Economics and Mathematical MethodsEconomics and Mathematical MethodsЭкономика и математические методы0424-73883034-6177The Russian Academy of Sciences65333010.31857/S042473880027006-5ArticlesСтатьиResearch ArticleOptimization of behaviour strategies within the simulation model of a multi-agent socio-economic systemОптимизация стратегий поведения в имитационной модели многоагентной социально-экономической системыAkopovAndranick SumbatovichАкоповАндраник СумбатовичBeklaryanArmen LevonovichБекларянАрмен ЛевоновичCentral Economics and Mathematics Institute, Russian Academy of SciencesЦЭМИ РАНRussiaНациональный исследовательский университет «Высшая школа экономики»National Research University Higher School of Economics15092023593VOL 59, NO3 (2023)ТОМ 59, №3 (2023)11713103022025Copyright ©; 2023, Russian Academy of SciencesCopyright ©; 2023, Российская академия наук2023Russian Academy of SciencesРоссийская академия наукhttps://journals.eco-vector.com/0424-7388/article/view/653330

This article presents a new simulation model of a multi-agent socio-economic system (MA-SES), in which individual, including interproduct interactions are implemented. Within the MA-SES, the models of agent-producers and agents-consumers behaviour with their objective functions are studied. In particular, producers follow their own production strategies by choosing the moments for introducing new fixed assets and labour resources. Consumers participate in barter and monetary deals by interacting with other agents. The states of readiness of agents-producers to introduce new fixed assets and labour resources, as well as the states of readiness of agents-consumers to complete barter and monetary deals are set up for each time moment using lognormal distributions with given characteristics, which are the control parameters of the system. Important bi-objective optimisation problems are formulated for ensembles of agents-producers and agents-consumers. A new parallel hybrid genetic algorithm (MORCGA-MOPSO) was developed, in particular, providing the possibility of seeking the Pareto-optimal solutions for maximising the average (over an ensemble of agents) profit and the total number of agent-producers’ buyers, as well as maximising the average utility and monetary savings of agents-consumers. The parameters of log-normal distributions that determine the states of interacting agents that make individual decisions are computed. The features of the behavioural strategies of producers and consumers are determined, which make possible to achieve an improvement in the values of the objective functions through controlling the dynamics of the input of production resources and choosing the preferred types of interproduct interactions, in particular, barter, monetary etc.

В статье представлена новая имитационная модель многоагентной социально-экономической системы (МСЭС), в которой реализуются индивидуальные, в том числе межпродуктовые, взаимодействия. В рамках МСЭС изучаются модели поведения агентов-производителей и агентов-потребителей со своими целевыми функционалами. В частности, производители реализуют собственную производственную стратегию посредством выбора моментов времени для ввода новых основных фондов и трудовых ресурсов. Потребители участвуют в бартерных и монетарных сделках, взаимодействуя с другими агентами. Состояния готовности агентов-производителей вводить новые основные фонды и трудовые ресурсы, а также состояния готовности агентов-потребителей заключать бартерные и монетарные сделки задаются для каждого момента времени с помощью логнормальных распределений с заданными характеристиками, являющимися управляющими параметрами системы. Сформулированы важные двухкритериальные оптимизационные задачи для ансамблей агентов-производителей и агентов-потребителей. Разработан новый параллельный гибридный генетический алгоритм (MORCGA-MOPSO), обеспечивающий, в частности, возможность поиска оптимальных по Парето решений для задач максимизации средней (по ансамблю агентов) прибыли и общего числа покупателей продукции агентов-производителей, а также максимизации средней полезности и денежных накоплений агентов-потребителей. Вычислены параметры логнормальных распределений, определяющих состояния взаимодействующих агентов, принимающих индивидуальные решения. Выявлены особенности стратегий поведения производителей и потребителей, позволяющие достигать улучшения значений целевых функционалов за счет управления динамикой ввода производственных ресурсов и выбора предпочтительных типов межпродуктовых взаимодействий, в частности бартерных, монетарных и др. 

multi-agent socio-economic systemssimulation of economic processesinterproduct interactionsgenetic algorithmsparticle swarm optimizationmulticriteria optimizationмногоагентная социально-экономическая системамежпродуктовые взаимодействияимитационное моделирование экономических процессовгенетические алгоритмыметод роя частицмногокритериальная оптимизацияАганбегян А.Г., Вальтух К.К. (1974). Использование народно-хозяйственных моделей в планировании. М.: Экономика. 231 с.Акопов А.С., Бекларян Л.А., Бекларян А.Л. (2021). Мультисекторная модель ограничен-ного соседства: сегрегация агентов и оптимизация характеристик среды // Математи-ческое моделирование. Т. 33. № 11. C. 95–114.Ведута Н.И. (1999). Социально эффективная экономика. Под общей ред. Е.Н. Ведута. Mos-cow: РЭА. 254 с.Ершов Ю.С., Мельникова Л.В., Суслов В.И. (2009). Практика применения оптимизацион-ных мультирегиональных межотраслевых моделей в стратегических прогнозах россий-ской экономики // Вестник НГУ. Серия: Социально-экономические науки. Т. 9. № 4. C. 9–23.Леонтьев В.В. (1925). Баланс народного хозяйства СССР. Методологический разбор работы ЦСУ // Плановое хозяйство: Ежемесячный журнал. Издание Госплана СССР. № 12. С. 254–258.Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С., Ровенская Е.А., Стрелков-ский Н.В. (2022). Агентное моделирование социально-экономических последствий миграции при государственном регулировании занятости // Экономика и математические методы. Т. 58. № 1. С. 113–130.Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С., Ровенская Е.А., Стрелков-ский Н.В. (2020). Агентное моделирование популяционной динамики двух взаимодей-ствующих сообществ: мигрантов и коренных жителей // Экономика и математические методы. Т. 56. № 2. С. 5–19.Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С., Ровенская Е.А., Стрелков-ский Н.В. (2019). Укрупненная агент-ориентированная имитационная модель миграционных потоков стран Европейского союза // Экономика и математические методы. Т. 55. № 1. С. 3–15.Поспелов И.Г. (2018). Модель случайных продаж // Математические заметки. Т. 103. № 3. С. 445–459.Поспелов И.Г., Жукова А.А. (2012). Стохастическая модель торговли неликвидным това-ром // Труды МФТИ. Т. 2. № 4. С. 131–146.Суслов В.И., Доможиров Д.А., Ибрагимов Н.М., Костин В.С., Мельникова Л.В., Цыпла-ков А.А. (2016). Агент-ориентированная многорегиональная модель «затраты – вы-пуск» российской экономики // Экономика и математические методы. Т. 52. № 1. С. 112–131.Шатилов Н.Ф. (1967). Моделирование расширенного воспроизводства. М.: Экономика. 173 с.Akopov A.S., Beklaryan A.L., Zhukova A.A. (2023). Optimization of characteristics for a sto-chastic agent-based model of goods exchange with the use of parallel hybrid genetic algo-rithm. Cybernetics and Information Technologies, 23 (2), 87–104.Akopov A.S., Beklaryan L.A., Thakur M. (2022). Improvement of maneuverability within a mul-tiagent fuzzy transportation system with the use of parallel biobjective real-coded genetic algorithm. IEEE Transactions on Intelligent Transportation Systems, 23 (8), 12648–12664.Akopov A.S., Beklaryan L.A., Thakur M., Verma D.B. (2019). Parallel multi-agent real-coded genetic algorithm for large-scale black-box single-objective optimisation. Knowledge-Based Systems, 174, 103–122.Binh T., Korn U. (1997). MOBES: A multiobjective evolution strategy for constrained optimiza-tion problems. In: Proceedings of the Third International Conference on Genetic Algorithms. Czech Republic, 176–182.Deb K., Pratap A., Agarwal S., Meyarivan T. (2002a). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6 (2), 182–197.Deb K., Thiele L., Laumanns M., Zitzler E. (2002b). Scalable multi-objective optimization test problems. Proceedings of the 2002 IEEE Congress on Evolutionary Computation, 1, 825–830.Fonseca C.M., Fleming P.J. (1995). An overview of evolutionary algorithms in multiobjective optimization. Evolutionary Computation, 3 (1), 1–16.Holland J.H. (1992). Genetic Algorithms. Scientific American, 267 (1), 66–73.Jin Y. (2005). A comprehensive survey of fitness approximation in evolutionary computation. Soft Computing, (9), 3–12.Kennedy J. (1997). The particle swarm: Social adaptation of knowledge. Proceedings of IEEE In-ternational Conference on Evolutionary Computation, 303–308.Kiyotaki N., Wright R. (1989). On money as a medium of exchange. Journal of Political Econo-my, 97 (4), 927–954.Kursawe F. (1991). A variant of evolution strategies for vector optimization. PPSN I990. Lecture Notes in Computer Science. Springer, Berlin, Heidelberg, 496, 193–197.Lotov A.V., Bushenkov V.A., Kamenev G.K. (2004). Interactive decision maps. Approximation and visualization of the Pareto frontier. Boston: Kluwer Academic Publishers. 307 p.Lotov A.V., Miettinen K. (2008). Visualizing the Pareto Frontier. In: Multiobjective optimization. Interactive and evolutionary approaches, lecture notes in computer science, 5252. Berlin-Heidelberg: Springer, 213–244.Makarov V.L., Bakhtizin A.R., Epstein J.M. (2022). Agent-based modeling for a complex world. 2nd ed., revised. Moscow: GAUGN, Scientific publications department. 74 p.Poloni G., Giurgevich A., Onesti L., Pediroda V. (2000). Hybridization of a multi-objective ge-netic algorithm, a neural network and a classical optimizer for a complex design problem in fluid dynamics. Computer Methods in Applied Mechanics and Engineering, 186 (2–4), 403–420.Richmond P., Walker D., Coakley S., Romano D. (2010). High performance cellular level agent-based simulation with FLAME for the GPU. Briefings in Bioinformatics, 11 (3), 334–347.Xiaohui Hu, Eberhart R. (2002). Multiobjective optimization using dynamic neighborhood par-ticle swarm optimization. Proceedings of the 2002 Congress on Evolutionary Computation. CEC'02 (Cat, 02TH8600). Honolulu, HI, USA, 1677–1681.Zitzler E., Laumanns M., Thiele L. (2001). SPEA2: Improving the strength Pareto evolutionary algorithm. Swiss Federal Inst. Technol., Zürich, Switzerland, TIK-Rep. 103 p.Zitzler E., Thiele L. (1999). Multiobjective evolutionary algorithms: A comparative case study and the strength Pareto approach. IEEE Transactions on Evolutionary Computation, 3 (4), 257–271.