On the development of agent-based models for the transition to the digital economy

Akopov, Andranik; Beklaryan, Gayane

doi:10.33276/S265838870011661-0

English

Home>Issue 2>On the development of agent-based models for the transition to the digital economy

On the development of agent-based models for the transition to the digital economy

Table of contents

Annotation Estimate Publication content

References Comments

On the development of agent-based models for the transition to the digital economy

Annotation

PII

S265838870011661-0-1

DOI

10.33276/S265838870011661-0

Publication type

Article

Status

Published

Authors

Andranik Akopov Send message

Occupation: Chief Researcher
Affiliation: CEMI RAS
Address: Moscow, Nakhimovsky Prospect 47

Gayane Beklaryan

Occupation: Senior Research Scholar
Affiliation: CEMI RAS
Address: Moscow, Nakhimovsky Prospect 47

Edition

Volume 3 Issue 2

Abstract

This article presents a new approach to the development of agent-based models for the transition to the digital economy based on the creation of so-called "digital twins" for regions, industries, enterprises and artificial communities in order to form effective management decisions aimed at the evolutionary development of relevant systems. The concept of designing decision-making systems based on the integration of simulation models, algorithms for agents clustering and optimization of environmental characteristics is proposed. The implementation of such a concept is possible with the use of simulation models, supercomputer technologies, multidimensional databases and data warehouses, artificial intelligence and machine learning methods, etc. An example of a developed agent-based model designed, in particular, for modeling the internal dynamics of a "digital region" is given.

Keywords

agent-based modelling, digital twins, cluster-based technique, artificial societies

Acknowledgment

The reported study was funded by RFBR according to the research project №19-010-00958

Received

18.09.2020

Date of publication

08.10.2020

Number of purchasers

Views

1778

Readers community rating

0.0 (0 votes)

Cite Download pdf

GOST	Akopov A., Beklaryan G. On the development of agent-based models for the transition to the digital economy // Herald of CEMI. – 2020. – V. 3. – Issue 2. URL: https://cemi.jes.su/s265838870011661-0-1/. DOI: 10.33276/S265838870011661-0
MLA	Akopov, Andranik, Beklaryan, Gayane "On the development of agent-based models for the transition to the digital economy." Herald of CEMI. 3.2 (2020). DOI: 10.33276/S265838870011661-0
APA	Akopov A., Beklaryan G. (2020). On the development of agent-based models for the transition to the digital economy. Herald of CEMI. vol. 3, no. 2 DOI: 10.33276/S265838870011661-0

Additional services access

Additional services for the article

Services benefits

100 RUB / 1.0 SU

Additional services for all issues for 2020

Services benefits

1200 RUB / 24.0 SU


1	1. Введение	<strong>1. </strong><strong>Введение</strong> <strong>1. </strong><strong>Введение</strong>

2	В настоящее время актуализируется задача перехода к цифровой экономике, в которой принятие решений и взаимодействие экономических агентов будет реализовываться с использованием современных информационно-коммуникационных технологий на основе анализа больших данных в режиме реального времени. Типичным примером подобной трансформации, является внедрение беспилотных транспортных средств, взаимодействующих с использованием 5G сетей [1], разработка систем класса «умный город» [2], развитие интеллектуальных транспортных систем [3, 4], проектирование систем поддержки принятия решений социально-экономического и экологического планирования [5] и др.	В настоящее время актуализируется задача перехода к цифровой экономике, в которой принятие решений и взаимодействие экономических агентов будет реализовываться с использованием современных информационно-коммуникационных технологий на основе анализа больших данных в режиме реального времени. Типичным примером подобной трансформации, является внедрение беспилотных транспортных средств, взаимодействующих с использованием 5G сетей [1], разработка систем класса «умный город» [2], развитие интеллектуальных транспортных систем [3, 4], проектирование систем поддержки принятия решений социально-экономического и экологического планирования [5] и др. В настоящее время актуализируется задача перехода к цифровой экономике, в которой принятие решений и взаимодействие экономических агентов будет реализовываться с использованием современных информационно-коммуникационных технологий на основе анализа больших данных в режиме реального времени. Типичным примером подобной трансформации, является внедрение беспилотных транспортных средств, взаимодействующих с использованием 5G сетей [1], разработка систем класса «умный город» [2], развитие интеллектуальных транспортных систем [3, 4], проектирование систем поддержки принятия решений социально-экономического и экологического планирования [5] и др.

3	Вместе с тем, поведение реальных социально-экономических систем и связанных с ними агентов характеризуется сложными правилами, в том числе, учитывающими взаимную стратегию принятия решений (т.е., когда действия одного агента существенно зависят от действий других агентов [6, 7]). Таким образом, динамика подобных децентрализованных систем в существенной степени зависит как от индивидуального поведения каждого агента, так и от характеристик среды. У государства, выполняющего важнейшие регулирующие функции по управлению такой средой (посредством миграционной, фискальной, денежно-кредитной и др. политики) возникает потребность в апробации планируемых управленческих решений на виртуальных (компьютерных) моделях, именуемых, в частности, «цифровыми двойниками» реальных социально-экономических систем (предприятий, отраслей, регионов и др.).	Вместе с тем, поведение реальных социально-экономических систем и связанных с ними агентов характеризуется сложными правилами, в том числе, учитывающими взаимную стратегию принятия решений (т.е., когда действия одного агента существенно зависят от действий других агентов [6, 7]). Таким образом, динамика подобных децентрализованных систем в существенной степени зависит как от индивидуального поведения каждого агента, так и от характеристик среды. У государства, выполняющего важнейшие регулирующие функции по управлению такой средой (посредством миграционной, фискальной, денежно-кредитной и др. политики) возникает потребность в апробации планируемых управленческих решений на виртуальных (компьютерных) моделях, именуемых, в частности, «цифровыми двойниками» реальных социально-экономических систем (предприятий, отраслей, регионов и др.). Вместе с тем, поведение реальных социально-экономических систем и связанных с ними агентов характеризуется сложными правилами, в том числе, учитывающими взаимную стратегию принятия решений (т.е., когда действия одного агента существенно зависят от действий других агентов [6, 7]). Таким образом, динамика подобных децентрализованных систем в существенной степени зависит как от индивидуального поведения каждого агента, так и от характеристик среды. У государства, выполняющего важнейшие регулирующие функции по управлению такой средой (посредством миграционной, фискальной, денежно-кредитной и др. политики) возникает потребность в апробации планируемых управленческих решений на виртуальных (компьютерных) моделях, именуемых, в частности, «цифровыми двойниками» реальных социально-экономических систем (предприятий, отраслей, регионов и др.).

4	Впервые, понятие «цифрового двойника» введено в работе [8] и в настоящее время активно используется, в основном, применительно к разработке компьютерных моделей промышленных предприятий [9], финансовых корпораций [10], сложных производственных объектов, например, месторождений [11], систем железнодорожного транспорта [12], искусственных сообществ [13] и др. Разработка подобных цифровых двойников осуществляется с использованием методов системной динамики, агентного и эволюционного моделирования, эвристической оптимизации и машинного обучения [7].	Впервые, понятие «цифрового двойника» введено в работе [8] и в настоящее время активно используется, в основном, применительно к разработке компьютерных моделей промышленных предприятий [9], финансовых корпораций [10], сложных производственных объектов, например, месторождений [11], систем железнодорожного транспорта [12], искусственных сообществ [13] и др. Разработка подобных цифровых двойников осуществляется с использованием методов системной динамики, агентного и эволюционного моделирования, эвристической оптимизации и машинного обучения [7]. Впервые, понятие «цифрового двойника» введено в работе [8] и в настоящее время активно используется, в основном, применительно к разработке компьютерных моделей промышленных предприятий [9], финансовых корпораций [10], сложных производственных объектов, например, месторождений [11], систем железнодорожного транспорта [12], искусственных сообществ [13] и др. Разработка подобных цифровых двойников осуществляется с использованием методов системной динамики, агентного и эволюционного моделирования, эвристической оптимизации и машинного обучения [7].

5	Данная статья посвящена разработке системного подхода при создании «цифровых двойников» с использованием методов агентного моделирования на отраслевом, региональном, производственном и социальном уровнях. Особенностью предлагаемой концепции является интегрируемость всех звеньев единой системы принятия управленческих решений: агент-ориентированных моделей различных субъектов экономики, алгоритмов кластеризации агентов и оптимизации характеристик среды, многомерных баз данных и хранилищ данных, методов искусственного интеллекта и машинного обучения и др. В результате обеспечивается возможность поддержки принятия согласованных решений, учитывающих интересы ключевых агентов рассматриваемой социально-экономической системы.	Данная статья посвящена разработке системного подхода при создании «цифровых двойников» с использованием методов агентного моделирования на отраслевом, региональном, производственном и социальном уровнях. Особенностью предлагаемой концепции является интегрируемость всех звеньев единой системы принятия управленческих решений: агент-ориентированных моделей различных субъектов экономики, алгоритмов кластеризации агентов и оптимизации характеристик среды, многомерных баз данных и хранилищ данных, методов искусственного интеллекта и машинного обучения и др.<em> </em><em> </em>В результате обеспечивается возможность поддержки принятия согласованных решений, учитывающих интересы ключевых агентов рассматриваемой социально-экономической системы. Данная статья посвящена разработке системного подхода при создании «цифровых двойников» с использованием методов агентного моделирования на отраслевом, региональном, производственном и социальном уровнях. Особенностью предлагаемой концепции является интегрируемость всех звеньев единой системы принятия управленческих решений: агент-ориентированных моделей различных субъектов экономики, алгоритмов кластеризации агентов и оптимизации характеристик среды, многомерных баз данных и хранилищ данных, методов искусственного интеллекта и машинного обучения и др.<em> </em><em> </em>В результате обеспечивается возможность поддержки принятия согласованных решений, учитывающих интересы ключевых агентов рассматриваемой социально-экономической системы.

6	2. Метод	<strong>2. </strong><strong>Метод</strong> <strong>2. </strong><strong>Метод</strong>

7	Предлагаемый подход основан на построении интегрированной системы поддержки принятия решений, агрегирующей имитационные модели различных экономических субъектов (например, предприятий, отраслей, регионов), оптимизационных и аналитических модулей и др. (рис.1).	Предлагаемый подход основан на построении интегрированной системы поддержки принятия решений, агрегирующей имитационные модели различных экономических субъектов (например, предприятий, отраслей, регионов), оптимизационных и аналитических модулей и др. (рис.1). Предлагаемый подход основан на построении интегрированной системы поддержки принятия решений, агрегирующей имитационные модели различных экономических субъектов (например, предприятий, отраслей, регионов), оптимизационных и аналитических модулей и др. (рис.1).

8	Подпись к рисунку/медиа Рис. 1. Интегрированная системы поддержки принятия решений Рис. 1. Интегрированная системы поддержки принятия решений
9	Предлагаемая система поддержки принятия решений состоит из следующих важных компонент: Многомерная база данных (Хранилище данных), предназначенная для хранения исходных данных и результатов имитационного моделирования. Алгоритмы кластеризации агентов, генетические оптимизационные алгоритмы, как правило, реализованные на C++ и MPI и агрегированные по множественных характеристикам, в частности, целевым функционалам с имитационными моделями экономических субъектов (рис.1). Подобные алгоритмы позволяют исследовать эффекты пространственной сегрегации и оптимизировать характеристики среды [14]. Аналитические модули, предназначенные, в частности, для визуализации динамики агентов и сценариев типа «что будет, если?». Имитационные модели экономических субъектов («цифровые двойники»), предназначенные для моделирования динамики сложных социально-экономических систем, состоящих из множества взаимодействующих агентов. Примером подобной модели является разработанная агентная модель «цифрового двойника» региона (рис. 2).	Предлагаемая система поддержки принятия решений состоит из следующих важных компонент:<ul class="docx-publication-list"> <li><em>Многомерная база данных (Хранилище данных)</em>, предназначенная для хранения исходных данных и результатов имитационного моделирования.</li> <li><em>Алгоритмы кластеризации агентов, генетические оптимизационные алгоритмы, </em>как правило, реализованные на C++ и MPI и агрегированные по множественных характеристикам, в частности, целевым функционалам с имитационными моделями экономических субъектов (рис.1). Подобные алгоритмы позволяют исследовать эффекты пространственной сегрегации и оптимизировать характеристики среды [14]. <em> </em></li> <li><em>Аналитические модули, </em>предназначенные, в частности, для визуализации динамики агентов и сценариев типа «что будет, если?». </li> <li><em>Имитационные модели экономических субъектов</em> («цифровые двойники»), предназначенные для моделирования динамики сложных социально-экономических систем, состоящих из множества взаимодействующих агентов. Примером подобной модели является разработанная агентная модель «цифрового двойника» региона (рис. 2). </li></ul> Предлагаемая система поддержки принятия решений состоит из следующих важных компонент:<ul class="docx-publication-list"> <li><em>Многомерная база данных (Хранилище данных)</em>, предназначенная для хранения исходных данных и результатов имитационного моделирования.</li> <li><em>Алгоритмы кластеризации агентов, генетические оптимизационные алгоритмы, </em>как правило, реализованные на C++ и MPI и агрегированные по множественных характеристикам, в частности, целевым функционалам с имитационными моделями экономических субъектов (рис.1). Подобные алгоритмы позволяют исследовать эффекты пространственной сегрегации и оптимизировать характеристики среды [14]. <em> </em></li> <li><em>Аналитические модули, </em>предназначенные, в частности, для визуализации динамики агентов и сценариев типа «что будет, если?». </li> <li><em>Имитационные модели экономических субъектов</em> («цифровые двойники»), предназначенные для моделирования динамики сложных социально-экономических систем, состоящих из множества взаимодействующих агентов. Примером подобной модели является разработанная агентная модель «цифрового двойника» региона (рис. 2). </li></ul>

10	Подпись к рисунку/медиа Рис.2. Пример «цифрового двойника» региона в AnyLogic Рис.2. Пример «цифрового двойника» региона в AnyLogic
11	В модели, представленной на рис. 2, реализуется предложенный кластерно-ориентированный подход (см. рис. 1), в соответствии с которым агенты (люди) осуществляют поиск рабочего места в промышленном кластере условного региона (как правило, расположенного в центре), либо ищут работу в сельскохозяйственных кластерах (как правило, расположенных на периферии). Модель «цифрового двойника» региона позволяет исследовать динамику важнейших макроэкономических характеристик, например, темпов роста ВВП, численности населения и др. в зависимости от государственной регулирующей политики по отношению к пространственному развитию региона, нацеленному либо на его урбанизацию (развитие центра и концентрация трудовых ресурсов), либо на более равномерное создание рабочих мест в сельскохозяйственных отраслях экономики. Данная модель подробно описана в работе [15].	В модели, представленной на рис. 2, реализуется предложенный кластерно-ориентированный подход (см. рис. 1), в соответствии с которым агенты (люди) осуществляют поиск рабочего места в промышленном кластере условного региона (как правило, расположенного в центре), либо ищут работу в сельскохозяйственных кластерах (как правило, расположенных на периферии). Модель «цифрового двойника» региона позволяет исследовать динамику важнейших макроэкономических характеристик, например, темпов роста ВВП, численности населения и др. в зависимости от государственной регулирующей политики по отношению к пространственному развитию региона, нацеленному либо на его урбанизацию (развитие центра и концентрация трудовых ресурсов), либо на более равномерное создание рабочих мест в сельскохозяйственных отраслях экономики. Данная модель подробно описана в работе [15]. В модели, представленной на рис. 2, реализуется предложенный кластерно-ориентированный подход (см. рис. 1), в соответствии с которым агенты (люди) осуществляют поиск рабочего места в промышленном кластере условного региона (как правило, расположенного в центре), либо ищут работу в сельскохозяйственных кластерах (как правило, расположенных на периферии). Модель «цифрового двойника» региона позволяет исследовать динамику важнейших макроэкономических характеристик, например, темпов роста ВВП, численности населения и др. в зависимости от государственной регулирующей политики по отношению к пространственному развитию региона, нацеленному либо на его урбанизацию (развитие центра и концентрация трудовых ресурсов), либо на более равномерное создание рабочих мест в сельскохозяйственных отраслях экономики. Данная модель подробно описана в работе [15].

12	3. Заключение	<strong>3. </strong><strong>Заключение</strong> <strong>3. </strong><strong>Заключение</strong>

13	В данной статье, представлен новый подход к разработке агент-ориентированных моделей для перехода к цифровой экономике, основанный на создании, так называемых, «цифровых двойников» для регионов, отраслей, предприятий и искусственных сообществ с целью формирования эффективных управленческих решений, направленных на эволюционное развитие соответствующих систем. Предложена концептуальная модель интегрированной системы поддержки принятия решений (рис. 1), в которой имитационные модели экономических субъектов («цифровые двойники») интегрированы с алгоритмами кластеризации агентов и генетическими оптимизационными алгоритмами. Рассмотрен пример практической реализации подобного «цифрового двойника» в системе AnyLogic (рис. 2).	В данной статье, представлен новый подход к разработке агент-ориентированных моделей для перехода к цифровой экономике, основанный на создании, так называемых, «цифровых двойников» для регионов, отраслей, предприятий и искусственных сообществ с целью формирования эффективных управленческих решений, направленных на эволюционное развитие соответствующих систем. Предложена концептуальная модель интегрированной системы поддержки принятия решений (рис. 1), в которой имитационные модели экономических субъектов («цифровые двойники») интегрированы с алгоритмами кластеризации агентов и генетическими оптимизационными алгоритмами. Рассмотрен пример практической реализации подобного «цифрового двойника» в системе AnyLogic (рис. 2). В данной статье, представлен новый подход к разработке агент-ориентированных моделей для перехода к цифровой экономике, основанный на создании, так называемых, «цифровых двойников» для регионов, отраслей, предприятий и искусственных сообществ с целью формирования эффективных управленческих решений, направленных на эволюционное развитие соответствующих систем. Предложена концептуальная модель интегрированной системы поддержки принятия решений (рис. 1), в которой имитационные модели экономических субъектов («цифровые двойники») интегрированы с алгоритмами кластеризации агентов и генетическими оптимизационными алгоритмами. Рассмотрен пример практической реализации подобного «цифрового двойника» в системе AnyLogic (рис. 2).

14	Дальнейшие исследования будут направлены на создание комплекса «цифровых двойников» сложных социально-экономических систем: отраслей экономики, предприятий, регионов и др., с учетом внутренней иерархии взаимодействующих агентов. Реализация подобных крупномасштабных агент-ориентированных моделей потребует применения суперкомпьютерных технологий класса FLAME GPU [16].	Дальнейшие исследования будут направлены на создание комплекса «цифровых двойников» сложных социально-экономических систем: отраслей экономики, предприятий, регионов и др., с учетом внутренней иерархии взаимодействующих агентов. Реализация подобных крупномасштабных агент-ориентированных моделей потребует применения суперкомпьютерных технологий класса FLAME GPU [16]. Дальнейшие исследования будут направлены на создание комплекса «цифровых двойников» сложных социально-экономических систем: отраслей экономики, предприятий, регионов и др., с учетом внутренней иерархии взаимодействующих агентов. Реализация подобных крупномасштабных агент-ориентированных моделей потребует применения суперкомпьютерных технологий класса FLAME GPU [16].

References

1. Акопов А.С., Бекларян Л.А., Хачатрян Н. К., Бекларян А. Л., Кузнецова Е. В. Многовалентная система управления наземными беспилотными транспортными средствами // Информационные технологии. 2020. Т. 26. № 6. С. 342-353.

2. Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С. Имитационное моделирование системы «умный город»: концепция, методы и примеры // Национальные интересы: приоритеты и безопасность. 2019. Т. 15. № 2 (371). С. 200-224.

3. Хачатрян Н. К., Белоусов Ф.А., Бекларян Г.Л., Борисова С.В. Исследование динамики емкостей перегонов в модели организации грузоперевозок между двумя узловыми станциями // Бизнес-информатика. 2019. Т. 13. № 1. С. 59-70.

4. Akopov A., Khachatryan N., Belousov F. Influence Assessment of Intelligent Unmanned Ground Vehicles on the Transport Network State // Advances in Systems Science and Applications. 2020. Vol. 20. No. 2. pp. 44-55.

5. Акопов А.С., Бекларян А.Л., Thakur M., Verma D.B. Разработка параллельных генетических алгоритмов вещественного кодирования для систем поддержки принятия решений социально-экономического и экологического планирования // Бизнес-информатика. 2019. Т. 13. № 1. С. 33-44.

6. Акопов А. С., Хачатрян Н. К. Агентное моделирование: учебно-методическое пособие. ЦЭМИ РАН, 2016.

7. Акопов А.С. Имитационное моделирование. Учебник и практикум для академического бакалавриата. М.: Юрайт, 2014.

8. Saddik, A. El.. Digital Twins: The Convergence of Multimedia Technologies // IEEE MultiMedia. 2018. 25 (2): 87–92.

9. Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л. Разработка цифровых двойников для производственных предприятий // Бизнес-информатика. 2019. Т. 13. № 4. С. 7-16.

10. Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С. Разработка цифровых двойников для финансовых организаций // Аудит и финансовый анализ. 2019. № 5. С. 38-45.

11. Черняев Д.С., Намиот Д.Е. Роль цифровых технологий в разведке, добыче и транспортировке нефтегазовых продуктов. International Journal of Open Information Technologies. 2019. Т. 7. № 11. с. 79-85.

12. Куприяновский В.П., Аленьков В.В., Климов А.А., Соколов И.А., Зажигалкин А.В. Цифровая железная дорога - ERTMS, BIM, GIS, PLM и цифровые двойники // Современные информационные технологии и ИТ-образование. 2017. Т. 13. № 3. С. 129-166.

13. Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С., Ровенская Е.А., Стрелковский Н. Агентное моделирование популяционной динамики двух взаимодействующих сообществ: мигрантов и коренных жителей // Экономика и математические методы. 2020. Т. 56. № 2. С. 5-19.

14. Акопов А.С., Бекларян А.Л. Кластеризация агентов в модели ограниченного соседства // Искусственные общества. 2020. T. 15. Выпуск 3 [Электронный ресурс]. Доступ для зарегистрированных пользователей. URL: https://artsoc.jes.su/s207751800011151-5-1/ (дата обращения: 08.09.2020).

15. Бекларян Г.Л., Акопов А.С. Агентная модель цифрового двойника региона: кластерно-ориентированный подход // Аудит и финансовый анализ. 2020. № 3.

16. Richmond P. FLAME GPU Technical Report and User Guide, University of Sheffield, Department of Computer Science Technical Report CS-11-03. 2011. https://readthedocs.org/projects/flamegpu/downloads/pdf/latest/ (дата обращения: 08.09.2020).

Comments

No posts found

Write a review

Translate

References

Comments

Via social network