Агентная модель

редактировать

Агентная модель (ABM ) - это класс вычислительные модели для моделирования действий и взаимодействий автономных агентов (как индивидуальных, так и коллективных объектов, таких как организации или группы) с целью оценки их воздействия на систему в целом. Он сочетает в себе элементы теории игр, сложных систем, эмерджентности, вычислительной социологии, многоагентных систем, и эволюционное программирование. Методы Монте-Карло используются для введения случайности. В частности, в области экологии ABM также называют индивидуальными моделями (IBM ), и отдельные лица в IBM могут быть проще, чем полностью автономные агенты внутри ABM. Обзор недавней литературы по индивидуальным моделям, агентным моделям и многоагентным системам показывает, что ABM используются в не связанных с вычислениями научных областях, включая биологию, экологию и социальные науки. Агентное моделирование связано, но отличается от концепции многоагентных систем или многоагентного моделирования в том смысле, что цель ABM - поиск объяснительных представлений о коллективном поведении агентов, подчиняющихся простым правилам, обычно в естественных системах, а не в разработке агентов или решении конкретных практических или инженерных задач.

Агентные модели - это своего рода микромасштаб модель, которая имитирует одновременные операции и взаимодействия нескольких агентов в попытке воссоздать и спрогнозировать появление сложных явлений. Это один из процессов возникновения, который некоторые выражают как «целое больше, чем сумма его частей». Другими словами, системные свойства более высокого уровня возникают в результате взаимодействия подсистем более низкого уровня. Или изменения состояния на макроуровне возникают из-за поведения агентов на микроуровне. Или простое поведение (то есть правила, которым следуют агенты) порождает сложное поведение (то есть изменения состояния на уровне всей системы).

Индивидуальные агенты обычно характеризуются как ограниченно рациональные, предполагается, что они действуют в том, что они считают своими собственными интересами, такими как воспроизводство, экономическая выгода или социальный статус, используя эвристику или простые правила принятия решений. Агенты ABM могут испытывать «обучение», адаптацию и воспроизводство.

Большинство моделей, основанных на агентах, состоят из: (1) множества агентов, заданных в различных масштабах (обычно называемых степенью детализации агентов); (2) эвристика принятия решений; (3) правила обучения или адаптивные процессы; (4) топология взаимодействия ; и (5) окружающая среда. ABM обычно реализуются как компьютерное моделирование, либо в виде специального программного обеспечения, либо с помощью наборов инструментов ABM, и это программное обеспечение затем можно использовать для проверки того, как изменения в индивидуальном поведении повлияют на возникающее общее поведение системы.

Содержание

  • 1 История
    • 1.1 Ранние разработки
    • 1.2 1970-е и 1980-е: первые модели
    • 1.3 1990-е: расширение
    • 1.4 2000-е годы и позже
  • 2 Теория
    • 2.1 Основы
  • 3 Приложения
    • 3.1 В биологии
    • 3.2 В эпидемиологии
    • 3.3 В бизнесе, технологиях и теории сетей
    • 3.4 В экономике и социальных науках
    • 3.5 Организационная ABM: управляемое агентом моделирование
    • 3.6 Беспилотные автомобили
  • 4 Реализация
    • 4.1 Интеграция с другими формами моделирования
  • 5 Верификация и валидация
  • 6 См. Также
  • 7 Ссылки
    • 7.1 Общие положения
  • 8 Внешние ссылки
    • 8.1 Статьи / общая информация
    • 8.2 Имитационные модели

История

Идея агентного моделирования была разработана как относительно простая концепция в конце 1940-х годов. Поскольку для этого требуются ресурсоемкие процедуры, он не получил широкого распространения до 1990-х годов.

Ранние разработки

История агентно-ориентированной модели восходит к машине фон Неймана, теоретической машине, способной к воспроизведению. Предложенное устройство фон Неймана должно следовать точно подробным инструкциям по созданию собственной копии. Затем эта концепция была разработана другом фон Неймана Станиславом Уламом, также математиком; Улам предложил построить машину на бумаге, как набор ячеек на сетке. Идея заинтриговала фон Неймана, который ее придумал, создав первое из устройств, позже названных клеточными автоматами. Еще одно достижение было сделано математиком Джоном Конвеем. Он сконструировал знаменитую Игру жизни. В отличие от машины фон Неймана, «Игра жизни» Конвея работает по простым правилам в виртуальном мире в форме двумерной шахматной доски.

. Язык программирования Simula, разработанный в середине 1960-х и широко распространенный. реализованная к началу 1970-х годов, была первой структурой для автоматизации пошагового моделирования агентов.

1970-е и 1980-е: первые модели

Одной из самых ранних концептуальных моделей, основанных на агентах, была модель сегрегации Томаса Шеллинга, которая обсуждалась в его статье " Динамические модели сегрегации »в 1971 году. Хотя Шеллинг изначально использовал монеты и миллиметровую бумагу, а не компьютеры, его модели воплощали базовую концепцию агентно-ориентированных моделей как автономных агентов, взаимодействующих в общей среде с наблюдаемым совокупным возникающим результатом.

В начале 1980-х Роберт Аксельрод провел турнир по стратегиям Дилемма заключенного и заставил их взаимодействовать на основе агентов, чтобы определить победителя. Аксельрод продолжал развивать множество других агентно-ориентированных моделей в области политологии, которые исследуют явления от этноцентризма до распространения культуры. К концу 1980-х работа Крейга Рейнольдса над моделями стаями внесла свой вклад в разработку некоторых из первых моделей, основанных на биологических агентах, которые содержали социальные характеристики. Он попытался смоделировать реальность живых биологических агентов, известных как искусственная жизнь, термин, придуманный Кристофером Лэнгтоном.

Первое использование слова «агент» и определение в его нынешнем виде используемых сегодня трудно отследить. Одним из кандидатов, по-видимому, является Джон Холланд и статья Джона Х. Миллера 1991 года «Искусственные адаптивные агенты в экономической теории», основанная на их более ранней презентации на конференции.

В то же время, в течение 1980-х, социологи, математики, исследователи операций и отдельные люди из других дисциплин разработали теорию вычислительной и математической организации (CMOT). Эта область выросла как группа особого интереса Института наук управления (TIMS) и его дочернего общества, Американского общества исследования операций (ORSA).

1990-е годы: расширение

1990-е годы были особенно отмечены распространением ABM в социальных науках, одним из примечательных достижений стала широкомасштабная ABM Sugarscape, разработанная Джошуа М. Эпштейн и Роберт Экстелл для моделирования и исследования роли социальных явлений, таких как сезонные миграции, загрязнение окружающей среды, половое размножение, борьба и передача болезней и даже культуры. Среди других заметных разработок 1990-х гг. - программа Университета Карнеги-Меллона Кэтлин Карли ABM, посвященная совместной эволюции социальных сетей и культуры. В течение этого периода 1990-х годов Найджел Гилберт опубликовал первый учебник по социальному моделированию: моделирование для социологов (1999) и основал журнал с точки зрения социальных наук: Journal of Artificial Society and Social Simulation (ДЖАСС). Помимо JASSS, агентные модели любой дисциплины входят в сферу применения журнала SpringerOpen (CASM).

В середине 1990-х гг. Направление ABM в области социальных наук стало сосредоточиваться на таких вопросах, как создание эффективных команд, понимание коммуникации, необходимой для организационной эффективности, и поведения социальных сетей. CMOT - позже переименованный в «Вычислительный анализ социальных и организационных систем» (CASOS) - все больше и больше включает моделирование на основе агентов. Самуэльсон (2000) представляет собой хороший краткий обзор ранней истории, а Самуэльсон (2005) и Самуэльсон и Макал (2006) прослеживают более недавние события.

В конце 1990-х произошло слияние TIMS и ORSA. форма INFORMS и переход INFORMS от двух встреч в год к одному помогли группе CMOT сформировать отдельное общество - Североамериканскую ассоциацию вычислительных социальных и организационных наук (NAACSOS). Кэтлин Карли внесла большой вклад, особенно в создание моделей социальных сетей, получив финансирование от Национального научного фонда для проведения ежегодной конференции и выступила в качестве первого президента NAACSOS. Ее сменил Дэвид Саллах из Чикагского университета и Аргоннская национальная лаборатория, а затем Майкл Приетула из Университета Эмори. Примерно в то же время, когда началась работа NAACSOS, были организованы Европейская ассоциация социального моделирования (ESSA) и Азиатско-тихоокеанская ассоциация агентного подхода в науке о социальных системах (PAAA), аналоги NAACSOS. По состоянию на 2013 год эти три организации сотрудничают на международном уровне. Первый Всемирный конгресс по социальному моделированию был проведен при их совместном спонсорстве в Киото, Япония, в августе 2006 года. Второй Всемирный конгресс прошел в пригороде Вашингтона, округ Колумбия, на севере Вирджинии в июле 2008 года с участием Университета Джорджа Мейсона играть ведущую роль в местных мероприятиях.

2000-е годы и позже

Совсем недавно Рон Сан разработал методы для базирования агентно-ориентированного моделирования на моделях человеческого познания, известных как. Билл МакКелви, Сюзанна Ломанн, Дарио Нарди, Дуайт Рид и другие сотрудники UCLA также внесли значительный вклад в организационное поведение и принятие решений. С 2001 года Калифорнийский университет в Лос-Анджелесе организовал конференцию в Лейк-Эрроухед, Калифорния, которая стала еще одним важным местом встречи практиков в этой области.

Теория

Большинство исследований компьютерного моделирования описывает системы в равновесие или как движение между состояниями равновесия. Однако агентное моделирование с использованием простых правил может приводить к различным видам сложного и интересного поведения. Три центральные идеи для моделей на основе агентов: агенты как объекты, появление и сложность.

Модели на основе агентов состоят из динамически взаимодействующих агентов на основе правил. Системы, в которых они взаимодействуют, могут создавать сложность, похожую на реальную. Обычно агенты расположены в пространстве и времени и находятся в сетях или в окрестностях, подобных решетке. Местоположение агентов и их ответное поведение закодированы в алгоритмической форме в компьютерных программах. В некоторых случаях, хотя и не всегда, агентов можно считать умными и целеустремленными. В экологической ABM (часто называемой в экологии «индивидуальными моделями») агентами могут быть, например, деревья в лесу, и они не будут считаться разумными, хотя они могут быть «целенаправленными» в смысле оптимизации доступа к ресурс (например, вода). Процесс моделирования лучше всего описать как индуктивное. Разработчик модели делает эти предположения наиболее релевантными для данной ситуации, а затем наблюдает за явлениями, возникающими в результате взаимодействия агентов. Иногда таким результатом является равновесие. Иногда это возникающая закономерность. Иногда, однако, это непонятная катушка.

В некотором смысле агентные модели дополняют традиционные аналитические методы. Там, где аналитические методы позволяют людям характеризовать равновесия системы, агент-ориентированные модели допускают возможность создания этих равновесий. Этот генеративный вклад может быть самым основным из потенциальных преимуществ агентного моделирования. Агентно-ориентированные модели могут объяснить появление паттернов более высокого порядка - сетевых структур террористических организаций и Интернета, степенного распределения размеров пробок, войн и обвалов на фондовых рынках, а также социальных сегрегация, которая сохраняется, несмотря на популяции толерантных людей. Агентно-ориентированные модели также могут использоваться для определения точек рычагов, определенных как моменты времени, в которые вмешательство имеет экстремальные последствия, и для различения типов зависимости от пути.

Вместо того, чтобы сосредотачиваться на стабильных состояниях, многие модели рассматривают надежность системы - способы, которыми сложные системы адаптируются к внутреннему и внешнему давлению, чтобы поддерживать свою функциональность. Задача обуздания этой сложности требует рассмотрения самих агентов - их разнообразия, взаимосвязанности и уровня взаимодействия.

Framework

Недавние работы по моделированию и моделированию сложных адаптивных систем продемонстрировали необходимость комбинирования агентно-ориентированных и сложных сетевых моделей. описать структуру, состоящую из четырех уровней разработки моделей сложных адаптивных систем, описанных с использованием нескольких примеров мультидисциплинарных тематических исследований:

  1. Уровень моделирования сложной сети для разработки моделей с использованием данных взаимодействия различных компонентов системы.
  2. Исследовательский агент на основе Уровень моделирования для разработки агент-ориентированных моделей для оценки возможности дальнейших исследований. Это может, например, быть полезным для разработки моделей, подтверждающих концепцию, например, для финансирования приложений, не требуя от исследователей длительного обучения.
  3. Описательное моделирование на основе агентов (DREAM) для разработки описаний моделей на основе агентов с помощью с использованием шаблонов и сложных сетевых моделей. Построение моделей DREAM позволяет сравнивать модели в различных научных дисциплинах.
  4. Подтвержденное моделирование на основе агентов с использованием многоагентной системы Virtual Overlay (VOMAS) для формальной разработки верифицированных и валидированных моделей.

Другие методы описания агентов модели включают шаблоны кода и текстовые методы, такие как протокол ODD (Обзор, Концепции дизайна и Детали дизайна).

Роль среды, в которой живут агенты, как макро, так и микро, также становится все более важной. важный фактор в агентном моделировании и симуляции. Простая среда предоставляет простых агентов, но сложная среда порождает разнообразие поведения.

Приложения

В биологии

Агентное моделирование широко используется в биологии, включая анализ распространение эпидемий и угроза биологической войны, биологических применений, включая популяционную динамику, стохастическую экспрессию генов, взаимодействие растений и животных, экология растительности, ландшафтное разнообразие, рост и упадок древних цивилизаций, эволюция этноцентрического поведения, принудительное перемещение / миграция, динамика выбора языка, когнитивное моделирование и биомедицинские приложения, включая моделирование образования / морфогенеза ткани груди в 3D, влияние ионизирующего излучения на динамику субпопуляции стволовых клеток молочной железы, воспаление и человеческую иммунную систему. Агентные модели также использовались для разработки систем поддержки принятия решений, например, для рака груди. Агентные модели все чаще используются для моделирования фармакологических систем на ранних стадиях и доклинических исследований, чтобы помочь в разработке лекарств и получить представление о биологических системах, что было бы невозможно априори. Также оценивались военные приложения. Более того, модели на основе агентов недавно были использованы для изучения биологических систем на молекулярном уровне.

В эпидемиологии

модели на основе агентов заменили компартментальные модели обычного типа. эпидемиологических моделей. Было показано, что ABM превосходят отдельные модели в отношении точности прогнозов. В последнее время для информирования о мерах общественного здравоохранения (нефармацевтических) против распространения SARS-CoV-2 использовались ПРО. Эпидемиологические ПРО подвергались критике за упрощение и нереалистичные предположения. Тем не менее, они могут быть полезны при принятии решений относительно мер по смягчению и подавлению в случаях, когда ABM точно откалиброваны.

В бизнесе технология и теория сетей

Агентные модели используются с середины 1990-х годов для решения множества деловых и технологических задач. Примеры приложений: маркетинг, организационное поведение и познание, работа в команде, оптимизация цепочки поставок и логистика, моделирование поведения потребителей, включая молва, эффекты социальных сетей, распределенные вычисления, управление персоналом, и управление портфелем. Они также использовались для анализа пробок на дорогах.

В последнее время моделирование и моделирование на основе агентов было применено к различным областям, таким как изучение влияния мест публикации исследователями в области компьютерных наук (журналы против конференций). Кроме того, ABM использовались для моделирования доставки информации в окружающих средах. В статье, опубликованной в ноябре 2016 г. в arXiv, было проанализировано агентное моделирование сообщений, распространяемых в социальной сети Facebook . В области одноранговых, специальных и других самоорганизующихся и сложных сетей была показана полезность агентного моделирования и симуляции. Недавно было продемонстрировано использование основанной на информатике формальной структуры спецификации в сочетании с беспроводными сенсорными сетями и агентным моделированием.

Эволюционный поиск или алгоритм на основе агентов - новая тема исследования для решения сложных задач оптимизации.

В экономике и социальных науках

До и после финансового кризиса возрос интерес к ABM как возможному инструменту экономического анализа. ABM не предполагает, что экономика может достичь равновесия, и «репрезентативные агенты » заменяются агентами с разнообразным, динамичным и взаимозависимым поведением, включая стадо. ABM использует подход «снизу вверх» и может генерировать чрезвычайно сложную и нестабильную моделируемую экономику. ABM могут представлять собой нестабильные системы с авариями и взрывами, которые развиваются из не- линейных (непропорциональных) реакций на пропорционально небольшие изменения. В статье, опубликованной в июле 2010 года в журнале The Economist, ABM рассматриваются как альтернативы моделям DSGE. Журнал Nature также поощрял агент-ориентированное моделирование в редакционной статье, в которой предполагалось, что ABM могут лучше представлять финансовые рынки и другие экономические сложности, чем стандартные модели, а также эссе J. Дойн Фармер и Дункан Фоули, которые утверждали, что ПРО могут удовлетворить как желание Кейнса представить сложную экономику, так и Роберта Лукаса построить модели, основанные на микрооснованиях. Фармер и Фоули указали на прогресс, достигнутый с использованием ABM для моделирования частей экономики, но выступили за создание очень большой модели, включающей модели низкого уровня. Путем моделирования сложной системы аналитиков на основе трех различных поведенческих профилей - имитационного, антиимитационного и безразличного - финансовые рынки были смоделированы с высокой точностью. Результаты показали корреляцию между морфологией сети и индексом фондового рынка.

ABM были развернуты в архитектуре и городском планировании для оценки дизайна и моделирования пешеходного потока в городской среде, а также для изучения приложений государственной политики в области наземного строительства. использовать. Также растет область социально-экономического анализа воздействия инвестиций в инфраструктуру с использованием способности ABM распознавать системные воздействия на социально-экономическую сеть.

Организационная ABM: управляемое агентом моделирование

Агент Метафора направленного моделирования (ADS) различает две категории, а именно «Системы для агентов» и «Агенты для систем». Системы для агентов (иногда называемые системами агентов) - это системы, реализующие агентов для использования в инженерии, человеческой и социальной динамике, военных приложениях и т. Д. Агенты для систем делятся на две подкатегории. Системы, поддерживаемые агентами, предполагают использование агентов в качестве вспомогательного средства для обеспечения компьютерной помощи в решении проблем или повышении когнитивных способностей. Агентные системы ориентированы на использование агентов для создания модели поведения при оценке системы (системные исследования и анализ).

Беспилотные автомобили

Waymo создала среду мультиагентного моделирования Carcraft для тестирования алгоритмов для беспилотных автомобилей. Он имитирует взаимодействие между водителями, пешеходами и автоматизированными транспортными средствами. Поведение людей имитируется искусственными агентами на основе данных реального человеческого поведения.

Реализация

Многие структуры ABM разработаны для последовательных компьютерных архитектур фон-Неймана, что ограничивает скорость и масштабируемость реализованных моделей. Поскольку эмерджентное поведение в крупномасштабных АОМ зависит от размера популяции, ограничения масштабируемости могут затруднить проверку модели. Такие ограничения в основном устраняются с помощью распределенных вычислений с такими фреймворками, как Repast HPC, специально предназначенными для этого типа реализаций. Хотя такие подходы хорошо соответствуют архитектурам кластер и суперкомпьютер, проблемы, связанные с обменом данными и синхронизацией, а также сложность развертывания, остаются потенциальными препятствиями для их широкого внедрения.

Недавняя разработка - использование алгоритмов параллельных данных на графических процессорах графических процессорах для моделирования ABM. Чрезвычайная пропускная способность памяти в сочетании с огромной вычислительной мощностью многопроцессорных графических процессоров позволила имитировать миллионы агентов с десятками кадров в секунду.

Интеграция с другими формами моделирования

Поскольку моделирование на основе агентов - это скорее среда моделирования, чем конкретная часть программного обеспечения или платформы, оно часто используется в сочетании с другими формами моделирования. Например, агентные модели также были объединены с Географическими информационными системами (ГИС). Это обеспечивает полезную комбинацию, когда ABM служит моделью процесса, а система GIS может предоставить модель шаблона. Аналогичным образом, инструменты анализа социальных сетей (SNA) и агентные модели иногда интегрируются, где ABM используется для моделирования динамики в сети, в то время как инструмент SNA моделирует и анализирует сеть взаимодействий.

Проверка и проверка

Проверка и проверка (VV) имитационных моделей чрезвычайно важны. Проверка включает в себя обеспечение соответствия реализованной модели концептуальной модели, тогда как проверка гарантирует, что реализованная модель имеет некоторое отношение к реальному миру. Проверка лица, анализ чувствительности, калибровка и статистическая проверка - это разные аспекты проверки. Предложен подход на основе моделирования дискретных событий для валидации агентных систем. Здесь можно найти исчерпывающий ресурс по эмпирической проверке агентно-ориентированных моделей.

В качестве примера техники VV рассмотрим VOMAS (виртуальная оверлейная многоагентная система), подход, основанный на разработке программного обеспечения, где виртуальное наложение Многоагентная система разрабатывается параллельно с агентной моделью. Муази и др. также приведите пример использования VOMAS для проверки и проверки модели имитации лесных пожаров.

См. также

Ссылки

Общие

Внешние ссылки

Статьи / общая информация

Имитационные модели

Последняя правка сделана 2021-06-09 16:57:36
Содержание доступно по лицензии CC BY-SA 3.0 (если не указано иное).
Обратная связь: support@alphapedia.ru
Соглашение
О проекте