УДК 330
DOI: 10.36871/ek.up.p.r.2026.01.13.022

Авторы

Мэй Цзэчуань,
Антон Дмитриевич Мурзин,
Южный федеральный университет, Ростов-на-Дону, Россия

Аннотация

Цель данного исследования — провести углубленный анализ сложной эволюционной динамики в инновационных экосистемах высокотехнологичного сектора. Ориентируясь на нелинейные взаимодействия и механизмы сотрудничества между множеством заинтересованных сторон в рамках системы, включая предприятия, научно-исследовательские институты и государственные органы, в исследовании используется агент-ориентированное моделирование для симуляции поведения на микроуровне и возникающих явлений на макроуровне. Интегрируя теорию оптимизации решений, исследование изучает эволюционные траектории системы в условиях различных политических вмешательств и рыночных условий. Конечная цель состоит в том, чтобы предоставить политикам и руководителям предприятий перспективные, научно обоснованные динамические аналитические данные и поддержку в принятии решений. Это будет способствовать оптимизации распределения ресурсов и формированию более устойчивой и динамичной инновационной экосистемы.

Ключевые слова

инновационные экосистемы, агент-симуляция, корпоративные агенты, визуализация решений, отказоустойчивость системы

Список литературы

  1. Гао С. (2024). Исследование механизма роста предпринимательства посредством соединения знаний на основе многоагентного взаимодействия. Журнал экономики знаний, 16(2), 10639–10661. https://doi.org/10.1007/s13132- 024-02170-x
  2. Мохан Сингх (2025). Совершенствование управления сложными задачами с помощью мультиагентных систем: эволюция и трансформация распределенных платформ искусственного интеллекта. Журнал исследований в области компьютерных наук и технологий, 7(3), 845–850. https://doi.org/10.32996/ jcsts.2025.7.3.93
  3. Инь Х., Лю Л., и Чжун Ю. (2017). Исследование распределенной системы искусственного интеллекта и мультиагентной системы. В AGRO FOOD INDUSTRY HI-TECH.
  4. Wang L., Qiu T., Pu Z., & Yi J. (2024). Структура сотрудничества и принятия решений в динамическом противостоянии для мультиагентных систем. Computers and Electrical Engineering, 118, 109300. https://doi.org/10.1016/j. compeleceng.2024.109300
  5. Ren Y., Liu Y., Ji T., & Xu X. (2025). AI Agents and Agentic AI-Navigating a Plethora of Concepts for Future Manufacturing (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2507.01376.
  6. Elmahalawy A. M., Ali M. A., & Harb H. M. (2011). Trends and Differences of Applying Intelligence to an Agent. Journal of Telecommunications and Information Technology, 4, 119–123. https://doi. org/10.26636/jtit.2011.4.1194.
  7. Parziale A., & Marcelli A. (2024). Understanding upper-limb movements via neurocomputational models of the sensorimotor system and neurorobotics: where we stand. Artificial Intelligence Review, 57(3). https://doi. org/10.1007/s10462-023-10694-y.
  8. Memarian B., & Doleck T. (2023). Embodied AI in education: A review on the body, environment, and mind. Education and Information Technologies, 29(1), 895–916. https://doi.org/10.1007/s10639- 023-12346-8.
  9. Sado F., Loo C. K., Liew W. S., Kerzel M., & Wermter S. (2023). Explainable Goal-driven Agents and Robots — A Comprehensive Review. ACM Computing Surveys, 55(10), 1–41. https:// doi.org/10.1145/3564240.
  10. Takara L. de A., Santos A. A. P., Mariani V. C., & Coelho, L. dos S. (2024). Deep reinforcement learning applied to a sparse-reward trading environment with intraday data. Expert Systems with Applications, 238, 121897. https://doi. org/10.1016/j.eswa.2023.121897.