Overview of methods for modeling complex socio-economic systems based on an agent approach

Full Text

Введение

Социально-экономические системы (СЭС) – это большие системы взаимосвязанных и взаимодействующих между собой экономических субъектов, в центре которых находятся люди. Важное отличие социально-экономических систем от физических заключается в том, что в СЭС принятие решений происходит под влиянием субъективного сознания человека. Это делает такие системы сложными и динамичными и затрудняет их описание и моделирование. В связи с этим не существует универсального решения проблем социально-экономической системы, поскольку динамические процессы в обществе и людях приводят к их постоянному изменению и развитию. А это в свою очередь приводит к отсутствию для таких систем общих аналитических моделей. Поэтому весьма актуальным является исследование теорий, методов и алгоритмов моделирования сложности и динамики социально-экономических систем.

В качестве методов исследования для принятия эффективных решений в задачах управления и анализа СЭС целесообразно использовать моделирование проблемных ситуаций. Разработка таких моделей особенно актуальна для решения исследовательских задач в области организации систем инновационного инвестирования и управления инновациями, прогнозирования поведенческих трендов в социальных сетях, моделирования несформировавшихся рынков и других задач исследования социально-экономических систем в условиях неопределенности, в том числе исследования процессов распространения и обработки рассеянного знания. Принятие решения и управления в СЭС очень часто происходит в условиях неструктурированных многомодальных потоков данных и связей субъектов системы [1], на разных уровнях абстракции и с разными уровнями детализации [2]. Поэтому для эффективного функционирования СЭС эти модели должны учитывать влияние всех субъектов и связей между ними и в случае необходимости скоординировать действия отдельных участников.

В работе [3] перечислены восемь основных проблем моделирования СЭС. Первые три проблемы касаются междисциплинарности, неопределенности и разнообразия источников и являются общими для любого типа интегрированного моделирования, включающего различные области. Аналогично последние два компонента, которые связаны с построением и интеграцией моделей в процессе принятия решений, в значительной степени являются общими для всей области моделирования, независимо от того, интегрированы они или нет. А центральные три задачи, которые связаны с масштабированием, системными изменениями и интеграцией человеческого измерения относятся к проблеме моделирования только СЭС, так как необходимо учитывать проявление человеческого поведения (индивидуального и социального) и различные чрезвычайные ситуации и «системные» ограничения.

В результате для моделирования СЭС были разработаны различные подходы, которые включают в себя системную динамику [4], байесовские сети [5, 6], агентные модели [7], динамические стохастические модели равновесия [8], статистические имитационные модели и любую гибридизацию этих методов [9], однако только агентное моделирование [10] доказало свою способность достоверно представлять индивидуальное и социальное поведение человека.

Цель работы – обзор существующих агентных подходов для моделирования социально-экономических систем.

Агентный подход к моделированию сложных социально-экономических систем

Агентные системы, или чаще их называют мультиагентные системы (МАС), получили отдельное развитие как научное направление в 1980-е годы, с появлением формулировки термина «агент». Под агентом понимался интеллектуальный посредник, который позволял через интерфейс упростить стиль общения пользователя с программой. Широкое развитие это направление получило в 1990-х. К 2000-м возникла необходимость систематизации накопленных знаний, что привело к появлению первых тематических монографий как в России [11], так и за рубежом [12–14].

В основе мультиагентного моделирования сложных систем лежат агенты, которыми могут быть отдельные лица, организации, роботы или любой объект, способный принимать решения и реагировать на окружающую среду. Эти агенты взаимодействуют друг с другом и с окружающей средой, порождая эмерджентные паттерны и коллективное поведение. Агенты должны быть автономными, рациональными, проактивными и обладать знаниями, убеждениями, желаниями, намерениями, целями и обязательствами по отношению к другим агентам.

В 70-х годах В. Лессер [15], К. Хьюитт [16] и Ленат [17] представили первые практические разработки МАС. Именно их работы легли в основу работ по организации коммуникационных процессов между агентами. Также прообразом для развития моделей с механизмами аукционов является протокол контрактной сети – модель распределенного решения, которая впервые была представлена Смитом в [18].

В [19] представлен обзор научных статей о практических подходах к использованию сложных систем и взаимодополняющих агентных моделей искусственного интеллекта, облегчающих параллельное использование алгоритмов обработки данных и знаний.

Работа [20] посвящена изучению опыта применения агентного моделирования к исследованию социально-экономических систем и процессов, обсуждению тенденций развития и перспективным направлениям его применения.

В [21] представлен всесторонний обзор мультиагентных моделей сложных социально-экологических систем. Авторами рассмотрены три высокоуровневые архитектуры проектирования сложных систем, которые позволяют классифицировать инструменты и фреймворки МАС.

Авторы в работе [22] представляют математическую модель для моделирования сценариев распространения дезинформации в социальных сетях, вызванного ботами, троллями и другими. Было проведено моделирование, связанное с увеличением скорости активации и деактивации дезинформационных агентов и дезинформации, вызванной этим механизмом.

В [23] исследовали специфические атрибуты индивидов и узлов сети мнений, включив в них такие параметры, как индивидуальное соответствие и сила индивидуальных онлайн-отношений, с целью определения поляризации мнений группы в Интернете. С помощью мультиагентного моделирования авторы обнаружили, что индивидуальное соответствие и разница в отношении к окружающей среде сильно влияют на траекторию событий поляризации мнений.

В статье [24] представлен подход к моделированию и оптимизации индивидуальных стратегий принятия решений в СЭС, основанный на синтезе агентных методов моделирования, машинного обучения и алгоритмов генетической оптимизации. Авторами разработана методика синтеза и обучения искусственных нейронных сетей, моделирующих функциональность СЭС и обеспечивающих приближение значений ее объективных характеристик. Согласно проведенным численным экспериментам на примере предлагаемой агентной модели торгового взаимодействия использование таких интегрированных моделей позволяет существенно повысить временную эффективность эволюционного поиска оптимальных решений.

С помощью МАС в работе [25] проведен анализ формирования консенсусных групп. В агент-ориентированной модели, представленной автором, взаимодействия агентов и их участие в обмене взглядами зависят от сходства сетей убеждений агентов: чем выше сходство, тем вероятнее взаимодействие и совместное использование паутины элементов веры.

В работе [26] представлен подход к моделированию многоагентных региональных социально-экономических систем путем построения гибридных многоуровневых имитационных моделей, использующих методы системной динамики и агентного моделирования. В результате моделирования обеспечивается возможность исследования характеристик региональной социально-экономической системы с учетом сложных взаимосвязей и взаимодействий между экономическими агентами и внешней средой.

Целью работы [27] является формализация фундаментальных аспектов агент-ориентированного подхода как наиболее эффективного и перспективного инструмента моделирования социально-экономических систем. В статье предложена универсальная формализованная концептуальная схема агент-ориентированной модели социально-экономической системы через связь между векторами и матрицами данных. Также описаны основные структурные блоки модели, необходимые для понимания процесса управления системой. Предложена разработка агент-ориентированной модели путем включения в ее состав интеллектуальных агентов. Представлены численная реализация модели и перспективы ее развития.

В работе [28] авторы воспроизводят экономическое поведение рынка, товарооборот и распределение денежной массы участниками. Численное моделирование проводится на основе простой экономической модели с конечным числом экономических агентов, способных осуществлять обмен товарами/услугами и деньгами. Различные агенты взаимодействуют друг с другом посредством случайных обменов. Модель основана на микротехнологиях и является самосогласованной и предсказательной.

В [29] представлен мультиагентный симулятор для экономических систем, состоящих из гетерогенных домохозяйств и фирм, центральных банков и правительственных агентов, которые могут подвергаться экзогенным, стохастическим шокам.

В работе [30] дан обзор агентных моделей для борьбы с неинфекционными заболеваниями, а в [31] – для моделирования возникновения или сохранения неравенств в отношении здоровья.

Таким образом, мультиагентное моделирование широко используется для решения задач в различных отраслях, таких как экономика, медицина, экология и др. Тем не менее обеспечить его широкое применение все еще остается сложным процессом [32].

Однако, как видно из представленного выше обзора, на сегодняшний день мультиагентное моделирование применяется в большом количестве научных областей и продолжает оставаться интересным и популярным подходом по ряду причин [33]:

1. Наличие вычислительных мощностей для моделирования крупномасштабного социального взаимодействия.
2. Возможность использования решающих правил для моделирования поведения (поведенческой эвристики) вместо математической оптимизации.
3. Растущая популярность поведенческих исследований в экономике, которые позволяют получить представление о проектировании агентных моделей.
4. Бурное развитие теории сетей в социальных науках, предоставляющей новые инструменты для формализации взаимодействий между агентами.
5. Важность стабильности разработанных человеком систем (таких как финансовая система).
6. Достижения в оценке и калибровке агентных моделей, которые позволяют лучше оценить их соответствие эмпирическим данным.

Кроме того, мультиагентное моделирование помогает устранить некоторые из основных недостатков различных категорий моделей, описанных в [34]. Так как СЭС – это система взаимодействующих человеческих и экономических агентов, то она неоднородна. Мультиагентное моделирование разнородных агентов позволяет избежать нереалистичного представления компонентов такой системы. Также этот подход позволяет упростить сложность моделирования человеческих агентов, в частности поведенческую сложность, которая возникает из-за ментальных моделей агентов, обладающих когнитивными способностями (рассуждение и обучаемость). Эти модели основаны на теориях социальных наук о том, как человеческие агенты ведут себя в реальном мире в различных контекстах с другими человеческими и нечеловеческими агентами и окружающей средой.

На основе этих теорий формируются также коллективные модели поведения агентов, которые приводят к возникновению различных организационных структур. Такие системы, фиксированные или эмерджентные, могут побуждать агентов действовать иначе, чем их индивидуальный выбор, что может иметь решающее значение для понимания появления или исчезновения определенной динамики.

Следовательно, для моделирования социальных, гетерогенных и интерактивных измерений СЭС предпочтительным является агентный подход. Однако остаются значительные методологические проблемы, связанные с явным представлением масштабов и уровней абстракции.

Поскольку каждый агент может иметь свои собственные индивидуальные свойства, потенциально отличные от свойств всех других агентов в модели, количество настраиваемых параметров МАС может стать огромным. Эту проблему возможно решить распределенным управлением, когда на основе интеллектуального поведения одного агента образуется интеллектуальное поведение всей системы. В этом случае необходимо разработать модель интеллектуальных групп и организаций, которые способны решать задачи путем рассуждений, связанных с обработкой символов. Тогда согласование целей, координация действий различных агентов и разрешение конфликтов будут осуществляться путем переговоров. И основной вопрос будет состоять в исследовании возможности создания такого уровня семантизации действительности и таких алгоритмов поведения МАС, которые были бы сопоставимы с функциональностью, эмерджентно возникающей в биологических системах и эффективно решающей задачи реального мира [35]. В качестве подхода, позволяющего решить этот вопрос, можно рассмотреть мультиагентные нейрокогнитивные архитектуры. Суть этого подхода состоит в использовании рациональных программных агентов для моделирования нейроподобных элементов и организации их мультиагентного взаимодействия в процессе ситуативно детерминированного обучения нейрокогнитивной архитектуры на основе формирования аксо-дендрональных связей в составе управляющих функциональных систем (по Анохину), обеспечивающих автономное принятие решений и управление в различных задачах [36].

Заключение

Существует множество перспективных направлений для исследований агентных моделей, некоторые из которых были затронуты в этой статье. Преимущества использования мультиагентных моделей при моделировании СЭС заключаются в возможности:

• представления автономных агентов с собственными правилами и поведением, которые имитируют реальные сущности;
• моделирования взаимодействия агент-агент и агент-среда;
• имитационного моделирования эмерджентного поведения группы агентов, возникающего в результате локальных взаимодействий отдельных агентов.

Имитационное моделирование СЭС с помощью агентного подхода позволяет моделировать и симулировать сложные явления, такие как поведение толпы, транспортный поток, распространение болезней, изменение климата и эволюция экосистем, и решать реальные проблемы в широком спектре дисциплин, включая экономику, биологию, экологию, логистику и управление цепочками поставок и др. Это помогает выявлять возникающие закономерности, горячие точки и неинтуитивные модели поведения, которые в свою очередь могут направлять принятие решений и стратегическое планирование.

About the authors

Arslan A. Aigumov

Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences

Author for correspondence.
Email: arrrslan@mail.ru

Post-graduate Student of the Department of Мulti-Аgent Intellectual Robotics Systems

Russian Federation, 360010, Nalchik, 2 Balkarov street

Inna A. Pshenokova

Institute of Computer Science and Problems of Regional Management – branch of Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences

Email: pshenokova_inna@mail.ru
ORCID iD: 0000-0003-3394-7682
SPIN-code: 3535-2963

Candidate of Physical and Mathematical Sciences, Head of the Laboratory “Intelligent Living Environments”

Russian Federation, 360000, Nalchik, 37-a I. Armand street

References

Supplementary files