Агентное (мультиагентное) моделирование. Агентное (мультиагентное) моделирование 2 Список использованной литературы 13

• Название: Агентное (мультиагентное) моделирование 2 Список использованной литературы 13
• Анкор: Агентное (мультиагентное) моделирование
• Дата: 11.03.2022
• Размер: 251.96 Kb.
• Имя файла: Агентное (мультиагентное) моделирование.docx
• Тип: Документы; #392593

Оглавление

Агентное (мультиагентное) моделирование 2

Список использованной литературы 13

Агентное (мультиагентное) моделирование 3

Список использованной литературы 14

Агентное (мультиагентное) моделирование

Имитационное моделирование как необходимая часть инженерного образования сложилось в середине прошлого, двадцатого века. Воспринятое поначалу как своеобразный численный метод решения сложных задач, как "младший брат" аналитического моделирования, оно постепенно стало основным, подчас единственным методом при анализе и синтезе сложных систем и процессов.

Общеизвестно, что правильно поставленный натурный эксперимент, то есть исследование свойств объекта на самом объекте, максимально информативен. Оказывается, что эксперимент с компьютерной имитационной моделью вполне конкурентоспособен с натурным. Не говоря о том, что натурный эксперимент в ряде случаев вообще невозможен или нецелесообразен, эксперимент с имитационной моделью может быть приемлемо информативен и выполнен значительно быстрее и дешевле натурного. Это и предопределило стремительное и повсеместное внедрение имитационного моделирования в научный и инженерный обиход.

Математическая модель, являясь абстрактным образом моделируемого объекта или процесса, не может быть его полным аналогом. Достаточно сходства в тех элементах, которые определяют цель исследования. Для качественной оценки сходства вводится понятие адекватности модели объекту и, в связи с этим, раскрываются понятия изоморфизма и изофункционализма. Формальных приемов, позволяющих автоматически, "бездумно", создавать адекватные математические модели, нет. Окончательное суждение об адекватности модели дает практика, то есть сопоставление модели с действующим объектом.

Имитационная модель – это компьютерная программа, которая описывает структуру и воспроизводит поведение реальной системы во времени. Имитационная модель позволяет получать подробную статистику о различных аспектах функционирования системы в зависимости от входных данных.

Имитационное моделирование – разработка компьютерных моделей и постановка экспериментов на них. Целью моделирования в конечном счете является принятие обоснованных, целесообразных управленческих решений. Компьютерное моделирование становится сегодня обязательным этапом в принятии ответственных решений во всех областях деятельности человека в связи с усложнением систем, в которых человек должен действовать и которыми он должен управлять. Знание принципов и возможностей имитационного моделирования, умение создавать и применять модели являются необходимыми требованиями к инженеру, менеджеру, бизнес-аналитику.

В современном имитационном моделировании используются три подхода (методологии): дискретно-событийное моделирование, агентное моделирование и системная динамика.

В имитационном моделировании под методом понимается некая основа, которую мы используем, чтобы «перевести» систему из реального мира в мир моделей. Метод предполагает определенный язык, "положения и условия" для разработки модели. На данный момент, существует три метода:

• Системная динамика

• Дискретно-событийное моделирование

• Aгентное моделирование

Каждый метод применяется в некотором диапазоне уровней абстракции.

Системная динамика предполагает очень высокий уровень абстракции и, как правило, используется для стратегического моделирования. Дискретно-событийное моделирование поддерживает средний и низкий уровни абстракции. Между ними находятся агентные модели, которые могут быть как очень детализированными, когда агенты представляют физические объекты, так предельно абстрактными, когда с помощью агентов моделируются конкурирующие компании или правительства государств (рис. 1).



Рис. 1. Методы имитационного моделирования

Прежде чем выбрать метод моделирования, следует тщательно исследовать моделируемую систему и цели моделирования.

Агентное моделирование - относительно новый метод моделирования.

Поначалу оно являлось преимущественно предметом теоретических дискуссий в академических кругах, а начиная с 2000-х годов разработчики имитационных моделей стали использовать его на практике.

Переход к агентному моделированию был вызван:

• Желанием глубже изучить системы, которые сложно описать

традиционными методами моделирования.

•Развитием технологии агентного моделирования (объектно- ориентированное моделирование, диаграммы состояний).

• Быстрому росту мощности процессоров и объема оперативной памяти компьютеров. Агентные модели более требовательны к ресурсам, чем модели системной динамики или дискретно-событийные модели.

Агентное моделирование предлагает разработчику моделей альтернативный взгляд на поведение системы.
Агентное моделирование (agent-based model — ABM) — метод имитационного моделирования, исследующий поведение децентрализованных агентов и то, как оно определяет поведение всей системы в целом. При этом под агентами понимаются различные по своей природе элементы, например, социальные агенты (люди, социальные группы, покупатели и т.д.), экономические агенты (государство, регионы, отрасли, фирмы и т.д.), технические агенты (автомобили, роботы, самолеты и т.д.), экосистемные агенты (газовые облака, пожары, тайфуны и т.д.).

В отличие от системной динамики поведение агентов определяется на индивидуальном уровне, а глобальное поведение возникает как результат деятельности множества агентов (моделирование «снизу-вверх»).

Мультиагентные системы представляют собой совокупность интеллектуальных агентов. Агентное моделирование включает в себя элементы теории игр, сложных систем, мультиагентных систем и эволюционного программирования, методы Монте- Карло, использует случайные числа и др.

Поведение агента задается так называемой картой состояний (statechart), программируемой на индивидуальном уровне. Агентно-ориентированный подход позволяет учесть индивидуальные особенности активных элементов социально-экономической системы: людей, субъектов неживой материи (предприятий, транспортных средств и др.) и живой природы (в частности, экологических систем).

Особенности моделирования неживой материи, живой природы, общества, производственных отношений могут быть реализованы в рамках одной модели при использовании гибридных методов имитационного моделирования, например, методов системной динамики и агентного моделирования. В частности, можно выполнить агентное моделирование поведения толпы в условиях экстремальных ситуаций. Данная модель позволяет исследовать поведение ансамбля индивидуумов (общества) в чрезвычайных ситуациях, т.е. с учетом стохастического влияния неживой материи (взрывов, пожаров и др.).

Искусственная жизнь — изучение жизни, живых систем и их эволюции при помощи имитационных моделей. При этом особый интерес представляют заранее непредсказуемый результат взаимодействия субъектов живых систем и поиск наиболее благоприятных условий для эволюции таких систем.

Карта состояний (рис. 2) — это фактически конечный автомат с несколькими удобными дополнениями, предложенными Давидом Харелом, принятыми мировым моделирующим сообществом и вошедшими в стандартный UML (the unified modeling language — унифицированный язык моделирования). Карты состояний позволяют графически определить возможные состояния агента, переходы между ними, события, вызывающие эти переходы, временные задержки и действия, совершаемые агентом на протяжении своего жизненного цикла. Такие конструкции, как вложенные состояния, позволяют задавать режимы функционирования агента.

Агент может иметь несколько параллельно активных и взаимодействующих карт состояний, каждая из которых отвечает за какой-либо аспект его деятельности: например, за производство, финансы и т.д.

Следует отметить, что программная реализация агентных моделей возможна в различных системах, поддерживающих возможности объектно-ориентированного программирования (ООП), в частности AnyLogic, Arena и др.



Рис. 2. Карта состояний агента (statechart)
Агентное моделирование может служить мощным инструментом для реализации методов теории активных систем.

Теория активных систем — раздел теории управления социально-экономическими системами, изучающий свойства механизмов их функционирования, обусловленные проявлениями активности участников системы. Таким образом, как и при агентном подходе, состояние системы определяется результатом деятельности ее активных элементов (например, руководителей предприятий, входящих в холдинг).

В активных системах (АС) управляемые субъекты (точнее говоря, хотя бы один субъект) обладают свойством активности, в том числе — свободой выбора своего состояния. Помимо возможности выбора состояния элементы АС обладают собственными интересами и предпочтениями, т.е. осуществляют выбор состояния целенаправленно (в противном случае их поведение можно было бы рассматривать как пассивное). Соответственно конкретизируется и модель системы, которая должна учитывать проявления активности управляемых субъектов.

Чтобы при выборе эффективного управляющего воздействия учесть влияние активности управляемых субъектов, необходимо предварительно смоделировать их поведение во взаимодействии друг с другом и внешней средой.

Типичная агентная модель может использовать элементы теоретико-игрового подхода. Теория игр — математический метод изучения оптимальных стратегий в играх. Под игрой понимается процесс, в котором участвуют две и более сторон, ведущих борьбу за реализацию своих интересов. Каждая из сторон имеет свою цель и использует некоторую стратегию), которая может вести к выигрышу или проигрышу — в зависимости от поведения других игроков. Теория игр помогает выбрать лучшие стратегии с учетом представлений о других участниках, их ресурсах и возможных поступках. Можно утверждать, что в мультиагентных системах поведение агента, в частности выбор оптимальной стратегии, зависит от стратегии других агентов. Так, например, обладая искусственным интеллектом или находясь под воздействием внешнего управления, агент может договариваться с другими агентами, вступая с ними в коалиционные отношения, чтобы координировать свои действия. В то же время между определенными агентами возможна конкуренция, даже если они являются участниками одной организационной структуры. Типичным примером такой ситуации является конкуренция дочерних предприятий холдинга за перераспределение ограниченных инвестиционных ресурсов в свою пользу.

При управлении активной системой важно понимать, какие агенты будут действовать коалиционно, а какие — конкурентно. Возможно также изменение стратегии агентов во времени, например, переход от конкурентной стратегии к коалиционной и наоборот.

Агенты функционируют и взаимодействуют друг с другом в определенной внешней среде. Модель такой среды может включать в себя различные характеристики (например, единые макроэкономические параметры, единые рынки товаров и производственных факторов и т.д.).

Агенты могут обладать искусственным интеллектом, в частности, реализуемым посредством искусственных нейронных сетей (ИНС), карт состояний или встроенных системно-динамических оптимизационных моделей (рис. 3). Также возможна комбинация различных методов и моделей в рамках одного агента.

Помимо внешнего управления, реализуемого в организационных структурах, как правило, корпоративным центром, возможно и внутреннее управление, реализуемое самим агентом при выборе определенной стратегии поведения.

На рис. 3 показана двунаправленная связь между агентами и внешней средой, в которой они функционируют, так как в реальных системах совокупная деятельность агентов существенно влияет на общую среду. Типичным примером является стратегия повышения цен на конечный продукт, выбираемая большинством агентов (при отсутствии государственных ограничений), которая приводит к росту инфляции в экономической системе и снижению курса отечественной валюты.

Между агентами также имеются двунаправленные связи, так как поведение одного агента может зависеть от поведения других агентов. Типичным примером является поведение отдельных покупателей, обращающих внимание на выбор других покупателей (эффект большинства).



Рис. 3. Интеллектуальные агенты в мультиагентной системе

В реальных организационных структурах связи между агентами, как правило, ограничены. К примеру, связи между предприятиями могут быть ограничены по географическому признаку (в пределах одного региона), связи между покупателями ограничены одним локальным рынком (в пределах возможной информированности о покупках) и т.д. Этот фактор оказывает существенное влияние на состояние системы в целом и приводит к появлению устойчивых структур — объединений агентов в группы с общими признаками или целями. Примерами таких структур являются искусственные общества — компьютерные модели, описывающие групповое поведение агентов — членов искусственных обществ.

В сложных организационных системах агенты могут иметь вложенную структуру (рис. 4).

Между элементами вложенной структуры также могут быть установлены определенные связи. При этом степень вложенности практически неограничена (например, начиная от отдельного сотрудника, заканчивая организацией в целом).



Рис. 4. Вложенная структура мультиагентной системы
Характер связей (прямые, обратные и т.п.) существенно зависит от агентной специфики.

Типичными свойствами агента являются:

• адаптивность (способность обучаться);

• автономность (агент работает как самостоятельная программа, которая ставит себе цели и предпринимает действия для их достижения);

• коллаборативность (взаимодействие с другими агентами, причем агент может играть разные роли при взаимодействии с одним и тем же агентом);

• интеллектуальность (агенты могут обладать знаниями или механизмами вывода на основе обобщения, например, иметь встроенную искусственную нейронную сеть);

• коммуникативность (способность общаться с другими агентами);

• мобильность (способность к пространственному перемещению агента либо миграции агента из одной агентской группы в другую).

При проектировании мультиагентных систем управления важно учесть взаимовлияние агентов различной природы с учетом их подчиненности и в зависимости от центральной задачи. В частности, для систем оперативного управления производством первостепенное значение имеет взаимодействие технических агентов (например, оборудования в цехе), а роль социальных агентов учитывается при моделировании потребительского спроса. Для систем стратегического управления компаниями большее значение могут иметь экономические агенты, влияющие на важнейшие макроэкономические характеристики. Такое разделение агентов весьма условно и зависит от задачи. Вместе с тем выбор эффективного метода моделирования поведения агентов зависит от их природы. Очевидно, самыми сложными являются социальные агенты, поведение которых носит далеко не всегда рациональный характер и во многом зависит от групповых (кластерных) особенностей.

Между мультиагентным моделированием и методами системной динамики имеется определенная связь. Многие простые агентные модели, например, модель распространения инноваций, могут быть легко конвертированы в соответствующие агентные версии. Однако с ростом числа агентов со своими характеристиками в системно-динамических моделях возникает известная проблема так называемого комбинаторного взрыва, обусловленная ростом размерности переменных модели. При агентном подходе можно добиться существенно большей степени детализации модели и учесть влияние активных участников системы.

Имитационную модель можно рассматривать как множество правил (дифференциальных уравнений, карт состояний, автоматов, сетей и т.п.), которые определяют в какое состояние система перейдёт в будущем из заданного текущего состояния. Имитация здесь – это процесс “выполнения” модели, проводящий её через (дискретные или непрерывные) изменения состояния во времени. В общем случае, для сложных проблем, где время и динамика важны, имитационное моделирование представляет собой более мощное средство анализа.

Список использованной литературы

1. 
   Андрей Борщев. Практическое агентное моделирование и его место в арсенале аналитика. Exponenta PRO, #3-4 (7-8) 2004, c. 38-47.
   
2. 
   Лычкина, Наталья Николаевна. Имитационное моделирование экономических процессов : учеб. пособие / Лычкина Наталья Николаевна. - Москва : ИНФРА-М, 2012.
   
3. 
   Боев, Василий Дмитриевич. Имитационное моделирование систем : Учебное пособие / Боев Василий Дмитриевич; Боев В.Д. - М. : Издательство Юрайт, 2017.
   
4. 
   Емельянов А.А. и др. Имитационное моделирование экономических процессов: Учеб. пособие / А.А. Емельянов, Е.А. Власова, Р.В. Дума; Под ред. А.А. Емельянова. - М.: Финансы и статистика, 2002. - 368 с: ил.
   
5. 
   Агентное и многоподходное моделирование. https://www.anylogic.ru/use-of-simulation/agent-based-modeling/
   
6. 
   Лебедюк Э.А. Агентное моделирование: состояние и перспективы. https://cyberleninka.ru/article/n/agentnoe-modelirovanie-sostoyanie-i-perspektivy
   
7. 
   Боев В. Д. Компьютерное моделирование: Пособие для практических занятий, курсового и дипломного проектирования в AnyLogic7:. — СПб.: ВАС, 2014. — 432 с
   
8. 
   Имитационное моделирование информационных систем в пакете Arena: метод. указания / сост. Д.Ю. Киселев, Ю.В. Киселев, В.В. Бибиков. – Самара: Изд-во СГАУ, 2014. – 20 с