Агент-ориентированные модели (АОМ) и мультиагентные системы (МАС) могут использоваться для решения проблем во многих областях исследований – от естественных наук и информатики до экономики и социальных наук. Многие природные и социальные явления могут быть представлены в виде сложной имитации. Таким образом, с течением времени агентные модели и мультиагентные системы оказались действительно мощным инструментом в таких сферах, как экономика и торговля, здравоохранение, городское планирование и социальные науки. Кроме того, мультиагентная система может быть представлена как искусственное общество, аналогичное человеческому и состоящее из сущностей с характеристиками, сходными с человеческими, например, с точки зрения автономии и интеллекта. В основе АОМ лежит принцип объективной ориентированности, а также эволюции (обучения) агентов в процессе моделирования различных вариантов предлагаемых событий. Несмотря на всю кажущуюся простоту правил взаимодействия между агентами, получаемые результаты, как правило, неочевидны, а также вполне осмысленны и содержательны. АОМ могут быть разработаны как на микроуровне, так и представлять собой модели с множеством агентов на макроуровне. О концепции мультиагентных систем, которые сразу приобрели сторонников и поддержку как в научных кругах, так и индустриальных сообществах, впервые заговорили в середине 1980-х годов. За последние 30 лет методология создания МАС постоянно совершенствовалась: активно развивались технологии и инструменты для ее продвижения и использования при управлении крупномасштабными сетевыми структурами (такими, как оборонные комплексы, энергетика, здравоохранение, транспорт, логистика, управление городским хозяйством, коллективная робототехника и пр.). Область применения МАС обширна. Анализ реализованных МАС доказывает, что в настоящее время инструмент является самой передовой технологией для управления любыми объектами, построенными на принципах самоорганизации. Однако, несмотря на всю очевидность позитивных перспектив внедрения технологии АОМ, число примеров ее успешного применения на сегодняшний день мало. В связи с этим, для дальнейшего распространения инструментария особенно актуально создание новых площадок для обсуждения международного опыта и совершенствования подхода к имитационному моделированию в целом. Создание открытого консорциума по агент-ориентированному моделированию, а также работа по содействию в разработке и коммуникации, распространению результатов исследований, осуществлению образовательной деятельности в совокупности позволят внести вклад в развитие агент-ориентированного моделирования. Проведенные в работе анализ и обзор существующей методологии социального моделирования с использованием агент-ориентированного подхода в приложении к научно-техническому развитию, реализации НИОКР и поддержанию инновационного потенциала, показали, что модели, отличающиеся сложными многоуровневыми процессами и взаимодействиями агентов, обладают более емкими программными конструкциями, которые зависят в большей степени от «тонкой» настройки самих агентов. Такие модели могут содержать и использовать объемный набор данных и в области экономических исследований, как правило, направлены на анализ и прогнозирование различных социально-экономических процессов на макроуровне.

агент-ориентированное моделирование, имитационное моделирование, мультиагентные системы, научно-технический прогресс, НИОКР, R&D, S&D, инновационные разработки

1. Абрамов В.И., Евдокимов Д.С. Разработка комплексаагент-ориентированных моделей системы государственных закупок стран Евразийского континента // Проблемы теории и практики управления. 2019. С. 15–23.

2. Дьячук П.П., Дьячук П.П., Карабалыков С.А., Шадрин И.В. Диагностика неустойчивых когнитивных состояний активных агентов // Нейроинформатика2016: сборник научных трудов: в 3 частях. М.: Национальный исследовательский ядерный университет "МИФИ", 2016. С. 259–270.

3. Когаловский М.Р., Калиниченко Л.А. Концептуальное и онтологическое моделирование в информационных системах // Программирование. 2009. Т. 35. № 5. С. 3–25.

4. Макаров В.Л., Бахтизин А.Р. Социальное моделирование – новый компьютерный прорыв. Агенториентированные модели. М.: Экономика, 2013. 295 с.

5. Макаров В.Л., Бахтизин А.Р., Сушко Е.Д., Абрамов В.И. Компьютерноемоделирование в управлении экономикой (методологическая основа длястратегического планирования) // Государственный аудит. Право. Экономика. 2017. № 3.

6. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002. 352 с.

7. Ahrweiler P., Schilperoord M., Pyka A., Gilbert N. Modelling Research Policy: Ex-Ante Evaluation of Complex Policy Instruments // Journal of Artificial Societies and Social Simulation. 2015. V. 18 (4). № 5. doi: 10.18564/jasss.2927

8. Angelini A., Cerulli G., Cecconi F., Miceli A. et al. R&D Subsidization Effect and Network Centralization: Evidence from an Agent-Based Micro-Policy Simulation // Journal of Artificial Societies and Social Simulation. 2017. V. 20 (4). № 4. doi: 10.18564/jasss.3494

9. Antonelli С., Ferrarisb G. Innovation as an Emerging System Property: An Agent Based Simulation Model // Journal of Artificial Societies and Social Simulation. 2011. V. 14 (2). № 1.

10. Bousquet F., Tr?buil G., Hardy B. Companion Modeling and Multi-Agent Systems for Integrated Natural Resource Management in Asia Los Baсos (Philippines). International Rice Research Institute. 2005. 360 p.

11. Bianchi F., Grimaldo F., Bravo G., Squazzoni F. The peer review game: an agent-based model of scientists facing resource constraints and institutional pressures. Springer, 2018. doi: 10.1007/s11192–018–2825–4

12. Brinner R. The 1985 DRI Model: An Overview, in Data Resources Review of the US Economy. Lexington, 1985.

13. Epstein J., Axtell R. Growing Artificial Societies: Social Science From the Bottom Up. Washington, D.C.: MIT Press / Brookings Institution, 1996.

14. Goldspink C. Methodological Implications Of Complex Systems Approaches to Sociality: Simulation as a foundation for knowledge // Journal of Artificial Societies and Social Simulation. 2002. V. 5. № 1.

15. Goto Y., Takeuchi I., Kakumoto S. Integrated earthquake disaster simulation systems for the highlynetworked information society // Proc. of the 13thWorld Conference on Earthquake Engineering. Vancouver, 2004. P. 2793. URL: http://www.iitk.ac.in/ nicee/wcee/article/13_2793.pdf

16. Gilbert N., Pyka A., Ahrweiler P. Innovation Networks – A Simulation Approach // Journal of Artificial Societies and Social Simulation. 2001. V. 4. № 3.

17. Haag G., Liedl P. Modelling and Simulating Innovation Behaviour within Micro-based Correlated Decision Processes // Journal of Artificial Societies and Social Simulation. 2001

18. Haydari S., Smead R. Does Longer Copyright Protection Help or Hurt Scientific Knowledge Creation? // Journal of Artificial Societies and Social Simulation. 2015. V. 18 (2). № 23. doi: 10.18564/jasss.2720

19. Janssen A., Alessa L., Barton M., Bergin S. et al. Towards a Community Framework for Agent-Based Modelling // Journal of Artificial Societies and Social Simulation. 2008

20. Kravari K., Bassiliades N. A Survey of Agent Platforms // Journal of Artificial Societies and Social Simulation. 2015. doi: 10.18564/jasss.2661

21. Lee S. Simulation of the Long-Term Effects of Decentralized and Adaptive Investments in Cross-Agency Interoperable and Standard IT Systems // Journal of Artificial Societies and Social Simulation. 2010. V. 13 (2). № 3. doi: 10.18564/jasss.1488

22. Law A.M., Kelton W.D. Simulation Modeling and Analysis. New York: McGraw-Hill, 1991.

23. Monticino M.G., Brooks E., Cogdill T., Acevedo M. et al. Applying a Multi-Agent Model to Evaluate Effects of Development Proposals and Growth Management Policies on Suburban Sprawl // Proc. of the International Environmental Modelling and Software Society, Summit on Environmental Modelling and Software. Burlington, 2006. URL: http://www.math.unt.edu/~monticino/papers/mult-agent_development.pdf

24. Neves F., Campos P., Silva S. Innovation and Employment: An Agent-Based Approach // Journal of Artificial Societies and Social Simulation. 2019. V. 22 (1). № 8. doi: 10.18564/jasss.3933

25. Pajares J., Hern?ndez-Iglesias C., L?pez-Paredes A. Modelling Learning and R&D in Innovative Environments: a Cognitive Multi-Agent Approach // Journal of Artificial Societies and Social Simulation. 2004. V. 7. № 2.

26. Pajares J., L?pez A., Hern?ndez C. Industry as an Organisation of Agents: Innovation and R&D Management // Journal of Artificial Societies and Social Simulation. 2003. V. 6. № 2.

27. Parinov S., Neylon C. Science as a Social System and Virtual Research Environment // Journal of Artificial Societies and Social Simulation. 2011. V. 14 (4). № 10. doi: 10.18564/jasss.1835

28. Sobkowicz P. Innovation Suppression and Clique Evolution in Peer-Review-Based, Competitive Research Funding Systems: An Agent-Based Model // Journal of Artificial Societies and Social Simulation. 2015. V. 18 (2). № 13. doi: 10.18564/jasss.2750

29. Schulze J., M?ller B., Groeneveld J., Grimm V. Agent-Based Modelling of Social-Ecological Systems: Achievements, Challenges, and a Way Forward // Journal of Artificial Societies and Social Simulation. 2017. V. 20 (2). № 8. doi: 10.18564/jasss.3423

30. Tsekeris T., Vogiatzoglou K. Multi-Regional Agent-Based Economic Model of Household and Firm Location and Transport Decisions // Proc. of the 10th STRC Swiss Transport Research Conference. Monte Veritа, 2010. URL: http://www.strc.ch/conferences/2010/Tsekeris.pdf

31. Yilmaz L. Toward Multi-Level, Multi-Theoretical Model Portfolios for Scientific Enterprise Workforce Dynamics // Journal of Artificial Societies and Social Simulation. 2011. V. 14 (4). № 2. doi: 10.18564/jasss.1853