Skip to content
بازگشت به نتایج جست‌وجو

برنامه‌ریزی آرمانی مبتنی بر عامل — شبیه‌سازی-بهینه‌سازی ترکیبی با عامل‌های نامتمرکز و ارضای چندهدفه

معرفی‌شده توسط
Charnes, Cooper (GP); Schelling, Holland (ABM foundations)
سال
1990s-2000s (hybrid integration)
نوع
Hybrid simulation-optimization
خانواده
Simulation / optimization

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

برنامه‌ریزی آرمانی مبتنی بر عامل (ABGP) شبیه‌سازی مبتنی بر عامل را با بهینه‌سازی برنامه‌ریزی آرمانی ادغام می‌کند تا سیستم‌هایی را مدل‌سازی کند که در آن‌ها چندین تصمیم‌گیرنده مستقل، اهداف رقابتی و اولویت‌بندی‌شده را دنبال می‌کنند. این روش به پژوهشگران امکان می‌دهد تا چگونگی منجر شدن رفتار نامتمرکز و تطبیق‌پذیر در سطح عامل به نتایج در سطح سیستم را که در برابر اهداف از پیش تعریف‌شده اندازه‌گیری می‌شوند، مطالعه کنند و هم‌زمان هم ظهور و هم ارضای چندمعیاره را به تصویر بکشند.

شهود پشت روش

یک زنجیره تأمین را تصور کنید که در آن هر تأمین‌کننده، تولیدکننده و خرده‌فروش بر اساس قوانین محلی تصمیمات مستقلی می‌گیرد، با این حال کل سیستم باید اهداف مربوط به هزینه، سطح خدمات و انتشار گازهای گلخانه‌ای را برآورده کند. بهینه‌سازی استاندارد یک برنامه‌ریز مرکزی واحد را فرض می‌کند؛ شبیه‌سازی محض به شما می‌گوید چه اتفاقی می‌افتد اما نه اینکه چگونه آن را بهبود بخشید. ABGP هر دو را ترکیب می‌کند: عامل‌ها رفتار نامتمرکز واقع‌بینانه را شبیه‌سازی می‌کنند در حالی که برنامه‌ریزی آرمانی سیستم را به سمت ارضای چندین هدف با حداقل انحراف ارزیابی و هدایت می‌کند. تحلیلگر اهداف و وزن‌های اولویت آن‌ها را مشخص می‌کند، عامل‌ها در طول زمان با هم تعامل می‌کنند، و این روش میزان انحراف نتایج واقعی از هر هدف را ردیابی می‌کند — که هم تحلیل و هم بهینه‌سازی سیستم‌های تطبیق‌پذیر پیچیده را ممکن می‌سازد.

تاریخ

برنامه‌ریزی آرمانی توسط چارنز و کوپر در دهه ۱۹۵۰ به عنوان بسطی از برنامه‌ریزی خطی برای ارضای اهداف چندگانه معرفی شد. مدل‌سازی مبتنی بر عامل به عنوان یک روش‌شناسی متمایز در دهه ۱۹۹۰ از طریق کارهای محققانی مانند هالند و اپستاین ظهور کرد. ادغام ABM با برنامه‌ریزی ریاضی — از جمله برنامه‌ریزی آرمانی — در دهه ۲۰۰۰ در جوامع تحقیق در عملیات، زنجیره تأمین و شبیه‌سازی سیاست‌گذاری، با افزایش قدرت محاسباتی که حلقه‌های تکراری شبیه‌سازی-بهینه‌سازی را امکان‌پذیر ساخت، مورد توجه قرار گرفت.

چه زمانی استفاده شود

هنگامی از ABGP استفاده کنید که یک سیستم شامل چندین بازیگر مستقل با قوانین رفتاری ناهمگن باشد و تحلیلگر هم‌زمان نیاز به ارضای یا بهینه‌سازی چندین هدف رقابتی داشته باشد — که در مدیریت زنجیره تأمین، سیاست‌گذاری عمومی، تخصیص منابع مراقبت‌های بهداشتی و برنامه‌ریزی محیطی رایج است. این روش زمانی مناسب است که رفتار جمعی نوظهور در مرکز مسئله قرار دارد و یک مدل بهینه‌سازی یکپارچه و یکپارچه، خودمختاری عامل را نادرست نشان می‌دهد. از ABGP زمانی اجتناب کنید که سیستم به خوبی توسط یک تصمیم‌گیرنده واحد مشخص شده باشد، منابع محاسباتی بسیار محدود باشند (به اجرای شبیه‌سازی‌های زیادی نیاز دارد)، اهداف را بتوان بدون از دست دادن اعتبار به یک هدف واحد کاهش داد، یا زمانی که تعاملات عامل ناچیز است و یک مدل برنامه‌ریزی ریاضی محض کافی است.

محدودیت‌ها و ملاحظات

  • محاسبات فشرده: هر ارزیابی نیاز به اجرای کامل شبیه‌سازی مبتنی بر عامل دارد، که حلقه‌های بهینه‌سازی در مقیاس بزرگ را پرهزینه می‌کند.
  • کالیبراسیون و اعتبارسنجی مدل چالش‌برانگیز است؛ تخمین پارامترهای رفتاری عامل از داده‌های تجربی اغلب دشوار است.
  • نتایج می‌توانند به انتخاب‌های طراحی شبیه‌سازی (گام زمانی، توپولوژی عامل، شرایط اولیه) حساس باشند و خطر مدل را معرفی کنند.
  • برنامه‌ریزی آرمانی از تحلیلگر می‌خواهد که سطوح آرمانی و وزن‌ها را از پیش مشخص کند، که ممکن است ذهنی یا مورد اختلاف بین ذینفعان باشد.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • رفتار سیستم نوظهور ناشی از تعاملات نامتمرکز عامل را که مدل‌های بهینه‌سازی تجمیعی نمی‌توانند نمایش دهند، به تصویر می‌کشد.
  • چندین هدف رقابتی را با ساختارهای اولویت یا وزن صریح مدیریت می‌کند و شفافیت را در مورد مبادلات به تصمیم‌گیرندگان می‌دهد.
  • عامل‌های ناهمگن با قوانین رفتاری، مجموعه‌های اطلاعاتی و یادگیری تطبیقی متفاوت را بدون نیاز به یک تابع مطلوبیت یکپارچه در خود جای می‌دهد.
  • امکان تحلیل سیاست «چه می‌شود اگر» را فراهم می‌کند: تغییر قوانین عامل یا وزن‌های هدف و مشاهده تأثیرات در سطح سیستم بدون آزمایش فیزیکی.
  • به اندازه کافی انعطاف‌پذیر است تا با شبیه‌سازی تصادفی ادغام شود و توزیع‌های دستیابی به هدف را به جای تخمین‌های نقطه‌ای ارائه دهد.

کاربردها

  • هماهنگی زنجیره تأمین که در آن تأمین‌کنندگان، تولیدکنندگان و خرده‌فروشان هر یک به صورت محلی بهینه‌سازی می‌کنند در حالی که سیستم به طور هم‌زمان اهداف هزینه، سطح خدمات و پایداری را هدف قرار می‌دهد.
  • مدل‌سازی تخصیص منابع بهداشت عمومی با مدل‌سازی عامل‌های بیمارستانی و جریان بیماران برای حداقل کردن انحرافات از اهداف پوشش، برابری و بودجه.
  • شبیه‌سازی بازار انرژی که در آن عامل‌های تولیدکننده و مصرف‌کننده با هم تعامل دارند و سیاست به دنبال برآورده کردن اهداف نفوذ انرژی‌های تجدیدپذیر، ثبات قیمت و انتشار گازهای گلخانه‌ای است.
  • برنامه‌ریزی کاربری اراضی شهری با عامل‌های خانوار و توسعه‌دهنده که در آن برنامه‌ریزان انحرافات از اهداف مقرون به صرفه بودن، تراکم و فضای سبز را حداقل می‌کنند.
  • تست استرس بازار مالی که در آن عامل‌های معامله‌گر دینامیک‌های درون‌زا را تولید می‌کنند که در برابر اهداف سرمایه نظارتی و نقدینگی ارزیابی می‌شوند.

چگونه کار می‌کند

چگونه کار می‌کند

1

عامل‌ها (انواع، قوانین رفتاری، توپولوژی تعامل) را تعریف کرده و مجموعه اهداف g_i را با سطوح آرمانی فهرست کنید. هر هدف نشان‌دهنده یک مقصود است که سیستم باید به آن دست یابد — برای مثال، هزینه زیر یک آستانه، توان عملیاتی بالای یک حداقل، یا برابری بالای یک کف. وزن‌های اولویت w_i یا سطوح اولویت لغت‌نامه‌ای را به متغیرهای انحراف مثبت (فرا-دستیابی) و منفی (فرو-دستیابی) هر هدف اختصاص دهید.

2

تابع هدف برنامه‌ریزی آرمانی وزن‌دار را فرموله کنید: مجموع وزن‌دار انحرافات Z = sum(w_i^+ * d_i^+ + w_i^- * d_i^-) را حداقل کنید، که در آن d_i^+ و d_i^- به ترتیب متغیرهای فرا-دستیابی و فرو-دستیابی برای هدف i هستند. این تابع هدف، پیکربندی‌های شبیه‌سازی یا پارامترهای عامل را که باید ارزیابی شوند، هدایت می‌کند.

فرمول
\min Z = \sum_{i=1}^{k} (w_i^+ d_i^+ + w_i^- d_i^-)
3

شبیه‌سازی مبتنی بر عامل را برای یک افق زمانی تعریف‌شده اجرا کنید. عامل‌ها از قوانین رفتاری (مانند عقلانیت محدود، اطلاعات محلی، یادگیری تطبیقی) پیروی می‌کنند و از طریق بازارها، شبکه‌ها یا محیط‌های فضایی با هم تعامل دارند. خروجی‌های سطح سیستم را در هر گام زمانی یا در پایان اجرای شبیه‌سازی ثبت کنید. برای در نظر گرفتن تغییرپذیری تصادفی در رفتار عامل، این کار را در چندین اجرا تکرار کنید.

4

خروجی‌های شبیه‌سازی را به معادلات قید هدف نگاشت کنید: f_i(x) + d_i^- - d_i^+ = g_i. مقادیر انحراف d_i^+ و d_i^- را برای هر هدف i بر اساس نتیجه شبیه‌سازی x محاسبه کنید. هدف کلی Z را محاسبه کنید. این ارزیابی نشان می‌دهد که کدام اهداف برآورده شده‌اند، کدام‌ها فرا-دستیابی شده‌اند و کدام‌ها فرو-دستیابی شده‌اند و به چه میزان.

فرمول
f_i(x) + d_i^- - d_i^+ = g_i, \quad d_i^+, d_i^- \geq 0
5

از اطلاعات انحراف برای به‌روزرسانی پارامترهای عامل، قوانین سیاست‌گذاری یا پیکربندی‌های ساختاری (از طریق حلقه بهینه‌سازی، طراحی آزمایش‌ها، یا جستجوی فراابتکاری) استفاده کرده و مجدداً شبیه‌سازی کنید. به تکرار ادامه دهید تا Z به سطح قابل قبولی حداقل شود یا یک معیار توقف برآورده شود. پیکربندی‌های نهایی عامل، پروفایل دستیابی به هدف و تحلیل مبادله در بین اهداف اولویت‌بندی‌شده را گزارش دهید.

دام‌های رایج

  • برخورد با مدل یکپارچه به عنوان یک جعبه سیاه بدون اعتبارسنجی جداگانه مؤلفه مبتنی بر عامل در ابتدا می‌تواند منجر به انتشار خطاهای مدل‌سازی شناسایی‌نشده به لایه بهینه‌سازی شود.
  • استفاده از تعداد کم شبیه‌سازی در هر نقطه طراحی، تخمین‌های انحراف پر سروصدا تولید می‌کند، که بهینه‌سازی برنامه‌ریزی آرمانی را به سمت پیکربندی‌های زیربهینه گمراه می‌کند.
  • تعیین سطوح آرمانی هدف به صورت دلخواه به جای ریشه‌یابی آن‌ها در معیارهای تجربی یا ورودی ذینفعان، معنای حداقل‌سازی انحراف را تضعیف می‌کند.
  • نادیده گرفتن تغییرپذیری تصادفی با استفاده تنها از میانگین خروجی‌های شبیه‌سازی می‌تواند به طور سیستماتیک دستیابی به هدف را نادرست بیان کند، به ویژه برای اهداف حساس به ریسک.

پرسش‌های متداول

ABGP چه تفاوتی با صرفاً اجرای یک مدل مبتنی بر عامل و سپس انجام برنامه‌ریزی آرمانی به صورت جداگانه دارد؟

در ABGP، دو مؤلفه در یک حلقه بازخورد به هم متصل هستند: مقادیر انحراف هدف از هر اجرای شبیه‌سازی، تغییرات پارامتر را که به شبیه‌سازی بعدی بازخورد می‌شوند، اطلاع می‌دهند. اجرای جداگانه آن‌ها به این معنی است که بهینه‌سازی نمی‌تواند چگونگی تغییر رفتار عامل در پاسخ به تنظیمات سیاست را در نظر بگیرد و دینامیک‌های نوظهوری را که انگیزه استفاده از ABM را در وهله اول ایجاد می‌کنند، از دست می‌دهد.

آیا ابزار نرم‌افزاری استانداردی برای پیاده‌سازی ABGP وجود دارد؟

هیچ ابزار اختصاصی واحدی وجود ندارد. متخصصان معمولاً لایه مبتنی بر عامل را در پلتفرم‌هایی مانند NetLogo، Repast یا Mesa می‌سازند، سپس آن را با یک حل‌کننده برنامه‌ریزی ریاضی (مانند CPLEX، Gurobi، PuLP) یا یک پوشش فراابتکاری برای حلقه بهینه‌سازی ترکیب می‌کنند. این ترکیب معمولاً به صورت سفارشی در پایتون یا جاوا کدنویسی می‌شود.

برای به دست آوردن تخمین‌های قابل اعتماد انحراف هدف، چند اجرای شبیه‌سازی در هر نقطه طراحی لازم است؟

هیچ قانون جهانی وجود ندارد، اما اجراهای آزمایشی با تحلیل واریانس ضروری هستند. برای ABMهای تصادفی، ۳۰-۱۰۰ تکرار در هر نقطه طراحی یک نقطه شروع رایج است؛ سیستم‌هایی با واریانس رفتاری بالا یا رویدادهای نادر ممکن است به چند صد تکرار نیاز داشته باشند. روش‌های سطح پاسخ یا اعداد تصادفی مشترک می‌توانند تعداد کل اجراها را کاهش دهند.

آیا ABGP می‌تواند اولویت لغت‌نامه‌ای (پیشگیرانه) را در بین اهداف مدیریت کند، یا فقط اهداف وزن‌دار را؟

هر دو ساختار اولویت سازگار هستند. ABGP وزن‌دار یک هدف انحراف تجمیع‌شده واحد را حداقل می‌کند. ABGP لغت‌نامه‌ای اهداف را به صورت متوالی بهینه‌سازی می‌کند — ابتدا انحرافات را در هدف با بالاترین اولویت حداقل می‌کند، سپس در هدف دوم با سطح دستیابی هدف اول ثابت، و به همین ترتیب. انتخاب باید ساختار ترجیحی واقعی ذینفع را منعکس کند.

چه زمانی برنامه‌ریزی آرمانی مقاوم یا تصادفی بر ABGP ارجحیت دارد؟

هنگامی که ناهمگونی در سطح عامل و اثرات تعاملی نوظهور محرک‌های اصلی عدم قطعیت نیستند — برای مثال، زمانی که عدم قطعیت عمدتاً از توزیع پارامترها ناشی می‌شود تا از تصمیم‌گیری نامتمرکز — برنامه‌ریزی آرمانی تصادفی یا مقاوم، قابلیت ردیابی تحلیلی تمیزتری را با هزینه محاسباتی کمتر ارائه می‌دهد.

روش‌های مرتبط

منابع

  1. Charnes, A., Cooper, W. W., & Ferguson, R. O. (1955). Optimal estimation of executive compensation by linear programming. Management Science, 1(2), 138-151.

    باز کردن مرجع DOI
    کپی شد.
  2. Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of Simulation, 4(3), 151-162.

    باز کردن مرجع DOI
    کپی شد.