Совершенствование процедур государственного политического управления в сфере демографии и миграции с помощью мультиагентного Deep Reinforcement Learning на примере алгоритма MADDPG

Обложка

Цитировать

Полный текст

Аннотация

Определены основные социальные, политические и экономические риски, связанные с «перепроизводством» элиты, сокращением среднего класса с учетом неконтролируемой миграции. Для нивелирования рисков предложен общий теоретический подход оптимизации «гиперпараметров» процедур государственного управления, «апгрейда» модели принятия управленческих решений с помощью гибридных систем, основанных на машинном обучении. Проведен эксперимент для 7 регионов с изначально рандомными признаками (число регионов может быть любым). В ходе эксперимента с алгоритмом MADDPG показана возможность реализации сбалансированной миграционной, социально-экономической и ресурсной политики для произвольного числа регионов в условиях нестабильности, хаотических, шумовых процессов и межрегиональной миграции на неограниченный период времени при сохранении основных параметров среды. Обученные ИИ-алгоритмы в совместной деятельности показали рост численности населения, экономический рост и развитие территорий, рациональное использовании имеющихся ресурсов (без их исчерпания), сбалансированную межрегиональную миграцию. Дальнейшее направление исследования предполагает подключение фактора внешней миграции и детализацию факторов межрегиональной миграции, экономического роста и потребления ресурсов в разрезе социальной структуры общества. Перспектива применения - гибридные человеко-машинные системы управления и поддержки принятия решений для сферы государственного управления.

Об авторах

Антон Валентинович Дождиков

Институт социально-политических исследований ФНИСЦ РАН

Автор, ответственный за переписку.
Email: antondnn@yandex.ru
ORCID iD: 0000-0002-1069-1648
SPIN-код: 2208-1891

кандидат политических наук, старший научный сотрудник, кафедра ЮНЕСКО

Россия, 119333, Москва, ул. Фотиевой, д. 6, корп. 1

Список литературы

  1. Zinkina YuV, Shulgin SG. “Youth bulge” as a factor of sociopolitical instability. Bulletin of Moscow University. Series 27: Global Studies and Geopolitics. 2020;(1):41–52. (In Russ.). https://doi.org/10.56429/2414-4894-2020-31-1-41-52 EDN: DREPPQ
  2. Goldstone JA. Revolution and rebellion in the early modern world. Berkeley: University of California Press; 1991.
  3. Nefedov SA. “Youth bulge” and the first Russian revolution. Sociological Research. 2015;(7):140–147. (In Russ.). EDN: UCFOCB
  4. Korotaev AV, Isaev LM. The bumps and faults revolution. Ehkspert. 2012;(30/31):Special Issue:7–10. (In Russ.).
  5. Murtuzalieva DD, Simagin YuA, Vankina IN. Dynamics of the population of the North Caucasian regions of Russia in 2010–2022. Population. 2022;25(3):33–45. (In Russ.). https://doi.org/10.19181/population.2022.25.3.3 EDN: BSBPER
  6. Akramov ShYu, Blinichkina NYu. Demographic security in the context of international migration. DEMIS. Demographic Research. 2023;3(2):28–39. (In Russ.). https://doi.org/10.19181/demis.2023.3.2.2 EDN: CESKQP
  7. Turchin P. Political instability may be a contributor in the coming decade. Nature. 2010;463:608. https://doi.org/10.1038/463608a
  8. Popov AV. From precarious employment to the precariat. Sociological Research. 2020;(6):155–160. (In Russ.). https://doi.org/10.31857/S013216250009300-3 EDN: YOXAYW
  9. Klupt MA. Family and fertility issues in value conflicts during the 2010s. Sociological Research. 2021;(5):36–46. (In Russ.). https://doi.org/10.31857/S013216250014119-3 EDN: TAKIRG
  10. Svadbina TV, Nemova OA. The Russian family as a guardian and translator of traditional national values. Vestnik of Minin University. 2023;11(4):14. (In Russ.). https://doi.org/10.26795/2307-1281-2023-11-4-14 EDN: EHHNCH
  11. Blagorozheva ZhO, Shapovalova IS. The influence of alternative values and attitudes on the matrimonial strategies of youth. Sotsial’naya politika i sotsiologiya. 2024;23(2):30–39. (In Russ.). https://doi.org/10.17922/2071-3665-2024-23-2-30-39 EDN: HTXQXM
  12. Dozhdikov AV. Political system as a machine-­learning model. Technologies of Social and Humanitarian Research. 2024;(2):9–24. (In Russ.). EDN: MTPDDQ
  13. Li Sh. Reinforcement learning for sequential decision and optimal control. 1st ed. Singapore: Springer; 2023. https://doi.org/10.1007/978-981-19-7784-8
  14. Fu X, Wang H, Xu Z. Cooperative pursuit strategy for multi-UAVs based on DE-MADDPG algorithm. Acta Aeronautica et Astronautica Sinica. 2022;43(5):325311. https://doi.org/10.7527/S1000-6893.2021.25311 EDN: XBKXBQ
  15. Liu Bo, Wang Sh, Li Q, Zhao X, Pan Yu, Wang Ch. Task assignment of UAV swarms based on deep reinforcement learning. Drones. 2023;7(5):297. https://doi.org/10.3390/drones7050297 EDN: STKSJG
  16. Li W, Chen X, Yu W, Xie M. Multiple unmanned aerial vehicle coordinated strikes against ground targets based on an improved multi-­agent deep deterministic policy gradient algorithm. Proceedings of the Institution of Mechanical Engineers. Part I: Journal of Systems and Control Engineering. 2024. https://doi.org/10.1177/09596518241291185 EDN: WXEPFO
  17. Wei X, Huang X, Yang LF. et al. Hierarchical RNNs-­based transformers MADDPG for mixed cooperative-­competitive environments. Journal of Intelligent and Fuzzy Systems. 2022;43(1):1011–1022. https://doi.org/10.3233/JIFS-212795 EDN: HLEHUN
  18. Wang Zh, Guo Ya, Li N. Hu Sh, Wang M. Autonomous collaborative combat strategy of unmanned system group in continuous dynamic environment based on PD-MADDPG. Computer Communications. 2023;200:182–204. https://doi.org/10.1016/j.comcom.2023.01.009 EDN: ROHQUW
  19. Zhao M, Wang G, Fu Q, et al. MW-MADDPG: A meta-­learning based decision-­making method for collaborative UAV swarm. Frontiers in Neurorobotics. 2023;17. https://doi.org/10.3389/fnbot.2023.1243174 EDN: NPYWPK
  20. Chen Zh. DQN-MADDPG Coordinating the multi-­agent cooperation. Highlights in Science, Engineering and Technology. 2023;39:1141–1145. https://doi.org/10.54097/hset.v39i.6720 EDN: XKQISV

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».