Агентное моделирование это можно выбрать несколько вариантов ответа

Агентное моделирование

Агентное моделирование — это особый индивидуальный метод компьютерного моделирования и симуляции, тесно связанный со сложными системами , многоагентными системами , эволюционным программированием и клеточными автоматами .

Оглавление

история

Агентное моделирование уходит корнями в моделирование клеточных автоматов, а также в различных областях искусственного интеллекта . При сравнении агентное моделирование также можно интерпретировать как расширение клеточных автоматов. Это частный случай микросимуляции . Агентные модели основаны на теории многоагентных систем.

теория

В отличие от других типов моделирования (например, системной динамики ), в моделировании на основе агентов многие небольшие единицы (агенты) имеют варианты принятия решений или действий. В этом смысле этот тип моделирования позволяет явно моделировать или исследовать связи между микро- и макроуровнями. Системное поведение является результатом поведения отдельных агентов и не определяется на системном уровне. Если на системном уровне есть эффекты, которые не могут быть получены непосредственно из алгоритмов принятия решений отдельными лицами, это называется эмерджентностью . Кроме того, может быть реализовано поведение системы, отличное от индивидуальных решений.

Два важных аспекта агентного моделирования — это возможность явно отображать неоднородное поведение и зависимости от других людей.

Этот тип моделирования в основном используется, когда вопрос стоит не об устойчивости равновесия или предположении, что процесс вернется к равновесию, а, скорее, о том, как система может адаптироваться к изменившимся рамочным условиям ( устойчивость ). При этом учитывается знание того, что сложные проблемы требуют непосредственного изучения микроуровня, то есть решений отдельных лиц, их неоднородности и их взаимодействия.

Примеры применения

Очень разные приложения относятся к области агентного моделирования. Они различаются, например, степенью смоделированного интеллекта агентов и моделированием физического или социального пространства. Общим для всех этих подходов является то, что поведение при принятии решений реализуется на уровне индивида.

Несколько примеров иллюстрируют этот диапазон.

Простое моделирование образования пробок

Транспортные средства (агенты) движутся в одном измерении. Водители или транспортные средства обладают определенным поведением при ускорении и торможении и поддерживают минимальное расстояние от впереди идущего автомобиля. Сложность моделируемой среды настолько низка, а необходимый искусственный интеллект агентов настолько ограничен, что в этом случае можно также говорить о микросимуляции . Тем не менее, с этими моделями можно сделать интересные утверждения.

Модель движения с дискретно смоделированным пространством (транспортные средства движутся по ячейкам сетки) — это модель Нагеля-Шрекенберга , примером транспортного средства, следующего за моделью с непрерывным пространством, является модель Видемана .

Формирование муравьиных следов

Имитированные муравьи, которые выделяют ароматы в поисках пищи и следят за ароматами других муравьев, обладают столь же простым интеллектом. Со временем ароматы теряются. Двумерная среда здесь может быть намного сложнее, например, она может содержать источники пищи и препятствия. Даже если поведение особей простое, здесь может развиться сложный интеллект роя . См. Также симуляцию формирования муравьиной дороги, реализованную в NetLogo . Так называемые муравьиные алгоритмы были выведены из этого поведения для решения задач комбинаторной оптимизации.

сегрегация

Агенты в модели сегрегации Шеллинга демонстрируют несколько более сложное поведение при принятии решений. Там агенты делают выбор, исходя из разных предпочтений, в какую часть города они переезжают. Помимо пространственной среды существует социальная среда. Поведение агентов зависит от поведения и предпочтений других агентов (социальная принадлежность). См. Также моделирование, реализованное в NetLogo. Модель восходит к Томасу Шеллингу .

Социальные сети

Пространство может отойти на второй план, если поведение агентов при принятии решений больше не зависит от того, где они находятся, а от других агентов, с которыми они контактируют, таких как поведение потребителей или распространение культурных норм. Для этого смоделированы социальные сети . Обмены происходят только с агентами, с которыми есть сетевые отношения. Здесь поведение отдельных агентов при принятии решений может стать более сложным и многослойным и, например, как в случае с потребителями, содержать повторение, имитацию, социальное сравнение и размышление.

Искусственная экономика

Научная дисциплина Agent-based Computational Economics занимается моделированием поведения при принятии экономических решений на уровне индивидов. Изучаемые вопросы варьируются от поведения на аукционе до индивидуальной работы ( моральный риск ) и поведения при социальных дилеммах .

Социальная симуляция

Область социального моделирования включает моделирование конкретных наблюдаемых ситуаций, которые рассматриваются в тематических исследованиях. Полученные в результате агентные модели отображают поведение людей в исследуемых районах, например фермеров в водосборном бассейне реки. В то же время они могут сочетаться с более или менее сложными моделями физической среды и содержать соответствующую обратную связь.

Агентное моделирование и экономика

Применение в искусственной экономике особенно примечательно, потому что предположение о рационально действующих лицах ( Homo oeconomicus ) всегда было описанием на агрегированном уровне. Совокупное поведение экономически действующих лиц можно описать так, как если бы они действовали рационально. Это может быть верно для рынков с большим объемом информации, множеством возможностей обучения, достаточным количеством времени и мотивации. Однако существует достаточно примеров ситуаций, в которых предположения о рациональном поведении не дают хороших предсказаний о реальном поведении человека. К этим ситуациям относятся интересные научные вопросы, особенно в отношении общественных благ и социальных дилемм . Однако, поскольку не существует другой теории человеческого поведения, которая поддается агрегированию таким же образом, как теория рациональности, в таких вопросах необходимо исследовать неоднородное поведение людей, которое действительно можно наблюдать. Агентное моделирование — это метод имитации этого поведения, а также создания и исследования гипотез о связях между микроповедением людей и макроповедением системы.

Источник



Тест с ответами: “Моделирование”

2. Построение модели исходных данных; построение модели результата, разработка алгоритма, разработка программы, отладка и исполнение программы, анализ и интерпретация результатов:
а) анализ существующих задач
б) этапы решения задачи с помощью компьютера +
в) процесс описания информационной модели

3. Процесс построения информационных моделей с помощью формальных языков называется:
а) планированием
б) визуализацией
в) формализацией +

4. Расписание движения поездов может рассматриваться как пример:
а) табличной модели +
б) натурной модели
в) математической модели

5. Математическая модель объекта:
а) совокупность данных, содержащих информацию о количественных характеристиках объекта и его поведении в виде таблицы
б) созданная из какого-либо материала модель, точно отражающая внешние признаки объекта-оригинала
в) совокупность записанных на языке математики формул, отражающих те или иные свойства объекта-оригинала или его поведение +

6. Натурное (материальное) моделирование:
а) моделирование, при котором в модели узнается какой-либо отдельный признак объекта-оригинала
б) моделирование, при котором в модели узнается моделируемый объект, то есть натурная (материальная) модель всегда имеет визуальную схожесть с объектом-оригиналом +
в) создание математических формул, описывающих форму или поведение объекта-оригинала

7. Система состоит из:
а) объектов, которые называются свойствами системы
б) набора отдельных элементов
в) объектов, которые называются элементами системы +

8. Может ли один объект иметь множество моделей:
а) да +
б) нет
в) да, если речь идёт о создании материальной модели объекта

9. Образные модели представляют собой:
а) формулу
б) таблицу
в) зрительные образы объектов, зафиксированные на каком либо носителе информации +

10. Какие модели воспроизводят геометрические, физические и другие свойства объектов в материальной форме?
а) табличные
б) предметные +
в) информационные

11. Модель:
а) материальный или абстрактный заменитель объекта, отражающий существенные с точки зрения цели исследования свойства изучаемого объекта, явления или процесса +
б) материальный или абстрактный заменитель объекта, отражающий его пространственно-временные характеристики
в) любой объект окружающего мира

12. Описание глобальной компьютерной сети Интернет в виде системы взаимосвязанных следует рассматривать как:
а) математическую модель
б) сетевую модель +
в) графическую модель

13. Последовательность этапов моделирования:
а) цель, объект, модель, метод, алгоритм, программа, эксперимент, анализ, уточнение +
б) объект, цель, модель, эксперимент, программа, анализ, тестирование
в) цель, модель, объект, алгоритм, программа, эксперимент, уточнение выбора объекта

14. Моделирование:
а) формальное описание процессов и явлений
б) процесс выявления существенных признаков рассматриваемого объекта
в) метод познания, состоящий в создании и исследовании моделей +

15. Сколько существует основных этапов разработки и исследование моделей на компьютере:
а) 5 +
б) 4
в) 6

16. На первом этапе исследования объекта или процесса обычно строится:
а) предметная модель
б) описательная информационная модель +
в) формализованная модель

17. Табличная информационная модель представляет собой:
а) набор графиков, рисунков, чертежей и диаграмм
б) последовательность предложений на естественном языке
в) описание объектов (или их свойств)в виде совокупности значений, размещенных в таблице +

18. Такие модели представляют объекты и процессы в образной или знаковой форме:
а) материальные
б) информационные +
в) математические

19. Рисунки, карты, чертежи, диаграммы, схемы, графики представляют собой:
а) иерархические информационные модели
б) математические модели
в) графические информационные модели +

20. Географическую карту следует рассматривать скорее всего как:
а) вербальную информационную модель
б) графическую информационную модель +
в) математическую информационную модель

21. В качестве примера модели поведения можно назвать:
а) правила техники безопасности в компьютерном классе +
б) чертежи школьного здания
в) план классных комнат

22. Какой тип моделей применяется для описания ряда объектов, обладающих одинаковыми наборами свойств:
а) сетевые информационные модели
б) табличные информационные модели +
в) иерархические сетевые модели

23. Информационной моделью части земной поверхности является:
а) глобус
б) рисунок
в) картина местности +

24. Модель отражает:
а) некоторые существенные признаки объекта
б) существенные признаки в соответствии с целью моделирования +
в) все существующие признаки объекта

25. При создании игрушечного корабля для ребенка трех лет существенным является:
а) точность
б) материал
в) внешний вид +

26. В информационной модели жилого дома, представленной в виде чертежа (общий вид), отражается его:
а) стоимость
б) структура +
в) надежность

27. В информационной модели облака, представленной в виде черно-белого рисунка, отражаются его:
а) форма +
б) размер
в) плотность

28. Модель человека в виде детской куклы создана с целью:
а) познания
б) продажи
в) игры +

29. Признание признака объекта существенным при построении его информационной модели зависит от:
а) цели моделирования +
б) стоимости объекта
в) размера объекта

30. При описании внешнего вида объекта удобнее всего использовать информационную модель следующего вида:
а) структурную
б) графическую +
в) математическую

31. Могут ли разные объекты быть описаны одной моделью:
а) да +
б) нет
в) зависит от моделей

Источник

Агентное моделирование

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»).

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

Содержание

См. также

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.

• Carley, Kathleen M., 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. [1]

• Epstein, Joshua M. and Robert Axtell, Growing Artificial Societies: Social Science From the Bottom Up. MIT Press/Brookings Institution, 1996.[2]

• 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.

• Samuelson, Douglas A., «Designing Organizations, » OR/MS Today, December 2000.

• Samuelson, Douglas A., «Agents of Change, » OR/MS Today, February 2005.

• Samuelson, Douglas A. and Charles M. Macal, «Agent-Based Modeling Comes of Age, » OR/MS Today, August 2006.

• Shoham, Yoav, and Kevin Leyton-Brown, «Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations». Cambridge University Press, 2009.

• Sun, Ron, Cognition and Multi-Agent Interaction: From Cognitive Modeling to Social Simulation. Cambridge University Press, 2006. http://www.cambridge.org/uk/catalogue/catalogue.asp?isbn=0521839645

Учебные курсы

• Agent-based Computational Economics Online Course [3]
• Статьи и семинары по агентному моделированию Блог [4]

Сноски

Гиперссылки

• NetLogo [5]
• StarLogo [6][7]

• Дополнить статью (статья слишком короткая либо содержит лишь словарное определение). статью.
• Проставить для статьи более точные категории.

• Математическое моделирование
• Агентный подход

Wikimedia Foundation . 2010 .

Смотреть что такое «Агентное моделирование» в других словарях:

Имитационное моделирование — Для улучшения этой статьи желательно?: Исправить статью согласно стилистическим правилам Википедии. Имитационное моделирование (ситуационное … Википедия

AnyLogic — Тип Программы имитационного моделирования Разработчик XJ Technologies (Экс Джей Текнолоджис) (AnyLogic Company) Написана на Java SE Операционная система Microsoft Windows … Википедия

Системная динамика — Системная динамика  направление в изучении сложных систем, исследующее их поведение во времени и в зависимости от структуры элементов системы и взаимодействия между ними. В том числе: причинно следственных связей, петель обратных связей,… … Википедия

Интеллектуальный агент — Обычный агент … Википедия

Интеллектуальные агенты — Обычный агент Обучающийся агент Термины «агент» и «интеллектуальный агент» (ИА) имеют два значения, и из за этого иногда возникает путаница. В компьютерной науке, интеллектуальный агент это программа, самостоятельно выполняющая задание,… … Википедия

Агентно-ориентированный подход — Парадигмы программирования Агентно ориентированная Компонентно ориентированная Конкатенативная Декларативная (контрастирует с Императивной) Ограничениями Функциональная Потоком данных Таблично ориентированная (электронные таблицы) Реактивная … Википедия

Источник

IV Международная студенческая научная конференция Студенческий научный форум — 2012

ОСНОВЫ ПРОЕКТИРОВАНИЯ СИСТЕМЫ АГЕНТНОГО МОДЕЛИРОВАНИЯ

Одним из самых распространённых способов исследования динамических и сложным образом организованных систем является имитационное моделирование. Данная форма моделирования берёт своё начало ещё в ранних 60‑х, и к настоящему моменту она становится всё более актуальной и востребованной. Однако, подобно другим формам, имитационное моделирование имеет ряд трудностей, которые являются следствием попытки представить процессы и явления в реальном мире. В целом, наблюдается тенденция к повышению точности и адекватности создаваемых моделей. Ответом на это требование служит возникновение агентного имитационного моделирования. Тем не менее, этот подход по своей природе содержит много вопросов и проблем, и поэтому требует особого внимания при исследовании.

Нашей задачей служит построение системы имитационного моделирования на базе агентного подхода. Предполагается, что модель, создаваемая пользователем, будет инвариантна относительно предметной области. Для этого пользователю предстоит каким-либо образом задать агентов, определить их свойства, структуру, поведение и семантику, объединить этих агентов, например, в сеть, определить топологию данной сети, наложить на неё условия моделирования и поместить эту «заготовку» в определённую среду моделирования.

При этом исследователю должны быть даны несколько способов представления агентов. Представление может быть определено внутренним состоянием агента, наличием дополнительных данных (например, собираемой статистикой), поведением, механизмом принятия решений, присутствием интеллектуальных средств, механизмов адаптации, средств обучения и пополнения знаний в ходе вывода и т.д.

Для исследования агентного подхода потребуется:

• определить сферу применимости агентного подхода;
• выявить преимущества и недостатки агентного моделирования;
• сравнить агентный подход с традиционными формами имитационного моделирования;
• построить математическую модель для разрабатываемой системы;
• рассмотреть существующие аналоги и успешность применяемых ими методов.
• рассмотреть класс существующих задач, решаемых с помощью агентного подхода.

Напомним, что имитационное моделирование использует и другие подходы (объектные, процессные, дискретно-событийные и т.д.), которые также нужно учитывать. Более того, для некоторых задач имитационное моделирование неэффективно (вместо него используют, например, математическое моделирование). Некоторые задачи, в свою очередь, потребуют комбинированных методов и т.д. Значит, также предстоит выявить особенности и ограничения агентного подхода. Для ответа на все эти перечисленные вопросы обратимся к существующим задачам и способам их решения.

Вопросы построения агентной системы моделирования

Система моделирования на базе агентного подхода поможет исследователю в изучении сложных, трудноформализуемых, самоорганизующихся процессов и явлений во многих прикладных областях. Однако разработка такой системы весьма не тривиальна, ведь полноценный агент полностью автономен и независим: он совершает целенаправленные действия, вступает в контакт с другими агентами, умеет принимать решения, перемещаться и приспосабливаться к среде и т.п.

Какие задачи могут возникнуть при построении подобной системы? Перечислим основные из них:

• Среда моделирования. Следует определить математическую модель среды моделирования, в которой сосуществуют агенты. За основу можно взять, например, списковые структуры, графы, деревья, клеточные автоматы и т.д.
• Методы решения экстремальных задач. Например, в случае графовых моделей агентам потребуется поиск кротчайших путей (циклов, парасочетаний, остовных деревьев и т.п.).
• Способ задания агента. Агент должен обладать памятью, интенциональными характеристиками, механизмами коммуникации, интерфейсами для сбора статистики и т.д.
• Способ взаимодействия с окружающей средой. Агент должен знать структуру среды, либо уметь её воспринимать с помощью датчиков/сенсоров.
• Способ взаимодействия друг с другом. Необходимо разработать некоторый протокол коммуникации.
• Способ задания поведения агента. Каждый агент выполняет свои действия самостоятельно. Это отличает агентный подход к моделированию от всех остальных.
• Способ изменения поведения агента. Поведение может измениться, например, в ходе коммуникации с другими агентами или в результате пополнения знаний.
• Механизм принятия решений. Агент ‑ автономная сущность, это значит, что в случае неопределённости он должен уметь принимать конкретные решения согласно поставленных перед собою целей и задач.
• Механизм вывода в условиях неопределённости. В некоторых задачах может возникнуть целый класс проблем, связанный с тем, что стандартный механизм принятия решений не может изменить состояние агента. Агент, по возможности, должен уметь действовать в любых обстоятельствах. В связи с этим требуется реализация вывода на ненадёжных знаниях.
• Механизм пополнения знаний. Для адекватного представления модели важно умение агента пополнять свою базу знаний, в т.ч. во время имитационного прогона.
• Использование метазнаний. Метазнания играют очень важную роль в представлении поведения агента: от управления стратегией вывода до поиска и разрешения противоречий, существующих в текущей базе знаний.
• Средства адаптации. Агент должен уметь изменять свою внутреннюю структуру, поведение и семантику при различных воздействиях среды моделирования.
• Механизм продвижения времени. Требуется определить, как продвигать время в среде моделирования.
• Условия моделирования. На полученную математическую модель пользователем «накладываются» условия моделирования — например, информационные процедуры, ‑ которые задают конкретный имитационный процесс.
• Механизмы сбора статистики. Исследователь должен задать интересующие его параметры моделирования, а специальные программный модули (возможно также агенты) должны уметь собрать эти данные.
• Методы отладки моделирования. Отладка поможет исследователю детально изучить конкретный имитационный прогон. Желательно, чтобы система умела воссоздать и повторить завершившийся ранее прогон.
• Способ задания модели. Это может быть некоторый язык моделирования (графический, текстовый и т.п.), с помощью которого пользователем описывается модель.
• Методы распараллеливания имитационного процесса. В случае распределённой системы возникнут проблемы отправки/приёма сообщений, совместного доступа к данным, синхронизации времени и т.д.
• Определение общей архитектуры приложения. Здесь следует определить интерфейсы, модули, подпрограммы, компоненты, структуры данных, протоколы, объекты, ресурсы, потоки управления и т.д.

Данный список, очевидно, не является полным. Агентное моделирование будет развиваться вместе с развитием других направлений математики и информатики: будут появляться новые численные и статистические методы, новые направления в развитии искусственного интеллекта, новые алгоритмы адаптации, новые способы представления нечётких знаний, новые способы параллельных и распределённых вычислений.

С другой стороны, реализация полного перечня даже этих требований может оказаться весьма трудозатратной. Необходима возможность наращивания возможностей системы. В связи с этим можно прийти к выводу, что ставится задача создания не просто агентной системы, а полноценной платформы, обладающей гибкой, расширяемой и масштабируемой архитектурой для добавления и интеграции новых компонентов.

Возможные подходы к разрешению вопросов, связанных
с созданием системы агентного моделирования

Ниже представлена краткая характеристика возможных решений, методов и технологий для реализации системы агентного моделирования. Рассмотрим, какие подходы уже используются, а какие вопросы остаются нерешёнными.

Обзор методов, применимых при создании системы

Нейросетевые технологии. Нейронные сети уже давно используются в моделировании — на их основе базируются множество систем (одна из систем представлена в [2]). В этом подходе явно прослеживается проблема адаптации — для ИНС требуется достаточно большая (и желательно репрезентативная) выборка для обучения и тестирования. В ходе имитационного прогона агент может получить новые данные и на этапе выполнения переобучать сеть.

Методы оптимизации. Некоторые авторы [3, 5] предлагают на базе математической модели построить различные функции (функционалы) и найти условный экстремум. Если мы имеем дело со сложной многокритериальной экстремальной задачей, то стоит задуматься о привлечении методов эвристического поиска (например, на базе генетических алгоритмов). В этом случае также возникает задача адаптации — подбор параметров и анализ пространства решений для ускорения поиска.

МАС. Теорию мультиагентных систем стоит изучить более детально, т.к. она оперирует общими с агентным моделированием понятиями. Стоит обратить внимание на различные способы представления и коммуникации агентов (в т.ч. Blackboard-архитектуры). Подробнее о МАС см. в [5].

Методы теории игр и исследования операций. В качестве механизмов принятия решений можно применять подходы, основанные на матричных играх, теории полезности и сетевого планирования. Во многих работах [1, 3, 4] упоминаются подобные методы. Если задача (подзадача) формулируется чётко, то они, безусловно, будут иметь преимущество перед эвристиками. В одной работе предлагалось сначала математическими методами найти точное решение, а затем его уточнить с помощью МАС.

Нечёткая логика. Несколько авторов [5, 6] предложили идеи использования нечёткой логики. Поскольку агент должен уметь принимать решения недетерминированного характера в условиях неопределённости, многозначности, неполноты и немонотонности, то он должен, во-первых, обладать памятью для хранения фактов, а во-вторых, уметь строить рассуждения на их основе. Поскольку факты как по своей природе, так и в силу коммуникации с другими агентами могут быть разнородны и противоречивы, то требуется реализовать вывод в нечёткой логике.

Вывод на базе знаний. Агент может иметь встроенные СБЗ, в т.ч. экспертные системы. Например, один из авторов [7] предложил использовать продукционную базу знаний с метаправилами до 3‑го уровня включительно. Раз агент в течение продолжительного времени сосуществует с другими агентами в определённой среде, то он может накапливать новые факты. А это вновь потребует реализации некоторых механизмов адаптации — сбора статистики, добавления в ходе прогона новых правил, изменения правил с помощью метаправил, разрешения противоречий в базе знаний и т.д.

Методы децентрализованного принятия решений. Данный аспект прослеживается практически во всех существующих работах (например, в [2, 5]), и этого следовало ожидать: агентный подход объясняет процессы в системе через независимое децентрализованное поведение агентов. Более того, принятие решений может быть распределено внутри агента. В этом случае агент действует на базе нескольких источников принятия решений. Тут вновь возникает задача адаптации — если один источник часто даёт неправильные решения, то агент должен полагаться на другие источники.

Boids-моделирование. Хорошо подходит не только для организации поведения животных, но и для более сложных структурных самоорганизующихся систем, например социальных групп. Существуют различные схемы реализации — алгоритмы муравьиных колоний, птичьих стай, сахарных плантаций и т.д.

Теория графов. Очень много работ [1, 2, 5, 7] опираются на графовое представление модели. Теория графов достаточно хорошо изучена, имеет методы решения многих графовых и комбинаторных задач, как точные, так и эвристические. Поэтому следует учесть опыт исследователей и попробовать применить данную теорию.

ГИС. Если рассматривать общую теорию ГИС (без привязки конкретно к картографии), то предлагаемые методы анализа и обработки географически распределённых объектов вполне можно применить к среде, в которой существуют агенты.

Методы теории вероятностей и математической статистики. Несколько авторов [2, 4, 5] предложили этот подход, однако они утверждают, что его следует использовать с осторожностью. Дело в том, что агентное моделирование представляет взгляд на систему «снизу‑вверх», в то время как теория вероятностей больше подходит для типа «сверху‑вниз», когда известны глобальные законы распределения, статистические оценки, априорные/апостериорные вероятности тех или иных процессов и т.д. Однако статистика располагает некоторыми полезными приёмами: анализ выборки, построение статистических гипотез, выявление корреляции между факторами, доверительное оценивание, регрессионный анализ и т.д.

Онтологический подход. Агент должен получать, хранить и обрабатывать информацию о текущем состоянии предметной области. Представление агента об окружающем мире, о других агентах и о себе самом может быть специфицировано в форме онтологии. Если агенты будут оперировать одними и теми же понятиями, то это поможет при решении многих проблем — от методов коммуникации между агентами до способов адаптации к новым условиям. Использование онтологий осложняется тем, что разрабатываемая система моделирования инвариантна относительно предметной области. Поэтому онтология (по крайней мере, предметного уровня) будет изменяться.

Комбинирование различных форм моделирования. Некоторые авторы [2, 5, 6] предлагают применение синергетической интеграции различных методов, приёмов, алгоритмов и технологий для получения более правдоподобного результата в моделировании сложных экономических процессов. Разумеется, агентное моделирование должно идти по пути интеграции, т.к. каждая методика обладает своими преимуществами и недостатками. Тут вновь возникает достаточно нетривиальная задача адаптации. Например, агент может с помощью логического вывода или вывода на семсетях принимать одни решения, но затем, приспособившись к среде и пообщавшись с другими агентами, изменить ход вывода и принять другие решения.

Анализ перечисленных методов

Итак, на примере предложенных методов мы убедились, насколько нетривиальна задача агентного моделирования. Нет чётко определённого подхода ни в способах проектирования, ни в выборе методов и алгоритмов, ни в способах представления агента, ни в выборе математической модели, ни в применении средств искусственного интеллекта.

По словам авторов, хорошо себя зарекомендовали теория графов, методы оптимизации и нейронные сети. Однако тот же нейросетевой подход является далеко не единственным и исчерпывающим. Мы рассмотрели несколько задач (в основном, экономического характера), где ИНС давала хорошие результаты. Поскольку в системе моделирования требуется решение более широкого класса задач (помимо классификации/кластеризации), то нельзя ограничиваться лишь одним подходом. Аналогично и математическое моделирование — его, безусловно, следует применять, но не в тех случаях, когда задача требует эвристических решений (например, для моделирования поведения человека или социальной группы).

Большинство работ пропагандируют интегрирование различных форм решений проблем агентного моделирования. Действительно, агентный подход явно подразумевает, что моделирование процессов системы суммируется из составных её элементов. Это порождает массу подзадач, для большинства из которых уже существуют решения. Казалось бы, осталось лишь объединить эти решения в одну общую архитектуру. Однако вопрос, каким образом это следует делать, до сих пор остаётся открытым. Более того, решения также могут отличаться:

• по степени эффективности (например, генетические алгоритмы могут найти хорошее решение, но не всегда);
• по степени применимости (методы могут работать, но лишь в ограниченных условиях);
• по степени адекватности (разные методы могут давать разные решения — существует проблема выбора с точки зрения задачи).

Таблица 1. Степень применимости существующих решений к задаче
агентного моделирования

Имеются решения, в той или иной мере допустимые для агентного моделирования

Имеются решения, но их использование и сопровождение может представить затруднения

Решения, возможно, и существуют, но они могут быть неадекватны, неполны, неэффективны, либо работать лишь в частных случаях

Источник

4. Агентное моделирование

Агент – автономный объект, который может самостоятельно реагировать на внешние события и выбирать соответствующие действия.

Агентное моделирование используется для моделирования сложных систем, состоящих из большого количества взаимодействующих подсистем.

АМ применимо в случае, когда слишком трудно или невозможно формализовать поведение системы на глобальном уровне.

Понятие агента

Под агентом в агентном моделировании понимается элемент модели, который может иметь поведение, память (историю), контакты и т.д. Агенты могут моделировать людей, компании, проекты, автомобили, города, животных, корабли, товары и т.д.

Поведение может быть либо пассивным (агенты реагируют только на прибытие сообщений или на вызов методов и не имеют собственных событий, запланированных на будущее) или активным, когда внутренняя динамика агента (события, запланированные через заданные таймауты или процессы системной динамики) является причиной действий, совершаемых агентом.

Архитектура агентных моделей.

Взаимодействие агентов со средой.

Среда является специальным объектом, позволяющим задавать свойства, общие для группы агентов. Большая часть специфичной для агентных моделей функциональности становится доступной именно с помощью среды. В одной модели может быть задано сразу несколько сред; эти среды могут быть иерархически организованы (например, агенты-компании могут находиться в одной среде, а агенты-служащие при этом могут обитать в локальной среде, заданной внутри компании). Агент может принадлежать только одной среде. Среда обеспечивает унифицированный доступ (например, для посылки сообщения какому-то агенту) ко всем агентам, обитающим в данной среде

Взаимодействие агентов с другими агентами.

Согласованность – действия агентов системы не должны конфликтовать друг с другом;

Эффективность – деятельность системы в целом должна приводить к достижению общей цели.

Уровни организации взаимодействия:

Координация (coordination) – начальный уровень, когда агенты пытаются добиться непротиворечивости своих оперативных действий.

Кооперация (cooperation) – уровень взаимодействия возможный в случае системы агентов, преследующих общие цели. При этом действия агентов могут быть оптимизированы, например, разделением задач.

Планирование (planning) – разновидность кооперации, при которой агенты совместно планируют свои действия по достижению общих целей.

Согласование (negotiation) – взаимодействие между агентами, преследующими индивидуальные цели, при котором агенты принимают решения о совместных действиях с учетом своих собственных целей.

Примеры агентных моделей.

1. потребительский рынок. В динамичной, конкурентной и сложной среде рынка выбор покупателя зачастую зависит от индивидуальных особенностей, врожденной активности потребителя, сети контактов, а также внешних влияний, которые лучше всего описываются с помощью агентного моделирования.

2. эпидемиология. Здесь агенты это люди, которые могут быть иммунными, носителями инфекции, переболевшими или восприимчивыми к болезни. Агентное моделирование поможет спроецировать в мир моделей социальные сети, разнородные контакты между людьми и в итоге получить объективные прогнозы распространения инфекции.

Источник