350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №1 за 2018 г.
Статья в номере:
Представление общих закономерностей поведения многоагентной системы с помощью ее макропараметров
Тип статьи: научная статья
УДК: 51.77
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:

Разработан метод вероятностного прогнозирования макропараметров, представляющих общие закономерности поведения прикладной многоагентной системы. Динамика поведения этой системы, представляющей игровое взаимодействие множества агентов и цели, описывается марковским случайным процессом с дискретными состояниями и дискретным временем, выражается в терминах удобных для интерпретации и практического контроля макропараметров и вычисляется по общим характеристикам начальных условий. Вероятностная модель поведения данной системы обобщена на случай подвижной цели и дополнена формулами для динамического расчета распределений вероятностей поражения цели агентами и агентов целью.

Страницы: 13-25
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., Попков С.И. Вероятностная модель поведения прикладной многоагентной системы // Нейрокомпьютеры: разработка и применение. 2016. № 9. С. 22–34. 
  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. Осипов Г.С. Динамические интеллектуальные системы // Искусственный интеллект и принятие решений. 2008. № 1. C. 47–54. 
  6. Осипов Г.С. Методы искусственного интеллекта. М.: Физматлит. 2011. 296 с. 
  7. Aras R., Dutech A., Charpillet F. Cooperation through communication in decentralized Markov games. In International Conference on Advances in Intelligent Systems // Theory and Applications – AISTA’2004. LuxembourgKirchberg/Luxembourg. 2004. 
  8. Boutilier C. Planning, learning and coordination in multiagent decision processes // In Proceedings of the 6th conference on Theoretical aspects of rationality and knowledge, Morgan Kaufmann Publishers Inc. 1996. P. 195–210. 
  9. Claus C., Boutilier C. The dynamics of reinforcement learning in cooperative multiagent systems // In Proceedings of the National Conference on Artificial Intelligence, John Wiley & Sons Ltd. 1998. P. 746–752. 
  10. Kuravsky L.S., Popkov S.I., Artemenkov S.L. An applied multi-agent system within the framework of a player-centered probabilistic computer game // International Journal of Modeling, Simulation, and Scientific Computing. 2017. V. 8. № 4. https://doi.org/10.1142/S1793962317500635. 
  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. 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 ContinuousTime Markov Models. Applied Mathematical Sciences. 2015. V. 9. № 8. P. 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. P. 1449–1466. http://dx.doi.org/10.12988/ams.2016.6122. 
  14. Miikkulainen R. Creating Intelligent Agents in Games. 2006. The Bridge: 5–13. 
  15. Owen G. Game Theory. Academic Press. 1995. 
  16. Read M., Möslinger Ch., Dipper T., Kengyel D., Hilder J., Thenius R., Tyrrell A., Timmis J., Schmickl T. Profiling Underwater Swarm Robotic Shoaling Performance using Simulation // In Proceedings of TAROS 2013. 2013. P. 456–462. 
  17. Snodgrass S., Ontanon S. A hierarchical mdmc approach to 2d video game map generation // In Eleventh Artificial Intelligence and Interactive Digital Entertainment Conference. 2015.
Дата поступления: 4 августа 2017 г.