Model oparty na agentach - Agent-based model

Programowanie Agentowe ( ABM ) jest model obliczeniowy do symulacji działania i interakcji czynników autonomicznych (oba podmioty indywidualne lub zbiorowe, takie jak organizacje lub grupy), aby zrozumieć zachowanie systemu i co reguluje jego rezultatów. Łączy w sobie elementy teorii gier , systemów złożonych , emergencji , socjologii obliczeniowej , systemów wieloagentowych i programowania ewolucyjnego . Metody Monte Carlo służą do zrozumienia stochastyczności tych modeli. Szczególnie w ekologii ABM są również nazywane modelami indywidualnymi ( IBM ). Przegląd najnowszej literatury na temat modeli opartych na jednostkach, modeli agentowych i systemów wieloagentowych pokazuje, że ABM są wykorzystywane w wielu dziedzinach nauki, w tym w biologii , ekologii i naukach społecznych . Modelowanie agentowe jest powiązane z koncepcją systemów wieloagentowych lub symulacji wieloagentowej , ale różni się od niej, ponieważ celem ABM jest poszukiwanie wyjaśniającego wglądu w zbiorowe zachowanie agentów przestrzegających prostych zasad, zazwyczaj w systemach naturalnych , a nie w projektowaniu agentów lub rozwiązywaniu konkretnych problemów praktycznych lub inżynierskich.

Modele agentowe to rodzaj modelu w mikroskali, który symuluje jednoczesne operacje i interakcje wielu agentów w celu odtworzenia i przewidywania pojawienia się złożonych zjawisk. Jest to proces emergencji , który niektórzy określają jako „całość jest większa niż suma jej części”. Innymi słowy, właściwości systemu wyższego poziomu wynikają z interakcji podsystemów niższego poziomu. Lub zmiany stanu w skali makro wynikają z zachowań agentów w skali mikro. Lub proste zachowania (czyli reguły przestrzegane przez agentów) generują złożone zachowania (czyli zmiany stanu na poziomie całego systemu).

Poszczególni agenci są zazwyczaj charakteryzowani jako w pełni racjonalni , zakłada się, że działają w tym, co postrzegają jako własne interesy, takie jak reprodukcja, korzyści ekonomiczne lub status społeczny, przy użyciu heurystyk lub prostych zasad podejmowania decyzji. Agenci ABM mogą doświadczać „uczenia się”, adaptacji i reprodukcji.

Większość modeli agentowych składa się z: (1) wielu agentów określonych w różnych skalach (zwykle określanych jako agent-granularity); (2) heurystyki decyzyjne; (3) zasady uczenia się lub procesy adaptacyjne; (4) topologia interakcji ; oraz (5) środowisko. ABM są zazwyczaj implementowane jako symulacje komputerowe , jako oprogramowanie niestandardowe lub za pośrednictwem zestawów narzędzi ABM, a to oprogramowanie może być następnie wykorzystane do testowania, jak zmiany w poszczególnych zachowaniach wpłyną na pojawiające się ogólne zachowanie systemu.

Historia

Idea modelowania agentowego została opracowana jako stosunkowo prosta koncepcja pod koniec lat 40. XX wieku. Ponieważ wymaga procedur wymagających dużej mocy obliczeniowej, rozpowszechnił się dopiero w latach 90. XX wieku.

Wczesne zmiany

Historia modelu opartego na agentach sięga wstecz do maszyny von Neumanna, maszyny teoretycznej zdolnej do reprodukcji. Zaproponowane przez von Neumanna urządzenie byłoby zgodne ze szczegółowymi instrukcjami, aby stworzyć kopię samego siebie. Koncepcja została następnie zbudowana przez przyjaciela von Neumanna Stanisława Ulama , również matematyka; Ulam zasugerował, aby maszynę zbudować na papierze, jako zbiór komórek na siatce. Pomysł zaintrygował von Neumanna, który go opracował – tworząc pierwsze z urządzeń nazwanych później automatami komórkowymi . Kolejny postęp wprowadził matematyk John Conway . Skonstruował znaną Grę w życie . W przeciwieństwie do maszyny von Neumanna, Gra w życie Conwaya działała na prostych zasadach w wirtualnym świecie w postaci dwuwymiarowej szachownicy .

Język programowania Simula , opracowany w połowie lat 60. i szeroko zaimplementowany na początku lat 70., był pierwszym frameworkiem do automatyzacji symulacji agentów krok po kroku.

Lata 70. i 80.: pierwsze modele

Jednym z najwcześniejszych modeli opartych na agentach był model segregacji Thomasa Schellinga , który został omówiony w jego artykule „Dynamic Models of Segregation” w 1971 roku. Chociaż Schelling pierwotnie używał monet i papieru milimetrowego zamiast komputerów, jego modele zawierały podstawowe koncepcja modeli opartych na agentach jako autonomicznych agentów wchodzących w interakcję we wspólnym środowisku z obserwowanym zagregowanym, wyłaniającym się wynikiem.

We wczesnych latach osiemdziesiątych Robert Axelrod zorganizował turniej strategii Prisoner's Dilemma i zlecił im interakcję w oparciu o agenta, aby wyłonić zwycięzcę. Axelrod rozwinął następnie wiele innych modeli agentowych w dziedzinie nauk politycznych, które badają zjawiska od etnocentryzmu po upowszechnianie kultury. Pod koniec lat osiemdziesiątych praca Craiga Reynoldsa nad modelami flokowania przyczyniła się do opracowania kilku pierwszych modeli opartych na czynnikach biologicznych, które zawierały cechy społeczne. Próbował modelować rzeczywistość żywych czynników biologicznych, znanych jako sztuczne życie , termin ukuty przez Christophera Langtona .

Pierwsze użycie słowa „agent” i definicji, jaka jest obecnie używana, jest trudne do wyśledzenia. Jednym z kandydatów wydaje się być artykuł Johna Hollanda i Johna H. Millera z 1991 roku „Sztuczne czynniki adaptacyjne w teorii ekonomicznej”, oparty na ich wcześniejszej prezentacji na konferencji.

W tym samym czasie, w latach 80., socjolodzy, matematycy, badacze operacji i rozproszone osoby z innych dyscyplin opracowali teorię obliczeniową i matematyczną organizacji (CMOT). Ta dziedzina rozwinęła się jako grupa specjalnego zainteresowania The Institute of Management Sciences (TIMS) i jego siostrzanego stowarzyszenia, Operations Research Society of America (ORSA).

Lata 90.: ekspansja

Lata 90. były szczególnie godne uwagi dla ekspansji ABM w naukach społecznych, jednym godnym uwagi wysiłkiem był ABM na dużą skalę, Sugarscape , opracowany przez Joshuę M. Epsteina i Roberta Axtella w celu symulacji i zbadania roli zjawisk społecznych, takich jak sezonowe migracje, zanieczyszczenia, rozmnażanie płciowe, zwalczanie i przenoszenie chorób, a nawet kultury. Inne ważne wydarzenia zawarte 1990s Carnegie Mellon University „s Kathleen Carley ABM, w celu zbadania Koewolucja sieci społecznych i kultury. W latach 90. Nigel Gilbert opublikował pierwszy podręcznik Symulacja społeczna: Symulacja dla naukowca społecznego (1999) i założył czasopismo z perspektywy nauk społecznych: Journal of Artificial Societies and Social Simulation (JASSS). Poza JASSS, modele agentowe dowolnej dyscypliny są objęte zakresem czasopisma SpringerOpen Complex Adaptive Systems Modeling (CASM).

W połowie lat 90. wątek nauk społecznych w ABM zaczął koncentrować się na takich zagadnieniach, jak projektowanie efektywnych zespołów, zrozumienie komunikacji wymaganej dla efektywności organizacyjnej oraz zachowanie sieci społecznościowych. CMOT — później przemianowany na Computational Analysis of Social and Organizational Systems (CASOS) — zawierał coraz więcej modeli opartych na agentach. Samuelson (2000) jest dobrym krótkim przeglądem wczesnej historii, a Samuelson (2005) oraz Samuelson i Macal (2006) śledzą późniejsze wydarzenia.

Pod koniec lat 90. fuzja TIMS i ORSA w celu utworzenia INFORMS oraz przejście INFORMS z dwóch spotkań rocznie na jedno, pomogło zachęcić grupę CMOT do utworzenia oddzielnego społeczeństwa, North American Association for Computational Social and Organisations Sciences (NAACSOS). Kathleen Carley była głównym wkładem, zwłaszcza w modele sieci społecznościowych, zdobywając fundusze National Science Foundation na doroczną konferencję i pełniąc funkcję pierwszego prezesa NAACSOS. Jej następcą został David Sallach z University of Chicago i Argonne National Laboratory , a następnie Michael Prietula z Emory University . Mniej więcej w tym samym czasie rozpoczęło się NAACSOS, zorganizowano Europejskie Stowarzyszenie Symulacji Społecznej (ESSA) i Pacyfiko-Azjatyckie Stowarzyszenie na rzecz Podejścia Opartego na Agentach w Naukach o Systemach Społecznych (PAAA), odpowiedniki NAACSOS. Od 2013 roku te trzy organizacje współpracują na arenie międzynarodowej. Pierwszy Światowy Kongres Symulacji Społecznej odbył się pod ich wspólnym patronatem w Kioto w Japonii w sierpniu 2006 r. Drugi Światowy Kongres odbył się na przedmieściach Waszyngtonu w Północnej Wirginii w lipcu 2008 r., a główną rolę odegrał Uniwersytet George'a Masona w lokalnych ustaleniach.

2000 i później

Niedawno Ron Sun opracował metody oparte na symulacji agentowej na modelach ludzkiego poznania, znane jako kognitywna symulacja społeczna . Bill McKelvey, Suzanne Lohmann, Dario Nardi, Dwight Read i inni z UCLA również wnieśli znaczący wkład w zachowanie organizacyjne i podejmowanie decyzji. Od 2001 roku UCLA organizuje konferencję w Lake Arrowhead w Kalifornii, która stała się kolejnym ważnym miejscem spotkań praktyków w tej dziedzinie.

Teoria

Większość badań dotyczących modelowania obliczeniowego opisuje systemy w równowadze lub jako poruszające się między równowagami. Jednak modelowanie oparte na agentach przy użyciu prostych reguł może skutkować różnego rodzaju złożonymi i interesującymi zachowaniami. Trzy idee kluczowe dla modeli opartych na agentach to agenci jako obiekty, pojawienie się i złożoność .

Modele oparte na agentach składają się z dynamicznie oddziałujących agentów opartych na regułach. Systemy, w których wchodzą w interakcje, mogą tworzyć złożoność podobną do rzeczywistego świata. Zazwyczaj agenci są usytuowani w przestrzeni i czasie oraz rezydują w sieciach lub w sąsiedztwie przypominającym kraty. Lokalizacja agentów i ich responsywne zachowanie są zakodowane w postaci algorytmicznej w programach komputerowych. W niektórych przypadkach, choć nie zawsze, agenci mogą być uważani za inteligentnych i celowych. W ekologicznym ABM (często określanym w ekologii jako „modele oparte na jednostkach”) agentami mogą być na przykład drzewa w lesie i nie będą uważane za inteligentne, chociaż mogą być „celowe” w sensie optymalizacji dostępu do zasobu (takiego jak woda). Proces modelowania najlepiej opisać jako indukcyjny . Modelarz uważa te założenia za najbardziej adekwatne do sytuacji, a następnie obserwuje zjawiska wyłaniające się z interakcji agentów. Czasami rezultatem jest równowaga. Czasami jest to wyłaniający się wzór. Czasami jednak jest to niezrozumiała magiel.

Pod pewnymi względami modele agentowe uzupełniają tradycyjne metody analityczne. Tam, gdzie metody analityczne umożliwiają ludziom scharakteryzowanie równowagi systemu, modele agentowe umożliwiają generowanie tych równowag. Ten generatywny wkład może być głównym nurtem potencjalnych korzyści modelowania agentowego. Modele oparte na agentach mogą wyjaśniać pojawienie się wzorców wyższego rzędu — struktur sieciowych organizacji terrorystycznych i Internetu, rozkładów prawa władzy w rozmiarach korków ulicznych, wojen i krachów giełdowych oraz segregacji społecznej, która utrzymuje się pomimo populacji tolerancyjni ludzie. Modele agentowe mogą być również wykorzystywane do identyfikacji punktów dźwigni, definiowanych jako momenty w czasie, w których interwencje mają ekstremalne konsekwencje, oraz do rozróżniania typów zależności ścieżek.

Zamiast skupiać się na stanach stabilnych, wiele modeli uwzględnia odporność systemu — sposoby, w jakie złożone systemy przystosowują się do nacisków wewnętrznych i zewnętrznych, aby zachować swoją funkcjonalność. Zadanie okiełznania tej złożoności wymaga rozważenia samych agentów — ich różnorodności, powiązania i poziomu interakcji.

Struktura

Ostatnie prace nad modelowaniem i symulacją złożonych systemów adaptacyjnych wykazały potrzebę łączenia modeli agentowych i złożonych modeli sieciowych. opisać strukturę składającą się z czterech poziomów opracowywania modeli złożonych systemów adaptacyjnych opisanych za pomocą kilku przykładowych multidyscyplinarnych studiów przypadku:

  1. Complex Network Modeling Level do tworzenia modeli z wykorzystaniem danych interakcji różnych komponentów systemu.
  2. Eksploracyjny poziom modelowania agentowego do opracowywania modeli agentowych w celu oceny wykonalności dalszych badań. Może to być przydatne np. przy opracowywaniu modeli sprawdzających słuszność koncepcji, takich jak finansowanie wniosków, bez konieczności intensywnego uczenia się naukowców.
  3. Opisowe modelowanie agentowe (DREAM) do tworzenia opisów modeli agentowych za pomocą szablonów i złożonych modeli sieciowych. Budowanie modeli DREAM umożliwia porównywanie modeli w różnych dyscyplinach naukowych.
  4. Zwalidowane modelowanie agentowe z wykorzystaniem systemu Virtual Overlay Multiagent (VOMAS) do tworzenia zweryfikowanych i zwalidowanych modeli w sposób formalny.

Inne metody opisywania modeli opartych na agentach obejmują szablony kodu i metody tekstowe, takie jak protokół ODD (przegląd, koncepcje projektowe i szczegóły projektu).

Rola środowiska, w którym żyją agenci, zarówno makro, jak i mikro, staje się również ważnym czynnikiem w modelowaniu agentowym i pracach symulacyjnych. Proste środowisko dostarcza prostych agentów, ale złożone środowiska generują różnorodność zachowań.

Modelowanie wieloskalowe

Mocną stroną modelowania agentowego jest jego zdolność do pośredniczenia w przepływie informacji między wagami. Gdy potrzebne są dodatkowe informacje o agencie, badacz może zintegrować je z modelami opisującymi dodatkowe szczegóły. Jeśli ktoś interesuje się pojawiającymi się zachowaniami wykazywanymi przez populację agentów, można połączyć model agentowy z modelem kontinuum opisującym dynamikę populacji. Na przykład w badaniu dotyczącym limfocytów T CD4+ (kluczowego typu komórek w adaptacyjnym układzie odpornościowym) naukowcy modelowali zjawiska biologiczne zachodzące w różnych skalach przestrzennych (wewnątrzkomórkowych, komórkowych i systemowych), czasowych i organizacyjnych (transdukcja sygnału, gen regulacja, metabolizm, zachowania komórkowe i transport cytokin). W powstałym modelu modułowym transdukcja sygnału i regulacja genów są opisane za pomocą modelu logicznego, metabolizm za pomocą modeli opartych na ograniczeniach, dynamika populacji komórek jest opisana za pomocą modelu opartego na czynnikach, a ogólnoustrojowe stężenia cytokin za pomocą równań różniczkowych zwyczajnych. W tym modelu wieloskalowym model oparty na agentach zajmuje centralne miejsce i kieruje każdym strumieniem przepływu informacji między skalami.

Aplikacje

W modelowaniu złożonych systemów adaptacyjnych

Żyjemy w bardzo złożonym świecie, w którym mamy do czynienia ze złożonymi zjawiskami, takimi jak tworzenie norm społecznych i pojawianie się nowych przełomowych technologii. Aby lepiej zrozumieć takie zjawiska, socjologowie często stosują podejście redukcjonizmu, w którym redukują złożone systemy do zmiennych niższej dźwigni i modelują relacje między nimi za pomocą schematu równań, takiego jak równanie różniczkowe cząstkowe (PDE). To podejście, zwane modelowaniem opartym na równaniach (EBM), ma pewne podstawowe słabości w modelowaniu rzeczywistych systemów złożonych. EBM podkreślają nierealistyczne założenia, takie jak nieograniczona racjonalność i doskonała informacja, podczas gdy adaptacyjność, ewolucja i efekty sieciowe pozostają nierozwiązane. W radzeniu sobie z niedostatkami redukcjonizmu ramy złożonych systemów adaptacyjnych (CAS) okazały się bardzo ważne w ciągu ostatnich dwóch dekad. W przeciwieństwie do redukcjonizmu, w ramach CAS, złożone zjawiska są badane w sposób organiczny, gdzie ich czynniki mają być zarówno racjonalnie racjonalne, jak i adaptacyjne. Jako potężna metodologia modelowania CAS, modelowanie agentowe (ABM) zyskało rosnącą popularność wśród naukowców i praktyków. ABM pokazują, jak proste reguły behawioralne agentów i ich lokalne interakcje w mikroskali mogą generować zaskakująco złożone wzorce w makroskali.

W biologii

Główny artykuł: Model agentowy w biologii

Modelowanie agenta oparte zostało szeroko stosowane w biologii, w tym analizy rozprzestrzeniania się epidemii i zagrożenia bronią biologiczną , zastosowań biologicznych , w tym dynamiki populacji , ekspresja genu stochastycznego, interakcji roślina zwierząt, roślinność ekologii, różnorodności krajobrazu, socjobiologii , The wzrost i upadek starożytnych cywilizacji, ewolucja zachowań etnocentrycznych, wymuszone przemieszczenie/migracja, dynamika wyboru języka, modelowanie poznawcze i zastosowania biomedyczne, w tym modelowanie tworzenia/morfogenezy tkanki piersi 3D, wpływ promieniowania jonizującego na dynamikę subpopulacji komórek macierzystych sutka, stany zapalne, i ludzki układ odpornościowy . Modele agentowe zostały również wykorzystane do opracowania systemów wspomagania decyzji, takich jak rak piersi. Modele agentowe są coraz częściej wykorzystywane do modelowania systemów farmakologicznych na wczesnym etapie i badań przedklinicznych, aby pomóc w opracowywaniu leków i uzyskać wgląd w systemy biologiczne, który nie byłby możliwy a priori . Oceniono również zastosowania wojskowe. Co więcej, do badania układów biologicznych na poziomie molekularnym zastosowano ostatnio modele agentowe.

W epidemiologii

Modele oparte na agentach uzupełniają obecnie tradycyjne modele kompartmentowe , typowy typ modeli epidemiologicznych. Wykazano, że ABM przewyższają modele kompartmentowe pod względem dokładności prognoz. Ostatnio ABM, takie jak CovidSim, autorstwa epidemiologa Neila Fergusona , zostały wykorzystane do informowania o interwencjach zdrowia publicznego (niefarmaceutycznych) przeciwko rozprzestrzenianiu się SARS-CoV-2 . Epidemiologiczne ABM zostały skrytykowane za uproszczenie i nierealistyczne założenia. Mimo to mogą być przydatne w podejmowaniu decyzji dotyczących środków łagodzących i tłumiących w przypadkach, gdy ABM są dokładnie skalibrowane.

Przykłady wykorzystania ABM w epidemiologii
Program Rok Cytat Opis
covasim 2021 Model SEIR zaimplementowany w Pythonie z naciskiem na funkcje do badania efektów interwencji.
OtwórzABM-Covid19 2021 Model epidemii rozprzestrzeniania się COVID-19, symulujący każdą osobę w populacji z interfejsami R i Python, ale używając C do ciężkich obliczeń.

W biznesie, technologii i teorii sieci

Modele oparte na agentach są używane od połowy lat 90. do rozwiązywania różnych problemów biznesowych i technologicznych. Przykłady zastosowań obejmują marketing , zachowania organizacyjne i poznanie , pracę zespołową , optymalizację i logistykę łańcucha dostaw , modelowanie zachowań konsumenckich , w tym pocztę pantoflową , efekty sieci społecznościowych , przetwarzanie rozproszone , zarządzanie pracownikami i zarządzanie portfelem . Wykorzystano je również do analizy zatorów komunikacyjnych .

Ostatnio modelowanie i symulacje oparte na agentach zostały zastosowane w różnych dziedzinach, takich jak badanie wpływu miejsc publikacji przez naukowców z dziedziny informatyki (czasopisma kontra konferencje). Ponadto ABM zostały wykorzystane do symulacji dostarczania informacji w środowiskach wspomaganych przez otoczenie. Artykuł w arXiv z listopada 2016 r. przeanalizował opartą na agentach symulację postów rozpowszechnianych na Facebooku . W dziedzinie sieci peer-to-peer, ad hoc i innych samoorganizujących się i złożonych sieci wykazano przydatność modelowania i symulacji agentowej. Ostatnio zademonstrowano wykorzystanie opartej na informatyce formalnej struktury specyfikacji w połączeniu z bezprzewodowymi sieciami czujników i symulacją opartą na agentach.

Wyszukiwanie ewolucyjne lub algorytm oparte na agentach to nowy temat badawczy służący do rozwiązywania złożonych problemów optymalizacyjnych.

W ekonomii i naukach społecznych

Główne artykuły: Ekonomia obliczeniowa oparta na agentach i symulacja społeczna oparta na agentach

Przed i po kryzysie finansowym w 2008 r. wzrosło zainteresowanie ABM jako możliwym narzędziem analizy ekonomicznej. ABM nie zakładają, że gospodarka może osiągnąć równowagę, a „ przedstawiciele ” są zastępowani przez agentów o zróżnicowanym, dynamicznym i współzależnym zachowaniu, w tym stadnie . ABM przyjmują podejście „oddolne” i mogą generować niezwykle złożone i niestabilne symulowane gospodarki. ABM mogą reprezentować niestabilne systemy z awariami i wysięgnikami, które rozwijają się w wyniku nieliniowych (nieproporcjonalnych) odpowiedzi na proporcjonalnie małe zmiany. Artykuł w The Economist z lipca 2010 roku przyglądał się ABM jako alternatywie dla modeli DSGE . Czasopismo Nature zachęcało również do modelowania opartego na agentach w artykule wstępnym, który sugerował, że ABM mogą lepiej reprezentować rynki finansowe i inne zawiłości gospodarcze niż modele standardowe, a także esej J. Doyne Farmera i Duncana Foleya, w których sugerowano, że ABM mogą spełnić oba wymagania pragnienia Keynesa do reprezentowania złożonej gospodarki i Roberta Lucasa do konstruowania modeli opartych na mikropodstawach. Farmer i Foley wskazali na postęp, jaki został poczyniony przy użyciu ABM do modelowania części gospodarki, ale argumentowali za stworzeniem bardzo dużego modelu, który zawierałby modele niskiego poziomu. Dzięki modelowaniu złożonego systemu analityków w oparciu o trzy różne profile behawioralne – imitujący, antyimitujący i obojętny – rynki finansowe były symulowane z dużą dokładnością. Wyniki wykazały korelację między morfologią sieci a indeksem giełdowym. Jednak podejście ABM zostało skrytykowane za brak odporności między modelami, w przypadku których podobne modele mogą dawać bardzo różne wyniki.

ABM zostały wdrożone w architekturze i planowaniu urbanistycznym w celu oceny projektu i symulacji ruchu pieszych w środowisku miejskim oraz badania zastosowań polityki publicznej w zakresie użytkowania gruntów. Istnieje również rosnąca dziedzina społeczno-ekonomicznej analizy wpływu inwestycji infrastrukturalnych, wykorzystująca zdolność ABM do rozpoznawania systemowych wpływów na sieć społeczno-gospodarczą.

W gospodarce wodnej

ABM są również stosowane w planowaniu i zarządzaniu zasobami wodnymi, w szczególności do badania, symulowania i przewidywania wydajności projektowania infrastruktury i decyzji politycznych, a także do oceny wartości współpracy i wymiany informacji w dużych systemach zasobów wodnych.

Organizacyjne ABM: symulacja kierowana przez agenta

Metafora symulacji kierowanej przez agenta (ADS) rozróżnia dwie kategorie, a mianowicie „Systemy dla agentów” i „Agenci dla systemów”. Systemy dla agentów (czasami określane jako systemy agentów) to systemy implementujące agentów do użytku w inżynierii, dynamice ludzkiej i społecznej, zastosowaniach wojskowych i innych. Agenci dla systemów są podzieleni na dwie podkategorie. Systemy wspomagane przez agentów zajmują się wykorzystywaniem agentów jako wsparcia, aby umożliwić komputerową pomoc w rozwiązywaniu problemów lub zwiększanie zdolności poznawczych. Systemy agentowe koncentrują się na wykorzystaniu agentów do generowania zachowań modelu w ocenie systemu (badania i analizy systemowe).

Samochody autonomiczne

Hallerbacha i in. omówiono zastosowanie podejść opartych na agentach do rozwoju i walidacji zautomatyzowanych systemów jazdy za pomocą cyfrowego bliźniaka testowanego pojazdu i mikroskopowej symulacji ruchu opartej na niezależnych agentach. Waymo stworzyło wieloagentowe środowisko symulacyjne Carcraft do testowania algorytmów dla samojezdnych samochodów . Symuluje interakcje drogowe między kierowcami, pieszymi i pojazdami zautomatyzowanymi. Zachowanie ludzi jest imitowane przez sztuczne czynniki oparte na danych o prawdziwym ludzkim zachowaniu. Podstawowa idea wykorzystania modelowania agentowego do zrozumienia autonomicznych samochodów została omówiona już w 2003 roku.

Realizacja

Wiele frameworków ABM jest zaprojektowanych dla szeregowych architektur komputerowych von-Neumann , co ogranicza szybkość i skalowalność zaimplementowanych modeli. Ponieważ wyłaniające się zachowanie w wielkoskalowych ABM jest zależne od wielkości populacji, ograniczenia skalowalności mogą utrudniać walidację modelu. Takie ograniczenia zostały rozwiązane głównie za pomocą przetwarzania rozproszonego , z platformami, takimi jak Repast HPC, specjalnie dedykowanymi tego typu implementacjom. Chociaż takie podejścia dobrze odwzorowują się na architekturze klastrów i superkomputerów , problemy związane z komunikacją i synchronizacją, a także złożoność wdrażania pozostają potencjalnymi przeszkodami w ich powszechnym przyjęciu.

Ostatnim osiągnięciem jest użycie algorytmów danych równoległych w procesorach graficznych GPU do symulacji ABM. Ekstremalna przepustowość pamięci w połączeniu z mocą obliczeniową wieloprocesorowych procesorów graficznych umożliwiła symulację milionów agentów z szybkością dziesiątek klatek na sekundę.

Integracja z innymi formami modelowania

Ponieważ modelowanie oparte na agentach jest bardziej strukturą modelowania niż konkretnym oprogramowaniem lub platformą, często jest używane w połączeniu z innymi formami modelowania. Na przykład modele agentowe zostały również połączone z systemami informacji geograficznej (GIS). Zapewnia to użyteczną kombinację, w której ABM służy jako model procesu, a system GIS może zapewnić model wzorca. Podobnie, narzędzia Social Network Analysis (SNA) i modele oparte na agentach są czasami zintegrowane, gdzie ABM służy do symulowania dynamiki w sieci, podczas gdy narzędzie SNA modeluje i analizuje sieć interakcji.

Weryfikacja i walidacja

Weryfikacja i walidacja (V&V) modeli symulacyjnych jest niezwykle ważna. Weryfikacja polega na upewnieniu się, że zaimplementowany model jest zgodny z modelem koncepcyjnym, podczas gdy walidacja zapewnia, że ​​zaimplementowany model ma pewien związek ze światem rzeczywistym. Walidacja twarzy, analiza wrażliwości, kalibracja i walidacja statystyczna to różne aspekty walidacji. Zaproponowano podejście oparte na symulacji zdarzeń dyskretnych do walidacji systemów opartych na agentach. Obszerne zasoby dotyczące empirycznej walidacji modeli agentowych można znaleźć tutaj.

Jako przykład techniki V&V rozważ VOMAS (virtual overlay multi-agent system), podejście oparte na inżynierii oprogramowania, w którym wirtualna nakładka wieloagentowa jest rozwijana wraz z modelem agentowym. Muazi i in. podają również przykład wykorzystania VOMAS do weryfikacji i walidacji modelu symulacyjnego pożaru lasu. Kolejna metoda inżynierii oprogramowania, tj. Test-Driven Development , została przystosowana do walidacji modeli agentowych. To podejście ma jeszcze jedną zaletę, która umożliwia automatyczną walidację przy użyciu narzędzi do testów jednostkowych.

Zobacz też

Bibliografia

Ogólny

Zewnętrzne linki

Artykuły/informacje ogólne

Modele symulacyjne