Interested Article - Агентное моделирование

Агентное моделирование ( англ. agent-based model (ABM) ) — метод имитационного моделирования , исследующий поведение децентрализованных агентов и то, как такое поведение определяет поведение всей системы в целом. В отличие от системной динамики , аналитик определяет поведение агентов на индивидуальном уровне, а глобальное поведение возникает как результат деятельности множества агентов (моделирование «снизу вверх»).

Агентное моделирование включает в себя клеточные автоматы , элементы теории игр , сложных систем , мультиагентных систем и эволюционного программирования , методы Монте-Карло, использует случайные числа.

История

Первая агент-ориентированная модель была разработана в конце 1940-х гг. Впоследствии развитие микрокомпьютеров способствовало дальнейшему развитию этого направления и возможности проводить компьютерные симуляции.

Основная идея, лежащая в основе агент-ориентированных моделей заключается в построении «вычислительного инструмента» (представляющего собой набор агентов с определённым набором свойств), позволяющего проводить симуляции реальных явлений. Конечная цель процесса по созданию АОМ — отследить влияние флуктуаций агентов, действующих на микроуровне, на показатели макроуровня.

Принято считать, что агент-ориентированные модели берут своё начало с вычислительных машин Джон фон Неймана (Von Neumann), являющихся теоретическими машинами, способными к самовоспроизводству . Джон фон Нейман предложил использовать машины, которые следуют детальным инструкциям для создания точных копий самих себя. Впоследствии данный подход был усовершенствован другом фон Неймана — Станиславом Уламом , который предложил изображать машину на бумаге — в качестве набора клеток на решетке. Данный подход стал началом развития клеточных автоматов .

Наиболее известной реализацией клеточного автомата стала игра « Жизнь », предложенная Джоном Хортоном Конвеем , отличающаяся от машины фон Неймана достаточно простыми правилами поведения агентов.

Использование АОМ для социальных систем взяло своё начало с работы программиста , в которой он предпринял попытку моделирования деятельности живых биологических агентов (модель «Искусственная жизнь»).

Теория

В основе агент-ориентированных моделей лежат три основные идеи:

Доминирующим методологическим подходом является подход, при котором вычисляется равновесие или псевдоравновесие системы, содержащей в себе множество агентов. При этом, сами модели, используя простые правила поведения, могут выдавать весьма интересные результаты.

АОМ состоят из динамически взаимодействующих по определённым правилам агентов . Среда, в которой они взаимодействуют, может быть достаточно сложной.

Основные свойства агентов

Интеллектуальность. В то же время, это свойство должно быть умеренным для того, чтобы агенты не могли познать нечто большее, выходящее за рамки правил игры.

Наличие жизненной цели. Расположение во времени и пространстве. Имеется в виду некоторая «среда обитания», которая может быть представлена и в виде решетки (как в игре « Жизнь »), так и в виде гораздо более сложной структуры. Иногда, результат взаимодействия агентов в «среде обитания» — равновесие, иногда — непрекращающийся процесс эволюции , а иногда — бесконечный цикл без определённого решения.

Считается, что АОМ дополняют традиционные аналитические методы . Последние позволяют нам охарактеризовать равновесие системы , а АОМ позволяют исследовать возможность получения такого состояния. АОМ могут объяснить причину возникновения таких явлений как: террористические организации , войны , обрушения рынка акций и т. д.

В идеале, АОМ могут помочь идентифицировать критические моменты времени, после наступления которых, чрезвычайные последствия будут иметь необратимый характер.

Коммерческие приложения

С середины 1990-х годов, АОМ стали использовать для решения множества коммерческих и технологических проблем. Примерами могут послужить задачи:

оптимизация сети поставщиков и логистика ;
моделирование потребительского поведения (в том числе социальные сети );
распределенные вычисления ;
менеджмент трудовых ресурсов ;
управление транспортом;
управление инвестиционными портфелями.

В этих и других приложениях стратегии поведения определяются с учётом поведения множества индивидуальных агентов-атомов и их взаимодействий. Таким образом, АОМ могут помочь в изучении влияния индивидуального поведения агентов на эволюцию всей системы.

Методы

Одной из программ для разработки АОМ является бесплатно распространяемое приложение NetLogo . Изначально NetLogo был разработан как учебный инструмент, однако сейчас им пользуются не только студенты, но и тысячи исследователей. Это программа часто применяется в ВУЗах для обучения студентов основам АОМ. Схожей функциональностью обладает программа StarLogo .

Инструментом для реализации более широкого спектра задачи в области АОМ является программа . В ней используется язык программирования Objective-C и она может быть рекомендована программистам, пишущих на C , причем не только профессионалам, но и новичкам. Программировать в среде Swarm можно так же и на языке Java . Отметим также ещё несколько программ: , (используется Java ), EcoLab (используется C++ ), (используется SmallTalk ).

Литература

Miller, John; Page, Scott Complex Adaptive Systems. Princeton University Press. ISBN 978-0-691-12702-6 .
Epstein, Joshua Generative Social Science. Studies in agent-based computational modeling. Princeton University Press. ISBN 0-691-12547-3 .
Axelrod, Robert (1997), The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration , Princeton: Princeton University Press, ISBN 978-0-691-01567-5

Bonabeau, Eric, Agent-based modeling: methods and techniques for simulating human systems. Proc. National Academy of Sciences 99(3): 7280-7287, 2002.

, Smart Agents and Organizations of the Future. In Handbook of New Media, edited by Leah Lievrouw & Sonia Livingstone, Ch. 12 pp. 206—220, Thousand Oaks, CA, Sage.

Epstein, Joshua M. and Robert Axtell, Growing Artificial Societies: Social Science From the Bottom Up. MIT Press/Brookings Institution, 1996.

Gilbert, Nigel, and Klaus Troitzsch, Simulation for the Social Scientist, Open University Press, 1999; second edition, 2005.

Grimm, Volker, and Steven F. Railsback, Individual-based Modeling and Ecology, Princeton University Press, 2005.

Holland, John H., "Genetic Algorithms, " Scientific American, 267:66-72, 1992.

Holland, John H., Hidden Order: How Adaptation Builds Complexity, Addison-Wesley:Reading, Mass., 1995.
O’sullivan,D. and Haklay, M.Agent-based models and individualism: Is the world agent-based? Environment and Planning A32:1409-25,2000.
Rudomin, B. Hernandez, E. Millan, Fragment shaders for agent animation using finite state machines, In Simulation Modelling Practice and Theory Journal, Volume 13, Issue 8 , Programmable Graphics Hardware November 2005, Pages 741—751 Elsevier,

Sallach, David, and Charles Macal, The simulation of social agents: an introduction, Special Issue of Social Science Computer Review 19(3):245-248, 2001.