El comportamiento de fijación de precios de las empresas de procesamiento agrícola en los mercados de insumos tiene grandes impactos en la prosperidad de los agricultores y procesadores, así como en la estructura general del mercado. A pesar de los enfoques analíticos para la fijación de precios de los procesadores de alimentos en los mercados de insumos agrícolas, la necesidad de modelos que representen características de mercado complejas es urgente. Los modelos basados en agentes (ABM) sirven como laboratorios computacionales para comprender mercados complejos emergentes de agentes que interactúan de manera autónoma. Sin embargo, los agentes individuales dentro de los ABM deben estar equipados con algoritmos de aprendizaje inteligentes. En este documento, proponemos agentes de aprendizaje supervisado y no supervisado para simular el comportamiento de fijación de precios de las empresas en los ABM de mercados agrícolas. Las empresas de aprendizaje supervisado están pre-entrenadas para responder de manera óptima a sus competidores y se considera que resultan en los equilibrios de Nash del mercado. Las empresas de aprendizaje no supervisado juegan un curso de interacción de precios con sus competidores sin ningún conocimiento previo, pero basado en el aprendizaje profundo por refuerzo. Los resultados de la simulación muestran que las empresas de aprendizaje profundo no supervisado son capaces de aproximar los equilibrios de precios obtenidos por las empresas supervisadas en diferentes configuraciones de mercado espacial. La fijación de precios discriminatoria óptima y la fijación de precios uniforme de entrega emergen en los mercados de insumos agrícolas con alta e intermedia importancia en el espacio. La fijación de precios puesto a bordo emerge en los mercados de insumos agrícolas con poca importancia en el espacio.