В другой работе (Zizzo, Sgroi (2000)) рассматривается игра, в которой достигается равновесие Нэша. Один из игроков представлен нейронной сетью, обученной на множестве примеров игр с равновесием по Нэшу. В новых играх, которые «игрок - нейронная сеть» еще не встречал, равновесие достигалось в большинстве случаев.
Немецкий ученый Гротманн (Grothmann (2002)) построил нейронную сеть, имитирующую работу валютного рынка. В отличие от прямого использования нейронных сетей для получения прогнозных оценок, в разработанной им сети каждый нейрон, являясь участником валютного рынка, «принимает решение» о покупки валюты той или иной страны. Результатом одновременно принятых решений всей совокупности нейронов сети является ставка обменного курса национальной валюты.
В статье (Kooths (1999)) описывается своего рода гибрид нейронной сети и системы нечеткой логики, называемый «нейронно-нечетким генератором ожиданий» (Neuro-Fuzzy Expectation Generator -NFEG), который встроен в экономическую модель, рассматривающую товарные и валютные рынки, а также рынки ценных бумаг и рабочей силы.
Основываясь на теории ограниченной рациональности, автор работы критикует подход, согласно которому люди знают все экономические последствия принимаемых ими решений. В противовес классической теории, автором была предложена модель, работающая следующим образом:
1) изначально задается набор нечетких правил типа «ЕСЛИ безработица будет расти, ТО инфляция будет снижаться» и т.д.;
2) далее, эти правила преобразуются в нейронную сеть, веса синапсов которой определяются с помощью модифицированного метода обратного распространения. Измененный автором алгоритм обучения нейронной сети позволяет контролировать процесс «познания» агентами модели окружающей их экономической среды до некоторой степени, недостаточной для полного понимания системы (это сделано специально, чтобы подчеркнуть ограниченную рациональность);
3) и, наконец, обученная нейронная сеть снова трансформируется в нечеткую систему, которая взаимодействует с другими частями экономической модели.
Помимо перечисленных работ по использованию систем ИИ в экономических моделях, необходимо упомянуть про новое направление в прикладной экономике - «Вычислимой экономике агентов» (Agent-based Computational Economics, АСЕ), основой которого является моделирование виртуального мира, «населенного» автономными агентами (экономическими, биологическими и т.д ). В проект по созданию подобных миров вовлечено много исследователей, разработки которых выложены на сайте
http://www.econ. iastate.edu/tesfatsi/ace.htm. Управление созданным виртуальным миром, в соответствии с методологией АСЕ, осуществляется без вмешательства извне, т.е. только посредством взаимодействия агентов (Tesfatsion (2002)). При этом агенты должны обладать способностью к обучению.
Наиболее популярным прикладным пакетом для моделирования параллельно распределенного виртуального мира является универсальный пакет SWARM, разработанный в Институте Санта Фе (Santa Fe Institute). По своей сути SWARM является набором библиотек, написанных на языке Objective-C, служащих основой для разработок сложных мульти-агентных систем. Этот пакет в свободном доступе выложен в сети по адресу http://wiki.swann.org.
Разработка виртуального мира в SWARM осуществляется за два основных этапа:
1) Создание среды виртуального мира, в которой будут сосуществовать агенты, определяемые на следующем этапе.
2) Создание агентов - объектов виртуального мира (к примеру, людей), с описанием их атрибутов и правил взаимодействий. В процессе своего существования, созданные агенты будут анализировать получаемые от окружающей среды данные, реагировать на них и пополнять свой опыт (обучаться). Этот этап разработки модели наиболее важен, поскольку агенты, корректно отражающие черты своего реального прообраза - залог адекватно построенного виртуального мира.
Более подробно про пакет SWARM можно узнать на официальном сайте (см. выше) и из книги (Economic simulation in SWARM (2000)).
Однако надо отметить, что практически все упомянутые выше модели, использующие ИИ, являются теоретическими. Т.е. они используют абстрактные данные, а цель их разработки заключалась в проверке возможности применения такого инструментария. В отличие от такого рода разработок, наша модель, как будет показано далее, использует реальные данные и способна выдавать адекватные результаты.
Помимо этого, большинство экономических моделей, в которых используются технологии ИИ, являются итерационными, но в то же время количество итераций ограничивается самими разработчиками, которые «на глазок» определяют точку останова, а в нашей модели итеративный пересчет продолжается до совпадения совокупного спроса и предложения.