igergov.com
← Статии
ИзследванеОбучение с подкрепление · 8 мин · BG EN ES DE

Кой печели аукциона зависи от това какво мериш

Идеята тръгна от прототип на облак, в който даваш мощността, която не ползваш, и купуваш по най-добра цена това, което ти трябва отгоре. Пазарът в него пробвахме с агенти, които се учат сами.

Всичко започна от прототип на облачна услуга. Идеята е проста: всеки участник има свои машини и през повечето време част от мощността им стои неизползвана. В друг момент същият участник има нужда от повече, отколкото притежава. Защо свободната мощност да не отиде при някой, на когото му трябва сега, на цена, която определят самите участници?

Така всеки получава най-добрата цена за ресурсите, които взима над собствените си, и честна цена за тези, които дава. Сърцето на такъв облак е пазарът: как се среща търсенето с предлагането и кой как наддава.

Преди да строим облака около пазара, искахме да знаем как ще се държи самият пазар, когато за участниците наддават агенти, които се учат сами. В статията „Multi-Agent Reinforcement Learning for Decentralized Computational Resource Negotiation in a Tokenized Double-Auction Market“, публикувана в Mathematics през 2026 г., заедно с Георги Цочев и Аделина Алексиева-Петрова изпробваме точно това.

Как се стига до въпроса

Как е построено
Въпросът

Всеки участник има свои машини: GPU, памет, мрежа. През повечето време част от тях стои неизползвана, а в друг момент собствената мощност не стига.

Какво направихме · Собствена мощност

Свързваме ги в общ облак. Каквото не ползваш, го предлагаш на другите. Каквото ти трябва над собственото, го купуваш от тях.

Един рунд на пазара

Ето опростен рунд с четирима купувачи и четирима продавачи. Ти си купувачът, за когото ресурсът струва 9. Останалите предлагат точно колкото им струва. Всички сделки минават на една цена: средата между последната оферта и последната искана цена, които са се срещнали.

Започни с оферта 9, после я намали стъпка по стъпка. Отначало цената не се мени. Щом станеш последният купувач, който влиза в сделка, по-ниската оферта сваля цената и печелиш повече. Когато я свалиш твърде много, излизаш от сделката, ресурсът отива при някой, за когото струва по-малко, и общата полза пада.

Купувачи (оферти)
  1. ти9
  2. B8
  3. C6
  4. D4
Продавачи (искани цени)
  1. S13
  2. S25
  3. S37
  4. S48
Сделки
2
Цена
6.5
Твоята печалба
2.5
Обща полза
9

Точно това правят агентите: учат се кога да наддават под стойността си. Добре за един агент не значи непременно добре за пазара.

Кой печели

Резултатите по-долу са средните стойности от 12-те повторения. Смени мярката и виж как се сменя и водещият.

по-високо е по-добре

  • PPO 0.0069
  • MAPPO 0.0140 · води
  • MADDPG 0.0070
  • IQL 0.0072

По награда и по обща полза води MAPPO: 0.0140 [0.0124, 0.0154] за наградата и 0.0952 [0.0854, 0.1045] за общата полза. По неравенство обаче най-добре се представя IQL, с най-нисък коефициент на Джини: 0.4477 [0.4360, 0.4613]. MAPPO, който води по другите две мерки, тук има най-високия коефициент от четирите: 0.579.

Какво следва от това

Алгоритъм, който печели по една мярка, не печели автоматично по всички. Ако бяхме гледали само наградата, щяхме да обявим MAPPO за най-добър и да пропуснем, че при него токените се концентрират в по-малко ръце.

Затова приносът на статията е еталон (benchmark) и протокол за проверка: един и същ пазар, еднакъв бюджет за обучение, много повторения, доверителни интервали и няколко мерки, отчетени заедно. Статията не предлага нов механизъм за аукцион. Тя дава начин всеки нов алгоритъм да се сравни честно с познатите.

Статията е в отворен достъп: doi.org/10.3390/math14111828. Всички мои публикации са в Публикации.