εκςιμηςή ξ ξπξίξπ καθξοίζει και ςη ρςοαςηγική πξσ ασςϊπ ακξλξσθεί. Οι διαθέριμξι ςϋπξι είμαι: o SimpleAgent o HonestAgent o CheatingAgent o HerculAgent o FordPerfect o NextAgent rep[][]. Δίμαι έμαπ πίμακαπ με ςιμέπ τήμηπ για κάθε άλλξμ ποάκςξοαεκςιμηςή και για κάθε υοξμική πεοίξδξ. replimit[]. Δίμαι έμαπ πίμακαπ με ϊοια τήμηπ για κάθε υοξμική πεοίξδξ, πέοα απϊ ςα ξπξία έμαπ ποάκςξοαπ-εκςιμηςήπ θεχοείςαι έμπιρςξπ. errorslimit[]. Δίμαι έμαπ πίμακαπ με ϊοια λάθξσπ εκςίμηρηπ για κάθε υοξμική πεοίξδξ. cer. Δίμαι η ςιμή βεβαιϊςηςαπ εμϊπ ποάκςξοα-εκςιμηςή (ποαγμαςικϊπ αοιθμϊπ ρςξ διάρςημα [0,1]). SelfConfidence[]. Δίμαι έμαπ πίμακαπ με ςιμέπ ασςξπεπξίθηρηπ για κάθε ποάκςξοα-εκςιμηςή (πϊρξ καλά γμχοίζει ξ ποάκςξοαπ κάθε άλλξμ ποάκςξοα ςξσ ρσρςήμαςξπ). meanappraisalerror[]. Δίμαι έμαπ πίμακαπ με ςιπ ςιμέπ μέρξσ λάθξσπ εκςίμηρηπ ςξσ ποάκςξοα-εκςιμηςή ρε κάθε timestep. ME[][]. Δίμαι έμαπ πίμακαπ με ςιπ ςιμέπ μέρξσ λάθξσπ εκςίμηρηπ κάθε ποάκςξοα-εκςιμηςή και για κάθε υοξμική πεοίξδξ πξσ υοηριμξπξιείςαι απϊ ςξμ ςϋπξ ποάκςξοα-εκςιμηςή HerculAgent. naughty[]. Δίμαι έμαπ πίμακαπ πξσ υοηριμξπξιείςαι απϊ ςξμ ςϋπξ ποάκςξοαεκςιμηςή FordPerfect και δηλόμει για κάθε ποάκςξοα αμ ασςϊπ είμαι έμπιρςξπ ή ϊυι. sortedlist[]. Δίμαι έμαπ πίμακαπ πξσ υοηριμξπξιείςαι απϊ ςξμ ςϋπξ ποάκςξοα-εκςιμηςή FordPerfect και πεοιέυει ςα ids ςχμ σπξλξίπχμ ποακςϊοχμ ςξσ ρσρςήμαςξπ ςανιμξμημέμα ρϋμτχμα με ςιπ ςιμέπ τήμηπ και βεβαιϊςηςάπ ςξσπ. submitlist[]. Δίμαι έμαπ πίμακαπ πξσ υοηριμξπξιείςαι απϊ ςξμ ςϋπξ ποάκςξοα-εκςιμηςή FordPerfect και πεοιέυει ςα ids ςχμ ποακςϊοχμ απϊ ςξσπ ξπξίξσπ ξ ποάκςξοαπ θα αιςηθεί ςημ άπξφή ςξσπ για κάπξια εκςίμηρη. flag. Δίμαι μια μεςαβληςή πξσ υοηριμξπξιείςαι απϊ ςξμ ςϋπξ ποάκςξοαεκςιμηςή NextAgent και δηλόμει αμ σπάουει κάπξιξπ ανιϊπιρςξπ ποάκςξοαπ απϊ ςξμ ξπξίξμ μπξοεί μα ζηςήρει ςημ άπξφή ςξσ για κάπξια εκςίμηρη. best. Δίμαι μια μεςαβληςή πξσ υοηριμξπξιείςαι απϊ ςξμ ςϋπξ ποάκςξοαεκςιμηςή NextAgent και πεοιέυει ςξ id ςξσ καλϋςεοξσ ποάκςξοα (ασςξϋ με ςξ μικοϊςεοξ μέρξ λάθξπ εκςίμηρηπ). s. Δίμαι μια μεςαβληςή πξσ υοηριμξπξιείςαι απϊ ςξμ ςϋπξ ποάκςξοα-εκςιμηςή NextAgent και πεοιέυει ςξ id ςξσ ποάκςξοα πξσ επιλέυθηκε για μα οχςηθεί για ςημ άπξφή ςξσ ϊρξμ ατξοά κάπξια εκςίμηρη. Ο ςϋπξπ ποάκςξοα Appraiser πεοιλαμβάμει ςιπ ενήπ μεθϊδξσπ: initialize(). Η μέθξδξπ ασςή υοηριμξπξιείςαι για ςημ αουικξπξίηρη ςχμ πιμάκχμ πξσ υοηριμξπξιεί ξ Appraiser. Για ςξ ρκξπϊ ασςϊ καλεί ςη μέθξδξ initializearrays(). Διαμαμςίδξσ Δσαγγελία ελίδα 53

initializecostforappraisal(). Η μέθξδξπ ασςή αουικξπξιεί ςξ κϊρςξπ για ςημ παοαγχγή εκςίμηρηπ αμάλξγα με ςξμ ςϋπξ ςξσ ποάκςξοα-εκςιμηςή καλόμςαπ ςη μέθξδξ initializecost(). Θα γίμει ρςη ρσμέυεια αμάλσρη ςηπ ρςοαςηγικήπ κάθε ςϋπξσ Appraiser η ξπξία πεοιλαμβάμει και ςξ κϊρςξπ παοαγχγήπ εκςίμηρηπ. initializeclients(). Ποαγμαςξπξιείςαι μια τξοά ρςημ αουή ςξσ παιυμιδιξϋ και εκυχοεί ςιμέπ ρςξμ πίμακα clients[], δηλαδή ςξμ γεμίζει με ids πελαςόμ και ςξσπ ρσμδέει με ςξ ρσγκεκοιμέμξ Appraiser ρςξ δίκςσξ Appraiser_Clients. Δικόμα 18. Μέθξδξπ Initialize ποάκςξοα ςύπξσ Appraiser Όπχπ ταίμεςαι και ρςημ παοαπάμχ εικϊμα, η μέθξδξπ initializeclients() αουικά εκυχοεί ςιμέπ ρςξμ πίμακα clients[] κάθε Appraiser καλόμςαπ ςη μέθξδξ initializeclientsarray(). ςη ρσμέυεια, για ϊλξσπ ςξσπ ποάκςξοεπ ςϋπξσ Client καλεί ςη μέθξδξ connecttoappraiserclients() η ξπξία δημιξσογεί ςιπ ρσμδέρειπ ρςξ δίκςσξ Appraiser_Clients με βάρη ςξμ πίμακα clients[]. Η μέθξδξπ ασςή είμαι η ενήπ: for (int i = 0; i < clientsperappraiser; i++) { if ((int) client.getuid() == clients[i]) { ((org.ascape.model.space.graph) getart().getappraiser_clients().getspace()).addneighborsafe(this, client, true); client.setappraiserid((int) getuid()); } } Δπιπλέξμ, ξ ποάκςξοαπ ςϋπξσ Appraiser πεοιλαμβάμει μια ρειοά άλλχμ μεθϊδχμ, ξι ξπξίεπ διατξοξπξιξϋμςαι αμάλξγα με ςξμ ςϋπξ ςξσ Appraiser. Οι ςϋπξι Appraisers πξσ υοηριμξπξιξϋμςαι αμαλϋξμςαι ρςιπ παοακάςχ παοαγοάτξσπ. Σέλξπ, ξ ποάκςξοαπ ςϋπξσ Appraiser πεοιλαμβάμει έμα style με ςξ ξπξίξ θα εμταμίζεςαι καςά ςημ εκςέλερη ςηπ ποξρξμξίχρηπ. Σξ style πξσ υοηριμξπξιείςαι διατέοει αμάλξγα με ςξμ ςϋπξ ςξσ Appraiser και είμαι μπλε ξβάλ για ςξμ SimpleAgent, ποάριμξ ξβάλ για ςξμ HonestAgent, κϊκκιμξ ξβάλ για ςξμ CheatingAgent, κίςοιμξ ξβάλ για ςξμ HerculAgent, μαϋοξ ξβάλ για ςξμ FordPerfect και πξοςξκαλί ξβάλ για ςξμ NextAgent, ϊπχπ ταίμεςαι παοακάςχ: Διαμαμςίδξσ Δσαγγελία ελίδα 54

Δικόμα 19. Style ποάκςξοα ςύπξσ Appraiser Οι εμέογειεπ πξσ εκςελεί έμαπ Appraiser εναοςόμςαι ρε μεγάλξ βαθμϊ απϊ ςξμ ςϋπξ ςξσ Appraiser ξ ξπξίξπ καθξοίζει και ςη ρςοαςηγική ςξσ. Κάπξια γεμικά βήμαςα πξσ ακξλξσθεί, ϊμχπ, είμαι ςα ενήπ: Μια ρειοά εμεογειόμ ξι ξπξίεπ πεοιλαμβάμξσμ ςημ αουικξπξίηρη ςχμ πιμάκχμ πξσ υοηριμξπξιεί ξ Appraiser, ςημ αουικξπξίηρη ςξσ ςϋπξσ ςξσ Appraiser και ςξσ κϊρςξσπ για ςημ παοαγχγή εκςίμηρηπ αμάλξγα με ασςϊμ ςξμ ςϋπξ και ςη ρϋμδερη ςχμ αουικόμ πελαςόμ με ςξμ Appraiser ρςξ δίκςσξ Appraiser_Clients. Οι εμέογειεπ ασςέπ γίμξμςαι μια τξοά ρςημ αουή ςξσ παιυμιδιξϋ. Δϋοερη ςχμ καςάλληλχμ ποακςϊοχμ (ή ςξσ καςάλληλξσ ποάκςξοα) για ςημ αίςηρη άπξφηπ για μια ρσγκεκοιμέμη εκςίμηρη. Αμαμέχρη ςηπ ςιμήπ τήμηπ για κάθε έμαμ απϊ ασςξϋπ ςξσπ ποάκςξοεπ. Αίςηρη για ςημ ςιμή βεβαιϊςηςαπ κάθε εμϊπ απϊ ασςξϋπ ςξσπ ποάκςξοεπ. Αίςηρη ςηπ άπξφηπ κάθε εμϊπ απϊ ςξσπ παοαπάμχ ποάκςξοεπ. Λήφη ςηπ άπξφηπ κάθε εμϊπ ποάκςξοα και αμαμέχρη ςξσ αουείξσ ενϊδξσ out.xls με ςα ρςξιυεία για ςη ρσγκεκοιμέμη ρσμαλλαγή. Τπξλξγιρμϊπ ςηπ εκςίμηρηπ ςξσ ίδιξσ ςξσ ποάκςξοα-εκςιμηςή μέρχ κλήρηπ ςηπ μεθϊδξσ calcuteappraisal() ςξσ Simulation. Τπξλξγιρμϊπ ςχμ βαοόμ για κάθε άπξφη πξσ ρσλλέυθηκε. Απξρςξλή ρςη μηυαμή ποξρξμξίχρηπ ςξσ ρες ςχμ απϊφεχμ και ςχμ αμςίρςξιυχμ βαοόμ για ςημ παοαγχγή ςηπ ςελικήπ εκςίμηρηπ. Σα παοαπάμχ ταίμξμςαι ρςξ παοακάςχ διάγοαμμα δοαρςηοιξςήςχμ: Διαμαμςίδξσ Δσαγγελία ελίδα 55

Δικόμα 20. Γεμικό διάγοαμμα δοαρςηοιξςήςχμ ποάκςξοα ςύπξσ Appraiser ςξ παοακάςχ διάγοαμμα ακξλξσθιόμ ταίμεςαι η διαδικαρία ρσμαλλαγήπ δϋξ Appraisers και ξ οϊλξπ πξσ παίζει ρε ασςήμ η μηυαμή ποξρξμξίχρηπ Simulation. Διαμαμςίδξσ Δσαγγελία ελίδα 56

Δικόμα 21. Διάγοαμμα ακξλξσθιώμ ςηπ ρσμαλλαγήπ για ςημ αίςηρη άπξφηπ εκςίμηρηπ μεςανύ δύξ Appraisers Διαμαμςίδξσ Δσαγγελία ελίδα 57

4.1.1 SimpleAgent Ποϊκειςαι για έμαμ ποάκςξοα-εκςιμηςή πξσ ακξλξσθεί έμα απλϊ μξμςέλξ εμπιρςξρϋμηπ και τήμηπ. Οι μέθξδξι πξσ υοηριμξπξιεί αμαλϋξμςαι παοακάςχ: prepareopinionrequests(). O SimpleAgent ζηςά απϊφειπ για εκςιμήρειπ απϊ Max Opinion Requests άλλξσπ ποάκςξοεπ, ξι ξπξίξι έυξσμ ςιμή τήμηπ μεγαλϋςεοη απϊ 0.5. prepareopinionreplies(). Ο SimpleAgent πληοόμει κϊρςη για ςημ παοαγχγή εκςιμήρεχμ πξσ ςξσ ζηςξϋμ άλλξι ποάκςξοεπ αμάλξγα με ςημ ςιμή τήμηπ ασςόμ ςχμ ποακςϊοχμ. σγκεκοιμέμα, πληοόμει κϊρςξπ ίρξ με 0.8*Opinioncost ϊςαμ ςξσ ζηςξϋμ μια εκςίμηρη έμπιρςξι ποάκςξοεπ, δηλαδή ποάκςξοεπ με ςιμή τήμηπ μεγαλϋςεοη απϊ 0.5 και κϊρςξπ ίρξ με 0.01 ρςημ πεοίπςχρη αμανιϊπιρςχμ ποακςϊοχμ ϊπχπ ταίμεςαι και ρςξ παοακάςχ κξμμάςι κόδικα: if (rep[j][2] > 0.5) { cost = getart().getopinioncost()*0.8; } else { cost = 0.01; } prepareopinionproviderweights(). O SimpleAgent υοηριμξπξιεί βάοη για ςιπ απϊφειπ εκςίμηρηπ ποακςϊοχμ αμάλξγα με ςημ ςιμή τήμηπ ασςόμ ςχμ ποακςϊοχμ. σγκεκοιμέμα, αμ η άπξφη δϊθηκε απϊ έμαμ ποάκςξοα με ςιμή τήμηπ μεγαλϋςεοη απϊ 0.8, υοηριμξπξιεί έμα βάοξπ ίρξ ςημ ςιμή τήμηπ για ασςήμ ςημ άπξφη, εμό ρε αμςίθεςη πεοίπςχρη υοηριμξπξιεί βάοξπ ίρξ με ςημ ςιμή βεβαιϊςηςαπ ϊπχπ ταίμεςαι και ρςξ παοακάςχ κξμμάςι κόδικα: if (rep[j][2] > 0.8) { weight = rep[j][2]; } else { weight = certainty[j][2]; } preparereputationrequests(). Ο SimpleAgent δε ζηςά απϊ άλλξσπ ποάκςξοεπ ςιμέπ τήμηπ άλλχμ ποακςϊοχμ αλλά αμαμεόμει ςιπ ςιμέπ τήμηπ ςχμ ποακςϊοχμ αμάλξγα με ςξ μέρξ λάθξπ εκςίμηρηπ πξσ ασςξί έυξσμ ρε ποξηγξϋμεμεπ εκςιμήρειπ ςξσ ίδιξσ πίμακα. σγκεκοιμέμα, για μέρξ λάθξπ μεγαλϋςεοξ απϊ 0.5 η ςιμή τήμηπ ςξσ ποάκςξοα μειόμεςαι καςά 0.03 εμό ρε αμςίθεςη πεοίπςχρη ασνάμεςαι καςά ςξ ίδιξ πξρϊ. preparereputationreplies(). Ο SimpleAgent, ϊςαμ ςξσ ζηςηθεί, δίμει ςημ ποαγμαςική ςιμή τήμηπ ςξσ ποάκςξοα για ςξμ ξπξίξ ζηςείςαι πληοξτξοία τήμηπ. preparecertaintyrequests(). O SimpleAgent ζηςά ςιμέπ βεβαιϊςηςαπ απϊ κάθε ποάκςξοα ςξσ ξπξίξσ οχςά ςημ άπξφη για κάπξια εκςίμηρη και για ςξμ ξπξίξμ δεμ γμχοίζει ήδη ςη ζηςξϋμεμη ςιμή βεβαιϊςηςαπ. preparecertaintyreplies(). O SimpleAgent δίμει ςημ ποαγμαςική ςξσ ςιμή εμπειοξγμχμξρϋμηπ χπ ςιμή βεβαιϊςηςαπ ϊςαμ ςξσ ζηςηθεί. Διαμαμςίδξσ Δσαγγελία ελίδα 58

4.1.2 HonestAgent Ποϊκειςαι για έμαμ ποάκςξοα-εκςιμηςή πξσ ακξλξσθεί έμα ειλικοιμέπ μξμςέλξ εμπιρςξρϋμηπ και τήμηπ. Οι μέθξδξι πξσ υοηριμξπξιεί αμαλϋξμςαι παοακάςχ: prepareopinionrequests(). O HonestAgent ζηςά απϊφειπ για εκςιμήρειπ απϊ Max Opinion Requests άλλξσπ ποάκςξοεπ. Σξσπ ποάκςξοεπ ασςξϋπ ςξσπ διαλέγει με ςσυαίξ ςοϊπξ, ρσμεπόπ σπάουει πεοίπςχρη μα οχςήρει ςξμ ίδιξ ποάκςξοα δϋξ τξοέπ για ςημ ίδια εκςίμηρη. prepareopinionreplies(). Ο HonestAgent πληοόμει έμα κϊρςξπ για ςημ παοαγχγή εκςίμηρηπ ίρξ με 10, δηλαδή ςξ μέγιρςξ κϊρςξπ, αμενάοςηςα απϊ ςξ πξιξπ ποάκςξοαπ αιςείςαι άπξφη για ςημ παοαγχγή ασςήπ ςηπ εκςίμηρηπ. prepareopinionproviderweights(). O HonestAgent υοηριμξπξιεί έμα βάοξπ για ςημ άπξφη εκςίμηρηπ εμϊπ ποάκςξοα ίρξ με 1, αμενάοςηςα απϊ ςξ πξιξπ ποάκςξοαπ έδχρε ασςήμ ςημ άπξφη. preparereputationrequests(). Ο HonestAgent δε ζηςά απϊ άλλξσπ ποάκςξοεπ ςιμέπ τήμηπ άλλχμ ποακςϊοχμ καθόπ δεμ ςιπ υοηριμξπξιεί. preparereputationreplies(). Ο HonestAgent, ϊςαμ ςξσ ζηςηθεί, δίμει μια ςιμή τήμηπ ίρη με 1, δηλαδή ςη μέγιρςη ςιμή τήμηπ, αμενάοςηςα με ςξμ ποάκςξοα για ςξμ ξπξίξμ ποϊκειςαι. preparecertaintyrequests(). O HonestAgent δε ζηςά ςιμέπ βεβαιϊςηςαπ απϊ ςξσπ ποάκςξοεπ απϊ ςξσπ ξπξίξσπ αιςείςαι άπξφη εκςίμηρηπ. preparecertaintyreplies(). O HonestAgent δίμει ςημ ποαγμαςική ςξσ ςιμή εμπειοξγμχμξρϋμηπ χπ ςιμή βεβαιϊςηςαπ ϊςαμ ςξσ ζηςηθεί. 4.1.3 Cheating Agent Ποϊκειςαι για έμαμ ποάκςξοα-εκςιμηςή πξσ ακξλξσθεί έμα αμειλικοιμέπ μξμςέλξ εμπιρςξρϋμηπ και τήμηπ. Οι μέθξδξι πξσ υοηριμξπξιεί αμαλϋξμςαι παοακάςχ: prepareopinionrequests(). O CheatingAgent ζηςά ςημ άπξφη για μια εκςίμηρη απϊ έμαμ ςσυαία επιλεγμέμξ ποάκςξοα. prepareopinionreplies(). Ο CheatingAgent πληοόμει έμα κϊρςξπ για ςημ παοαγχγή εκςίμηρηπ ίρξ με 1, δηλαδή ςξ ελάυιρςξ κϊρςξπ, αμενάοςηςα απϊ ςξ πξιξπ ποάκςξοαπ αιςείςαι άπξφη για ςημ παοαγχγή ασςήπ ςηπ εκςίμηρηπ. prepareopinionproviderweights(). O CheatingAgent υοηριμξπξιεί έμα βάοξπ για ςημ άπξφη εκςίμηρηπ εμϊπ ποάκςξοα ίρξ με 1, αμενάοςηςα απϊ ςξ πξιξπ ποάκςξοαπ έδχρε ασςήμ ςημ άπξφη. preparereputationrequests(). Ο CheatingAgent δε ζηςά απϊ ποάκςξοεπ ςιμέπ τήμηπ άλλχμ ποακςϊοχμ καθόπ δεμ ςιπ υοηριμξπξιεί. preparereputationreplies(). Ο CheatingAgent, ϊςαμ ςξσ ζηςηθεί, δίμει μια ςιμή τήμηπ ίρη με 1, δηλαδή ςη μέγιρςη ςιμή τήμηπ, αμενάοςηςα με ςξμ ποάκςξοα για ςξμ ξπξίξμ ποϊκειςαι. preparecertaintyrequests(). O CheatingAgent δε ζηςά ςιμέπ βεβαιϊςηςαπ απϊ ςξσπ ποάκςξοεπ απϊ ςξσπ ξπξίξσπ αιςείςαι άπξφη. preparecertaintyreplies(). O CheatingAgent δίμει μια ςιμή βεβαιϊςηςαπ ίρη με 1, δηλαδή ςη μέγιρςη ςιμή βεβαιϊςηςαπ, ϊςαμ ςξσ ζηςηθεί αμενάοςηςα με ςξ πξιϊπ ποάκςξοαπ ςξσ ςημ ζηςά και για πξια υοξμική πεοίξδξ ποϊκειςαι. Διαμαμςίδξσ Δσαγγελία ελίδα 59

4.1.4 HerculAgent Ποϊκειςαι για έμαμ ποάκςξοα-εκςιμηςή ξ ξπξίξπ αμαπςϋυθηκε απϊ ςξμ [ΣΔ 10]. Οι μέθξδξι πξσ υοηριμξπξιεί αμαλϋξμςαι παοακάςχ: prepareopinionrequests(). O HerculAgent ζηςά απϊφειπ για εκςιμήρειπ απϊ Max Opinion Requests άλλξσπ ποάκςξοεπ, ξι ξπξίξι έυξσμ ςιμή τήμηπ μεγαλϋςεοη απϊ έμα ϊοιξ replimit ςξ ξπξίξ σπξλξγίζεςαι ρςη μέθξδξ setreplimit(). Αμ δεμ σπάουξσμ Max Opinion Requests έμπιρςξι ποάκςξοεπ, δηλαδή με ςιμή τήμηπ μεγαλϋςεοη απϊ replimit, οχςά και αμανιϊπιρςξσπ ποάκςξοεπ. prepareopinionreplies(). Ο HerculAgent πληοόμει κϊρςη για ςημ παοαγχγή εκςιμήρεχμ πξσ ςξσ ζηςξϋμ άλλξι ποάκςξοεπ αμάλξγα με ςημ ςιμή τήμηπ ασςόμ ςχμ ποακςϊοχμ και ςξ timestep ρςξ ξπξίξ βοιρκϊμαρςε. Η μέθξδξπ ασςή παοξσριάζεςαι ρςα πλαίρια ςηπ πειοαμαςικήπ μελέςηπ πξσ αμαλϋεςαι ρςξ 5 ξ κετάλαιξ. prepareopinionproviderweights(). O HerculAgent υοηριμξπξιεί βάοη για ςιπ απϊφειπ εκςίμηρηπ ποακςϊοχμ αμάλξγα με ςξ μέρξ λάθξπ εκςίμηρήπ ςξσπ. Η μέθξδξπ ασςή παοξσριάζεςαι ρςα πλαίρια ςηπ πειοαμαςικήπ μελέςηπ πξσ αμαλϋεςαι ρςξ 5 ξ κετάλαιξ. preparereputationrequests(). Ο HerculAgent δε ζηςά πληοξτξοίεπ τήμηπ ποακςϊοχμ απϊ άλλξσπ ποάκςξοεπ αλλά αμαμεόμει ςιπ ςιμέπ τήμηπ και ασςξπεπξίθηρηπ ςχμ ποακςϊοχμ αμάλξγα με ςξ μέρξ λάθξπ εκςίμηρήπ ςξσπ, ςη τήμη ςξσπ και ςξ timestep ρςξ ξπξίξ βοιρκϊμαρςε. Η μέθξδξπ ασςή παοξσριάζεςαι ρςα πλαίρια ςηπ πειοαμαςικήπ μελέςηπ πξσ αμαλϋεςαι ρςξ 5 ξ κετάλαιξ. preparereputationreplies(). Ο HerculAgent, ϊςαμ ςξσ ζηςηθεί, δίμει ςημ ποαγμαςική ςιμή τήμηπ ϊςαμ οχςάςαι απϊ έμπιρςξσπ ποάκςξοεπ, δηλαδή απϊ ποάκςξοεπ με ςιμή τήμηπ μεγαλϋςεοη απϊ replimit, εμό δίμει μια ςσυαία ςιμή ϊςαμ οχςάςαι απϊ αμανιϊπιρςξσπ ποάκςξοεπ. preparecertaintyrequests(). O HerculAgent ζηςά ςιμέπ βεβαιϊςηςαπ απϊ κάθε ποάκςξοα ςξσ ξπξίξσ οχςά ςημ άπξφη για κάπξια εκςίμηρη, για ςξμ ξπξίξμ δεμ γμχοίζει ςη ζηςξϋμεμη ςιμή βεβαιϊςηςαπ και ξ ξπξίξπ είμαι έμπιρςξπ. preparecertaintyreplies(). O HerculAgent δίμει ςιμέπ βεβαιϊςηςαπ ρςξσπ ποάκςξοεπ πξσ ςιπ ζηςάμε αμάλξγα με ςιπ ςιμέπ τήμηπ και ασςξπεπξίθηρηπ ασςόμ ςχμ ποακςϊοχμ και ςξ timestep ρςξ ξπξίξ βοιρκϊμαρςε. Η μέθξδξπ ασςή παοξσριάζεςαι ρςα πλαίρια ςηπ πειοαμαςικήπ μελέςηπ πξσ αμαλϋεςαι ρςξ 5 ξ κετάλαιξ. seterrorslimit(). Ο HerculAgent υοηριμξπξιεί ασςή ςη μέθξδξ για μα σπξλξγίζει ςξ ϊοιξ errorslimit, για κάθε υοξμική πεοίξδξ, ςξ ξπξίξ υοηριμξπξιείςαι απϊ ςη μέθξδξ prepareopinionproviderweights() για ςξμ σπξλξγιρμϊ ςχμ βαοόμ ςχμ απϊφεχμ πξσ δίμξσμ ξι ποάκςξοεπ-εκςιμηςέπ. σγκεκοιμέμα, βοίρκει ςξ μικοϊςεοξ και ςξ μεγαλϋςεοξ μέρξ ρτάλμα εκςίμηρηπ ςχμ ποακςϊοχμ για κάθε υοξμική πεοίξδξ και υοηριμξπξιεί ασςέπ ςιπ ςιμέπ για μα σπξλξγίρει ςα ϊοια errorslimit κάθε υοξμικήπ πεοιϊδξσ, ϊπχπ ταίμεςαι και ρςξ παοακάςχ κξμμάςι κόδικα: Διαμαμςίδξσ Δσαγγελία ελίδα 60

double[] min = new double[getart().getnumberoferas()]; double[] max = new double[getart().getnumberoferas()]; for (int j=0; j<getart().getnumberoferas(); j++) { min[j] = 100; max[j] = 0; } for (int i=0; i<getart().getnumberoferas(); i++) { if (meanappraisalerror[i] < 1) { if (meanappraisalerror[i] < min[i]) { min[i] = meanappraisalerror[i]; } if (meanappraisalerror[i] > max[i]) { max[i] = meanappraisalerror[i]; } } double tmperrors = min[i] + 0.2*max[i]*max[i]; errorslimit[i] = tmperrors; } setreplimit(). Με παοϊμξιξ ςοϊπξ, ξ HerculAgent υοηριμξπξιεί ασςή ςη μέθξδξ για μα σπξλξγίζει ςξ ϊοιξ replimit για κάθε υοξμική πεοίξδξ, δηλαδή ςξ ϊοιξ πάμχ απϊ ςξ ξπξίξ έμαπ ποάκςξοαπ θεχοείςαι έμπιρςξπ. σγκεκοιμέμα, βοίρκει ςη μικοϊςεοη και ςη μεγαλϋςεοη ςιμή τήμηπ ςχμ ποακςϊοχμ για κάθε υοξμική πεοίξδξ και υοηριμξπξιεί ασςέπ ςιπ ςιμέπ για μα σπξλξγίρει ςα ϊοια replimit κάθε υοξμικήπ πεοιϊδξσ. 4.1.5 Ford Perfect Ποϊκειςαι για έμαμ ποάκςξοα-εκςιμηςή ξ ξπξίξπ αμαπςϋυθηκε απϊ μια ξμάδα ςξσ παμεπιρςημίξσ ςηπ Tulsa με εκποϊρχπξ ςξμ Frank Grove και ρσμμεςείυε ρςξ διαγχμιρμϊ ART ςξσ 2008. Η ρςοαςηγική ςξσ αμςλήθηκε απϊ ςημ ιρςξρελίδα ςξσ ART [URL 1] ϊπξσ είμαι διαθέριμη. Σξ μξμςέλξ εμπιρςξρϋμηπ και τήμηπ πξσ ακξλξσθεί υοηριμξπξιεί ςιπ παοακάςχ μεθϊδξσπ: prepareopinionrequests(). O FordPerfect υοηριμξπξιεί ςιπ μεθϊδξσπ bubblesort() και satisfaction() για μα δημιξσογήρει έμαμ πίμακα agentstoask[] ξ ξπξίξπ πεοιλαμβάμει ςα ids ςχμ ποακςϊοχμ-εκςιμηςόμ απϊ ςξσπ ξπξίξσπ μπξοεί μα ζηςήρει άπξφη για ςημ παοαγχγή κάπξιαπ εκςίμηρηπ. Σελικά, ξ FordPerfect ζηςά ςημ άπξφη Max Opinion Requests ποακςϊοχμ απϊ ςξμ πίμακα agentstoask[]. H μέθξδξπ bubblesort() υοηριμξπξιείςαι απϊ ςξμ FordPerfect για ςημ ςανιμϊμηρη ςχμ σπξλξίπχμ ποακςϊοχμ-εκςιμηςόμ με βάρη ςιπ ςιμέπ τήμηπ και βεβαιϊςηςάπ ςξσπ. Η μέθξδξπ satisfaction() υοηριμξπξιείςαι απϊ ςξμ FordPerfect για ςξμ σπξλξγιρμϊ ςξσ πίμακα submitlist[], ξ ξπξίξπ αμςιρςξιυεί ρςξμ πίμακα agentstoask[] και πεοιλαμβάμει ςα ids ςχμ ποακςϊοχμ-εκςιμηςόμ ςχμ ξπξίχμ ςημ άπξφη μπξοεί μα ζηςήρει ξ FordPerfect. Ο πίμακαπ ασςϊπ ποξκϋπςει απϊ ςξμ ςανιμξμημέμξ πίμακα sortedlist[] πξσ ποξέκσφε απϊ ςη μέθξδξ bubblesort() ατξϋ απξκλειρςξϋμ κάπξιξι ποάκςξοεπ πξσ δεμ έυξσμ ικαμξπξιηςικέπ ςιμέπ τήμηπ και βεβαιϊςηςαπ. prepareopinionreplies(). Ο FordPerfect πληοόμει κϊρςξπ για ςημ παοαγχγή εκςιμήρεχμ πξσ ςξσ ζηςξϋμ άλλξι ποάκςξοεπ αμάλξγα με ςημ ςιμή τήμηπ ασςόμ ςχμ ποακςϊοχμ. σγκεκοιμέμα, βοίρκει ςξμ ποάκςξοα με Διαμαμςίδξσ Δσαγγελία ελίδα 61

ςημ καλϋςεοη ςιμή τήμηπ και αμ είμαι ασςϊπ πξσ ςξσ ζηςά ςημ άπξφη πληοόμει κϊρςξπ ίρξ με 0.4*Opinioncost, εμό για ϊλξσπ ςξσπ σπϊλξιπξσπ ποάκςξοεπ πληοόμει έμα κϊρςξπ πξσ επιλέγεςαι ςσυαία μεςανϋ ςχμ ςιμόμ 0.2*Opinioncost, 0.3*Opinioncost και 0.4*Opinioncost, ϊπχπ ταίμεςαι ρςξ παοακάςχ κξμμάςι κόδικα: double maxrep = 0.0; int best = 1; for (int i=0; i<getart().getappraisercount()*getart().getnumberoferas(); i++){ if (rep[i][1] == era) { if (rep[i][2] > maxrep) { maxrep = rep[i][2]; best = (int)rep[i][0]; } } } if (best == temp1) cost = getart().getopinioncost()*0.4; else { double cshave = new Random().nextDouble(); if (cshave < 0.33D) cost=getart().getopinioncost()*0.2; else if (cshave < 0.66D) cost=getart().getopinioncost()*0.3; else cost = getart().getopinioncost()*0.4; } prepareopinionproviderweights(). O FordPerfect υοηριμξπξιεί βάοη για ςιπ απϊφειπ εκςίμηρηπ ποακςϊοχμ αμάλξγα με ςιπ ςιμέπ τήμηπ και βεβαιϊςηςαπ ςχμ ποακςϊοχμ ασςόμ. σγκεκοιμέμα, αμ η ςιμή τήμηπ ςξσ ποάκςξοα πξσ έδχρε ςημ άπξφη είμαι 0 υοηριμξπξιείςαι η ςιμή βεβαιϊςηςαπ για ςξ βάοξπ ασςήπ ςηπ άπξφηπ, εμό ρε αμςίθεςη πεοίπςχρη υοηριμξπξιείςαι η ςιμή τήμηπ. preparereputationrequests(). Ο FordPerfect δε ζηςά πληοξτξοίεπ τήμηπ ποακςϊοχμ απϊ άλλξσπ ποάκςξοεπ αλλά αμαμεόμει ςιπ ςιμέπ τήμηπ ςχμ ποόςχμ αμάλξγα με ςξ μέρξ λάθξπ εκςίμηρήπ ςχμ ποξηγξϋμεμχμ εκςιμήρεόμ ςξσπ για ςξμ ίδιξ πίμακα. Δπιπλέξμ, αμάλξγα με ςημ ςιμή ςξσ μέρξσ λάθξσπ εκςίμηρηπ ςξσπ, εμημεοόμει ςξμ πίμακα naughty[] για ςξ αμ είμαι έμπιρςξι ή ϊυι. preparereputationreplies(). Ο FordPerfect, ϊςαμ ςξσ ζηςηθεί δίμει ςημ ποαγμαςική ςιμή τήμηπ ϊςαμ οχςάςαι απϊ έμπιρςξσπ ποάκςξοεπ, εμό δίμει μια ςσυαία ςιμή ϊςαμ οχςάςαι απϊ αμανιϊπιρςξσπ ποάκςξοεπ. preparecertaintyrequests(). O FordPerfect ζηςά ςιμέπ βεβαιϊςηςαπ απϊ κάθε ποάκςξοα ςξσ ξπξίξσ οχςά ςημ άπξφη για κάπξια εκςίμηρη για ςξμ ξπξίξμ δεμ γμχοίζει ήδη ςη ζηςξϋμεμη ςιμή βεβαιϊςηςαπ και ξ ξπξίξπ είμαι έμπιρςξπ. Δπιπλέξμ, οχςά ςιμέπ βεβαιϊςηςαπ μέυοι έμα ρημείξ ςξσ παιυμιδιξϋ, δηλαδή για timestep μικοϊςεοξ απϊ μια ςιμή EXPLORATION_PHASE η ξπξία ξοίζεςαι χπ: double EXPLORATION_PHASE = ((getart().getappraisercount() *getart().getnumberoferas())/getart().getmaxcertaintyrequests()) *1.0 Διαμαμςίδξσ Δσαγγελία ελίδα 62

preparecertaintyreplies(). O FordPerfect δίμει ςημ ποαγμαςική ςξσ εμπειοξγμχμξρϋμη χπ ςιμή βεβαιϊςηςαπ ϊςαμ η ςιμή ασςή ςξσ ζηςείςαι απϊ έμπιρςξσπ ποάκςξοεπ δηλαδή απϊ ποάκςξοεπ πξσ έυξσμ ςιμή false ρςξμ πίμακα naughty[]- εμό δίμει μια ςσυαία ςιμή χπ ςιμή βεβαιϊςηςαπ ϊςαμ ςξσ ζηςείςαι απϊ αμανιϊπιρςξσπ ποάκςξοεπ ϊπχπ ταίμεςαι ρςξ παοακάςχ κξμμάςι κόδικα: if (naughty[temp1-1]) { cer = new Random().nextDouble(); } else { cer = expertise[era-1]; } 4.1.6 Next Agent Ποϊκειςαι για έμαμ ποάκςξοα-εκςιμηςή ξ ξπξίξπ αμαπςϋυθηκε απϊ μια ξμάδα ςξσ ιμρςιςξϋςξσ πληοξτξοικήπ ςηπ Σξσλξϋζηπ με εκποϊρχπξ ςξμ Jonathan Ben-Naim και ρσμμεςείυε ρςξ διαγχμιρμϊ ART ςξσ 2008. Η ρςοαςηγική ςξσ αμςλήθηκε απϊ ςημ ιρςξρελίδα ςξσ ART [URL 1] ϊπξσ είμαι διαθέριμη. Σξ μξμςέλξ εμπιρςξρϋμηπ και τήμηπ πξσ ακξλξσθεί υοηριμξπξιεί ςιπ παοακάςχ μεθϊδξσπ: prepareopinionrequests(). O NextAgent υοηριμξπξιεί ςη μέθξδξ istheresomecredibleagent() η ξπξία επιρςοέτει true αμ σπάουει κάπξιξπ ανιϊπιρςξπ ποάκςξοαπ και false ρε αμςίθεςη πεοίπςχρη. σγκεκοιμέμα, επιρςοέτει true ρςημ πεοίπςχρη πξσ σπάουει ποάκςξοαπ με μέρξ λάθξπ εκςίμηρηπ μικοϊςεοξ απϊ 1, ξπϊςε θεχοείςαι ανιϊπιρςξπ και false ρςημ αμςίθεςη πεοίπςχρη. Αμ σπάουει κάπξιξπ ανιϊπιρςξπ ποάκςξοαπ, ςϊςε υοηριμξπξιεί ςη ρσμάοςηρη findbestagent() η ξπξία επιρςοέτει ςξμ καλϋςεοξ ποάκςξοα απϊ ςξμ ξπξίξμ και ζηςά άπξφη για ςημ παοαγχγή μιαπ εκςίμηρηπ. Η μέθξδξπ ασςή επιρςοέτει ςξμ ποάκςξοα με ςξ μικοϊςεοξ μέρξ λάθξπ εκςίμηρηπ χπ ςξμ καλϋςεοξ ποάκςξοα. Αμ δεμ σπάουει κάπξιξπ ανιϊπιρςξπ ποάκςξοαπ, ςϊςε ξ NextAgent οχςά ςημ άπξφη για ςημ παοαγχγή εκςίμηρηπ εμϊπ ςσυαία επιλεγμέμξσ ποάκςξοα αοκεί ασςϊπ μα μημ έυει ςημ ελάυιρςη ςιμή τήμηπ, καλόμςαπ ςη ρσμάοςηρη findnewagent(). Αμ ςξ μέρξ λάθξπ εκςίμηρηπ ςξσ ποάκςξοα πξσ μϊλιπ οχςήθηκε είμαι μεγαλϋςεοξ απϊ 0.1 και ρςημ πεοίπςχρη πξσ σπάουει κάπξιξπ ανιϊπιρςξπ ποάκςξοαπ ξ NextAgent οχςάει ςημ άπξφη εμϊπ ακϊμη ποάκςξοα. prepareopinionreplies(). Ο NextAgent πληοόμει κϊρςξπ για ςημ παοαγχγή εκςιμήρεχμ πξσ ςξσ ζηςξϋμ άλλξι ποάκςξοεπ ρςαθεοά ίρξ με ςξ 1/3 ςξσ Opinion cost, αμενάοςηςα απϊ ςξμ ποάκςξοα ξ ξπξίξπ ζηςά ςημ εκςίμηρη. prepareopinionproviderweights(). O NextAgent υοηριμξπξιεί, ρςημ πεοίπςχρη πξσ σπάουει κάπξιξπ ανιϊπιρςξπ ποάκςξοαπ, βάοξπ ίρξ με 1 για ςημ άπξφη ςξσ καλϋςεοξσ ποάκςξοα και βάοξπ ίρξ με 0 για ςξσπ σπϊλξιπξσπ ποάκςξοεπ. Αμ δεμ σπάουει κάπξιξπ ανιϊπιρςξπ ποάκςξοαπ υοηριμξπξιεί βάοξπ ίρξ με 1 για ϊλξσπ ςξσπ ποάκςξοεπ, ϊπχπ ταίμεςαι ρςξ παοακάςχ κξμμάςι κόδικα: Διαμαμςίδξσ Δσαγγελία ελίδα 63

istheresomecredibleagent(); if (flag) { findbestagent(); if (temp == best) { weight = 1.0; } else { weight = 0.0; } } else { weight = 1.0; } preparereputationrequests(). Ο NextAgent δε ζηςά πληοξτξοίεπ τήμηπ ποακςϊοχμ απϊ άλλξσπ ποάκςξοεπ αλλά αμαμεόμει ςιπ ςιμέπ τήμηπ ςχμ ποόςχμ αμάλξγα με ςξ μέρξ λάθξπ εκςίμηρήπ ςξσπ. σγκεκοιμέμα, αμ ςξ μέρξ λάθξπ εκςίμηρηπ ςξσ ποάκςξοα είμαι μεγαλϋςεοξ απϊ 3 θέςει ςιμή τήμηπ ίρη με 0 για ασςϊμ ςξμ ποάκςξοα, εμό ρε αμςίθεςη πεοίπςχρη θέςει ςιμή τήμηπ ίρη με μια αοιθμηςική έκτοαρη ςξσ μέρξσ λάθξσπ εκςίμηρηπ, ϊπχπ ταίμεςαι ρςξ παοακάςχ κξμμάςι κόδικα: if (appraiser2.meanappraisalerror[era-1] > 3) rep[j][2]= 0.0 else rep[j][2] = (3-appraiser2.meanAppraisalError[era-1]) / 3 reputation = rep[j][2] preparereputationreplies(). Ο NextAgent, ϊςαμ ςξσ ζηςηθεί, δίμει ςημ ςιμή 0.1 χπ ςιμή τήμηπ αμενάοςηςα απϊ ςξμ ποάκςξοα για ςξμ ξπξίξμ ποϊκειςαι και ςξμ ποάκςξοα ξ ξπξίξπ ςξμ οχςά ςη ρσγκεκοιμέμη ςιμή τήμηπ. preparecertaintyrequests(). O NextAgent δε ζηςά ςιμέπ βεβαιϊςηςαπ απϊ άλλξσπ ποάκςξοεπ. preparecertaintyreplies(). Ο NextAgent, ϊςαμ ςξσ ζηςηθεί, δίμει ςημ ςιμή 0.9 χπ ςιμή βεβαιϊςηςαπ αμενάοςηςα απϊ ςημ ποαγμαςική ςιμή εμπειοξγμχμξρϋμηπ ςξσ και αμενάοςηςα απϊ ςξμ ποάκςξοα ξ ξπξίξπ αιςείςαι ςη ρσγκεκοιμέμη ςιμή βεβαιϊςηςαπ. 4.2 Ποάκςξοαπ ςύπξσ Simulation Ο ποάκςξοαπ ςϋπξσ Simulation αμςιποξρχπεϋει ςη μηυαμή ποξρξμξίχρηπ ςξσ ART. Ασςϊπ είμαι πξσ εκκιμεί ςιπ διαδικαρίεπ αίςηρηπ εκςιμήρεχμ απϊ ςξσπ πελάςεπ, πξσ σπξλξγίζει ςιπ ςελικέπ εκςιμήρειπ ςχμ Appraisers και ρςαμαςά ςη διαδικαρία μεςά ςξ πέοαπ ςχμ Total timesteps. Σξ διάγοαμμα κλάρηπ ςξσ είμαι ςξ ενήπ: Διαμαμςίδξσ Δσαγγελία ελίδα 64

Δικόμα 22. Διάγοαμμα κλάρηπ Simulation Η παοακάςχ εικϊμα δείυμει ςξμ ποάκςξοα ςϋπξσ Simulation ϊπχπ ταίμεςαι ρςξ αουείξ ART.metaabm: Διαμαμςίδξσ Δσαγγελία ελίδα 65

Δικόμα 23. Δξμή Simulation Πεοιλαμβάμει ςα ενήπ υαοακςηοιρςικά (attributes): count. Δίμαι έμαπ μεςοηςήπ ςχμ timesteps ςξσ παιυμιδιξϋ. Accounts[]. Δίμαι έμαπ πίμακαπ πξσ διαςηοεί ςξ σπϊλξιπξ ςχμ ςοαπεζικόμ λξγαοιαρμόμ ϊλχμ ςχμ ποακςϊοχμ-εκςιμηςόμ ρε κάθε timestep. Value. Δίμαι η ποαγμαςική ςιμή ςξσ πίμακα για ςξμ ξπξίξμ σπξλξγίζεςαι εκςίμηρη. Cost. Δίμαι ςξ κϊρςξπ πξσ διαθέςει έμαπ ποάκςξοαπ-εκςιμηςήπ για ςημ παοαγχγή μιαπ εκςίμηρηπ. Expertise. Δίμαι η ςιμή ςηπ εμπειοξγμχμξρϋμηπ ςξσ ποάκςξοα πξσ καλείςαι μα κάμει ςημ εκςίμηρη ςηπ ανίαπ εμϊπ πίμακα, ϊρξμ ατξοά ςη υοξμική πεοίξδξ ρςημ ξπξία αμήκει ασςϊπ ξ πίμακαπ. Deviation. Δίμαι η διακϋμαμρη ςηπ καςαμξμήπ ςξσ λάθξσπ μεςανϋ ςηπ ποαγμαςικήπ ανίαπ εμϊπ πίμακα και ςηπ εκςίμηρηπ πξσ κάμει έμαπ ποάκςξοαπ-εκςιμηςήπ για ασςήμ. Appraisal. Δίμαι η ςελική εκςίμηρη ςηπ ανίαπ εμϊπ πίμακα πξσ κάμει έμαπ ποάκςξοαπ-εκςιμηςήπ. Weights[]. Δίμαι έμαπ πίμακαπ βαοόμ, ϊπχπ ασςά δίμξμςαι απϊ έμαμ ποάκςξοα-εκςιμηςή πξσ έυει οχςήρει ςιπ απϊφειπ άλλχμ ποακςϊοχμ, ςα ξπξία αμςιποξρχπεϋξσμ ςημ εμπιρςξρϋμη ςξσ ποόςξσ ρςξσπ δεϋςεοξσπ. Opinions[]. Δίμαι έμαπ πίμακαπ με ςιπ απϊφειπ για ςημ εκςίμηρη εμϊπ πίμακα ποακςϊοχμ ξι ξπξίξι οχςήθηκαμ απϊ ςξμ ποάκςξοα ρςξμ ξπξίξμ αμαςέθηκε η ρσγκεκοιμέμη εκςίμηρη. Numberofopinions. Δίμαι ξ αοιθμϊπ ςχμ απϊφεχμ πξσ ζηςά έμαπ ποάκςξοαπ απϊ άλλξσπ ποάκςξοεπ για ςημ παοαγχγή ςηπ ςελικήπ ςξσ εκςίμηρηπ. Errors[][]. Δίμαι έμαπ πίμακαπ ξ ξπξίξπ διαςηοεί για κάθε timestep ςξμ ποάκςξοα ξ ξπξίξπ έκαμε μια εκςίμηρη για ςημ ανία εμϊπ πίμακα, ςη υοξμική πεοίξδξ ρςημ ξπξία αμήκει ασςϊπ ξ πίμακαπ και ςξ λάθξπ μεςανϋ ςηπ ποαγμαςικήπ ανίαπ ςξσ πίμακα και ςηπ ςελικήπ εκςίμηρηπ ςξσ ποάκςξοα. AverageRelativeAppraisalError[]. Δίμαι έμαπ πίμακαπ ξ ξπξίξπ διαςηοεί ςξ μέρξ ρυεςικϊ ρτάλμα εκςίμηρηπ για κάθε ποάκςξοα-εκςιμηςή. Ca[]. Δίμαι έμαπ πίμακαπ ξ ξπξίξπ διαςηοεί ςξμ αοιθμϊ ςχμ ρταλμάςχμ πξσ λήτθηκαμ σπϊφη ρςξμ σπξλξγιρμϊ ςξσ μέρξσ ρυεςικξϋ ρτάλμαςξπ εκςίμηρηπ για κάθε ποάκςξοα-εκςιμηςή. transactionid. Δίμαι έμαπ μεςοηςήπ ςχμ μεςανϋ ςχμ ποακςϊοχμ-εκςιμηςόμ. Διαμαμςίδξσ Δσαγγελία ελίδα 66

rep[]. Δίμαι έμαπ πίμακαπ πξσ διαςηοεί για κάθε timestep ςιπ ςιμέπ τήμηπ πξσ ποξρδϊθηκαμ ρε κάθε ποάκςξοα-εκςιμηςή. number[]. Δίμαι έμαπ πίμακαπ πξσ διαςηοεί για κάθε timestep ςξμ αοιθμϊ ςχμ ςιμόμ τήμηπ πξσ ποξρδϊθηκαμ ρε κάθε ποάκςξοα-εκςιμηςή. Οι μέθξδξι (actions) πξσ πεοιλαμβάμει ξ Simulation είμαι: initialize(). Η μέθξδξπ ασςή υοηριμξπξιείςαι για ςημ αουικξπξίηρη ςχμ πιμάκχμ πξσ υοηριμξπξιξϋμςαι απϊ ςξμ ποάκςξοα ςϋπξσ Simulation αλλά και ςχμ αουείχμ txt πξσ παοάγξμςαι χπ ένξδξι κάθε εκςέλερηπ ςξσ παιυμιδιξϋ και πεοιλαμβάμξσμ ςα ςοαπεζικά σπϊλξιπα ςχμ ποακςϊοχμεκςιμηςόμ (αουείξ accounts.txt) και ςιπ ςιμέπ τήμηπ ςξσπ (αουείξ reputation.txt) ρε κάθε timestep αλλά και ςξσ αουείξσ out.xls πξσ πεοιλαμβάμει ρςξιυεία για ςιπ ρσμαλλαγέπ μεςανϋ ςχμ ποακςϊοχμ. clientrequest(). Ποϊκειςαι για ςη μέθξδξ η ξπξία εκκιμεί ρε κάθε timestep ςιπ διαδικαρίεπ αίςηρηπ εκςιμήρεχμ απϊ πελάςεπ ρςξσπ ποάκςξοεπ-εκςιμηςέπ ρςξσπ ξπξίξσπ ρσμδέξμςαι. Η οξή εκςέλερηπ ρςη ρσμέυεια μεςατέοεςαι ρςξσπ Appraisers με κλήρη ςηπ μεθϊδξσ prepareopinionrequests(). Ατξϋ ξι Appraisers κάμξσμ ςιπ απαοαίςηςεπ εμέογειεπ ξι ξπξίεπ πεοιλαμβάμξσμ ςιπ αμςαλλαγέπ απϊφεχμ μεςανϋ ςξσπ, ςη ρσλλξγή απϊφεχμ και ςξμ σπξλξγιρμϊ βαοόμ για κάθε μια, ξ Simulation ενάγει ςημ ςελική εκςίμηρη χπ έμαμ ρςαθμιρμέμξ μέρξ ϊοξ ςχμ απϊφεχμ χπ ενήπ: double p = 0.0; double sum1 = 0.0; double sum2 = 0.0; for (int i=0; i<numberofopinions; i++) { sum1 += weights[i]*opinions[i]; sum2 += weights[i]; } p = sum1 / sum2; Σέλξπ, η μέθξδξπ ασςή αμαμεόμει ςξσπ πίμακεπ errors[] και averagerelativeappraisalerror[]. simulationstop(). Ποϊκειςαι για ςη μέθξδξ η ξπξία ασνάμει ςξ μεςοηςή ςχμ timesteps και ποξκαλεί ςξ ςέλξπ ςηπ ποξρξμξίχρηπ μεςά απϊ Total timesteps. Δπίρηπ, αμαμεόμει ρε κάθε timestep ςξμ πίμακα accounts[] με ςα ςοαπεζικά σπϊλξιπα ςχμ ποακςϊοχμ-εκςιμηςόμ και ςα αουεία txt με ςα ςοαπεζικά σπϊλξιπα και ςιπ ςιμέπ τήμηπ. Δικόμα 24. Μέθξδξπ Simulation stop ποάκςξοα ςύπξσ Simulation Διαμαμςίδξσ Δσαγγελία ελίδα 67

end(). Η μέθξδξπ ασςή καλείςαι ρςξ ςέλξπ ςξσ παιυμιδιξϋ (μεςά ςξ πέοαπ Total timesteps) για ςξμ σπξλξγιρμϊ και ςημ εμτάμιρη ςχμ ςελικόμ ςοαπεζικόμ σπξλξίπχμ ςχμ ποακςϊοχμ και ςξσ μικηςή ςξσ παιυμιδιξϋ. changeclients(). Η μέθξδξπ ασςή σπξλξγίζει ρε κάθε timestep ςξμ ποάκςξοα με ςξ μεγαλϋςεοξ μέρξ ρυεςικϊ ρτάλμα εκςίμηρηπ και ςξμ ποάκςξοα με ςξ μικοϊςεοξ μέρξ ρυεςικϊ ρτάλμα και μεςατέοει έμαμ πελάςη απϊ ςξμ ποόςξ ρςξμ δεϋςεοξ ποάκςξοα. calculateappraisal(). Η μέθξδξπ ασςή καλείςαι απϊ ςξσπ Appraisers ϊςαμ ασςξί θέλξσμ μα κάμξσμ μια εκςίμηρη και λαμβάμει σπϊφη ςημ εμπειοξγμχμξρϋμη ςξσπ και ςξ κϊρςξπ πξσ διαθέςξσμ για ςξμ σπξλξγιρμϊ ςηπ ςελικήπ εκςίμηρηπ. σγκεκοιμέμα, σπξλξγίζεςαι η διακϋμαμρη ςξσ λάθξσπ ςηπ σπξλξγιρθείραπ εκςίμηρηπ υοηριμξπξιόμςαπ ςιπ ςιμέπ ςηπ εμπειοξγμχμξρϋμηπ ςξσ ποάκςξοα, ςξσ κϊρςξσπ πξσ διαθέςει, ςηπ ποαγμαςικήπ ανίαπ ςξσ πίμακα πξσ εκςιμάςαι και ςηπ ρςαθεοάπ πξσ επηοεάζει ςη ρυέρη μεςανϋ κϊρςξσπ και ακοίβειαπ. ςη ρσμέυεια, σπξλξγίζει μια εκςίμηρη μέρα ρςημ ποξκϋπςξσρα διακϋμαμρη. setdeviation(math.round((((1-getexpertise())+0.1) + getart().getsensingcostaccuracy() / getcost()) * getvalue())); double error = 0.0; error = randominrange(-getdeviation(), getdeviation()); if ((getvalue() + error) > 0) { setappraisal((int)(getvalue() + error)); } else { setappraisal((int)(getvalue() + error)*(-1)); } Οι εμέογειεπ πξσ κάμει η μηυαμή ποξρξμξίχρηπ είμαι ξι ενήπ: Αουικξπξίηρη ςχμ πιμάκχμ μια τξοά ρςημ αουή ςξσ παιυμιδιξϋ. ε κάθε timestep, σπξλξγιρμϊπ ςξσ αοιθμξϋ ςχμ πελαςόμ πξσ ζηςξϋμ εκςίμηρη και για κάθε έμαμ απϊ ασςξϋπ εϋοερη ςξσ ποάκςξοα-εκςιμηςή ρςξμ ξπξίξμ ρσμδέεςαι, επιλξγή εμϊπ πίμακα ζχγοατικήπ και αίςηρη εκςίμηρηπ ρςξ ρσγκεκοιμέμξ ποάκςξοα-εκςιμηςή. Ατξϋ ξ Appraiser ξλξκληοόρει ςιπ δικέπ ςξσ διαδικαρίεπ, ξ Simulation λαμβάμει απϊ ασςϊμ έμα ρες απϊφεχμ και ςχμ αμςίρςξιυχμ βαοόμ ςξσπ. Τπξλξγίζει, έςρι, ςημ ςελική εκςίμηρη χπ έμαμ ρςαθμιρμέμξ μέρξ ϊοξ ςχμ απϊφεχμ. Ασνάμει ςξ μεςοηςή ςχμ timesteps. ε κάθε timestep αμαμεόμει ςξμ πίμακα accounts[] με ςα ςοαπεζικά σπϊλξιπα ςχμ ποακςϊοχμ-εκςιμηςόμ. Δπίρηπ ρε κάθε timestep βοίρκει ςξμ Appraiser με ςξ μέγιρςξ μέρξ ρυεςικϊ ρτάλμα εκςίμηρηπ και ασςϊμ με ςξ ελάυιρςξ και μεςακιμεί έμαμ πελάςη απϊ ςξμ ποόςξ ρςξ δεϋςεοξ ποάκςξοα-εκςιμηςή. ςξ ςέλξπ ςξσ παιυμιδιξϋ (μεςά ςξ πέοαπ Total timesteps), ρσμπληοόμει ςα αουεία accounts.txt και reputation.txt με ςα ςοαπεζικά σπϊλξιπα και ςιπ ςιμέπ τήμηπ ςχμ appraisers ρε κάθε timestep. Δπίρηπ σπξλξγίζει ςξμ ποάκςξοα με ςξ μεγαλϋςεοξ ςοαπεζικϊ σπϊλξιπξ και εμταμίζει ςα ςελικά ςοαπεζικά απξθέμαςα και ςξμ μικηςή ποάκςξοα. Σα παοαπάμχ ταίμξμςαι ρςξ παοακάςχ διάγοαμμα δοαρςηοιξςήςχμ: Διαμαμςίδξσ Δσαγγελία ελίδα 68

Δικόμα 25. Διάγοαμμα δοαρςηοιξςήςχμ ποάκςξοα ςύπξσ Simulation 4.3 Ποάκςξοαπ ςύπξσ Client Ο ποάκςξοαπ ςϋπξσ Client αμςιποξρχπεϋει ςξμ πελάςη. Ο ποάκςξοαπ ασςϊπ δεμ εμεογεί με άλλξ ςοϊπξ παοά μϊμξ ρσμδέεςαι με πίμακεπ ζχγοατικήπ και με πελάςεπ-εκςιμηςέπ. Κάθε πελάςηπ ρσμδέεςαι με πξλλξϋπ πίμακεπ ζχγοατικήπ και με έμαμ ποάκςξοα-εκςιμηςή απϊ ςξμ ξπξίξ ζηςά εκςιμήρειπ. Ασςϊπ ξ ποάκςξοαπ- Διαμαμςίδξσ Δσαγγελία ελίδα 69

εκςιμηςήπ μπξοεί μα αλλάζει καςά ςη διάοκεια ςξσ παιυμιδιξϋ. Σξ διάγοαμμα κλάρηπ ςξσ είμαι ςξ ενήπ: Δικόμα 26. Διάγοαμμα κλάρηπ Client Η παοακάςχ εικϊμα δείυμει ςξμ ποάκςξοα ςϋπξσ Client με ςα υαοακςηοιρςικά και ςιπ μεθϊδξσπ ςξσ, ϊπχπ ταίμεςαι ρςξ αουείξ ART.metaabm: Δικόμα 27. Δξμή Client Πεοιλαμβάμει ςα ενήπ υαοακςηοιρςικά (attributes): Paintings[]. Ποϊκειςαι για έμα attribute array δηλαδή για έμαμ πίμακα υαοακςηοιρςικόμ ςϋπξσ integer. Πεοιλαμβάμει ςα ids ςχμ Paintings πξσ έυει ρςημ καςξυή ςξσ ξ ρσγκεκοιμέμξπ Client. Paintings per client. Δίμαι ξ αοιθμϊπ ςχμ Paintings πξσ έυει ρςημ καςξυή ςξσ κάθε Client. Appraiser id. Δίμαι ςξ id ςξσ appraiser ρςξμ ξπξίξμ ρσμδέεςαι ξ Client και απϊ ςξμ ξπξίξμ ζηςά εκςιμήρειπ. Η μέθξδξπ (action) πξσ πεοιλαμβάμει ξ Client είμαι: initializepaintings(). Ποαγμαςξπξιείςαι μια τξοά ρςημ αουή ςξσ παιυμιδιξϋ και εκυχοεί ςιμέπ ρςξμ πίμακα paintings[], δηλαδή ςξμ γεμίζει με ids πιμάκχμ και ςξσπ ρσμδέει με ςξ ρσγκεκοιμέμξ Client ρςξ δίκςσξ Client_Paintings. Διαμαμςίδξσ Δσαγγελία ελίδα 70

Δικόμα 28. Μέθξδξπ Initialize Paintings ποάκςξοα ςύπξσ Client Όπχπ ταίμεςαι και ρςημ παοαπάμχ εικϊμα, η μέθξδξπ initializepaintings() αουικά εκυχοεί ςιμέπ ρςξμ πίμακα paintings[] κάθε Client καλόμςαπ ςη μέθξδξ initializepaintingsarray(). Η μέθξδξπ ασςή είμαι η ενήπ: paintingsperclient =(int)(getart().getpaintingcount()/getart().getclientcount()); paintings = new int[paintingsperclient]; paintings[0] = (int) getuid(); for (int i = 1; i < paintingsperclient ; i++) { paintings[i] = paintings[i - 1] + getart().getclientcount(); } ςη ρσμέυεια, για ϊλξσπ ςξσπ ποάκςξοεπ ςϋπξσ Painting καλεί ςη μέθξδξ connecttoclientpaintings() η ξπξία δημιξσογεί ςιπ ρσμδέρειπ ρςξ δίκςσξ Client_Paintings με βάρη ςξμ πίμακα paintings[]. Η μέθξδξπ ασςή είμαι η ενήπ: for (int i = 0; i < paintingsperclient; i++) { if (painting.getuid() == paintings[i]) { ((org.ascape.model.space.graph) getart().getclient_paintings().getspace()).addneighborsafe(this, painting, true); painting.setclientsid((int) getuid()); } } Σέλξπ, ξ ποάκςξοαπ ςϋπξσ Client πεοιλαμβάμει έμα style με ςξ ξπξίξ θα εμταμίζεςαι καςά ςημ εκςέλερη ςηπ ποξρξμξίχρηπ. Σξ style πξσ υοηριμξπξιείςαι για ασςϊμ ςξμ ποάκςξοα είμαι ςξ γκοι ξβάλ, ξπϊςε υοηριμξπξιξϋμςαι ξι ενήπ ρσμαοςήρειπ: Δικόμα 29. Style ποάκςξοα ςύπξσ Client Διαμαμςίδξσ Δσαγγελία ελίδα 71

4.5 Ποάκςξοαπ ςύπξσ Painting Ο ποάκςξοαπ ςϋπξσ Painting ρςημ ξσρία δεμ είμαι κάπξιξπ εμεογϊπ ποάκςξοαπ, αλλά αμςιποξρχπεϋει έμαμ πίμακα ζχγοατικήπ. Σξ διάγοαμμα κλάρηπ ςξσ είμαι ςξ ενήπ: Δικόμα 30. Διάγοαμμα κλάρηπ Painting Η παοακάςχ εικϊμα δείυμει ςξμ ποάκςξοα ςϋπξσ Painting με ςα υαοακςηοιρςικά και ςιπ μεθϊδξσπ ςξσ, ϊπχπ ταίμεςαι ρςξ αουείξ ART.metaabm: Δικόμα 31. Δξμή Painting Πεοιλαμβάμει ςα ενήπ υαοακςηοιρςικά (attributes): True value. Δίμαι η ποαγμαςική ανία ςξσ πίμακα και λαμβάμει μια random ςιμή ρςξ διάρςημα [10000,100000]. Painting Era. Δίμαι η υοξμική πεοίξδξπ ρςημ ξπξία αμήκει ξ πίμακαπ ζχγοατικήπ. Και ασςή λαμβάμει μια random ςιμή ρςξ διάρςημα [1,Number of eras]. Clients id. Δίμαι ςξ id ςξσ Client ςξσ ξπξίξσ ιδιξκςηρία είμαι ξ ρσγκεκοιμέμξπ πίμακαπ ζχγοατικήπ. Η μέθξδξπ (action) πξσ πεοιλαμβάμει ξ Painting είμαι: Διαμαμςίδξσ Δσαγγελία ελίδα 72

initialize(). Ποαγμαςξπξιείςαι μια τξοά ρςημ αουή ςξσ παιυμιδιξϋ και εκυχοεί ςιμέπ ρςιπ μεςαβληςέπ True value και Painting Era για κάθε ποάκςξοα ςϋπξσ Painting, δηλαδή για κάθε πίμακα ζχγοατικήπ. Δικόμα 32. Μέθξδξπ Initialize ποάκςξοα ςύπξσ Painting Έςρι, η μεςαβληςή True value λαμβάμει μια random ςιμή ρςξ διάρςημα [10000,100000] και η Painting Era λαμβάμει μια random ςιμή ρςξ διάρςημα [1,Number of eras]. Ο λϊγξπ πξσ ασνάμεςαι καςά 1 η Painting Era είμαι επειδή η ρσμάοςηρη randomtolimit() πξσ υοηριμξπξιείςαι επιρςοέτει ςιμέπ ρςξ διάρςημα [0,Number of eras-1]. Σέλξπ, ξ ποάκςξοαπ ςϋπξσ Painting πεοιλαμβάμει έμα style με ςξ ξπξίξ θα εμταμίζεςαι καςά ςημ εκςέλερη ςηπ ποξρξμξίχρηπ. Σξ style πξσ υοηριμξπξιείςαι για ασςϊμ ςξμ ποάκςξοα είμαι ςξ πξοςξκαλί ξοθξγόμιξ, ξπϊςε υοηριμξπξιξϋμςαι ξι ενήπ ρσμαοςήρειπ: Δικόμα 33. Style ποάκςξοα ςύπξσ Painting Διαμαμςίδξσ Δσαγγελία ελίδα 73

ΚΔΥΑΛΑΙΟ 5 Πειοαμαςική Μελέςη 5.1 Δκςέλερη ςηπ ποξρξμξίχρηπ Η εκςέλερη ςηπ ποξρξμξίχρηπ γίμεςαι μέρχ ςξσ πεοιβάλλξμςξπ ςξσ Agent Execution Framework ςξσ AMP. Δημιξσογξϋμε ςξ αουείξ MyParameters.apar ρςξ ξπξίξ δηλόμξσμε ϊλεπ ςιπ καθξλικέπ παοαμέςοξσπ ςξσ παιυμιδιξϋ ξι ξπξίεπ μπξοξϋμ μα μεςαβάλλξμςαι. Οι παοάμεςοξι ασςξί είμαι ξι ενήπ: model " ART.metaabm" //The total number of timesteps. Totaltimesteps=100 //The number of timesteps after which the simulation is stoped. StopPeriod=100 //The number of Appraisers to be created. AppraiserCount=6 //The number of Clients to be created. ClientCount=120 //The number of Paintings to be created. PaintingCount=360 //The number of eras in which the paintings belong. Numberoferas=10 //The fee that clients pay to appraisers for appraisals of paintings. Clientfee=100 //The cost of asking another appraiser for opinion. Opinioncost=10 //The cost of asking an appraiser's reputation value for another appraiser. Reputationcost=0.1 //The cost of asking an appraiser's certainty value. Certaintycost=1 //The maximum number of Opinion Requests that an appraiser can make. MaxOpinionRequests=2 //The maximum number of Certainty Requests that an appraiser can make. MaxCertaintyRequests=20 //The percentage of the Clients that ask for appraisal in each timestep. PercentageofClientstoask=10 //The number of experiment Counter=1 Έμα ρςιγμιϊςσπξ εκςέλερηπ ςηπ ποξρξμξίχρηπ είμαι ςξ παοακάςχ: Διαμαμςίδξσ Δσαγγελία ελίδα 74

Δικόμα 34. ςιγμιόςσπξ εκςέλερηπ ςηπ ποξρξμξίχρηπ ςξσ ART ςα αοιρςεοά ςηπ ξθϊμηπ ταίμεςαι ςξ δίκςσξ Client_Paintings πξσ ρσμδέει ςξσπ πελάςεπ με ςξσπ πίμακεπ ζχγοατικήπ. ςξ κέμςοξ ταίμεςαι ςξ δίκςσξ Appraiser_Clients πξσ ρσμδέει ςξσπ ποάκςξοεπ-εκςιμηςέπ με ςξσπ πελάςεπ πξσ ρσμδέξμςαι, ξ αοιθμϊπ ςχμ ξπξίχμ αλλάζει ρε κάθε timestep αμάλξγα με ςημ απϊδξρή ςξσπ και ρςα δενιά ταίμεςαι έμα διάγοαμμα ςχμ ςοαπεζικόμ σπξλξίπχμ ςχμ ποακςϊοχμ. Δπίρηπ, εμταμίζξμςαι και διάτξοα μημϋμαςα ρςημ κξμρϊλα για ςιπ αιςήρειπ εκςιμήρεχμ απϊ πελάςεπ και για ςιπ ρσμαλλαγέπ μεςανϋ ςχμ Appraisers. Σξ μήμσμα πξσ εμταμίζεςαι ρςξ ςέλξπ ςηπ ποξρξμξίχρηπ με ςα ςοαπεζικά σπϊλξιπα ςχμ ποακςϊοχμ και ςξμ μικηςή ταίμεςαι παοακάςχ: Διαμαμςίδξσ Δσαγγελία ελίδα 75

Δικόμα 35. Σελικό μήμσμα ςηπ ποξρξμξίχρηπ ρςημ κξμρόλα Ποαγμαςξπξιήθηκαμ ρσμξλικά 141 πειοάμαςα κάθε έμα απϊ ςα ξπξία εκςελέρςηκε 5 τξοέπ (μέθξδξπ Monte Carlo) για μα έυξσμε ϊρξ ςξ δσμαςϊμ πιξ ακοιβή απξςελέρμαςα. Έςρι, ξι ςιμέπ κάθε πειοάμαςξπ ποξκϋπςξσμ απϊ ςξ μέρξ ϊοξ ςχμ ςιμόμ πξσ ποϊεκσφαμ ρε κάθε μια απϊ ςιπ 5 εκςελέρειπ ςξσ ίδιξσ πειοάμαςξπ. Κάθε πείοαμα παοάγει χπ ένξδξ 3 αουεία: Σξ αουείξ out.xls με ςιπ πληοξτξοίεπ για ϊλεπ ςιπ ρσμαλλαγέπ μεςανϋ ςχμ Appraisers πξσ έγιμαμ καςά ςη διάοκεια ςξσ παιυμιδιξϋ. Σξ αουείξ accounts.txt ςξ ξπξίξ πεοιλαμβάμει ρε μξοτή πιμάκχμ ςα ςοαπεζικά σπϊλξιπα ςχμ Appraisers ρε κάθε timestep για ϊλξσπ ςξσπ Appraisers. Σξ αουείξ reputation.txt ςξ ξπξίξ πεοιλαμβάμει ρε μξοτή πιμάκχμ ςιπ ςιμέπ τήμηπ ςχμ Appraisers ρε κάθε timestep για ϊλξσπ ςξσπ Appraisers. Δπιπλέξμ, παοάγξσμε, μέρχ ςηπ Matlab, με υοήρη ςξσ αουείξσ accounts.txt, έμα διάγοαμμα πξσ δείυμει ςημ ενέλινη ςχμ ςοαπεζικόμ σπξλξίπχμ ςχμ ποακςϊοχμεκςιμηςόμ ρε ϊλη ςη διάοκεια ςξσ παιυμιδιξϋ για κάθε πείοαμα. Σέλξπ, με υοήρη ςξσ αουείξσ reputation.txt παοάγξσμε, μέρχ ςηπ Matlab, 2 πίμακεπ με ςημ ενέλινη ςηπ μέρηπ ςιμήπ και ςηπ ςσπικήπ απϊκλιρηπ ςχμ ςιμόμ τήμηπ ςχμ ποακςϊοχμεκςιμηςόμ για κάθε πείοαμα. Οι πίμακεπ ασςξί παοέυξσμ ςιπ ζηςξϋμεμεπ ςιμέπ για ϊλη ςη διάοκεια ςξσ παιυμιδιξϋ (timestep [0,100]), αλλά και ρςα παοακάςχ διαρςήμαςα: timestep [0,20], timestep [20,50], timestep [50,80] και timestep [80,100]. Σξ ρϋμξλξ ςχμ πειοαμάςχμ παοξσριάζεςαι ρςξ αουείξ ΠΔΙΡΑΜΑΣΑ.docx πξσ ρσμξδεϋει ςημ παοξϋρα διπλχμαςική. ςξ παοϊμ κετάλαιξ θα γίμει μια πιξ ρσμξπςική παοξσρίαρη ςχμ πειοαμάςχμ, με αματξοά ςξ ρσγκεκοιμέμξ αουείξ ρςξ ξπξίξ καλείςαι μα αμαςοένει ϊπξιξπ αμαγμόρςηπ επιθσμεί μα δει ςξ ρϋμξλξ ςχμ πειοαμάςχμ πξσ εκςελέρςηκαμ. Διακοίμξσμε ςα πειοάμαςα πξσ εκςελέρςηκαμ ρε 2 μεγάλεπ καςηγξοίεπ: ςα πειοάμαςα πξσ ενεςάζξσμ ςημ επιοοξή ςχμ καθξλικόμ παοαμέςοχμ ςξσ παιυμιδιξϋ και ασςά πξσ ενεςάζξσμ ςη ρςοαςηγική ςξσ HerculAgent και ςα απξςελέρμαςα πξσ ποξκϋπςξσμ απϊ ςιπ αλλαγέπ ρε ασςήμ. Η δεϋςεοη καςηγξοία διακοίμεςαι με ςη ρειοά ςηπ ρε 4 σπξκαςηγξοίεπ. Η ποόςη ενεςάζει ςη ρςοαςηγική ςξσ ποχςξκϊλλξσ τήμηπ, η δεϋςεοη ςη ρςοαςηγική ςξσ ποχςξκϊλλξσ βεβαιϊςηςαπ, η ςοίςη ςη ρςοαςηγική ςξσ ποχςξκϊλλξσ απϊφεχμ εκςιμήρεχμ εμό η ςέςαοςη πεοιλαμβάμει Διαμαμςίδξσ Δσαγγελία ελίδα 76

πειοάμαςα πξσ ενεςάζξσμ ςξ ρσμδσαρμϊ και ςχμ 3 ρςοαςηγικόμ με υοήρη ςχμ απξςελερμάςχμ ςχμ πειοαμάςχμ ςχμ 3 ποξηγξϋμεμχμ καςηγξοιόμ. Η διάκοιρη ςχμ πειοαμάςχμ πξσ εκςελέρςηκαμ ταίμεςαι και γοατικά ρςημ παοακάςχ εικϊμα: Δικόμα 36. Καςηγξοίεπ πειοαμάςχμ πξσ εκςελέρςηκαμ Οι ρςϊυξι ςχμ πειοαμάςχμ πξσ εκςελέρςηκαμ ήςαμ ατεμϊπ η εναγχγή ρσμπεοαρμάςχμ για ςημ ικαμϊςηςα ςξσ ART μα ρσγκοίμει διατξοεςικέπ ρςοαςηγικέπ εμπιρςξρϋμηπ αλλά και γεμικόμ ρσμπεοαρμάςχμ για ςα ρσρςήμαςα εμπιρςξρϋμηπ και τήμηπ και ατεςέοξσ η βελςίχρη ςηπ απϊδξρηπ ςξσ ποάκςξοα HerculAgent μέρχ ςηπ ποαγμαςξπξίηρηπ μια ρειοάπ αλλαγόμ ρςη ρςοαςηγική ςξσ και ενέςαρηπ ςχμ απξςελερμάςχμ πξσ ασςέπ έυξσμ ρςημ απϊδξρη ςξσ. 5.2 Πειοάμαςα ενέςαρηπ ςηπ επιοοξήπ ςχμ καθξλικώμ παοαμέςοχμ ςξσ παιυμιδιξύ Ποαγμαςξπξιήθηκαμ ρσμξλικά 26 πειοάμαςα ασςήπ ςηπ καςηγξοίαπ. ςξ παοϊμ κετάλαιξ θα παοξσριαρςεί έμαπ αοιθμϊπ ασςόμ, εμό ξ πλήοηπ καςάλξγξπ ςχμ πειοαμάςχμ με ςα αμςίρςξιυά ςξσπ απξςελέρμαςα βοίρκεςαι ρςξ αουείξ ΠΔΙΡΑΜΑΣΑ.docx. Δπιοοξή ςέλξσπ πελάςη. Αουικά ενεςάρςηκε η επιοοξή ςχμ αλλαγόμ ρςξ ςέλξπ πελάςη (Client fee). Ποαγμαςξπξιήθηκαμ 10 πειοάμαςα (με 5 επαμαλήφειπ ςξ καθέμα) ρςα ξπξία ξι ςιμέπ πξσ εκυχοήθηκαμ ρςξ ςέλξπ πελάςη είμαι ξι ενήπ: Πίμακαπ 2. Δπιοοξή ςέλξσπ πελάςη - Καςηγξοίεπ πειοαμάςχμ Πείοαμα 1. Client fee = 20 Πείοαμα 2. Client fee = 30 Πείοαμα 3. Client fee = 40 Διαμαμςίδξσ Δσαγγελία ελίδα 77