350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №9 за 2016 г.
Статья в номере:
Вероятностная модель поведения прикладной многоагентной системы
Ключевые слова: многоагентные системы групповое управление марковский процесс идентификация модели управление поведением прикладных многоагентных систем
Авторы:
Л.С. Куравский - д.т.н., профессор, декан факультета информационных технологий, Московский государственный психолого-педагогический университет. E-mail:l.s.kuravsky@gmail.com С.И. Попков - аспирант, факультет информационных технологий, Московский государственный психолого-педагогический университет. E-mail: rslw25@gmail.com
Аннотация:
Разработана вероятностная модель поведения прикладной многоагентной системы, представляющей игровое взаимодействие множества агентов и цели. Показано, что поведение агентов является недетерминированным и поэтому непредсказуемым с точки зрения цели. Система допускает как согласованное, так и автономное поведение агентов в зависимости от того, получают или нет агенты информацию о наличии и положении других работоспособных агентов. Установлено, что поведение агента определяется алгоритмом, который предусматривает идентификацию параметров вероятностной модели с использованием максимизируемых целевых функций, выражающих групповую и индивидуальные вероятности поражения цели. Установлено, что разработанные модель и алгоритм позволяют обеспечивать управление поведением релевантных прикладных многоагентных систем.
Страницы: 22-34
Список источников

 

  1. Городецкий В.И., Карсаев О.В., Самойлов В.В., Серебряков С.В. Прикладные многоагентные системы группового управления // Искусственный интеллект и принятие решений. 2009. № 2. С. 3-24.
  2. Куравский Л.С., Мармалюк П.А., Алхимов В.И., Юрьев Г.А. Математические основы нового подхода к построению процедур тестирования // Экспериментальная психология, 2012. Т. 5. № 4. С. 75-98.
  3. Куравский Л.С., Юрьев Г.А. Адаптивное тестирование как марковский процесс: модели и их идентификация // Нейрокомпьютеры: разработка и применение. 2011. № 2. С. 21-29.
  4. Марковские модели в задачах диагностики и прогнозирования: Учеб. пособие / Под ред. Л.С. Куравского. М.: РУСАВИА. 2013. 172 с.
  5. Овчаров Л.А. Прикладные задачи теории массового обслуживания. М.: Машиностроение. 1969. 324 с.
  6. Осипов Г.С. Динамические интеллектуальные системы // Искусственный интеллект и принятие решений. 2008. № 1. C. 47-54.
  7. Осипов Г.С. Методы искусственного интеллекта. М.: Физматлит. 2011. 296 с.
  8. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком. 2013. 384 с.
  9. Фон Нейман Дж. Теория самовоспроизводящихся автоматов. М.: URSS. 2010. 384 с.
  10. Цетлин М.Л. Исследования по теории автоматов и моделированию биологических систем. М: Наука. 1969. 316 с.
  11. Kuravsky L.S., Marmalyuk P.A., Baranov S.N., Alkhimov V.I., Yuryev G.A., Artyukhina S.V. A New Technique for Testing Professional Skills and Competencies and Examples of its Practical Applications // Applied Mathematical Sciences. 2015. V. 9. № 21. Р. 1003-1026. http://dx.doi.org/10.12988/ams.2015.411899.
  12. Kuravsky L.S., Marmalyuk P.A., Yuryev G.A., Dumin P.N. A Numerical Technique for the Identification of Discrete-State Continuous-Time Markov Models // Applied Mathematical Sciences. 2015. V. 9. № 8. Р. 379-391. http://dx.doi.org/10.12988/ams.2015.410882.
  13. Kuravsky L.S., Marmalyuk P.A., Yuryev G.A., Belyaeva O.B., Prokopieva O.Yu. Mathematical Foundations of Flight Crew Diagnostics Based on Videooculography Data // Applied Mathematical Sciences. 2016. V. 10. № 30. Р. 1449-1466, http://dx.doi.org/10.12988/ams.2016.6122.