Совершенствование процедур государственного политического управления в сфере демографии и миграции с помощью мультиагентного Deep Reinforcement Learning на примере алгоритма MADDPG ... Дождиков А.В.Совершенствование процедур государственного политического управления в сфере демографии и миграции с помощью мультиагентного Deep Reinforcement Learning на примере алгоритма MADDPG // Вестник Российского университета дружбы народов. Серия: Государственное и муниципальное управление. 2025. Т. 12. № 3. C. 366-374.ISSN 2312-8313DOI: 10.22363/2312-8313-2025-12-3-366-374Размещена на сайте: 06.11.25Текст статьи на сайте журнала URL: https://journals.rudn.ru/public-administration/article/view/46832 (дата обращения 06.11.2025)Ссылка при цитировании:Дождиков А.В. Совершенствование процедур государственного политического управления в сфере демографии и миграции с помощью мультиагентного Deep Reinforcement Learning на примере алгоритма MADDPG // Вестник Российского университета дружбы народов. Серия: Государственное и муниципальное управление. 2025. Т. 12. № 3. C. 366-374. DOI: 10.22363/2312-8313-2025-12-3-366-374.Dozhdikov A.V. Enhancing governmental policy-making in demographics and migration through multi-agent Deep Reinforcement Learning: A case study with the MADDPG algorithm. RUDN Journal of Public Administration. 2025. Vol. 12. No. 3. Pp. 366-374. DOI: 10.22363/2312-8313-2025-12-3-366-374. DOI: 10.22363/2312-8313-2025-12-3-366-374.АннотацияОпределены основные социальные, политические и экономические риски, связанные с «перепроизводством» элиты, сокращением среднего класса с учетом неконтролируемой миграции. Для нивелирования рисков предложен общий теоретический подход оптимизации «гиперпараметров» процедур государственного управления, «апгрейда» модели принятия управленческих решений с помощью гибридных систем, основанных на машинном обучении. Проведен эксперимент для 7 регионов с изначально рандомными признаками (число регионов может быть любым). В ходе эксперимента с алгоритмом MADDPG показана возможность реализации сбалансированной миграционной, социально-экономической и ресурсной политики для произвольного числа регионов в условиях нестабильности, хаотических, шумовых процессов и межрегиональной миграции на неограниченный период времени при сохранении основных параметров среды. Обученные ИИ-алгоритмы в совместной деятельности показали рост численности населения, экономический рост и развитие территорий, рациональное использовании имеющихся ресурсов (без их исчерпания), сбалансированную межрегиональную миграцию. Дальнейшее направление исследования предполагает подключение фактора внешней миграции и детализацию факторов межрегиональной миграции, экономического роста и потребления ресурсов в разрезе социальной структуры общества. Перспектива применения - гибридные человеко-машинные системы управления и поддержки принятия решений для сферы государственного управления.Ключевые слова:динамика населения миграционные потоки избыток элиты обучение с подкреплением глубокое обучение многоагентные системы государственная политика demographic structure labor mobility patterns overproduction of skilled professionals sequential decision- making algorithm neural function approximation collaborative autonomous agents state governance frameworks Рубрики: Политическая социологияСоциальная политика и управлениеВозможно, вам будут интересны другие публикации:Дождиков А. В.Повышение эффективности государственной политики в сфере кинематографии с помощью машинного обучения // Наука телевидения. 2024. Т. 20. № 2. С. 55–84.Медведь В. А.Образовательная миграция в Китай: тенденции и особенности // Государственная молодежная политика: национальные проекты 2019–2024 гг. в социальном развитии молодежи: материалы Всероссийской научно-практической конференции. Москва, 20–21 апреля 2020 года / ИСПИ ФНИСЦ РАН; [отв. ред. Т.К.Ростовская]. – М.: Изд-во Перспектива, 2020. – С. 397-401. URL: https://itdperspectiva.page.link/MolPol2020 Yanitsky O.N. Russian Megalopolis: Processes of Divergence, Separation and Integration of its Agents. International Journal of Political Science (IJPS), 2018, Vol. 4, Issue 3, pp. 5-13.Лютенко И. В.Толерантность/интолерантность представителей трансгендерного сообщества в контексте эноконфессиональных отношений (по результатам мониторинговых исследований) // ПОИСК: Политика. Обществоведение. искусство. Социология. Культура. 2020. Вып. № 6 (83). С. 67-80.Топилин А. В., Воробьева О. Д.Демографическая ситуация и особенности формирования трудовых ресурсов России и регионов в перспективе // Вестник Российской академии наук. 2021. Т. 91. № 9. С. 856-864.