Статья посвящена проектированию и реализации архитектуры среды моделирования для проведения экспериментов с интеллектуальными агентами. Кратко представлен теоретический материал для введения в предметную область. Рассмотрена актуальность проблемы. Показано, что создание среды моделирования позволяет решить задачи разного уровня сложности во многих предметных областях. Представлены существующие решения и их ограничения. Предложен вариант архитектуры с описанием ее функционирования посредством диаграммы деятельности, принципов и особенностей реализации. Продемонстрированы преимущества использования предложенной архитектуры. Описана математическая модель эксперимента, проведенного на базе предлагаемого решения. Проиллюстрирован вариант реализации на примере игры с использованием таких технологий, как Java, JavaScript, WebSocket, JavaReflection, UDP, FlatBuffers.

В работе рассматривается подход к построению гибридной биоинспирированной многоагентной системы для решения задачи разбиения методом поисковой адаптации. В основе работы адаптивной многоагентной системы лежит ситуационная кооперация между агентами, когда решение о совместных действиях принимаются агентами на каждом такте работы на основе анализа состояния среды функционирования и наличия у агентов условий для кооперации. Двухуровневое представление объекта оптимизации и идеи коллективной адаптации, позволяющие сочетать эволюционную и альтернативную адаптации, использованы с учетом специфики задачи разбиения. Описаны механизмы альтернативной коллективной адаптации, моделируемой вероятностными обучающимися автоматами адаптации, структуры вероятностных обучающихся автоматов адаптации, механизмы переходов, выработки откликов среды, реализации альтернатив.

Предлагается композитная архитектура многоагентной системы бионического поиска для решения задачи размещения на основе роевого интеллекта и генетической эволюции. Рассмотрены три подхода к построению такой архитектуры. Связующим звеном такого подхода является единая структура данных, описывающая в виде хромосомы решение задачи. Рассматриваются требования к структуре хромосомы и значениям генов. Общая оценка временной сложности при любом подходе к гибридизации не превышает оценки временной сложности генетического алгоритма и лежит в пределах О(n²) – О(n³).

В представленной квалификационной работе описан алгоритм сжатия топологии СБИС. При проведении анализа существующих методов и подходов был рассмотрен метод, включающий в себя кодирование элементов и областей. В процессе разработки алгоритма использовался общий метод сжатия больших топологических размещений. Он состоит из трех последовательных этапов: разрезание, сжатие и склеивание. В итоге был разработан алгоритм сжатия топологии СБИС на основе роевых методов, обладающий высокой эффективностью. Проведенные в процессе исследования алгоритма эксперименты в общем доказали полученные теоретические расчеты.

Качество разработанного алгоритма сжатия топологии СБИС подтверждено приведенными значениями временной и пространственной сложности.

В работе предложена композитная архитектура многоагентной системы бионического поиска для решения задачи планирования перевозок на основе интеграции роевого интеллекта и генетической эволюции. Рассмотрены новые принципы и способы кодирования и декодирования хромосом для представления решения задачи планирования перевозок. Описывается модифицированная парадигма роя частиц, обеспечивающая в отличие от канонического метода возможность использования в аффинном пространстве позиций с целочисленными значениями параметров. Рассмотренные механизмы перемещения частиц в аффинном пространстве для уменьшения веса аффинных связей отличаются простотой и линейными оценками временной и пространственной сложности. Для организации перемещения роя частиц в гиперпространстве решений разработан оператор направленной мутации. Эксперименты показали, что качество решений у гибридного алгоритма на 10–15 % лучше, чем у генетического и роевого алгоритмов. Общая оценка временной сложности при любом подходе к гибридизации не превышает оценки временной сложности генетического алгоритма и лежит в пределах О(n²)–О(n³).

В работе описана архитектура многоагентной системы на основе природных вычислений. Система выполняет размещение компонентов сверхбольших интегральных схем, используя объединенные модели роевого интеллекта. Предложены новые структуры представления решения задачи размещения элементов сверхбольших интегральных схем в виде хромосом. Представлена модифицированная парадигма роя частиц, отличающаяся от канонической, возможностью использования в аффинном пространстве позиций с целочисленными значениями параметров.

Передвижение роя частиц в рассматриваемой области решений достигается при помощи разработанного оператора, называемого направленная мутация. Предложена модифицированная структура алгоритма пчел. Ключевой операцией алгоритма является исследование перспективных позиций, лежащих в окрестностях базовых позиций.

Тестовые испытания доказали, что при интеграции моделей поведения роя пчел и роя частиц, результаты нового гибридного алгоритма получаются на 11 – 18 % лучше, чем у каждого алгоритма по отдельности.