Агентное моделирование: различия между версиями
Patarakin (обсуждение | вклад) |
Patarakin (обсуждение | вклад) Метка: отменено |
||
Строка 3: | Строка 3: | ||
* «Сможете ли вы его вырастить?»: | * «Сможете ли вы его вырастить?»: | ||
** Можете ли вы заставить вашу модельную систему выглядеть и вести себя как настоящая, снабдив своих агентов правильным адаптивным поведением? | ** Можете ли вы заставить вашу модельную систему выглядеть и вести себя как настоящая, снабдив своих агентов правильным адаптивным поведением? | ||
|Field_of_knowledge=NetSci, Химия, Биология, Информатика, Медицина, Социология, Археология | |Field_of_knowledge=NetSci, Химия, Биология, География, Информатика, Медицина, Социология, Археология | ||
|Inventor=Epstein, Railsback, Grim, Wilensky | |Inventor=Epstein, Railsback, Grim, Wilensky | ||
|Clarifying_video=https://www.youtube.com/watch?v=HoS21re1hak | |Clarifying_video=https://www.youtube.com/watch?v=HoS21re1hak |
Версия 19:38, 23 апреля 2024
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:
|
---|---|
Область знаний | NetSci, Химия, Биология, География, 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 |
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
- Air Pollution - Buses and Cars
- Artificial Anasazi
- Basketball analytics
- Bears
- Butterfly model
- Dawkins Weasel
- Fire (model)
- Fireflies (model)
- Flocking (model)
- Giraffe collecting coins
- Great white shark
- Hungry raccoon
- Leaders & Followers (model)
- Life (model)
- Piaget-Vygotsky (model)
- Preferential Attachment
- Prisoner's dilemma
- Segregation (model)
- Slime (агрегация слизевиков)
- Solid Diffusion (model)
- Sugarscape model
- Team Assembly (model)
- The princess is collecting coins and planting flowers near her castle.
- This is my fish!
- Traffic jams
- Urban Suite - Awareness
- Urban Suite - Economic Disparity
- Virus on a Network
- Модель Лотки — Вольтерры
- Насосы и испарение
- Охота морских коньков
- Поезд и рыбы
- Собирание учеников в классы
- Термиты
- Термиты с журналом
- Футбольное поле с множеством мячиков
Примеры моделей, связанных с урбанистикой
Description | |
---|---|
Air Pollution - Buses and Cars | Когда модель работает, автобусы непрерывно следуют по дороге. В домах есть люди, которым нужно добираться на работу. Если автобус проезжает мимо дома, человек из этого дома «садится в автобус». Однако, если автобус не прибудет достаточно скоро, вместо этого человек использует личную машину, в результате чего на дороге появится машина, которой необходимо проехать определенное расстояние, прежде чем ее уберут с дороги. Автомобили выбрасывают 1 загрязнение каждые 7 «тиков». Автобусы выбрасывают одно загрязнение каждые 1 тик. Автомобили и автобусы следуют основным правилам дорожного движения: снижайте скорость, если многолюдно, и останавливайтесь, если впереди нет места для движения.
|
Artificial Anasazi | Проект был посвящен воспроизведению древнеиндейской культуры анасази в виде цифрового искусственного общества. Была смоделирована динамика города Кайента (Аризона, США) в период с 900 по 1350 год нашей эры, после которого упомянутая цивилизация исчезла. Главный вопрос для археологов был следующий: почему так произошло? С использованием расширенной версии модели Sugarscape была создана окружающая агентов среда с учетом гидрологических особенностей территории, плодородности почвы, засушливости и других параметров. В свою очередь, расселение анасази по территории в рамках цифровой модели осуществлялось на основе данных, собранных лабораторией годичных колец Аризонского университета (Tree Ring Laboratory at the University of Arizona). |
Segregation (model) | Модель сегрегации
|
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
|
Traffic jams | Модель формирования и рассасывания дорожной пробки, реализованная в нескольких средах многоагентного моделирования |
Urban Suite - Awareness | Модель определяет теоретический уровень «осведомленности» человека в городской среде на основе случайного контакта человека с информационными центрами. В модели информационными центрами являются любые источники обмена позитивной информацией. В этой модели каждый человек обладает некоторой степенью «осведомленности», которая измеряется в «очках осведомленности». Существует дискретный набор «уровней» осознания, которых могут достичь люди. Человек может быть «неосведомленным» (0–5 баллов), «осведомленным» (5–10 баллов), «хорошо информированным» (10–15 баллов) или «активистом» (более 15 баллов). Чтобы обрести осознанность, человек либо бежит в центр, где получает пять очков осознанности; или находится под влиянием хорошо информированного человека. Если одно из этих событий не произойдет в течение заданного временного шага (tick), человек потеряет одно очко осведомлённости (вплоть до нуля). Когда человек становится активистом (15 точек осознания), формируется новый центр. Новые информационные центры окрашены в синий цвет, а первоначальные информационные центры - в зеленый. Если никто не вступает в контакт с центром в течение заданного времени (см. ползунок НЕИСПОЛЬЗОВАНИЕ-ОГРАНИЧЕНИЕ), центр исчезает из мира. Если какой-либо информационный/рекламный метод или место не приносит результатов, в конечном итоге он будет закрыт. |
Urban Suite - Economic Disparity | Когда в мире появляется новое место работы, оно случайным образом выбирает некоторое количество местоположений (управляемое ползунком КОЛИЧЕСТВО ИСПЫТАНИЙ) и выбирает то, которое имеет самую высокую цену (то есть стоимость земли). Поначалу это может показаться иррациональным, но в этой модели предполагается, что рабочие места перемещаются туда, где находится богатство. Если в определенной области денег больше, то есть более состоятельные люди, которые могут потратить эти деньги на товары и услуги. В этой модели есть два принципиально разных типа людей — «бедные» люди (показаны синим цветом) и «богатые» люди (показаны розовым цветом), и у них разные приоритеты. Оба типа людей желают располагаться недалеко от места работы. Однако богатые люди ищут место с хорошим качеством, не обращая внимания на цену, в то время как бедные люди ищут места с низкой ценой, не обращая внимания на качество. |
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.
Агентное моделирование в образовании
- Патаракин Е.Д., Ярмахов Б.Б. Выращивание данных для школьных виртуальных лабораторий // Вестник Российского Университета Дружбы Народов. Серия: Информатизация Образования. 2021. Vol. 18, № 4. P. 347–359. https://www.elibrary.ru/item.asp?id=48084035
- Patarakin E., Vachkova S., Burov V. Agent-based modeling of teacher interaction within a repository of digital objects // SHS Web Conf. 2021. Vol. 98. P. 05013. https://www.shs-conferences.org/articles/shsconf/abs/2021/09/shsconf_ec2020_05013/shsconf_ec2020_05013.html
- Патаракин Е.Д. Агентное моделирование для рефлексии образовательной организации // Искусственные Общества. 2018. Vol. 13, № 4. P. 10.
- Патаракин Е.Д. Представление Истории Формирования Команд Методами Сетевого Анализа И Агентного Моделирования. Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, 2021. P. 32–38. https://www.elibrary.ru/item.asp?id=47600148
- Патаракин Е.Д. Агентное моделирование образовательных организаций и образовательных сообществ // Педагогическое Образование И Наука. 2021. № 5. https://www.elibrary.ru/item.asp?id=47562405
- Patarakin E.D. Wikigrams-Based Social Inquiry // Digital Tools and Solutions for Inquiry-Based STEM Learning. IGI Global, 2017. Vol. 1. P. 112–138. https://publications.hse.ru/pubs/share/direct/332022736.pdf