اتوماتای سلولی مبتنی بر عامل — شبیهسازی فضایی ترکیبی پدیدههای نوظهور
- معرفیشده توسط
- Wolfram, S.; Epstein, J. M. & Axtell, R.
- سال
- 1986–1996
- نوع
- Hybrid spatial simulation
- خانواده
- Simulation / optimization
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
اتوماتای سلولی مبتنی بر عامل (ABCA) یک چارچوب شبیهسازی ترکیبی است که قوانین انتقال محلی اتوماتای سلولی را با منطق رفتاری خودمختار مدلسازی مبتنی بر عامل ادغام میکند. سلولها در یک شبکه فضایی هم بر اساس قوانین همسایگی تکامل مییابند و هم میزبان عواملی هستند که ادراک، تصمیمگیری و عمل میکنند و امکان مطالعه پدیدههای فضایی پیچیده مانند تغییر کاربری اراضی، گسترش بیماری، پویایی جمعیت و تکامل اکوسیستم را فراهم میآورند.
شهود پشت روش
یک صفحه شطرنج را تصور کنید که در آن هر مربع بر اساس رنگ همسایگانش تغییر رنگ میدهد (اتوماتای سلولی)، اما همچنین حاوی مهرههای شطرنجی است که حرکت میکنند، تعامل دارند و به وضعیت صفحه واکنش نشان میدهند (عوامل). هیچ یک از این مکانیسمها به تنهایی تصویر کاملی را ارائه نمیدهند: قوانین CA تغییرات محیطی را هدایت میکنند، در حالی که عوامل رفتار ناهمگن و انطباقی را معرفی میکنند. این دو با هم الگوهای نوظهور غنی را تولید میکنند که هیچ مدلی به تنهایی قادر به تولید آن نیست. این دوگانگی ABCA را به ویژه برای سیستمهایی که در آنها فضا، محیط و تصمیمگیری فردی همگی با هم تکامل مییابند، قدرتمند میسازد.
تاریخ
اتوماتای سلولی توسط فون نویمان و اولام در دهه ۱۹۵۰ فرموله شد و توسط مطالعات محاسباتی جامع وولفرام (۱۹۸۶، ۲۰۰۲) محبوبیت یافت. مدلسازی مبتنی بر عامل از طریق مدل تفکیک شلینگ (۱۹۷۱) و شوگراسکی اپستین و اکستل (۱۹۹۶) برجسته شد. چارچوب ترکیبی ABCA در دهه ۱۹۹۰ از طریق کارهای شبیهسازی فضایی در بومشناسی و جغرافیای شهری ظهور کرد، جایی که محققان تشخیص دادند که جفت کردن قوانین CA محلی با عوامل انطباقی، پیچیدگی دنیای واقعی را بهتر ثبت میکند.
چه زمانی استفاده شود
زمانی از ABCA استفاده کنید که سؤال تحقیق شما شامل یک محیط فضایی است که طبق قوانین محلی تکامل مییابد و بازیگران خودمختار که تصمیمات فردی آنها به آن محیط بازخورد میدهد. کاربردهای ایدهآل شامل مدلسازی رشد شهری، گسترش اپیدمی با پاسخهای رفتاری، تغییر کاربری اراضی اکولوژیکی، تخلیه جمعیت و تابآوری زیرساختها است. از ABCA زمانی استفاده نکنید که سیستم فاقد ساختار فضایی معنیدار است (به جای آن از ABM خالص استفاده کنید)، زمانی که تمام پویاییها همگن و از بالا به پایین هستند (از دینامیک سیستم استفاده کنید)، زمانی که منابع محاسباتی بسیار محدود هستند (مدلهای ABCA مقیاسپذیری ضعیفی دارند)، یا زمانی که به نتایج تحلیلی فرم بسته به جای خروجیهای شبیهسازی نیاز دارید.
محدودیتها و ملاحظات
- هزینه محاسباتی با افزایش اندازه شبکه، تعداد عوامل و طول شبیهسازی به سرعت افزایش مییابد و مدلهای در مقیاس بزرگ را نیازمند منابع زیادی میسازد.
- کالیبراسیون و اعتبارسنجی غیر بدیهی هستند: تطبیق خروجیهای کلان با الگوهای تجربی نیازمند تخمین دقیق پارامتر و مدلسازی مبتنی بر الگو است.
- رفتار مدل میتواند به توپولوژی شبکه، طول گام زمانی و ترتیب اعمال قوانین حساس باشد و نیازمند مستندسازی دقیق است.
- نتایج خروجیهای شبیهسازی هستند، نه اثباتهای تحلیلی؛ خلاصههای آماری برای توصیف قابل اعتماد توزیعهای خروجی به تکرارهای زیادی نیاز دارند.
- ارتباط منطق مدل و علیت نوظهور به مخاطبان غیرمتخصص چالشبرانگیز است.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- جفتشدگی دوطرفه بین محیط و رفتار فردی را ثبت میکند و الگوهای نوظهوری را تولید میکند که هیچکدام از CA یا ABM به تنهایی قادر به تولید آن نیستند.
- به طور طبیعی ناهمگنی فضایی و محدودیتهای جغرافیایی را کدگذاری میکند و آن را مستقیماً با دادههای GIS سازگار میسازد.
- از مشخصات قوانین تصادفی یا قطعی پشتیبانی میکند و امکان تحلیل حساسیت در برابر عدم قطعیت پارامتر را فراهم میآورد.
- مقیاسپذیری در وضوح: اندازه سلول شبکه و جمعیت عامل را میتوان برای متعادل کردن هزینه محاسباتی و وفاداری نمایشی تنظیم کرد.
- برای تولید مقایسههای سناریوی قابل قبول تحت مداخلات سیاستی یا شرایط اولیه مختلف، مناسب است.
کاربردها
- مدلسازی گسترش شهری و تغییر کاربری اراضی با استفاده از شبکههای GIS رستری با عوامل خانوار و توسعهدهنده.
- شبیهسازی گسترش اپیدمی که در آن انتقال بیماری از قوانین انتشار CA پیروی میکند و افراد رفتارهای حفاظتی را اتخاذ میکنند.
- برنامهریزی تخلیه جمعیت با عوامل پیادهرو که در شبکههای مانع و در دسترس بودن خروجی که به صورت پویا بهروز میشوند، حرکت میکنند.
- مدلهای اکوسیستم و آتشسوزی جنگل که در آن وضعیت پوشش گیاهی از قوانین جانشینی CA پیروی میکند و عوامل شکارچی یا آتشافروز با زیست توده گیاهی تعامل دارند.
- جریان ترافیک و هماهنگی وسایل نقلیه خودران در شبکههای جادهای با عوامل راننده فردی.
- مطالعات تفکیک اجتماعی و تشکیل محله که قوانین ترجیح فضایی را با عوامل تحرک فردی ترکیب میکند.
چگونه کار میکند
چگونه کار میکند
شبکه فضایی (لتیس) را با مشخص کردن اندازه سلول، توپولوژی (منظم، نامنظم، یا مبتنی بر شبکه) و متغیرهای حالتی که هر سلول حمل میکند (مانند نوع پوشش زمین، سطح منابع، آلودگی) تعریف کنید. همزمان انواع عوامل را با ویژگیهایشان (مکان، انرژی، حافظه) و قوانین جفتشدگی محیط-عامل که تعیین میکند عوامل چگونه وضعیت سلولها را میخوانند و مینویسند، تعریف کنید.
وضعیتهای اولیه سلول را در سراسر شبکه، معمولاً از دادههای تجربی، نقشهها، یا توزیعهای تصادفی کالیبره شده با شرایط مشاهده شده، اختصاص دهید. عوامل را بر اساس توزیع اولیه جمعیت روی شبکه قرار دهید. پارامترهای مدل مانند طول گام زمانی، شعاع همسایگی (مور یا ون نویمان) و پارامترهای رفتاری عامل را تنظیم کنید.
در هر گام زمانی، قوانین انتقال محلی را برای بهروزرسانی وضعیت سلولها بر اساس وضعیتهای فعلی سلولهای همسایه اعمال کنید. قوانین ممکن است قطعی (مانند آستانههای سبک بازی زندگی کانوی) یا احتمالی باشند و پویاییهای محیطی تصادفی را مجاز بدانند. این مرحله انتشار، گسترش و جانشینی محیطی را مستقل از تصمیمات عامل، ثبت میکند.
عوامل محیط محلی خود (وضعیت سلولهای نزدیک و عوامل دیگر) را ادراک میکنند، قوانین رفتاری یا توابع مطلوبیت خود را ارزیابی میکنند و اقداماتی مانند حرکت، مصرف منابع، تولید مثل یا ارتباط برقرار کردن را اجرا میکنند. تصمیمات عامل ممکن است به نوبه خود وضعیت سلولها را تغییر دهد و جفتشدگی دوطرفه بین عوامل و محیط ایجاد کند.
نتایج اعمال قوانین CA و اقدامات عامل را برای تولید وضعیت بهروز شده شبکه جهانی ادغام کنید. در هنگام رقابت چندین عامل برای یک سلول یکسان، تضادها را حل کنید. خروجیهای سطح خرد (مسیرهای عامل، تاریخچههای وضعیت فردی) و خروجیهای سطح کلان (توزیعهای وضعیت سلول تجمعی، آمار فضایی) را برای هر گام زمانی جمعآوری کنید.
پس از اجرای کافی گامهای زمانی (یا در طول چندین تکرار مونت کارلو برای مدلهای تصادفی)، الگوهای کلان نوظهور را با استفاده از آمار فضایی، معیارهای خوشهبندی، سریهای زمانی شاخصهای تجمعی و تحلیلهای حساسیت تجزیه و تحلیل کنید. سناریوها را با تغییر قوانین CA، پارامترهای رفتاری عامل، یا شرایط اولیه برای ارزیابی پیامدهای سیاست یا طراحی، مقایسه کنید.
دامهای رایج
- استفاده از بهروزرسانی همزمان در مقابل ناهمزمان بدون توجیه میتواند به طور قابل توجهی پویاییهای نوظهور را تغییر دهد؛ طرح بهروزرسانی را همیشه مستند و آزمایش کنید.
- نادیده گرفتن خودهمبستگی فضایی هنگام مقداردهی اولیه وضعیت سلولها منجر به شرایط اولیه غیرواقعی میشود که تمام پویاییهای بعدی را سوگیری میکند.
- بیش از حد پارامترسازی قوانین رفتاری عامل، مدلهای غیرقابل شناسایی ایجاد میکند که در آنها بسیاری از ترکیبات پارامتر به یک اندازه دادهها را برازش میکنند؛ مجموعههای قانون پارسیمون را ترجیح دهید.
- در نظر گرفتن یک اجرای شبیهسازی واحد به عنوان خروجی نماینده بدون تکرار، یک خطای رایج در ABCA تصادفی است؛ توزیعها را در طول اجراها گزارش دهید.
- درهم آمیختن مصنوعات مدل (مانند اثرات مرزی، هندسه شبکه) با پدیدههای نوظهور واقعی بدون آزمایش حساسیت بر ساختار شبکه.
پرسشهای متداول
تفاوت کلیدی بین اتوماتای سلولی مبتنی بر عامل و اتوماتای سلولی خالص چیست؟
در CA خالص، هر سلول به طور منفعلانه از قانون انتقال یکسانی بر اساس همسایگان خود پیروی میکند. در ABCA، عوامل موجودیتهای خودمختاری با حافظه، اهداف و قوانین رفتاری ناهمگن هستند که میتوانند قوانین انتقال CA را لغو یا تکمیل کنند و رفتار انطباقی و هدفمند را که بر پویاییهای فضایی افزوده شده است، امکانپذیر میسازند.
چگونه تضاد را زمانی که دو عامل برای یک سلول یکسان رقابت میکنند، مدیریت کنم؟
استراتژیهای رایج حل تضاد شامل صفبندی اولویت (رتبهبندی عوامل بر اساس یک ویژگی مانند انرژی یا ثروت)، تخصیص احتمالی (اختصاص سلول به صورت تصادفی متناسب با مطلوبیت عامل) یا حذف فیزیکی (فقط یک عامل در هر سلول، دیگران منتظر میمانند) است. انتخاب باید توسط نظریه دامنه توجیه شده و به طور شفاف مستند شود.
برای یک ABCA تصادفی به چند تکرار شبیهسازی نیاز دارم؟
هیچ آستانه جهانی وجود ندارد، اما ۵۰ تا ۲۰۰ تکرار یک محدوده شروع معمول است. به تدریج تکرارهای بیشتری را اجرا کنید تا زمانی که آمارهای کلیدی خروجی (میانگینها، واریانسها، رتبهبندی سناریوها) تثبیت شوند. برای مقایسههای سیاستی، فواصل اطمینان یا توزیعهای خروجی کامل را به جای نتایج تک اجرا گزارش دهید.
آیا مدلهای ABCA را میتوان با دادههای تجربی کالیبره کرد؟
بله، از طریق مدلسازی مبتنی بر الگو (POM): الگوهای کلان قابل مشاهده در دادههای واقعی (مانند توزیع اندازه خوشههای فضایی، سریهای زمانی تجمعی) را شناسایی کنید، سپس پارامترها را به طور سیستماتیک تغییر دهید تا آنهایی را که این الگوها را بازتولید میکنند، بیابید. محاسبه بیزی تقریبی (ABC) میتواند این کالیبراسیون را برای مدلهای تصادفی رسمی کند.
آیا ABCA برای پشتیبانی تصمیمگیری در زمان واقعی مناسب است؟
در شکل کلی خود نه: مدلهای ABCA معمولاً به زمان اجرای قابل توجه و تکرارهای زیاد نیاز دارند. برای استفاده تقریباً در زمان واقعی، کتابخانههای سناریوی از پیش محاسبه شده را ایجاد کنید، از مدلهای جایگزین یا امولاتور که بر اساس خروجیهای ABCA آموزش دیدهاند استفاده کنید، یا سادهسازی قابل توجهی را برای شبکه و جمعیت عامل اعمال کنید.
روشهای مرتبط
منابع
Wolfram, S. (2002). A New Kind of Science. Wolfram Media, Champaign, IL.
شابک: 978-1579550080کپی شد.Epstein, J. M., & Axtell, R. (1996). Growing Artificial Societies: Social Science from the Bottom Up. Brookings Institution Press / MIT Press, Washington, DC.
شابک: 978-0262550253کپی شد.