19.1: Що таке моделі на основі агентів?

Last updated
Save as PDF

Page ID: 67745

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)

Нарешті, ми дійшли до самої заключної глави, присвяченої моделям на основі агентів (ABM). ABM є, мабуть, найбільш узагальненими рамками для моделювання та моделювання складних систем, які фактично включають як клітинні автомати, так і динамічні мережі як особливі випадки. ABM широко використовуються в різних дисциплін для моделювання динамічної поведінки систем, що складаються з великої кількості суб'єктів, таких як поведінка трейдерів на ринку (в економіці), міграція людей (у соціальних науках), взаємодія між працівниками та підвищення їх ефективності (в організаційній науці) , Поведінка птахів/риб (у поведінковій екології), клітинний ріст та морфогенез (у біології розвитку) та колективна поведінка зернистих матеріалів (у фізиці). На малюнку 19.1 показана схематична ілюстрація ПРО.

Це трохи складно точно визначити, що таке агентна модель, оскільки її моделювання припущення широко відкриті, і, таким чином, не так багато фундаментальних обмежень, які характеризують ПРО. Але ось що я сподіваюся бути мінімалістичним їх визначенням:

Агентні моделі - це обчислювальні імітаційні моделі, які включають багато дискретних агентів.

У цьому визначенні є кілька ключових слів, які важливі для розуміння ПРО.

Перше ключове слово - «обчислювальний». ABM зазвичай реалізуються як імітаційні моделі в комп'ютері, де поведінкові правила кожного агента описуються алгоритмічно, а не чисто математичним способом. Це дозволяє моделісти реалізувати складні внутрішні властивості агентів і їх нетривіальні поведінкові правила. Такі уявлення складних індивідуальних рис високо цінуються, особливо в соціальних, організаційних.

Рис 19.1.PNG — Малюнок\(\PageIndex{1}\): Схематична ілюстрація того, як виглядає модель на основі агентів (ПРО).

і управлінські науки, де модельєри повинні захоплювати складні, реалістичні поведінки людей. Ось чому ПРО особливо популярні в цих областях досліджень.

Це, звичайно, відбувається за рахунок аналітичної тягованості. Оскільки агенти можуть мати будь-яку кількість складних властивостей та поведінкових правил, як правило, непросто провести елегантний математичний аналіз ПРО (саме тому після цього немає глави «Аналіз» про ПРО). Тому аналіз ПРО та їх результати моделювання зазвичай проводяться за допомогою більш традиційного статистичного аналізу, який зазвичай використовується в соціальних науках, наприклад, шляхом запуску моделювання Монте-Карло для отримання розподілів вимірювань результатів у декількох експериментальних умовах, а потім проведення статистичне тестування гіпотез, щоб побачити, чи існує якась суттєва різниця між різними експериментальними умовами. У цьому сенсі ПРО можуть служити віртуальною заміною експериментальних полів для дослідників.

Друге ключове слово у визначенні вище - «багато». Хоча технічно можливо створити ПРО, виготовлену лише з декількох агентів, у такій моделі було б мало необхідності, оскільки типовий контекст, в якому потрібен ПРО, - це коли дослідники хочуть вивчити колективну поведінку великої кількості агентів (інакше було б достатньо використовувати більш умовне рівняння на основі моделі з невеликою кількістю змінних). Тому типові ABM містять популяцію агентів, як і клітини в СА або вузли в динамічних мережах, і їх динамічна поведінка вивчається за допомогою обчислювального моделювання.

Третє ключове слово - «дискретний». Хоча існують деякі неясності щодо того, як суворо визначити агента, загальноприйнятим є те, що агент повинен бути дискретною індивідуальною сутністю, яка має чітку межу між собою та зовнішнім. CA та мережі, тому вони кваліфікуються як особливі випадки ПРО. Тим часом моделі безперервного поля приймають неперервні просторові функції як подання стану системи, тому вони не вважаються ABM.

Існують певні властивості, які, як правило, передбачаються в агентах та ПРО, які спільно визначають «агентність» сутностей у моделі. Ось список таких властивостей:

Типові властивості, як правило, передбачаються в агентах і ПРО

Агенти - дискретні сутності.
Агенти можуть мати внутрішні стани.
Агенти можуть бути просторово локалізовані.
Агенти можуть сприймати навколишнє середовище і взаємодіяти з ним.
Агенти можуть вести себе на основі заздалегідь визначених правил.
Агенти можуть бути в змозі вчитися і адаптуватися.
Агенти можуть взаємодіяти з іншими агентами.
ABM часто не вистачає центральних наглядів/контролерів.
ПРО можуть виробляти нетривіальну «колективну поведінку» в цілому.

Зверніть увагу, що це не суворі вимоги до ПРО (можливо, крім першого). Деякі ABM не мають внутрішніх станів агентів; деякі не мають простору або навколишнього середовища; а деякі мають центральні контролери як спеціальні види агентів. Тому, які властивості моделі повинні бути включені в ПРО дійсно залежить від мети вашої моделі.

Перш ніж ми перейдемо до фактичного будівництва ПРО, Я хотів би зазначити, що є кілька речей, які ми повинні бути особливо обережними, коли ми будуємо ПРО. Один - про кодування. Реалізація ПРО, як правило, набагато інтенсивніше кодування, ніж реалізація інших простіших моделей, частково тому, що рамки ПРО настільки відкриті. Той факт, що існує не так багато обмежень на ПРО також означає, що ви повинні подбати про всі деталі моделювання самостійно. Це, природно, збільшує кількість кодування, яке вам потрібно буде зробити. І, чим більше ви кодуєте, тим більше шансів несподівана помилка або два прокрасться в ваш код. Таким чином, дуже важливо, щоб ваш код був простим і організованим, а також використовувати кращі практики в комп'ютерному програмуванні (наприклад, модуляризація розділів, додавання великої кількості коментарів, впровадження систематичних тестів тощо), щоб мінімізувати ризики виникнення помилок у вашому моделюванні. Якщо це можливо, бажано, щоб кілька людей протестували і ретельно перевіряли ваш код.

Ще одне питання, про яке ми повинні знати, полягає в тому, що, оскільки ABM настільки відкриті та гнучкі, модельєри спокушаються додавати все більш складні налаштування та припущення у свої ABM. Це зрозуміло, оскільки ABM - це такі приємні ігрові майданчики, щоб спробувати тестування сценаріїв «що-якщо» у віртуальному світі, і результати можна отримати швидко. Я бачив багатьох людей, які захопилися таким інтерактивним досвідом моделювання і намагався додати все більше і більше деталей у свої власні ABM, щоб зробити їх більш «реалістичними». Але будьте обережні - підвищена складність моделі означає підвищену складність аналізу та обґрунтування моделі та її результатів. Якщо ми хочемо отримати корисний, надійний висновок з нашої моделі, ми повинні протистояти спокусі надмірно додати складності нашим ABM. Нам потрібно досягти правильного балансу між простотою, обґрунтованістю та надійністю, як обговорюється в розділі 2.4.

Вправа\(\PageIndex{1}\)

Зробіть швидкий пошук літератури в Інтернеті, щоб дізнатися, як ABM використовуються в різних наукових дисциплін. Виберіть кілька прикладів, що цікавлять вас, і дізнатися більше про те, як дослідники розробили і використовували свої ABM для своїх досліджень.