Агентно-ориентированная модель

Материал из Циклопедии
Перейти к навигации Перейти к поиску

Агентно-ориентированная модель (АОМ, англ. agent-based model, ABM) — модель 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»).

Определение[править]

Агентно-ориентированная модель (АОМ) ― это вычислительная модель (англ. Computational model) для моделирования действий и взаимодействий автономных агентов (как индивидуальных, так и коллективных сущностей, таких как организации или группы) с целью понимания поведения системы и того, что управляет ее результатами. Она сочетает в себе элементы теории игр, сложных систем, эмерджентности, вычислительной социологии, многоагентных систем и эволюционного программирования. Методы Монте-Карло используются для понимания стохастичности этих моделей. Особенно в области экологии, AOM также называются индивидуальными моделями (IBM)[1]. Обзор недавней литературы по индивидуальным моделям, агентным моделям и многоагентным системам показывает, что АОМ используются во многих научных областях, включая биологию, экологию и социальные науки. Агентно-ориентированное моделирование связано с концепцией многоагентных систем или мультиагентного моделирования, но отличается от нее тем, что целью АОМ является поиск объяснительного понимания коллективного поведения агентов, подчиняющихся простым правилам, как правило, в естественных системах, скорее, чем в разработке агентов или решении конкретных практических или инженерных задач[2].

Агентно-ориентированные модели ― это своего рода микромасштабные модели[3], которые моделируют одновременные операции и взаимодействия нескольких агентов в попытке воссоздать и предсказать появление сложных явлений. Этот процесс - процесс возникновения, который некоторые выражают как "целое больше, чем сумма его частей". Другими словами, свойства системы более высокого уровня возникают в результате взаимодействия подсистем более низкого уровня. Или же изменения состояния на макромасштабе возникают в результате поведения агентов на микромасштабе. Или же простое поведение (то есть правила, которым следуют агенты) порождает сложное поведение (то есть изменения состояния на уровне всей системы).

Индивидуальные агенты обычно характеризуются как ограниченно рациональные, предполагается, что они действуют в соответствии с тем, что они воспринимают как свои собственные интересы, такие как воспроизводство, экономическая выгода или социальный статус[4], используя эвристику или простые правила принятия решений. Агенты АОМ могут испытывать "обучение", адаптацию и размножение[5].

Большинство моделей, основанных на агентах, состоят из:

  • множества агентов, заданных в различных масштабах (обычно называемых степенью детализации агентов);
  • эвристика принятия решений;
  • правила обучения или адаптивные процессы;
  • топология взаимодействия; и
  • окружающая среда.

Системы АОМ обычно реализуются в виде компьютерного моделирования, либо в виде пользовательского программного обеспечения, либо с помощью наборов инструментов АОМ, и затем это программное обеспечение может быть использовано для тестирования того, как изменения в индивидуальном поведении повлияют на формирующееся поведение системы в целом.

История[править]

Первая агент-ориентированная модель была разработана в конце 1940-х гг. Впоследствии развитие микрокомпьютеров способствовало дальнейшему развитию этого направления и возможности проводить компьютерные симуляции.

Основная идея, лежащая в основе агент-ориентированных моделей заключается в построении «вычислительного инструмента» (представляющего собой набор агентов с определённым набором свойств), позволяющего проводить симуляции реальных явлений. Конечная цель процесса по созданию АОМ — отследить влияние флуктуаций агентов, действующих на микроуровне, на показатели макроуровня.

Принято считать, что агент-ориентированные модели берут своё начало с вычислительных машин Джон фон Неймана (Von Neumann), являющихся теоретическими машинами, способными к самовоспроизводству. Джон фон Нейман предложил использовать машины, которые следуют детальным инструкциям для создания точных копий самих себя. Впоследствии данный подход был усовершенствован другом фон Неймана — Станиславом Уламом, который предложил изображать машину на бумаге — в качестве набора клеток на решетке. Данный подход стал началом развития клеточных автоматов.

Наиболее известной реализацией клеточного автомата стала игра «Жизнь», предложенная Джоном Хортоном Конвеем, отличающаяся от машины фон Неймана достаточно простыми правилами поведения агентов.

Использование АОМ для социальных систем взяло своё начало с работы программиста Крега Рейнолдса[en], в которой он предпринял попытку моделирования деятельности живых биологических агентов (модель «Искусственная жизнь»).

Ранние разработки

История агентной модели восходит к машине фон Неймана, теоретической машине, способной к воспроизведению. Устройство, предложенное фон Нейманом, должно было следовать точным подробным инструкциям по созданию своей копии. Затем эта концепция была разработана другом фон Неймана Станиславом Уламом, также математиком; Улам предложил, чтобы машина была построена на бумаге, как набор клеток на сетке. Идея заинтриговала фон Неймана, который разработал ее, создав первое из устройств, позже названных клеточными автоматами. Еще одно достижение было введено математиком Джоном Конвеем. Он сконструировал известную «Игру жизни». В отличие от машины фон Неймана, «Игра жизни» Конвея действовала по простым правилам в виртуальном мире в виде 2-мерной шахматной доски.

Язык программирования Simula, разработанный в середине 1960-х годов и получивший широкое распространение к началу 1970-х годов, стал первым фреймворком для автоматизации пошагового моделирования агентов.

1970-е и 1980-е годы

Одной из самых ранних концептуальных моделей, основанных на агентах, была модель сегрегации Томаса Шеллинга[6], которая обсуждалась в его статье «Динамические модели сегрегации» в 1971 году. Хотя Шеллинг первоначально использовал монеты и миллиметровую бумагу, а не компьютеры, его модели воплощали основную концепцию агентных моделей как автономных агентов, взаимодействующих в общей среде с наблюдаемым совокупным, возникающим результатом.

В конце 1970-х годов Павлен Хогевег и Брюс Хеспер начали экспериментировать с отдельными моделями экологии. Одним из первых результатов было показать, что социальная структура шмелейных семей возникла в результате простых правил, управляющих поведением отдельных пчел[7]. Они ввели принцип ToDo, ссылаясь на то, как агенты «делают то, что должны делать» в любой момент времени.

В начале 1980-х годов Роберт Аксельрод провел турнир по стратегиям «Дилеммы заключенного» и заставил их взаимодействовать в агентской манере, чтобы определить победителя. Аксельрод продолжил разработку многих других агентных моделей в области политической науки, которые исследуют явления от этноцентризма до распространения культуры[8]. К концу 1980-х годов работа Крейга Рейнольдса над моделями стаи способствовала разработке некоторых из первых моделей на основе биологических агентов, которые содержали социальные характеристики. Он попытался смоделировать реальность живых биологических агентов, известных как искусственная жизнь, термин, придуманный Кристофером Лэнгтоном.

Первое использование слова «агент» и определение в том виде, в котором оно используется в настоящее время, трудно отследить. Одним из кандидатов, по-видимому, является статья Джона Холланда и Джона Х. Миллера 1991 года «Искусственные адаптивные агенты в экономической теории»[9], основанная на их более ранней презентации на конференции.

В то же время в течение 1980-х годов социологи, математики, исследователи операций и множество людей из других дисциплин разработали вычислительную и математическую теорию организации (CMOT). Эта область выросла как специальная группа по интересам Института управленческих наук (TIMS) и его дочернего общества, Американского общества исследования операций (ORSA)[10].

1990-е годы

1990-е годы были особенно примечательны расширением АОМ в социальных науках, одним из заметных усилий была крупномасштабная АОМ, Sugarscape, разработанная Джошуа М. Эпштейном и Робертом Акстеллом для моделирования и изучения роли социальных явлений, таких как сезонные миграции, загрязнение, половое размножение, борьба и передача болезней и даже культура[11]. Другие известные события 1990-х годов включали АОМ Кэтлин Карли Университета Карнеги-Меллона[12] для изучения коэволюции социальных сетей и культуры. Институт Санта-Фе (SFI) сыграл важную роль в поощрении разработки платформы моделирования АОМ Swarm под руководством Кристофера Лэнгтона. Исследования, проведенные в рамках SFI, позволили распространить методы АОМ на ряд областей, включая изучение социальной и пространственной динамики небольших человеческих обществ и приматов[10]. В этот период 1990-х годов Найджел Гилберт опубликовал первый учебник по социальной симуляции: моделирование для социолога (1999) и основал журнал с точки зрения социальных наук: Журнал искусственных обществ и социального моделирования (JASSS). Помимо JASSS, агентные модели любой дисциплины входят в сферу действия журнала SpringerOpen Complex Adaptive Systems Modeling (CASM)[13].

В середине 1990-х годов направление социальных наук АОМ начало фокусироваться на таких вопросах, как создание эффективных команд, понимание коммуникации, необходимой для организационной эффективности, и поведение социальных сетей. CMOT, позже переименованный в вычислительный анализ социальных и организационных систем (CASOS), включал в себя все больше и больше агентного моделирования. Samuelson (2000) представляет собой хороший краткий обзор ранней истории[14], а Samuelson (2005) и Samuelson and Macal (2006) прослеживают более поздние события[15][16].

В конце 1990-х годов слияние TIMS и ORSA в INFORMS и переход INFORMS от двух встреч в год к одному, помогло группе CMOT сформировать отдельное общество, Североамериканскую ассоциацию вычислительных, социальных и организационных наук (NAACSOS). Кэтлин Карли внесла большой вклад, особенно в модели социальных сетей, получив финансирование Национального научного фонда для ежегодной конференции и став первым президентом NAACSOS. Ее сменил Дэвид Саллах из Чикагского университета и Аргоннской национальной лаборатории, а затем Майкл Приетула из Университета Эмори. Примерно в то же время, когда была создана NAACSOS, были организованы Европейская ассоциация социального моделирования (ESSA) и Тихоокеанско-азиатская ассоциация агентно-ориентированного подхода в науке о социальных системах (PAAA), аналоги NAACSOS. По состоянию на 2013 год эти три организации сотрудничают на международном уровне. В августе 2006 года в Киото, Япония, при их совместном спонсорстве был проведен первый Всемирный конгресс по социальному моделированию. Второй Всемирный конгресс был проведен в северном пригороде Вирджинии в Вашингтоне, округ Колумбия, в июле 2008 года, и Университет Джорджа Мейсона взял на себя ведущую роль в местных мероприятиях.

2000-е годы и позже

Совсем недавно Рон Сан разработал методы для создания агентного моделирования на моделях человеческого познания, известных как когнитивная социальная симуляция[17]. Билл МакКелви, Сюзанна Ломанн, Дарио Нарди, Дуайт Рид и другие в Калифорнийском университете в Лос-Анджелесе также внесли значительный вклад в организационное поведение и принятие решений. С 2001 года Калифорнийский университет в Лос-Анджелесе организовал конференцию в Лейк-Эрроухед, штат Калифорния, которая стала еще одним важным местом сбора практиков в этой области.

Теория[править]

В основе агент-ориентированных моделей лежат три основные идеи:

Доминирующим методологическим подходом является подход, при котором вычисляется равновесие или псевдоравновесие системы, содержащей в себе множество агентов. При этом, сами модели, используя простые правила поведения, могут выдавать весьма интересные результаты.

АОМ состоят из динамически взаимодействующих по определённым правилам агентов. Среда, в которой они взаимодействуют, может быть достаточно сложной.

Большинство исследований по компьютерному моделированию описывают системы, находящиеся в равновесии или перемещающиеся между равновесиями. Однако агентно-ориентированное моделирование, использующее простые правила, может привести к различным видам сложного и интересного поведения. Три идеи, занимающие центральное место в агентно-ориентированных моделях, - это агенты как объекты, эмерджентность и сложность.

Агентные модели состоят из динамически взаимодействующих агентов, основанных на правилах. Системы, внутри которых они взаимодействуют, могут создавать сложность, подобную реальной. Как правило, агенты расположены в пространстве и времени и проживают в сетях или в решетчатых кварталах. Местоположение агентов и их ответное поведение закодированы в алгоритмической форме в компьютерных программах. В некоторых случаях, хотя и не всегда, агентов можно считать умными и целеустремленными. В экологической АОМ (часто называемой в экологии "индивидуальными моделями") агентами могут быть, например, деревья в лесу, и они не будут считаться разумными, хотя они могут быть "целенаправленными" в смысле оптимизации доступа к ресурсу (такому как вода). Процесс моделирования лучше всего описать как индуктивный. Разработчик модели делает те предположения, которые, по его мнению, наиболее соответствуют текущей ситуации, а затем наблюдает за явлениями, возникающими в результате взаимодействия агентов. Иногда таким результатом является равновесие. Иногда это возникающий паттерн. Иногда, однако, это непонятная путаница.

В некотором смысле агентно-ориентированные модели дополняют традиционные аналитические методы. Там, где аналитические методы позволяют людям охарактеризовать равновесие системы, модели, основанные на агентах, допускают возможность создания этих равновесий. Этот генеративный вклад может быть наиболее важным из потенциальных преимуществ агент-ориентированного моделирования. Модели, основанные на агентах, могут объяснить появление паттернов более высокого порядка - сетевых структур террористических организаций и Интернета, распределение по закону силы в размерах дорожных пробок, войн и биржевых крахов, а также социальную сегрегацию, которая сохраняется, несмотря на то, что популяции толерантных людей. Модели, основанные на агентах, также могут быть использованы для определения точек воздействия, определяемых как моменты времени, в которые вмешательства имеют экстремальные последствия, и для различения типов зависимости от пути.

Вместо того чтобы фокусироваться на стабильных состояниях, многие модели учитывают надежность системы — способы, с помощью которых сложные системы адаптируются к внутреннему и внешнему давлению, чтобы сохранить свои функциональные возможности. Задача использования этой сложности требует рассмотрения самих агентов — их разнообразия, взаимосвязанности и уровня взаимодействий.

Фреймворк[править]

Недавняя работа по моделированию сложных адаптивных систем продемонстрировала необходимость сочетания агентных и сложных сетевых моделей[18][19][20]. описывают структуру, состоящую из четырех уровней разработки моделей сложных адаптивных систем, описанных с использованием нескольких примеров междисциплинарных тематических исследований:

Сложный уровень сетевого моделирования для разработки моделей с использованием данных о взаимодействии различных компонентов системы. Исследовательский уровень агент-ориентированного моделирования для разработки агент-ориентированных моделей для оценки осуществимости дальнейших исследований. Это может быть полезно, например, для разработки моделей, подтверждающих концепцию, например, для заявок на финансирование, не требуя от исследователей длительного обучения. Описательное агентно-ориентированное моделирование (DREAM) для разработки описаний агентно-ориентированных моделей посредством использования шаблонов и сложных сетевых моделей. Построение моделей DREAM позволяет сравнивать модели в разных научных дисциплинах. Валидированное агентное моделирование с использованием мультиагентной системы Virtual Overlay (VOMAS) для разработки проверенных и валидизированных моделей формальным способом. Другие методы описания моделей на основе агентов включают шаблоны кода[21] и текстовые методы, такие как протокол ODD (обзор, концепции проектирования и детали проектирования)[22].

Роль среды, в которой живут агенты, как макро, так и микроуровня[23], также становится важным фактором в агентном моделировании и имитационной работе. Простая среда предоставляет простых агентов, но сложная среда порождает разнообразие поведения[24].

Многомасштабное моделирование[править]

Одной из сильных сторон агентного моделирования является его способность обеспечивать передачу информации между шкалами. Когда требуются дополнительные сведения об агенте, исследователь может интегрировать их с моделями, описывающими дополнительные детали. Когда кого-то интересует эмерджентное поведение, демонстрируемое популяцией агентов, он может объединить модель, основанную на агентах, с континуальной моделью, описывающей динамику популяции. Например, в исследовании, посвященном CD4+ Т-клеткам (ключевому типу клеток в адаптивной иммунной системе)[25], исследователи смоделировали биологические явления, происходящие в различных пространственных (внутриклеточных, клеточных и системных), временных и организационных масштабах (передача сигналов, регуляция генов, метаболизм, поведение клеток, и транспорт цитокинов). В результирующей модульной модели передача сигнала и регуляция генов описываются логической моделью, метаболизм - моделями, основанными на ограничениях, динамика популяции клеток описывается моделью, основанной на агентах, а концентрации системных цитокинов - обычными дифференциальными уравнениями. В этой многомасштабной модели агентно-ориентированная модель занимает центральное место и управляет каждым потоком информации, передаваемой между масштабами.

Основные свойства агентов[править]

Интеллектуальность. В то же время, это свойство должно быть умеренным для того, чтобы агенты не могли познать нечто большее, выходящее за рамки правил игры.

Наличие жизненной цели. Расположение во времени и пространстве. Имеется в виду некоторая «среда обитания», которая может быть представлена и в виде решетки (как в игре «Жизнь»), так и в виде гораздо более сложной структуры. Иногда, результат взаимодействия агентов в «среде обитания» — равновесие, иногда — непрекращающийся процесс эволюции, а иногда — бесконечный цикл без определённого решения.

Считается, что АОМ дополняют традиционные аналитические методы. Последние позволяют нам охарактеризовать равновесие системы, а АОМ позволяют исследовать возможность получения такого состояния. АОМ могут объяснить причину возникновения таких явлений как: террористические организации, войны, обрушения рынка акций и т. д.

В идеале, АОМ могут помочь идентифицировать критические моменты времени, после наступления которых, чрезвычайные последствия будут иметь необратимый характер.

Коммерческие приложения[править]

С середины 1990-х годов, АОМ стали использовать для решения множества коммерческих и технологических проблем. Примерами могут послужить задачи:

В этих и других приложениях стратегии поведения определяются с учётом поведения множества индивидуальных агентов-атомов и их взаимодействий. Таким образом, АОМ могут помочь в изучении влияния индивидуального поведения агентов на эволюцию всей системы.

В биологии[править]

 → [[Агент-ориентированная модель в биологии (англ. Agent-based model in biology)]]

Агентно-ориентированное моделирование широко используется в биологии, включая анализ распространения эпидемий[26] и угрозы биологической войны, биологические приложения, включая динамику популяции[27], стохастическую экспрессию генов[28], взаимодействия растений и животных[29], экологию растительности[30], изменение экологии[31], ландшафтное разнообразие[32], социобиология[33], рост и упадок древних цивилизаций, эволюция этноцентрического поведения[34], вынужденное перемещение/миграция[35], динамика выбора языка[36], когнитивное моделирование, и биомедицинские приложения, включая моделирование формирования/морфогенеза ткани молочной железы в 3D[37], влияние ионизирующего излучения на динамику субпопуляции стволовых клеток молочной железы[38], воспаление[39] [40], и иммунную систему человека[41]. Агентно-ориентированные модели также использовались для разработки систем поддержки принятия решений, таких как при раке молочной железы[42]. Модели, основанные на агентах, все чаще используются для моделирования фармакологических систем на ранней стадии и в доклинических исследованиях, чтобы помочь в разработке лекарств и получить представление о биологических системах, которые были бы невозможны априори[43]. Военное применение имеет также была проведена оценка[44]. Более того, недавно для изучения биологических систем молекулярного уровня были использованы модели, основанные на агентах[45][46][47]. Модели, основанные на агентах, также были написаны для описания экологических процессов, происходящих в древних системах, таких как среда обитания динозавров, а также в более поздних древних системах[48][49][50].

В эпидемиологии[править]

Модели, основанные на агентах, в настоящее время дополняют традиционные компартментальные модели, обычный тип эпидемиологических моделей. Было показано, что АОМ превосходит компартментальные модели с точки зрения точности прогнозов[51][52]. Недавно АОМ, такие как CovidSim эпидемиолога Нила Фергюсона, использовались для информирования общественного здравоохранения о (нефармацевтических) вмешательствах против распространения SARS-CoV-2[53]. Эпидемиологические АОМ подверглись критике за упрощение и нереалистичные предположения[54][55]. Тем не менее, они могут быть полезны при принятии обоснованных решений относительно мер по смягчению последствий и подавлению в случаях, когда системы АОМ точно откалиброваны[56]. Системы АОМ для такого моделирования в основном основаны на синтетических популяциях, поскольку данные о фактической численности населения не всегда доступны[57].

В бизнесе, технологиях и теории сетей[править]

Агентные модели используются с середины 1990-х годов для решения различных бизнес-задач и технологических задач. Примеры приложений включают маркетинг[58], организационное поведение и познание[59], командную работу[60], оптимизацию цепочки поставок и логистику, моделирование поведения потребителей, включая сарафанное радио, эффекты социальных сетей, распределенные вычисления, управление персоналом и портфолио Управление. Они также использовались для анализа заторов на дорогах[61].

В последнее время агентное моделирование и симуляция были применены в различных областях, таких как изучение влияния мест публикации исследователями в области компьютерных наук (журналы и конференции)[62]. Кроме того, АОМ использовались для имитации доставки информации в окружающей среде[63]. В статье, опубликованной в ноябре 2016 года в arXiv, была проанализирована агентная симуляция сообщений, распространяемых в Facebook[64]. В области одноранговых, специальных и других самоорганизующихся и сложных сетей была показана полезность агентного моделирования и симуляции[65]. Недавно было продемонстрировано использование структуры формальных спецификаций, основанной на компьютерных науках, в сочетании с беспроводными сенсорными сетями и агентным моделированием[66].

Эволюционный поиск или алгоритм на основе агентов — это новая тема исследований для решения сложных задач оптимизации[67].

В экономике и социальных науках[править]

Шаблон:Основные статьи

До и после финансового кризиса 2008 года возрос интерес к АОМ как к возможным инструментам экономического анализа[68][69]. АОМ не предполагают, что экономика может достичь равновесия, и «репрезентативные агенты» заменяются агентами с разнообразным, динамичным и взаимозависимым поведением, включая стадность. АОМ используют подход «снизу вверх» и могут создавать чрезвычайно сложные и изменчивые моделируемые экономики. АОМ могут представлять собой неустойчивые системы с авариями и стрелами, которые развиваются из нелинейных (непропорциональных) реакций на пропорционально малые изменения[70]. В статье, опубликованной в июле 2010 года в журнале The Economist, АОМ рассматривались как альтернативы моделям DSGE[70]. Журнал Nature также поощрял агентное моделирование с редакционной статьей, в которой предлагалось, что АОМ могут лучше представлять финансовые рынки и другие экономические сложности, чем стандартные модели [71], наряду с эссе J. Doyne Farmer и Duncan Foley, в котором утверждалось, что АОМ могут удовлетворить как желания Кейнса представить сложную экономику, так и Роберта Лукаса построить модели на основе микрофундаменты. Фармер и Фоли указали на прогресс, достигнутый с использованием АОМ для моделирования частей экономики, но выступали за создание очень большой модели, включающей модели низкого уровня. Путем моделирования сложной системы аналитиков, основанной на трех различных поведенческих профилях - имитирующем, антиподражательном и безразличном - финансовые рынки были смоделированы с высокой точностью. Результаты показали корреляцию между морфологией сети и индексом фондового рынка[72]. Однако подход АОМ подвергся критике за отсутствие надежности между моделями, где схожие модели могут давать очень разные результаты[73][74].

АОМ были развернуты в архитектуре и городском планировании для оценки дизайна и моделирования пешеходного потока в городской среде[75] и изучения приложений государственной политики к землепользованию[76]. Существует также растущая область социально-экономического анализа воздействия инвестиций в инфраструктуру с использованием способности АОМ различать системные воздействия на социально-экономическую сеть[77]. Гетерогенность и динамика могут быть легко встроены в модели АОМ для решения проблемы неравенства богатства и социальной мобильности[78].

В управлении водными ресурсами[править]

АОМ также применяются в планировании и управлении водными ресурсами, особенно для изучения, моделирования и прогнозирования эффективности проектирования инфраструктуры и политических решений[79], а также для оценки ценности сотрудничества и обмена информацией в крупных системах водных ресурсов[80].

Организационная АОМ: агентно-ориентированная симуляция[править]

Агентно-ориентированная симуляция (ADS) различает две категории: «Системы для агентов» и «Агенты для систем»[81]. Системы для агентов (иногда называемые системами агентов) - это системы, реализующие агенты для использования в технике, человеческой и социальной динамике, военных приложениях и других. Агенты для систем делятся на две подкатегории. Системы, поддерживаемые агентами, имеют дело с использованием агентов в качестве вспомогательного средства для обеспечения компьютерной помощи в решении проблем или расширении когнитивных способностей. Системы, основанные на агентах, сосредоточены на использовании агентов для генерации поведения модели в оценке системы (системные исследования и анализ).

Беспилотные автомобили[править]

Халлербах и др. обсудили применение агентных подходов для разработки и валидации автоматизированных систем вождения с помощью цифрового двойника тестируемого транспортного средства и микроскопического моделирования дорожного движения на основе независимых агентов[82]. Waymo создала многоагентную среду моделирования Carcraft для тестирования алгоритмов для беспилотных автомобилей[83][84]. Он имитирует взаимодействие между людьми-водителями, пешеходами и автоматизированными транспортными средствами. Поведение людей имитируется искусственными агентами на основе данных реального поведения человека. Основная идея использования агентного моделирования для понимания беспилотных автомобилей обсуждалась еще в 2003 году[85].

Методы[править]

Одной из программ для разработки АОМ является бесплатно распространяемое приложение NetLogo. Изначально NetLogo был разработан как учебный инструмент, однако сейчас им пользуются не только студенты, но и тысячи исследователей. Это программа часто применяется в ВУЗах для обучения студентов основам АОМ. Схожей функциональностью обладает программа StarLogo.

Инструментом для реализации более широкого спектра задачи в области АОМ является программа Swarm[en]. В ней используется язык программирования Objective-C и она может быть рекомендована программистам, пишущих на C, причем не только профессионалам, но и новичкам. Программировать в среде Swarm можно так же и на языке Java. Отметим также ещё несколько программ: MASON, Repast (используется Java), EcoLab (используется C++), Cormas (используется SmallTalk).

Применение[править]

Многие фреймворки АОМ (англ. Comparison of agent-based modeling software) предназначены для последовательных компьютерных архитектур фон-Неймана, что ограничивает скорость и масштабируемость реализованных моделей. Поскольку эмерджентное поведение в крупномасштабных АОМ зависит от размера популяции[86], ограничения масштабируемости могут препятствовать проверке модели[87]. Такие ограничения в основном устранялись с помощью распределенных вычислений, а такие фреймворки, как Repast HPC[88], специально предназначенные для такого типа реализаций. Хотя такие подходы хорошо согласуются с кластерными и суперкомпьютерными архитектурами (англ. Supercomputer architecture), проблемы, связанные с связью и синхронизацией[89][90], а также сложностью развертывания[91] остаются потенциальными препятствиями для их широкого внедрения.

Недавней разработкой является использование алгоритмов параллельных данных на графических процессорах для моделирования АОМ[86][92][93]. Чрезвычайная пропускная способность памяти в сочетании с огромной мощностью многопроцессорных графических процессоров позволила моделировать миллионы агентов со скоростью десятки кадров в секунду.

Интеграция с другими формами моделирования[править]

Поскольку агентное моделирование является скорее средой моделирования, чем конкретным программным обеспечением или платформой, оно часто используется в сочетании с другими формами моделирования. Например, агентные модели также были объединены с географическими информационными системами (ГИС). Это обеспечивает полезную комбинацию, когда АОМ служит моделью процесса, а ГИС-система может предоставить модель шаблона[94]. Аналогичным образом, инструменты анализа социальных сетей (SNA) и агентные модели иногда интегрируются, где АОМ используется для моделирования динамики в сети, в то время как инструмент SNA моделирует и анализирует сеть взаимодействий[95].

Верификация и валидация[править]

Верификация и валидация (англ. Verification and validation) (V&V) имитационных моделей чрезвычайно важна[96][97]. Верификация включает в себя проверку соответствия реализованной модели концептуальной модели, тогда как валидация гарантирует, что реализованная модель имеет некоторую связь с реальным миром. Проверка лица, анализ чувствительности, калибровка и статистическая проверка — это разные аспекты валидации[98]. Был предложен подход к дискретно-событийному моделированию для валидации агентных систем[99]. Полный ресурс по эмпирической валидации агентных моделей можно найти здесь[100].

В качестве примера метода V&V рассмотрим VOMAS (виртуальная оверлейная мультиагентная система)[101] подход, основанный на программной инженерии, где виртуальная оверлейная многоагентная система разрабатывается вместе с агентной моделью. Muazi et al. также приводят пример использования VOMAS для проверки и валидации имитационной модели лесных пожаров[102][103]. Другой метод разработки программного обеспечения, т.е. разработка, управляемая тестированием, был адаптирован для проверки модели на основе агентов[104] This approach has another advantage that allows an automatic validation using unit test tools. Этот подход имеет еще одно преимущество, которое позволяет проводить автоматическую проверку с использованием инструментов модульного тестирования.

Источники[править]

  1. Grimm V., Railsback S.F. Individual-based Modeling and Ecology. — Princeton University Press, 2005. — P. 485. — ISBN 978-0-691-09666-7.
  2. Niazi M., Hussain A. (2011). «Agent-based Computing from Multi-agent Systems to Agent-Based Models: A Visual Survey». Scientometrics 89 (2): 479–499. DOI:10.1007/s11192-011-0468-9.
  3. Gustafsson L., Sternad M. (2010). «Consistent micro, macro, and state-based population modelling». Mathematical Biosciences 225 (2): 94–107. DOI:10.1016/j.mbs.2010.02.003. PMID 20171974.
  4. Agent-Based Models of Industrial Ecosystems. Rutgers University (October 6, 2003). Архивировано из первоисточника 20 июля 2011.
  5. (May 14, 2002) «Agent-based modeling: Methods and techniques for simulating human systems». Proceedings of the National Academy of Sciences of the United States of America 99 (Suppl 3): 7280–7. DOI:10.1073/pnas.082080899. PMID 12011407. Bibcode2002PNAS...99.7280B.
  6. Schelling, Thomas C. (1971). «Dynamic Models of Segregation». Journal of Mathematical Sociology 1 (2): 143–186. DOI:10.1080/0022250x.1971.9989794.
  7. Hogeweg, Paulien (1983). «The ontogeny of the interaction structure in bumble bee colonies: a MIRROR model». Behavioral Ecology and Sociobiology 12 (4): 271-283. DOI:10.1007/BF00302895.
  8. Axelrod The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. — Princeton: Princeton University Press, 1997. — ISBN 978-0-691-01567-5.
  9. (1991) «Artificial Adaptive Agents in Economic Theory». American Economic Review 81 (2): 365–71.
  10. 10,0 10,1 Kohler Timothy, Gumerman George Dynamics in Human and Primate Societies: Agent-based Modeling of Social and Spatial Processes. — New York, New York: Santa Fe Institute and Oxford University Press, 2000. — ISBN 0-19-513167-3.
  11. Epstein J.M., Axtell R. Growing artificial societies: social science from the bottom up. — Brookings Institution Press. — P. 224. — ISBN 978-0-262-55025-3.
  12. Construct. Computational Analysis of Social Organizational Systems. Архивировано из первоисточника 11 октября 2008. Проверено 19 февраля 2008.
  13. Springer Complex Adaptive Systems Modeling Journal (CASM). Архивировано из первоисточника 18 июня 2012. Проверено 1 июля 2012.
  14. Samuelson, Douglas A. (December 2000). «Designing Organizations». OR/MS Today.
  15. Samuelson D.A. (February 2005). «Agents of Change». OR/MS Today.
  16. Samuelson D.A., Macal C.M. (August 2006). «Agent-Based Modeling Comes of Age». OR/MS Today.
  17. Cognition and Multi-Agent Interaction: From Cognitive Modeling to Social Simulation. — Cambridge University Press. — ISBN 978-0-521-83964-8.
  18. Aditya Kurve (2013). «An agent-based framework for performance modeling of an optimistic parallel discrete event simulator». Complex Adaptive Systems Modeling 1: 12. DOI:10.1186/2194-3206-1-12.
  19. Niazi, Muaz A. K. (2011-06-30). «Towards A Novel Unified Framework for Developing Formal, Network and Validated Agent-Based Simulation Models of Complex Adaptive Systems». (PhD Thesis)
  20. Niazi, M.A. and Hussain, A (2012), Cognitive Agent-based Computing-I: A Unified Framework for Modeling Complex Adaptive Systems using Agent-based & Complex Network-based Methods Cognitive Agent-based Computing
  21. Swarm code templates for model comparison. Swarm Development Group. Архивировано из первоисточника 3 августа 2008.
  22. (September 15, 2006) «A standard protocol for describing individual-based and agent-based models». Ecological Modelling 198 (1–2): 115–126. DOI:10.1016/j.ecolmodel.2006.04.023. (ODD Paper)
  23. Ch'ng, E. (2012) Macro and Micro Environment for Diversity of Behaviour in Artificial Life Simulation, Artificial Life Session, The 6th International Conference on Soft Computing and Intelligent Systems, The 13th International Symposium on Advanced Intelligent Systems, November 20–24, 2012, Kobe, Japan. Macro and Micro Environment Архивировано из первоисточника November 13, 2013.
  24. Simon, Herbert A. The sciences of the artificial. MIT press, 1996.
  25. Wertheim K.Y., Puniy B.L., Fleur A.L., Shah A.R., Barberis M., Helikar T. (2021-08-03). «A multi-approach and multi-scale platform to model CD4+ T cells responding to infections» (en). PLOS Computational Biology 17 (8): e1009209. DOI:10.1371/journal.pcbi.1009209. ISSN 1553-7358. PMID 34343169. Bibcode2021PLSCB..17E9209W.
  26. Situngkir, Hokky (2004), "Epidemiology Through Cellular Automata: Case of Study Avian Influenza in Indonesia", arΧiv:nlin/0403035 
  27. Caplat, Paul (March 10, 2008). «Symmetric competition causes population oscillations in an individual-based model of forest dynamics». Ecological Modelling 211 (3–4): 491–500. DOI:10.1016/j.ecolmodel.2007.10.002.
  28. Thomas, Philipp (December 2019). «Intrinsic and extrinsic noise of gene expression in lineage trees». Scientific Reports 9 (1): 474. DOI:10.1038/s41598-018-35927-x. ISSN 2045-2322. PMID 30679440. Bibcode2019NatSR...9..474T.
  29. Fedriani JM, T Wiegand, D Ayllón, F Palomares, A Suárez-Esteban and V. Grimm. 2018. Assisting seed dispersers to restore old-fields: an individual-based model of the interactions among badgers, foxes, and Iberian pear trees. Journal of Applied Ecology 55: 600–611.
  30. Ch'ng, E. (2009) An Artificial Life-Based Vegetation Modelling Approach for Biodiversity Research, in Nature-Inspired informatics for Intelligent Applications and Knowledge Discovery: Implications in Business, Science and Engineering, R. Chiong, Editor. 2009, IGI Global: Hershey, PA. http://complexity.io/Publications/NII-alifeVeg-eCHNG.pdf Архивировано из первоисточника November 13, 2013.
  31. Weller, F.G.; Webb, E.B.; Beatty, W.S.; Fogenburg, S.; Kesler, D.; Blenk, R.H.; Eadie, J.M.; Ringelman, K.; et al. (2022), Agent-based modeling of movements and habitat selection by mid-continent mallards, Cooperator Science Series, Washington, D. C: U.S. Department of Interior, Fish and Wildlife Service, FWS/CSS-143-2022, DOI 10.3996/css47216360 
  32. (2016-06-07) «Measure of Landscape Heterogeneity by Agent-Based Methodology». ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences III-8: 145–151. DOI:10.5194/isprs-annals-iii-8-145-2016. Bibcode2016ISPAnIII8..145W.
  33. Lima F.W.S., Hadzibeganovic T., Stauffer D. (2009). «Evolution of ethnocentrism on undirected and directed Barabási-Albert networks». Physica A: Statistical Mechanics and Its Applications 388 (24): 4999–5004. DOI:10.1016/j.physa.2009.08.029. Bibcode2009PhyA..388.4999L.
  34. (2009) «Evolution of ethnocentrism on undirected and directed Barabási–Albert networks». Physica A 388 (24): 4999–5004. DOI:10.1016/j.physa.2009.08.029. Bibcode2009PhyA..388.4999L.
  35. Edwards Scott The Chaos of Forced Migration: A Modeling Means to an Humanitarian End. — VDM Verlag. — P. 168. — ISBN 978-3-639-16516-6.
  36. (2009) «Agent-based computer simulations of language choice dynamics». Annals of the New York Academy of Sciences 1167 (1): 221–229. DOI:10.1111/j.1749-6632.2009.04507.x. PMID 19580569. Bibcode2009NYASA1167..221H.
  37. (2011) «Phenotypic transition maps of 3D breast acini obtained by imaging-guided agent-based modeling». Integrative Biology 3 (4): 408–21. DOI:10.1039/c0ib00092b. PMID 21373705.
  38. (2014) «Irradiation of juvenile, but not adult, mammary gland increases stem cell self-renewal and estrogen receptor negative tumors». Stem Cells 32 (3): 649–61. DOI:10.1002/stem.1533. PMID 24038768.
  39. (2007) «Dynamics of in silico leukocyte rolling, activation, and adhesion». BMC Systems Biology 1 (14): 14. DOI:10.1186/1752-0509-1-14. PMID 17408504.
  40. (2010) «Identifying the rules of engagement enabling leukocyte rolling, activation, and adhesion». PLOS Computational Biology 6 (2): e1000681. DOI:10.1371/journal.pcbi.1000681. PMID 20174606. Bibcode2010PLSCB...6E0681T.
  41. Castiglione Filippo, Celada Franco Immune System Modeling and Simulation. — CRC Press, Boca Raton, 2015. — P. 274. — ISBN 978-1-4665-9748-8.
  42. Siddiqa Amnah, Niazi Muaz A new hybrid agent-based modeling & simulation decision support system for breast cancer data analysis // 2009 International Conference on Information and Communication Technologies. — 2009. — P. 134–139. — ISBN 978-1-4244-4608-7. (Breast Cancer DSS)
  43. (2015) «Agent‐Based Modeling in Systems Pharmacology». CPT: Pharmacometrics & Systems Pharmacology 4 (11): 615–629. DOI:10.1002/psp4.12018. PMID 26783498.
  44. Barathy Gnana, Yilmaz Levent Agent Directed Simulation for Combat Modeling and Distributed Simulation // Engineering Principles of Combat Modeling and Distributed Simulation. — Hoboken, NJ: Wiley. — P. 669–714. — ISBN 9781118180310.
  45. (2011) «Accounting for Diffusion in Agent Based Models of Reaction-Diffusion Systems with Application to Cytoskeletal Diffusion». PLOS ONE 6 (9): e25306. DOI:10.1371/journal.pone.0025306. PMID 21966493. Bibcode2011PLoSO...625306A.
  46. (2013) «Higher Nucleoporin-Importinβ Affinity at the Nuclear Basket Increases Nucleocytoplasmic Import». PLOS ONE 8 (11): e81741. DOI:10.1371/journal.pone.0081741. PMID 24282617. Bibcode2013PLoSO...881741A.
  47. (2014-11-05) «An agent-based model for mRNA export through the nuclear pore complex». Molecular Biology of the Cell 25 (22): 3643–3653. DOI:10.1091/mbc.E14-06-1065. PMID 25253717.
  48. (2021) «Carnosaurs as Apex Scavengers: Agent-based simulations reveal possible vulture analogues in late Jurassic Dinosaurs». Ecological Modelling 458. DOI:10.1016/j.ecolmodel.2021.109706.
  49. (2017) «Did Panthera pardus (Linnaeus, 1758) become extinct in Sumatra because of competition for prey? Modeling interspecific competition within the Late Pleistocene carnivore guild of the Padang Highlands, Sumatra». Palaeogeography, Palaeoclimatology, Palaeoecology 487: 175–186. DOI:10.1016/j.palaeo.2017.08.032. Bibcode2017PPP...487..175V.
  50. (2021) «gen3sis: A general engine for eco-evolutionary simulations of the processes that shape Earth's biodiversity». PLOS Biology 19 (7). DOI:10.1371/journal.pbio.3001340. PMID 34252071.
  51. (2008-04-01) «Spatial pattern formation facilitates eradication of infectious diseases». The Journal of Applied Ecology 45 (2): 415–423. DOI:10.1111/j.1365-2664.2007.01439.x. ISSN 0021-8901. PMID 18784795.
  52. Railsback Steven F., Grimm Volker Agent-Based and Individual-Based Modeling. — Princeton University Press. — ISBN 978-0-691-19082-2.
  53. Adam, David (2020-04-02). «Special report: The simulations driving the world's response to COVID-19» (en). Nature 580 (7803): 316–318. DOI:10.1038/d41586-020-01003-6. PMID 32242115. Bibcode2020Natur.580..316A.
  54. (2020-04-21) «Modelling the pandemic» (en). BMJ 369: m1567. DOI:10.1136/bmj.m1567. ISSN 1756-1833. PMID 32317328.
  55. (2020) «Computational Models That Matter During a Global Pandemic Outbreak: A Call to Action». Journal of Artificial Societies and Social Simulation 23 (2): 10. DOI:10.18564/jasss.4298. ISSN 1460-7425.
  56. (2020) «Agent-based modelling for SARS-CoV-2 epidemic prediction and intervention assessment: A methodological appraisal» (en). Journal of Evaluation in Clinical Practice 26 (5): 1352–1360. DOI:10.1111/jep.13459. ISSN 1365-2753. PMID 32820573.
  57. (2021) «Assessing the Role of Daily Activities and Mobility in the Spread of COVID-19 in Montreal With an Agent-Based Approach» (en). Frontiers in Built Environment 7. DOI:10.3389/fbuil.2021.654279.
  58. (2011) «Agent-based modeling in marketing: Guidelines for rigor». International Journal of Research in Marketing 28 (3): 181–193. DOI:10.1016/j.ijresmar.2011.04.002.
  59. (2012) «Agent-based modelling and simulation: The potential contribution to organizational psychology». Journal of Occupational and Organizational Psychology 85 (3): 487–502. DOI:10.1111/j.2044-8325.2012.02053.x.
  60. (2012) «The development of an agent-based modeling framework for simulating engineering team work». IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans 42 (6): 1425–1439. DOI:10.1109/TSMCA.2012.2199304.
  61. Application of Agent Technology to Traffic Simulation. United States Department of Transportation (May 15, 2007). Архивировано из первоисточника 1 января 2011. Проверено 31 октября 2007.
  62. Niazi M., Baig A. R. Simulation of the research process // 2008 Winter Simulation Conference. — 2008. — P. 1326–1334. — ISBN 978-1-4244-2707-9.
  63. Niazi Muaz A. Self-organized customized content delivery architecture for ambient assisted environments // Proceedings of the third international workshop on Use of P2P, grid and agents for the development of content networks. — 2008. — P. 45–54. — ISBN 9781605581552.
  64. Nasrinpour, Hamid Reza; Friesen, Marcia R. & McLeod, Robert D. (2016-11-22), "An Agent-Based Model of Message Propagation in the Facebook Electronic Social Network", arΧiv:1611.07454 [cs.SI] 
  65. (March 2009) «Agent based Tools for Modeling and Simulation of Self-Organization in Peer-to-Peer, Ad-Hoc and other Complex Networks». IEEE Communications Magazine 47 (3): 163–173. DOI:10.1109/MCOM.2009.4804403.
  66. (2011) «A Novel Agent-Based Simulation Framework for Sensing in Complex Adaptive Environments». IEEE Sensors Journal 11 (2): 404–412. DOI:10.1109/JSEN.2010.2068044. Bibcode2011ISenJ..11..404N.
  67. Sarker R. A., Ray T. Agent Based Evolutionary Approach: An Introduction // Agent-Based Evolutionary Search. — 2010. — Т. 5. — P. 1–11. — ISBN 978-3-642-13424-1.
  68. Page S.E. Agent-Based Models. — 2. — 2008.
  69. Handbook of Computational Economics. — Elsevier. — Т. 2. — P. 904. — ISBN 978-0-444-51253-6. (Chapter preview)
  70. 70,0 70,1 Agents of change (июль 2010 года).
  71. (August 6, 2009) «A model approach». Nature 460 (7256). DOI:10.1038/460667a. PMID 19661863. Bibcode2009Natur.460Q.667..
  72. Stefan, F., & Atman, A. (2015). Is there any connection between the network morphology and the fluctuations of the stock market index? Physica A: Statistical Mechanics and Its Applications, (419), 630-641.
  73. Dawid H., Gatti D. (January 2018). «Agent-based macroeconomics». Handbook of Computational Economics 4: 63–156. DOI:10.1016/bs.hescom.2018.02.006.
  74. (July 2011) «Agent-based modeling in marketing: Guidelines for rigor». International Journal of Research in Marketing 28 (3): 181–193. DOI:10.1016/j.ijresmar.2011.04.002.
  75. Wullschleger G.D.P.A., Müller T., Schmitt H., Aschwanden G. (2009). «Evaluation of 3D city models using automatic placed urban agents». Automation in Construction 22: 81–89. DOI:10.1016/j.autcon.2011.07.001.
  76. Brown D.G., Page S.E., Zellner M., Rand W. (2005). «Path dependence and the validation of agent‐based spatial models of land use». International Journal of Geographical Information Science 19 (2): 153–174. DOI:10.1080/13658810410001713399.
  77. Stiff P., Smetanin D. (2015), "Investing in Ontario's Public Infrastructure: A Prosperity at Risk Perspective, with an analysis of the Greater Toronto and Hamilton Area", The Canadian Centre for Economic Analysis, <http://www.cancea.ca/sites/economic-analysis.ca/files/reports/CANCEA%20Report%20-%20Investing%20in%20Ontario%27s%20Infrastructure%20FINAL%20Oct%202015%20Web.pdf>. Проверено 17 ноября 2016. 
  78. Yang Xiaoliang, Zhou Peng (April 2022). «Wealth inequality and social mobility: A simulation-based modelling approach» (en). Journal of Economic Behavior & Organization 196: 307–329. DOI:10.1016/j.jebo.2022.02.012.
  79. Berglund E.Z. (November 2015). «Using Agent-Based Modeling for Water Resources Planning and Management». Journal of Water Resources Planning and Management 141 (11): 04015025. DOI:10.1061/(ASCE)WR.1943-5452.0000544. ISSN 0733-9496.
  80. Giuliani M., Castelletti A. (July 2013). «Assessing the value of cooperation and information exchange in large water resources systems by agent-based optimization: MAS Framework for Large Water Resources Systems». Water Resources Research 49 (7): 3912–3926. DOI:10.1002/wrcr.20287.
  81. Agent-Directed Simulation. Архивировано из первоисточника 27 сентября 2011. Проверено 9 августа 2011.
  82. (2018) «Simulation-Based Identification of Critical Scenarios for Cooperative and Automated Vehicles». SAE International Journal of Connected and Automated Vehicles (SAE International) 1 (2): 93–106. DOI:10.4271/2018-01-1066.
  83. Inside Waymo's Secret World for Training Self-Driving Cars, The Atlantic.
  84. (2018) «Cyber Synthetic Modeling for Vehicle-to-Vehicle Applications». In International Conference on Cyber Warfare and Security (Academic Conferences International Limited).
  85. Yang Guoqing, Wu Zhaohui SVE: Embedded agent based smart vehicle environment // Proceedings of the 2003 IEEE International Conference on Intelligent Transportation Systems. — Т. 2. — P. 1745–1749 vol.2. — ISBN 0-7803-8125-4.
  86. 86,0 86,1 Lysenko M., D'Souza R.M. (2008). «A Framework for Megascale Agent Based Model Simulations on Graphics Processing Units». Journal of Artificial Societies and Social Simulation 11 (4): 10. ISSN 1460-7425.
  87. Gulyás L., Szemes G., Kampis G., de Back W. (2009). «A Modeler-Friendly API for ABM Partitioning». Proceedings of the ASME 2009 International Design Engineering Technical Conferences & Computers and Information in Engineering Conference IDETC/CIE 2009 2: 219–226.
  88. Collier N., North M. (2013). «Parallel agent-based simulation with Repast for High Performance Computing». Simulation 89 (10): 1215–1235. DOI:10.1177/0037549712462620.
  89. Fujimoto R. Parallel and distributed simulation // 2015 Winter Simulation Conference (WSC). — Huntington Beach, CA, USA. — P. 45–59. — ISBN 978-1-4673-9743-8.
  90. Shook E., Wang S., Tang W. (2013). «A communication-aware framework for parallel spatially explicit agent-based models». International Journal of Geographical Information Science (Taylor & Francis) 27 (11): 2160–2181. DOI:10.1080/13658816.2013.771740.
  91. Jonas E., Pu Q., Venkataraman S., Stoica I., Recht B. (2017). «Occupy the Cloud: Distributed Computing for the 99%». Proceedings of the 2017 Symposium on Cloud Computing (SoCC '17) (ACM): 445–451. DOI:10.1145/3127479.3128601. Bibcode2017arXiv170204024J.
  92. Isaac Rudomin Large Crowds in the GPU. Monterrey Institute of Technology and Higher Education (2006). Архивировано из первоисточника 11 января 2014.
  93. Richmond P., Romano D.M. (2008). «Agent Based GPU, a Real-time 3D Simulation and Interactive Visualisation Framework for Massive Agent Based Modelling on the GPU». Proceedings International Workshop on Super Visualisation (IWSV08).
  94. Brown D.G., Riolo Rick, Robinson D.T., North M., Rand W. (2005). «Spatial Process and Data Models: Toward Integration of agent-based models and GIS». Journal of Geographical Systems (Springer) 7 (1): 25–47. DOI:10.1007/s10109-005-0148-5. Bibcode2005JGS.....7...25B.
  95. Zhang J., Tong L., Lamberson P.J., Durazo-Arvizu R.A., Luke A., Shoham D.A. (2015). «Leveraging social influence to address overweight and obesity using agent-based models: The role of adolescent social networks». Social Science & Medicine (Elsevier BV) 125: 203–213. DOI:10.1016/j.socscimed.2014.05.049. ISSN 0277-9536. PMID 24951404.
  96. Sargent R. G. Verification, validation and accreditation of simulation models // 2000 Winter Simulation Conference Proceedings (Cat. No.00CH37165). — 2000. — Т. 1. — P. 50–59. — ISBN 978-0-7803-6579-7.
  97. (2009) «Errors and Artefacts in Agent-Based Modelling». Journal of Artificial Societies and Social Simulation 12 (1): 1.
  98. Klügl F. A validation methodology for agent-based simulations // Proceedings of the 2008 ACM symposium on Applied computing - SAC '08. — 2008. — P. 39–43. — ISBN 9781595937537.
  99. (2005) «A Discrete-Event Simulation Framework for the Validation of Agent-Based and Multi-Agent Systems».
  100. Tesfatsion, Leigh Empirical Validation: Agent-Based Computational Economics. Iowa State University. Архивировано из первоисточника 26 июня 2020. Проверено 24 июня 2020.
  101. «Verification and Validation of Agent-Based Simulations using the VOMAS approach». Proceedings of the Third Workshop on Multi-Agent Systems and Simulation '09 (MASS '09), as Part of MALLOW 09, Sep 7–11, 2009, Torino, Italy.
  102. (April 11–15, 2010) «Verification & Validation of an Agent-Based Forest Fire Simulation Model». Proceedings of the Agent Directed Simulation Symposium 2010, as Part of the ACM SCS Spring Simulation Multiconference: 142–149.
  103. Niazi, Muaz A. K. (June 11, 2011). «Towards A Novel Unified Framework for Developing Formal, Network and Validated Agent-Based Simulation Models of Complex Adaptive Systems» (University of Stirling). PhD Thesis
  104. Onggo B.S., Karatas M. (2016). «Test-driven simulation modelling: A case study using agent-based maritime search-operation simulation.». European Journal of Operational Research 254 (2): 517–531. DOI:10.1016/j.ejor.2016.03.050.

Ссылки[править]

Руниверсалис

Одним из источников, использованных при создании данной статьи, является статья из википроекта «Руниверсалис» («Руни», руни.рф) под названием «Агентно-ориентированная модель», расположенная по адресу:

«https://руни.рф/index.php/Агентно-ориентированная_модель»

Материал указанной статьи полностью или частично использован в Циклопедии по лицензии CC BY-SA.

Всем участникам Руниверсалиса предлагается прочитать «Обращение к участникам Руниверсалиса» основателя Циклопедии и «Почему Циклопедия?».