Skip to content
بازگشت به نتایج جست‌وجو

شبیه‌سازی چندسطحی ترکیبی مبتنی بر عامل و دینامیک سیستم

معرفی‌شده توسط
Borshchev, A. & Filippov, A. (hybrid formalization); Sterman, J. D. (system dynamics foundation)
سال
2000s
نوع
Hybrid simulation model
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؟

دینامیک سیستم مبتنی بر عامل (AB-SD) یک پارادایم شبیه‌سازی ترکیبی است که مدل‌سازی مبتنی بر عامل (ABM) را در سطح خرد با ساختارهای جریان و انباشت دینامیک سیستم (SD) در سطح کلان جفت می‌کند. این امر به پژوهشگران اجازه می‌دهد تا رفتار فردی نوظهور و پویایی‌های تجمعی ناشی از بازخورد را در یک مدل منسجم واحد ثبت کنند، که این امر آن را برای سیستم‌های پیچیده اجتماعی-اقتصادی و اپیدمیولوژیکی بسیار ارزشمند می‌سازد.

شهود پشت روش

برخی سیستم‌های دنیای واقعی را نمی‌توان به تنهایی با ABM یا SD به طور کافی توصیف کرد. ABM در نمایش بازیگران ناهمگن که تصمیمات محلی می‌گیرند عالی است، اما در مقیاس‌بندی حلقه‌های بازخورد در میان میلیون‌ها موجودیت به طور کارآمد مشکل دارد. SD حلقه‌های بازخورد تجمعی را به زیبایی ثبت می‌کند اما ناهمگنی در سطح فردی را قربانی می‌کند. AB-SD این شکاف را پر می‌کند: عامل‌ها (افراد، شرکت‌ها، وسایل نقلیه) از قوانین رفتاری پیروی می‌کنند که مستقیماً بر انباشت‌ها و جریان‌های سطح کلان مانند اندازه جمعیت، در دسترس بودن منابع یا شیوع عفونت تأثیر می‌گذارند و از آنها تأثیر می‌پذیرند. این دو سطح در هر گام زمانی ارتباط برقرار می‌کنند و پویایی‌هایی را تولید می‌کنند که هیچ یک از پارادایم‌ها به تنهایی قادر به تولید آن نبودند.

تاریخ

دینامیک سیستم توسط جی فورستر در MIT در دهه‌های 1950-60 رسمی شد. مدل‌سازی مبتنی بر عامل در دهه 1990 با پلتفرم‌هایی مانند Swarm و NetLogo رایج شد. ترکیب صریح به دینامیک سیستم مبتنی بر عامل در اوایل دهه 2000، به ویژه توسط بورشچف و فیلیپوف (2004) بیان شد و کاربرد گسترده‌ای در اپیدمیولوژی، تحقیقات زنجیره تامین و شبیه‌سازی اجتماعی یافت.

چه زمانی استفاده شود

هنگامی از AB-SD استفاده کنید که سوال پژوهش شما به طور همزمان چندین سطح تحلیل را در بر می‌گیرد - به عنوان مثال، چگونه ناهمگنی رفتاری فردی بر همه‌گیری‌های سطح جمعیت، پویایی بازار یا آبشارهای تخلیه منابع تأثیر می‌گذارد. این روش برای تحلیل سیاست‌ها که در آن مداخلات در سطح خرد (مانند تلنگرهای رفتاری) عمل می‌کنند اما نتایج در سطح کلان (مانند تولید ناخالص داخلی، بار بیماری) اندازه‌گیری می‌شوند، مناسب است. زمانی از آن استفاده نکنید که سیستم شما به وضوح در یک مقیاس واحد عمل می‌کند (SD خالص برای مسائل بازخورد تجمعی کافی است؛ ABM خالص برای مسائل خرد غنی از تعامل بدون بازخورد تجمعی کافی است). از AB-SD اجتناب کنید اگر زمان محاسبات به شدت محدود است یا اگر ارتباط بین سطوح به خوبی درک نشده است، زیرا رابط‌های نادرست مشخص شده می‌توانند الگوهای نوظهور کاذب تولید کنند.

محدودیت‌ها و ملاحظات

  • تلاش بسیار بیشتری برای توسعه و اعتبارسنجی مدل نسبت به ABM خالص یا SD خالص.
  • تصمیمات جفت‌سازی (کدام متغیرها از رابط عبور می‌کنند، با چه فرکانسی) نیاز به تخصص دامنه دارد و می‌تواند مصنوعاتی را معرفی کند.
  • هزینه محاسباتی با اندازه جمعیت عامل مقیاس می‌شود و مدل‌های بسیار بزرگ را بدون موازی‌سازی کند می‌کند.
  • خطر پیچیدگی بیش از حد: ساختار ترکیبی می‌تواند به جای روشن کردن مکانیسم‌های علّی، آنها را مبهم کند.

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

نقاط قوت

  • بازخوردهای بین مقیاسی را که مدل‌های تک پارادایمی از دست می‌دهند، ثبت می‌کند و امکان پویایی‌های غنی‌تر و واقع‌بینانه‌تر را فراهم می‌کند.
  • ناهمگنی عامل (سن، درآمد، ترجیحات) را حفظ می‌کند و در عین حال حلقه‌های بازخورد تجمعی را به طور کارآمد نمایش می‌دهد.
  • از تحلیل سیاست‌ها در هر دو سطح فردی و سیستمی در یک چارچوب پشتیبانی می‌کند.
  • به طور گسترده در پلتفرم‌های شبیه‌سازی تجاری (AnyLogic، افزونه‌های NetLogo) پشتیبانی می‌شود و موانع پیاده‌سازی را کاهش می‌دهد.
  • می‌تواند در هر دو سطح خرد (مسیرهای عامل) و کلان (مسیرهای انباشت) به طور مستقل اعتبارسنجی شود.

کاربردها

  • مدل‌سازی اپیدمیولوژیک: عامل‌ها افراد با الگوهای تماس ناهمگن را نشان می‌دهند؛ SD محفظه‌های بیماری (S، I، R) و ظرفیت مراقبت‌های بهداشتی را ردیابی می‌کند.
  • مدیریت زنجیره تامین: عامل‌ها تصمیمات سفارش‌دهی شرکت‌ها را شبیه‌سازی می‌کنند؛ SD انباشت‌های موجودی تجمعی و جریان‌های تولید را نشان می‌دهد.
  • برنامه‌ریزی شهری و حمل و نقل: عامل‌ها مسافران را شبیه‌سازی می‌کنند؛ SD ظرفیت جاده، تجمع آلودگی و بازخورد کاربری زمین را ثبت می‌کند.
  • سیستم‌های انرژی: عامل‌ها خانوارهایی را که انرژی‌های تجدیدپذیر را اتخاذ می‌کنند، نشان می‌دهند؛ SD ظرفیت شبکه، قیمت برق و انباشت‌های CO2 را مدل می‌کند.
  • بازارهای مالی: عامل‌های با سوگیری‌های رفتاری تعامل می‌کنند؛ SD انباشت‌های اعتباری تجمعی، حباب‌های دارایی و بافرهای نظارتی را ردیابی می‌کند.

چگونه کار می‌کند

چگونه کار می‌کند

1

دو سطح مدل را تعریف کنید: سطح کلان (انباشت‌ها و جریان‌های SD که مقادیر تجمعی مانند جمعیت حساس/آلوده/بهبودیافته یا انباشت‌های سرمایه را نشان می‌دهند) و سطح خرد (عامل‌هایی که موجودیت‌های فردی با متغیرهای حالت، قوانین تصمیم‌گیری و پروتکل‌های تعامل را نشان می‌دهند). تصمیم بگیرید که کدام پدیده‌ها به هر سطح تعلق دارند.

2

لایه دینامیک سیستم را بسازید: انباشت‌های S(t)، جریان‌های F(t) و متغیرهای کمکی را شناسایی کنید. معادلات دیفرانسیل dS/dt = ورودی‌ها - خروجی‌ها را بنویسید. ثابت‌های نرخ و حلقه‌های بازخورد را با استفاده از دانش دامنه یا داده‌های تاریخی پارامترسازی کنید.

3

ویژگی‌های عامل (مانند سن، درآمد، وضعیت سلامتی) و قوانین رفتاری حاکم بر انتقال‌ها، تعاملات و حرکات را تعریف کنید. مشخص کنید که چگونه متغیرهای SD تجمعی (مانند کمیابی منابع، نرخ عفونت) به عنوان سیگنال‌های محیطی وارد منطق تصمیم‌گیری عامل می‌شوند.

4

جفت‌سازی دوطرفه را برقرار کنید: آمارهای تجمعی عامل (مانند میانگین وضعیت عامل، تعداد عامل‌ها در یک دسته) به معادلات جریان SD تغذیه می‌شوند؛ مقادیر انباشت SD به متغیرهای محیطی عامل بازخورد داده می‌شوند. برنامه‌های به‌روزرسانی را همگام‌سازی کنید تا هر دو لایه به طور مداوم در هر گام زمانی پیش بروند.

5

مدل ترکیبی را در طول افق شبیه‌سازی اجرا کنید. در هر مرحله: وضعیت عامل‌ها را به‌روزرسانی کنید، خروجی‌های عامل را تجمیع کنید، انباشت‌ها/جریان‌های SD را به‌روزرسانی کنید، خروجی‌های SD را به عامل‌ها بازپخش کنید. از طریق کالیبراسیون (تنظیم پارامتر)، تحلیل حساسیت و آزمایش خارج از نمونه، با داده‌های تجربی اعتبارسنجی کنید. مسیرهای زمانی هم انباشت‌های کلان و هم توزیع نتایج عامل را گزارش دهید.

دام‌های رایج

  • رابط‌های ضعیف طراحی شده می‌توانند ناپایداری‌های بازخورد ایجاد کنند یا شمارش مضاعف ناخواسته اثرات را در سطوح مختلف معرفی کنند.
  • در نظر گرفتن لایه SD کلان به عنوان صرفاً یک ظرف برای میانگین‌ها، ارزش ترکیب را از دست می‌دهد: حلقه‌های بازخورد واقعی SD باید از نظر ساختاری نمایش داده شوند.
  • کالیبراسیون مدل ترکیبی فقط با داده‌های تجمعی ممکن است عدم مشخص‌سازی در سطح خرد را پنهان کند؛ در هر دو سطح اعتبارسنجی کنید.
  • فرض اینکه ترکیب دو زیرمدل اعتبارسنجی شده به طور خودکار یک مدل ترکیبی معتبر را تولید می‌کند - اثرات جفت‌سازی نوظهور نیاز به اعتبارسنجی جداگانه دارند.

پرسش‌های متداول

AB-SD چگونه با یک مدل دینامیک سیستم صرفاً تصادفی تفاوت دارد؟

SD تصادفی اصطلاحات نویز را به معادلات جریان اضافه می‌کند اما همه موجودیت‌ها تجمعی باقی می‌مانند؛ AB-SD به صراحت عامل‌های فردی را شبیه‌سازی می‌کند که تصمیمات ناهمگن آنها به طور جمعی جریان‌ها را تعیین می‌کند و امکان ظهوری را فراهم می‌کند که نویز تجمعی نمی‌تواند تکرار کند.

کدام ابزارهای نرم‌افزاری از دینامیک سیستم مبتنی بر عامل به طور بومی پشتیبانی می‌کنند؟

AnyLogic پرکاربردترین پلتفرم است که کتابخانه‌های داخلی ABM و SD با مکانیسم‌های جفت‌سازی ارائه می‌دهد. Vensim را می‌توان از طریق شبیه‌سازی مشترک به موتورهای ABM خارجی پیوند داد؛ Repast Simphony اجازه جاسازی معادلات SD در رفتار عامل را می‌دهد.

چه زمانی باید به جای آن از شبیه‌سازی رویداد گسسته مبتنی بر عامل استفاده کنم؟

شبیه‌سازی رویداد گسسته مبتنی بر عامل را زمانی انتخاب کنید که رفتار سطح کلان بهتر با صف‌ها و توالی رویدادها (مانند جریان بیماران در یک کلینیک) به جای انباشت‌های بازخورد پیوسته مشخص شود. AB-SD زمانی ترجیح داده می‌شود که حلقه‌های بازخورد سطح کلان (مانند بازسازی منابع، شتاب همه‌گیری) در سوال پژوهش مرکزی باشند.

چگونه همگام‌سازی گام زمانی بین دو لایه را مدیریت کنم؟

یک رویکرد رایج، یک گام زمانی گسسته مشترک است که در آن عامل‌ها ابتدا به‌روزرسانی می‌شوند، آمارهای تجمعی آنها محاسبه می‌شود، معادلات SD ادغام می‌شوند (مانند اویلر یا رونگه-کوتا)، و مقادیر انباشت به‌روز شده به عامل‌ها بازپخش می‌شوند. اندازه گام باید به اندازه کافی کوچک باشد تا از خطای ادغام در لایه SD جلوگیری شود و پویایی‌های مرتبط عامل را ثبت کند.

آیا AB-SD برای جمعیت‌های کوچک (کمتر از 100 عامل) مناسب است؟

با جمعیت‌های بسیار کوچک، تغییرپذیری تصادفی غالب می‌شود و انباشت‌های SD تجمعی ممکن است ناپایدار یا بی‌معنی شوند. تکرارهای متعددی را اجرا کنید و قبل از اعمال رویکرد ترکیبی، بررسی کنید که آیا انباشت‌های SD واقعاً مقادیر تجمعی پایدار را نشان می‌دهند یا خیر.

روش‌های مرتبط

منابع

  1. Borshchev, A., & Filippov, A. (2004). From system dynamics and discrete event to practical agent based modeling: Reasons, techniques, tools. In Proceedings of the 22nd International Conference of the System Dynamics Society. Oxford, UK.

    باز کردن مرجع انتشار
    کپی شد.
  2. Sterman, J. D. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. McGraw-Hill, Boston.

    شابک: 9780072311358
    کپی شد.