Abstract

The integration of autonomous intelligent agents into decision support systems enhances the capacity of critical infrastructure to operate reliably in dynamic and uncertain environments. These agents provide essential functions such as real-time monitoring, adaptive response, distributed coordination, and learning-based optimization. The article examines the functional architecture, communication patterns, and implementation strategies of autonomous agents across different infrastructure domains. Through architectural modeling, decision logic representation, and analysis of scalability and fault tolerance, the study demonstrates how agents support resilient, decentralized decision-making. Particular attention is given to layered integration, enabling agents to function effectively at sensing, control, coordination, and strategic levels. The findings contribute to the development of intelligent, explainable, and adaptable decision support frameworks for infrastructure resilience.

Keywords: autonomous agents, critical infrastructure, decision support systems, adaptive control, distributed coordination, fault tolerance, intelligent monitoring.

Аннотация

Интеграция автономных интеллектуальных агентов в системы поддержки принятия решений повышает устойчивость критической инфраструктуры к неопределённости и внешним воздействиям. Такие агенты выполняют ключевые функции: мониторинг в реальном времени, адаптивное реагирование, распределённую координацию и оптимизацию на основе обучения. В статье рассматриваются функциональная архитектура, коммуникационные схемы и стратегии внедрения агентов в различных инфраструктурных контекстах. Путём анализа архитектурных моделей, логики принятия решений и механизмов масштабируемости и отказоустойчивости показано, как агентные системы обеспечивают децентрализованное и устойчивое управление. Особое внимание уделено многоуровневой интеграции агентов - от уровня сенсоров и контроля до координации и стратегического планирования. Представленные результаты способствуют формированию интеллектуальных и адаптивных платформ для повышения надёжности инфраструктурных систем.

Ключевые слова: автономные агенты, критическая инфраструктура, системы поддержки принятия решений, адаптивное управление, распределённая координация, отказоустойчивость, интеллектуальный мониторинг.

Введение

Обеспечение эксплуатационной стабильности и безопасности критической инфраструктуры требует внедрения передовых систем управления, способных к автономному принятию решений в условиях высокой неопределенности. Традиционные системы поддержки принятия решений (СППР) часто полагаются на статические алгоритмы и заранее определенные сценарии, что значительно ограничивает их адаптивность к сложным, динамичным средам. Растущая сложность современной инфраструктуры, охватывающей энергетический, транспортный секторы, здравоохранение и связь, требует интеграции интеллектуальных компонентов, способных к обработке данных в реальном времени, контекстно-зависимым рассуждениям и генерации упреждающих реакций. В этом контексте использование автономных интеллектуальных агентов (АИА) выступает как перспективная парадигма для повышения оперативности, устойчивости и адаптивности СППР в ответственных операционных доменах.

Автономные интеллектуальные агенты представляют собой класс программных сущностей, обладающих автономным поведением, механизмами обучения и способностью принимать решения на основе алгоритмов искусственного интеллекта (ИИ). Эти агенты предназначены для восприятия изменений окружающей среды, оценки потенциальных последствий и выполнения действий с минимальным вмешательством человека или без него. Будучи интегрированными в СППР для критической инфраструктуры, АИА могут способствовать непрерывному мониторингу системы, прогнозному анализу и адаптивному управлению в ответ на возникающие угрозы или системные отклонения. Их распределенная природа также позволяет осуществлять масштабируемое и децентрализованное принятие решений, что существенно важно в крупных, взаимосвязанных инфраструктурах, где централизованное управление становится узким местом или точкой уязвимости.

Целью данного исследования является анализ функциональной роли, архитектурных моделей и проблем внедрения автономных интеллектуальных агентов в системы поддержки принятия решений, обслуживающие критическую инфраструктуру. В статье исследуются ключевые принципы проектирования, сравниваются существующие реализации и оценивается их производительность с точки зрения адаптивности, отказоустойчивости и оперативности в реальном времени. Исследование основано на последних достижениях в области многоагентных систем, машинного обучения и управления киберфизической инфраструктурой, с целью внести вклад в разработку устойчивых, самоорганизующихся и интеллектуальных платформ управления, способных надежно функционировать в условиях неопределенности и стресса.

Основная часть

Функциональная архитектура автономных интеллектуальных агентов в системах поддержки принятия решений

Интеграция автономных интеллектуальных агентов в системы поддержки принятия решений требует четко определенной архитектурной структуры, поддерживающей автономию, коммуникацию, адаптивность и общесистемную координацию. Архитектура должна быть способна обрабатывать гетерогенные потоки данных, интерпретировать сложные операционные контексты и инициировать своевременные и оптимальные действия без прямого участия человека. В отличие от традиционных централизованных моделей, ограниченных в масштабируемости и отзывчивости, современные СППР на базе АИА полагаются на модульные, распределенные и часто гибридные архитектуры, сочетающие рассуждения на основе правил с компонентами машинного обучения (ML).

Типичная функциональная архитектура АИА в среде СППР включает несколько взаимосвязанных слоев: слой восприятия, отвечающий за сбор и предварительную обработку данных; слой рассуждений и логического вывода, где происходит контекстный анализ и принятие решений; слой обучения, обеспечивающий адаптацию на основе исторической эффективности и обратной связи от среды; и слой действий (исполнительный), который взаимодействует с внешними системами для выполнения действий. Каждый агент в системе действует полунезависимо, но остается синхронизированным через общую базу знаний и протоколы связи. Эта архитектура обеспечивает масштабируемость и надежность, позволяя системам критической инфраструктуры справляться как с рутинными операциями, так и с неожиданными сбоями [1].

На Рисунке 1 представлена обобщенная архитектурная модель автономных интеллектуальных агентов, встроенных в СППР для критической инфраструктуры. Диаграмма иллюстрирует поток информации между слоями, взаимодействие между агентами и механизмы обратной связи, необходимые для обучения и адаптации.

Рисунок 1 – Функциональная архитектура автономных интеллектуальных агентов в системе поддержки принятия решений

Рисунок 1 четко очерчивает иерархическую структуру и механизмы потока данных, лежащие в основе агентных систем поддержки принятия решений. Позволяя автономным агентам непрерывно взаимодействовать со своей средой и корректировать свое поведение с помощью обратной связи и внутреннего обучения, архитектура поддерживает масштабируемые, устойчивые и адаптивные операции, критически важные для сохранения функциональной целостности в сложных инфраструктурных системах.

Ключевые функциональные возможности автономных агентов в процессах принятия решений на уровне инфраструктуры

Реализация автономных агентов в инфраструктурно-ориентированных СППР зависит от их способности выполнять определенный набор функциональных возможностей, критически важных для устойчивости системы в реальном времени. Среди этих возможностей центральное место занимает ситуационная осведомленность, позволяющая агентам интерпретировать входные данные датчиков, обнаруживать отклонения и соотносить внутренние события с более широким операционным контекстом [2]. Благодаря непрерывному восприятию и анализу агенты способствуют раннему обнаружению аномалий и динамической адаптации в средах с высоким риском. Их способность автономно управлять этой сложностью делает их подходящими для инфраструктур, где время реакции человека может быть недостаточным или ошибочным в условиях стресса.

Еще одной жизненно важной возможностью является децентрализованная координация, которая позволяет агентам действовать кооперативно, оставаясь частично независимыми. Это особенно актуально в таких областях, как интеллектуальные энергосистемы (smart grids), системы водоснабжения и системы управления транспортом, где задержка информации или отказ в одной точке могут иметь каскадные последствия. Агенты обмениваются обновлениями статуса, локальными прогнозами и обоснованиями решений, позволяя системе в целом сохранять согласованность и избыточность. Такая координация требует надежных протоколов связи, механизмов распределенного консенсуса и ролевого проектирования агентов для предотвращения конфликтов и обеспечения синхронизации между подсистемами.

Кроме того, адаптивное обучение является фундаментальным для улучшения долгосрочной производительности. Агенты должны выходить за рамки реакций, основанных на правилах, интегрируя подходы обучения с учителем, без учителя или с подкреплением в зависимости от сценария. Это позволяет им со временем совершенствовать свою логику принятия решений, адаптируясь к меняющимся условиям среды и моделям угроз. В контексте инфраструктуры эта возможность поддерживает прогнозное обслуживание, оптимизацию транспортных потоков, балансировку нагрузки и другие цели, ориентированные на эффективность. В конечном счете, интеграция этих функций позволяет автономным агентам расширить интеллект СППР за пределы статических моделей, обеспечивая непрерывное улучшение системы и гарантию работоспособности в реальном времени.

Эффективное развертывание этих функциональных возможностей также зависит от способности агентов управлять неопределенностью и неполной информацией, что является распространенной проблемой в реальных инфраструктурных средах. Критические системы часто работают в условиях, когда данные могут быть зашумленными, задержанными или частично недоступными из-за неисправности датчиков, перегрузки сети или киберинцедентов. Поэтому автономные агенты должны использовать вероятностные рассуждения, нечеткую логику или модели убеждений для вывода состояний системы и поддержки решений в условиях неоднозначности. Это управление неопределенностью имеет решающее значение для поддержания безопасности и функциональности, когда детерминированные модели оказываются неадекватными [3].

Более того, устойчивость инфраструктуры, поддерживаемой агентами, зависит от их отказоустойчивости и способности к постепенной деградации (graceful degradation). Агенты должны обнаруживать внутренние сбои, изолировать скомпрометированные узлы и перераспределять задачи между исправными компонентами для сохранения основной функциональности. Это особенно актуально в киберфизических системах, где аппаратные сбои, кибератаки или каскадные отключения могут нарушить координацию. Встроенные механизмы самопроверки и избыточность на уровне агентов необходимы для локализации и смягчения последствий таких сбоев. Эти функции гарантируют, что критическая инфраструктура сможет продолжать работу в деградированном, но контролируемом состоянии до полного восстановления.

Наконец, интеграция агентов с операторами-людьми должна быть спроектирована так, чтобы способствовать доверию, прозрачности и управляемости. Хотя автономия является центральной особенностью, критическая инфраструктура по-прежнему требует человеческого надзора, особенно в случаях, связанных с этическими компромиссами или экстренным перехватом управления. Агенты должны уметь объяснять свои решения, эффективно передавать оповещения и принимать входные данные от оператора при необходимости. Механизмы «человек в контуре» (human-in-the-loop), компоненты объяснимого ИИ и интерфейсы диспетчерского управления помогают преодолеть разрыв между автоматизированным интеллектом и операционной ответственностью. Эти интерфейсы незаменимы в секторах, где соблюдение нормативных требований и общественная подотчетность имеют первостепенное значение.

Логика принятия решений на основе агентов и пример реализации в контексте инфраструктуры

Автономные агенты должны работать на основе гибкой логики принятия решений, способной реагировать на изменения в среде, состоянии системы и взаимодействии с другими агентами. Эта логика может быть закодирована с помощью структур на основе правил, деревьев решений или потоков управления с усилением обучения. В инфраструктурных системах такая логика управляет действиями, такими как изоляция сбоев, перераспределение ресурсов, экстренное реагирование и приоритезация рисков [4]. Для иллюстрации базовой реализации этой логики ниже приведено упрощенное представление псевдокода. Оно моделирует агента, который отслеживает критические метрики (например, температуру, давление, нагрузку) и реагирует на основе структуры принятия решений, учитывающей пороговые значения и состояния.

Представленный пример демонстрирует базового агента, способного отслеживать ключевые параметры, выявлять нарушения пороговых значений и выполнять контекстно-зависимые реакции. На практике такая логика расширяется вероятностным выводом, классификаторами машинного обучения и слоями многоагентной связи. Однако даже в этой упрощенной форме модель иллюстрирует основные паттерны: автономное восприятие, классификацию на основе условий и генерацию действий. Они формируют основу для масштабируемого, адаптивного управления в инфраструктурных средах реального времени [5].

Паттерны коммуникации и координации в многоагентных инфраструктурных системах

Эффективность автономных агентов в критической инфраструктуре зависит не только от индивидуальных возможностей, но и от того, как агенты общаются, координируют свои действия и принимают распределенные решения как коллективная система. Архитектуры многоагентной связи должны обеспечивать обмен информацией в реальном времени, синхронизацию общих целей и разрешение конфликтующих действий. Эти системы особенно актуальны в энергетических сетях, сетях городской мобильности и системах водораспределения, где локальные условия влияют на глобальную стабильность. Механизмы координации обычно основаны на протоколах консенсуса, иерархиях агентов на основе ролей или моделях переговоров, основанных на поведении.

Агенты часто используют комбинацию широковещательной, одноранговой (P2P) и иерархической передачи сообщений в зависимости от топологии системы и ограничений по задержке. Например, в энергетической инфраструктуре агенты балансировки сети обмениваются информацией о нагрузке, договариваются об отключении нагрузки или динамически перенаправляют потоки. Неспособность координировать действия может привести к каскадным сбоям или неэффективному использованию ресурсов. Поэтому эффективная связь агентов должна быть отказоустойчивой, с низкой задержкой и учитывать пропускную способность, особенно в инфраструктуре, где задержки связи могут поставить под угрозу безопасность или соответствие требованиям [6].

На Рисунке 2 показаны типичные паттерны коммуникации и координации в распределенной многоагентной системе, встроенной в структуру поддержки принятия решений для критической инфраструктуры. Диаграмма показывает, как агенты формируют кластеры, маршрутизируют сообщения и согласовывают решения посредством общих протоколов и локальной автономии.

Рисунок 2 – Паттерны коммуникации и координации в многоагентных инфраструктурных системах

Рисунок 2 иллюстрирует многоуровневую структуру агентной связи, где кластеры работают полунезависимо, поддерживая координацию через центральное вещание и межкластерную синхронизацию. Эта архитектура повышает способность системы реагировать на локализованные сбои, сохраняя при этом глобальную стабильность, что делает ее особенно подходящей для крупномасштабных гетерогенных инфраструктурных сред.

Масштабируемость и отказоустойчивость в агентных инфраструктурных системах

Развертывание автономных агентов в крупномасштабных инфраструктурных средах требует архитектур, которые по своей сути являются масштабируемыми и отказоустойчивыми. По мере роста сложности систем — охватывающих географически распределенные активы, гетерогенные технологии и многодоменные взаимодействия — базовая агентная структура должна поддерживать бесшовное расширение и устойчивость к локальным или системным сбоям. Масштабируемость в этом контексте подразумевает, что агенты могут быть добавлены или переконфигурированы динамически без ущерба для производительности или согласованности общего процесса принятия решений.

Ключевым фактором масштабируемости является модульная конструкция агентных кластеров, каждый из которых отвечает за определенный функциональный или географический домен [7]. Эти кластеры могут работать полунезависимо, придерживаясь общих протоколов связи и глобальных целей. Распределенное управление, в отличие от централизованной оркестрации, уменьшает узкие места и увеличивает параллелизм в вычислительных процессах. Более того, агенты внутри этих кластеров могут автономно договариваться о переназначении ролей и передаче данных, обеспечивая адаптацию в реальном времени к изменяющимся операционным нагрузкам или физической топологии.

Отказоустойчивость достигается за счет избыточности, репликации и механизмов локального восстановления. Агенты должны быть способны обнаруживать неисправных "коллег", перераспределять задачи и поддерживать деградированное, но работоспособное состояние сервиса. В критически важных системах, таких как управление транспортом или электросетями, такая непрерывность необходима для предотвращения каскадных сбоев. Такие методы, как мониторинг работоспособности агентов, процедуры аварийного переключения (failover) и репликация состояния на основе консенсуса, помогают поддерживать стабильность в неблагоприятных условиях. Важно отметить, что эти механизмы должны быть достаточно легковесными, чтобы работать в рамках ограничений ресурсов, типичных для встраиваемых систем и периферийных устройств (edge devices), обычно используемых в инфраструктуре.

Уровни интеграции автономных агентов в различных инфраструктурных доменах

Применение автономных агентов в различных секторах инфраструктуры требует стратегий адаптации, специфичных для предметной области, поскольку характер процессов принятия решений, ограничения задержки и требования безопасности значительно различаются в зависимости от контекста [8]. В таких секторах, как распределение электроэнергии, агенты должны работать в условиях реального времени со строгими гарантиями надежности, тогда как в логистике или системах городской мобильности оперативность может быть сбалансирована с целями оптимизации. Интеграция агентов в существующую инфраструктуру поэтому происходит на нескольких функциональных уровнях: восприятие (сенсоры), локальное управление, координация и стратегическое управление.

На Рисунке 3 показана иерархическая интеграция автономных агентов в четыре ключевых операционных уровня систем критической инфраструктуры. Структура обеспечивает масштабируемое развертывание функциональности агентов — начиная от восприятия и обнаружения аномалий, переходя к локальному управлению и координации и заканчивая стратегическим управлением [9]. Каждый уровень решает отдельные операционные задачи, связанные с автономией, задержкой принятия решений и сложностью данных, обеспечивая структуру для позиционирования ролей агентов в соответствии с критически важными требованиями системы.

Рисунок 3 – Уровни интеграции автономных агентов в различных инфраструктурных доменах

Многоуровневая структура отражает прогрессивное углубление функциональности агентов, от базового восприятия и обнаружения аномалий до стратегических рассуждений и координации. Эта иерархия гарантирует, что автономные агенты могут быть эффективно позиционированы в соответствующем операционном контексте, обеспечивая как локализованную отзывчивость, так и общесистемную оптимизацию.

Заключение

Растущая сложность и взаимозависимость систем критической инфраструктуры требуют использования платформ поддержки принятия решений, способных надежно функционировать в условиях неопределенности, стресса и масштабирования. Автономные интеллектуальные агенты, будучи интегрированными в такие системы, обеспечивают оперативность в реальном времени, децентрализованное управление и адаптивное обучение — возможности, которые необходимы для обеспечения непрерывности операций и устойчивости. Их многоуровневая интеграция, от обнаружения аномалий до стратегической координации, позволяет осуществлять детальное развертывание, адаптированное к конкретным требованиям различных инфраструктурных доменов. Проведенный анализ показал, что функциональные архитектуры, построенные вокруг восприятия, рассуждений, обучения и действий, позволяют агентам автономно обнаруживать, интерпретировать и реагировать на развивающиеся операционные контексты. Масштабируемость и отказоустойчивость достигаются за счет модульной кластеризации, распределенной координации и механизмов самовосстановления, в то время как эффективные протоколы связи поддерживают сотрудничество между группами агентов. Эти особенности в совокупности способствуют созданию более надежной и интеллектуальной среды поддержки принятия решений, способной повысить надежность и эффективность инфраструктурных систем.

Продолжающееся развитие агентных подходов, поддерживаемое объяснимыми моделями решений, интеграцией «человек в контуре» и адаптацией под конкретные предметные области, будет играть важную роль в формировании будущего устойчивости инфраструктуры. По мере того как критические системы развиваются в сложности и открытости, автономные интеллектуальные агенты предлагают масштабируемое, адаптивное и интеллектуальное решение для управления рисками, оптимизации производительности и поддержки информированного принятия решений в реальном времени на всех операционных уровнях.

References

1. Guo Z., Meng D., Chakraborty C., Fan X.R., Bhardwaj A., Yu K. Autonomous behavioral decision for vehicular agents based on cyber-physical social intelligence // IEEE Transactions on Computational Social Systems. 2022. Vol. 10. No. 4. P. 2111-2122.
2. Sharma S., Islam N., Singh G., Dhir A. Why do retail customers adopt artificial intelligence (AI) based autonomous decision-making systems? // IEEE Transactions on Engineering Management. 2022. Vol. 71. P. 1846-1861.
3. Cheng Y., Zhang C., Zhang Z., Meng X., Hong S., Li W., He X. Exploring large language model based intelligent agents: Definitions, methods, and prospects // arXiv preprint arXiv:2401.03428. 2024.
4. Bolgov S. Automation of business processes using integration platforms and backend technologies // International Research Journal of Modernization in Engineering Technology and Science. 2024. Vol. 6(12). P. 3847-3851.
5. Li S., Shu K., Chen C., Cao D. Planning and decision-making for connected autonomous vehicles at road intersections: A review // Chinese Journal of Mechanical Engineering. 2021. Vol. 34. P. 1-18.
6. Aksjonov A., Kyrki V. Rule-based decision-making system for autonomous vehicles at intersections with mixed traffic environment // 2021 IEEE International Intelligent Transportation Systems Conference (ITSC). IEEE. 2021. P. 660-666.
7. Mills D., Pudney S., Pevcin P., Dvorak J. Evidence-based public policy decision-making in smart cities: Does extant theory support achievement of city sustainability objectives? // Sustainability. 2021. Vol. 14. No. 1. P. 3.
8. Caballero W.N., Rios Insua D., Banks D. Decision support issues in automated driving systems // International Transactions in Operational Research. 2023. Vol. 30. No. 3. P. 1216-1244.
9. Goriparthi R.G. Reinforcement Learning in IoT: Enhancing Smart Device Autonomy through AI // Computing. 2024. Vol. 2. P. 89-109.