Розроблено стохастичну ігрову модель самоорганізації стратегій стохастичної гри мобільних агентів у вигляді циклічних поведінкових патернів, які складаються із узгоджених стратегій переміщення агентів у обмеженому дискретному просторі. Поведінковий патерн багатоагентної системи є візуалізованою формою впорядкованого пере- міщення агентів, яка виникає із їх початкового хаотичного руху в ході навчання стохастичної гри.
Розглянуто актуальну проблему самоорганізації стратегій стохастичної гри багатоагентної системи. Проявом самоорганізації є формування скоординованих поведінкових патернів групи мобільних агентів, наділених здатністю переміщуватися в обмеженому дискретному просторі.
Розглянуто актуальну проблему кластеризації онтологій для оптимізації операцій
інтелектуального опрацювання даних в умовах невизначеності, зумовленої неточністю
або неповнотою даних про предметну область. Кластеризація онтологій – це процес
автоматичного розділення множини онтологій на групи (кластери) на основі ступеня
їхньої подібності. Для розв’язування задачі кластеризації необхідно задати міри
близькості онтологій, вибрати або розробити алгоритм кластеризації та виконати
змістовну інтерпретацію результатів кластеризації.
Побудовано стохастичну ігрову модель прийняття рішень в ієрархічних системах з авторитарним стилем управління. Розроблено адаптивний рекурентний метод для розв’язування стохастичної гри в умовах апріорної невизначеності на основі стохастичної апроксимації умови доповняльної нежорсткості, яка описує розв’язки гри за Нешем у змішаних стратегіях. Виконано комп’ютерне моделювання стохастичної гри прийняття рішень в авторитарній ієрархічній системі зі структурою бінарного дерева. Досліджено вплив параметрів на збіжність ігрового методу.
Запропоновано ігровий метод формування коаліцій у мультиагентних системах. Розроблено адаптивний алгоритм для розв’язування стохастичної гри. Виконано комп’ютерне моделювання стохастичної гри. Вивчено вплив параметрів на збіжність ігрового методу формування коаліцій. Проаналізовано отримані результати.
Побудовано ігрову модель прийняття рішень в ієрархічних системах, які функціонують в умовах апріорної невизначеності. Розроблено адаптивний рекурентний метод та алгоритм розв’язування стохастичної гри. Виконано комп’ютерне моделювання стохастичної гри прийняття рішень в ієрархічній системі зі структурою бінарного дерева. Досліджено вплив параметрів на збіжність ігрового методу.
The problem of dynamic coordination of strategies of multiagent systems in the conditions of uncertainty on the basis of stochastic game model is solved. Dynamic coordination consists in system learning to generate the spatially-distributed periodic signals. The model of stochastic game is constructed, criteria of dynamic coordination of strategies are defined, a recurrent method, algorithmic and software support for the stochastic game solving are developed.
The problem of reinforcement learning of multiagent systems in the game formulation is considered. The Markovian model of stochastic game is constructed, criteria of game learning are formulated, the Q-method and corresponding algorithm of the stochastic game solving are described, results of computer realization of a Q-method are analyzed.
The adaptive game method of events synchronization in multiagent systems in the conditions of uncertainty is developed. The essence of a method consists in alignment of delays of approach of events on the basis of supervision of actions of the next players. The formulation of stochastic game is executed and game algorithm for its solving is developed. Influences of parameters on convergence of a game method are investigated by means of computer experiment.
Розроблена модель матричної стохастичної гри для прийняття рішень в умовах невизначеності. Запропоновано метод Q-навчання для розв’язування стохастичної гри з апріорі невідомими матрицями виграшів. Виконано формулювання ігрової задачі, описано марківський рекурентний метод та алгоритм для її розв’язування. Отримано та проаналізовано результати комп’ютерного моделювання стохастичної гри з Q-навчанням.