ТЕХНИЧЕСКОЕ ЗАДАНИЕ: Настройка negotiation между агентами на аукционе ресурсов с counter-offers

1. Цель задачи

Разработать симуляцию многоагентных переговоров (negotiation) на основе аукциона ограниченных ресурсов с поддержкой встречных предложений (counter-offers). Агенты должны конкурировать за ресурсы, оценивая их полезность, и обмениваться предложениями до достижения глобально согласованного распределения. Ключевой результат Агенты достигают соглашения (все ресурсы распределены) не более чем за заданное число раундов, и ни один агент не может улучшить свою полезность путём одностороннего изменения.

2. Исходные данные

Если нет реального инструмента — симулируем:

1. Устанавливаем Python 3.10+ и библиотеки: asyncio (встроена), numpy, logging.
2. Создаём файл auction_sim.py — вся логика в одном модуле.
3. Для каждого агента определяем его внутреннюю оценку каждого ресурса (рандомизированно, но с согласованным диапазоном).
4. Аукционист реализует последовательные раунды: сбор ставок, анализ, выдача counter-offers.
5. Визуализация: скрипт выводит таблицу с раундами и итоговое распределение.

3. Технологический стек

4. Этапы выполнения

Этап 1: Проектирование протокола аукциона (оценка времени: 1 ч)

Действия

1. Определить множество ресурсов R = {r1, r2, ..., rM} (M = 10) с уникальными идентификаторами.
2. Определить множество агентов A = {a1, a2, ..., aN} (N = 4).
3. Установить правила:
   • Каждый раунд агенты отправляют ставку (предлагаемую цену) за каждый ресурс, который они хотят получить.
   • Аукционист собирает все ставки, определяет предварительное распределение (жадное назначение каждому ресурсу агенту с максимальной ставкой).
   • После предварительного распределения аукционист генерирует counter-offer: для каждого неудовлетворённого агента предлагает альтернативный набор ресурсов по сниженной цене (например, +10% к его ставке).
   • Агенты принимают counter-offer или корректируют ставки в следующем раунде.
   • Критерий останова: все ресурсы распределены, и ни один агент не хочет менять своё решение (по правилу индивидуальной рациональности).
4. Согласовать формат сообщений: ставка — словарь {agent_id: {resource_id: price}}, counter-offer — список {agent_id: {resource_id: new_price}}.

Ожидаемый результат этапа Документ с протоколом (можно в виде комментариев в коде) и файл конфигурации config.py с параметрами симуляции.

Этап 2: Реализация базовых классов агентов (оценка времени: 1.5 ч)

Действия

1. Создать абстрактный класс Agent:
   • Атрибуты: id, budget, valuation (словарь {resource_id: value}), strategy_type.
   • Метод make_offer(all_resources, current_assignments) — возвращает ставки.
   • Метод accept_counter_offer(counter_offer) — возвращает True/False.
2. Реализовать две конкретные стратегии:
   • GreedyAgent: ставит за ресурс его полную оценку минус 10% (если хватает бюджета).
   • PatientAgent: начинает с 50% оценки и увеличивает на 5% каждый раунд.
3. В make_offer учесть, что агенты могут ставить только на те ресурсы, которые ещё не заняты или на которые они ещё не получили counter-offer.
4. Добавить случайный шум в оценки (нормальный шум с σ = 10% от значения).

Пример кода

class GreedyAgent:
    def __init__(self, id, budget, valuations):
        self.id = id
        self.budget = budget
        self.valuations = valuations
        self.offered = {}   # ресурсы, на которые уже делались ставки
    def make_offer(self, available_resources):
        offer = {}
        for r in available_resources:
            if r not in self.offered:
                price = int(self.valuations[r] * 0.9)
                if price <= self.budget:
                    offer[r] = price
        return offer

Ожидаемый результат этапа Модуль agents.py с двумя классами-агентами и протестированной логикой генерации ставок.

Этап 3: Реализация аукциониста (оценка времени: 1.5 ч)

Действия

1. Создать класс Auctioneer:
   • Метод run_round(agents, resources):
     1. Запросить у каждого агента ставки.
     2. Объединить ставки в all_bids.
     3. Жадное назначение: для каждого ресурса выбрать агента с максимальной ставкой; если ничья — случайный выбор.
     4. Определить список неудовлетворённых агентов (те, кто не получил желаемого ресурса, но делал ставки).
     5. Для каждого неудовлетворённого агента сформировать counter-offer: предложить любой свободный ресурс по цене original_bid + 10%.
     6. Отправить counter-offer; агенты отвечают, принимают или нет.
2. Реализовать цикл раундов, пока не выполнено условие останова:
   • Все ресурсы назначены (свободных нет).
   • Ни один агент не отклоняет counter-offer (т.е. все согласны с текущим распределением).
3. Добавить механизм остановки при превышении лимита раундов (max_rounds = 20).

Таблица формата сообщений

Ожидаемый результат этапа Класс Auctioneer в auctioneer.py, который успешно проводит один полный раунд с двумя агентами и двумя ресурсами.

Этап 4: Интеграция и запуск симуляции (оценка времени: 1 ч)

Действия

1. Создать главный скрипт run_simulation.py:
   • Загрузить конфигурацию (список агентов, ресурсов, бюджетов).
   • Инициализировать агентов и аукциониста.
   • Запустить главный цикл asyncio.run(main_loop()).
2. Использовать logging для вывода хода переговоров:
   • INFO: начало раунда, ставки.
   • DEBUG: детали counter-offers.
   • WARNING: если раунд не привёл к изменениям.
3. Провести симуляцию с 4 агентами и 10 ресурсами (оценки генерировать случайно с фиксированным seed для воспроизводимости).
4. После окончания вывести итоговое распределение и полезность каждого агента.

Ожидаемый результат этапа Запускаемый скрипт, который выводит в консоль лог переговоров и финальную таблицу распределения.

Этап 5: Анализ результатов (оценка времени: 0.5 ч)

Действия

1. Добавить в код подсчёт метрик:
   • Количество раундов до соглашения.
   • Суммарная полезность всех агентов.
   • Доля агентов, улучшивших свою полезность после counter-offers.
2. Провести серию запусков с разными стратегиями (Greedy vs Patient) и разными бюджетами.
3. Построить простой график (используя matplotlib): изменение средней полезности по раундам.

Ожидаемый результат этапа Файл analysis.py или раздел в основном скрипте, выводящий метрики и при необходимости график.

5. Критерии приемки (Definition of Done)

• Реализован протокол аукциона с counter-offers в соответствии с этапом 1.
• Агенты способны отправлять ставки и обрабатывать встречные предложения.
• Аукционист корректно собирает ставки, назначает ресурсы и генерирует counter-offers.
• Симуляция завершается за конечное число раундов (≤20) с полным распределением ресурсов.
• Результаты логируются, и можно восстановить ход переговоров.
• Код модульный: agents.py, auctioneer.py, config.py, run_simulation.py.
• Написаны минимум 3 теста на критическую логику (greedy assignment, обработка counter-offer, условие останова).
• Ведётся Git-репозиторий с осмысленными коммитами.

6. Ожидаемый результат

Основной артефакт Архив или репозиторий, содержащий:

• run_simulation.py — главный исполняемый файл.
• agents.py — реализация агентов.
• auctioneer.py — реализация аукциониста.
• config.py — параметры симуляции (агенты, ресурсы, бюджеты).
• test_auction.py — набор тестов.
• README.md — описание запуска и протокола.

Содержание вывода при запуске

Раунд 1:
  Ставки: агент_A: {r1: 90, r2: 45}, агент_B: {r1: 85, r2: 50}
  Предв. назначение: r1->A(90), r2->B(50)
  Counter-offers: агент_B: предложен r1 по 93.5 (отказ)
Раунд 2:
  ... (до достижения соглашения)

Финальная таблица

Дополнительно (опционально): График изменения полезности каждого агента по раундам.

7. Возможные сложности и их решение

8. Бюджет времени (оценка)

Примечание Для первого раза рекомендуется выделить 6–7 часов с учётом отладки и изучения asyncio. Если время ограничено, этап 5 можно сократить до простого вывода метрик в консоль.

9. Связанные вопросы из базы знаний

10. Чек-лист самопроверки

• Я определил протокол аукциона и counter-offers до написания кода.
• Я реализовал хотя бы две различные стратегии агентов.
• Я добавил логирование всех раундов и решений.
• Я проверил, что симуляция завершается за < 20 раундов с полным распределением.
• Я написал unit-тесты для жадного назначения и обработки ничьей.
• Я запустил симуляцию с разными seed и сравнил результаты.