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: 41 | 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: 09.09.2025 в 08:32:28

Download PDF | Downloads: 41 | Citations: 2

Analysis of the variety of architectures and methods for modeling of decentralized systems based on the agent-oriented approach

Burilina M.A., Akhmadeev B.A.

Journal paper

Creative Economy ^{(РИНЦ, ВАК)}
опубликовать статью | оформить подписку

Volume 10, Number 7 (July 2016)

Citation:

Abstract:
The article gives the methodology for building of the artificial intelligence, agents and hybrid agend-based models using neuron networks that allow to negotiate disadvantages of known methods for mathematical formalization of behavior of micro-level agents. The authors have developed the detailed review of learning and non-learning agents, have mathematically described approaches to design of interrelations between agents in the network and have suggested classifiers for artificial intelligence. This work may be useful for development of optimization models based on methods for simulating computer modeling, neuron networks as well as for building of decentralized agend-based models of social systems.

Keywords: neuron networks, logical algorithms, artificial society, behavior of agents, architecture of agent, mathematical modeling of agents' behavior, agend-based models

JEL-classification: C55, C45, C63

Подробнее об авторах:

Analysis of the variety of architectures and methods for modeling of decentralized systems based on the agent-oriented approach