Консенсусное управление и мультиагентное обучение с подкреплением в задачах структуризации проектных сетей

В статье рассматривается подход к построению технологических платформ (проектных сетей), предназначенных для предоставления возможности самоорганизации участников, обладающих ключевыми компетенциями, в команду, для выполнения мероприятий с изначально установленными целями, достижение которых определяет завершение проекта. На начальном этапе проектная сеть находится в «спящем режиме», то есть в сети происходит обычный для социальной сети информационный обмен между потенциальными участниками проектных команд и, следовательно, в сети взаимодействуют «традиционные агенты» или акторы. Предлагается двухуровневая схема организации процесса взаимодействия агентов проектной сети рабочих команд: внутрикластерное и межкластерное. Результативность первого взаимодействия оценивается как результат моделирования консенсуса в асинхронных мультиагентных системах с дискретным и непрерывным временем. При этом, если консенсус достигается, то на втором уровне иерархии кластер можно рассматривать как единый узел-агент, участвующий в следующем цикле взаимодействия – межкластерном. На этом уровне формируемые решения рассматриваются как марковские процессы принятия и, соответственно, в качестве математического аппарата моделирования такого вида взаимодействия планируется привлечение одного из методов машинного обучения – обучения с подкреплением при решении задачи оптимального распределения ресурсов между процессами в рамках единого проекта.

1. 1. Тимофеев К.Н. Проектные сети. В кн.: Инновационное управление: от теории к практике. Сборник трудов VII ежегодной (II международной) научно-практической конференции факультета менеджмента. СПб.: ООП НИУ ВШЭ – Санкт-Петербург; 2012:127–135.

2. 2. Катаев А.В., Катаева Т.М. Управление проектами на базе динамической сети партнеров: монография. Ростов-на-Дону – Таганрог: Издательство Южного федерального университета; 2017. 125 с.

3. 3. Воронина Л.А., Ратнер С.В. Научно-инновационные сети России: опыт, проблемы, перспективы. М.: ИНФРА-М; 2010. 254 с.

4. 4. Губанов Д.А., Новиков Д.А., Чхартишвили А.Г. Социальные сети: модели информационного влияния, управления и противоборства. М.: Изд. ФИЗМАТЛИТ; 2010. 228 с.

5. 5. Mengbin Ye, Ji Liu, Lili Wang, Brian D.O. Anderson, Ming Cao. Consensus and disagreement of heterogeneous belief systems in influence networks; 2018. Режим доступа: https://arxiv.org/abs/1812.05138 [дата обращения: 30.11.2022].

6. 6. Проскурников А.В. Усредняющие алгоритмы и неравенства в задачах многоагентного управления и моделирования. СПб.: Санкт-Петербургский государственный университет; 2021. Режим доступа: https://disser.spbu.ru/files/2021/disser_proskurnikov.pdf [дата обращения: 28.11.2022].

7. 7. Парсегов С.Э. Алгоритмы управления формацией в задаче равномерного расположения агентов: автореферат дис. ... кандидата физико-математических наук: 05.13.01. М.: 2013; 22 с.

8. 8. Саттон Р.С., Барто Э.Дж. Обучение с подкреплением: Введение. 2-е изд. / пер. с англ. А.А. Слинкина. М.: ДМК Пресс; 2020. 552 с.

9. 9. Mnih V., Kavukcuoglu K., Silver D., Graves A., Antonoglou I., Wierstra D., Riedmiller M. Playing Atari with deep reinforcement learning. 2013. Режим доступа: https://arxiv.org/abs/1312.5602v1 [дата обращения: 30.11.2022].

10. 10. Reinforcement Learning Toolbox Documentation. Режим доступа: https://www.mathworks.com/help/reinforcement-learning/ [дата обращения: 28.11.2022].