Многоагентное моделирование поведения иерархических систем экономического характера

Зачастую развитие новых парадигм программирования происходит как следствие решения тех насущных задач, которые стоят перед программистами.

Парадигма структурного программирования начала развиваться в связи с решением научных задач, которые допускали мышление в рамках функций, инструкций и операторов. Поэтому, как правило, любая программа могла быть представлена в виде трех блоков: «Что дано» (вводные переменные и их значения), «Решение» (последовательность выполняемых действий, логический вывод) и «Ответ» (выходные переменные с заданными значениями).

Сближение программирования и бизнеса привело к широкому распространению объектно-ориентированной парадигмы: оказалось, что объектами оперировать гораздо проще и понятнее, чем функциями и процедурами. И объектный язык зачастую понятнее для заказчика, и составлять спецификацию для программиста по требованиям заказчика проще. Да и традиционная человеческая ментальность ближе к объектной структуре, чем к процедурной. Все это обеспечило успех объектно-ориентированного подхода.

Дальнейший рост сложности компьютерных систем, появление распределенных программно-аппаратных решений показал все недостатки централизованной модели вычислений — изобилие узких мест, необходимость обеспечивать учет сотен и тысяч переменных при управлении, невысокая скорость отклика и др. На смену ей пришла другая модель с несколькими центрами обработки, которая принесла информатикам новые проблемы, связанные с синхронизацией передачи данных, организацией распределенных вычислений и разработкой новых протоколов для обмена данными. Однако эти проблемы были решены.

Стали развиваться идеи многоагентных систем, в которых предполагается, что отдельный агент может иметь лишь частичное представление об общей задаче и способен решить лишь некоторую ее подзадачу. Поэтому для решения сколько-нибудь сложной проблемы, как правило, требуется взаимодействие агентов, которое неотделимо от организации многоагентной системы.

Тарасов В.Б. в работе [45] говорит об агенте следующее: «элемент системы. может пониматься как метаобъект, наделенный некоторой долей субъектности.». Это значит, что такой метаобъект способен самостоятельно действовать в некоторой среде и манипулировать другими объектами (в том числе влиять на из жизненный цикл), принимать на вход сенсорную информацию об окружающей обстановке и, при необходимости, устанавливать коммуникации с себе подобными. Теория агентов использует существующий аппарат объектно-ориентированного подхода, но при этом стоит на более высоком уровне сложности.

Сама идея многоагентности подразумевает, что агенты могут действовать совместно для решения поставленных задач. Если у агента недостаточно знаний или специальных навыков для выполнения задачи, он может отправить запрос на её выполнение тем агентам, которые, по его мнению, вполне в состоянии с ней справиться. Также агенты могут кооперироваться для решения одной сложной задачи и составлять совместные планы действий с учетом намерений и возможностей друг друга (Городецкий В.И., Грушинский М. С., Хабалов A.B., 1998 [12]).

При этом возникает ряд проблем. Некоторые из них естественным образом приходят из многопроцессного программирования (синхронизация выполнения действий, доступа к разделяемым ресурсам), другие же — в связи с появлением организационной структуры и кооперации (проблемы формирования совместных планов, конфликтность целей, декомпозиция задач и разделение обязанностей, переговоры о совместных действиях).

Однако полный перечень проблем зависит от конкретных условий исходной проблемы.

Рис. 1. Основные направления исследований многоагентных систем.

На базе обзора, выполненного Городецким В. И. и др. [12] с некоторой долей условности можно разделить все исследования в области многоагентных систем на несколько основных направлений (см. рис.1).

— Теория агентовв рамках этого направления для описания агентов и всего, что с ними связано, используются формальные алгебраические, логические и математические методы описания систем.

• Языки программирования, в число которых входят как универсальные языки программирования (Java, С#, С++), языки сценариев (Tcl/Tk), символьные языки и языки логического программирования (Oz), так и более близкие агентному подходу языки, «ориентированные на знания»: языки представления знаний (KIF), языки переговоров и обмена знаниями (KQML, AgentSpeak, April), языки спецификаций агентов и др. (Telescript).

• Мобильные агенты. Свое название эти сущности получили из-за способности передавать свой исполняемый код на расстояния. Такие агенты могут быть мигрированы с сервера на клиентскую машину ради экономии будущих коммуникаций (за счет использования мобильных агентов часть функциональности сервера переносится на клиентскую сторону), хранится в специальных чипах и активироваться при радиопередаче (например, RFID-коммуникации).

• Методы организации и кооперации агентов.

Рассматриваются вопросы о том, каким образом агенты могут кооперироваться друг с другом для достижения поставленных при проектировании целей и задач, а также организация иерархических агентных структур.

Дизайн агентов и многоагентных систем — область исследований занимается вопросами построения агентов и многоагентных систем, удовлетворяющим тем или иным свойствам, выраженных средствами теории агентов.

Протоколы и технологические средства коммуникации агентовв рамках этого направления рассматриваются алгоритмические и логические аспекты эффективной коммуникации между агентами, вопросы организации коммуникаций между гетерогенными группами агентов. В 2005 8 июня IEEE была официально учреждена организация FIPA, занимающаяся разработкой стандартов коммуникаций для технологической агентной платформы.

Инструментальные средства и среды разработкиэто направление целиком посвящено вопросам создания инструментальных вспомогательных средств, облегчающих проектирование и реализацию агентов, и интегрированных сред разработки прикладных агентных систем (на сегодняшний день существует довольно много таких сред — JADE (X), ABLE, RePast (S), Agent Globe, но рано говорить о наиболее популярной и удобной платформе, подходящей для большинства задач).

В настоящее время агентно-ориентированный подход оказался востребован в таких областях, как имитационное моделирование экономических систем и электронная торговля (где в качестве самозаинтересованного агента выступает субъект экономических отношений.

— покупатель, продавец, посредник и др.), рационализация бизнес-процессов и создание виртуальных организаций, распределенное решение сложных задач и системы для решения распределенных задач, и др. Если касаться теории вычислений, то и здесь новый подход находит применение, ведь он позволяет пересмотреть и критически проанализировать некоторые устоявшиеся модели, в том числе в области территориального планирования и управления народным хозяйством.

В 1999 году была основана одна из наиболее известных в России компаний, занимающаяся построением прикладных мультиагентных систем.

— Magenta Technology, одним из руководителей которой является Скобелев Петр Олегович (доктор технических наук, профессор кафедры «Инженерия знаний» Поволжского Государственного университета телекоммуникаций и информатики, ведущий научный сотрудник Института проблем управления сложными системами РАН). В своей диссертации «Открытые мультиагентные системы для оперативной обработки информации в процессах принятия решений» в 2003 году он предложил использовать ПВ-сети («Потребности» — «Возможности» [19]), которые нашли отражение в прикладных системах компании: логистическая система (танкеры, курьеры, такси, грузовики) с распределением заказов в реальном времени, система динамического планирования полетов, управление загрузкой производственных станков машиностроительного комплекса и др. Также в реализации проектов участвовали профессор Г. А. Ржевский (Открытый университет, Лондон) и профессор В. А. Виттих (ИПУСС СО РАН, Самара).

В работе [61] описано применение агентов для автоматизации процедур выбора товара на Интернет-рынке, торговли и совершения покупок. Агенты, представляя интересы своего владельца, обладают довольно сложным организационным поведением: могут договариваться с друг другом и координировать использование разделяемые ресурсы, вступать в группы, коалиции, менять стратегию в зависимости от типа задачи и пр.

Это один из примеров применения агентов в экономике. Но также агенты используются для решения более масштабных задач.

Распад СССР поставил перед экономистами бывшей советской школы ряд совершенно новых задач. Раньше в ЦЭМИ успешно применялись методики расчета плана развития народного хозяйства «сверху-вниз».

Однако когда значительная часть государственного имущества перешла в частные руки, такая методика перестала быть эффективной. Потребовалась разработка совершенно нового класса моделей, которые бы отражали рыночный характер экономики, ее децентрализованность. Все чаще стало упоминаться экономико-математическое моделирование в терминах экономических агентов", т. е. самозаинтересованных активных участников экономических отношений. Экономическими агентами могут выступать перевозчики, предприятия, компании, крупные корпорации, холдинги и т. д.

В это же время в мире активно развивалась парадигма агентного моделирования, которая наделяет объекты такими чертами, как активность", «целеустремленность», «коммуникативные навыки».

На сегодняшний день многоагентное моделирование кажется уже достаточно изученной дисциплиной. Тем не менее в ней существуют «белые пятна», которые заполняются по мере решения практических задач.

Совершенствуются алгоритмы переговоров между агентами, усложняются алгоритмы планирования последовательности действий для достижения целей, вводятся новые типы агентов.

Целью настоящей работы является: проведение исследований, связанных с применимостью многоагентного подхода к моделированию сложных иерархических систем экономической природы;

— создание и апробирование методик многоагентного подхода, основанных на проектной деятельности, с целью развития аппарата моделирования применительно к областям, для которых характерно: разноплановый состав самозаинтересованных участников деятельности, 8 наличие ограниченного количества ресурсов, временный характер взаимодействий, конфликтность достижения целей при вынужденном сотрудничестве, возможный синергетический эффект;

— разработка новых моделей и алгоритмов агентных взаимодействий, учитывающих специфику предметной экономической области и обладающих свойством распределенности;

— разработка способов оценки будущего состояния многоагентной среды, являющегося отражением состояния сложной иерархической системы экономической природы;

— создание программных комплексов (на базе разработанных моделей и алгоритмов), ориентированных на работников НИИ, занимающихся макроэкономическими исследованиями, в том числе деятельности транснациональных компаний, проблем масштабного государственно-частного партнерства.

Мультиагентный подход развивается для моделирования функционирования и прогнозирования поведения сложных распределенных иерархических систем в случае отсутствия точных формализованных постановок задачи.

Актуальность использования и развития этого инструментария для исследования и прогнозирования иерархических систем обусловливается следующим.

• жизнеспособность и эффективность этих систем зависит от корректности принимаемых решений отдельных агентов (экономических, социальных и др.) в постоянно изменяющейся внешней среде;

• возможность и достоверность прогнозирования ситуаций развития предопределяется внешними и внутренними управляющими воздействиями, осуществляемых различными агентами на различных уровнях иерархии;

• адаптации системы к изменению поведения отдельных агентов зависит от своевременно прогнозирования последствий от всего многообразия принимаемых в ней решений;

• неординарные управленческие решения и стратегии, проводимые активными игроками (независимыми государствами, глобальными игроками — ТНК (транснациональными компаниями) оказывают решающее влияние на поведение системы в целом.

Автором работы в ходе выполнения задач по построению многоагентных моделей развития территориальной системы, процесса реализации концессионных государственно-частных проектов был разработан ряд агентных алгоритмов (переговоров, развития и пр.), которые могут рассматриваться как вклад в теорию об агентах. Были развиты идеи проектных доменов (пространства задач) в агентном моделировании, которые практически не освещены в учебниках, посвященных искусственному интеллекту и интеллектуальным агентам.

Джефри Розеншейн и Гил ад Злоткин в 1994 г. предложили использовать две основные разновидности агентных доменов, которые получили дальнейшее развитие — домен, ориентированный на задачи, и домен, ориентированный на стоимость.

Формально агентный домен, ориентированный на задачи, это кортеж (T, Ag, с), где Т — это (конечное) множество всех имеющихся задачAg = {1, ., п) — конечное множество агентов, участвующих во взаимодействияхс:{р (Т)-^>Я± это функция, которая определяет стоимость выполнения каждого подмножества множества задач, причем каждому подмножеству соответствует некоторое положительное действительное число.

Функция стоимости должна удовлетворять двум ограничениям. Во-первых, она должна быть монотонной. Во-вторых, ненулевой.

Изначально, агенты получают некоторый набор задач {Г/, ., Тп}, где для всех /eAgTjczJ'. После чего могут заключить сделку S = { ?>,.,?>"}, где D, и. и Dn = 7] и. и Тп .

Стоимость выполнения множества задач в результате заключенной сделки для агента i&Ag задается как cosi ((?), а стоимость выполнения первоначального набора задач для агента i е Ag как с (7]).

Польза от сделки 8 для агента / е Ag вычисляется как и{ (8) = с (7}) — cos ti (8).

Сделка 5 является хорошей, если по крайней мере один из агентов i е Ag после ее заключения получает положительную пользу и{ (8) > 0, при этом остальные агенты j е Ag не получают отрицательную пользу и{ (8) < 0.

Домены, ориентированные на стоимость, задают более общий тип доменов, когда цели агента описываются с помощью определения функции стоимости для возможных состояний среды. Цель агента — достичь состояния среды с наибольшим значением. У агентов есть совместные планы (такой план требует участия различных агентов), которые трансформируют одно состояние среды в другое. Предметом сделки является не распределение задач между агентами, а совместный план. Предметом интереса агента является совместный план, который позволит достигнуть состояния среды с наибольшей стоимостью.

Формально домен, ориентированный на стоимость (Джефри Розеншейн, Гилад Злоткин), записывается как:

E, Ag, J, c), где.

Е — это множество состояний среды;

Ag = {1, ., п} - это множество агентов;

J — это множество совместных плановс: J X Ag —" Rэто функция стоимости, которая ставит в соответствие каждому плану je J и каждому агенту ге Ag действительное число, которое обозначает стоимость выполнения c (j, i) плана j для агента /.

Задача достижения сделки описывается с помощью кортежа (е, где е — начальное состояние среды, W: ExAg —> R — функция стоимости, которая назначает каждому состоянию среды ее Е и каждому агенту /е Ag действительное число W (e, i), которое обозначает стоимость состояния е для агента /.

План записывается как j: ej i—> е2'. план je J начинает выполняться из состояния ех е Е, ив конце выполнения плана среда находится в состоянии е2ЕЕ.

Формально план, максимизирующий состояние среды Е для агента ie Ag, записывается как: j1 t = arg шах W (/, е) — C (j, i). j-e, к>е2.

Агент может выиграть от сотрудничества с другими агентами. Путем выполнения совместного плана вместе с другими агентами он может добиться даже более предпочтительного состояния среды.

Проектные домены, помимо совместных планов агентов и оценок предпочтительности состояния среды после выполнения проекта для каждого агента-участника, содержат ресурсы (территорию, инфраструктуру), которые будут использованы в процессе выполнения проекта. Причем реализация одного проекта может влиять на успешность реализации других.

Формально проектный домен можно записать следующим образом:

E, Ag, R, Р, а), где Е, Ag — это множество состояний среды и агентов, описанные вышеR — множество ресурсов;

Р = (е0, — множество проектов, где каждый проект описывается начальными условиями выполнения е0 е Е и состоянием ех е Е (в которое перейдет среда после выполнения проекта), некоторым подмножеством выделенных ресурсов участниками-агентами Ag’cAgи множеством задач Т а: Ag х Р —> К — множество функций-оценок привлекательности проекта ре Р с точки зрения агента /е Ag. Каждая функция возвращает некоторое действительное значение.

Если проекты имеют непересекающиеся множества ресурсов и могут быть выполнены из начального состояния среды, то они являются независимыми.

Если реализация одного проекта блокирует выполнение другого, то такие проекты называются взаимоисключающими.

Если реализация одного проекта влечет возможность осуществления другого, то такие проекты называются зависимыми.

Если реализация одного проекта зависит от реализации другого и наоборот, то такие проекты называются взаимозависимыми.

Реализация проекта приносит агентам пользу, которая задается вещественным числом. Иногда употребляют термин «прибыль от проекта р е Р» (для агента / ?).

Проекты могут быть рассчитаны на несколько участников. Тогда участники проводят переговоры и совместно выбирают проект. Как правило, оценка такого проекта является Парето-оптимальной для всех участников.

Объединение ряда проектов в единую программу с последовательным планом реализации может дать дополнительный эффект за счет синергии.

В первой главе диссертационной работы рассматриваются основные принципы агентного подхода, определяются понятия «агент» и «среда», их типы и разновидности. Приводится пример удачной формализации многоагентной системы, предложенной Майклом Вулдриджем в книге «Ап Introduction to Multiagcnt Systems» в 2002 г. [70].

Ради наглядности сначала работа агента была представлена в виде конечной последовательности состояний среды с переходами между ними в виде выполняемых действий (запуска). Первый элемент последовательности соответствует начальному состоянию среды, а последний — финальному состоянию среды после окончания работы агента.

Надо заметить, что переход из одного состояния в другое после выполнения некоторого действия не является детерминированным в общем случае, поэтому функция преобразования состояния работает с множеством возможных состояний среды.

Далее в главе рассматриваются понятия бихевиоральной эквивалентности (в том числе относительно заданной среды), чисто реактивного агента и его отличия от агентов общего вида, функции восприятия see и action.

После введения вышеуказанных терминов рассматривается схема устройства агента, обладающего состоянием, и связь таких агентов с введенными ранее агентами, поведение которых определяется через полную историю взаимодействий со средой.

Функции пользы посвящен отдельный подраздел. С помощью этой функции можно влиять на поведение агента, на выбор определенной последовательности действий для достижения желаемой цели. Возвращаемое значение — вещественная величина, которая показывает, какую пользу получит агент в итоге. На вход функция может принимать как отдельные состояния (для реактивных агентов), так и конечные последовательности состояний-действий (запуски) в общем случае.

Далее в главе рассматриваются проблемные среды и способы их описания.

Взаимодействие агентов, краеугольный камень построения многоагентной системы, рассматривается в контексте теории игр. На.

14 простых примерах показываются кооперация и конкуренция, операции с предпочтениями агентов и их свойства.

Требования к агентным протоколам переговоров формулируются далее. Помимо общих требований, свойственных распределенным системам с несколькими процессами, вводятся более частные, характерные для многоагентных систем {индивидуальная рациональность, Парето-оптгшальность, гарантированное достижение соглашения и пр.). Рассматривается теория коопераций и переговоров с позиции Д. Розеншейна и Г. Злоткина.

В конце первой главы приводится описание интенциональной логики Коэна — Левескью и более детально рассматривается сам процесс коммуникаций между агентами на основе теории речевых актов.

Вторая глава посвящена построению новой децентрализованной и многоагентной модели согласованного развития экономических районов. Данная модель представляет сложную иерархическую систему эконоческой природы. Число элементов на верхнем уровне является строго заданным и учитывается при постановке задачи. Число элементов на втором уровне вариативно. Агенты второго уровня генерируются по мере необходимости. Агенты второго и первого уровня взаимосвязаны по специализациям и ресурсам: специализации агента первого уровня определяются исходя из имеющихся специализаций соответствующих ему агентов второго уровня, доступные ресурсы для агента второго уровня могут быть получены за счет связей соответствующего агента первого уровня с другими агентами первого уровня.

Благодаря применению методов распределенного искусственного интеллекта модель приобрела такие качества, как гибкость, приспособляемость к заданной среде (которая описывается в терминах внешних ресурсов, рынков и товарно-материальных связей), устойчивость к изменению числа активных элементов и локальность производимых вычислений.

Решена задача построения распределенного алгоритма переговоров о производственных специализациях на межрайонном уровне. На примерах с использованием платежных матриц из теории игр рассмотрены различные варианты выбора специализаций для двух агентов. Дано обоснование того, что в общем виде задача обладает крайне высокой вычислительной трудоемкостью. После введения дополнительных посылок описан алгоритм переговоров о назначении специализаций с использованием сделок.

Рассмотрен алгоритм выбора программы развития района. Введено семейство функций развития СН0, СНХ, СН2, СНЪи функция дохода экономического района. Приведены соображения по поводу дальнейшего улучшения существующего алгоритма с помощью поиска в глубину и алгоритма А*.

При открытии производственной специализации экономический район может столкнуться с проблемой нехватки ресурсов. Далее в работе идет описание эвристики, которая позволяет находить необходимые ресурсы для открытия производств, используя межрайонные связи.

Для уточнения размещения производственных сил ТПК в пределах одного экономического района вся территория разбивается на площадки, обладающие своей рабочей силой, ресурсами и пр. Задача развертывания ТПК рассматривается с позиции максимального удовлетворения требований по размещению (определенный набор ресурсов, специфичная инфраструктура и т. д.) в рамках набора имеющихся площадок. Предполагается, что за счет уже существующих ТПК и продукции других экономических районов некоторые отсутствующие ресурсы могут быть восполнены.

Третья глава посвящена вопросам построения агентных алгоритмов достижения соглашений при выборе концессионного проекта.

Автоматическая процедура переговоров и достижения соглашений требует, чтобы ни один из участников не ушел «обиженным» с переговоров, получив максимум выгоды из сложившейся ситуации. Поэтому естественно.

16 потребовать от алгоритма, чтобы все итоговые заключенные сделки между активными сущностями, которые представляют интересы участников проекта, агентами, были Парето-оптимальными.

Парето-оптимальность подразумевает, что благосостояние любого участника сделки не может быть улучшено без ухудшения благосостояния другого участника. Благосостояние отдельного участника складывается из нескольких составляющих. Для агента-инвестора это объем чистой прибыли, сроки окупаемости, коэффициент рентабельности, внутренняя ставка доходности. Агент-государство оценивает проект (получаемое благосостояние) по таким параметрам, как объем затрат на строительство дорог и производственных сооружений, объем заработной платы рабочих, величина денежных поступлений в бюджет, объем запланированного производства продукции, сроки создания производственных и инфраструктурных сооружений. Значение каждого параметра нормируется в диапазоне от 0 до 1. Более того, каждому параметру ставится в соответствие вес (от 0 до 1), который определяет удельный вклад параметра в общую оценку. Сама оценка строится как сумма произведений, где слагаемое составляет параметр, помноженный на вес.

Далее в работе предлагается использовать общую схему последовательного протокола уступок при переговорах: определяется в каком раунде переговоров кто будет уступать и на какую величину. Построенные формулы для уступок являются личным вкладом автора. Интересно, что для государства и инвестора они различны.

После уточнения схемы переговоров формулируется и сам алгоритм: Алгоритм совместного выбора проекта (алгоритм поэтапного компромисса).

Шаг 1: Ранжировка множества проектов по предпочтительности с позиции каждого агента-участника.

Формирование двух множеств:

— множество, ранжированное сначала по предпочтениям государства (от большего к меньшему), а затем (внутри групп) — по предпочтениям инвестора (от большего к меньшему);

— множество, ранжированное по предпочтениям инвестора (от большего к меньшему), а затем (внутри групп) — по предпочтениям государства (от большего к меньшему).

Шаг 2: Выбор проектов государством и инвестором из соответствующих множеств (от большего к меньшему) — (Далее Шаг 3).

Шаг 2.1: Выбор проекта государством из множества предпочтительных проектов (от большего к меньшему), выбирается первый элемент группы- (Далее Шаг 3).

Шаг 2.2: Выбор проекта инвестором из множества предпочтительных проектов (от большего к меньшему), выбирается первый элемент группы- (Далее Шаг 3).

Шаг 3: Перекрестный анализ проектов агентами-участниками концессии. Агент проверяет: является ли предложение (проект) оппонента равным его текущему предложению (по оценкам) или тем предложением, которое агент выдвигал в прошлых раундах? Если да, то переход к шагу 4. Иначек шагу 5.

Шаг 4: Если один из агентов счел предложенный ему проект таким же или более предпочтительным (согласно оценке), чем выбранный им проект, то перейти к шагу 8.

Шаг 5: Если были рассмотрены все возможные проекты либо остались нерассмотренными только проекты с нулевой или отрицательной пользой, то переход к шагу 7.

Шаг 6: Если государство заинтересовано больше инвестора в реализации проекта, при этом оценка следующего по предпочтению проекта положительна, то переход к шагу 2.1. Иначе переход к шагу 2.2. Шаг 7. Выйти и возвратить «неудача» .

Шаг 8. Проект найден (проект с максимальной суммой оценок из двух рассмотренных). Выйти и возвратить «успех». Утверждение: если алгоритм находит проект, то он является индивидуально-рациональным.

Утверждение: построенный алгоритм завершается.

Теорема: построенный алгоритм строит Парето-оптимальное решение.

В заключительной, четвертой главе рассматривается задача моделирования хода реализации проекта «БЭМО» (Богучанское гидрометаллургическое объединение) с использованием агентного подхода. Предлагаются правила взаимодействия агентов, некоторые существующие методы прогнозирования состояния среды в краткосрочной перспективе и их точность применительно к задаче прогнозирования спроса на алюминий. Также приводится схема нового, «гибридного» подхода к прогнозированию, с использованием нейронных сетей и марковских цепей, обладающая с одной стороны, хорошей точностью предсказания, а, с другой стороны, — важными экстраполяционными свойствами.

Нейронные сети обеспечивают довольно хорошую точность при краткосрочных прогнозах. При этом они являются гибким и настраиваемым инструментом, подходящим для множества задач — например, в ситуациях, когда нельзя дать точную формулу зависимости одних величин от других, при этом есть достаточно примеров для обучения. Однако наряду с ценными интерполяционными свойствами нейронные сети (со скрытым слоем, нереккурентные) обладают плохими экстраполяционными свойствами, т. е., проще говоря, не вполне адекватно отражают среднесрочную и долгосрочную тенденцию изменения прогнозируемой величины.

Марковские цепи обладают хорошими экстраполяционными качествами, однако показывают не самую высокую точность предсказания (по построению, ввиду конечности числа состояний) и, как правило, работают только со стационарными процессами. К достоинствам марковских цепей можно также отнести простоту получения следующего состояния из предыдущего (по таблице переходов), настройки и конфигурирования.

Ожидается, что интеграция модуля марковской цепи в нейронную сеть позволит улучшить ее экстраполяционные качества, при этом для проведения настройки и конфигурирования модуля достаточно исторических данных, которые подаются на вход исходной нейронной сети. Выходной сигнал, посылаемый с модуля марковской цепи, позволит сделать необходимые корректировки выходного сигнала и уменьшить величину ошибки при суммировании с выходным сигналом оригинальной нейронной сети.

Итоговая гибридная схема должна иметь двухуровневую структуру.

На первом уровне располагается нейронная сеть, на вход которой подаются п значений факторов с лагом по времени, равным к. На выходе формируется предварительное прогнозное значение.

Также на первом уровне должна находиться марковская цепь, формирующая множество состояний на основе исторических значений (временной лаг ш) изменений (положительных или отрицательных) прогнозируемой величины. В процессе работы марковская цепь формирует последовательность относительных изменений прогнозируемой величины.

На втором уровне предполагается наличие сумматора либо еще одной нейронной сети, которая принимает на вход предварительное прогнозное значение и последовательность относительных изменений прогнозируемой величины за несколько шагов вперед, и формирует результирующее прогнозное значение.

В конце главы описывается созданная автором программная оснастка модулей аМоБе для качественного моделирования процесса реализации проекта «БЭМО» и специфицируется формат хранения данных о постановке исходной задачи моделирования.

Результаты работы могут быть использованы для проведения макроэкономических исследований, касающихся деятельности транснациональных компаний, проблем масштабного государственно-частного партнерства и др. Результаты, полученные в ходе исследования проекта «БЭМО» (Богучанское энерго-металлургическое объединение) вызвали интерес в компании «РУСАЛ». Гибридная схема прогнозирования привлекла внимание работников Банка Казани, так как она позволяет доработать существующие модули прогнозирования на нейронных сетях без кардинальных изменений.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ.

• На основе многоагентного подхода предложены: алгоритм (протокол) согласованного выбора проектов (алгоритм поэтапного компромисса) при заданных критериях оценок проекта для различных участниковдоказана теорема о Парето-оптимальности итогового решения (проекта).

• Разработана и апробирована многоагентная модель развития территориальной системы.

• Предложен гибридный подход на базе аппарата нейронных сетей и марковских цепей для прогнозирования значений заданных показателей многоагентной среды в будущем.

• Разработан программный комплекс аМоЭе для планирования и моделирования хода выполнения государственно-частных проектов с участием ТНК.

ЗАКЛЮЧЕНИЕ

.

В последнее десятилетие среди различных направлений разработок по искусственному интеллекту на одно из ведущих мест все больше претендуют исследования, объединяемые общим названием «многоагентные системы». Вообще говоря, исследования по интеллектуальным агентам и многоагентным системам имеют уже почти сорокалетнюю историю, но только в последнее время эти исследования действительно оформились в самостоятельный обширный и многоплановый раздел искусственного интеллекта, который привлекает к себе лучшие силы исследователей из различных областей, причем не только из сферы искусственного интеллекта. Причин такого повышенного интереса к многоагентным системам немало и они разные, но главная, по-видимому, в том, что этот интерес естественно обусловлен достижениями в области информационных технологий, искусственного интеллекта, распределенных информационных систем, компьютерных сетей и в компьютерной технике. Многоагентные системы имеют реальную возможность интегрировать в себе самые передовые достижения перечисленных областей, демонстрируя принципиально новые качества. Можно без сомнений утверждать, что появление этого направления свидетельствует о новом уровне, достигнутом в области информационных технологий и искусственном интеллекте, в частности, а темпы его прогресса дают основания предсказывать ему ведущую роль в ближайшие десятилетия в широком круге приложений.

В настоящей работе нами были развиты некоторые идеи агентного подхода применительно к распределенным территориальным системам и системам переговоров, ориентированным на проекты.

В первой главе мы рассмотрели основные термины и понятия теории агентов: среды и их типы, агенты (в том числе реактивные), функция пользы и процесс переговоров, проблемные среды и коммуникации агентов. Была введена функция развития, которая переводит целую агентную систему (либо ее элементы) из одного состояния в другое состояние, увеличивая при этом значение заданного показателя (в нашем случае — это был доход, генерируемый территориальной системой). Тогда развитие системы строится как последовательное применение функции развития к системе.

Более подробно развитие территориальной системы рассмотрено во второй главе работы, где были приведены алгоритмы выбора специализации на уровне крупных территориальных единиц — экономических районов, а далее было показано, как более мелкие единицы территориальной системытерриториально-производственные комплексы — могут быть размещены в рамках территориальных границ районов, используя как преимущества ресурсно-сырьевой базы района, так и товарно-материальные связи с другими территориально-производственными комплексами и районами. Надо заметить, что алгоритмы были разработаны на базе экономико-математической агентной модели территориальной системы (созданной автором).

Проблемная среда, ориентированная на проекты, которая рассматривается как альтернатива средам Дж. Розеншейна и Г. Злоткина, ориентированным на задачи и стоимость состояний — еще одно новшество данной работы.

Оценка проектов агентами с различными целями и намерениями может отличаться, и, как следствие, возникает задача согласованного выбора проекта несколькими агентами (желательно, оптимального по Парето). В третьей главе автор рассмотрел этот вопрос довольно подробно на примере государственно-частного партнерства при реализации крупных промышленно-транспортных проектов. Был разработан алгоритм переговоров, формулы оценок проекта для государственной власти и инвестора, сформулирована теорема о том, что итоговый выбранный проект является Парето оптимальным в рамках модели.

В заключительной, четвертой главе описываются программы, которые были созданы для обеспечения хода моделирования проекта «БЭМО» (Богучанское энерго-металлургическое объединение). Ситуация вокруг проекта рассматривается в рамках системы, состоящей из нескольких агентов: государство, «РусГидро» (компания, отвечающая за строительство Богучанской ГЭС), «РусАл» (занимается строительством Богучанского алюминиевого завода). Данная задача моделирования имеет важное практическое значение в связи со сложившейся конъюнктурой на азиатском рынке алюминия. Код программной оснастки аМоБе занимает около 1,5 МБ (без учета конфигурации, файлов локализации, графики и служебных хш1-файлов с описанием схем данных).

Автором предложена гибридная схема прогнозирования с использованием марковских цепей и слоистых нейронных сетей, которая улучшает существующую схему прогнозирования с использованием только слоистых нейронных сетей. Также в главе выполнен обзор и сравнительный анализ других методов прогнозирования: генетическое программирование, АЮМА, прогноз на базе марковских цепей.

Дальнейшие направления исследований: многоагентное планирование совместной проектной деятельности с использованием нечеткой логики и аппарата математической статистики, генерация поведенческих гипотез и их проверка на модели на примере ТНК «РусАл», кластерная оценка данных среды, кооперация и коммуникации агентов в рамках семантического подхода при реализации совместных проектов.

Работа может быть интересна научным сотрудникам, которые занимаются проблемами искусственного интеллекта, работникам экономических институтов и всем интересующимся региональными мезомоделями, государственно-частным партнерством при реализации крупных проектов и многоагентными системами.