Построение прогностических агентных моделей на основе включения моделей машинного обучения в определение состояния агентов

Сфера агентного моделирования продолжает развиваться в сторону создания более интеллектуальных агентов. В рамках этого возникает концептуальная проблема поиска баланса между детерминированностью поведения агентов и способностью этих агентов к обучению и прогнозированию своего состояния. Одним из потенциальных направлений решения этой проблемы является рассмотрение возможности разработки промежуточного подхода в создании агентов, при котором агенты сохраняют детерминированность своего поведения, но одновременно с этим способны прогнозировать свое состояние и корректировать поведение. В статье представлен новый подход к построению интеллектуальных агентов, который комбинирует классический подход построения агентов, основанный на априорно задаваемых правилах, и применение методов машинного обучения в правилах поведения агентов. Представлено математическое описание предложенной функции расчета состояния агента с использованием моделей машинного обучения, а также алгоритм расчета состояний агентов в модели. Также приведен пример построения агентной модели с применением предложенного подхода. Предложенный подход позволяет разрабатывать агентные модели сложных систем, в которых агенты являются реактивными, но способны спрогнозировать свое состояние и учесть прогноз в определении своего текущего состояния.

1. Macal C., North M. Introductory tutorial: Agent-based modeling and simulation. In: Proceedings of the Winter Simulation Conference 2014, 7–10 December 2014, Savannah, USA. IEEE; 2014. pp. 6–20. https://doi.org/10.1109/WSC.2014.7019874

2. Кузнецов А.В. Краткий обзор многоагентных моделей. Управление большими системами. 2018;(71):6–44.

3. Mehdizadeh M., Nordfjaern T., Klöckner C.A. A systematic review of the agent-based modelling/simulation paradigm in mobility transition. Technological Forecasting and Social Change. 2022;184. https://doi.org/10.1016/j.techfore.2022.122011

4. Ale Ebrahim Dehkordi M., Lechner J., Ghorbani A., Nikolic I., Chappin É., Herder P. Using Machine Learning for Agent Specifications in Agent-Based Models and Simulations: A Critical Review and Guidelines. Journal of Artificial Societies and Social Simulation. 2023;26(1). https://doi.org/10.18564/jasss.5016

5. Lorscheid I. Learning Agents for Human Complex Systems. In: 2014 IEEE 38th International Computer Software and Applications Conference Workshops, 21–25 July 2014, Vasteras, Sweden. IEEE; 2014. pp. 432–437. https://doi.org/10.1109/COMPSACW.2014.73

6. Bashardoust A., Safaei D., Haki K., Shrestha Y.R. Employing Machine Learning to Advance Agent-based Modeling in Information Systems Research. In: Forty-Fourth International Conference on Information Systems, ICIS 2023, 10–13 December 2023, Hyderabad, India. URL: https://aisel.aisnet.org/icis2023/adv_theory/adv_theory/3/

7. Turgut Y., Bozdag C.E. A framework proposal for machine learning-driven agent-based models through a case study analysis. Simulation Modelling Practice and Theory. 2023;123. https://doi.org/10.1016/j.simpat.2022.102707

8. Brearcliffe D.K., Crooks A. Creating Intelligent Agents: Combining Agent-Based Modeling with Machine Learning. In: Proceedings of the 2020 Conference of The Computational Social Science Society of the Americas, 8–11 October 2020, Online. Cham: Springer; 2021. pp. 31–58. https://doi.org/10.1007/978-3-030-83418-0_3

9. Kavak H., Padilla J.J., Lynch C.J., Diallo S.Y. Big data, agents, and machine learning: towards a data-driven agent-based modeling approach. In: ANSS '18: Proceedings of the Annual Simulation Symposium: SpringSim '18: 2018 Spring Simulation Multiconference, 15–18 April 2018, Baltimore, USA. San Diego: Society for Computer Simulation International; 2018. pp. 1–12. https://dl.acm.org/doi/10.5555/3213032.3213044

10. Ramchandani P., Paich M., Rao A. Incorporating Learning into Decision Making in Agent Based Models. In: Progress in Artificial Intelligence: 18th EPIA Conference on Artificial Intelligence, EPIA 2017, 5–8 September 2017, Porto, Portugal. Cham: Springer; 2017. pp. 789–800. https://doi.org/10.1007/978-3-319-65340-2_64

11. Adenuga O.T., Mpofu K., Kanisuru A.M. Agent-based Control System: A Review and Platform for Reconfigurable Bending Press Machine. Procedia Manufacturing. 2019;35:50–55. https://doi.org/10.1016/j.promfg.2019.05.007

12. Лисовенко А.С., Лимановская О.В. Моделирование состояния воздушной линии электропередачи на основе учета дефектности проводов и условий окружающей среды. В сборнике: Физика. Технологии. Инновации: Сборник статей VIII Международной молодежной научной конференции, 17–21 мая 2021 года, Екатеринбург, Россия. Екатеринбург: Уральский федеральный университет; 2021. C. 157–168.

13. Лисовенко А.С., Лимановская О.В., Гаврилов И.В., Мещанинов В.Н. Агентная система прогнозирования состояния пациента в персонализированной геронтологии. В сборнике: Имитационное моделирование: теория и практика (ИММОД-2023): Сборник трудов одиннадцатой всероссийской научно-практической конференции по имитационному моделированию и его применению в науке и промышленности, 18–20 октября 2023 года, Казань, Россия. Казань: Издательство АН РТ; 2023. С. 121–129.

14. Шишмарева А.С., Бимбас Е.С., Лимановская О.В. Прогнозирование результатов раннего ортодонтического лечения и развития зубочелюстной системы при его отсутствии у детей 3-12 лет. Стоматология детского возраста и профилактика. 2023;23(3):243–254. https://doi.org/10.33925/1683-3031-2023-660