Все выпуски

Врабо те предлагается универсальный метод построения агентных имитационных моделей сложных систем, предполагающий их компьютерную реализацию на языках объектноориентированного программирования. Метод определяет способ построения математических моделей агентов и их взаимодействия, а также описывает архитектуру комплекса программ для имитации динамики моделируемой системы. Эффективность предлагаемого метода иллюстрируется примерами его применения для моделирования сложных систем из двух областей: экономической (модель финансового рынка с неоднородными агентами) и биологической (пространственно-временная имитация взаимодействия биологических популяций).

Планирование вычислительных рабочих процессов, представленных направленными ациклическими графами (DAG), имеет ключевое значение для многих областей информатики, таких как облачные/edge задачи с распределенной рабочей нагрузкой и анализ данных. Сложность онлайнового планирования DAG усугубляется большим количеством вычислительных узлов, задержками передачи данных, неоднородностью (по типу и вычислительной мощности) исполнителей, ограничениями предшествования, накладываемыми DAG, и неравномерностью поступления задач. В данной статье представлен мультиагентный протокол локального голосования (MLVP) — новый подход, ориентированный на динамическое распределение нагрузки при планировании DAG в гетерогенных вычислительных средах, где исполнители представлены в виде агентов. MLVP использует протокол локального голосования для достижения эффективного распределения нагрузки, формулируя проблему как дифференцированное достижение консенсуса. Алгоритм вычисляет агрегированную метрику DAG для каждой пары исполнитель – узел на основе зависимостей между узлами, доступности узлов и производительности исполнителей. Баланс этих метрик как взвешенная сумма оптимизируется с помощью генетического алгоритма для вероятностного распределения задач, что позволяет добиться эффективного распределения рабочей нагрузки за счет обмена информацией и достижения консенсуса между исполнителями всей системы и, таким образом, улучшить время выполнения. Эффективность MLVP демонстрируется путем сравнения с современным алгоритмом планирования DAG и популярными эвристиками, такими как DONF, FIFO, Min-Min и Max-Min. Численное моделирование показывает, что MLVP достигает улучшения makepsan до 70% на определенных топологиях графов и среднего сокращения makepan на 23,99% по сравнению с DONF (современная эвристика планирования DAG) на случайно сгенерированном разнообразном наборе DAG. Примечательно, что масштабируемость алгоритма подтверждается ростом производительности при увеличении числа исполнителей и узлов графа.

Одной из особенностей беспилотных автомобильных транспортных средств является их способность к организованному движению в форме кластеров: последовательности движущихся с единой скоростью транспортных средств. Влияние образования и движения этих кластеров на динамику транспортных потоков представляет большой интерес. В настоящей работе предложена качественная имитационная модель кластерного движения беспилотных транспортных средств в гетерогенной транспортной системе, состоящей из двух типов агентов (транспортных средств): управляемых человеком и беспилотных. В основу описания временной эволюции системы положены правила 184 и 240 для элементарных клеточных автоматов. Управляемые человеком транспортные средства перемещаются по правилу 184 с добавлением случайного торможения, вероятность которого зависит от расстояния до находящегося впереди транспортного средства. Для беспилотных транспортных средств используется комбинация правил, в том числе в зависимости от типа ближайших соседей, в некоторых случаях независимо от расстояния до них, что привносит в модель нелокальное взаимодействие. При этом учтено, что группа последовательно движущихся беспилотных транспортных средств может сформировать организованный кластер. Исследовано влияние соотношения типов транспортных средств в системе на характеристики транспортного потока при свободномд вижении на круговой однополосной и двухполосной дорогах, а также при наличии светофора. Результаты моделирования показали, что эффект образования кластеров имеет существенное влияние при свободномдвиж ении, а наличие светофора снижает положительный эффект приблизительно вдвое. Также исследовано движение кластеров из беспилотных автомобилей на двухполосных дорогах с возможностью перестроения. Показано, что учет при перестроении беспилотными транспортными средствами типов соседних транспортных средств (беспилотное или управляемое человеком) положительно влияет на характеристики транспортного потока.

Данная работа предлагает новый подход к построению высокоточных маршрутов на основе данных от транспортных детекторов в пакете моделирования трафика SUMO. Существующие инструменты, такие как flowrouter и routeSampler, имеют ряд недостатков, таких как отсутствие взаимодействия с сетью в процессе построения маршрутов. Наш rlRouter использует мультиагентное обучение с подкреплением (MARL), где агенты — это входящие полосы движения, а окружающая среда — дорожная сеть. Добавляя в сеть транспортные средства с определенными маршрутами, агенты получают вознаграждение за сопоставление данных с детекторами транспорта. В качестве алгоритма мультиагентного обучения с подкреплением использовался DQN с разделением параметров между агентами и LSTM-слоем для обработки последовательных данных.

Поскольку rlRouter обучается внутри симуляции SUMO, он может лучше восстанавливать маршруты, принимая во внимание взаимодействие транспортных средств внутри сети друг с другом и с сетевой инфраструктурой. Мы смоделировали различные дорожные ситуации на трех разных перекрестках, чтобы сравнить производительность маршрутизаторов SUMO с rlRouter. Мы использовали среднюю абсолютную ошибку (MAE) в качестве меры отклонения кумулятивных данных детекторов и от данных маршрутов. rlRouter позволил добиться высокого соответствия данным с детекторов. Мы также обнаружили, что, максимизируя вознаграждение за соответствие детекторам, результирующие маршруты также становятся ближе к реальным. Несмотря на то, что маршруты, восстановленные с помощью rlRouter, превосходят маршруты, полученные с помощью инструментов SUMO, они не полностью соответствуют реальным из-за естественных ограничений петлевых детекторов. Чтобы обеспечить более правдоподобные маршруты, необходимо оборудовать перекрестки другими видами транспортных счетчиков, например, детекторами-камерами.

В данной статье рассматривается модель полностью роботизированного склада с глубокими стеллажами, предназначенного для хранения коробочных товаров. Основное внимание уделено оптимизации работы склада за счет дискретного мультиагентного моделирования движения шаттлов, выполняющих задачи по отгрузке и размещению коробок. Авторы исследуют различные стратегии размещения товаров в зонах склада, включая алгоритмы NCPA (Nearest Channel Positioning Algorithm), MECGP (Most Empty Channel Group Placement) и MFCGP (Most Filled Channel Group Placement), а также анализируют оптимальные схемы маршрутизации для заданной топологии.

Ключевым аспектом работы является определение оптимального количества шаттлов, обеспечивающего максимальную производительность склада. Результаты моделирования показывают, что увеличение числа роботов свыше 15 не приводит к значительному росту эффективности из-за учащения коллизий на пересечениях маршрутов. Кроме того, исследована динамика заполнения склада в течение 24 часов, что позволило выявить оптимальный уровень загруженности хранилища.

Разработанная модель позволяет не только оценивать производительность склада, но и оптимизировать распределение задач между роботами, минимизируя время обработки заказов. В перспективе планируется внедрение методов машинного обучения для дальнейшего улучшения управления складскими процессами.

В предлагаемой публикации используется объединение оптимизационного подхода общего равновесия, позволяющего объяснить поведение спроса, предложения и цен в экономике с несколькими взаимодействующими рынками, и мультиагентного имитационного подхода, формализующего поведение домашних хозяйств. Интегрирование двух этих подходов рассматривается на примере динамической стохастической модели, включающей теневой, неформальный и сектор домашних хозяйств, производящих блага для собственного потребления. Синтеза гентного подхода и подхода общего равновесия осуществляется с помощью компьютерной реализации рекурсивной обратной связи между микроагентами и макросредой. В предлагаемом исследовании для реализации взаимодействия микроагентов с макросредой используется один из самых популярных подходов, аппроксимирующий распределение доходов индивидуальных агентов дискретным и конечным набором моментов. Особенностью алгоритма реализации рекурсивной обратной связи является получение индивидуальных поведенческих функций микроагентов при их взаимодействии с макросредой, имитационное моделирование с помощью метода Монте-Карло индивидуальных доходов всей совокупности агентов с последующей агрегацией доходов. Параметры модели оцениваются с помощью байесовской эконометрики на статистических данных экономики России. Исходя изс равнения функций правдоподобия, сделан вывод, что исследуемая модель с неоднородными агентами более адекватно описывает эмпирические данные российской экономики. Поведение функций импульсного отклика основных переменных модели свидетельствует об антициклическом характере политики, связанной с наличием теневых секторов экономики (включая неформальный сектор и сектор производства домохозяйств) во время рецессий. Важным фактором является также то, что индивидуальность в поведении агентов способствует повышению эластичности предложения труда в исследуемых секторах экономики. Научной новизной исследования является объединение мультиагентного подхода и подхода общего равновесия для моделирования макроэкономических процессов на региональном и национальном уровне. Перспективы дальнейших исследований могут быть связаны с моделированием и компьютерной реализацией большего числа источников гетерогенности, позволяющих, в частности, описать поведение неоднородных групп агентов в секторах, связанных с производством товаров и услуг.