mireabulletinRussian Technological JournalRussian Technological Journal2782-32102500-316XRTU MIREA10.32362/2500-316X-2026-14-5-85-93GBLESXmireabulletin-1664Research ArticleМАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕMATHEMATICAL MODELINGОб агентно-ориентированном подходе к организации и разработке распределенных интеллектуальных системAn agent-oriented approach to the organization and development of distributed intelligent systemshttps://orcid.org/0000-0002-1979-5611ЗайцевЕ. И.ZaytsevE. I.

Евгений Игоревич Зайцев, к. т. н., доцент

Институт кибербезопасности и цифровых технологий; кафедра КБ-14 «Цифровые технологии обработки данных»

119454; пр-т Вернадского, д. 78; Москва

Scopus Author ID 57218190023, ResearcherID ABA-4823-2020

Evgeniy I. Zaytsev, Cand. Sci. (Eng.), Associate Professor

Institute for Cybersecurity and Digital Technologies; Department of Digital Data Processing Technologies

119454; 78, Vernadskogo pr.; Moscow

Scopus Author ID 57218190023, ResearcherID ABA-4823-2020

zajcev@mirea.ruhttps://orcid.org/0000-0001-8511-0978НурматоваЕ. В.NurmatovaE. V.

Елена Вячеславовна Нурматова, к. т. н., доцент

Институт кибербезопасности и цифровых технологий; кафедра КБ-3 «Разработка программных решений и системное программирование»

119454; пр-т Вернадского, д. 78; Москва

Scopus Author ID 57205460003, ResearcherID GQI-3212-2022

Elena V. Nurmatova, Cand. Sci. (Eng.), Associate Professor

Institute for Cybersecurity and Digital Technologies; Department of Software Development and System Programming

119454; 78, Vernadskogo pr.; Moscow

Scopus Author ID 57205460003, ResearcherID GQI-3212-2022

nurmatova@mirea.ruМИРЭА – Российский технологический университетРоссияMIREA – Russian Technological UniversityRussian Federation2026081020261458593Copyright © Зайцев Е.И., Нурматова Е.В., 20262026Зайцев Е.И., Нурматова Е.В.Zaytsev E.I., Nurmatova E.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rtj-mirea.ru/jour/article/view/1664   Цели

   Цели. Обоснование целесообразности и концептуализация агентно-ориентированного подхода к построению распределенных интеллектуальных систем, функционирующих в условиях неполноты исходных данных, высокой стохастичности и нестационарности внешней среды. Разработка формальных моделей агентов и методов их кооперации. Построение децентрализованной архитектуры, обеспечивающей адаптивность, масштабируемость и отказоустойчивость. Проектирование и реализация подсистемы распределенного хранения и обработки знаний.

   Методы

   Методы. Решение поставленных задач потребовало интеграции методов агентного моделирования, аппарата теории автоматов, марковских процессов принятия решений, нечеткой логики, искусственных нейронных сетей, алгоритмов многоагентного обучения с подкреплением, а также процедур экспертного оценивания, обеспечивающих верификацию и практическую адаптацию разработанных теоретических положений.

   Результаты

   Результаты. Разработана архитектура многоагентной интеллектуальной системы, основанная на кооперации автономных программных агентов, которая обеспечивает децентрализацию управления, слабую связанность компонентов и масштабируемость вычислительной инфраструктуры. Предложена формальная математическая модель интеллектуального агента, интегрирующая символьные методы представления и обработки знаний и нейросетевые алгоритмы. Разработана подсистема управления базой знаний, обеспечивающая динамическую реконфигурацию информационных потоков, адаптивную оптимизацию схем хранения и обработки данных, интеллектуальное кеширование, семантическую согласованность и поддержку немонотонного логического вывода на основе распределенных знаний. Реализована подсистема динамической балансировки вычислительной нагрузки на основе коалиции системных агентов-диспетчеров.

   Выводы

   Выводы. Агентно-ориентированная парадигма является эффективной методологической основой для построения распределенных интеллектуальных систем, предназначенных для решения задач в слабоформализуемых проблемных областях, характеризующихся неполнотой данных, неопределенностью и нестационарностью внешней среды. Децентрализация управления и распределенная организация базы знаний позволяют преодолеть фундаментальные ограничения монолитных интеллектуальных систем, а также обеспечить масштабируемость и высокую отказоустойчивость разрабатываемой системы. Реализованные в многоагентной интеллектуальной системе механизмы динамической оптимизации распределенной базы знаний и адаптивной балансировки вычислительной нагрузки позволяют не только решать интеллектуальные задачи, но и эффективно управлять собственными вычислительными и информационными ресурсами.

   Objectives

   Objectives. The work set out to justify the expediency and provide a conceptualization of an agent-oriented approach to building distributed intelligent systems that operate under conditions of incomplete initial data, high stochasticity, and non-stationarity of the external environment. Formal models of agents and methods for their cooperation were developed as part of a decentralized architecture that ensures adaptability, scalability, and fault tolerance. A distributed knowledge storage and processing subsystem was designed and implemented.

   Methods

   Methods. In order to solve the problems, agent modeling methods were integrated with automata theory, Markov decision processes, fuzzy logic, artificial neural networks, multi-agent reinforcement learning algorithms, along with expert evaluation procedures to ensure the verification and practical adaptation of the developed theoretical provisions.

   Results

   Results. The developed multi-agent intelligent system architecture based on the cooperation of autonomous software agents provides decentralized control, weak coupling of components, and scalability of the computing infrastructure. The proposed formal mathematical model of an intelligent agent integrates symbolic knowledge representation methods and neural network algorithms. A distributed knowledge base management subsystem was developed to provide dynamic reconfiguration of information flows, adaptive optimization of data storage and processing schemes, intelligent caching, semantic consistency, and support for non-monotonic distributed knowledge-based inference. A dynamic load balancing subsystem was implemented based on a coalition of system software agents.

   Conclusions

   Conclusions. The described agent-oriented paradigm is an effective methodological basis for building distributed intelligent systems aimed at solving problems in poorly formalized problem domains characterized by incomplete data, uncertainty, and non-stationary external environments. Decentralized management and distributed knowledge base organization allow overcoming the fundamental limitations of monolithic intelligent systems which use the complete and consistent knowledge base and the monotonous logical inference, as well as ensuring the scalability and high fault tolerance of the developed system. The mechanisms of dynamic optimization of a distributed knowledge base and adaptive balancing of computational load implemented in a multi-agent intelligent system can be used not only to solve intelligent problems, but also to effectively manage their own computational and information resources.

распределенная системамногоагентная системапрограммный агентсистема представления и обработки знаниймногоагентное обучение с подкреплениемdistributed systemmulti-agent systemsoftware agentknowledge representation and processing systemmulti-agent reinforcement learningАвторы не имеют финансовой заинтересованности в представленных материалах или методахThe authors have no financial or proprietary interest in any material or method mentionedReferencesЗайцев Е.И., Нурматова Е.В. О подходе к управлению знаниями и разработке мультиагентной системы представления и обработки знаний. Russian Technological Journal. 2023;11(4):16–25. doi: 10.32362/2500-316X-2023-11-4-16-25Zaytsev E.I., Nurmatova E.V. Approach to knowledge management and the development of a multi-agent knowledge representation and processing system. Russian Technological Journal. 2023;11(4):16–25. doi: 10.32362/2500-316X-2023-11-4-16-25Zaytsev E.I., Nurmatova E.V. Increasing the performance of a multi-agent knowledge representation and processing system. Phys. Part. Nuclei. 2024;55:384–386. doi: 10.1134/S1063779624030948Zaytsev E.I., Nurmatova E.V. Increasing the performance of a multi-agent knowledge representation and processing system. Phys. Part. Nuclei. 2024;55:384–386. doi: 10.1134/S1063779624030948Nguyen T.T., Nguyen N.D., Nahavandi S. Deep Reinforcement Learning for Multiagent Systems : A Review of Challenges, Solutions, and Applications. IEEE Transactions on Cybernetics. 2020;50(9):3826–3839. doi: 10.1109/TCYB.2020.2977374Nguyen T.T., Nguyen N.D., Nahavandi S. Deep Reinforcement Learning for Multiagent Systems : A Review of Challenges, Solutions, and Applications. IEEE Transactions on Cybernetics. 2020;50(9):3826–3839. doi: 10.1109/TCYB.2020.2977374Zhang K., Yang Z., Başar T. Multi-Agent Reinforcement Learning : A Selective Overview of Theories and Algorithms. In: Vamvoudakis K.G., Wan Y., Lewis F.L., Canseve D. (Eds.). Handbook of Reinforcement Learning and Control. Studies in Systems, Decision and Control. Springer; 2021. V. 325. P. 321–384. doi: 10.1007/978-3-030-60990-0_12Zhang K., Yang Z., Başar T. Multi-Agent Reinforcement Learning : A Selective Overview of Theories and Algorithms. In: Vamvoudakis K.G., Wan Y., Lewis F.L., Canseve D. (Eds.). Handbook of Reinforcement Learning and Control. Studies in Systems, Decision and Control. Springer; 2021. V. 325. P. 321–384. doi: 10.1007/978-3-030-60990-0_12Min Y., He J., Wang T., Gu Q. Cooperative Multi-Agent Reinforcement Learning: Asynchronous Communication and Linear Function Approximation. In: ICML’23 : Proceedings of the 40<sup>th</sup> International Conference on Machine Learning. 2023. P. 24785–24811. arXiv preprint. arXiv:2305.06446. doi: 10.48550/arXiv.2305.06446Min Y., He J., Wang T., Gu Q. Cooperative Multi-Agent Reinforcement Learning: Asynchronous Communication and Linear Function Approximation. In: ICML’23 : Proceedings of the 40<sup>th</sup> International Conference on Machine Learning. 2023. P. 24785–24811. arXiv preprint. arXiv:2305.06446. doi: 10.48550/arXiv.2305.06446Vasilev B., Gupta T., Peng B., Whiteson S. Semi-On-Policy Training for Sample Efficient Multi-Agent Policy Gradients. arXiv preprint. arXiv:2104.13446. 2021. doi: 10.48550/arXiv.2104.13446Vasilev B., Gupta T., Peng B., Whiteson S. Semi-On-Policy Training for Sample Efficient Multi-Agent Policy Gradients. arXiv preprint. arXiv:2104.13446. 2021. doi: 10.48550/arXiv.2104.13446Wang H., Liu Z., Yi J., Pu Z. Multiagent hierarchical cognition difference policy for multiagent cooperation. Algorithms. 2021;14(3):Article 98. doi: 10.3390/a14030098Wang H., Liu Z., Yi J., Pu Z. Multiagent hierarchical cognition difference policy for multiagent cooperation. Algorithms. 2021;14(3):Article 98. doi: 10.3390/a14030098Zeng S., Doan T.T., Romberg J. A two-time-scale stochastic optimization framework with applications in control and reinforcement learning. SIAM J. Optimization. 2024:34(1):946–976. doi: 10.1137/22M150277XZeng S., Doan T.T., Romberg J. A two-time-scale stochastic optimization framework with applications in control and reinforcement learning. SIAM J. Optimization. 2024:34(1):946–976. doi: 10.1137/22M150277XGuo T., Chen X., Wang Y., Chang R., Pei S., Chawla N.V., Wiest O., Zhang X. Large Language Model based Multi-Agents: A Survey of Progress and Challenges. 2024. arXiv preprint. arXiv:2402.01680. doi: 10.48550/arXiv.2402.01680Guo T., Chen X., Wang Y., Chang R., Pei S., Chawla N.V., Wiest O., Zhang X. Large Language Model based Multi-Agents: A Survey of Progress and Challenges. 2024. arXiv preprint. arXiv:2402.01680. doi: 10.48550/arXiv.2402.01680Lim J., Vogel-Heuser B., Kovalenko I. Large Language Model-Enabled Multi-Agent Manufacturing Systems. arXiv preprint. arXiv:2406.01893. 2024. doi: 10.48550/arXiv.2406.01893Lim J., Vogel-Heuser B., Kovalenko I. Large Language Model-Enabled Multi-Agent Manufacturing Systems. arXiv preprint. arXiv:2406.01893. 2024. doi: 10.48550/arXiv.2406.01893Zhang Y., Sun R., Chen Y., Pfister T., Zhang R., Arik S. Chain of Agents: Large Language Models Collaborating on Long-Context Tasks. In: Advances in Neural Information Processing Systems. 2024;37. December 10–15, 2024. Vancouver, Canada. doi: 10.52202/079017-4202Zhang Y., Sun R., Chen Y., Pfister T., Zhang R., Arik S. Chain of Agents: Large Language Models Collaborating on Long-Context Tasks. In: Advances in Neural Information Processing Systems. 2024;37. December 10–15, 2024. Vancouver, Canada. doi: 10.52202/079017-4202Yang Y., Chai H., Shao S., Song Y., Qi S., Rui R., Zhang W. AgentNet: Decentralized Evolutionary Coordination for LLM-based Multi-Agent Systems. arXiv preprint. arXiv:2504.00587. 2025. doi: 10.48550/arXiv.2504.00587Yang Y., Chai H., Shao S., Song Y., Qi S., Rui R., Zhang W. AgentNet: Decentralized Evolutionary Coordination for LLM-based Multi-Agent Systems. arXiv preprint. arXiv:2504.00587. 2025. doi: 10.48550/arXiv.2504.00587Bai J., Mosbach S., Taylor C.J., Karan D., Lee K.F., Rihm S.D., Akroyd J., Lapkin A.A., Kraft M. A Dynamic Knowledge Graph Approach to Distributed Self-Driving Laboratories. Nat. Commun. 2024;15(1):Article 462. doi: 10.1038/s41467-023-44599-9Bai J., Mosbach S., Taylor C.J., Karan D., Lee K.F., Rihm S.D., Akroyd J., Lapkin A.A., Kraft M. A Dynamic Knowledge Graph Approach to Distributed Self-Driving Laboratories. Nat. Commun. 2024;15(1):Article 462. doi: 10.1038/s41467-023-44599-9Zhou W., Yan Y., Yang Q. DGRAG: Distributed Graph-based Retrieval-Augmented Generation for Edge-Cloud Systems. arXiv preprint. arXiv:2505.19847. 2025. doi: 10.48550/arXiv.2505.19847Zhou W., Yan Y., Yang Q. DGRAG: Distributed Graph-based Retrieval-Augmented Generation for Edge-Cloud Systems. arXiv preprint. arXiv:2505.19847. 2025. doi: 10.48550/arXiv.2505.19847

The authors declare that there are no conflicts of interest present.