Skip to content
بازگشت به نتایج جست‌وجو

تحلیل حساسیت مبتنی بر عامل — سنجش نفوذ پارامترها در مدل‌های شبیه‌سازی پیچیده

معرفی‌شده توسط
Adapted from global sensitivity analysis (Saltelli et al.) for agent-based models
سال
2000s–2010s
نوع
Simulation-based sensitivity analysis
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؟

تحلیل حساسیت مبتنی بر عامل (ABSA) از تکنیک‌های تحلیل حساسیت بر روی مدل‌های مبتنی بر عامل (ABM) استفاده می‌کند تا تعیین کند کدام پارامترهای ورودی بیشترین تأثیر را بر خروجی‌های نوظهور دارند. از آنجایی که ABMها تصادفی و غیرخطی هستند، مشتقات تحلیلی استاندارد در دسترس نیستند؛ ABSA از آزمایش‌های شبیه‌سازی طراحی‌شده — روش‌های غربالگری، شاخص‌های مبتنی بر واریانس، یا جایگزین‌های مبتنی بر رگرسیون — برای رتبه‌بندی اهمیت پارامتر و هدایت کالیبراسیون و اعتبارسنجی مدل استفاده می‌کند.

شهود پشت روش

یک مدل مبتنی بر عامل می‌تواند ده‌ها پارامتر داشته باشد که رفتار عامل‌های فردی، قوانین تعامل و ویژگی‌های محیط را کنترل می‌کنند. مدل‌سازان به‌ندرت از قبل می‌دانند که کدام پارامترها در واقع نتایج نوظهور را هدایت می‌کنند. تحلیل حساسیت مبتنی بر عامل به‌طور سیستماتیک این ورودی‌ها را تغییر می‌دهد — اغلب با استفاده از طرح‌های کارآمد مانند غربالگری موریس یا نمونه‌برداری سوبول — و اندازه‌گیری می‌کند که هر پارامتر چقدر خروجی مدل را تغییر می‌دهد. نتیجه یک نقشه اهمیت رتبه‌بندی شده است: معمولاً چند پارامتر غالب هستند و به تحلیلگر اجازه می‌دهند تا تلاش کالیبراسیون را در جایی که مهم است متمرکز کند و به نتایج مدل تنها برای مناطق پارامتری که به‌خوبی درک شده‌اند اعتماد کند.

تاریخ

تحلیل حساسیت برای مدل‌های شبیه‌سازی ریشه‌هایی در روش‌های جهانی مبتنی بر واریانس دارد که توسط سالتلی، سوبول و همکاران در طول دهه‌های ۱۹۹۰ و ۲۰۰۰ توسعه یافته‌اند. کاربرد سیستماتیک بر روی مدل‌های مبتنی بر عامل در طول دهه ۲۰۰۰ با گسترش ABMها در علوم اجتماعی، اکولوژی و اپیدمیولوژی رشد کرد. تن بروک، ون وورن و لیگتنبرگ (۲۰۱۶) یک مرور مقایسه‌ای پر استناد که به‌طور خاص برای ABMها طراحی شده بود، ارائه کردند و ABSA را به عنوان یک گام روش‌شناختی شناخته شده در چرخه توسعه ABM تثبیت کردند.

چه زمانی استفاده شود

هنگامی از ABSA استفاده کنید که یک مدل مبتنی بر عامل دارای پارامترهای نامشخص متعدد باشد و شما نیاز دارید بدانید کدام‌ها قبل از کالیبراسیون بیشترین اهمیت را دارند، زمانی که بازبینان یا ذینفعان شواهدی از استحکام مدل را می‌خواهند، یا زمانی که منابع محاسباتی باید به‌طور کارآمد در یک فضای پارامتری بزرگ تخصیص یابند. از غربالگری موریس برای فازهای اکتشافی با پارامترهای زیاد استفاده کنید؛ زمانی که تجزیه واریانس کمی برای زیرمجموعه کوچکی از پارامترها مورد نیاز است، به شاخص‌های سوبول روی آورید. از ABSA به عنوان جایگزینی برای اعتبارسنجی مدل در برابر داده‌های واقعی استفاده نکنید؛ حساسیت به‌تنهایی نمی‌تواند تأیید کند که مدل صحیح است. از روش‌های مبتنی بر واریانس زمانی که اجرای انفرادی ABM بسیار کند است و فضای پارامتری بسیار پربعد است اجتناب کنید — ممکن است به جای آن به جایگزین‌های امولاتور نیاز باشد.

محدودیت‌ها و ملاحظات

  • شاخص‌های سوبول مبتنی بر واریانس به اجرای مدل زیادی (هزاران تا ده‌ها هزار) نیاز دارند و آن‌ها را برای ABMهای کند پرهزینه می‌کنند.
  • نتایج به محدوده‌ها و توزیع‌های پارامتری فرض شده بستگی دارد؛ مشخصات نادرست محدوده منجر به رتبه‌بندی اهمیت گمراه‌کننده می‌شود.
  • شاخص‌های حساسیت استاندارد فرض می‌کنند خروجی اسکالر است؛ خروجی‌های چندمتغیره یا سری زمانی به افزونه‌های تخصصی نیاز دارند.
  • نویز تصادفی در خروجی‌های ABM تخمین‌های واریانس را متورم می‌کند و نیاز به تکرار کافی برای جداسازی سیگنال پارامتر از نویز شبیه‌سازی دارد.
  • تحلیل حساسیت مقادیر صحیح پارامتر را شناسایی نمی‌کند — فقط نفوذ آن‌ها را رتبه‌بندی می‌کند.

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

نقاط قوت

  • نشان می‌دهد کدام پارامترها نتایج نوظهور را هدایت می‌کنند و تلاش‌های کالیبراسیون و اعتبارسنجی را به‌طور کارآمد متمرکز می‌کند.
  • با هر ABM صرف‌نظر از ساختار داخلی آن سازگار است، زیرا فقط ورودی‌ها و خروجی‌های مدل مورد نیاز هستند.
  • مدل‌های تصادفی را با گنجاندن تکرار در طرح آزمایش مدیریت می‌کند.
  • غربالگری موریس با هزینه محاسباتی متوسط به ده‌ها یا صدها پارامتر مقیاس‌پذیر است.
  • شاخص‌های سوبول تجزیه واریانس کامل کمی را ارائه می‌دهند که واریانس خروجی کل را به اثرات فردی و تعاملی تجزیه می‌کند.
  • پشتیبانی از مستندسازی شفاف مفروضات مدل برای بررسی همکاران و کاربردهای سیاستی.

کاربردها

  • ABMهای اپیدمیولوژیک: شناسایی اینکه کدام پارامترهای نرخ انتقال بیشترین تأثیر را بر اندازه اوج همه‌گیری دارند.
  • شبیه‌سازی اجتماعی: تعیین اینکه کدام قوانین رفتاری باعث ایجاد جداسازی نوظهور یا قطبی شدن عقاید می‌شوند.
  • مدل‌سازی اکولوژیکی: رتبه‌بندی پارامترهای زیستگاه و رفتار که دینامیک جمعیت گونه‌ها را کنترل می‌کنند.
  • ABMهای بازار مالی: ارزیابی اینکه کدام پارامترهای استراتژی معامله‌گر شکل‌دهنده نوسانات قیمت هستند.
  • شبیه‌سازی زنجیره تأمین: یافتن اینکه کدام قوانین تصمیم‌گیری عامل بیشترین تأثیر را بر تاب‌آوری اختلال در سطح سیستم دارند.
  • مدل‌های برنامه‌ریزی شهری: ارزیابی حساسیت ظهور کاربری زمین به پارامترهای قوانین منطقه‌بندی.

چگونه کار می‌کند

چگونه کار می‌کند

1

پارامترهای ورودی ABM (قوانین رفتاری، قدرت تعامل، اندازه‌های جمعیت، بذرهای اولیه) را شناسایی کرده و محدوده‌های عملی یا توزیع‌هایی را برای هر کدام مشخص کنید. یک یا چند معیار خروجی اسکالر را انتخاب کنید که پدیده نوظهور مورد علاقه را ثبت کنند (مانند اندازه نهایی جمعیت، شاخص جداسازی، قیمت بازار). مشخص کنید که آیا هدف غربالگری (رتبه‌بندی اهمیت) است یا کمی‌سازی (تخمین تجزیه واریانس).

2

یک استراتژی نمونه‌برداری را متناسب با هدف و بودجه انتخاب کنید. غربالگری اثرات مقدماتی موریس یک‌به‌یک (OAT) برای پارامترهای متعدد (۱۰ تا ۱۰۰+) با اجرای محدود کارآمد است. دنباله‌های شبه‌تصادفی سوبول یا نمونه‌برداری هایپرکیوب لاتین از تحلیل‌های مبتنی بر واریانس پشتیبانی می‌کنند اما به اجرای بیشتری نیاز دارند. تعداد تکرارها را برای هر پیکربندی پارامتر تعریف کنید تا نویز تصادفی ذاتی در ABMها را میانگین‌گیری کنید.

3

ABM را برای هر پیکربندی پارامتر نمونه‌برداری شده اجرا کنید و هر پیکربندی را چندین بار تکرار کنید تا میانگین و واریانس خروجی را تخمین بزنید. نتایج را در یک جدول آزمایش ساختاریافته ذخیره کنید. موازی‌سازی استاندارد است زیرا ABMها اغلب از نظر محاسباتی پرهزینه هستند؛ منابع ابری یا HPC معمولاً برای پیمایش‌های پارامتری بزرگ استفاده می‌شوند.

4

معیارهای حساسیت را از نتایج شبیه‌سازی محاسبه کنید. برای غربالگری موریس، اثرات مقدماتی مطلق میانگین (mu*) و انحراف معیار (sigma) را برای هر پارامتر محاسبه کنید. برای تحلیل مبتنی بر واریانس سوبول، شاخص‌های مرتبه اول S_i (اثر مستقیم) و شاخص‌های مرتبه کل S_Ti (شامل تعاملات) را تخمین بزنید. برای رویکردهای مبتنی بر رگرسیون، ضرایب رگرسیون استاندارد شده (SRC) را در صورتی که مدل تقریباً خطی باشد محاسبه کنید.

5

پارامترها را بر اساس شاخص حساسیت آن‌ها رتبه‌بندی کنید. پارامترهای تأثیرگذار (mu* یا S_Ti بالا) را از پارامترهای غیرتأثیرگذار (نزدیک به صفر) متمایز کنید. پارامترهایی با sigma بالا یا S_Ti - S_i بالا را بررسی کنید که نشان‌دهنده غیرخطی بودن یا تعامل قوی هستند. از نتایج برای محدود کردن اهداف کالیبراسیون، توجیه تثبیت پارامتر در انتشارات، و مستندسازی استحکام مدل استفاده کنید. با دانش دامنه و در صورت امکان، در برابر داده‌های تجربی اعتبارسنجی متقابل انجام دهید.

دام‌های رایج

  • استفاده از تکرارهای کم برای هر پیکربندی: نویز تصادفی ABM غالب می‌شود و تخمین‌های حساسیت غیرقابل اعتماد تولید می‌کند.
  • مخلوط کردن حساسیت با کالیبراسیون: یک پارامتر می‌تواند بسیار تأثیرگذار باشد اما همچنان به‌اشتباه تنظیم شود اگر از داده‌های تجربی استفاده نشود.
  • نادیده گرفتن اثرات تعاملی با تکیه صرف بر شاخص‌های مرتبه اول زمانی که تعاملات عامل باعث ایجاد غیرخطی بودن قوی می‌شوند.
  • اعمال نمونه‌برداری هایپرکیوب لاتین یا سوبول بدون بررسی اینکه آیا فضای پارامتری در اندازه نمونه انتخاب شده به‌طور کافی پوشش داده شده است.
  • رفتار با نتایج حساسیت به عنوان جهانی: رتبه‌بندی اهمیت می‌تواند به‌طور قابل‌توجهی تغییر کند زمانی که معیار خروجی مورد مطالعه تغییر می‌کند.

پرسش‌های متداول

چند اجرای شبیه‌سازی برای تخمین‌های حساسیت قابل اعتماد نیاز دارم؟

بستگی به روش دارد. غربالگری موریس معمولاً به N × (k+1) اجرا نیاز دارد، که در آن k تعداد پارامترها و N بین ۱۰ تا ۵۰ مسیر است — حتی برای مدل‌های کند نیز امکان‌پذیر است. شاخص‌های مبتنی بر واریانس سوبول به N × (k+2) اجرا نیاز دارند که در آن N اغلب ۲۰۰۰ یا بیشتر است. همیشه یک بررسی همگرایی را با محاسبه شاخص‌ها در اندازه‌های نمونه فزاینده تا زمانی که تثبیت شوند، اجرا کنید.

آیا می‌توانم از ABSA بر روی مدلی با خروجی‌های سری زمانی به جای یک اسکالر استفاده کنم؟

بله، اما مراحل اضافی لازم است. رویکردهای رایج شامل محاسبه شاخص‌های حساسیت بر روی آماره‌های خلاصه سری زمانی (میانگین، اوج، مقدار نهایی)، اعمال تحلیل حساسیت تابعی با استفاده از مولفه‌های اصلی مسیرهای خروجی، یا استفاده از یک مدل جایگزین آموزش دیده بر روی داده‌های سری زمانی است.

تفاوت بین غربالگری موریس و شاخص‌های سوبول برای ABMها چیست؟

غربالگری موریس یک روش کیفی یا نیمه‌کمی است که پارامترها را به‌طور ارزان رتبه‌بندی می‌کند و آن را برای غربالگری اولیه فضاهای پارامتری بزرگ ایده‌آل می‌سازد. شاخص‌های سوبول تجزیه واریانس کمی کامل (اثرات مرتبه اول و کل شامل تعاملات) را ارائه می‌دهند اما به اجراهای بسیار بیشتری نیاز دارند. گردش کار پیشنهادی ابتدا موریس، سپس سوبول بر روی زیرمجموعه تأثیرگذار است.

آیا تحلیل حساسیت جایگزین کالیبراسیون می‌شود؟

خیر. تحلیل حساسیت مشخص می‌کند کدام پارامترها مهم هستند و کدام‌ها را می‌توان در مقادیر اسمی ثابت کرد؛ این به شما مقادیر صحیح پارامتر را نمی‌گوید. کالیبراسیون — تطبیق خروجی مدل با داده‌های تجربی — یک مرحله جداگانه است که باید بر روی پارامترهای تأثیرگذار شناسایی شده توسط ABSA تمرکز کند.

آیا امولاتور جایگزین برای ABMهای پرهزینه محاسباتی مورد نیاز است؟

برای ABMهایی که در آن‌ها یک اجرای واحد ساعت‌ها طول می‌کشد، اجرای هزاران پیکربندی برای شاخص‌های سوبول ممکن است غیرعملی باشد. در چنین مواردی، یک جایگزین آماری (فرایند گاوسی، بسط چندجمله‌ای آشوب، یا جنگل تصادفی) که بر روی بودجه اجرای محدود ABM آموزش دیده است، می‌تواند مدل را تقریب بزند و تحلیل حساسیت را با هزینه اضافی ناچیز بر روی جایگزین انجام دهد.

روش‌های مرتبط

منابع

  1. Saltelli, A., Tarantola, S., Campolongo, F., & Ratto, M. (2004). Sensitivity Analysis in Practice: A Guide to Assessing Scientific Models. John Wiley & Sons.

    شابک: 9780470870938
    کپی شد.
  2. ten Broeke, G., van Voorn, G., & Ligtenberg, A. (2016). Which Sensitivity Analysis Method Should I Use for My Agent-Based Model? Journal of Artificial Societies and Social Simulation, 19(1), 5.

    باز کردن مرجع DOI
    کپی شد.