Журнал «Менеджмент и бизнес-администрирование»
№4 / 2025

Гибридные модели: сочетание агент-ориентированного моделирования и машинного обучения

Лапина А.А.

младший научный сотрудник, ЦЭМИ РАН, Москва, Россия

Аннотация. Статья посвящена систематизации подходов к созданию гибридных моделей, объединяющих агент-ориентированное моделирование (АОМ) и машинное обучение (МО). Рассмотрены методологические аспекты интеграции, стратегии гибридизации и выбор алгоритмов МО для различных задач. На примерах из экономики, урбанистики и эпидемиологии показана эффективность гибридных моделей, повышающих точность прогнозов на 17–24%. Выявлены ключевые проблемы, такие как вычислительная сложность и интерпретируемость, и определены перспективные направления развития, включая создание специализированных платформ и методов объяснимого ИИ.

Ключевые слова: агент-ориентированное моделирование, машинное обучение, гибридные модели, сложные системы, обучение с подкреплением.

Hybrid models: Combining agent-based modeling and machine learning

Lapina A.A.

Junior Research Fellow, Central Economic and Mathematical institute of the Russian Academy of Sciences, Moscow, Russia

Abstract. The article is devoted to the systematization of approaches to creating hybrid models that combine agent-based modeling (ABM) and machine learning (ML). Methodological aspects of integration, hybridization strategies, and the selection of ML algorithms for various tasks are considered. Using examples from economics, urban studies, and epidemiology, the effectiveness of hybrid models is demonstrated, showing an increase in forecasting accuracy by 17–24%. Key challenges, such as computational complexity and interpretability, are identified, and promising development directions are outlined, including the creation of specialized platforms and explainable AI methods.

Keywords: agent-based modeling, machine learning, hybrid models, complex systems, reinforcement learning.

DOI: 10.33983/2075-1826-2025-4-126-138

Библиографический список

Акопов А.С. Разработка параллельных генетических алгоритмов, использующих методы машинного обучения для принятия решений и управления многоагентными социально-экономическими системами: НИР: грант № 23-21-00012. Российский научный фонд, 2023–2024.
Акопов А.С., Хачатрян Н.К. Агентное моделирование: учебно-методическое пособие. — М.: Центральный экономико-математический институт РАН, 2016. — 76 с.
Бахтизин А.Р. Разработка и апробация агент-ориентированной модели социально-экономической системы России со встроенными нейронными сетями: НИР: грант № 07-06-00325. Российский фонд фундаментальных исследований, 2007.
Бахтизин А.Р. Разработка методологии построения гибридных агент-ориентированных моделей социально-экономических систем: Отчет о НИР № 11-02-00258. Российский гуманитарный научный фонд, 2013.
Бахтизин А.Р., Бахтизина Н.В. Опыт построения гибридной агент-ориентированной модели с нейронными сетями // Нейрокомпьютеры: разработка, применение. — 2010. — № 8. — С. 27–39.
Брынцев А.Н. Византийский консенсус социотехнических агентов в логистических системах // Менеджмент и бизнес-администрирование. — 2025. — № 1. — С. 180–188.
Бурилина М.А., Ахмадеев Б.А. Анализ многообразия архитектур и методов моделирования децентрализованных систем на основе агент-ориентированного подхода // Креативная экономика. — 2016. — Т. 10. — № 7. — С. 829–848.
Жданов Д.А. Экономическое поведение человека и общественная эффективность // Journal of Economic Regulation. — 2020. — Т. 11. — № 2. — С. 37–50.
Корепина Т.А., Чекмарева Е.А. Нейронные сети в агент-ориентированных моделях: преимущества и недостатки гибридных методов исследования // Вопросы территориального развития. — 2017. — № 4 (39). — С. 6.
Макаров В.Л. Суперкомпьютерные технологии в общественных науках: НИР: грант № 19-18-00240. Российский научный фонд, 2019–2021.
Макаров В.Л., Бахтизин А.Р. Современные инструменты моделирования социально-экономических процессов // Экономика Северо-Запада: проблемы и перспективы развития. — 2024. — № 1 (76). — С. 21–32.
Соколова Е.С., Разинкин К.А. Алгоритмизация мультиагентного обучения с подкреплением в теоретико-игровых задачах поиска оптимальных стратегий // Моделирование, оптимизация и информационные технологии. — 2020. — Т. 8. — № 1 (28). DOI: 10.26102/2310-6018/2020.28.1.040.
Энгель Е.А. Гибридная модель прогнозирования на основе интеллектуальных агентов // Живые и биокосные системы. — 2014. — № 9. — С. 25.
Akopov A.S., Beklaryan L.A. Agent-based modelling of dynamics of interacting unmanned ground vehicles using FLAME GPU // Programming and Computer Software. — 2024. — Vol. 50. — № S2. — P. S91-S103.
Makarov V., Bakhtizin A., Epstein J.M. Agent-Based Modeling for a Complex World. Part 1 // Economics and Mathematical Methods. — 2022. — Т. 58. — № 1. — С. 5–26.
Zaripov E.A., Akopov A.S. Modeling and optimization of the characteristics of intelligent transport systems for "smart cities" using hybrid evolutionary algorithms // Business Informatics. — 2025. — Vol. 19. — № 1. — P. 34.