Анализ многообразия архитектур и методов моделирования децентрализованных систем на основе агент-ориентированного подхода

Бурилина М.А.¹, Ахмадеев Б.А.¹
¹ Центральный экономико-математический институт Российской Академии наук, Россия, Москва

Скачать PDF | Загрузок: 12 | Цитирований: 2

Статья в журнале

Креативная экономика ^{(РИНЦ, ВАК)}
опубликовать статью | оформить подписку

Том 10, Номер 7 (Июль 2016)

Цитировать эту статью:

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=26382934
Цитирований: 2 по состоянию на 07.08.2023

Аннотация:
В статье представлена методология построения искусственного интеллекта агентов и гибридных агент-ориентированных моделей с использованием нейронных сетей, позволяющих преодолеть недостатки известных методов математической формализации поведения агентов микроуровня. Авторами разработан детальный обзор обучающихся и не обучающихся агентов, описаны математически подходы к проектированию взаимоотношений агентов в сети и предложены классификаторы искусственного интеллекта. Данная работа может быть полезна при разработке оптимизационных моделей на основе методов имитационного компьютерного моделирования, нейронных сетей, а также при построении децентрализованных агент-ориентированных моделей социальных систем. Работа выполнена при финансовой поддержке РНФ, грант № 16-18-10296 «Разработка комплекса агент-ориентированных моделей, имитирующих социально-экономическую систему Евразийского континента, и детализированных до уровня отдельных индивидуумов».

Ключевые слова: нейронные сети, агент-ориентированные модели, логические алгоритмы, искусственное общество, поведение агентов, архитектура агентов, математическое моделирование поведения агентов

JEL-классификация: C55, C45, C63

Источники:

1. Xie X. L., Beni G. A validity measure for fuzzy clustering // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1991. – Vol. 13. – № 8. – P. 841-847. – doi: 10.1109/34.85677
2. Parsopoulos K.E., Vrahatis M.N. Recent approaches to global optimization problems through Particle Swarm Optimization // Natural Computing. – 2002. – Vol. 1. – № 2. – P. 235-306. – doi: 10.1023/A:1016568309421
3. Kennedy J., Eberhart R. Particle Swarm Optimization // Proceedings of IEEE International Conference on Neural Networks. – 1994. – Vol. 4. – P. 1942-1948. – doi: 10.1109/ICNN.1995.488968
4. Dorigo M., Gambardella L. M. Ant colony system: a cooperative learning approach to the traveling salesman problem // IEEE Transactions on Evolutionary Computation. – 1997. – Vol. 1. – № 1. – P. 53–66. – doi: 10.1109/4235.585892
5. Shah-Hosseini H. The intelligent water drops algorithm: a nature-inspired swarm-based optimization algorithm // International Journal of Bio-Inspired Computation. – 2009. – Vol. 1. – № 1/2. – P. 71–79. – doi: 10.1504/IJBIC.2009.022775
6. Кажаров А.А., Курейчик В.М. Муравьиные алгоритмы для решения транспортных задач // Известия Российской академии наук. Теория и системы управления. – 2010. – № 1. – С. 32-45.
7. Franklin S., Graesser A. Is it an Agent, or just a Program?: A Taxonomy for Autonomous Agents // Intelligent Agents III Agent Theories, Architectures, and Languages. – Berlin: Springer Verlag, 1997. – P. 21-35. – (Lecture Notes in Computer Science, Vol. 1193).
8. Henning P. A. Computational evolution // Complexity and Artificial Markets. – Berlin, Heidelberg: Springer-Verlag, 2008. – P. 175–193. – (Lecture Notes in Economics and Mathematical Systems, Vol. 614).
9. Gardner M. Mathematical Games – The fantastic combinations of John Conway's new solitaire game "life" // Scientific American. – 1970. – № 223. – P. 120–123.
10. Галушкин А.И., Зак Л.С., Тюхов Б.П. К сравнению критериев оптимизации адаптивных систем распознавания образов // Кибернетика. – 1970. – № 6. – С. 122-130.
11. Werbos P. J. Beyond regression: New tools for prediction and analysis in the behavioral sciences: Ph.D. thesis. – Cambridge: Harvard University, 1974. – 234 p.
12. Rumelhart D. E., Hinton G. E., Williams R. J. Learning Internal Representations by Error Propagation // Parallel Distributed Processing. Vol. 1. – Cambridge: MIT Press, 1986. – 567 p. – P. 318-362.
13. Сотников И.Ю., Григорьева И.В. Адаптивное поведение программных агентов в мультиагентной компьютерной игре // Вестник Кемеровского государственного университета. – 2014. – № 4-2. – С. 65-71.
14. Маслобоев А.В. Гибридная архитектура интеллектуального агента с имитационным аппаратом // Вестник Мурманского государственного технического университета. – 2009. – Т. 12. – № 1. – С. 113-124.
15. Bratman M. E. Intentions, Plans, and Practical Reason. – Cambridge: Harvard University Press, 1987. – 146 p.
16. Хайкин С. Нейронные сети: полный курс. – 2-е изд. – М.: ИД «Вильямс», 2006. – 1104 с.
17. Романов В.П., Бадрина М.В. Информационные технологии моделирования финансовых рынков. – М.: Финансы и статистика, 2010. – 288 с.
18. Social Self-Organization. – Berlin, Heidelberg: Springer-Verlag, 2012. – 454 p. – (Understanding Complex Systems).
19. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. – 2007. – № 1. – С. 20-29.
20. Ахмадеев Б.А. Моделирование эффективного взаимодействия «стартапов», инвесторов и корпораций // Креативная экономика. – 2015. – Т. 9. – № 6. – С. 659-682.
21. Селяков И.C. Определение структуры многоагентной системы для моделирования популяции животных // Труды СПИИРАН. – 2007. – № 4. – С. 437-444.

Страница обновлена: 26.11.2024 в 12:59:44

Подробнее об авторах: