Исследование механизма распространения информации в мультиагентной системе во временном окне

В работе исследуется процесс распространения информации, в котором каждый агент представлен цепочкой Маркова непрерывного времени с двумя состояниями: L и M. Состояние L относится к «дому», тогда как состояние M относится к «месту встречи». Когда два агента остаются вместе в M, они «встречаются» и формируют контакт. Это означает, что они могут обмениваться информацией, совершать торговые операции и так далее. Целью исследования является разработка эффективного способа вычисления времени распространения и исследование зависимости процесса распространения от таких параметров, как количество агентов, количество неосведомленных агентов в конце процесса и интенсивность контакта. Предполагается, что изначально все агенты находятся в состоянии L, и один из агентов точно обладает частью информации. Создана модель распространения с мобильными агентами в звездообразной сети, которая может быть сведена к сети с двумя узлами. Увеличение размера популяции имеет два противоречивых эффекта, которые заставляют время распространения сначала увеличиваться, затем уменьшаться и в конечном итоге увеличиваться с асимптотическим поведением, подобным гармонической сумме. В связи с этим ожидаемое время, необходимое для информирования дополнительного агента, сначала мало, затем увеличивается, а вероятность информирования всех агентов в течение заданного срока имеет S-образную форму. Также предоставлена информация о том, как на процесс может повлиять изменение параметров моделирования, таких как начальное и конечное количество информированных агентов и интенсивность контактов.

1. Centola D. The spread of behavior in an online social network. Science. 2010;329(5996):1194–1197. DOI: 10.1126/science.1185231.

2. Nowzari C., Preciado V.M., Pappas G.J. Analysis and control of epidemics. IEEE Control Systems Magazine. 2016;36(1):26–46. DOI: 10.1109/MCS.2015.2495000.

3. Горшков А.В. Исследование механизма распространения информации в мультиагентной системе на основе марковских процессов. Системы управления и информационные технологии. 2022;90(4):42–48. DOI: 10.36622/VSTU.2022.90.4.009.

4. Feola G., Butt A. The diffusion of grassroots innovations for sustainability in Italy and Great Britain: An exploratory spatial data analysis. Geographical Journal. 2017;183(1):16–33. DOI: 10.1111/geoj.12153.

5. Jin M, Liu F, Zhou C. Rumor spreading: A survey. 2nd Int. Conf. on Artificial Intelligence Engrg. Appl., 2017:263–269. DOI: 10.12783/dtcse/aiea2017/14942.

6. Isella L., Stehlé J., Barrat A., Cattuto C., Pinton J.-F. What’s in a crowd? Analysis of face-to-face behavioral networks. Journal of Theoretical Biology 2011;271(1):166–180. DOI: 10.1016/j.jtbi.2010.11.033.

7. Manzo G., Gabbriellin S., Roux V., M’Mbogori F.N. Complex contagions and the diffusion of innovations: evidence from a small-N study. Journal of Archaeological Method Theory. 2018;25(4):1109–1154. DOI: 10.1007/s10816-018-9393-z.

8. Rogers E.M. Diffusion of Innovations. New York, Free Press; 1995. 518 p.

9. Simpson G., Clifton J. Testing diffusion of innovations theory with data: Financial incentives, early adopters, and distributed solar energy in Australia. Energy Research & Social Science. 2017;29:12–22. DOI: 10.1016/j.erss.2017.04.005.

10. Xiong H., Wang P., Bobashev G. Multiple peer effects in the diffusion of innovations on social networks: a simulation study. Journal of Innovation and Entrepreneurship. 2018;7(2):1–18. DOI: 10.1186/s13731-018-0082-7.

11. Sun H., Cheng R., Xiao X., Yan J., Zheng Y., Qian Y. Maximizing social influence for the awareness threshold model. Database Systems for Advanced Applications, Lecture Notes in Computer Science. 2018;10827:491–510. DOI: 10.1007/978-3-319-91452-7_32.