Intelligent multi-level decision-making system at the regional level: a conceptual approach
Table of contents
Share
QR
Metrics
Intelligent multi-level decision-making system at the regional level: a conceptual approach
Annotation
PII
S265838870020946-3-1
Publication type
Article
Status
Published
Authors
Gayane Beklaryan 
Occupation: Senior Researcher
Affiliation: CEMI RAS
Address: Moscow, Russian Federation, Nakhimovsky pr., 47
Abstract

This article presents a new conceptual approach to the development of an intelligent multi-level decision-making system (DMS) at the regional level. Examples of the developed simulation models are given and the possibilities of their practical application for the search for rational management decisions at the regional and sectoral levels are considered. An approach to the design of DMS is based on simulation modelling for economic planning at the level of the whole country, industries and sub-sectors of the economy, federal districts, separate regions of the Russian Federation, households and individuals involved in socio-economic processes considering the complex mechanism of their interaction is proposed.

Keywords
simulation modeling, regional economy, decision-making, system dynamics, agent-based modeling
Received
30.06.2022
Date of publication
05.07.2022
Number of purchasers
0
Views
201
Readers community rating
0.0 (0 votes)
Cite Download pdf
Additional services access
Additional services for the article
1

Введение

2 В настоящее время активно развивается новое направление, относящееся к созданию интеллектуальных систем управления региональными социально-экономическими системами [20, 21] с использованием методов и инструментов имитационного моделирования [3-6]. Среди наиболее перспективных подходов к построению подобных систем следует выделить методы системной динамики [3, 5, 8, 11, 12, 31], методы агентного [3, 4, 7, 15, 18, 40] и дискретно-событийного [3, 24, 26, 28] имитационного моделирования, а также генетические оптимизационные алгоритмы [9, 10, 30, 32, 33, 37], обеспечивающие возможность поиска наиболее предпочтительных альтернатив при решении многокритериальных оптимизационных задач региональных социально-экономических систем.
3 Методы системной динамики преимущественно применяются для моделирования потоковых процессов, например, для симуляции перераспределения инвестиционных и материальных потоков вертикально-интегрированной нефтяной компании (ВИНК) [6, 9, 10, 11, 12, 31], для управления распределением электроэнергии предприятиями ТЭК на региональном уровне [6, 23], с целью реализации системы стратегического планирования финансово-кредитной организации [8, 11], для исследования поведения системы-регион [20, 22, 29] при моделировании непрерывных транспортных потоков с использованием систем дифференциальных уравнений [37-39] и др. Важным преимуществом методов системной динамики является использование усредненного подхода (т.е. имитационная модель представляет собой систему одновременных конечно-разностных уравнений), что позволяет моделировать влияние множественных усиливающих и балансирующих обратных связей и лаговых зависимостей. Подобное преимущество позволяет рационально моделировать прогнозную динамику внешней среды и ее интегральные характеристики (например, ВВП, численность населения, прибыль предприятий, основные фонды по отраслям экономики и т. д.) при устойчивом (управляемом и детерминируемом) влиянии экономических агентов на систему в целом.
4 Методы агентного моделирования преимущественно используются для моделирования поведения систем, состоящих из ансамблей (популяций) взаимодействующих агентов с индивидуальными правилами принятия решений. В частности, подобные методы применяются для исследования социально-экономических последствий миграции [1, 2, 26, 27]; для моделирования поведения толпы при чрезвычайных ситуациях [3, 7, 36]; для управления сложными эколого-экономическими системами [34, 35]; для исследования поведения агентов-индивидуумов, в том числе, эффектов сегрегации и десегрегации населения с использованием моделей ограниченного соседства [15-17]; для моделирования агент-ориентированных транспортных систем [21]; для формирования оптимальной структуры занятости в результате индивидуального принятия решений со стороны агентов о выборе наиболее предпочтительных рабочих мест [16] и др.
5 Методы дискретно-событийного моделирования часто используются в комбинации с методами агентного моделирования (см. [19, 26, 28]), преимущественно для управления (диспетчеризации) дискретными потоками в соответствии с заданными правилами и алгоритмами. Подобный подход, в частности, позволяет оптимизировать процесс распределения потока кредитных заявок между андеррайтерами в коммерческом банке [19], управлять маршрутизацией агентов-пассажиров в аэропорту в зависимости от их состояния и доступности обслуживающих ресурсов [26], улучшить характеристики сложных производственных процессов, в которых агентами являются комплектующие и готовые изделия [28] и др.
6 Генетические оптимизационные алгоритмы, агрегированные по целевым функционалам и ограничениям с разработанными имитационными моделями, позволяют найти оптимальные значения управляющих параметров исследуемой системы, например: оптимальный портфель (набор) инвестиционных проектов ВИНК [9, 10]; требуемое количество создаваемых рабочих мест, их отраслевую структуру и пространственное распределение, обеспечивающие минимальный уровень сегрегации населения и высокие темпы экономического роста (темпы ВВП) [15]; относительные уровни заработной платы по отраслям экономики, обеспечивающие оптимальную структуру занятости [16]; оптимальные темпы ввода основных фондов, строительства жилья, школ, больниц для улучшения характеристик системы-регион [20] и др.
7 Данная работа нацелена на создание концептуального подхода к разработке интеллектуальной многоуровневой системы поддержки принятия решений (ССПР) на уровне регионов с использованием различных методов имитационного моделирования и эвристических оптимизационных алгоритмов (генетических алгоритмов).
8

Интеллектуальная система поддержки принятия решений

9 Концептуальная модель предлагаемой интеллектуальной многоуровневой системы поддержки принятия решений на уровне регионов представлена на рис. 1.
10

Рис. 1. Концептуальная модель интеллектуальной многоуровневой системы поддержки принятия решений на уровне регионов

11 Разработанная система поддержи принятия решений представляет собой единый комплекс моделей, позволяющих исследовать состояние социально-экономической системы (СЭС) от макроуровня (агрегированного) до индивидуального, то есть до уровня отдельных агентов. Созданная система состоит из семи встроенных модулей (подсистем):
  1. Регионально-отраслевая CGE-модель (вычисляемая модель общего экономического равновесия).
  2. Система и методика оценки эффективности производственных и инвестиционных характеристик регионов.
  3. Модель межрегиональных транспортных и миграционных потоков.
  4. Имитационная модель уровня федерального округа.
  5. Имитационная модель системы-регион.
  6. Агентная модель популяционной динамики региона и связанная с ней мультисекторная модель ограниченного соседства, обеспечивающая возможность оптимизации структуры занятости.
  7. Генетический оптимизационный алгоритм, предназначенный для поиска оптимальных значений управляющих параметров и используемый, в частности, для максимизации ВВП при минимальном уровне доли мигрантов в популяции.
Далее, в качестве примера приводится описание интеллектуальной системы поддержки принятия решений (рис. 1), построенной на основе разработанных ранее имитационных моделей.
12 Первая задача, которая была решена – это переход от укрупненных вычислимых моделей общего экономического равновесия (CGE-моделей) к регионально-отраслевым CGE-моделям. При этом обеспечивается возможность вычисления равновесных спроса и цен на уровне отдельных отраслей (например, отраслей ТЭК) для каждого региона и их сравнение с фактическими (как правило, неравновесными) значениями. Задача построения регионально-отраслевой CGE-модели была решена для электроэнергетики на региональном уровне в [23]. В результате были выявлены регионы, в которых цены на электричество существенно завышены (регионы Дальневосточного Федерального Округа (ДФО), Иркутская область, Красноярский край, Московская область и др.). Т. е. в этих регионах естественная монополия (государственные генерирующие и сбытовые компании) получает сверхприбыль. При этом, «бедные» потребители (регионы) субсидируют «богатых», что негативно влияет на региональную СЭС (Рис. 2).
13

Рис. 2. Регионально-отраслевая CGE-модель (на примере электроэнергетики)

14 Далее в работах в [13, 14] была разработана методика и система оценки производственных и инвестиционных характеристик регионов РФ. Данный подход использовался для оценки четырёх наиболее важных региональных характеристик: производительности труда (выпуск / труд), фондоотдачи (выпуск / фонды), инвестиционной привлекательности труда (инвестиции / труд) и инвестиционной привлекательности фондов (инвестиции / фонды). В результате, для каждого региона вычисляются баллы эффективности (для каждой из вышеперечисленных задач) с учётом средней отдачи отраслевого ресурса и при выполнении условий нормировки (рис. 3).
15 Предложенная методика была реализована в системе имитационного моделирования AnyLogic. Разработанная система, в частности, позволяет выявлять наиболее проблемные регионы с низкой эффективностью использования ресурсов (труда и фондов) в разрезе отдельных отраслей экономики (промышленности, сельского хозяйства, строительства, транспорта и связи). Это позволяет нам сфокусировать свое внимание именно на проблемных регионах. Такие регионы на рис. 3 закрашены красным цветом.
16

Рис. 3. Система и методика оценки эффективности производственных и инвестиционных характеристик регионов РФ

17 Следующим этапом является моделирование транспортных и миграционных потоков на региональном уровне (рис. 4). В результате можно ответить на важный вопрос – «является ли снижение производственной эффективности следствием ограничений транспортной инфраструктуры?». В результате ранее проведенного исследования [21], подтверждается наличие существенного дефицита в развитии сети железных дорог, связывающих соседние населенные пункты (соседние регионы). Подобный дефицит ограничивает экспортные возможности регионов, и он может быть преодолен только за счет масштабных государственных инвестиций в транспортную систему.
18

Рис. 4. Имитационное моделирование транспортных и миграционных потоков по регионам РФ

19 Далее делается попытка улучшения характеристик региональной СЭС за счёт управления на уровне отдельных федеральных округов с использованием имитационной модели. В [22] описана реализация такой модели на примере Дальневосточного Федерального Округа (рис. 5). В качестве управляющих параметров используются темпы инвестиций в основные фонды, темпы роста заработной платы, дотации из федерального бюджета и др.
20

Рис. 5. Имитационная модель федерального округа (на примере ДФО)

21 Вместе с тем, управление параметрами СЭС на уровне федерального округа в целом может быть недостаточно эффективным из-за региональной специфики (отдельные регионы ДФО остаются «красными» и «желтыми»). Подобная модель позволяет визуализировать текущее и прогнозное состояние регионов на основе интегральной балльной оценки, зависящей от эффективности использования производственных ресурсов (рис. 5). В результате, можно выявить проблемный (т. е. «красный») регион, и осуществить переход к индивидуальной имитационной модели, позволяющей улучшать характеристики выбранного региона (рис. 6). Таким образом, была разработана имитационная модель системы-регион, реализованная на примере Красноярского края [20].
22

Рис. 6. Имитационная модель системы-регион: панель управления

23 Имитационная модель региона реализована с использованием методов системной динамики. В модели есть следующие важные блоки: «Численность населения», «Динамика выпуска», «Строительство жилья», «Здравоохранение», «Образование», «Уровень жизни и социальная сфера», «ЖКХ». Между ключевыми характеристиками этих блоков имеются прямые и обратные связи. Это позволяет, к примеру, учесть связь между ростом уровня благосостояния, динамикой численности населения, изменением численности трудовых ресурсов, динамикой выпуска и ВВП региона (ВРП), который рассматривается в качестве целевой функции системы (рис. 7).
24

Рис. 7. Имитационная модель системы-регион: схема потоков

25 Имитационная модель системы-регион, представленная на рис. 7, подробно описана в работе [20]. Подобная модель реализована с использованием системы конечно-разностных уравнений (см. «резервуары и потоки» на рис. 7), описывающих динамику соответствующих ресурсов (например, основных фондов, трудовых ресурсов, количества детских садов, школ, ВУЗов, больниц и т. д.) и связанных с ними результирующих характеристик (например, объема выпуска по отраслям экономики, коэффициентов фертильности и смертности и т. д.). Существенным недостатком потоковой модели (рис. 7), является исключение влияния личной системы принятия решений со стороны агентов-индивидуумов, осуществляющих самостоятельный выбор наиболее предпочтительных рабочих мест (с учётом уровня заработной платы, требуемой квалификации и т. д.). Поэтому, необходима интеграция потоковой системно-динамической модели региона с агент-ориентированной моделью, в которой структура занятости является эндогенной характеристикой, зависящей от поведения агентов, занимающих рабочие места.
26 В результате, для прогнозирования численности населения и определения структуры занятости в регионе используется агентная популяционная модель [1, 2, 26, 27] (рис. 8). Она учитывает возможность привлечения агентов-мигрантов (как следствие «гравитационного эффекта» [27]), их ассимиляцию с коренными жителями (как результат контактов с местными жителями [1, 2]), повышение уровня образования агентов и их распределение по отраслям экономики (как результат индивидуального выбора наиболее предпочтительных рабочих мест [16]). Таким образом, обеспечивается возможность прогнозирования структуры занятости в экономике региона.
27

Рис. 8. Агентная модель популяционной динамики региона

28 Использование мультисекторной модели ограниченного соседства [15, 16] в комбинации с предложенным генетическим алгоритмом позволяет также определить оптимальную структуру занятости (рис. 9).
29

Рис. 9. Мультисекторная модель ограниченного соседства

30 Для решения оптимизационной задачи в работе [37] был предложен новый генетический алгоритм (F-RCGA). Данный алгоритм, агрегирован с имитационной моделью системы-регион по целевому функционалу, и позволяет находить субоптимальные решения в условиях большой размерности пространства искомых переменных с высокой точностью получаемых результатов (рис. 10). Таким образом с использованием предложенного генетического алгоритма была решена важная задача по оптимизации характеристик системы-регион на примере Красноярского края и получены субоптимальные значения управляющих параметров модели, обеспечивающие максимизацию ВРП, минимизацию доли мигрантов и оптимизацию структуры занятости [16].
31

Рис. 10. Блок-схема предложенного генетического алгоритма (F-RCGA)

32 Схема интеграции разработанных имитационных моделей в единый программный комплекс представлена на рис. 11.
33

Рис. 11. Схема интеграции подмоделей в единую систему принятия решений

34 Предложенная схема, обеспечивающая непрерывное итерационное взаимодействие между разработанными подмоделями, гарантирует сбалансированность рассматриваемой экономической системы, в частности, учитывает необходимость реализации произведенной в регионах продукции при максимизации валового регионального продукта (за счет общего рынка товаров, услуг, а также равновесных цен, вычисляемых с помощью регионально-отраслевой CGE-модели). При этом, на первом шаге оценивается расхождение между равновесными (общественно оптимальными) и фактическими ценами на энергоресурсы (рис. 11). На втором шаге осуществляется расчет баллов эффективности производственных и инвестиционных характеристик по регионам РФ. Далее, посредством ранжирования и кластеризации определяются проблемные регионы с низкими баллами эффективности, в том числе, в разрезе конкретных отраслей экономики и факторов производства, а также полученных результатов экономической деятельности. Среди причин, которые приводят к низкому уровню производственной эффективности, могут быть завышенные цены на энергоресурсы (например, на электроэнергию). Поэтому, с помощью регионально-отраслевой CGE-модели можно улучшить производственный потенциал подобных регионов за счёт ценового регулирования. С другой стороны, причина недостаточной эффективности регионов может быть обусловлена низкой производительностью труда, невысокой фондоотдачей и др. Поэтому, разработанная система оценки производственных и инвестиционных характеристик РФ, позволяет определить баллы эффективности по отраслям и видам используемых ресурсов с учётом среднеотраслевой отдачи, т.е. установить конкретную причину, связанную с факторами производства. Далее, с помощью имитационной модели транспортных и миграционных потоков осуществляется попытка улучшения региональных характеристик (например, ВРП) за счёт увеличения экспортных возможностей регионов на федеральном уровне (т.е. строительства новых транспортных коммуникаций) и перераспределения трудовых ресурсов (т.е. привлечение мигрантов). Поскольку возможности федерального центра ограничены, может потребоваться использование имитационной модели уровня федерального округа, с помощью которой посредством выравнивания заработных плат, пенсий, темпов инвестиций в основные фонды и др., можно добиться улучшения региональных характеристик. Тем не менее, даже после выравнивания значений управляющих параметров, отдельные регионы в силу своей специфики не могут улучшить свои производственные и другие социально-экономические характеристики. Поэтому, для подобных субъектов РФ используется разработанная имитационная системы-регион, включающая существенно более широкий перечень управляющих параметров (например, темпы жилищного строительства; открытие новых школ, больниц; темпы инвестиций по отраслям экономики и др.). Но даже в рамках такой подробной модели не всегда удается обеспечить целевой уровень структуры занятости региона, являющийся ключевым фактором экономического роста. Поэтому имитационная модель системы-регион интегрирована с предложенной агентной моделью популяционной динамики региона и предложенным генетическим оптимизационным алгоритмом. Подобная интеграция позволяет получить оптимальную структуру занятости при решении однокритериальных и многокритериальных оптимизационных задач региона (например, максимизировать темпы ВРП и минимизировать долю привлеченных мигрантов).
35

Заключение

36 В данной статье представлен новый концептуальный подход к разработке интеллектуальной многоуровневой системы поддержки принятия решений (ССПР) на уровне регионов. Подобная СППР может быть рекомендована для органов государственного регулирования в качестве инструмента поиска наилучших стратегических решений, учитывающих региональную специфику и дифференциацию.
37 Дальнейшим направлением исследований является развитие программного-методического комплекса по управлению характеристиками системы-регионы.

References

1. Агентное моделирование социально-экономических последствий миграции при государственном регулировании занятости / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян [и др.] // Экономика и математические методы. – 2022. – Т. 58, № 1. – с. 113-130.

2. Агентное моделирование популяционной динамики двух взаимодействующих сообществ: мигрантов и коренных жителей / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян [и др.]  // Экономика и математические методы. – 2020. – Том 56, № 2. – с. 5-19.

3. Акопов, А. С. Имитационное моделирование: учебник и практикум для академического бакалавриата / А. С. Акопов ; Серия: Бакалавр. Академический курс.– Москва : Издательство Юрайт, 2018. – 389 с.

4. Акопов, А. С. Агентное моделирование: учебно-методическое пособие / А. С. Акопов, Н. К. Хачатрян. – Москва : ЦЭМИ РАН, 2016. – 76 с.

5. Акопов, А. С. Системная динамика: учебно-методическое пособие / А. С. Акопов, Н. К. Хачатрян. – Москва : ЦЭМИ РАН, 2014. – 70 с.

6. Акопов, А. С. Проблемы управления субъектом ТЭК в современных условиях / А. С. Акопов. – Москва : ЦЭМИ РАН, 2004. – 247 с.

7. Акопов, А. С. Агентная модель поведения толпы при чрезвычайных ситуациях / А. С. Акопов, Л. А. Бекларян // Автоматика и телемеханика. – 2015, № 10 – с. 131–143.

8. Акопов, А. С. Системно-динамическое моделирование стратегии банковской группы / А. С. Акопов // Бизнес-информатика. – 2012. – № 2 (20). – с. 10-19.

9. Акопов, А. С. К вопросу проектирования интеллектуальных систем управления сложными организационными структурами. Ч1. Математическое обеспечение системы управления инвестиционной деятельностью вертикально-интегрированной нефтяной компании / А. С. Акопов // Проблемы управления. – 2010. – № 6. – с. 12-18.

10. Акопов, А. С. К вопросу проектирования интеллектуальных систем управления сложными организационными структурами. Ч. 2. Программная реализация системы управления инвестиционной деятельностью вертикально-интегрированной нефтяной компании / А. С. Акопов // Проблемы управления. – 2011. – № 1. – с. 47-54.

11. Акопов, А. С. Интеллектуальные гибридные системы управления деятельностью вертикально-интегрированными организационными структурами / А. С. Акопов, Г. Л. Бекларян. – Сер. WP/2009/267 Препринт. – Москва : ЦЭМИ РАН, 2016. – 53 с.

12. Акопов, А. С. Системно-динамический подход в управлении инвестиционной деятельностью нефтяной компании / А. С. Акопов // Аудит и финансовый анализ. – 2006. – № 2. – с. 165-200.

13. Акопов, А. С. Сравнительный анализ производственных и инвестиционных характеристик нефтедобывающей и нефтеперерабатывающей отраслей экономики по регионам РФ, а также нефтяных компаний / А. С. Акопов, Г. Л. Бекларян, Л. А. Бекларян // Аудит и финансовый анализ. – 2005. – № 1. – c. 67-72.

14. Акопов, А. С. Сравнительный анализ производственных и инвестиционных характеристик отраслей ТЭК по регионам РФ / А. С. Акопов, Г. Л. Бекларян // Экономическая наука современной России. – 2004. – № 1. – c. 121-128.

15. Акопов, А. С. Мультисекторная модель ограниченного соседства: сегрегация агентов и оптимизация характеристик среды / А. С. Акопов, Л. А. Бекларян, А. Л. Бекларян // Математическое моделирование. – 2021. – Т. 33, № 11. – c. 95-114.

16. Акопов, А. С. Оптимизация структуры занятости с использованием мультисекторной модели ограниченного соседства / А. С. Акопов, Г. Л. Бекларян // Вестник ЦЭМИ РАН. – 2022. – T. 5, Выпуск 1. –URL: https://cemi.jes.su/s265838870019919-3-1/ (дата обращения: 13.06.2022).

17. Акопов, А. С. Сегрегация агентов в секторальной модели ограниченного соседства / А. С. Акопов, Л. А. Бекларян // Вестник ЦЭМИ РАН. – 2021. – T. 4, Выпуск 2. – URL: https://cemi.jes.su/s265838870016760-9-1/  (дата обращения 25.04.2022).

18. Бахтизин, А. Р. Агент-ориентированные модели экономики / А. Р. Бахтизин. – Москва : Экономика, 2008. – 279 с.

19. Бекларян, A. Л. Имитационная модель оптимального распределения потока кредитных заявок для межрегионального центра андеррайтинга коммерческого банка / A. Л. Бекларян, А. С. Акопов // Вестник компьютерных и информационных технологий. – 2018. – Т. 11, № 173. – с. 46-56.

20. Бекларян, Г. Л. Имитационная модель региона в применении к анализу экономики Красноярского края / Г. Л. Бекларян // Экономика и математические методы. – 2019. – Т. 55, № 3. – с. 47-61.

21. Бекларян, Г. Л. Агентное моделирование межрегиональных железнодорожных грузоперевозок / Г. Л. Бекларян, А. С. Акопов // Аудит и финансовый анализ. – 2019. – № 1. – c. 39-54.

22. Бекларян, Г. Л. Система поддержки принятия решений для устойчивого экономического развития дальневосточного федерального округа / Г. Л. Бекларян // Бизнес-информатика. – 2018. – Т. 4, № 46. – c. 66-75.

23. Бекларян, Г. Л. Анализ эффективности регулирующей политики государства с помощью региональной модели CGE поведения естественных монополий (на примере электроэнергетики) / А. С. Акопов, Г. Л. Бекларян // Экономическая наука современной России. – 2005. – Т. 4, № 31. – c. 130-139.

24. Имитационное моделирование системы "умный город": концепция, методы и примеры / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян [и др.] // Национальные интересы: приоритеты и безопасность. – 2019. – Т. 15, № 2 – c. 200-224.

25. Моделирование миграционных и демографических процессов с использованием FLAME GPU / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян [и др.] // Бизнес-информатика. – 2022. –Т. 16, № 1. – c. 7-21.

26. Разработка программной платформы для крупномасштабного агент-ориентированного моделирования сложных социальных систем / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян [и др.] // Программная инженерия. – 2019. – Т. 10, № 4. – с. 167-177.

27. Укрупненная агент-ориентированная имитационная модель миграционных потоков стран Европейского Союза / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян [и др.] // Экономика и математические методы. – 2019. – Т. 55, № 1. – с. 3-15.

28. Цифровой завод: методы дискретно-событийного моделирования и оптимизации производственных характеристик / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян [и др.] // Бизнес-информатика. – 2021. – Т. 15, № 2. – c. 7-20. 

29. Akopov, A. S. Modelling the dynamics of the “Smarter Region” / A. S. Akopov, G. L. Beklaryan // in: Proceedings of 2014 IEEE Conference on Computational Intelligence for Financial Engineering & Economics. L. : IEEE. – 2014. – pp. 203-209.

30. Akopov, A. S. Parallel genetic algorithm with fading selection / A. S. Akopov // International Journal of Computer Applications in Technology. – 2014. – Vol. 49, No. 3/4. –pp. 325-331.

31. Akopov, A. S. Designing of integrated system-dynamics models for an oil company / A. S. Akopov // International Journal of Computer Applications in Technology. – 2012. – Vol. 45, No. 4. – pp. 220-230.

32. Akopov, A. S. Simulation-Based Optimisation for Autonomous Transportation Systems Using a Parallel Real-Coded Genetic Algorithm with Scalable Nonuniform Mutation / A. S. Akopov, L. A. Beklaryan, A. L. Beklaryan // Cybernetics and Information Technologies. – 2021. – Vol. 21, No. 3. – pp. 127-144.

33. Akopov, A. S. Parallel multi-agent real-coded genetic algorithm for large-scale black-box single-objective optimisation / A. S. Akopov, L. A. Beklaryan, M. Thakur, D. B. Verma  // Knowledge-Based Systems. – 2019. – Vol. 174, – pp. 103-122.

34. Akopov, A. S. Agent-based modelling of interactions between air pollutants and greenery using a case study of Yerevan, Armenia / A. S. Akopov, L. A Beklaryan, A. K. Saghatelyan // Environmental Modelling and Software. – 2019. – Vol. 116. – pp. 7-25.

35. Akopov, A. S. Agent-based modelling for ecological economics: A case study of the Republic of Armenia / A. S. Akopov, L. A. Beklaryan, A. K. Saghatelyan // Ecological Modelling. – 2017. – Vol. 346. – pp. 99-118.

36. Beklaryan, A. L.  Simulation of Agent-rescuer Behaviour in Emergency Based on Modified Fuzzy Clustering // A. L. Beklaryan, A. S. Akopov // in: AAMAS'16: Proceedings of the 2016 International Conference on Autonomous Agents & Multiagent Systems. Richland: International Foundation for Autonomous Agents and Multiagent Systems. – 2016. – pp. 1275-1276.

37. Beklaryan, G. L. Optimisation of system dynamics models using a real-coded genetic algorithm with fuzzy control / G. L. Beklaryan, A. S. Akopov, N. K. Khachatryan // Cybernetics and Information Technologies. – 2019. – Т. 19. № 2. – pp. 87-103.

38. Khachatryan, N. K. About quasi-solutions of traveling wave type in models for organizing cargo transportation / N. K. Khachatryan, A. S. Akopov, F. A. Belousov // Business Informatics. – 2018. – Vol. 1, № 43. – pp. 61-70.

39. Khachatryan, N. K. Model for organizing cargo transportation with an initial station of departure and a final station of cargo distribution / N. K. Khachatryan, A. S. Akopov // Business Informatics. 2017. – Vol. 1, № 39. – pp. 25-35.

40. Makarov, V. L. Agent-based modeling for a complex world. M.: Scientific publications department / V. L. Makarov, A. R. Bakhtizin, J. M. Epstein. – 2nd edition, revised. – Moscow: Scientific publications department, GAUGN, 2022. – 74 p.

Comments

No posts found

Write a review
Translate