All issues

Врабо те предлагается универсальный метод построения агентных имитационных моделей сложных систем, предполагающий их компьютерную реализацию на языках объектноориентированного программирования. Метод определяет способ построения математических моделей агентов и их взаимодействия, а также описывает архитектуру комплекса программ для имитации динамики моделируемой системы. Эффективность предлагаемого метода иллюстрируется примерами его применения для моделирования сложных систем из двух областей: экономической (модель финансового рынка с неоднородными агентами) и биологической (пространственно-временная имитация взаимодействия биологических популяций).

This paper presents a universal method for constructing an agent-based model of complex systems for their further clear computer representation by means of object-oriented programming languages. The method specifies both steps of model developing from the mathematical description of the system to the determined architecture of the program simulating the system. The efficiency of the method is illustrated by the construction of the two simulation models for the complex systems of various origins: the interactive simulation of the stock exchange and space-time simulation of biological species competition.

Планирование вычислительных рабочих процессов, представленных направленными ациклическими графами (DAG), имеет ключевое значение для многих областей информатики, таких как облачные/edge задачи с распределенной рабочей нагрузкой и анализ данных. Сложность онлайнового планирования DAG усугубляется большим количеством вычислительных узлов, задержками передачи данных, неоднородностью (по типу и вычислительной мощности) исполнителей, ограничениями предшествования, накладываемыми DAG, и неравномерностью поступления задач. В данной статье представлен мультиагентный протокол локального голосования (MLVP) — новый подход, ориентированный на динамическое распределение нагрузки при планировании DAG в гетерогенных вычислительных средах, где исполнители представлены в виде агентов. MLVP использует протокол локального голосования для достижения эффективного распределения нагрузки, формулируя проблему как дифференцированное достижение консенсуса. Алгоритм вычисляет агрегированную метрику DAG для каждой пары исполнитель – узел на основе зависимостей между узлами, доступности узлов и производительности исполнителей. Баланс этих метрик как взвешенная сумма оптимизируется с помощью генетического алгоритма для вероятностного распределения задач, что позволяет добиться эффективного распределения рабочей нагрузки за счет обмена информацией и достижения консенсуса между исполнителями всей системы и, таким образом, улучшить время выполнения. Эффективность MLVP демонстрируется путем сравнения с современным алгоритмом планирования DAG и популярными эвристиками, такими как DONF, FIFO, Min-Min и Max-Min. Численное моделирование показывает, что MLVP достигает улучшения makepsan до 70% на определенных топологиях графов и среднего сокращения makepan на 23,99% по сравнению с DONF (современная эвристика планирования DAG) на случайно сгенерированном разнообразном наборе DAG. Примечательно, что масштабируемость алгоритма подтверждается ростом производительности при увеличении числа исполнителей и узлов графа.

Scheduling computational workflows represented by directed acyclic graphs (DAGs) is crucial in many areas of computer science, such as cloud/edge tasks with distributed workloads and data mining. The complexity of online DAG scheduling is compounded by the large number of computational nodes, data transfer delays, heterogeneity (by type and processing power) of executors, precedence constraints imposed by DAG, and the nonuniform arrival of tasks. This paper introduces the Multi-Agent Local Voting Protocol (MLVP), a novel approach focused on dynamic load balancing for DAG scheduling in heterogeneous computing environments, where executors are represented as agents. The MLVP employs a local voting protocol to achieve effective load distribution by formulating the problem as a differentiated consensus achievement. The algorithm calculates an aggregated DAG metric for each executor-node pair based on node dependencies, node availability, and executor performance. The balance of these metrics as a weighted sum is optimized using a genetic algorithm to assign tasks probabilistically, achieving efficient workload distribution via information sharing and reaching consensus among the executors across the system and thus improving makespan. The effectiveness of the MLVP is demonstrated through comparisons with the state-of-the-art DAG scheduling algorithm and popular heuristics such as DONF, FIFO, Min- Min, and Max-Min. Numerical simulations show that MLVP achieves makepsan improvements of up to 70% on specific graph topologies and an average makespan reduction of 23.99% over DONF (state-of-the-art DAG scheduling heuristic) across randomly generated diverse set of DAGs. Notably, the algorithm’s scalability is evidenced by enhanced performance with increasing numbers of executors and graph nodes.

Создана имитационная многоагентная модель искусственной жизни. Рассмотрены конкурентные преимущества направленного движения и различные стратегии его использования в популяции простейших организмов в условиях градиента освещенности. Получены результаты, согласующиеся с теорией r-K отбора. Поведение агентов в искусственной экосистеме качественно соответствует наблюдаемому в природе.

Simulation multiagent model of artificial life was created. Competitive ad-vantages of directed movement and diverse strategies of its using in population of protozoa in illumination gradient were considered. The results consistent with r-K selection theory were obtained. Agents behavior in artificial ecosystem are in qualitative agreement with behavior observed in nature.