Durante las negociaciones automatizadas, los agentes de software inteligentes actúan en función de las preferencias de sus propietarios, interrumpiendo la exposición directa de preferencias. El agente puede estar equipado con un componente de las características de modelado de un oponente para reducir la incertidumbre en la negociación, pero no se ha considerado cómo los agentes negociadores con una preferencia unimodal dirigen nuestra atención. Aquí, primero investigamos la representación adecuada de las preferencias unimodales y la implementación de agentes unimodales dentro de los agentes postores utilizando diferentes instancias de funciones unimodales generales. Evaluamos el modelado de preferencias unimodales y postores en agentes negociadores automatizados. A través de experimentos, revelamos que la mayoría de los modelos de oponentes pueden modelar nuestros agentes unimodales de referencia con eficiencias similares. Sin embargo, las precisiones difieren entre los modelos y en diferentes lotes de rivales. El modelo P1 basado en perceptrones obtuvo la mayor precisión, y el modelo basado en frecuencia Randomdance superó a los otros competidores en la mayoría de las otras medidas de rendimiento.