Utilising social recommendation for decision-making in distributed multi-agent systems

سیستم های چندگانه باز معمولا از همتایان ناهمگن تشکیل می شود که به شیوه ای غیر متمرکز عمل می کنند. از این رو، عوامل مؤسسان آنها باید اقدامات و فرصت های ممکن را براساس دانش محلی و ذهنی ارزیابی کنند. وقتی نمایندگان تجربه شخصی کافی ندارند، ممکن است ناگزیر به ارتباطات اجتماعی آنها بپردازند تا به عنوان منبع اطلاعات یا توصیه های مربوطه عمل کنند. ما یک بازار الکترونیک متعهد کننده عامل را برای بررسی تعامل اجتماعی در درون ساختار شبکه های توزیع ناهمگن توصیف می کنیم. در سناریوی ما، مشتریان خدمات مناسب را جستجو می کنند و این انتخاب سرویس از طریق توصیه های همکارانه مطلع می شود. ما دو الگوریتم جایگزین را برای انتخاب همسالان بر اساس شباهت درک شده تعریف می کنیم و آنها را بر توانایی آنها برای سازماندهی یک شبکه پوشش می دهیم به طوری که آن را به عنوان یک فیلتر منفعل، خنثی سازی اطلاعاتی که عوامل برای انتخاب خدمات در بازار استفاده می کنند، ارزیابی می کنیم. ما از این سناریو برای بررسی رابطه بین الگوریتم های انتخاب همکار و توپولوژی های شبکه های نوظهور استفاده می کنیم و همچنین تاثیر الگوریتم انتخاب همکار را بر عملکرد نمایندگان در انتخاب خدمات مبتنی بر توصیه های همکار. نتایج شبیه سازی ما یک تفاوت کیفی در رفتار الگوریتم ها را نشان می دهد، با انتخاب الگوریتم بهینه با توجه به اطلاعات مربوط به ترجیحات جمعیت وسیع عوامل.