Агентное моделирование

Описание	Агентное моделирование (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»). ABM представляют собой модели, в которых отдельные лица или агенты описываются как уникальные и автономные объекты, которые обычно взаимодействуют друг с другом и с окружающей их средой на местном уровне. Агентами могут быть организмы, люди, предприятия, учреждения и любые другие объекты, преследующие определенную цель. Когда мы даем агентам правила адаптации к изменениям в их среде и к тому, что делают другие агенты, тогда поведение каждого отдельного агента и, следовательно, поведение всей системы вытекает из этих правил, характеристик агентов и окружающей среды. Эмерджентность - это основная объясняющая концепция агентного моделирования. Эпштейн и Акстелл (1996) удачно описали этот вид объяснения своим знаменитым вопросом: «Сможете ли вы его вырастить?»: Можете ли вы заставить вашу модельную систему выглядеть и вести себя как настоящая, снабдив своих агентов правильным адаптивным поведением?
Область знаний	NetSci, Химия, Биология, Информатика, Медицина, Социология, Археология
Авторы	Epstein, Railsback, Grim, Wilensky
Поясняющее видео	https://www.youtube.com/watch?v=HoS21re1hak
Близкие понятия	Агент, Дифференциальное уравнение в частных производных, Клеточный автомат, ODD принципы, Имитационное моделирование
Среды и средства для освоения понятия	NetLogo, StarLogo Nova, Scratch, Snap!, BehaviorSpace

Базовые положения

Agent-Based and Individual-Based Modeling: A Practical Introduction

Исторически сложность научных моделей часто ограничивалась математической управляемостью: когда дифференциальное исчисление было единственным подходом, который у нас был для моделирования, нам приходилось сохранять модели достаточно простыми, чтобы «решать» математически, и поэтому, к сожалению, мы часто ограничивались достаточно простым моделированием. простые проблемы - или вынуждены решать сложные проблемы с помощью слишком простых моделей. С компьютерным моделированием ограничение математической управляемости снимается, поэтому мы можем приступить к решению проблем, требующих менее упрощенных моделей и включающих больше характеристик реальных систем. ABM менее упрощены в одном конкретном и важном смысле: они представляют отдельные компоненты системы и их поведение. Вместо того, чтобы описывать систему только с помощью переменных, представляющих состояние всей системы, мы моделируем ее отдельных агентов. Таким образом, ABM представляют собой модели, в которых отдельные лица или агенты описываются как уникальные и автономные объекты, которые обычно взаимодействуют друг с другом и с окружающей их средой на местном уровне.

Агентами могут быть организмы, люди, предприятия, учреждения и любые другие объекты, преследующие определенную цель. Уникальность подразумевает, что агенты обычно отличаются друг от друга по таким характеристикам, как размер, местоположение, запасы ресурсов и история.

Взаимодействие локально означает, что агенты обычно взаимодействуют не со всеми другими агентами, а только со своими соседями - в географическом пространстве или в каком-либо другом «пространстве», таком как сеть.

Автономность подразумевает, что агенты действуют независимо друг от друга и преследуют свои собственные цели. Организмы стремятся выжить и воспроизвести; трейдеры на фондовом рынке пытаются заработать деньги; у предприятий есть такие цели, как достижение целей по прибыли и продолжение бизнеса; регулирующие органы хотят обеспечивать соблюдение законов и обеспечивать общественное благополучие. Поэтому агенты используют адаптивное поведение: они приспосабливают свое поведение к текущему состоянию самих себя, других агентов и своего окружения.

Использование ABM позволяет нам решать проблемы, связанные с возникновением: динамика системы, которая возникает из того, как отдельные компоненты системы взаимодействуют и реагируют друг на друга и их окружение. Следовательно, с помощью ABM мы можем изучать вопросы о том, как поведение системы возникает из характеристик и поведения ее отдельных компонентов и связано с ними. ABM полезны для проблем возникновения, потому что они являются межуровневыми моделями. Традиционно некоторые ученые изучали только системы, моделируя их, используя такие подходы, как дифференциальные уравнения, которые представляют, как изменяется вся система. Другие ученые изучали только то, что мы называем агентами: как растения и животные, люди, организации и т. Д. Изменяются и приспосабливаются к внешним условиям. ABM отличаются, потому что они связаны с двумя (а иногда и более) уровнями и их взаимодействием: мы используем их, чтобы посмотреть, что происходит с системой из-за того, что делают ее индивидуумы, и что происходит с отдельными людьми из-за того, что делает система. Таким образом, на протяжении всего курса основное внимание уделяется моделированию поведения агентов и, в то же время, наблюдению и пониманию поведения системы, созданной агентами.

Наиболее важной и уникальной характеристикой ABM является то, что сложная, часто неожиданная динамика как на индивидуальном, так и на системном уровнях возникает из того, что мы моделируем лежащие в основе процессы. Когда мы даем агентам правила адаптации к изменениям в их среде и к тому, что делают другие агенты, тогда поведение каждого отдельного агента и, следовательно, поведение всей системы вытекает из этих правил, характеристик агентов и окружающей среды. Таким образом, эмерджентность - это основная концепция агентного моделирования.

Ключевой вопрос об эмерджентности заключается в следующем: какая динамика системы и ее агентов возникает - возникает относительно сложным и непредсказуемым образом - из каких адаптивных форм поведения агентов и каких характеристик их среды? Какие другие модели поведения, динамика и результаты модели вместо этого навязаны - вынуждены происходить прямым и предсказуемым образом - допущениями модели? Под «непредсказуемым» здесь мы понимаем результаты, которые сложно или невозможно предсказать, просто подумав. Концепции эмерджентности иногда давали мистические коннотации, такие как принципиальная необъяснимость, но с ABM мы фокусируемся как раз на противоположном: на объяснении вещей с помощью моделирования.

Эпштейн и Акстелл (1996) удачно описали этот вид объяснения своим знаменитым вопросом:

«Сможете ли вы его вырастить?»:
- Можете ли вы заставить вашу модельную систему выглядеть и вести себя как настоящая, снабдив своих агентов правильным адаптивным поведением?

Достоинства ABM

присущая им стохастичность позволяет изучать явления, которые не могут быть хорошо отражены детерминистическими моделями. Стохастичность может быть включена в процессы рождения и смерти, роста и движения. Фактически, эта случайность играет важную роль в возникновении закономерностей в сообществах.
Во-вторых, они представляют восходящий (снизу - вверх), легко обобщаемый подход к моделированию. Для многих систем подробная информация может существовать (или пониматься) только на индивидуальном уровне.
В-третьих, ABM допускают эмерджентное поведение. Через характеристику отдельных агентов на последующих стадиях изучения динамики на системном уровне может возникнуть возникающее поведение, которое невозможно было предсказать или, во многих случаях, даже количественно сформулировать. Наконец, ABM легко обобщается на множество различных контекстов как для агентов, так и для их среды.

Примеры моделей (образование и управление)

Категория:Model

{{#ask: [[Категория:Model]] [[Field_of_knowledge::Образование]] OR [[Категория:Model]] [[Field_of_knowledge::Управление]] | ?Description }}

	Description
Flocking (model)	Модель самопроизвольного формирования стаи в результате действий множества участников (птиц, рыб, людей). Модель формирования стаи - это классическая агентно-ориентированная модель, основанная на оригинальных моделях Рейнольдса (1987). Модель демонстрирует, что стаи птиц могут возникать даже в отсутствии специальных птиц-вожаков, которые ведут всех за собой. Скорее, каждая птица следует общему же набору правил, и из выполнения всеми простых правил появляются стаи. Каждая птица следует трем правилам: «выравнивание», «разделение» и «сплоченность». «Выравнивание» означает, что птица поворачивается так, что движется в том же направлении, что и ближайшие птицы. «Разделение» означает, что птица поворачивается, чтобы не столкнуться с другой птицей. «Сплоченность» означает, что птица движется к другим ближайшим птицам. Правило «разделения» имеет приоритет над двумя другими, что означает, что если две птицы приближаются друг к другу, они всегда будут разделяться. В этом случае два других правила отменяются до тех пор, пока не будет достигнуто минимальное разделение. Эти три правила влияют только на направление птицы. Каждая птица всегда движется вперед с одинаковой постоянной скоростью. Правила удивительно надежны и могут быть адаптированы к скоплению насекомых, стаям рыб и паттернам «V» стаи гусей (Stonedahl & Wilensky, 2010a).
Leaders & Followers (model)	Модель лидеров (харизматиков) и их последователей - тех, кто за ними следует и устанавливает с ними связи.
Piaget-Vygotsky (model)	Модель «обучения через игру» была создана для следующих целей: продемонстрировать жизнеспособность агент-ориентированного моделирования для изучения социально-психологических феноменов развития; проиллюстрировать потенциал ABM как платформы, позволяющей общаться и сотрудничать между психологами с различными теоретическими взглядами; и, в частности, визуализировать взаимодополняемость объяснений Пиаже и Выготского о том, как люди учатся.
Sugarscape model	Sugarscape model (сахарная модель) - один из методов(моделей) разработки искусственного общества. Модель стала популярна благодаря известной работе «Growing Artificial Societies». Является одной из простых моделей и прекрасным инструментом для обсуждения и экспериментального исследования ряда научных вопросов. Имеется некоторая окружающая среда — сахарный ландшафт, где в двумерном пространстве разбросан сахар — где-то больше, где-то меньше; и туда же помещены агенты-жуки, которые ползают по сахарному ландшафту по простым правилам: агенту надо есть сахар, и он перемещается туда, где сахара больше. Так они двигаются, поедают сахар, который появляется в той или иной точке тоже по каким-то законам. Наблюдая за поведением агентов на экране мы видим то, что Джошуа Эпштейн и Роберт Акстелл определили как прото-историю или Proto-Narrative
Team Assembly (model)	Эта модель коллаборативных сетей показывает, как поведение отдельных людей при формировании небольших команд для краткосрочных проектов может со временем привести к появлению множества крупномасштабных сетевых структур.
Traffic jams	Модель формирования и рассасывания дорожной пробки, реализованная в нескольких средах многоагентного моделирования
Virus on a Network	Сетевая модель "Virus on a Network" может иметь несколько интерпретаций. Первая из интерпретаций находится в плоскости информационной безопасности - распространение вируса по компьютерной сети. Вторая из возможных интерпретаций находится в плоскости социологии и управления - распространение инновационной идеи в организации (в частности, в образовательной организации, в школе). В этом случае модель можно использовать как инструмент для иллюстрации процесса распространения инноваций в зависимости от характеристик социального капитала. Каждый элемент модели находится в трех состояниях: вовлеченный (infected), восприимчивый (susceptible) или резистентный (resistant). Модифицированную модель Netlogo, а также результаты проведенных в BehaviorSpace экспериментов и скрипт в R для анализа результатов можно скачать по ссылке: https://github.com/mmyshkina/netlogo_innovation_idea_on_a_netwok
Собирание учеников в классы	3 Учителя - черный, красный и желтый собирают учеников в свои классы

Видео

Использование многоагентного моделирования для изучения организационных и образовательных феноменов

Выращиваем данные в многоагентных моделях NetLogo

Книги:

Railsback, S.F., Grimm, V., 2019. Agent-Based and Individual-Based Modeling: A Practical Introduction, Second Edition. Princeton University Press.
Caillou, P., Rey Coyrehourq, S., Marilleau, N., Banos, A., 2017. Exploring Complex Models in NetLogo, in: Banos, A., Lang, C., Marilleau, N. (Eds.), Agent-Based Spatial Simulation with NetLogo, Volume 2. Elsevier, pp. 173–208. https://doi.org/10.1016/B978-1-78548-157-4.50006-6
Banos, A., Lang, C., Marilleau, N., 2016. Agent-based Spatial Simulation with NetLogo, Volume 2: Advanced Concepts. Elsevier.
Growing_Artificial_Societies:_Social_Science_From_the_Bottom_Up_(Complex_Adaptive_Systems)
Wilensky, U., Rand, W., 2015. An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo. MIT Press.
Damaceanu, R.-C., 2013. Agent-Based Computational Economics Using NetLogo. Bentham Science Publishers.
Damaceanu, R.-C., 2011. Agent-based Computational Social Sciences Using NetLogo: Theory and Applications. LAP Lambert Academic Publishing, Germany.
Berryman, M.J., Angus, S.D., 2010. Tutorials on Agent-based Modelling with NetLogo and Network Analysis with Pajek, in: Complex Physical, Biophysical and Econophysical Systems, World Scientific Lecture Notes in Complex Systems. WORLD SCIENTIFIC, pp. 351–375.