«Первый экономический журнал». Статьи номера

УДК 519.816

Авторы:

Мэй Цзэчуань

Аспирант, ФГАОУ ВО «Южный федеральный университет», Ростов-на-Дону, Россия

Мурзин Антон Дмитриевич

Доктор технических наук, профессор кафедры управления развитием пространственно-экономических систем, ФГАОУ ВО «Южный федеральный университет», Ростов-на-Дону, Россия

Название статьи:

РАСПРЕДЕЛЕННАЯ МНОГОАГЕНТНАЯ СИСТЕМА ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ПРЕДПРИЯТИЙ НА ОСНОВЕ ЖИДКИХ НЕЙРОННЫХ СЕТЕЙ: НОВАЯ ПАРАДИГМА ДИНАМИЧЕСКОЙ АДАПТАЦИИ И ПРИЧИННО-СЛЕДСТВЕННОГО МЫШЛЕНИЯ

Страницы:
70-79

Аннотация:

Современные предприятия функционируют в условиях сложной и быстро меняющейся внешней среды. В этих условиях традиционные многоагентные системы, построенные на статических нейронных сетях, часто оказываются неспособными к эффективному принятию решений при постоянных изменениях, смещении концепций и дефиците данных. Жидкие нейронные сети (Liquid Neural Networks, LNN), набирающие популярность в настоящее время, предлагают революционные инструменты для решения задач в сфере последовательного принятия решений благодаря своим динамическим свойствам, определяемым дифференциальными уравнениями, способности обрабатывать непрерывные временные ряды данных и исключительной устойчивости к шуму и помехам. В статье разработаны модель процесса принятия решения на основе жидких нейронных сетей, предусматривающая глубокую интеграцию жидких нейронных сетей с мультиагентными системами (Multi-Agent System, MAS), а также представлена структура распределенной многоагентной системы принятия решений для предприятий на основе жидких нейронных сетей. Вводится концепция «жидкий агент», когнитивное ядро которого построено на жидких нейронных сетях и моделирует процесс принятия решений как динамическую систему с непрерывным временем. Такой подход обеспечивает адаптивную обработку потоков корпоративных данных, а также выявление скрытых причинно-следственных связей. Статья будет интересна исследователям в области искусственного интеллекта, специалистам по управлению предприятиями, а также практикам, внедряющим интеллектуальные системы поддержки принятия решений.

Ключевые слова:

жидкие нейронные сети, мультиагентные системы, жидкие агенты, причинно-следственное мышление, динамическая адаптация.

Список использованных источников:

1. Wei-hui, D. Research on Top Management Team with Multi-Agent System Model / Wei-hui, S. Libing, W. Liang // 2006 IEEE International Engineering Management Conference, 2006. – Pp. 420–424. – https://doi.org/10.1109/iemc.2006.4279902.
2. Mohan, Singh. Advancing Complex Task Management Through Multi-Agent Systems: Evolution and Transformation of Distributed AI Platforms / Mohan Singh // Journal of Computer Science and Technology Studies. – 2025. – No. 7(3). – Pp. 845–850. https://doi.org/10.32996/jcsts.2025.7.3.93.
3. Qiuping, Y. Research on Intelligent Decision Support System for Inventory Management Based on Multi-Agent / Yang Qiuping, Zhang Liang, Chen Lifen, Xie Xinlian // Conference: Eighth International Conference of Chinese Logistics and Transportation Professionals (ICCLTP), 2009. – Pp. 1863–1868. – DOI: 10.1061/40996(330)273.
4. Wei-hui, D. The Research of TMT Decision Making Process Based on Multi-Agent System / D. Wei-hui, Y. Jia-jia, L. Kui // In Kexuexue yanjiu, 2006.
5. Shevtsov, R. Liquid neural networks: principle of work and areas of application / Shevtsov, V. Bredikhin, I. Khoroshylova // Municipal economy of cities. – 2024. – Vol. 1, No. 182. – P. 14-19. – DOI 10.33042/2522-1809-2024-1-182-14-19. – EDN DGOVNE.
6. Kumar, K. Liquid Neural Networks: A Novel Approach to Dynamic Information Processing / K. Kumar, A. Verma, N. Gupta, A. Yadav // 2023 International Conference on Advances in Computation, Communication and Information Technology (ICAICCIT), 2023. – Pp. 725–730. – https://doi.org/10.1109/icaiccit60255.2023.10466162.
7. Yin, L. Lazy deep Q networks for unified rotor angle stability framework with unified time-scale of power systems with mass distributed energy storage / L. Yin, N. Mo, Y. Lu // Engineering Applications of Artificial Intelligence. – 2023. – No. 126(3). – Pp. 107129. – DOI: https://doi.org/10.1016/j.engappai.2023.107129.
8. Kiselev, I. Towards an Adaptive Approach for Distributed Resource Allocation in a Multi-agent System for Solving Dynamic Vehicle Routing Problems / I. Kiselev, A. Glaschenko, Chevelev, P. Skobelev // In AAAI Conference on Artificial Intelligence, 2007. – Pp. 1874–1875.
9. Wang, L. A cooperation and decision-making framework in dynamic confrontation for multi-agent systems / L. Wang, T. Qiu, Z. Pu, J. Yi, // Computers and Electrical Engineering. – 2024. – No. 118. – Pp. 109300. – https://doi.org/10.1016/j.compeleceng.2024.109300.
10. Федорова, А. С. Анализ возможности обучения нейронных сетей с помощью технологии LTC – «жидких» временных констант / А. С. Федорова, В. В. Дульнев // Актуальные научные исследования в современном мире. – 2021. – № 5-2(73). – С. 197-200. – EDN VSSFEY.
11. Коврижина, В. Н. Применение нейронных сетей и машинного обучения для визуализации и измерений с помощью жидких кристаллов в аэродинамическом эксперименте / В. Н. Коврижина, А. П. Петров // Жидкие кристаллы и их практическое использование. – 2025. – Т. 25, № 1. – С. 5-21. – DOI 10.18083/LCAppl.2025.1.5. – EDN YNSIEW.
12. Колдаев, А. И. Применение метода нейронных сетей для расчета вязкости и плотности жидких нефтепродуктов / А. И. Колдаев, Б. М. Шебзухова // Россия, Европа, Азия: цифровизация глобального пространства : Сборник научных трудов III Международного научно-практического форума, Невинномысск, 16–21 ноября 2020 года / Под редакцией И. В. Пеньковой. – Невинномысск: Общество с ограниченной ответственностью «СЕКВОЙЯ», 2020. – С. 370-373. – EDN JFUJUS.
13. Семенюк, В. С. Разработка системы точечного внесения жидких средств химизации на основе моделей сверточной нейронной сети / В. С. Семенюк, Е. А. Никитин // Сельскохозяйственные машины и технологии. – 2021. – Т. 15, № 2. – С. 41-45. – DOI 10.22314/2073-7599-2021-15-1-41-45. – EDN CEVVHD.
14. Войцицкая, А. С. Информационно-измерительная система для определения массы жидких веществ с применением искусственных нейронных сетей / А. С. Войцицкая // Радиоэлектроника, ЭЛЕКТРОТЕХНИКА и ЭНЕРГЕТИКА: Тезисы докладов, Москва, 15–16 марта 2018 года. – Москва: Общество с ограниченной ответственностью «Центр полиграфических услуг «РАДУГА», 2018. – С. 312. – EDN YVBSXJ.
15. Гергиева, И. Р. Архитектура мультиагентной системы децентрализованного управления большими распределенными системами / И. Р. Гергиева // Молодежный научно-технический вестник. – 2014. – № 3. – С. 26. – EDN SUEHEB.
16. Астахова, А. С. Мультиагентные системы в логистике / А. С. Астахова // Мавлютовские чтения: Материалы XIX Всероссийской молодежной научной конференции. В 8-ми томах, Уфа, 24–28 ноября 2025 года. – Уфа: Уфимский университет науки и технологий, 2025. – С. 312-315. – EDN QTNPVS.
17. Розенберг, И. Н. Применение мультиагентных систем в интеллектуальных логистических системах / И. Н. Розенберг, В. Я. Цветков // Международный журнал экспериментального образования. – 2012. – № 6. – С. 107-109. – EDN RAKERL.
18. Шарко, П. А. Применение инструментов разработки мультиагентных систем в управлении транспортными системами / П. А. Шарко // Современные подходы в системном инжиниринге и цифровом моделировании сложных производственных систем: Сборник трудов I Всероссийской научно-практической конференции, Санкт-Петербург, 27–28 февраля 2025 года. – Санкт-Петербург: Санкт-Петербургский политехнический университет Петра Великого, 2025. – С. 239-245. – DOI 10.18720/SPBPU/2/id25-213. – EDN GWGBPK.
19. Ермилов, А. С. Мультиагентные системы управления группой беспилотных летательных аппаратов / А. С. Ермилов, О. А. Салтыкова // Наукоемкие технологии в космических исследованиях Земли. – 2025. – Т. 17, № 1. – С. 4-10. – DOI 10.36724/2409-5419-2025-17-1-4-10. – EDN YVENEH.
20. Бойко, Т. В. Мультиагентная система искусственного интеллекта для автоматизированной системы управления предприятием / Т. В. Бойко, А. А. Абрамова, В. В. Дрибас // Математические методы в технике и технологиях – ММТТ. – 2014. – № 9(68). – С. 243-246. – EDN UNCFUT.
21. Пестерев, П. В. Алгоритм поиска информации поисковой системой предприятия на основе мультиагентной системы / П. В. Пестерев // Информационные технологии в науке и производстве: материалы V Всероссийской молодежной научно-технической конференции, Омск, 25–26 апреля 2018 года. – Омск: Омский государственный технический университет, 2018. – С. 198-206. – EDN XPDOIH.
22. Бжихатлов, К. Ч. Концепция создания системы управления мультиагентной робототехнической системой сельскохозяйственного назначения на базе нейрокогнитивных алгоритмов / К. Ч. Бжихатлов, И. А. Пшенокова, А. Р. Макоев // Известия ЮФУ. Технические науки. – 2024. – № 3(239). – С. 6-18. – DOI 10.18522/2311-3103-2024-3-6-18. – EDN VIIVRY.
23. Матюхина, Т. В. Применение мультиагентных систем и искусственного интеллекта для системы контроля учебной деятельности университета / Т. В. Матюхина, О. В. Раковский // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2025) : Сборник научных статей XIV Международной научно-технической и научно-методической конференции. В 2-х томах, Санкт-Петербург, 25–27 июня 2025 года. – Санкт-Петербург: Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича, 2025. – С. 479-484. – EDN GYPHAN.
24. Поспелов, К. Н. Мультиагентный подход в моделировании производственных систем с распределенными центрами принятия решений / К. Н. Поспелов // Современные подходы в системном инжиниринге и цифровом моделировании сложных производственных систем : Сборник трудов I Всероссийской научно-практической конференции, Санкт-Петербург, 27–28 февраля 2025 года. – Санкт-Петербург: Санкт-Петербургский политехнический университет Петра Великого, 2025. – С. 112-120. – DOI 10.18720/SPBPU/2/id25-195. – EDN WEUKCP.
25. Жидкие нейронные сети (LNN) // ULTRALYTICS. URL: https://www.ultralytics.com/ru/glossary/liquid-neural-networks-lnns (дата обращения: 19.05.2026).
26. Kavakli, M. Liquid Neural Networks – Classification and Time Series Forecasting Use Case / 2024 8th International Artificial Intelligence and Data / M. Kavakli, F. Uçar // Processing Symposium (IDAP), 2024. – Pp. 1–7. – https://doi.org/10.1109/idap64064.2024.10710350.
27. Zong, S. Accuracy, Memory Efficiency and Generalization: A Comparative Study on Liquid Neural Networks and Recurrent Neural Networks (Version 1) / S. Zong, A. Bierly, A. Boker, H. Eldardiry // arXiv, 2025. https://doi.org/10.48550/ARXIV.2510.07578. URL: https://arxiv.org/abs/2510.07578 (дата обращения: 19.05.2026).

Финансирование научной работы:
Нет сведений.

Ссылка для цитирования:
Мэй Цзэчуань, Мурзин А.Д. Распределенная многоагентная система принятия решений для предприятий на основе жидких нейронных сетей: новая парадигма динамической адаптации и причинно-следственного мышления // Первый экономический журнал. – 2026. – №5. – С. 70–79.

URL статьи: https://naukavak.ru/pej-st8-n5-2026/

© Мэй Цзэчуань, Мурзин А.Д., 2026

 Материал распространяется на условиях лицензии Creative Commons «Атрибуция» 4.0 Международная (CC BY 4.0)