News of the Kabardino-Balkarian Scientific Center of the Russian Academy of SciencesNews of the Kabardino-Balkarian Scientific Center of the Russian Academy of SciencesИзвестия Кабардино-Балкарского научного центра РАН1991-66392949-194035237310.35330/1991-6639-2023-5-115-32-40EBPKCGSystem analysis, management and information processingСистемный анализ, управление и обработка информацииResearch ArticleEnergy exchange model between agneurons as part of multi-agent neurocognitive architectureМодель энергообмена между агнейронами в составе мультиагентной нейрокогнитивной архитектурыhttps://orcid.org/0000-0003-3394-7682PshenokovaInna A.ПшеноковаИнна Ауесовна
Russian Federation

канд. физ.-мат. наук, зав. лаб.

Candidate of Physical and Mathematical Sciences, Head of lab.

pshenokova_inna@mail.ruApshevArtur Z.АпшевАртур Заурбиевич
Russian Federation

стажер-исследователь

Research Assistant

apshev@mail.ruИнститут информатики и проблем регионального управления - филиал Кабардино-Балкарского научного центра Российской академии наукInstitute of Computer Science and Problems of Regional Management - branch of Kabardino-Balkarian Scientific Center of the Russian Academy of Sciencesru1602202620235NO5 (2023)№5 (2023)324020112025Copyright ©; 2026, Pshenokova I.A., Apshev A.Z.Copyright ©; 2026, Пшенокова И.А., Апшев А.З.2026Pshenokova I.A., Apshev A.Z.Пшенокова И.А., Апшев А.З.https://creativecommons.org/licenses/by/4.0https://journals.rcsi.science/1991-6639/article/view/352373

In recent years distributed artificial intelligence has attracted the attention of scientists due to its ability to solve complex computing problems. The main area of this article is multi-agent systems. The flexibility of multi-agent systems makes them suitable for solving problems in various disciplines, including computer science, economics, civil construction, etc. The aim of this study is to build an imitation model of energy exchange between agents in an intellectual decision-making system based on multi-agent neurocognitive architecture. The object of study is the process of energy exchange in the neural structure of the brain. The work proposes a model of energy exchange between agneurons as part of a multi-agent neurocognitive architecture of an intellectual agent. The proposed formalism is based on the neurofunctional similarity of the agneurons of an intellectual agent with neurons of the human brain. The process of energy exchange and consumption of the brain neurons in the process of performing cognitive functions is considered. In particular, the work combines the knowledge gained as a result of the study of mitochondrial function and the metabolic energy of the brain. Formalism is presented for calculating the energy of agneurons and actors at different levels of the invariant of multi-agent neurocognitive architecture of an intelligent agent. Further work will be to test the presented architecture in the simulation modeling program.

В последние годы распределенный искусственный интеллект привлек внимание академических кругов из-за его способности решать сложные вычислительные задачи. Основным направлением данной статьи являются мультиагентные системы. Гибкость мультиагентных систем делает их подходящими для решения задач в различных дисциплинах, включая информатику, экономику, гражданское строительство и др. Целью настоящего исследования является построение имитационной модели энергообмена между агентами в интеллектуальной системе принятия решений на основе мультиагентной нейрокогнитивной архитектуры. Объектом исследования является процесс энергообмена в нейронной структуре головного мозга. В работе предлагается модель энергообмена между агнейронами в составе мультиагентной нейрокогнитивной архитектуры интеллектуального агента. Предлагаемый формализм основан на нейрофункциональном сходстве агнейронов интеллектуального агента с нейронами человеческого мозга. Рассматривается процесс обмена и потребления энергии нейронами мозга в процессе выполнения когнитивных функций. В частности, работа сочетает в себе знания, полученные в результате изучения митохондриальной функции и метаболической энергии мозга. Представлен формализм для расчета энергии агнейронов и акторов на разных уровнях инварианта мультиагентной нейрокогнитивной архитектуры интеллектуального агента. Дальнейшая работа будет заключаться в тестировании представленной архитектуры в разрабатываемой программе имитационного моделирования.

intellectual agentmultiagent systemscognitive architecturedecision making and management systemsинтеллектуальный агентмультиагентные системыкогнитивная архитектурасистемы принятия решений и управленияDorri A., Kanhere S., Jurdak R. Multi-agent systems: A Survey. IEEE Access. 2018. Vol. 6. Pp. 28573-28593. DOI: 10.1109/ACCESS.2018.2831228.Dorri A., Kanhere S., Jurdak R. Multi-agent systems: A Survey. IEEE Access. 2018. Vol. 6. Pp. 28573–28593. DOI: 10.1109/ACCESS.2018.2831228.Bond A., Gasser L. Readings in distributed artificial intelligence. San Mateo, CA, USA: Morgan Kaufmann, 2014. 668 p.Wooldridge M. An Introduction to multiagent systems. New York, NY, USA: Wiley, 2009. 488 p.Shamshirband S., Anuar N., Kiah M., Patel A. An appraisal and design of a multi-agent system based cooperative wireless intrusion detection computational intelligence technique. Eng. Appl. Artif. Intell. 2013. Vol. 26. Pp. 2105-2127. DOI:10.1016/j.engappai.2013.04.010.Shamshirband S., Anuar N., Kiah M., Patel A. An appraisal and design of a multi-agent system based cooperative wireless intrusion detection computational intelligence technique. Eng. Appl. Artif. Intell. 2013. Vol. 26. Pp. 2105–2127. DOI:10.1016/j.engappai.2013.04.010.Zou A.-M., Kumar K., Hou Z.-G. Distributed consensus control for multi-agent systems using terminal sliding mode and Chebyshev neural networks. Int. J. Robust Nonlinear Control. 2013. Vol. 23(3). Pp. 334-357. DOI:10.1002/rnc.1829.Zou A.-M., Kumar K., Hou Z.-G. Distributed consensus control for multi-agent systems using terminal sliding mode and Chebyshev neural networks. Int. J. Robust Nonlinear Control. 2013. Vol. 23(3). Pp. 334–357. DOI:10.1002/rnc.1829.Calvaresi D. et al. Real-time multi-agent systems: rationality, formal model, and empirical results. Autonomous agents and multi-agent systems. 2021. Vol. 35(1). P. 12. DOI: 10.1007/s10458-020-09492-5.Zhang D. et al. Physical safety and cyber security analysis of multi-agent systems: A survey of recent advances. IEEE/CAA Journal of automatica sinica. 2021. Vol. 8(2). Pp. 319-333. DOI:10.1109/JAS.2021.1003820.Zhang D. et al. Physical safety and cyber security analysis of multi-agent systems: A survey of recent advances. IEEE/CAA Journal of automatica sinica. 2021. Vol. 8(2). Pp. 319–333. DOI:10.1109/JAS.2021.1003820.Rezaee H., Abdollahi F. Average consensus over high-order multiagent systems. IEEE Trans. autom. control. 2015. Vol. 60(11). Pp. 3047-3052. DOI:10.1109/TAC.2015.2408576.Rezaee H., Abdollahi F. Average consensus over high-order multiagent systems. IEEE Trans. au-tom. control. 2015. Vol. 60(11). Pp. 3047–3052. DOI:10.1109/TAC.2015.2408576.Ma L., Min H., Wang S. et al. An overview of research in distributed attitude coordination control. IEEE/CAA J. autom. sinica. 2015. Vol. 2(2). Pp. 121-133.Ma L., Min H., Wang S. et al. An overview of research in distributed attitude coordination con-trol. IEEE/CAA J. autom. sinica. 2015. Vol. 2(2). Pp. 121–133.Nagoev Z., Pshenokova I., Nagoeva O. et al. Learning algorithm for an intelligent decision making system based on multi-agent neurocognitive architectures. Cognitive systems research. 2021. Vol. 66. Pp. 82-88. DOI: 10.1016/j.cogsys.2020.10.015Nagoev Z., Pshenokova I., Nagoeva O. et al. Learning algorithm for an intelligent decision mak-ing system based on multi-agent neurocognitive architectures. Cognitive systems research. 2021. Vol. 66. Pp. 82–88. DOI: 10.1016/j.cogsys.2020.10.015Nagoev Z.V. Intellektika, ili myshlenie v zhivykh i iskusstvennykh sistemakh [Intellectics, or thinking in natural and artificial systems]. Nal'chik: Izdatel'stvo KBNTS RAN, 2013. 211 p.Нагоев З. В. Интеллектика, или мышление в живых и искусственных системах // Нальчик: Издательство КБНЦ РАН, 2013. 213 с.Nagoev Z.V. Multi-agent existential mappings and functions. News of the Kabardino-Balkarian Scientific Center of RAS. 2013. No. 4(54). Pp. 63-71.Нагоев З. В. Мультиагентные экзистенциальные отображения и функции // Известия Ка-бардино-Балкарского научного центра РАН. 2013. № 4 (54). С. 63–71.Nagoev Z., Pshenokova I., Nagoeva O. et al. Situational analysis model in an intelligent system based on multi-agent neurocognitive architectures. Journal of Physics: Conference Series. 2131 (2021) 022103. DOI:10.1088/1742-6596/2131/2/022103.Picard M., McEwen B.S. Mitochondria impact brain function and cognition. Proceedings of the National Academy of Sciences. 2014. Vol. 111. No. 1. Pp. 7-8.Picard M., McEwen B.S. Mitochondria impact brain function and cognition. Proceedings of the National Academy of Sciences. 2014. Vol. 111. No. 1. Pp. 7–8.Wallace D.C. Bioenergetics, the origins of complexity, and the ascent of man. Proceedings of the National Academy of Sciences. 2010. Vol. 107. No. supplement_2. Pp. 8947-8953.Wallace D.C. Bioenergetics, the origins of complexity, and the ascent of man. Proceedings of the National Academy of Sciences. 2010. Vol. 107. No. supplement_2. Pp. 8947–8953.Chan D.C. Fusion and fission: interlinked processes critical for mitochondrial health. Annual Review of genetics. 2012. Vol. 46. Pp. 265-287.Chan D.C. Fusion and fission: interlinked processes critical for mitochondrial health. Annual Review of genetics. 2012. Vol. 46. Pp. 265–287.Pshenokova I.A., Nagoeva O.V., Apshev A.Z. et al. Formation of dynamic cause-and-effect relationships in controlling the behavior of an intelligent agent based on the formalism of multiagent neurocognitive architectures. News of the Kabardino-Balkarian Scientific Center of RAS. 2022. No. 5 (109). Pp. 73-80. DOI: 10.35330/1991-6639-2022-5-109-73-80.Пшенокова И. А., Нагоева О. В., Апшев А. З. и др. Формирование динамических причин-но-следственных зависимостей при управлении поведением интеллектуального агента на основе формализма мультиагентных нейрокогнитивных архитектур // Известия Кабарди-но-Балкарского научного центра РАН. 2022. № 5(109). С. 73–80. DOI: 10.35330/1991-6639-2022-5-109-73-80.Raichle M.E., Gusnard D.A. Appraising the brain's energy budget. PNAS. 2002. Vol. 99(16). Pp. 10237-10239. DOI: 10.1073/pnas.172399499.Raichle M.E., Gusnard D.A. Appraising the brain's energy budget. PNAS. 2002. Vol. 99(16). Pp. 10237–10239. DOI: 10.1073/pnas.172399499.Bruckmaier M., Tachtsidis I., Phan P. e al. Attention and Capacity Limits in Perception: A Cellular Metabolism Account. Journal of Neuroscience. 2020. Vol. 40 (35). Pp. 6801-6811. DOI: 10.1523/JNEUROSCI.2368-19.2020.Bruckmaier M., Tachtsidis I., Phan P. e al. Attention and Capacity Limits in Perception: A Cellular Metabolism Account. Journal of Neuroscience. 2020. Vol. 40 (35). Pp. 6801–6811. DOI: 10.1523/JNEUROSCI.2368-19.2020.