stringtranslate.com

Modelo basado en agentes

Un modelo basado en agentes ( ABM ) es un modelo computacional para simular las acciones e interacciones de agentes autónomos (entidades individuales o colectivas como organizaciones o grupos) con el fin de comprender el comportamiento de un sistema y lo que gobierna sus resultados. Combina elementos de teoría de juegos , sistemas complejos , emergencia , sociología computacional , sistemas multiagente y programación evolutiva . Los métodos de Monte Carlo se utilizan para comprender la estocasticidad de estos modelos. Particularmente dentro de la ecología, los ABM también se denominan modelos basados ​​en individuos ( IBM ). [1] Una revisión de la literatura reciente sobre modelos basados ​​en individuos, modelos basados ​​en agentes y sistemas multiagente muestra que los ABM se utilizan en muchos dominios científicos, incluidos la biología , la ecología y las ciencias sociales . [2] El modelado basado en agentes está relacionado con el concepto de sistemas multiagente o simulación multiagente , pero es distinto de ellos , en que el objetivo del ABM es buscar información explicativa sobre el comportamiento colectivo de agentes que obedecen reglas simples, típicamente en sistemas naturales, en lugar de diseñar agentes o resolver problemas prácticos o de ingeniería específicos. [2]

Los modelos basados ​​en agentes son un tipo de modelo a microescala [3] que simula las operaciones e interacciones simultáneas de múltiples agentes en un intento de recrear y predecir la aparición de fenómenos complejos. El proceso es de emergencia , que algunos expresan como "el todo es mayor que la suma de sus partes". En otras palabras, las propiedades del sistema de nivel superior emergen de las interacciones de subsistemas de nivel inferior. O bien, los cambios de estado a macroescala emergen de los comportamientos de los agentes a microescala. O bien, los comportamientos simples (es decir, las reglas seguidas por los agentes) generan comportamientos complejos (es decir, cambios de estado a nivel de todo el sistema).

Los agentes individuales suelen caracterizarse como racionales acotados , y se presume que actúan en función de lo que perciben como sus propios intereses, como la reproducción, el beneficio económico o el estatus social, [4] utilizando heurísticas o reglas simples de toma de decisiones. Los agentes ABM pueden experimentar "aprendizaje", adaptación y reproducción. [5]

La mayoría de los modelos basados ​​en agentes se componen de: (1) numerosos agentes especificados en varias escalas (normalmente denominados granularidad del agente); (2) heurísticas de toma de decisiones; (3) reglas de aprendizaje o procesos adaptativos; (4) una topología de interacción ; y (5) un entorno. Los ABM suelen implementarse como simulaciones por ordenador , ya sea como software personalizado o mediante kits de herramientas ABM, y este software puede utilizarse luego para probar cómo los cambios en los comportamientos individuales afectarán el comportamiento general emergente del sistema.

Historia

La idea del modelado basado en agentes se desarrolló como un concepto relativamente simple a fines de la década de 1940. Dado que requiere procedimientos computacionales intensivos, no se generalizó hasta la década de 1990.

Primeros desarrollos

La historia del modelo basado en agentes se remonta a la máquina de von Neumann , una máquina teórica capaz de reproducirse. El dispositivo que propuso von Neumann seguiría instrucciones detalladas con precisión para crear una copia de sí mismo. El concepto fue desarrollado por el amigo de von Neumann , Stanislaw Ulam , también matemático; Ulam sugirió que la máquina se construyera en papel, como una colección de células en una cuadrícula. La idea intrigó a von Neumann, quien la diseñó, creando el primero de los dispositivos que más tarde se denominarían autómatas celulares . Otro avance fue introducido por el matemático John Conway . Construyó el conocido Juego de la Vida . A diferencia de la máquina de von Neumann, el Juego de la Vida de Conway funcionaba con reglas simples en un mundo virtual en forma de un tablero de ajedrez bidimensional .

El lenguaje de programación Simula , desarrollado a mediados de la década de 1960 y ampliamente implementado a principios de la década de 1970, fue el primer marco para automatizar simulaciones de agentes paso a paso.

Años 70 y 80: los primeros modelos

Uno de los primeros modelos basados ​​en agentes en concepto fue el modelo de segregación de Thomas Schelling , [6] que se analizó en su artículo "Modelos dinámicos de segregación" en 1971. Aunque Schelling originalmente utilizó monedas y papel cuadriculado en lugar de computadoras, sus modelos incorporaron el concepto básico de los modelos basados ​​en agentes como agentes autónomos que interactúan en un entorno compartido con un resultado emergente agregado observado.

A finales de los años 1970, Paulien Hogeweg y Bruce Hesper comenzaron a experimentar con modelos individuales de ecología . Uno de sus primeros resultados fue demostrar que la estructura social de las colonias de abejorros surgía como resultado de reglas simples que rigen el comportamiento de las abejas individuales. [7] Introdujeron el principio ToDo, que se refiere a la forma en que los agentes "hacen lo que hay que hacer" en un momento dado.

A principios de la década de 1980, Robert Axelrod organizó un torneo de estrategias del dilema del prisionero y los hizo interactuar de manera basada en agentes para determinar un ganador. Axelrod continuaría desarrollando muchos otros modelos basados ​​en agentes en el campo de la ciencia política que examinan fenómenos que van desde el etnocentrismo hasta la difusión de la cultura. [8] A fines de la década de 1980, el trabajo de Craig Reynolds sobre modelos de agrupamiento contribuyó al desarrollo de algunos de los primeros modelos biológicos basados ​​en agentes que contenían características sociales. Intentó modelar la realidad de los agentes biológicos vivos, conocidos como vida artificial , un término acuñado por Christopher Langton .

Resulta difícil encontrar el primer uso de la palabra "agente" y una definición tal como se utiliza actualmente. Un candidato parece ser el artículo de 1991 de John Holland y John H. Miller "Artificial Adaptive Agents in Economic Theory", [9] basado en una presentación anterior de ellos en una conferencia. Un candidato más fuerte y anterior es Allan Newell , quien en el primer discurso presidencial de la AAAI (publicado como The Knowledge Level [10] ) analizó el concepto de agentes inteligentes.

Al mismo tiempo, durante la década de 1980, científicos sociales, matemáticos, investigadores de operaciones y un grupo de personas de otras disciplinas desarrollaron la teoría computacional y de la organización matemática (CMOT, por sus siglas en inglés). Este campo creció como un grupo de interés especial del Instituto de Ciencias de la Gestión (TIMS, por sus siglas en inglés) y su sociedad hermana, la Sociedad de Investigación de Operaciones de Estados Unidos (ORSA, por sus siglas en inglés). [11]

Década de 1990: expansión

La década de 1990 fue especialmente notable por la expansión del ABM dentro de las ciencias sociales; un esfuerzo notable fue el ABM a gran escala, Sugarscape , desarrollado por Joshua M. Epstein y Robert Axtell para simular y explorar el papel de los fenómenos sociales como las migraciones estacionales, la contaminación, la reproducción sexual, el combate y la transmisión de enfermedades e incluso la cultura. [12] Otros desarrollos notables de la década de 1990 incluyeron el ABM Kathleen Carley de la Universidad Carnegie Mellon , [13] para explorar la coevolución de las redes sociales y la cultura. El Santa Fe Institute (SFI) fue importante para alentar el desarrollo de la plataforma de modelado ABM Swarm bajo el liderazgo de Christopher Langton . La investigación realizada a través del SFI permitió la expansión de las técnicas ABM a varios campos, incluido el estudio de la dinámica social y espacial de las sociedades humanas y los primates a pequeña escala. [11] Durante este período de la década de 1990, Nigel Gilbert publicó el primer libro de texto sobre simulación social: Simulación para científicos sociales (1999) y estableció una revista desde la perspectiva de las ciencias sociales: Journal of Artificial Societies and Social Simulation (JASSS). Además de JASSS, los modelos basados ​​en agentes de cualquier disciplina están dentro del alcance de la revista SpringerOpen Complex Adaptive Systems Modeling (CASM). [14]

A mediados de los años 1990, el eje de las ciencias sociales del ABM comenzó a centrarse en cuestiones como el diseño de equipos eficaces, la comprensión de la comunicación necesaria para la eficacia organizacional y el comportamiento de las redes sociales. El CMOT (posteriormente rebautizado como Análisis Computacional de Sistemas Sociales y Organizacionales, CASOS) incorporó cada vez más modelos basados ​​en agentes. Samuelson (2000) ofrece una buena y breve descripción general de la historia inicial [15] , y Samuelson (2005) y Samuelson y Macal (2006) rastrean los desarrollos más recientes [16] [17]

A finales de los años 1990, la fusión de TIMS y ORSA para formar INFORMS , y el paso de INFORMS de dos reuniones al año a una, ayudaron a impulsar al grupo CMOT a formar una sociedad separada, la Asociación Norteamericana de Ciencias Sociales y Organizacionales Computacionales (NAACSOS). Kathleen Carley fue una importante colaboradora, especialmente en modelos de redes sociales, obteniendo fondos de la National Science Foundation para la conferencia anual y sirviendo como la primera presidenta de NAACSOS. Fue reemplazada por David Sallach de la Universidad de Chicago y el Laboratorio Nacional Argonne , y luego por Michael Prietula de la Universidad Emory . Casi al mismo tiempo que comenzó NAACSOS, se organizaron la Asociación Europea de Simulación Social (ESSA) y la Asociación del Pacífico Asiático para el Enfoque Basado en Agentes en la Ciencia de Sistemas Sociales (PAAA), contrapartes de NAACSOS. A partir de 2013, estas tres organizaciones colaboran internacionalmente. El Primer Congreso Mundial sobre Simulación Social se celebró bajo su patrocinio conjunto en Kioto, Japón, en agosto de 2006. [ cita requerida ] El Segundo Congreso Mundial se celebró en los suburbios del norte de Virginia, Washington, DC, en julio de 2008, y la Universidad George Mason asumió el papel principal en los arreglos locales.

Década de 2000

Más recientemente, Ron Sun desarrolló métodos para basar la simulación basada en agentes en modelos de cognición humana, conocidos como simulación social cognitiva. [18] Bill McKelvey, Suzanne Lohmann, Dario Nardi, Dwight Read y otros en la UCLA también han hecho contribuciones significativas en el comportamiento organizacional y la toma de decisiones. Desde 1991, la UCLA ha organizado una conferencia en Lake Arrowhead, California, que se ha convertido en otro importante punto de encuentro para los profesionales de este campo. [19]

2020 y posteriores

Después de la aparición de los grandes modelos lingüísticos , los investigadores comenzaron a aplicar modelos lingüísticos interactivos al modelado basado en agentes. En un artículo ampliamente citado, los modelos lingüísticos agénticos interactuaban en un entorno de pruebas para realizar actividades como planificar fiestas de cumpleaños y celebrar elecciones. [20]

Teoría

La mayoría de las investigaciones sobre modelado computacional describen sistemas en equilibrio o en movimiento entre equilibrios. Sin embargo, el modelado basado en agentes, que utiliza reglas simples, puede dar como resultado diferentes tipos de comportamiento complejo e interesante. Las tres ideas centrales de los modelos basados ​​en agentes son los agentes como objetos, la emergencia y la complejidad .

Los modelos basados ​​en agentes consisten en agentes basados ​​en reglas que interactúan dinámicamente. Los sistemas dentro de los cuales interactúan pueden crear una complejidad similar a la del mundo real. Normalmente, los agentes están situados en el espacio y el tiempo y residen en redes o en vecindarios similares a celosías. La ubicación de los agentes y su comportamiento de respuesta están codificados en forma algorítmica en programas informáticos. En algunos casos, aunque no siempre, los agentes pueden considerarse inteligentes y con un propósito. En el ABM ecológico (a menudo denominados "modelos basados ​​en individuos" en ecología), los agentes pueden, por ejemplo, ser árboles en un bosque y no se considerarían inteligentes, aunque pueden ser "con un propósito" en el sentido de optimizar el acceso a un recurso (como el agua). El proceso de modelado se describe mejor como inductivo . El modelador hace las suposiciones que considera más relevantes para la situación en cuestión y luego observa los fenómenos que surgen de las interacciones de los agentes. A veces, ese resultado es un equilibrio. A veces es un patrón emergente. A veces, sin embargo, es un desbarajuste ininteligible.

En cierto sentido, los modelos basados ​​en agentes complementan los métodos analíticos tradicionales. Mientras que los métodos analíticos permiten a los seres humanos caracterizar los equilibrios de un sistema, los modelos basados ​​en agentes permiten la posibilidad de generar esos equilibrios. Esta contribución generativa puede ser el más común de los beneficios potenciales de los modelos basados ​​en agentes. Los modelos basados ​​en agentes pueden explicar la aparición de patrones de orden superior (estructuras de redes de organizaciones terroristas e Internet, distribuciones de ley de potencia en los tamaños de los atascos de tráfico, las guerras y los desplomes bursátiles, y la segregación social que persiste a pesar de que existen poblaciones de personas tolerantes). Los modelos basados ​​en agentes también pueden utilizarse para identificar puntos de influencia, definidos como momentos en el tiempo en los que las intervenciones tienen consecuencias extremas, y para distinguir entre tipos de dependencia de la trayectoria.

En lugar de centrarse en los estados estables, muchos modelos consideran la robustez de un sistema, es decir, las formas en que los sistemas complejos se adaptan a las presiones internas y externas para mantener sus funcionalidades. La tarea de aprovechar esa complejidad requiere considerar a los propios agentes: su diversidad, conectividad y nivel de interacciones.

Estructura

Trabajos recientes sobre modelado y simulación de sistemas complejos adaptativos han demostrado la necesidad de combinar modelos basados ​​en agentes y redes complejas. [21] [22] [23] describen un marco que consta de cuatro niveles de desarrollo de modelos de sistemas complejos adaptativos descritos utilizando varios estudios de casos multidisciplinarios de ejemplo:

  1. Nivel de modelado de redes complejas para desarrollar modelos utilizando datos de interacción de varios componentes del sistema.
  2. Nivel de modelado basado en agentes exploratorios para desarrollar modelos basados ​​en agentes con el fin de evaluar la viabilidad de futuras investigaciones. Esto puede ser útil, por ejemplo, para desarrollar modelos de prueba de concepto, como por ejemplo para solicitudes de financiación, sin que los investigadores tengan que pasar por una curva de aprendizaje extensa.
  3. Modelado descriptivo basado en agentes (DREAM) para desarrollar descripciones de modelos basados ​​en agentes mediante el uso de plantillas y modelos complejos basados ​​en redes. La creación de modelos DREAM permite la comparación de modelos entre disciplinas científicas.
  4. Modelado validado basado en agentes utilizando el sistema Virtual Overlay Multiagent (VOMAS) para el desarrollo de modelos verificados y validados de manera formal.

Otros métodos para describir modelos basados ​​en agentes incluyen plantillas de código [24] y métodos basados ​​en texto como el protocolo ODD (Descripción general, Conceptos de diseño y Detalles de diseño). [25]

El papel del entorno en el que viven los agentes, tanto macro como micro, [26] también se está convirtiendo en un factor importante en el trabajo de modelado y simulación basado en agentes. Un entorno simple genera agentes simples, pero los entornos complejos generan diversidad de comportamiento. [27]

Modelado multiescala

Una de las ventajas de los modelos basados ​​en agentes es su capacidad para mediar el flujo de información entre escalas. Cuando se necesitan detalles adicionales sobre un agente, un investigador puede integrarlos con modelos que describan los detalles adicionales. Cuando uno está interesado en los comportamientos emergentes demostrados por la población de agentes, puede combinar el modelo basado en agentes con un modelo continuo que describa la dinámica de la población. Por ejemplo, en un estudio sobre células T CD4+ (un tipo de célula clave en el sistema inmunológico adaptativo), [28] los investigadores modelaron fenómenos biológicos que ocurren en diferentes escalas espaciales (intracelular, celular y sistémica), temporales y organizacionales (transducción de señales, regulación genética, metabolismo, comportamientos celulares y transporte de citocinas). En el modelo modular resultante, la transducción de señales y la regulación genética se describen mediante un modelo lógico, el metabolismo mediante modelos basados ​​en restricciones, la dinámica de la población celular se describe mediante un modelo basado en agentes y las concentraciones sistémicas de citocinas mediante ecuaciones diferenciales ordinarias. En este modelo multiescala, el modelo basado en agentes ocupa el lugar central y orquesta cada flujo de información entre escalas.

Aplicaciones

En biología

El modelado basado en agentes se ha utilizado ampliamente en biología, incluido el análisis de la propagación de epidemias , [29] y la amenaza de guerra biológica , aplicaciones biológicas que incluyen dinámica de poblaciones , [30] expresión genética estocástica, [31] interacciones planta-animal, [32] ecología de la vegetación, [33] ecología migratoria, [34] diversidad del paisaje, [35] sociobiología , [36] el crecimiento y declive de civilizaciones antiguas, la evolución del comportamiento etnocéntrico, [37] desplazamiento/migración forzada, [38] dinámica de elección del idioma, [39] modelado cognitivo y aplicaciones biomédicas que incluyen modelado de formación/morfogénesis de tejido mamario en 3D, [40] los efectos de la radiación ionizante en la dinámica de subpoblaciones de células madre mamarias, [41] inflamación, [42] [43] y el sistema inmunológico humano , [44] y la evolución de los comportamientos de búsqueda de alimento. [45] Los modelos basados ​​en agentes también se han utilizado para desarrollar sistemas de apoyo a la toma de decisiones, como en el caso del cáncer de mama. [46] Los modelos basados ​​en agentes se utilizan cada vez más para modelar sistemas farmacológicos en la investigación preclínica y en etapas tempranas para ayudar en el desarrollo de fármacos y obtener conocimientos sobre sistemas biológicos que no serían posibles a priori . [47] También se han evaluado aplicaciones militares. [48] Además, los modelos basados ​​en agentes se han empleado recientemente para estudiar sistemas biológicos a nivel molecular. [49] [50] [51] También se han escrito modelos basados ​​en agentes para describir procesos ecológicos que funcionan en sistemas antiguos, como los de los entornos de los dinosaurios y también en sistemas antiguos más recientes. [52] [53] [54]

En epidemiología

Los modelos basados ​​en agentes ahora complementan los modelos compartimentados tradicionales , el tipo habitual de modelos epidemiológicos. Se ha demostrado que los ABM son superiores a los modelos compartimentados en lo que respecta a la precisión de las predicciones. [55] [56] Recientemente, se han utilizado ABM como CovidSim del epidemiólogo Neil Ferguson para informar intervenciones de salud pública (no farmacéuticas) contra la propagación del SARS-CoV-2 . [57] Los ABM epidemiológicos han sido criticados por simplificar y hacer suposiciones poco realistas. [58] [59] Aun así, pueden ser útiles para informar decisiones sobre medidas de mitigación y supresión en casos en que los ABM estén calibrados con precisión. [60] Los ABM para tales simulaciones se basan principalmente en poblaciones sintéticas , ya que los datos de la población real no siempre están disponibles. [61]

En los negocios, la tecnología y la teoría de redes

Los modelos basados ​​en agentes se han utilizado desde mediados de la década de 1990 para resolver una variedad de problemas comerciales y tecnológicos. Entre los ejemplos de aplicaciones se incluyen el marketing , [66] el comportamiento y la cognición organizacional , [67] el trabajo en equipo , [68] [69] la optimización de la cadena de suministro y la logística, el modelado del comportamiento del consumidor , incluido el boca a boca , los efectos de las redes sociales , la computación distribuida , la gestión de la fuerza laboral y la gestión de carteras . También se han utilizado para analizar la congestión del tráfico . [70]

Recientemente, el modelado y la simulación basados ​​en agentes se han aplicado a varios dominios, como el estudio del impacto de los lugares de publicación por parte de investigadores en el dominio de la informática (revistas versus conferencias). [71] Además, los ABM se han utilizado para simular la entrega de información en entornos asistidos por el ambiente. [72] Un artículo de noviembre de 2016 en arXiv analizó una simulación basada en agentes de publicaciones difundidas en Facebook . [73] En el dominio de las redes peer-to-peer, ad hoc y otras redes autoorganizadas y complejas, se ha demostrado la utilidad del modelado y la simulación basados ​​en agentes. [74] Recientemente se ha demostrado el uso de un marco de especificación formal basado en la informática junto con redes de sensores inalámbricos y una simulación basada en agentes. [75]

La búsqueda o algoritmo evolutivo basado en agentes es un nuevo tema de investigación para resolver problemas de optimización complejos. [76]

En equipo científico

En el ámbito de la ciencia de equipos, se ha utilizado el modelado basado en agentes para evaluar los efectos de las características y los sesgos de los miembros del equipo en el desempeño del equipo en diversos entornos. [77] Al simular interacciones entre agentes (cada uno de los cuales representa a miembros individuales del equipo con rasgos y sesgos distintos), este enfoque de modelado permite a los investigadores explorar cómo estos factores influyen colectivamente en la dinámica y los resultados del desempeño del equipo. En consecuencia, el modelado basado en agentes proporciona una comprensión matizada de la ciencia de equipos, lo que facilita una exploración más profunda de las sutilezas y variabilidades inherentes a las colaboraciones basadas en equipos.

En economía y ciencias sociales

Antes y después de la crisis financiera de 2008 , ha crecido el interés en los ABM como posibles herramientas para el análisis económico. [78] [79] Los ABM no presuponen que la economía puede alcanzar el equilibrio y los " agentes representativos " son reemplazados por agentes con un comportamiento diverso, dinámico e interdependiente, incluido el comportamiento gregario . Los ABM adoptan un enfoque "de abajo hacia arriba" y pueden generar economías simuladas extremadamente complejas y volátiles. Los ABM pueden representar sistemas inestables con crisis y auges que se desarrollan a partir de respuestas no lineales (desproporcionadas) a cambios proporcionalmente pequeños. [80] Un artículo de julio de 2010 en The Economist analizó los ABM como alternativas a los modelos DSGE . [80] La revista Nature también promovió el modelado basado en agentes con un editorial que sugería que los ABM pueden hacer un mejor trabajo de representación de los mercados financieros y otras complejidades económicas que los modelos estándar [81] junto con un ensayo de J. Doyne Farmer y Duncan Foley que argumentaba que los ABM podrían satisfacer tanto los deseos de Keynes de representar una economía compleja como los de Robert Lucas de construir modelos basados ​​en microfundamentos. [82] Farmer y Foley señalaron el progreso que se ha logrado utilizando los ABM para modelar partes de una economía, pero abogaron por la creación de un modelo muy grande que incorpore modelos de bajo nivel. [83] Al modelar un sistema complejo de analistas basado en tres perfiles de comportamiento distintos (imitación, antiimitación e indiferencia) , se simularon los mercados financieros con alta precisión. Los resultados mostraron una correlación entre la morfología de la red y el índice del mercado de valores. [84] Sin embargo, el enfoque ABM ha sido criticado por su falta de solidez entre modelos, donde modelos similares pueden producir resultados muy diferentes. [85] [86]

Los ABM se han utilizado en arquitectura y planificación urbana para evaluar el diseño y simular el flujo peatonal en el entorno urbano [87] y para examinar las aplicaciones de políticas públicas al uso del suelo. [88] También existe un campo creciente de análisis socioeconómico del impacto de la inversión en infraestructura que utiliza la capacidad de los ABM para discernir los impactos sistémicos sobre una red socioeconómica. [89] La heterogeneidad y la dinámica se pueden incorporar fácilmente en los modelos ABM para abordar la desigualdad de la riqueza y la movilidad social. [90]

Los ABM también se han propuesto como herramientas educativas aplicadas para diplomáticos en el campo de las relaciones internacionales [91] y para que los responsables de políticas nacionales e internacionales mejoren su evaluación de las políticas públicas . [92]

El ABM también se está volviendo cada vez más popular en el campo del análisis de sistemas de energía , particularmente en el contexto del modelado del mercado de electricidad . Ejemplos notables de tales modelos incluyen AMIRIS , [93] ASSUME, [94] EMLab , [95] y PowerACE, [96] que facilitan el análisis de los mercados de electricidad en el contexto de la transición en curso hacia las energías renovables .

En la gestión del agua

Los ABM también se han aplicado en la planificación y gestión de recursos hídricos, en particular para explorar, simular y predecir el desempeño del diseño de infraestructura y las decisiones políticas, [97] y para evaluar el valor de la cooperación y el intercambio de información en grandes sistemas de recursos hídricos. [98]

ABM organizacional: simulación dirigida por agentes

La metáfora de simulación dirigida por agentes (ADS) distingue entre dos categorías, a saber, "Sistemas para agentes" y "Agentes para sistemas". [99] Los sistemas para agentes (a veces denominados sistemas de agentes) son sistemas que implementan agentes para su uso en ingeniería, dinámica humana y social , aplicaciones militares y otras. Los agentes para sistemas se dividen en dos subcategorías. Los sistemas soportados por agentes se ocupan del uso de agentes como una instalación de soporte para permitir la asistencia informática en la resolución de problemas o la mejora de las capacidades cognitivas. Los sistemas basados ​​en agentes se centran en el uso de agentes para la generación de comportamiento modelo en una evaluación del sistema (estudios y análisis del sistema).

Coches autónomos

Hallerbach et al. analizaron la aplicación de enfoques basados ​​en agentes para el desarrollo y validación de sistemas de conducción automatizada a través de un gemelo digital del vehículo bajo prueba y una simulación de tráfico microscópica basada en agentes independientes. [100] Waymo ha creado un entorno de simulación multiagente Carcraft para probar algoritmos para coches autónomos . [101] [102] Simula interacciones de tráfico entre conductores humanos, peatones y vehículos automatizados. El comportamiento de las personas es imitado por agentes artificiales basados ​​en datos del comportamiento humano real. La idea básica de utilizar el modelado basado en agentes para comprender los coches autónomos se discutió ya en 2003. [103]

Implementación

Muchos marcos ABM están diseñados para arquitecturas de computadoras seriales de von-Neumann , lo que limita la velocidad y la escalabilidad de los modelos implementados. Dado que el comportamiento emergente en ABM a gran escala depende del tamaño de la población, [104] las restricciones de escalabilidad pueden dificultar la validación del modelo. [105] Estas limitaciones se han abordado principalmente mediante computación distribuida , con marcos como Repast HPC [106] específicamente dedicados a este tipo de implementaciones. Si bien estos enfoques se adaptan bien a las arquitecturas de clúster y supercomputadoras , los problemas relacionados con la comunicación y la sincronización, [107] [108] así como la complejidad de la implementación, [109] siguen siendo obstáculos potenciales para su adopción generalizada.

Un desarrollo reciente es el uso de algoritmos de datos paralelos en unidades de procesamiento gráfico ( GPU) para simulación ABM. [104] [110] [111] El ancho de banda de memoria extremo combinado con la gran potencia de procesamiento numérico de las GPU multiprocesador ha permitido la simulación de millones de agentes a decenas de cuadros por segundo.

Integración con otras formas de modelado

Dado que el modelado basado en agentes es más un marco de modelado que un software o una plataforma en particular, a menudo se ha utilizado junto con otras formas de modelado. Por ejemplo, los modelos basados ​​en agentes también se han combinado con sistemas de información geográfica (SIG). Esto proporciona una combinación útil donde el ABM sirve como modelo de proceso y el sistema SIG puede proporcionar un modelo de patrón. [112] De manera similar, las herramientas de análisis de redes sociales (SNA) y los modelos basados ​​en agentes a veces se integran, donde el ABM se utiliza para simular la dinámica en la red mientras que la herramienta SNA modela y analiza la red de interacciones. [113] Herramientas como GAMA proporcionan una forma natural de integrar la dinámica del sistema y el SIG con el ABM.

Verificación y validación

La verificación y validación (V&V) de los modelos de simulación es extremadamente importante. [114] La verificación implica asegurarse de que el modelo implementado coincida con el modelo conceptual, mientras que la validación asegura que el modelo implementado tenga alguna relación con el mundo real. La validación de apariencias, el análisis de sensibilidad, la calibración y la validación estadística son diferentes aspectos de la validación. [115] Se ha propuesto un enfoque de marco de simulación de eventos discretos para la validación de sistemas basados ​​en agentes. [116] Se puede encontrar un recurso completo sobre la validación empírica de modelos basados ​​en agentes aquí. [117]

Como ejemplo de la técnica V&V, considere VOMAS (sistema multiagente de superposición virtual), [118] un enfoque basado en ingeniería de software, donde se desarrolla un sistema multiagente de superposición virtual junto con el modelo basado en agente. Muazi et al. también proporcionan un ejemplo del uso de VOMAS para la verificación y validación de un modelo de simulación de incendios forestales. [119] [120] Otro método de ingeniería de software, es decir, el desarrollo impulsado por pruebas, se ha adaptado para la validación de modelos basados ​​en agentes. [121] Este enfoque tiene otra ventaja que permite una validación automática utilizando herramientas de prueba unitaria.

Véase también

Referencias

  1. ^ Grimm, Volker; Railsback, Steven F. (2005). Modelado basado en individuos y ecología . Princeton University Press. pág. 485. ISBN 978-0-691-09666-7.
  2. ^ ab Niazi, Muaz; Hussain, Amir (2011). "Computación basada en agentes desde sistemas multiagente hasta modelos basados ​​en agentes: un estudio visual" (PDF) . Scientometrics . 89 (2): 479–499. arXiv : 1708.05872 . doi :10.1007/s11192-011-0468-9. hdl :1893/3378. S2CID  17934527. Archivado desde el original (PDF) el 12 de octubre de 2013.
  3. ^ Gustafsson, Leif; Sternad, Mikael (2010). "Modelado de población consistente a nivel micro, macro y estatal". Ciencias biológicas matemáticas . 225 (2): 94–107. doi :10.1016/j.mbs.2010.02.003. PMID  20171974.
  4. ^ "Modelos de ecosistemas industriales basados ​​en agentes". Universidad Rutgers . 6 de octubre de 2003. Archivado desde el original el 20 de julio de 2011.
  5. ^ Bonabeau, E. (14 de mayo de 2002). "Modelado basado en agentes: métodos y técnicas para simular sistemas humanos". Actas de la Academia Nacional de Ciencias de los Estados Unidos de América . 99 (Supl 3): 7280–7. Bibcode :2002PNAS...99.7280B. doi : 10.1073/pnas.082080899 . PMC 128598 . PMID  12011407. 
  6. ^ Schelling, Thomas C. (1971). «Dynamic Models of Segregation» (PDF) . Revista de sociología matemática . 1 (2): 143–186. doi :10.1080/0022250x.1971.9989794. Archivado (PDF) desde el original el 1 de diciembre de 2016. Consultado el 21 de abril de 2015 .
  7. ^ Hogeweg, Paulien (1983). "La ontogenia de la estructura de interacción en colonias de abejorros: un modelo MIRROR". Ecología del comportamiento y sociobiología . 12 (4): 271–283. Bibcode :1983BEcoS..12..271H. doi :10.1007/BF00302895. S2CID  22530183.
  8. ^ Axelrod, Robert (1997). La complejidad de la cooperación: modelos de competencia y colaboración basados ​​en agentes . Princeton: Princeton University Press. ISBN 978-0-691-01567-5.
  9. ^ Holland, JH; Miller, JH (1991). "Artificial Adaptive Agents in Economic Theory" (PDF) . American Economic Review . 81 (2): 365–71. Archivado desde el original (PDF) el 27 de octubre de 2005.
  10. ^ Newell, Allen (enero de 1982). "El nivel de conocimiento". Inteligencia artificial . 18 (1): 87–127. doi :10.1016/0004-3702(82)90012-1. ISSN  0004-3702. S2CID  40702643.
  11. ^ ab Kohler, Timothy; Gumerman, George (2000). Dinámica en las sociedades humanas y de primates: modelado basado en agentes de procesos sociales y espaciales . Nueva York, Nueva York: Santa Fe Institute y Oxford University Press. ISBN 0-19-513167-3.
  12. ^ Epstein, Joshua M .; Axtell, Robert (11 de octubre de 1996). Sociedades artificiales en crecimiento: ciencia social desde abajo hacia arriba . Brookings Institution Press. pp. 224. ISBN 978-0-262-55025-3.
  13. ^ "Construct". Análisis computacional de sistemas organizacionales sociales. Archivado desde el original el 11 de octubre de 2008. Consultado el 19 de febrero de 2008 .
  14. ^ "Springer Complex Adaptive Systems Modeling Journal (CASM)". Archivado desde el original el 18 de junio de 2012 . Consultado el 1 de julio de 2012 .
  15. ^ Samuelson, Douglas A. (diciembre de 2000). "Designing Organizations". OR/MS Today . Archivado desde el original el 17 de junio de 2019. Consultado el 17 de junio de 2019 .
  16. ^ Samuelson, Douglas A. (febrero de 2005). "Agentes de cambio". OR/MS Today . Archivado desde el original el 17 de junio de 2019. Consultado el 17 de junio de 2019 .
  17. ^ Samuelson, Douglas A.; Macal, Charles M. (agosto de 2006). "Agent-Based Modeling Comes of Age" (El modelado basado en agentes alcanza su madurez). OR/MS Today (OR/MS hoy ). Archivado desde el original el 17 de junio de 2019. Consultado el 17 de junio de 2019 .
  18. ^ Sun, Ron , ed. (marzo de 2006). Cognición e interacción multiagente: del modelado cognitivo a la simulación social. Cambridge University Press . ISBN 978-0-521-83964-8.
  19. ^ "Simposio de UCLA Lake Arrowhead: Historia". uclaarrowheadsymposium.org . Instituto de Estudios de Transporte de UCLA . Consultado el 11 de febrero de 2024 .
  20. ^ Park, Joon Sung; O'Brien, Joseph; Cai, Carrie; Morris, Meredith; Liang, Percey; Bernstein, Michael (2023). "Agentes generativos: simulacros interactivos del comportamiento humano". arXiv : 2304.03442 [cs.HC].
  21. ^ Aditya Kurve; Khashayar Kotobi; George Kesidis (2013). "Un marco basado en agentes para el modelado del rendimiento de un simulador de eventos discretos paralelos optimista". Complex Adaptive Systems Modeling . 1 : 12. doi : 10.1186/2194-3206-1-12 .
  22. ^ Niazi, Muaz AK (30 de junio de 2011). "Hacia un nuevo marco unificado para desarrollar modelos de simulación formales, en red y validados basados ​​en agentes de sistemas adaptativos complejos". hdl :1893/3365. {{cite journal}}: Requiere citar revista |journal=( ayuda ) (Tesis doctoral)
  23. ^ Niazi, MA y Hussain, A (2012), Computación cognitiva basada en agentes-I: un marco unificado para modelar sistemas complejos adaptativos utilizando métodos basados ​​en agentes y redes complejas Computación cognitiva basada en agentes Archivado el 24 de diciembre de 2012 en Wayback Machine .
  24. ^ "Plantillas de código de Swarm para comparación de modelos". Swarm Development Group . Archivado desde el original el 3 de agosto de 2008.
  25. ^ Volker Grimm; Uta Berger; Finn Bastiansen; et al. (15 de septiembre de 2006). "Un protocolo estándar para describir modelos basados ​​en individuos y agentes". Modelado ecológico . 198 (1–2): 115–126. Bibcode :2006EcMod.198..115G. doi :10.1016/j.ecolmodel.2006.04.023. S2CID  11194736.(Documento ODD)
  26. ^ 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, 20-24 de noviembre de 2012, Kobe, Japón. Macro and Micro Environment Archivado el 13 de noviembre de 2013 en Wayback Machine.
  27. ^ Simon, Herbert A. Las ciencias de lo artificial. MIT Press, 1996.
  28. ^ Wertheim, Kenneth Y.; Puniy, Bhanwar Lal; Fleur, Alyssa La; Shah, Ab Rauf; Barberis, Matteo; Helikar, Tomáš (3 de agosto de 2021). "Una plataforma multienfoque y multiescala para modelar la respuesta de las células T CD4+ a las infecciones". PLOS Computational Biology . 17 (8): e1009209. Bibcode :2021PLSCB..17E9209W. doi : 10.1371/journal.pcbi.1009209 . ISSN  1553-7358. PMC 8376204 . PMID  34343169. 
  29. ^ Situngkir, Hokky (2004). "Epidemiología a través de autómatas celulares: caso de estudio de la influenza aviar en Indonesia". arXiv : nlin/0403035 .
  30. ^ Caplat, Paul; Anand, Madhur; Bauch, Chris (10 de marzo de 2008). "La competencia simétrica provoca oscilaciones de población en un modelo individual de dinámica forestal". Ecological Modelling . 211 (3–4): 491–500. Bibcode :2008EcMod.211..491C. doi :10.1016/j.ecolmodel.2007.10.002.
  31. ^ Thomas, Philipp (diciembre de 2019). "Ruido intrínseco y extrínseco de la expresión génica en árboles de linaje". Scientific Reports . 9 (1): 474. Bibcode :2019NatSR...9..474T. doi :10.1038/s41598-018-35927-x. ISSN  2045-2322. PMC 6345792 . PMID  30679440. 
  32. ^ Fedriani JM, T Wiegand, D Ayllón, F Palomares, A Suárez-Esteban y V. Grimm. 2018. Ayuda a los dispersores de semillas a restaurar campos antiguos: un modelo individual de las interacciones entre tejones, zorros y perales ibéricos. Journal of Applied Ecology 55: 600–611.
  33. ^ Ch'ng, E. (2009) Un enfoque de modelado de vegetación basado en vida artificial para la investigación de la biodiversidad, en Informática inspirada en la naturaleza para aplicaciones inteligentes y descubrimiento de conocimientos: implicaciones en los negocios, la ciencia y la ingeniería, R. Chiong, editor. 2009, IGI Global: Hershey, PA. http://complexity.io/Publications/NII-alifeVeg-eCHNG.pdf Archivado el 13 de noviembre de 2013 en Wayback Machine .
  34. ^ Weller, FG; Webb, EB; Beatty, WS; Fogenburg, S.; Kesler, D.; Blenk, RH; Eadie, JM; Ringelman, K.; Miller, ML (2022). Modelado basado en agentes de los movimientos y la selección de hábitat de los ánades reales del centro del continente (informe). Cooperator Science Series. Washington, D. C: Departamento del Interior de los Estados Unidos, Servicio de Pesca y Vida Silvestre. doi :10.3996/css47216360. FWS/CSS-143-2022.
  35. ^ Wirth, E.; Szabó, Gy.; Czinkóczky, A. (7 de junio de 2016). "Medida de la heterogeneidad del paisaje mediante una metodología basada en agentes". Anales de la ISPRS de las ciencias de la fotogrametría, la teledetección y la información espacial . III-8: 145–151. Bibcode :2016ISPAnIII8..145W. doi : 10.5194/isprs-annals-iii-8-145-2016 .
  36. ^ Lima, Francisco WS; Hadzibeganovic, Tarik; Stauffer., Dietrich (2009). "Evolución del etnocentrismo en redes Barabási-Albert dirigidas y no dirigidas". Physica A . 388 (24): 4999–5004. arXiv : 0905.2672 . Código Bibliográfico :2009PhyA..388.4999L. doi :10.1016/j.physa.2009.08.029. S2CID  18233740.
  37. ^ Lima, Francisco WS; Hadzibeganovic, Tarik; Stauffer, Dietrich (2009). "Evolución del etnocentrismo en redes Barabási–Albert dirigidas y no dirigidas". Physica A . 388 (24): 4999–5004. arXiv : 0905.2672 . Código Bibliográfico :2009PhyA..388.4999L. doi :10.1016/j.physa.2009.08.029. S2CID  18233740.
  38. ^ Edwards, Scott (9 de junio de 2009). El caos de la migración forzada: un modelo para alcanzar un fin humanitario . VDM Verlag . pág. 168. ISBN. 978-3-639-16516-6.
  39. ^ Hadzibeganovic, Tarik; Stauffer, Dietrich; Schulze, Christian (2009). "Simulaciones informáticas basadas en agentes de la dinámica de la elección del lenguaje". Anales de la Academia de Ciencias de Nueva York . 1167 (1): 221–229. Bibcode :2009NYASA1167..221H. doi :10.1111/j.1749-6632.2009.04507.x. PMID  19580569. S2CID  32790067.
  40. ^ Tang, Jonathan; Enderling, Heiko ; Becker-Weimann, Sabine; Pham, Christopher; Polyzos, Aris; Chen, Charlie; Costes, Sylvain (2011). "Mapas de transición fenotípica de acinos mamarios en 3D obtenidos mediante modelado basado en agentes guiados por imágenes". Biología Integrativa . 3 (4): 408–21. doi :10.1039/c0ib00092b. PMC 4009383 . PMID  21373705. 
  41. ^ Espiga, Jonathan; Fernando-García, Ignacio; Vijayakumar, Sangeetha; Martínez-Ruis, Haydeliz; Illa-Bochaca, Irineu; Nguyen, David; Mao, Jian-Hua; Costes, Sylvain; Barcellos-Hoff, Mary Helen (2014). "La irradiación de la glándula mamaria juvenil, pero no de la adulta, aumenta la autorrenovación de las células madre y los tumores negativos al receptor de estrógeno". Células madre . 32 (3): 649–61. doi : 10.1002/stem.1533 . PMID  24038768. S2CID  32979016.
  42. ^ Tang, Jonathan; Ley, Klaus; Hunt, C. Anthony (2007). "Dinámica del rodamiento, activación y adhesión de leucocitos in silico". BMC Systems Biology . 1 (14): 14. doi : 10.1186/1752-0509-1-14 . PMC 1839892 . PMID  17408504. 
  43. ^ Tang, Jonathan; Hunt, C. Anthony (2010). "Identificación de las reglas de interacción que permiten el rodamiento, la activación y la adhesión de los leucocitos". PLOS Computational Biology . 6 (2): e1000681. Bibcode :2010PLSCB...6E0681T. doi : 10.1371/journal.pcbi.1000681 . PMC 2824748 . PMID  20174606. 
  44. ^ Castiglione, Filippo; Celada, Franco (2015). Modelado y simulación del sistema inmunológico. CRC Press, Boca Raton. p. 274. ISBN 978-1-4665-9748-8Archivado desde el original el 4 de febrero de 2023 . Consultado el 17 de diciembre de 2017 .
  45. ^ Liang, Tong; Brinkman, Braden AW (14 de marzo de 2022). "Evolución de estrategias conductuales innatas a través de dinámicas poblacionales competitivas". PLOS Computational Biology . 18 (3): e1009934. Bibcode :2022PLSCB..18E9934L. doi : 10.1371/journal.pcbi.1009934 . ISSN  1553-7358. PMC 8947601 . PMID  35286315. 
  46. ^ Siddiqa, Amnah; Niazi, Muaz; Mustafa, Farah; Bokhari, Habib; Hussain, Amir; Akram, Noreen; Shaheen, Shabnum; Ahmed, Fouzia; Iqbal, Sarah (2009). "Un nuevo sistema híbrido de modelado y simulación basado en agentes para el soporte de decisiones en el análisis de datos de cáncer de mama" (PDF) . Conferencia internacional de 2009 sobre tecnologías de la información y la comunicación . págs. 134–139. doi :10.1109/ICICT.2009.5267202. ISBN. 978-1-4244-4608-7. S2CID  14433449. Archivado desde el original (PDF) el 14 de junio de 2011.(DSS de cáncer de mama)
  47. ^ Butler, James; Cosgrove, Jason; Alden, Kieran; Read, Mark; Kumar, Vipin; Cucurull-Sanchez, Lourdes; Timmis, Jon; Coles, Mark (2015). "Modelado basado en agentes en farmacología de sistemas". CPT: Farmacometría y farmacología de sistemas . 4 (11): 615–629. doi :10.1002/psp4.12018. PMC 4716580 . PMID  26783498. 
  48. ^ Barathy, Gnana; Yilmaz, Levent; Tolk, Andreas (marzo de 2012). "Simulación dirigida por agentes para modelado de combate y simulación distribuida". Principios de ingeniería de modelado de combate y simulación distribuida . Hoboken, NJ: Wiley . págs. 669–714. doi :10.1002/9781118180310.ch27. ISBN . 9781118180310.
  49. ^ Azimi, Mohammad; Jamali, Yousef; Mofrad, Mohammad RK (2011). "Explicación de la difusión en modelos basados ​​en agentes de sistemas de reacción-difusión con aplicación a la difusión citoesquelética". PLOS ONE . ​​6 (9): e25306. Bibcode :2011PLoSO...625306A. doi : 10.1371/journal.pone.0025306 . PMC 3179499 . PMID  21966493. 
  50. ^ Azimi, Mohammad; Mofrad, Mohammad RK (2013). "Mayor afinidad de la nucleoporina-importinaβ en la cesta nuclear aumenta la importación nucleocitoplasmática". PLOS ONE . ​​8 (11): e81741. Bibcode :2013PLoSO...881741A. doi : 10.1371/journal.pone.0081741 . PMC 3840022 . PMID  24282617. 
  51. ^ Azimi, Mohammad; Bulat, Evgeny; Weis, Karsten; Mofrad, Mohammad RK (5 de noviembre de 2014). "Un modelo basado en agentes para la exportación de ARNm a través del complejo de poro nuclear". Biología molecular de la célula . 25 (22): 3643–3653. doi :10.1091/mbc.E14-06-1065. PMC 4230623 . PMID  25253717. 
  52. ^ Pahl, Cameron C.; Ruedas, Luis (2021). "Carnosaurios como carroñeros del ápice: simulaciones basadas en agentes revelan posibles análogos de los buitres en los dinosaurios del Jurásico tardío". Ecological Modelling . 458 : 109706. Bibcode :2021EcMod.45809706P. doi :10.1016/j.ecolmodel.2021.109706.
  53. ^ Volmer; et al. (2017). "¿Panthera pardus (Linnaeus, 1758) se extinguió en Sumatra debido a la competencia por las presas? Modelado de la competencia interespecífica dentro del gremio de carnívoros del Pleistoceno Tardío de las Tierras Altas de Padang, Sumatra". Paleogeografía, Paleoclimatología, Paleoecología . 487 : 175–186. Bibcode :2017PPP...487..175V. doi :10.1016/j.palaeo.2017.08.032.
  54. ^ Hagen, Oskar; Flück, Benjamin; Fopp, Fabian; Cabral, Juliano C.; Hartig, Florian; Pontarp, Mikael; Rangel, Thiago F.; Pellissier, Loïc (2021). "gen3sis: Un motor general para simulaciones ecoevolutivas de los procesos que dan forma a la biodiversidad de la Tierra". PLOS Biology . 19 (7): e3001340. doi : 10.1371/journal.pbio.3001340 . PMC 8384074 . PMID  34252071. S2CID  235807562. 
  55. ^ Eisinger, Dirk; Thulke, Hans-Hermann (1 de abril de 2008). "La formación de patrones espaciales facilita la erradicación de enfermedades infecciosas". The Journal of Applied Ecology . 45 (2): 415–423. Bibcode :2008JApEc..45..415E. doi :10.1111/j.1365-2664.2007.01439.x. ISSN  0021-8901. PMC 2326892 . PMID  18784795. 
  56. ^ Railsback, Steven F.; Grimm, Volker (26 de marzo de 2019). Modelado basado en agentes y en individuos. Princeton University Press. ISBN 978-0-691-19082-2Archivado del original el 24 de octubre de 2020 . Consultado el 19 de octubre de 2020 .
  57. ^ Adam, David (2 de abril de 2020). "Informe especial: Las simulaciones que impulsan la respuesta mundial al COVID-19". Nature . 580 (7803): 316–318. Bibcode :2020Natur.580..316A. doi :10.1038/d41586-020-01003-6. PMID  32242115. S2CID  214771531.
  58. ^ Sridhar, Devi; Majumder, Maimuna S. (21 de abril de 2020). "Modelar la pandemia". BMJ . 369 : m1567. doi : 10.1136/bmj.m1567 . ISSN  1756-1833. PMID  32317328. S2CID  216074714. Archivado desde el original el 16 de mayo de 2021 . Consultado el 19 de octubre de 2020 .
  59. ^ Squazzoni, Flaminio; Polhill, J. Gareth; Edmonds, Bruce; Ahrweiler, Petra; Antosz, Patrycja; Scholz, Geeske; Chappin, Émile; Borit, Melania; Verhagen, Harko; Giardini, Francesca; Gilbert, Nigel (2020). "Modelos computacionales que importan durante un brote pandémico global: un llamado a la acción". Revista de sociedades artificiales y simulación social . 23 (2): 10. doi : 10.18564/jasss.4298 . hdl : 10037/19057 . ISSN  1460-7425. S2CID  216426533. Archivado desde el original el 24 de febrero de 2021 . Consultado el 19 de octubre de 2020 .
  60. ^ Maziarz, Mariusz; Zach, Martin (2020). "Modelado basado en agentes para la predicción de epidemias de SARS-CoV-2 y evaluación de intervenciones: una evaluación metodológica". Revista de evaluación en la práctica clínica . 26 (5): 1352–1360. doi :10.1111/jep.13459. ISSN  1365-2753. PMC 7461315 . PMID  32820573. 
  61. ^ Manout, O.; Ciari, F. (2021). "Evaluación del papel de las actividades diarias y la movilidad en la propagación de COVID-19 en Montreal con un enfoque basado en agentes". Frontiers in Built Environment . 7 . doi : 10.3389/fbuil.2021.654279 .
  62. ^ Kerr, Cliff; et al. (2021), "Covasim: un modelo basado en agentes de la dinámica y las intervenciones de la COVID-19", medRxiv , vol. 17, núm. 7, pp. e1009149, Bibcode :2021PLSCB..17E9149K, doi : 10.1371/journal.pcbi.1009149 , PMC 8341708 , PMID  34310589 
  63. ^ Hinch, Robert; et al. (2021), "OpenABM-Covid19: un modelo basado en agentes para intervenciones no farmacéuticas contra la COVID-19, incluido el rastreo de contactos", PLOS Computational Biology , 17 (7): e1009146, Bibcode :2021PLSCB..17E9146H, doi : 10.1371/journal.pcbi.1009146 , PMC 8328312 , PMID  34252083 
  64. ^ Shattock, Andrew; Le Rutte, Epke; et al. (2021), "Impacto de la vacunación y las intervenciones no farmacéuticas en la dinámica del SARS-CoV-2 en Suiza", Epidemics , 38 (7): 100535, Bibcode :2021PLSCB..17E9146H, doi :10.1016/j.epidem.2021.100535, PMC 8669952 , PMID  34923396 
  65. ^ "Repositorio Git con código fuente de acceso abierto para OpenCOVID". GitHub . Swiss TPH. 31 de enero de 2022. Archivado desde el original el 15 de febrero de 2022 . Consultado el 15 de febrero de 2022 .
  66. ^ Rand, William; Rust, Roland T. (2011). "Modelado basado en agentes en marketing: directrices para el rigor". Revista internacional de investigación en marketing . 28 (3): 181–193. doi :10.1016/j.ijresmar.2011.04.002.
  67. ^ Hughes, HPN; Clegg, CW; Robinson, MA; Crowder, RM (2012). "Modelado y simulación basados ​​en agentes: la posible contribución a la psicología organizacional". Revista de psicología ocupacional y organizacional . 85 (3): 487–502. doi :10.1111/j.2044-8325.2012.02053.x.
  68. ^ Boroomand, Amin (2021). "Trabajo duro, toma de riesgos y diversidad en un modelo de resolución colectiva de problemas". Revista de sociedades artificiales y simulación social . 24 (4). doi :10.18564/jasss.4704.
  69. ^ Crowder, RM; Robinson, MA; Hughes, HPN; Sim, YW (2012). "El desarrollo de un marco de modelado basado en agentes para simular el trabajo en equipo de ingeniería". IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans . 42 (6): 1425–1439. doi :10.1109/TSMCA.2012.2199304. S2CID  7985332.
  70. ^ "Aplicación de la tecnología de agentes a la simulación de tráfico". Departamento de Transporte de los Estados Unidos . 15 de mayo de 2007. Archivado desde el original el 1 de enero de 2011. Consultado el 31 de octubre de 2007 .
  71. ^ Niazi, M.; Baig, AR; Hussain, A.; Bhatti, S. (2008). "Simulación del proceso de investigación" (PDF) . En Mason, S.; Hill, R.; Mönch, L.; Rose, O.; Jefferson, T.; Fowler, JW (eds.). Conferencia de simulación de invierno de 2008 . págs. 1326–1334. doi :10.1109/WSC.2008.4736206. hdl :1893/3203. ISBN 978-1-4244-2707-9. S2CID  6597668. Archivado (PDF) del original el 1 de junio de 2011 . Consultado el 7 de junio de 2009 .
  72. ^ Niazi, Muaz A. (2008). "Arquitectura de distribución de contenido personalizada y autoorganizada para entornos asistidos por el entorno" (PDF) . Actas del tercer taller internacional sobre el uso de P2P, redes y agentes para el desarrollo de redes de contenido . pp. 45–54. doi :10.1145/1384209.1384218. ISBN . 9781605581552. S2CID  16916130. Archivado desde el original (PDF) el 14 de junio de 2011.
  73. ^ Nasrinpour, Hamid Reza; Friesen, Marcia R.; McLeod, Robert D. (22 de noviembre de 2016). "Un modelo basado en agentes de propagación de mensajes en la red social electrónica Facebook". arXiv : 1611.07454 [cs.SI].
  74. ^ Niazi, Muaz; Hussain, Amir (marzo de 2009). "Herramientas basadas en agentes para el modelado y simulación de la autoorganización en redes punto a punto, ad hoc y otras redes complejas" (PDF) . Revista IEEE Communications . 47 (3): 163–173. doi :10.1109/MCOM.2009.4804403. hdl :1893/2423. S2CID  23449913. Archivado desde el original (PDF) el 4 de diciembre de 2010.
  75. ^ Niazi, Muaz; Hussain, Amir (2011). "Un nuevo marco de simulación basado en agentes para la detección en entornos complejos adaptativos" (PDF) . IEEE Sensors Journal . 11 (2): 404–412. arXiv : 1708.05875 . Bibcode :2011ISenJ..11..404N. doi :10.1109/JSEN.2010.2068044. hdl :1893/3398. S2CID  15367419. Archivado desde el original (PDF) el 25 de julio de 2011.
  76. ^ Sarker, RA; Ray, T. (2010). "Enfoque evolutivo basado en agentes: una introducción". Búsqueda evolutiva basada en agentes . Adaptación, aprendizaje y optimización. Vol. 5. págs. 1–11. doi :10.1007/978-3-642-13425-8_1. ISBN 978-3-642-13424-1.
  77. ^ Boroomand, Amin; Smaldino, Paul E. (2023). "El sesgo de superioridad y el ruido de comunicación pueden mejorar la resolución colectiva de problemas". Revista de sociedades artificiales y simulación social . 26 (3). doi : 10.18564/jasss.5154 .
  78. ^ Page, Scott E. (2008). Agent-Based Models (2.ª ed.). Archivado desde el original el 10 de febrero de 2018. Consultado el 3 de octubre de 2011 . {{cite book}}: |work=ignorado ( ayuda )
  79. ^ Testfatsion, Leigh ; Judd, Kenneth , eds. (mayo de 2006). Handbook of Computational Economics. Vol. 2. Elsevier . pág. 904. ISBN. 978-0-444-51253-6Archivado desde el original el 6 de marzo de 2012 . Consultado el 29 de enero de 2012 .(Vista previa del capítulo)
  80. ^ ab "Agentes de cambio". The Economist . 22 de julio de 2010. Archivado desde el original el 23 de enero de 2011 . Consultado el 16 de febrero de 2011 .
  81. ^ "Un enfoque modelo". Nature . 460 (7256): 667. 6 de agosto de 2009. Bibcode :2009Natur.460Q.667.. doi : 10.1038/460667a . PMID  19661863.
  82. ^ Farmer y Foley 2009, pág. 685.
  83. ^ Farmer y Foley 2009, pág. 686.
  84. ^ Stefan, F., y Atman, A. (2015). ¿Existe alguna conexión entre la morfología de la red y las fluctuaciones del índice bursátil? Physica A: Mecánica estadística y sus aplicaciones, (419), 630-641.
  85. ^ Dawid, Herbert; Gatti, Delli (enero de 2018). "Macroeconomía basada en agentes". Handbook of Computational Economics . 4 : 63–156. doi :10.1016/bs.hescom.2018.02.006.
  86. ^ Rand, William; Rust, Roland T. (julio de 2011). "Modelado basado en agentes en marketing: directrices para el rigor". Revista internacional de investigación en marketing . 28 (3): 181–193. doi :10.1016/j.ijresmar.2011.04.002.
  87. ^ Aschwanden, RGPD; Wullschleger, Tobías; Müller, Hanspeter; Schmitt, Gerhard (2009). "Evaluación de modelos de ciudad 3D mediante agentes urbanos colocados automáticamente". Automatización en la Construcción . 22 : 81–89. doi :10.1016/j.autcon.2011.07.001.
  88. ^ Brown, Daniel G.; Page, Scott E.; Zellner, Moira; Rand, William (2005). "Dependencia de la trayectoria y validación de modelos espaciales basados ​​en agentes del uso de la tierra". Revista Internacional de Ciencias de la Información Geográfica . 19 (2): 153–174. Bibcode :2005IJGIS..19..153B. doi : 10.1080/13658810410001713399 .
  89. ^ Smetanin, Paul; Stiff, David (2015). Invertir en la infraestructura pública de Ontario: una perspectiva de prosperidad en riesgo, con un análisis del área metropolitana de Toronto y Hamilton (PDF) (Informe). Centro Canadiense de Análisis Económico. Archivado (PDF) del original el 18 de noviembre de 2016 . Consultado el 17 de noviembre de 2016 .
  90. ^ Yang, Xiaoliang; Zhou, Peng (abril de 2022). "Desigualdad de riqueza y movilidad social: un enfoque de modelado basado en simulación". Journal of Economic Behavior & Organization . 196 : 307–329. doi : 10.1016/j.jebo.2022.02.012 . hdl : 10419/261231 . S2CID  247143315.
  91. ^ Butcher, Charity; Njonguo, Edwin (22 de diciembre de 2021). "Simulando la diplomacia: ¿ayuda para el aprendizaje o negocio como siempre?". Revista de Educación en Ciencias Políticas . 17 (sup1): 185–203. doi :10.1080/15512169.2020.1803080. ISSN  1551-2169.
  92. ^ Gilbert, Nigel; Ahrweiler, Petra; Barbrook-Johnson, Pete; Narasimhan, Kavin Preethi; Wilkinson, Helen (2018). "Modelado computacional de políticas públicas: reflexiones sobre la práctica". Revista de sociedades artificiales y simulación social . 21 (1). doi :10.18564/jasss.3669. hdl : 10044/1/102075 . ISSN  1460-7425.
  93. ^ Schimeczek, Christoph; Nienhaus, Kristina; Frey, Ulrich; Sperber, Evelyn; Sarfarazi, Seyedfarzad; Nitsch, Felix; Kochems, Johannes; Ghazi, A. Achraf El (17 de abril de 2023). "AMIRIS: Modelo de mercado basado en agentes para la investigación de sistemas de energía renovable e integrados". Revista de software de código abierto . 8 (84): 5041. doi :10.21105/joss.05041. ISSN  2475-9066.
  94. ^ Harder, Nick; Qussous, Ramiz; Weidlich, Anke (1 de octubre de 2023). "Apto para el propósito: modelado realista de los mercados mayoristas de electricidad con aprendizaje de refuerzo profundo multiagente". Energía e IA . 14 : 100295. doi : 10.1016/j.egyai.2023.100295 . ISSN  2666-5468.
  95. ^ Jiménez, I. Sánchez; Ribó-Pérez, D.; Cvetkovic, M.; Kochems, J.; Schimeczek, C.; de Vries, LJ (15 de abril de 2024). "¿Puede un mercado de energía únicamente permitir la adecuación de recursos en un sistema eléctrico descarbonizado? Una co-simulación con dos modelos basados ​​en agentes". Applied Energy . 360 : 122695. doi :10.1016/j.apenergy.2024.122695. ISSN  0306-2619.
  96. ^ Fraunholz, Christoph (2021). «Diseño de mercado para la transición a sistemas de electricidad renovable». publikationen.bibliothek.kit.edu (en alemán). doi :10.5445/ir/1000133282 . Consultado el 13 de agosto de 2024 .
  97. ^ Berglund, Emily Zechman (noviembre de 2015). "Uso de modelos basados ​​en agentes para la planificación y gestión de recursos hídricos". Revista de planificación y gestión de recursos hídricos . 141 (11): 04015025. doi :10.1061/(ASCE)WR.1943-5452.0000544. ISSN  0733-9496. Archivado desde el original el 19 de enero de 2022. Consultado el 18 de septiembre de 2021 .
  98. ^ Giuliani, M.; Castelletti, A. (julio de 2013). "Evaluación del valor de la cooperación y el intercambio de información en grandes sistemas de recursos hídricos mediante optimización basada en agentes: marco MAS para grandes sistemas de recursos hídricos". Investigación de recursos hídricos . 49 (7): 3912–3926. doi : 10.1002/wrcr.20287 . S2CID  128659104.
  99. ^ "Simulación dirigida por agentes". Archivado desde el original el 27 de septiembre de 2011 . Consultado el 9 de agosto de 2011 .
  100. ^ Hallerbach, S.; Xia, Y.; Eberle, U.; Koester, F. (2018). "Identificación basada en simulación de escenarios críticos para vehículos cooperativos y automatizados". Revista internacional SAE de vehículos conectados y automatizados . 1 (2). SAE International: 93–106. doi :10.4271/2018-01-1066.
  101. ^ Madrigal, relato de Alexis C. «Dentro del mundo secreto de Waymo para el entrenamiento de coches autónomos». The Atlantic . Archivado desde el original el 14 de agosto de 2020. Consultado el 14 de agosto de 2020 .
  102. ^ Connors, J.; Graham, S.; Mailloux, L. (2018). "Modelado cibernético sintético para aplicaciones de vehículo a vehículo". Conferencia internacional sobre ciberguerra y seguridad . Academic Conferences International Limited: 594-XI.
  103. ^ Yang, Guoqing; Wu, Zhaohui; Li, Xiumei; Chen, Wei (2003). "SVE: Entorno de vehículo inteligente basado en agente integrado". Actas de la Conferencia Internacional IEEE de 2003 sobre Sistemas de Transporte Inteligente . Vol. 2. págs. 1745–1749 vol.2. doi :10.1109/ITSC.2003.1252782. ISBN 0-7803-8125-4. S2CID  110177067. Archivado desde el original el 31 de enero de 2022 . Consultado el 19 de agosto de 2021 .
  104. ^ ab Lysenko, Mikola; D'Souza, Roshan M. (2008). "Un marco para simulaciones de modelos basados ​​en agentes a gran escala en unidades de procesamiento gráfico". Journal of Artificial Societies and Social Simulation . 11 (4): 10. ISSN  1460-7425. Archivado desde el original el 26 de abril de 2019 . Consultado el 16 de abril de 2019 .
  105. ^ Gulyás, László; Szemes, Gábor; Kampis, George; de ​​Back, Walter (2009). "A Modeler-Friendly API for ABM Partitioning". Actas de las Conferencias técnicas internacionales de ingeniería de diseño ASME 2009 y la Conferencia sobre informática e información en ingeniería IDETC/CIE 2009. 2. San Diego, California, EE. UU.: 219–226. Archivado desde el original el 16 de abril de 2019. Consultado el 16 de abril de 2019 .
  106. ^ Collier, N.; North, M. (2013). "Simulación basada en agente paralelo con Repast para computación de alto rendimiento". Simulación . 89 (10): 1215–1235. doi :10.1177/0037549712462620. S2CID  29255621.
  107. ^ Fujimoto, R. (2015). "Simulación paralela y distribuida". Conferencia de simulación de invierno de 2015 (WSC) . Huntington Beach, CA, EE. UU., págs. 45-59. doi :10.1109/WSC.2015.7408152. ISBN 978-1-4673-9743-8. S2CID  264924790. Archivado desde el original el 4 de febrero de 2023 . Consultado el 6 de septiembre de 2020 .{{cite book}}: Mantenimiento de CS1: falta la ubicación del editor ( enlace )
  108. ^ Shook, E.; Wang, S.; Tang, W. (2013). "Un marco de trabajo consciente de la comunicación para modelos paralelos espacialmente explícitos basados ​​en agentes". Revista Internacional de Ciencias de la Información Geográfica . 27 (11). Taylor & Francis: 2160–2181. Bibcode :2013IJGIS..27.2160S. doi :10.1080/13658816.2013.771740. S2CID  41702653.
  109. ^ Jonas, E.; Pu, Q.; Venkataraman, S.; Stoica, I.; Recht, B. (2017). "Ocupar la nube: Computación distribuida para el 99%". Actas del Simposio de 2017 sobre Computación en la Nube . ACM. págs. 445–451. arXiv : 1702.04024 . doi :10.1145/3127479.3128601. ISBN . 978-1-4503-5028-0.S2CID854354  .​
  110. ^ Isaac Rudomin; et al. (2006). "Grandes multitudes en la GPU". Instituto Tecnológico y de Estudios Superiores de Monterrey . Archivado desde el original el 11 de enero de 2014.
  111. ^ Richmond, Paul; Romano, Daniela M. (2008). "GPU basada en agente, un marco de simulación 3D en tiempo real y visualización interactiva para el modelado masivo basado en agente en la GPU" (PDF) . Actas del Taller internacional sobre supervisualización (IWSV08) . Archivado desde el original (PDF) el 15 de enero de 2009. Consultado el 27 de abril de 2012 .
  112. ^ Brown, Daniel G.; Riolo, Rick; Robinson, Derek T.; North, Michael; Rand, William (2005). "Procesos espaciales y modelos de datos: hacia la integración de modelos basados ​​en agentes y SIG". Revista de sistemas geográficos . 7 (1). Springer: 25–47. Bibcode :2005JGS.....7...25B. doi :10.1007/s10109-005-0148-5. hdl : 2027.42/47930 . S2CID  14059768.
  113. ^ Zhang, J.; Tong, L.; Lamberson, PJ; Durazo-Arvizu, RA; Luke, A.; Shoham, DA (2015). "Aprovechamiento de la influencia social para abordar el sobrepeso y la obesidad mediante modelos basados ​​en agentes: el papel de las redes sociales de los adolescentes". Ciencias sociales y medicina . 125 . Elsevier BV: 203–213. doi :10.1016/j.socscimed.2014.05.049. ISSN  0277-9536. PMC 4306600 . PMID  24951404. 
  114. ^ Sargent, RG (2000). "Verificación, validación y acreditación de modelos de simulación". Actas de la Conferencia de Simulación de Invierno de 2000 (Cat. N.º 00CH37165) . Vol. 1. págs. 50–59. CiteSeerX 10.1.1.17.438 . doi :10.1109/WSC.2000.899697. ISBN.  978-0-7803-6579-7.S2CID 57059217  .
  115. ^ Klügl, F. (2008). "Una metodología de validación para simulaciones basadas en agentes". Actas del simposio ACM 2008 sobre computación aplicada - SAC '08 . págs. 39–43. doi :10.1145/1363686.1363696. ISBN 9781595937537.S2CID 9450992  .
  116. ^ Fortino, G.; Garro, A.; Russo, W. (2005). "Un marco de simulación de eventos discretos para la validación de sistemas multiagente y basados ​​en agentes" (PDF) . Archivado (PDF) desde el original el 26 de junio de 2011 . Consultado el 27 de septiembre de 2009 . {{cite journal}}: Requiere citar revista |journal=( ayuda )
  117. ^ Tesfatsion, Leigh. "Empirical Validation: Agent-Based Computational Economics". Universidad Estatal de Iowa . Archivado desde el original el 26 de junio de 2020. Consultado el 24 de junio de 2020 .
  118. ^ Niazi, Muaz; Hussain, Amir; Kolberg, Mario. "Verificación y validación de simulaciones basadas en agentes utilizando el enfoque VOMAS" (PDF) . Actas del tercer taller sobre sistemas multiagente y simulación '09 (MASS '09), como parte de MALLOW 09, 7 al 11 de septiembre de 2009, Turín, Italia . Archivado desde el original (PDF) el 14 de junio de 2011.
  119. ^ Niazi, Muaz; Siddique, Qasim; Hussain, Amir; Kolberg, Mario (11-15 de abril de 2010). "Verificación y validación de un modelo de simulación de incendios forestales basado en agentes" (PDF) . Actas del Simposio de simulación dirigida por agentes de 2010, como parte de la multiconferencia de simulación de primavera de ACM SCS : 142-149. Archivado desde el original (PDF) el 25 de julio de 2011.
  120. ^ Niazi, Muaz AK (11 de junio de 2011). "Hacia un nuevo marco unificado para desarrollar modelos de simulación formales, en red y validados basados ​​en agentes de sistemas adaptativos complejos". Universidad de Stirling . hdl :1893/3365. {{cite journal}}: Requiere citar revista |journal=( ayuda ) Tesis de doctorado
  121. ^ Onggo, BS; Karatas, M. (2016). «Modelado de simulación basado en pruebas: un estudio de caso utilizando simulación de operaciones de búsqueda marítima basada en agentes». Revista Europea de Investigación Operativa . 254 (2): 517–531. doi :10.1016/j.ejor.2016.03.050. Archivado desde el original el 30 de junio de 2020.

General

Enlaces externos

Artículos/Información general

Modelos de simulación