کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6900469 1446489 2018 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Partially observable Markov methods in an agent-based simulation: a tax evasion case study
ترجمه فارسی عنوان
روش های مارکوف به طور جزئی قابل مشاهده در یک شبیه سازی مبتنی بر عامل: مطالعه موردی گمراهی مالیاتی
ترجمه چکیده
تعریف و آزمایش یک سیاست در سیستم اجتماعی-اقتصادی یکی از مشکلات اصلی مطرح شده توسط مدل سازی مبتنی بر عامل است. در حالی که تحقیق همچنان انجام می شود تا چارچوب های ترکیبی را که پیچیدگی های مختلفی را برطرف می کند، انجام ندهد، هیچ مدل به طور صریح تکرارهای محاسباتی سیستم های چندگانه، به ویژه در برخورد با شرایط جزئی قابل مشاهده، ادغام نمی شود. در کار ما نشان داده شده است که چگونه یک یادگیری تقویت شده مبتنی بر مارکوف و محاسبات قابل توجهی در مورد رفتار یک نماینده مالیات دهندگان می تواند به بهبود تجزیه و تحلیل یک سیاست حسابرسی کمک کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
چکیده انگلیسی
Defining and testing a policy on a socioeconomic system is one of the main problems addressed by agent-based modelling. While research continues to be conducted to come up with hybrid frameworks that tackle the complexity of different problems, no model explicitly integrates computational replications of multi-agent systems, particularly in dealing with partially observable situations. We show in our work how a Markov based reinforced learning and partially observable computations in the behaviour of a taxpayer agent can contribute to refining the analysis of an audit policy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Procedia Computer Science - Volume 127, 2018, Pages 256-263
نویسندگان
, ,