Abstract
<jats:p>На данный момент в научной литературе представлено множество работ, посвящённых развитию и анализу эволюционных мультиагентных вычислительных систем. В рамках этих исследований особое внимание уделяется вопросам организации таких систем, способам взаимодействия между агентами и методам их адаптации к изменяющимся условиям. Эволюционные механизмы позволяют агентам не только координировать свои действия, но и корректировать стратегии поведения на основе накопленного опыта. Благодаря этому мультиагентные системы находят широкое применение в задачах, связанных с оптимизацией, прогнозированием и автоматизированным управлением. Рассматривается модель, использующая эти принципы наряду с асинхронным подходом, а также описывается ряд сопутствующих сущностей, необходимых для корректного функционирования данной системы: субагент, агент, база знаний, коэффициенты интерпретации и дивергенции. Приводятся схемы, описывающие устройство и алгоритм работы агентно-субагентного мотива, паттерна взаимодействия субагента с вышестоящим агентом, а также приведен вариант каскадно-селективной асинхронной модели. После описания версии каскадно-селективной асинхронной модели предлагается формат реализации описанного шаблона для дерева решений и в задачах оптимизации, таких как настройка параметров машинного обучения.</jats:p> <jats:p>Currently, the scientific literature contains numerous works devoted to the development and analysis of evolutionary multi-agent computing systems. These studies pay particular attention to the organization of such systems, the methods of interaction between agents, and their adaptation to changing conditions. Evolutionary mechanisms allow agents not only to coordinate their actions but also to adjust their behavioral strategies based on accumulated experience. Due to this, multi-agent systems are widely used in problems related to optimization, forecasting, and automated control. A model utilizing these principles along with an asynchronous approach is considered, and a number of associated entities necessary for the correct functioning of this system are described: subagent, agent, knowledge base, interpretation coefficients, and divergence coefficients. Diagrams are presented describing the structure and algorithm of the agent-subagent motive, the pattern of interaction between the subagent and the superior agent, and a variant of the cascade-selective asynchronous model is presented. After describing a version of the cascade-selective asynchronous model, a format for implementing the described pattern is proposed for decision trees and in optimization problems such as tuning machine learning parameters.</jats:p>