Оптимизация стратегий поведения в имитационной модели многоагентной социально-экономической системы
- Авторы: Акопов А.С.1, Бекларян А.Л.2
-
Учреждения:
- ЦЭМИ РАН
- Национальный исследовательский университет «Высшая школа экономики»
- Выпуск: Том 59, № 3 (2023)
- Страницы: 117-131
- Раздел: Статьи
- URL: https://journals.rcsi.science/0424-7388/article/view/141433
- DOI: https://doi.org/10.31857/S042473880027006-5
- ID: 141433
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
В статье представлена новая имитационная модель многоагентной социально-экономической системы (МСЭС), в которой реализуются индивидуальные, в том числе межпродуктовые, взаимодействия. В рамках МСЭС изучаются модели поведения агентов-производителей и агентов-потребителей со своими целевыми функционалами. В частности, производители реализуют собственную производственную стратегию посредством выбора моментов времени для ввода новых основных фондов и трудовых ресурсов. Потребители участвуют в бартерных и монетарных сделках, взаимодействуя с другими агентами. Состояния готовности агентов-производителей вводить новые основные фонды и трудовые ресурсы, а также состояния готовности агентов-потребителей заключать бартерные и монетарные сделки задаются для каждого момента времени с помощью логнормальных распределений с заданными характеристиками, являющимися управляющими параметрами системы. Сформулированы важные двухкритериальные оптимизационные задачи для ансамблей агентов-производителей и агентов-потребителей. Разработан новый параллельный гибридный генетический алгоритм (MORCGA-MOPSO), обеспечивающий, в частности, возможность поиска оптимальных по Парето решений для задач максимизации средней (по ансамблю агентов) прибыли и общего числа покупателей продукции агентов-производителей, а также максимизации средней полезности и денежных накоплений агентов-потребителей. Вычислены параметры логнормальных распределений, определяющих состояния взаимодействующих агентов, принимающих индивидуальные решения. Выявлены особенности стратегий поведения производителей и потребителей, позволяющие достигать улучшения значений целевых функционалов за счет управления динамикой ввода производственных ресурсов и выбора предпочтительных типов межпродуктовых взаимодействий, в частности бартерных, монетарных и др.
Об авторах
Андраник Сумбатович Акопов
ЦЭМИ РАНМосква, РФ
Армен Левонович Бекларян
Национальный исследовательский университет «Высшая школа экономики»Российская Федерация, Москва
Список литературы
- Аганбегян А.Г., Вальтух К.К. (1974). Использование народно-хозяйственных моделей в планировании. М.: Экономика. 231 с.
- Акопов А.С., Бекларян Л.А., Бекларян А.Л. (2021). Мультисекторная модель ограничен-ного соседства: сегрегация агентов и оптимизация характеристик среды // Математи-ческое моделирование. Т. 33. № 11. C. 95–114.
- Ведута Н.И. (1999). Социально эффективная экономика. Под общей ред. Е.Н. Ведута. Mos-cow: РЭА. 254 с.
- Ершов Ю.С., Мельникова Л.В., Суслов В.И. (2009). Практика применения оптимизацион-ных мультирегиональных межотраслевых моделей в стратегических прогнозах россий-ской экономики // Вестник НГУ. Серия: Социально-экономические науки. Т. 9. № 4. C. 9–23.
- Леонтьев В.В. (1925). Баланс народного хозяйства СССР. Методологический разбор работы ЦСУ // Плановое хозяйство: Ежемесячный журнал. Издание Госплана СССР. № 12. С. 254–258.
- Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С., Ровенская Е.А., Стрелков-ский Н.В. (2022). Агентное моделирование социально-экономических последствий миграции при государственном регулировании занятости // Экономика и математические методы. Т. 58. № 1. С. 113–130.
- Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С., Ровенская Е.А., Стрелков-ский Н.В. (2020). Агентное моделирование популяционной динамики двух взаимодей-ствующих сообществ: мигрантов и коренных жителей // Экономика и математические методы. Т. 56. № 2. С. 5–19.
- Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С., Ровенская Е.А., Стрелков-ский Н.В. (2019). Укрупненная агент-ориентированная имитационная модель миграционных потоков стран Европейского союза // Экономика и математические методы. Т. 55. № 1. С. 3–15.
- Поспелов И.Г. (2018). Модель случайных продаж // Математические заметки. Т. 103. № 3. С. 445–459.
- Поспелов И.Г., Жукова А.А. (2012). Стохастическая модель торговли неликвидным това-ром // Труды МФТИ. Т. 2. № 4. С. 131–146.
- Суслов В.И., Доможиров Д.А., Ибрагимов Н.М., Костин В.С., Мельникова Л.В., Цыпла-ков А.А. (2016). Агент-ориентированная многорегиональная модель «затраты – вы-пуск» российской экономики // Экономика и математические методы. Т. 52. № 1. С. 112–131.
- Шатилов Н.Ф. (1967). Моделирование расширенного воспроизводства. М.: Экономика. 173 с.
- Akopov A.S., Beklaryan A.L., Zhukova A.A. (2023). Optimization of characteristics for a sto-chastic agent-based model of goods exchange with the use of parallel hybrid genetic algo-rithm. Cybernetics and Information Technologies, 23 (2), 87–104.
- Akopov A.S., Beklaryan L.A., Thakur M. (2022). Improvement of maneuverability within a mul-tiagent fuzzy transportation system with the use of parallel biobjective real-coded genetic algorithm. IEEE Transactions on Intelligent Transportation Systems, 23 (8), 12648–12664.
- Akopov A.S., Beklaryan L.A., Thakur M., Verma D.B. (2019). Parallel multi-agent real-coded genetic algorithm for large-scale black-box single-objective optimisation. Knowledge-Based Systems, 174, 103–122.
- Binh T., Korn U. (1997). MOBES: A multiobjective evolution strategy for constrained optimiza-tion problems. In: Proceedings of the Third International Conference on Genetic Algorithms. Czech Republic, 176–182.
- Deb K., Pratap A., Agarwal S., Meyarivan T. (2002a). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6 (2), 182–197.
- Deb K., Thiele L., Laumanns M., Zitzler E. (2002b). Scalable multi-objective optimization test problems. Proceedings of the 2002 IEEE Congress on Evolutionary Computation, 1, 825–830.
- Fonseca C.M., Fleming P.J. (1995). An overview of evolutionary algorithms in multiobjective optimization. Evolutionary Computation, 3 (1), 1–16.
- Holland J.H. (1992). Genetic Algorithms. Scientific American, 267 (1), 66–73.
- Jin Y. (2005). A comprehensive survey of fitness approximation in evolutionary computation. Soft Computing, (9), 3–12.
- Kennedy J. (1997). The particle swarm: Social adaptation of knowledge. Proceedings of IEEE In-ternational Conference on Evolutionary Computation, 303–308.
- Kiyotaki N., Wright R. (1989). On money as a medium of exchange. Journal of Political Econo-my, 97 (4), 927–954.
- Kursawe F. (1991). A variant of evolution strategies for vector optimization. PPSN I990. Lecture Notes in Computer Science. Springer, Berlin, Heidelberg, 496, 193–197.
- Lotov A.V., Bushenkov V.A., Kamenev G.K. (2004). Interactive decision maps. Approximation and visualization of the Pareto frontier. Boston: Kluwer Academic Publishers. 307 p.
- Lotov A.V., Miettinen K. (2008). Visualizing the Pareto Frontier. In: Multiobjective optimization. Interactive and evolutionary approaches, lecture notes in computer science, 5252. Berlin-Heidelberg: Springer, 213–244.
- Makarov V.L., Bakhtizin A.R., Epstein J.M. (2022). Agent-based modeling for a complex world. 2nd ed., revised. Moscow: GAUGN, Scientific publications department. 74 p.
- Poloni G., Giurgevich A., Onesti L., Pediroda V. (2000). Hybridization of a multi-objective ge-netic algorithm, a neural network and a classical optimizer for a complex design problem in fluid dynamics. Computer Methods in Applied Mechanics and Engineering, 186 (2–4), 403–420.
- Richmond P., Walker D., Coakley S., Romano D. (2010). High performance cellular level agent-based simulation with FLAME for the GPU. Briefings in Bioinformatics, 11 (3), 334–347.
- Xiaohui Hu, Eberhart R. (2002). Multiobjective optimization using dynamic neighborhood par-ticle swarm optimization. Proceedings of the 2002 Congress on Evolutionary Computation. CEC'02 (Cat, 02TH8600). Honolulu, HI, USA, 1677–1681.
- Zitzler E., Laumanns M., Thiele L. (2001). SPEA2: Improving the strength Pareto evolutionary algorithm. Swiss Federal Inst. Technol., Zürich, Switzerland, TIK-Rep. 103 p.
- Zitzler E., Thiele L. (1999). Multiobjective evolutionary algorithms: A comparative case study and the strength Pareto approach. IEEE Transactions on Evolutionary Computation, 3 (4), 257–271.
