Agentbaserad modell

En agentbaserad modell ( ABM ) är en beräkningsmodell för att simulera handlingar och interaktioner av autonoma agenter (både individuella eller kollektiva enheter som organisationer eller grupper) för att förstå beteendet hos ett system och vad som styr dess utfall. Den kombinerar element av spelteori , komplexa system , emergens , beräkningssociologi , multi-agent system och evolutionär programmering . Monte Carlo-metoder används för att förstå stokasticiteten hos dessa modeller. Särskilt inom ekologi kallas ABM också för individbaserade modeller ( IBM ) . En genomgång av nyare litteratur om individbaserade modeller, agentbaserade modeller och multiagentsystem visar att ABM används inom många vetenskapliga områden inklusive biologi , ekologi och samhällsvetenskap . Agentbaserad modellering är relaterad till, men skiljer sig från, konceptet med multi-agent system eller multi-agent simulering genom att målet med ABM är att söka efter förklarande insikt i det kollektiva beteendet hos agenter som lyder enkla regler, vanligtvis i naturliga system snarare än att designa agenter eller lösa specifika praktiska eller tekniska problem.

Agentbaserade modeller är en sorts mikroskalamodell som simulerar simultana operationer och interaktioner av flera agenter i ett försök att återskapa och förutsäga uppkomsten av komplexa fenomen. Processen är en uppkomst , vilket vissa uttrycker som "helheten är större än summan av dess delar". Med andra ord, systemegenskaper på högre nivå uppstår från samspelet mellan undersystem på lägre nivå. Eller tillståndsförändringar i makroskala uppstår från agentbeteenden i mikroskala. Eller, enkla beteenden (vilket betyder regler som följs av agenter) genererar komplexa beteenden (vilket betyder tillståndsförändringar på hela systemnivån).

Individuella agenter karakteriseras typiskt som begränsat rationella , antas agera i vad de uppfattar som sina egna intressen, såsom reproduktion, ekonomisk nytta eller social status, med hjälp av heuristik eller enkla beslutsfattande regler. ABM-agenter kan uppleva "inlärning", anpassning och reproduktion.

De flesta agentbaserade modeller är sammansatta av: (1) många medel specificerade i olika skalor (vanligtvis kallad agentgranularitet); (2) beslutsfattande heuristik; (3) inlärningsregler eller adaptiva processer; (4) en interaktionstopologi ; och (5) en miljö. ABM:er implementeras vanligtvis som datorsimuleringar , antingen som anpassad programvara eller via ABM-verktygssatser, och denna programvara kan sedan användas för att testa hur förändringar i individuella beteenden kommer att påverka systemets framväxande övergripande beteende.

Historia

Idén om agentbaserad modellering utvecklades som ett relativt enkelt koncept i slutet av 1940-talet. Eftersom det kräver beräkningskrävande procedurer, blev det inte utbrett förrän på 1990-talet.

Tidig utveckling

Historien om den agentbaserade modellen kan spåras tillbaka till Von Neumann-maskinen , en teoretisk maskin som kan återskapas. Den enhet von Neumann föreslagit skulle följa exakt detaljerade instruktioner för att skapa en kopia av sig själv. Konceptet byggdes sedan på av von Neumanns vän Stanislaw Ulam , också en matematiker; Ulam föreslog att maskinen skulle byggas på papper, som en samling celler på ett rutnät. Idén fascinerade von Neumann, som skapade den - skapade den första av enheterna som senare kallades cellulära automater . Ett annat framsteg infördes av matematikern John Conway . Han konstruerade det välkända Game of Life . Till skillnad från von Neumanns maskin, fungerade Conways Game of Life av enkla regler i en virtuell värld i form av ett 2-dimensionellt schackbräde .

Programmeringsspråket Simula , utvecklat i mitten av 1960-talet och allmänt implementerat i början av 1970-talet, var det första ramverket för att automatisera steg-för-steg agentsimuleringar.

1970- och 1980-talen: de första modellerna

En av de tidigaste agentbaserade modellerna i konceptet var Thomas Schellings segregationsmodell, som diskuterades i hans artikel "Dynamic Models of Segregation" 1971. Även om Schelling ursprungligen använde mynt och millimeterpapper snarare än datorer, förkroppsligade hans modeller de grundläggande begreppet agentbaserade modeller som autonoma agenter som interagerar i en delad miljö med ett observerat aggregerat, framväxande resultat.

I början av 1980-talet var Robert Axelrod värd för en turnering med Prisoner's Dilemma- strategier och fick dem att interagera på ett agentbaserat sätt för att avgöra en vinnare. Axelrod skulle fortsätta att utveckla många andra agentbaserade modeller inom statsvetenskapen som undersöker fenomen från etnocentrism till spridning av kultur. I slutet av 1980-talet Craig Reynolds arbete med flockningsmodeller till utvecklingen av några av de första biologiska agensbaserade modellerna som innehöll sociala egenskaper. Han försökte modellera verkligheten av livliga biologiska medel, kända som artificiellt liv , en term myntad av Christopher Langton .

Den första användningen av ordet "agent" och en definition som den används idag är svår att spåra. En kandidat verkar vara John Hollands och John H. Millers artikel från 1991 "Artificial Adaptive Agents in Economic Theory", baserad på en tidigare konferenspresentation av deras.

Samtidigt, under 1980-talet, utvecklade samhällsvetare, matematiker, operationsforskare och en mängd människor från andra discipliner Computational and Mathematical Organization Theory (CMOT). Detta område växte som en specialintressegrupp för The Institute of Management Sciences (TIMS) och dess systersamhälle, Operations Research Society of America (ORSA).

1990-talet: expansion

1990-talet var särskilt anmärkningsvärt för expansionen av ABM inom samhällsvetenskaperna, en anmärkningsvärd insats var den storskaliga ABM, Sugarscape , utvecklad av Joshua M. Epstein och Robert Axtell för att simulera och utforska rollen av sociala fenomen som säsongsbetonade migrationer, föroreningar, sexuell reproduktion, bekämpning och överföring av sjukdomar och till och med kultur. Andra anmärkningsvärda 1990-talsutvecklingar inkluderar Carnegie Mellon Universitys Kathleen Carley ABM, för att utforska samutvecklingen av sociala nätverk och kultur. Under denna tidsram på 1990-talet Nigel Gilbert den första läroboken om Social Simulation: Simulation for the social scientist (1999) och etablerade en tidskrift ur ett samhällsvetenskapligt perspektiv: Journal of Artificial Societies and Social Simulation (JASSS). Förutom JASSS är agentbaserade modeller av alla discipliner inom SpringerOpen-tidskriften Complex Adaptive Systems Modeling ( CASM).

Under mitten av 1990-talet började den samhällsvetenskapliga tråden i ABM fokusera på sådana frågor som att utforma effektiva team, förstå den kommunikation som krävs för organisatorisk effektivitet och beteendet hos sociala nätverk. CMOT – senare omdöpt till Computational Analysis of Social and Organizational Systems (CASOS) – inkorporerade mer och mer agentbaserad modellering. Samuelson (2000) är en bra kort översikt av den tidiga historien, och Samuelson (2005) och Samuelson och Macal (2006) spårar den senare utvecklingen.

I slutet av 1990-talet hjälpte sammanslagningen av TIMS och ORSA till INFORMS , och INFORMS flyttade från två möten varje år till ett, till att sporra CMOT-gruppen att bilda ett separat sällskap, North American Association for Computational Social and Organizational Sciences (NAACSOS). Kathleen Carley var en stor bidragsgivare, särskilt till modeller för sociala nätverk, fick National Science Foundation- finansiering för den årliga konferensen och fungerade som den första presidenten för NAACSOS. Hon efterträddes av David Sallach från University of Chicago och Argonne National Laboratory , och sedan av Michael Prietula från Emory University . Ungefär samtidigt som NAACSOS startade, organiserades European Social Simulation Association (ESSA) och Pacific Asian Association for Agent-Based Approach in Social Systems Science (PAAA), motsvarigheter till NAACSOS. Från och med 2013 samarbetar dessa tre organisationer internationellt. University George första världskongressen om social simulering hölls under deras gemensamma sponsring i Kyoto, Japan, i augusti 2006. Andra världskongressen hölls i norra Virginias förorter till Washington, DC, i juli 2008, tillsammans med Mason ta ledande roll i lokala arrangemang.

2000-talet och senare

På senare tid har Ron Sun utvecklat metoder för att basera agentbaserad simulering på modeller av mänsklig kognition, känd som kognitiv social simulering. Bill McKelvey, Suzanne Lohmann, Dario Nardi, Dwight Read och andra vid UCLA har också gjort betydande bidrag i organisatoriskt beteende och beslutsfattande. Sedan 2001 har UCLA arrangerat en konferens i Lake Arrowhead, Kalifornien, som har blivit en annan viktig samlingspunkt för utövare inom detta område. [ citat behövs ]

Teori

Den mesta beräkningsmodelleringsforskningen beskriver system i jämvikt eller som rör sig mellan jämvikter. Agentbaserad modellering, med enkla regler, kan dock resultera i olika typer av komplexa och intressanta beteenden. De tre idéerna som är centrala för agentbaserade modeller är agenter som objekt, uppkomst och komplexitet .

Agentbaserade modeller består av dynamiskt interagerande regelbaserade agenter. Systemen inom vilka de interagerar kan skapa verklig komplexitet. Typiskt är agenter placerade i rum och tid och bor i nätverk eller i gallerliknande grannskap. Agenternas placering och deras responsiva beteende kodas i algoritmisk form i datorprogram. I vissa fall, men inte alltid, kan agenterna betraktas som intelligenta och målmedvetna. I ekologisk ABM (ofta kallad "individbaserade modeller" inom ekologi) kan medel till exempel vara träd i en skog och skulle inte anses vara intelligenta, även om de kan vara "ändamålsbaserade" i betydelsen att optimera åtkomsten till en resurs (som vatten). Modelleringsprocessen beskrivs bäst som induktiv . Modellören gör dessa antaganden mest relevanta för den aktuella situationen och ser sedan fenomen som dyker upp ur agenternas interaktioner. Ibland är resultatet en jämvikt. Ibland är det ett framträdande mönster. Ibland är det dock en oförståelig mangel.

På vissa sätt kompletterar agentbaserade modeller traditionella analysmetoder. Där analytiska metoder gör det möjligt för människor att karakterisera jämvikten i ett system, tillåter agentbaserade modeller möjligheten att generera dessa jämvikter. Detta generativa bidrag kan vara det vanligaste av de potentiella fördelarna med agentbaserad modellering. Agentbaserade modeller kan förklara uppkomsten av mönster av högre ordning – nätverksstrukturer för terroristorganisationer och internet, maktlagsfördelningar i storleken på trafikstockningar, krig och börskrascher och social segregation som kvarstår trots befolkningar av toleranta människor. Agentbaserade modeller kan också användas för att identifiera hävstångspunkter, definierade som ögonblick i tiden där interventioner har extrema konsekvenser, och för att skilja mellan olika typer av vägberoende.

Istället för att fokusera på stabila tillstånd, tar många modeller hänsyn till ett systems robusthet – de sätt som komplexa system anpassar sig till interna och externa påfrestningar för att bibehålla sina funktioner. Uppgiften att utnyttja den komplexiteten kräver hänsyn till agenterna själva – deras mångfald, koppling och nivå av interaktioner.

Ramverk

Det senaste arbetet med modellering och simulering av komplexa adaptiva system har visat behovet av att kombinera agentbaserade och komplexa nätverksbaserade modeller. beskriva ett ramverk som består av fyra nivåer för att utveckla modeller av komplexa adaptiva system som beskrivs med hjälp av flera exempel på multidisciplinära fallstudier:

  1. Complex Network Modeling Level för utveckling av modeller med hjälp av interaktionsdata för olika systemkomponenter.
  2. Exploratory Agent-based Modeling Level för utveckling av agentbaserade modeller för att bedöma genomförbarheten av ytterligare forskning. Detta kan t.ex. vara användbart för att utveckla proof-of-concept-modeller som för finansiering av ansökningar utan att kräva en omfattande inlärningskurva för forskarna.
  3. Descriptive Agent-based Modeling (DREAM) för utveckling av beskrivningar av agentbaserade modeller med hjälp av mallar och komplexa nätverksbaserade modeller. Att bygga DREAM-modeller möjliggör jämförelse av modeller över vetenskapliga discipliner.
  4. Validerad agentbaserad modellering med hjälp av Virtual Overlay Multiagent system (VOMAS) för utveckling av verifierade och validerade modeller på ett formellt sätt.

Andra metoder för att beskriva agentbaserade modeller inkluderar kodmallar och textbaserade metoder som protokollet ODD (Overview, Design concepts and Design Details).

Rollen för miljön där agenter bor, både makro och mikro, håller också på att bli en viktig faktor i agentbaserat modellerings- och simuleringsarbete. Enkel miljö ger enkla agenter, men komplexa miljöer genererar mångfald av beteende.

Multi-Scale modellering

En styrka med agentbaserad modellering är dess förmåga att förmedla informationsflöde mellan skalor. När ytterligare detaljer om en agent behövs kan en forskare integrera den med modeller som beskriver de extra detaljerna. När man är intresserad av de framväxande beteenden som demonstreras av agentpopulationen, kan de kombinera den agentbaserade modellen med en kontinuummodell som beskriver populationsdynamiken. Till exempel, i en studie om CD4+ T-celler (en nyckelcellstyp i det adaptiva immunsystemet), modellerade forskarna biologiska fenomen som inträffade på olika rumsliga (intracellulära, cellulära och systemiska), tidsmässiga och organisatoriska skalor (signaltransduktion, gen). reglering, metabolism, cellulära beteenden och cytokintransport). I den resulterande modulära modellen beskrivs signaltransduktion och genreglering av en logisk modell, metabolism genom begränsningsbaserade modeller, cellpopulationsdynamik beskrivs av en agentbaserad modell och systemiska cytokinkoncentrationer av vanliga differentialekvationer. I denna flerskaliga modell intar den agentbaserade modellen den centrala platsen och orkestrerar varje ström av informationsflöde mellan skalor.

Ansökningar

Vid modellering av komplexa adaptiva system

Vi lever i en mycket komplex värld där vi står inför komplexa fenomen som bildandet av sociala normer och uppkomsten av nya störande teknologier. För att bättre förstå sådana fenomen använder samhällsvetare ofta ett reduktionistiskt tillvägagångssätt där de reducerar komplexa system till variabler på lägre nivå och modellerar relationerna mellan dem genom ett schema av ekvationer som partiella differentialekvationer (PDE) [ citat behövs ] . Detta tillvägagångssätt som kallas ekvationsbaserad modellering (EBM) har några grundläggande svagheter i modellering av verkliga komplexa system. EBM:er betonar icke-realistiska antaganden, såsom obegränsad rationalitet och perfekt information, medan anpassningsförmåga, evolverbarhet och nätverkseffekter förblir oadresserade [ citat behövs ] . När det gäller att ta itu med brister i reduktionism har ramverket för komplexa adaptiva system (CAS) visat sig vara mycket inflytelserik under de senaste två decennierna [ citat behövs ] . I motsats till reduktionism, i CAS-ramverket, studeras komplexa fenomen på ett organiskt sätt där deras agenter antas vara både gränslöst rationella och adaptiva [ citat behövs ] . Som en kraftfull metod för CAS-modellering har agentbaserad modellering (ABM) vunnit en växande popularitet bland akademiker och praktiker. ABM visar hur agenters enkla beteenderegler och deras lokala interaktioner i mikroskala kan generera förvånansvärt komplexa mönster i makroskala.

I biologi

Huvudartikel: Agent-baserad modell i biologi

Agentbaserad modellering har använts flitigt inom biologin, inklusive analys av spridningen av epidemier och hotet från biokrigföring , biologiska tillämpningar inklusive populationsdynamik , stokastiskt genuttryck, växt-djur-interaktioner, vegetationsekologi, migrationsekologi, landskapsmångfald, sociobiologi , forntida civilisationers tillväxt och nedgång, evolution av etnocentriskt beteende, påtvingad förskjutning/migrering, språkvalsdynamik, kognitiv modellering och biomedicinska tillämpningar inklusive modellering av 3D bröstvävnadsbildning/morfogenes, effekterna av joniserande strålning på underpopulationsdynamik för bröststamceller , inflammation och det mänskliga immunförsvaret . Agentbaserade modeller har också använts för att utveckla beslutsstödssystem såsom för bröstcancer. Agentbaserade modeller används i allt högre grad för att modellera farmakologiska system i tidiga skeden och preklinisk forskning för att hjälpa till med läkemedelsutveckling och få insikter i biologiska system som inte skulle vara möjliga a priori . Militära ansökningar har också utvärderats. Dessutom har medelbaserade modeller nyligen använts för att studera biologiska system på molekylär nivå. Agentbaserade modeller har också skrivits för att beskriva ekologiska processer som fungerar i forntida system, såsom de i dinosauriemiljöer och även nyare forntida system.

I epidemiologi

Agentbaserade modeller kompletterar nu traditionella kompartmentmodeller , den vanliga typen av epidemiologiska modeller. ABM:er har visat sig vara överlägsna kompartmentmodeller när det gäller förutsägelsernas noggrannhet. Nyligen har ABM som CovidSim av epidemiologen Neil Ferguson använts för att informera folkhälsointerventioner (icke-farmaceutiska) mot spridningen av SARS-CoV-2 . Epidemiologiska ABM har kritiserats för att förenkla och orealistiska antaganden. Ändå kan de vara användbara för att informera beslut om lindrande och undertryckande åtgärder i fall då ABM är korrekt kalibrerad.

Exempel på användning av ABM inom epidemiologi
Program År Citat Beskrivning
Covasim 2021 SEIR-modell implementerad i Python med tonvikt på funktioner för att studera effekter av interventioner.
Öppna ABM-Covid19 2021 Epidemisk modell av spridningen av COVID-19, simulerar varje individ i en population med både R- och Python-gränssnitt men använder C för tung beräkning.
Öppna COVID 2021 En individbaserad överföringsmodell av SARS-CoV-2-infektion och COVID-19-sjukdomsdynamik, utvecklad vid Swiss Tropical and Public Health Institute .


I affärer, teknik och nätverksteori

Agentbaserade modeller har använts sedan mitten av 1990-talet för att lösa en mängd olika affärs- och teknikproblem. Exempel på applikationer inkluderar marknadsföring , organisatoriskt beteende och kognition , teamarbete , optimering av försörjningskedjan och logistik, modellering av konsumentbeteende , inklusive mun till mun , sociala nätverkseffekter, distribuerad datoranvändning , personaladministration och portföljhantering . De har också använts för att analysera trafikstockningar .

På senare tid har agentbaserad modellering och simulering tillämpats på olika domäner som att studera effekterna av publikationsplatser av forskare inom datavetenskapsområdet (tidskrifter kontra konferenser). Dessutom har ABM:er använts för att simulera informationsleverans i omgivande miljöer. En artikel i arXiv från november 2016 analyserade en agentbaserad simulering av inlägg som spreds på Facebook . Inom området peer-to-peer, ad hoc och andra självorganiserande och komplexa nätverk har användbarheten av agentbaserad modellering och simulering visats. Användningen av ett datavetenskapsbaserat formellt specifikationsramverk i kombination med trådlösa sensornätverk och en agentbaserad simulering har nyligen demonstrerats.

Agentbaserad evolutionär sökning eller algoritm är ett nytt forskningsämne för att lösa komplexa optimeringsproblem.

Inom ekonomi och samhällsvetenskap

Huvudartiklar: Agent-baserad beräkningsekonomi och Agent-baserad social simulering
Se även: Konstgjord finansmarknad

Inför och i spåren av finanskrisen 2008 har intresset ökat för ABM som möjliga verktyg för ekonomisk analys. ABM:er antar inte att ekonomin kan uppnå jämvikt och " representativa agenter " ersätts av agenter med olika, dynamiska och ömsesidigt beroende beteende, inklusive vallning . ABM:er tar en "bottom-up"-strategi och kan generera extremt komplexa och volatila simulerade ekonomier. ABM kan representera instabila system med krascher och bommar som utvecklas ur icke- linjära (oproportionerliga) reaktioner på proportionellt små förändringar. En artikel i juli 2010 i The Economist tittade på ABM som alternativ till DSGE- modeller. Tidskriften Nature uppmuntrade också agentbaserad modellering med en ledare som föreslog att ABM:er kan göra ett bättre jobb med att representera finansiella marknader och andra ekonomiska komplexiteter än standardmodeller, tillsammans med en uppsats av J. Doyne Farmer och Duncan Foley som hävdade att ABM:er kunde uppfylla både Keynes önskemål om att representera en komplex ekonomi och Robert Lucas att konstruera modeller baserade på mikrofundament. Farmer och Foley pekade på framsteg som har gjorts med hjälp av ABM för att modellera delar av en ekonomi, men argumenterade för skapandet av en mycket stor modell som innehåller lågnivåmodeller. Genom att modellera ett komplext system av analytiker baserat på tre distinkta beteendeprofiler – imiterande, anti-imiterande och likgiltiga – simulerades finansmarknaderna till hög noggrannhet. Resultaten visade en korrelation mellan nätverksmorfologi och aktiemarknadsindex. ABM-metoden har dock kritiserats för sin bristande robusthet mellan modeller, där liknande modeller kan ge mycket olika resultat.

ABM:er har använts inom arkitektur och stadsplanering för att utvärdera design och för att simulera fotgängares flöde i stadsmiljön och granskning av offentliga riktlinjer för markanvändning. Det finns också ett växande område av socioekonomisk analys av infrastrukturinvesteringars effekter med hjälp av ABM:s förmåga att urskilja systemiska effekter på ett socioekonomiskt nätverk. Heterogenitet och dynamik kan enkelt byggas in i ABM-modeller för att hantera ojämlikhet i välstånd och social rörlighet.

Inom vattenförvaltning

ABM har också tillämpats vid planering och förvaltning av vattenresurser, särskilt för att utforska, simulera och förutsäga prestandan för infrastrukturdesign och policybeslut, och för att bedöma värdet av samarbete och informationsutbyte i system för stora vattenresurser.

Organisatorisk ABM: agentstyrd simulering

Metaforen för agentstyrd simulering (ADS) skiljer mellan två kategorier, nämligen "Systems for Agents" och "Agents for Systems". Systems for Agents (ibland kallade agentsystem) är systemimplementerande agenter för användning inom teknik, mänsklig och social dynamik, militära tillämpningar och andra. Agenter för system är indelade i två underkategorier. Agentstödda system hanterar användningen av agenter som en stödfunktion för att möjliggöra datorhjälp vid problemlösning eller förbättra kognitiva förmågor. Agentbaserade system fokuserar på användningen av agenter för generering av modellbeteende i en systemutvärdering (systemstudier och analyser).

Självkörande bilar

Hallerbach et al. diskuterade tillämpningen av agentbaserade tillvägagångssätt för utveckling och validering av automatiserade körsystem via en digital tvilling av fordonet under test och mikroskopisk trafiksimulering baserad på oberoende agenter. Waymo har skapat en simuleringsmiljö för flera agenter Carcraft för att testa algoritmer för självkörande bilar . Den simulerar trafikinteraktioner mellan mänskliga förare, fotgängare och automatiserade fordon. Människors beteende imiteras av konstgjorda medel baserat på data om verkligt mänskligt beteende. Grundtanken med att använda agentbaserad modellering för att förstå självkörande bilar diskuterades redan 2003.

Genomförande

Många ABM-ramverk är designade för seriella von-Neumann-datorarkitekturer , vilket begränsar hastigheten och skalbarheten hos implementerade modeller. Eftersom framväxande beteende i storskaliga ABM är beroende av befolkningens storlek, kan skalbarhetsbegränsningar hindra modellvalidering. Sådana begränsningar har huvudsakligen åtgärdats med hjälp av distribuerad datoranvändning , med ramverk som Repast HPC specifikt dedikerade till denna typ av implementeringar. Även om sådana tillvägagångssätt kartläggs väl till kluster- och superdatorarkitekturer , förblir frågor relaterade till kommunikation och synkronisering, såväl som implementeringskomplexitet, potentiella hinder för deras utbredda användning.

En ny utveckling är användningen av dataparallella algoritmer på grafikprocessorer för ABM-simulering. Den extrema minnesbandbredden i kombination med den stora siffran hos GPU:er med flera processorer har möjliggjort simulering av miljontals agenter med tiotals bilder per sekund.

Integration med andra modelleringsformer

Eftersom agentbaserad modellering mer är ett modelleringsramverk än en viss mjukvara eller plattform, har den ofta använts i kombination med andra modelleringsformer. Till exempel har agentbaserade modeller också kombinerats med Geographic Information Systems (GIS). Detta ger en användbar kombination där ABM fungerar som en processmodell och GIS-systemet kan tillhandahålla en modell av mönster. På liknande sätt för Social Network Analysis (SNA) och agentbaserade modeller, där ABM används för att simulera dynamiken i nätverket medan SNA-verktyget modellerar och analyserar nätverket av interaktioner.

Verifiering och validering

Verifiering och validering (V&V) av simuleringsmodeller är oerhört viktigt. Verifiering innebär att se till att den implementerade modellen matchar den konceptuella modellen, medan validering säkerställer att den implementerade modellen har en viss relation till den verkliga världen. Ansiktsvalidering, känslighetsanalys, kalibrering och statistisk validering är olika aspekter av validering. Ett ramverk för simulering av diskreta händelser för validering av agentbaserade system har föreslagits. En omfattande resurs om empirisk validering av agentbaserade modeller finns här.

Som ett exempel på V&V-teknik, överväg VOMAS (virtuellt överläggsmultiagentsystem), ett programvaruteknikbaserat tillvägagångssätt, där ett virtuellt överläggsmultiagentsystem utvecklas tillsammans med den agentbaserade modellen. Muazi et al. ge också ett exempel på användning av VOMAS för verifiering och validering av en skogsbrandssimuleringsmodell. En annan mjukvaruutvecklingsmetod, dvs Testdriven utveckling, har anpassats till för agentbaserad modellvalidering. Detta tillvägagångssätt har en annan fördel som tillåter en automatisk validering med hjälp av enhetstestverktyg.

Se även

Allmän

externa länkar

Artiklar/allmän information

Simuleringsmodeller

Hämtad från " https://en.wikipedia.org/w/index.php?title=Agent-based_model&oldid=1140682857 "