The neuroagent game model of collective decision-making in the conditions of uncertainty is developed. The formulation of stochastic game is executed. Adaptive learning methods of artificial neural networks without the teacher are used for the game solving. The convergence of neuroagent stochastic game is confirmed by results of computer experiment. Influences of parameters of game model on the neuroagent learning rate are investigated.
1. Опойцев В.И. Равновесие и устойчивость в моделях коллективного поведения / В.И. Опойцев. — М.: Наука, 1977. — 245 с.
2. Кини Р.Л. Принятие решений при многих критериях: предпочтения и замещения: Пер. с англ. под ред. И. Ф. Шахнова / Р.Л. Кини, X. Райфа. — M.: Радио и связь, 1981. — 560 с.
3. Подиновский В.В. Парето-оптимальные решения многокритериальных задач / В.В. Подиновский, В.Д. Ногин. — М.: Наука, 1982. — 256 с.
4. Ларичев О. И. Теория и методы принятия решений: Учеб. / Ларичев О.И. — М. : Логос, 2000. — 296 с.
5. Ситник В. Ф. Системи підтримки прийняття рішень: навч. посіб. / В.Ф. Ситник. — К.: КНЕУ, 2004. — 614 с.
6. Орлов А. И. Теория принятия решений: учебник / А. И. Орлов. — М.: Экзамен, 2006. — 573 с.
7. Дубовой В. М. Моделі прийняття рішень в управлінні розподіленими динамічними системами. Монографія / В. М. Дубовой, О. О. Ковалюк. — Вінниця: УНІВЕРСУМ-Вінниця, 2008. — 185 c.
8. Weiss G. Multiagent Systems. A Modern Approach to Distributed Artificial Intelligence / G. Weiss, editor. — Springer Verlag, Berlin, 1996. — 643 pp.
9. Городецкий В.И. Информационные технологии и многоагентные системы / В.И. Городецкий // Проблемы информатизации. — 1998. — Вып. 1. — С. 3 — 14.
10. Wooldridge M. An Introduction to Multiagent Systems / M. Wooldridge. — John Wiley & Sons, 2002. — 366 p.
11. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика / В.Б. Тарасов. — М.: Эдиториал УРСС, 2002. — 352 с.
12. Швецов А.Н. Агентно-ориентированные системы: от формальных моделей к промышленным приложениям / А.Н. Швецов. — Вологодский гос. технич. унив. — 101 c.: [Электрон. ресурс]. — http://www.ict.edu.ru/ft/005656/62333e1-st20.pdf.
13. Доманский В.К. Стохастические игры // Математические вопросы кибернетики / В.К. Доманский. — 1988. — № 1. — С. 26-49.
14. Назин А.В. Адаптивный выбор вариантов: Рекуррентные алгоритмы / А.В. Назин, А.С. Позняк. — М.: Наука, 1986. — 288 с.
15. Fudenberg D. The Theory of Learning in Games / D. Fudenberg, D.K. Levine. — Cambridge, MA: MIT Press, 1998. — 292 pp.
16. Трухаев Р.И. Модели принятия решений в условиях неопределенности / Р.И. Трухаев. — М.: Наука, 1981. — 257 с.
17. Уоссермен Ф. Нейрокомпьютерная техника / Ф. Уоссермен. — М. : Мир, 1992 г. — 240 с.
18. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений / А. Б. Барский. — М.: Финансы и статистика, 2004. — 176 с.
19. Хайкин С. Нейронные сети: полный курс / С. Хайкин. — М.: Вильямс, 2006. — 1104 с.
20. Злобин В. К. Нейросети и нейрокомпьютеры: учеб. пособие для студ. вузов / В. К. Злобин, В. Н. Ручкин. — СПб. : БХВ-Петербург, 2011. — 256 с.
21. Мулен Э. Теория игр с примерами из математической экономики / Э. Мулен. — М.: Мир, 1985. — 200 с.
22. Вазан М. Стохастическая аппроксимация / М. Вазан. — М.: Мир, 1972. — 295 с.
23. Невельсон М.Б. Стохастическая оптимизация и рекуррентное оценивание / М.Б. Невельсон, Р.З. Хасьминский. — М.: Наука, 1972. — 304 с.
24. Граничин О.Н. Введение в методы стохастической аппроксимации и оценивания: Учеб. пособие / О.Н. Граничин. — СПб.: Издательство С.-Петербургского университета, 2003. — 131 с.