@ARTICLE{26583204_842618353_2023, 
	author = {А. С. Акопов}, 
	keywords = {, многоагентные социально-экономические системы, метод роя частиц, моделирование случайных продаж, машинное обучение, искусственные нейронные сетигенетические оптимизационные алгоритмы},
	title = {<p class="text">Моделирование и оптимизация стратегий принятия индивидуальных решений в многоагентных социально-экономических системах с использованием машинного обучения</p>},
	journal = {Бизнес-информатика},
	year = {2023},
	number = {2 Vol 17},
	pages = {7-19},
	url = {https://bijournal.hse.ru/2023--2 Vol 17/842618353.html},
	publisher = {},
	abstract = {&nbsp; &nbsp; &nbsp; В статье представлен новый подход к моделированию и оптимизации стратегий принятия индивидуальных решений в многоагентных социально-экономических системах (МСЭС). В основе такого подхода - синтез методов агентного моделирования, машинного обучения и генетических оптимизационных алгоритмов. Разработана процедура синтеза и обучения искусственных нейронных сетей (ИНС), имитирующих функциональность МСЭС и обеспечивающих аппроксимацию значений ее целевых характеристик. Особенностью данной двухшаговой процедуры является комбинированное использование методов роевой оптимизации (для определения оптимальных значений гиперпараметров) и алгоритма машинного обучения Adam (для вычисления весовых коэффициентов ИНС). Применение подобных, основанных на ИНС суррогатных моделей в параллельных многоагентных генетических алгоритмах вещественного кодирования (MA-RCGA) позволяет кратно повысить временную эффективность процедуры эволюционного поиска оптимальных решений. Проведены численные эксперименты, подтверждающие существенное улучшение производительности MA-RCGA, периодически использующего суррогатную ИНС-модель для аппроксимации значений целевой и фитнес-функции. Спроектирован программный комплекс, который включает оригинальную (эталонную) агентную модель торговых взаимодействий, суррогатную ИНС-модель и генетический алгоритм MA-RCGA. При этом используются программные библиотеки FLAME GPU, OpenNN (Open Neural Networks Library) и др., методы агентного моделирования и машинного обучения. Разработанная система может быть использована менеджерами, отвечающими, в частности, за формирование оптимальной стратегии торговых взаимодействий.},
	annote = {&nbsp; &nbsp; &nbsp; В статье представлен новый подход к моделированию и оптимизации стратегий принятия индивидуальных решений в многоагентных социально-экономических системах (МСЭС). В основе такого подхода - синтез методов агентного моделирования, машинного обучения и генетических оптимизационных алгоритмов. Разработана процедура синтеза и обучения искусственных нейронных сетей (ИНС), имитирующих функциональность МСЭС и обеспечивающих аппроксимацию значений ее целевых характеристик. Особенностью данной двухшаговой процедуры является комбинированное использование методов роевой оптимизации (для определения оптимальных значений гиперпараметров) и алгоритма машинного обучения Adam (для вычисления весовых коэффициентов ИНС). Применение подобных, основанных на ИНС суррогатных моделей в параллельных многоагентных генетических алгоритмах вещественного кодирования (MA-RCGA) позволяет кратно повысить временную эффективность процедуры эволюционного поиска оптимальных решений. Проведены численные эксперименты, подтверждающие существенное улучшение производительности MA-RCGA, периодически использующего суррогатную ИНС-модель для аппроксимации значений целевой и фитнес-функции. Спроектирован программный комплекс, который включает оригинальную (эталонную) агентную модель торговых взаимодействий, суррогатную ИНС-модель и генетический алгоритм MA-RCGA. При этом используются программные библиотеки FLAME GPU, OpenNN (Open Neural Networks Library) и др., методы агентного моделирования и машинного обучения. Разработанная система может быть использована менеджерами, отвечающими, в частности, за формирование оптимальной стратегии торговых взаимодействий.}
}