Skip to content
بازگشت به نتایج جست‌وجو

مدل‌سازی عامل‌محور (ABM) — شبیه‌سازی پیچیدگی نوظهور

معرفی‌شده توسط
Thomas Schelling and Robert Axelrod (foundational contributions, 1970s–1990s)
سال
1970s–1990s (formalized as a field)
نوع
Computational simulation method

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

اندازه قلم

چه کاری انجام می‌دهد؟

مدل‌سازی عامل‌محور (ABM) یک روش شبیه‌سازی محاسباتی است که از طریق کارهای توماس شلینگ و رابرت اکسلرود در دهه‌های ۱۹۷۰ تا ۱۹۹۰ صورت‌بندی شد و با مشخص کردن و اجرای عامل‌های خودمختار — افراد، شرکت‌ها، سلول‌ها، یا هر موجودیت محدود — که تعاملات محلی آن‌ها با یکدیگر و با محیطشان به‌طور جمعی الگوهای کلان در سطح سیستم را تولید می‌کنند که از قوانین هیچ عامل منفردی قابل پیش‌بینی نیست، رفتار سیستم‌های پیچیده را شبیه‌سازی می‌کند.

شهود پشت روش

شهری را تصور کنید که در آن ترافیک سنگین ایجاد می‌شود، حتی اگر هیچ راننده منفردی قصد ایجاد آن را نداشته باشد. ABM دقیقاً این نوع ظهور را ثبت می‌کند: شما قوانینی را که هر عامل منفرد دنبال می‌کند می‌نویسید — چگونگی درک محیط اطراف، تصمیم‌گیری و عمل آن‌ها — سپس شبیه‌سازی را اجرا کرده و آنچه را در سطح جمعیت رخ می‌دهد مشاهده می‌کنید. الگوی کلان (ترافیک سنگین، منحنی همه‌گیری، قیمت بازار) مستقیماً برنامه‌ریزی نشده است؛ بلکه از تعاملات ناشی می‌شود. این رویکرد از پایین به بالا، ABM را به گزینه‌ای طبیعی تبدیل می‌کند هر زمان که پدیده جالب در سطح سیستم قرار دارد اما مکانیسم‌ها در سطح فردی قرار دارند.

تاریخ

ریشه‌های فکری ABM در تحقیقات پیچیدگی مؤسسه سانتافه در دهه ۱۹۸۰ و در کارهای مدل‌سازی بنیادی توسط توماس شلینگ (۱۹۷۱، جدایی مسکونی) و رابرت اکسلرود (۱۹۸۴، تکامل همکاری؛ ۱۹۹۷، پیچیدگی همکاری) نهفته است. کتاب اکسلرود در سال ۱۹۹۷، همراه با توسعه پلتفرم NetLogo توسط اوری ویلنسکی و چارچوب Mesa برای پایتون، به تثبیت ABM به عنوان یک روش محاسباتی شناخته شده کمک کرد. این روش به سرعت در همه‌گیرشناسی، اقتصاد، بوم‌شناسی و شبیه‌سازی اجتماعی در دهه‌های ۱۹۹۰ و ۲۰۰۰ گسترش یافت و امروزه اساس مدل‌های همه‌گیری در مقیاس بزرگ، تحقیقات ریزساختار بازار مالی و ابزارهای تحلیل سیاست را تشکیل می‌دهد.

چه زمانی استفاده شود

ABM انتخاب مناسبی است زمانی که پدیده مورد علاقه از تعاملات ناهمگون در سطح فردی ناشی می‌شود و نه از پویایی‌های سطح کلان. این روش برای پویایی‌های اجتماعی، گسترش همه‌گیری، ریزساختار بازار، مدل‌های جمعیت زیست‌محیطی، و هر موقعیتی که ناهمگونی عامل، ساختار فضایی، یا تعاملات محلی وابسته به مسیر اهمیت دارد، مناسب است. هیچ حداقل اندازه نمونه تجربی مورد نیاز نیست، اما قوانین عامل باید قابل دفاع باشند — مبتنی بر نظریه یا داده‌های قبلی. اگر داده‌های مشاهده‌ای برای کالیبراسیون در دسترس باشند، می‌توان از ABC استفاده کرد. این روش زمانی مناسب نیست که سیستم را بتوان به‌طور کافی با معادلات دیفرانسیل کلان توصیف کرد (سیستم دینامیک را ترجیح دهید) یا زمانی که سؤال تحقیق مربوط به یک فرآیند صف یا جریان است (شبیه‌سازی رویداد گسسته را ترجیح دهید). حداقل ۱۰۰۰ تکرار را اجرا کنید؛ تکرارهای کمتر الگوهای قابل اعتمادی تولید می‌کنند.

محدودیت‌ها و ملاحظات

  • قوانین عامل باید با نظریه یا شواهد تجربی توجیه شوند؛ قوانین دلخواه نتایجی تولید می‌کنند که نمی‌توان آن‌ها را به‌طور معنی‌داری تفسیر کرد.
  • نیاز به تعداد زیادی تکرار (اغلب ۱۰۰۰ یا بیشتر) برای توصیف قابل اعتماد توزیع خروجی دارد، که می‌تواند از نظر محاسباتی پرهزینه باشد.
  • اعتبارسنجی مدل چالش‌برانگیز است: الگوهای نوظهور ممکن است به دلایل اشتباه با داده‌های مشاهده شده مطابقت داشته باشند (هم‌نهایی).
  • نتایج توزیع هستند، نه راه‌حل‌های بسته، که ارتباط تحلیلی را نسبت به روش‌های مبتنی بر معادله دشوارتر می‌کند.
  • کاوش فضای پارامتر می‌تواند با افزایش تعداد انواع عامل و قوانین، غیرقابل حل شود.

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

نقاط قوت

  • رفتار نوظهور در سطح سیستم را ثبت می‌کند که از قوانین هیچ عامل منفردی قابل استنتاج نیست.
  • به‌طور طبیعی ناهمگونی عامل، ساختار فضایی و پویایی‌های وابسته به مسیر را در خود جای می‌دهد.
  • بدون حداقل اندازه نمونه تجربی کار می‌کند — عامل‌ها با نظریه یا قوانین کالیبره شده تعریف می‌شوند، نه با سوابق مشاهده شده.
  • خروجی‌های توزیعی را در سراسر تکرارها تولید می‌کند و تصویری کامل از عدم قطعیت به جای یک مسیر منفرد ارائه می‌دهد.
  • در طیف گسترده‌ای از حوزه‌ها قابل اجرا است: علوم اجتماعی، همه‌گیرشناسی، اقتصاد، بوم‌شناسی و مهندسی.

کاربردها

  • همه‌گیرشناسی: مدل‌سازی گسترش همه‌گیری در سطح تماس فردی برای آزمایش استراتژی‌های مداخله.
  • شبیه‌سازی بازار: نمایش معامله‌گران ناهمگون در بازارهای مالی برای مطالعه تشکیل قیمت و نوسانات.
  • پویایی‌های اجتماعی: مطالعه جدایی مسکونی، پویایی‌های نظر و انتشار هنجار در جمعیت‌ها.
  • بوم‌شناسی: مدل‌سازی پویایی شکارچی-شکار و تعاملات گونه‌ها در مناظر صریح فضایی.
  • سیاست بهداشت و درمان: شبیه‌سازی جریان بیماران و تخصیص منابع تحت قوانین سازمانی مختلف.
  • رفتار سازمانی: مطالعه چگونگی ظهور استراتژی‌های سطح شرکت از تعاملات کارکنان و بخش‌ها.

چگونه کار می‌کند

چگونه کار می‌کند

1

عامل‌ها با ویژگی‌ها (متغیرهای حالت) و قوانین رفتاری خود تعریف می‌شوند. قوانین باید بر اساس نظریه یا شواهد تجربی باشند — این مرحله‌ای برای حدس و گمان نیست. هر نوع عامل نشان‌دهنده یک طبقه متمایز از بازیگران است (مانند افراد مستعد در مقابل افراد آلوده در یک مدل همه‌گیری، خریداران در مقابل فروشندگان در یک مدل بازار). تعداد و ناهمگونی انواع عامل‌ها، قدرت بیانی مدل را تعیین می‌کند.

2

محیطی که عامل‌ها در آن عمل می‌کنند پیکربندی می‌شود: توپولوژی فضایی (شبکه، گراف، فضای پیوسته، یا بدون فضا)، هرگونه منابع مشترکی که عامل‌ها می‌توانند با آن‌ها تعامل داشته باشند، و شعاع ارتباطی یا ادراکی که تعیین می‌کند هر عامل کدام عامل‌های دیگر را می‌تواند مشاهده کند. طراحی محیط یک انتخاب مدل‌سازی است که مستقیماً شکل‌دهنده تعاملات ممکن است.

3

شبیه‌سازی با بذرافشانی آغاز می‌شود: عامل‌ها در محیط قرار می‌گیرند، متغیرهای حالت اولیه تنظیم می‌شوند — چه از داده‌های تجربی یا از توزیع‌های کالیبره شده — و بذرهای تصادفی برای تکرارپذیری ثابت می‌شوند. هنگامی که داده‌های مشاهده‌ای وجود دارند، از محاسبه تقریبی بیزی (ABC) می‌توان در این مرحله برای کالیبراسیون پارامترها در برابر نتایج واقعی استفاده کرد.

4

مدل از طریق گام‌های زمانی گسسته پیش می‌رود. در هر گام، عامل‌ها قوانین رفتاری خود را اجرا می‌کنند — احتمالاً به ترتیبی تصادفی برای جلوگیری از مصنوعات — حالت‌های خود را به‌روز می‌کنند و با همسایگان یا منابع مشترک تعامل می‌کنند. مدل باید برای تعداد زیادی تکرار (معمولاً حداقل ۱۰۰۰) اجرا شود تا توزیع نتایج، نه فقط یک مسیر منفرد، قابل توصیف باشد.

5

آماره‌های خروجی در تمام تکرارها جمع‌آوری می‌شوند: میانگین‌ها، واریانس‌ها و ویژگی‌های توزیعی متغیرهای کلیدی سطح سیستم. نتایج به صورت توزیع، نه تخمین‌های نقطه‌ای، گزارش می‌شوند. تحلیل حساسیت آزمایش می‌کند که الگوهای نوظهور چقدر نسبت به تغییرات در قوانین عامل و مقادیر پارامتر مقاوم هستند، و اعتبارسنجی مدل، مسیرهای شبیه‌سازی شده را با داده‌های مشاهده شده در صورت وجود مقایسه می‌کند.

دام‌های رایج

  • اجرای تکرارهای بسیار کم — با کمتر از حدود ۱۰۰۰ اجرا، توزیع خروجی به‌خوبی تخمین زده نمی‌شود و الگوهای ظاهری ممکن است نویز باشند؛ اگر محدودیت محاسباتی وجود دارد، برای سؤالات کلان، سیستم دینامیک را ترجیح دهید.
  • نوشتن قوانین عامل بدون مبنای نظری یا تجربی — قوانین دلخواه شبیه‌سازی تولید می‌کنند، نه مدل؛ هر قانون باید یک مبنای رفتاری داشته باشد.
  • گزارش فقط مسیر میانگین در سراسر تکرارها بدون انتقال واریانس — نتایج ABM ذاتاً تصادفی هستند و باید به صورت توزیع گزارش شوند.
  • اشتباه گرفتن برازش مدل با اعتبارسنجی — یک مدل می‌تواند الگوهای کلان مشاهده شده را از طریق خطاهای جبرانی بازتولید کند؛ آزمون‌های ساختاری و پیش‌بینی خارج از نمونه اهمیت دارند.
  • نادیده گرفتن دوره گرمایش که در آن پیکربندی اولیه دلخواه است — رفتار اولیه اجرا منعکس کننده شرایط شروع است، نه پویایی حالت پایدار.

پرسش‌های متداول

ABM چگونه با سیستم دینامیک متفاوت است؟

مدل‌های سیستم دینامیک یک سیستم را با استفاده از مخازن، جریان‌ها و حلقه‌های بازخورد کلان که توسط معادلات دیفرانسیل توصیف می‌شوند، مدل‌سازی می‌کنند — این روش جمعیت را به عنوان یک کل همگن در نظر می‌گیرد و رفتار متوسط را در طول زمان ردیابی می‌کند. ABM هر عامل منفرد را جداگانه مدل‌سازی می‌کند و ناهمگونی، تعاملات فضایی محلی و رفتار وابسته به مسیر را مجاز می‌داند. زمانی سیستم دینامیک را انتخاب کنید که ساختار بازخورد کلان مورد علاقه اصلی باشد و ناهمگونی عامل اهمیتی نداشته باشد؛ زمانی ABM را انتخاب کنید که تفاوت‌های فردی و تعاملات محلی مکانیزمی باشند که می‌خواهید مطالعه کنید.

به چند تکرار نیاز دارم؟

خروجی یک ABM توزیعی در طول اجراهای تصادفی است، نه یک مسیر قطعی منفرد. به عنوان حداقل عملی، حداقل ۱۰۰۰ تکرار را اجرا کنید و فواصل اطمینان را در آماره‌های خروجی کلیدی خود بررسی کنید. اگر فواصل گسترده هستند، بیشتر اجرا کنید. گزارش فقط یک اجرا یا تعداد کمی به عنوان نماینده، یک خطای رایج و جدی است.

چگونه یک مدل عامل‌محور را اعتبارسنجی کنم؟

اعتبارسنجی دارای چندین لایه است: اعتبارسنجی ساختاری (آیا قوانین با رفتار شناخته شده سازگار هستند؟)، اعتبارسنجی مبتنی بر الگو (آیا مدل چندین الگوی تجربی مشاهده شده را به‌طور همزمان بازتولید می‌کند، نه فقط یکی؟) و اعتبارسنجی پیش‌بینی (آیا پیش‌بینی‌های خارج از نمونه برقرار هستند؟). بازتولید یک آماره کلان منفرد، مدرک کافی برای صحت مدل نیست.

اگر داده‌های تجربی برای کالیبراسیون پارامترهای عامل ندارم چه؟

قوانین مبتنی بر نظریه را می‌توان مستقیماً در غیاب داده‌ها استفاده کرد، اما مدل باید به عنوان اکتشافی و نه پیش‌بینی‌کننده ارائه شود. در جایی که داده‌های جزئی وجود دارد، محاسبه تقریبی بیزی (ABC) یک چارچوب اصولی برای تخمین توزیع پارامترها با مقایسه آماره‌های خلاصه شبیه‌سازی شده با آماره‌های مشاهده شده فراهم می‌کند. تحلیل حساسیت همیشه برای نشان دادن اینکه کدام پارامترها بیشترین اهمیت را دارند، لازم است.

روش‌های مرتبط

منابع

  1. Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press.

    باز کردن مرجع DOI
    کپی شد.
  2. Wilensky, U. & Rand, W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo. MIT Press.

    شابک: 978-0262731898
    کپی شد.