Введение

Тип вычислительных моделей

Модель, основанная на агентах (ABM), — это вычислительная модель для симуляции действий и взаимодействий автономных агентов (как отдельных, так и коллективных сущностей, таких как организации или группы) с целью понимания поведения системы и факторов, определяющих ее результаты. Она объединяет элементы теории игр, сложных систем, эмерджентности, вычислительной социологии, многоагентных систем и эволюционного программирования. Методы Монте-Карло используются для анализа стохастичности этих моделей. Особенно в экологии, ABM также называют индивидуально-ориентированными моделями (IBM). Обзор современной литературы по индивидуально-ориентированным моделям, моделям на основе агентов и многоагентным системам показывает, что ABM применяются во многих научных областях, включая биологию, экологию и социальные науки. Моделирование на основе агентов связано с, но отличается от, концепции многоагентных систем или многоагентного моделирования тем, что целью ABM является поиск объяснительного понимания коллективного поведения агентов, подчиняющихся простым правилам, как правило, в естественных системах, а не разработка агентов или решение конкретных практических или инженерных задач. Оно моделирует одновременные операции и взаимодействия множества агентов в попытке воссоздать и предсказать возникновение сложных явлений. Этот процесс является проявлением эмерджентности, которую некоторые выражают как "целое больше, чем сумма его частей". Иными словами, свойства системы более высокого уровня возникают из взаимодействий подсистем более низкого уровня. Или же, изменения состояния в макромасштабе возникают из поведения агентов в микромасштабе. Или же, простое поведение (то есть правила, которым следуют агенты) порождает сложное поведение (то есть изменения состояния на уровне всей системы). Отдельные агенты обычно характеризуются ограниченной рациональностью, предполагается, что они действуют в соответствии со своими интересами, такими как воспроизводство, экономическая выгода или социальный статус, используя эвристики или простые правила принятия решений. Агенты ABM могут обучаться, адаптироваться и размножаться. Большинство моделей, основанных на агентах, состоят из: (1) множества агентов, определенных в различных масштабах (обычно называемых гранулярностью агентов); (2) эвристик принятия решений; (3) правил обучения или адаптивных процессов; (4) топологии взаимодействия; и (5) среды. ABM обычно реализуются в виде компьютерных симуляций, либо в виде специализированного программного обеспечения, либо с использованием инструментариев ABM, и это программное обеспечение затем может быть использовано для проверки того, как изменения в индивидуальном поведении повлияют на возникающее общее поведение системы.

История

Идея агент-ориентированного моделирования была разработана как относительно простая концепция в конце 1940-х годов. Поскольку для его реализации требуются ресурсоемкие вычисления, оно не получило широкого распространения до 1990-х годов.

Ранние события

История модели, основанной на агентах, восходит к машине фон Неймана – теоретической машине, способной к самовоспроизведению. Устройство, предложенное фон Нейманом, должно было точно следовать детальным инструкциям для создания копии самого себя. Эта концепция была развита другом фон Неймана, Станиславом Уламом, также математиком; Улам предложил реализовать машину на бумаге в виде набора ячеек на сетке. Идея заинтересовала фон Неймана, который разработал её, создав первое устройство, впоследствии названное клеточным автоматом. Дальнейший прогресс был сделан математиком Джоном Конвеем. Он создал широко известную игру «Жизнь». В отличие от машины фон Неймана, игра «Жизнь» Конвея функционировала по простым правилам в виртуальном мире, представленном в виде двухмерной шахматной доски. Язык программирования Simula, разработанный в середине 1960-х годов и получивший широкое распространение к началу 1970-х годов, стал первой платформой для автоматизации пошаговых симуляций агентов.

1970-е и 1980-е годы: первые модели

Одной из самых ранних моделей, основанных на агентах, была модель сегрегации Томаса Шеллинга, которая была обсуждена в его статье «Динамические модели сегрегации» в 1971 году. Хотя Шеллинг первоначально использовал монеты и миллиметровую бумагу, а не компьютеры, его модели воплощали базовую концепцию моделей, основанных на агентах, как автономных агентов, взаимодействующих в общей среде с наблюдаемым агрегированным, эмерджентным результатом. В конце 1970-х годов Паулен Хогевег и Брюс Хеспер начали экспериментировать с индивидуальными моделями экологии. Одним из первых результатов было то, что социальная структура колоний шмелей возникает как результат простых правил, регулирующих поведение отдельных пчел. Они ввели принцип ToDo, описывающий поведение агентов, которые «делают то, что необходимо» в данный момент времени. В начале 1980-х годов Роберт Аксельрод организовал турнир стратегий «Дилеммы заключенного» и позволил им взаимодействовать в формате, основанном на агентах, чтобы определить победителя. Аксельрод впоследствии разработал множество других моделей, основанных на агентах, в области политологии, исследующих явления от этноцентризма до распространения культуры. К концу 1980-х годов работа Крейга Рейнольдса над моделями стайного поведения способствовала разработке одних из первых биологических моделей, основанных на агентах, которые содержали социальные характеристики. Он пытался смоделировать реальность живых биологических агентов, известных как искусственная жизнь, термин, предложенный Кристофером Лэнгтоном. Сложно точно установить первое использование слова «агент» и его современного определения. Одним из кандидатов является статья Джона Холланда и Джона Х. Миллера 1991 года «Искусственные адаптивные агенты в экономической теории», основанная на их более раннем докладе на конференции. Более убедительным и ранним кандидатом является Аллан Ньюэлл, который в своем первом президентском обращении в AAAI (опубликованном под названием «Уровень знаний») обсуждал интеллектуальных агентов как концепцию. Одновременно, в 1980-х годах, специалисты в области социологии, математики, исследования операций и представители других дисциплин разработали вычислительную и математическую теорию организации (CMOT). Эта область развивалась как специальная группа в Институте управленческих наук (TIMS) и его партнерском обществе, Обществе исследований операций Америки (ORSA).

2000-е и более поздние

Совсем недавно Рон Сун разработал методы, позволяющие строить агентное моделирование на основе моделей человеческого познания, известное как когнитивное социальное моделирование. Билл МакКелви, Сюзанна Ломанн, Дарио Нарди, Дуайт Рид и другие исследователи из UCLA также внесли значительный вклад в изучение организационного поведения и процессов принятия решений. С 1991 года UCLA проводит конференцию в Лейк-Ароухед, Калифорния, которая стала одним из ключевых мест встреч специалистов в этой области.

Теория

Большинство исследований в области вычислительного моделирования описывают системы в состоянии равновесия или как переходящие между равновесиями. Однако, агентное моделирование, используя простые правила, может приводить к различным видам сложного и интересного поведения. Три ключевые идеи, лежащие в основе агентных моделей, – это агенты как объекты, эмерджентность и сложность. Агентные модели состоят из динамически взаимодействующих агентов, основанных на правилах. Системы, в которых они взаимодействуют, могут создавать сложность, подобную реальному миру. Как правило, агенты расположены в пространстве и времени и существуют в сетях или в окрестностях, напоминающих решетку. Расположение агентов и их реактивное поведение кодируются в алгоритмической форме в компьютерных программах. В некоторых случаях, хотя и не всегда, агенты могут рассматриваться как разумные и целеустремленные. В экологическом ABM (часто называемом "индивидуальными моделями" в экологии) агентами, например, могут быть деревья в лесу, и они не будут считаться разумными, хотя они могут быть "целеустремленными" в смысле оптимизации доступа к ресурсу (например, воде). Процесс моделирования лучше всего описывать как индуктивный. Моделировщик делает предположения, которые кажутся наиболее релевантными для рассматриваемой ситуации, а затем наблюдает за возникновением явлений из взаимодействий агентов. Иногда результатом является равновесие. Иногда – эмерджентный паттерн. Но иногда – неразборчивая неразбериха. В некотором смысле агентные модели дополняют традиционные аналитические методы. Там, где аналитические методы позволяют человеку характеризовать равновесия системы, агентные модели позволяют генерировать эти равновесия. Этот генеративный вклад может быть наиболее востребованным из потенциальных преимуществ агентного моделирования. Агентные модели могут объяснить возникновение паттернов более высокого порядка – сетевых структур террористических организаций и Интернета, степенных распределений в размерах пробок, войн и обвалов фондового рынка, а также социальную сегрегацию, которая сохраняется, несмотря на толерантность населения. Агентные модели также могут использоваться для выявления точек влияния, определяемых как моменты времени, в которые вмешательства имеют экстремальные последствия, и для различения типов зависимости от начальных условий. Вместо фокусировки на стабильных состояниях, многие модели рассматривают устойчивость системы – способы, которыми сложные системы адаптируются к внутреннему и внешнему давлению, чтобы поддерживать свою функциональность. Задача использования этой сложности требует учета самих агентов – их разнообразия, взаимосвязанности и уровня взаимодействия.

Основные положения

Недавние исследования в области моделирования и симуляции сложных адаптивных систем показали необходимость объединения агентного и сетевого подходов к моделированию. Описывается структура, состоящая из четырех уровней разработки моделей сложных адаптивных систем, проиллюстрированная несколькими примерами междисциплинарных тематических исследований: Уровень моделирования сложных сетей для разработки моделей на основе данных о взаимодействии различных компонентов системы. Исследовательский уровень агентного моделирования для разработки агентных моделей с целью оценки перспективности дальнейших исследований. Это может быть полезно, например, для создания моделей, подтверждающих концепцию, для заявок на финансирование, не требуя от исследователей длительного обучения. Описательное агентное моделирование (DREAM) для разработки описаний агентных моделей с использованием шаблонов и моделей сложных сетей. Создание моделей DREAM позволяет сравнивать модели в различных научных областях. Валидированное агентное моделирование с использованием виртуальной многоагентной системы наложения (VOMAS) для разработки верифицированных и валидированных моделей в формализованном виде. Другие методы описания агентных моделей включают шаблоны кода и текстовые методы, такие как протокол ODD (Обзор, концептуальный дизайн и детали реализации). Роль среды обитания агентов, как макро-, так и микроуровня, также становится важным фактором в агентном моделировании и симуляции. Простая среда порождает простых агентов, но сложная среда генерирует разнообразие поведения.

Многомасштабное моделирование

Одной из сильных сторон агентного моделирования является его способность обеспечивать передачу информации между различными масштабами. Если для описания агента требуются дополнительные детали, исследователь может интегрировать их с моделями, описывающими эти детали. Если же исследователя интересуют эмерджентные свойства, проявляемые популяцией агентов, он может объединить агентную модель с континуальной моделью, описывающей динамику популяции. Например, в исследовании CD4+ T-клеток (ключевого типа клеток в адаптивной иммунной системе) исследователи смоделировали биологические процессы, происходящие на разных пространственных (внутриклеточном, клеточном и системном), временных и организационных уровнях (трансдукция сигналов, регуляция генов, метаболизм, клеточное поведение и транспорт цитокинов). В результирующей модульной модели трансдукция сигналов и регуляция генов описываются логической моделью, метаболизм – моделями, основанными на ограничениях, динамика клеточной популяции – агентной моделью, а системные концентрации цитокинов – обыкновенными дифференциальными уравнениями. В этой мультимасштабной модели агентная модель занимает центральное место и управляет всеми потоками информации между масштабами.

В эпидемиологии

Модели, основанные на агентах, теперь дополняют традиционные компартментные модели, которые являются наиболее распространенным типом эпидемиологических моделей. Показано, что модели, основанные на агентах, превосходят компартментные модели по точности прогнозов. В последнее время такие модели, основанные на агентах, как CovidSim, разработанная эпидемиологом Нилом Фергюсоном, использовались для обоснования мер общественного здравоохранения (нефармацевтических вмешательств) по борьбе с распространением SARS-CoV-2. Эпидемиологические модели, основанные на агентах, подвергаются критике за упрощенные и нереалистичные предположения. Тем не менее, они могут быть полезны при принятии решений относительно мер по смягчению последствий и подавлению распространения, если модели, основанные на агентах, точно откалиброваны. Для таких симуляций модели, основанные на агентах, в основном используют синтетические популяции, поскольку данные о реальной популяции не всегда доступны. + Примеры использования моделей, основанных на агентах, в эпидемиологии

Программа | Год | Ссылка | Описание
---|---|---|---
Covasim | 2021 | | SEIR-модель, реализованная на Python с акцентом на функции для изучения эффектов вмешательств.
OpenABM Covid19 | 2021 | | Эпидемическая модель распространения COVID-19, имитирующая каждого индивидуума в популяции с интерфейсами R и Python, но использующая C для ресурсоемких вычислений.
OpenCOVID | 2021 | | Индивидуальная модель передачи инфекции SARS-CoV-2 и динамики заболевания COVID-19, разработанная в Швейцарском тропическом и институте общественного здравоохранения.

В бизнесе, технологии и теории сетей

Модели, основанные на агентах, используются с середины 1990-х годов для решения широкого спектра бизнес- и технологических задач. Примеры областей применения включают маркетинг, организационное поведение и когнитивные процессы, командную работу, оптимизацию цепочек поставок и логистику, моделирование поведения потребителей, включая «сарафанное радио» и эффекты социальных сетей, распределенные вычисления, управление персоналом и управление портфелем инвестиций. Они также использовались для анализа транспортных заторов. В последнее время моделирование на основе агентов применяется в различных областях, таких как изучение влияния выбора площадок для публикаций исследователями в области компьютерных наук (журналы против конференций). Кроме того, модели на основе агентов использовались для моделирования распространения информации в интеллектуальных средах обитания. В статье, опубликованной в arXiv в ноябре 2016 года, был проанализирован агентно-ориентированный симулятор распространения публикаций в Facebook. Полезность моделирования и симуляции на основе агентов была продемонстрирована в области одноранговых, ad hoc и других самоорганизующихся и сложных сетей. Недавно было продемонстрировано использование формальной спецификационной структуры, основанной на компьютерных науках, в сочетании с беспроводными сенсорными сетями и моделированием на основе агентов. Эволюционный поиск на основе агентов или алгоритм является новой областью исследований для решения сложных задач оптимизации.

В командной науке

В области командной науки агентное моделирование используется для оценки влияния характеристик и предубеждений членов команды на эффективность работы команды в различных ситуациях. Путем моделирования взаимодействия между агентами – каждый из которых представляет отдельного члена команды с уникальными чертами и предубеждениями – этот подход позволяет исследователям изучать, как эти факторы в совокупности влияют на динамику и результаты командной деятельности. Таким образом, агентное моделирование обеспечивает глубокое понимание командной науки, способствуя более детальному изучению нюансов и изменчивости, присущих командному взаимодействию.

В экономике и социальных науках

До и после финансового кризиса 2008 года интерес к агентно-ориентированным моделям (АОМ) как к возможным инструментам экономического анализа возрос. АОМ не исходят из предположения о возможности достижения экономикой равновесия, и «представительные агенты» заменяются агентами с разнообразным, динамичным и взаимозависимым поведением, включая эффект стадного инстинкта. АОМ используют подход «снизу вверх» и способны генерировать чрезвычайно сложные и волатильные симулированные экономики. АОМ могут моделировать неустойчивые системы с циклами подъемов и спадов, возникающими в результате нелинейных (непропорциональных) реакций на незначительные изменения. В июле 2010 года в статье журнала The Economist рассматривались АОМ как альтернатива моделям DSGE, а также эссе Дж. Дойна Фармера и Дункана Фоули, в котором утверждалось, что АОМ могут удовлетворить стремление Кейнса к моделированию сложной экономики и подход Роберта Лукаса к построению моделей на микроосновах. Фармер и Фоули отметили прогресс, достигнутый в использовании АОМ для моделирования отдельных частей экономики, но высказались за создание крупномасштабной модели, включающей модели нижнего уровня. Путем моделирования сложной системы аналитиков, основанной на трех различных поведенческих профилях – имитирующих, противодействующих имитации и безразличных – финансовые рынки были смоделированы с высокой точностью. Результаты показали корреляцию между структурой сети и индексом фондового рынка. Однако подход АОМ критикуется за недостаточную устойчивость между моделями, когда схожие модели могут давать существенно различающиеся результаты. АОМ применяются в архитектуре и городском планировании для оценки проектов и моделирования пешеходных потоков в городской среде, а также для изучения влияния государственной политики на землепользование. Также развивается область социально-экономического анализа воздействия инвестиций в инфраструктуру, использующая способность АОМ выявлять системные эффекты на социально-экономические сети. Гетерогенность и динамика могут быть легко интегрированы в модели АОМ для анализа неравенства доходов и социальной мобильности. АОМ также предлагаются в качестве прикладного образовательного инструмента для дипломатов в сфере международных отношений и для разработчиков внутренней и внешней политики с целью повышения качества оценки государственной политики.

В управлении водными ресурсами

Агентные модели также применяются в планировании и управлении водными ресурсами, в частности для исследования, моделирования и прогнозирования эффективности проектных решений и управленческих мер, а также для оценки ценности сотрудничества и обмена информацией в крупных системах водных ресурсов.

Организационное управление ПО: моделирование, направленное на агентов

Метафора агентного моделирования (ADS) различает две категории, а именно "Системы для агентов" и "Агенты для систем". Системы для агентов (иногда называемые агентными системами) – это системы, реализующие агентов для использования в инженерии, изучении человеческой и социальной динамики, военных приложениях и других областях. Агенты для систем подразделяются на две подкатегории. Системы с поддержкой агентов используют агентов как вспомогательный инструмент для обеспечения компьютерной помощи в решении задач или расширения когнитивных возможностей. Агентно-ориентированные системы фокусируются на использовании агентов для генерации модельного поведения при оценке системы (системных исследованиях и анализе).

Автономные автомобили

Халлербах и др. обсудили применение агентных подходов для разработки и валидации автоматизированных систем управления транспортными средствами с использованием цифрового двойника тестируемого автомобиля и микроскопического моделирования дорожного движения на основе независимых агентов. Waymo создала мультиагентную симуляционную среду Carcraft для тестирования алгоритмов для беспилотных автомобилей. Она моделирует взаимодействие между водителями, пешеходами и автоматизированными транспортными средствами. Поведение людей имитируется искусственными агентами на основе данных о реальном поведении людей. Базовая идея использования агентного моделирования для изучения беспилотных автомобилей была предложена еще в 2003 году.

Реализация

Многие фреймворки для агентного моделирования (ABM) разработаны для последовательных компьютерных архитектур фон Неймана, что ограничивает скорость и масштабируемость реализуемых моделей. Поскольку эмерджентное поведение в крупномасштабных ABM зависит от размера популяции, ограничения масштабируемости могут затруднить валидацию модели. Эти ограничения в основном решались с помощью распределенных вычислений, с использованием фреймворков, таких как Repast HPC, специально предназначенных для подобных реализаций. Хотя такие подходы хорошо подходят для кластерных и суперкомпьютерных архитектур, проблемы, связанные с обменом данными и синхронизацией, а также сложность развертывания, остаются потенциальными препятствиями для их широкого внедрения. Недавним развитием стало использование алгоритмов параллельной обработки данных на графических процессорах (GPU) для моделирования ABM. Экстремальная пропускная способность памяти в сочетании с огромной вычислительной мощностью многопроцессорных GPU позволила моделировать миллионы агентов со скоростью в десятки кадров в секунду.

Интеграция с другими формами моделирования

Поскольку агентное моделирование представляет собой скорее методологию моделирования, чем конкретное программное обеспечение или платформу, оно часто используется в сочетании с другими подходами к моделированию. Например, модели, основанные на агентах, также комбинируются с географическими информационными системами (ГИС). Это обеспечивает полезное сочетание, в котором агентное моделирование выступает в качестве модели процессов, а ГИС-система – в качестве модели структуры. Аналогично, инструменты анализа социальных сетей (SNA) и модели, основанные на агентах, иногда интегрируются, где агентное моделирование используется для симуляции динамики в сети, а инструмент SNA моделирует и анализирует саму сеть взаимодействий.

Проверка и валидация

Проверка и подтверждение (V&V) моделей моделирования чрезвычайно важны. Проверка заключается в обеспечении соответствия реализованной модели концептуальной модели, в то время как подтверждение гарантирует, что реализованная модель имеет связь с реальным миром. Поверхностное подтверждение, анализ чувствительности, калибровка и статистическое подтверждение – это различные аспекты подтверждения. Был предложен подход на основе дискретно-событийного моделирования для подтверждения систем, основанных на агентах. Всесторонний ресурс по эмпирическому подтверждению моделей, основанных на агентах, можно найти здесь. В качестве примера техники V&V рассмотрим VOMAS (виртуальную многоагентную систему с наложением) – подход, основанный на разработке программного обеспечения, при котором виртуальная многоагентная система с наложением разрабатывается параллельно с моделью, основанной на агентах. Муази и др. также приводят пример использования VOMAS для проверки и подтверждения модели моделирования лесных пожаров. Другой метод разработки программного обеспечения, а именно разработка через тестирование, был адаптирован для подтверждения моделей, основанных на агентах. Этот подход имеет дополнительное преимущество, позволяющее проводить автоматическое подтверждение с использованием инструментов модульного тестирования.

Общий

Первое издание, 1999. Доступно онлайн.