Skip to content
Kembali ke hasil pencarian

Pemrograman Tujuan Berbasis Agen — Simulasi-optimasi hibrida dengan agen terdesentralisasi dan pemenuhan multi-tujuan

Diperkenalkan oleh
Charnes, Cooper (GP); Schelling, Holland (ABM foundations)
Tahun
1990s-2000s (hybrid integration)
Jenis
Hybrid simulation-optimization
Keluarga
Simulation / optimization

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Pemrograman Tujuan Berbasis Agen (ABGP) mengintegrasikan simulasi berbasis agen dengan optimasi pemrograman tujuan untuk memodelkan sistem di mana banyak pengambil keputusan otonom mengejar tujuan yang bersaing dan diprioritaskan.

Ini memungkinkan peneliti untuk mempelajari bagaimana perilaku terdesentralisasi dan adaptif di tingkat agen mengarah pada hasil tingkat sistem yang diukur terhadap target yang telah ditentukan, menangkap kemunculan dan pemenuhan multi-kriteria secara bersamaan.

Intuisi di balik metode

Bayangkan rantai pasokan di mana setiap pemasok, produsen, dan pengecer membuat keputusan independen berdasarkan aturan lokal, namun seluruh sistem harus memenuhi target biaya, tingkat layanan, dan emisi. Optimasi standar mengasumsikan satu perencana pusat; simulasi murni memberi tahu Anda apa yang terjadi tetapi tidak bagaimana memperbaikinya. ABGP menggabungkan keduanya: agen mensimulasikan perilaku terdesentralisasi yang realistis sementara pemrograman tujuan mengevaluasi dan memandu sistem untuk memenuhi banyak target dengan penyimpangan minimum. Analis menentukan tujuan dan bobot prioritasnya, agen berinteraksi dari waktu ke waktu, dan metode melacak seberapa jauh hasil aktual menyimpang dari setiap tujuan — memungkinkan analisis dan optimasi sistem adaptif yang kompleks.

Sejarah

Pemrograman tujuan diperkenalkan oleh Charnes dan Cooper pada tahun 1950-an sebagai perluasan dari pemrograman linier untuk memuaskan banyak tujuan. Pemodelan berbasis agen muncul sebagai metodologi yang berbeda pada tahun 1990-an melalui karya sarjana seperti Holland dan Epstein. Integrasi ABM dengan pemrograman matematis — termasuk pemrograman tujuan — mendapatkan daya tarik pada tahun 2000-an dalam komunitas riset operasi, rantai pasokan, dan simulasi kebijakan karena kekuatan komputasi memungkinkan loop simulasi-optimasi iteratif menjadi layak.

Kapan digunakan

Gunakan ABGP ketika suatu sistem melibatkan banyak aktor otonom dengan aturan perilaku yang heterogen dan analis secara bersamaan perlu memenuhi atau mengoptimalkan beberapa target yang bersaing — umum dalam manajemen rantai pasokan, kebijakan publik, alokasi sumber daya kesehatan, dan perencanaan lingkungan. Ini sesuai ketika perilaku kolektif yang muncul adalah inti dari masalah dan model optimasi monolitik tunggal akan salah merepresentasikan otonomi agen. Hindari ABGP ketika sistem dicirikan dengan baik oleh satu pengambil keputusan, ketika sumber daya komputasi sangat terbatas (membutuhkan banyak jalankan simulasi), ketika tujuan dapat dikurangi menjadi satu tujuan tanpa kehilangan validitas, atau ketika interaksi agen dapat diabaikan dan model pemrograman matematis murni sudah cukup.

Batasan dan pertimbangan

  • Intensif secara komputasi: setiap evaluasi memerlukan menjalankan simulasi berbasis agen penuh, membuat loop optimasi skala besar menjadi mahal.
  • Kalibrasi dan validasi model menantang; parameter perilaku agen seringkali sulit diperkirakan dari data empiris.
  • Hasil dapat sensitif terhadap pilihan desain simulasi (langkah waktu, topologi agen, kondisi awal), menimbulkan risiko model.
  • Pemrograman tujuan mengharuskan analis untuk menentukan terlebih dahulu tingkat aspirasi dan bobot, yang mungkin bersifat subjektif atau diperdebatkan di antara para pemangku kepentingan.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Menangkap perilaku sistem yang muncul dari interaksi agen terdesentralisasi yang tidak dapat direpresentasikan oleh model agregasi.
  • Menangani banyak tujuan yang bersaing dengan struktur prioritas atau bobot eksplisit, memberikan transparansi kepada pengambil keputusan mengenai trade-off.
  • Mengakomodasi agen heterogen dengan aturan perilaku, set informasi, dan pembelajaran adaptif yang berbeda tanpa memerlukan fungsi utilitas yang terpadu.
  • Memungkinkan analisis kebijakan 'what-if': mengubah aturan agen atau bobot tujuan dan mengamati dampak tingkat sistem tanpa eksperimen fisik.
  • Cukup fleksibel untuk diintegrasikan dengan simulasi stokastik, memberikan distribusi pencapaian tujuan daripada perkiraan titik.

Penerapan

  • Koordinasi rantai pasokan di mana pemasok, produsen, dan pengecer masing-masing mengoptimalkan secara lokal sementara sistem menargetkan tujuan biaya, tingkat layanan, dan keberlanjutan secara bersamaan.
  • Pemodelan alokasi sumber daya kesehatan masyarakat agen rumah sakit dan aliran pasien untuk meminimalkan penyimpangan dari tujuan cakupan, ekuitas, dan anggaran.
  • Simulasi pasar energi di mana agen produsen dan konsumen berinteraksi dan kebijakan berusaha untuk memenuhi target penetrasi terbarukan, stabilitas harga, dan emisi.
  • Perencanaan tata guna lahan perkotaan dengan agen rumah tangga dan pengembang di mana perencana meminimalkan penyimpangan dari tujuan keterjangkauan, kepadatan, dan ruang hijau.
  • Pengujian stres pasar keuangan di mana agen pedagang menghasilkan dinamika endogen yang dievaluasi terhadap target modal dan likuiditas peraturan.

Cara kerjanya

Cara kerjanya

1

Definisikan agen (tipe, aturan perilaku, topologi interaksi) dan enumerasikan himpunan tujuan g_i dengan tingkat aspirasi. Setiap tujuan mewakili target yang harus dicapai oleh sistem — misalnya, biaya di bawah ambang batas, throughput di atas minimum, atau ekuitas di atas batas bawah. Tetapkan bobot prioritas w_i atau tingkat prioritas leksikografis ke variabel penyimpangan positif (overachievement) dan negatif (underachievement) setiap tujuan.

2

Formulasikan tujuan pemrograman tujuan berbobot: minimalkan jumlah tertimbang dari penyimpangan Z = sum(w_i^+ * d_i^+ + w_i^- * d_i^-), di mana d_i^+ dan d_i^- adalah variabel overachievement dan underachievement untuk tujuan i masing-masing. Fungsi tujuan ini memandu konfigurasi simulasi atau parameter agen mana yang akan dievaluasi.

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

Jalankan simulasi berbasis agen untuk horizon waktu yang ditentukan. Agen mengikuti aturan perilaku (misalnya, rasionalitas terbatas, informasi lokal, pembelajaran adaptif) dan berinteraksi melalui pasar, jaringan, atau lingkungan spasial. Catat keluaran tingkat sistem pada setiap langkah waktu atau di akhir jalannya simulasi. Ulangi di berbagai jalankan untuk memperhitungkan variabilitas stokastik dalam perilaku agen.

4

Petakan keluaran simulasi ke persamaan kendala tujuan: f_i(x) + d_i^- - d_i^+ = g_i. Hitung nilai penyimpangan d_i^+ dan d_i^- untuk setiap tujuan i berdasarkan hasil simulasi x. Hitung tujuan keseluruhan Z. Evaluasi ini mengungkapkan tujuan mana yang terpenuhi, mana yang terlampaui, dan mana yang kurang terpenuhi, dan seberapa besar.

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

Gunakan informasi penyimpangan untuk memperbarui parameter agen, aturan kebijakan, atau konfigurasi struktural (melalui loop optimasi, desain eksperimen, atau pencarian metaheuristik) dan simulasikan kembali. Lanjutkan iterasi sampai Z diminimalkan ke tingkat yang dapat diterima atau kriteria penghentian terpenuhi. Laporkan konfigurasi agen akhir, profil pencapaian tujuan, dan analisis trade-off di seluruh tujuan yang diprioritaskan.

Kesalahan umum

  • Memperlakukan model terintegrasi sebagai kotak hitam tanpa memvalidasi komponen berbasis agen secara terpisah terlebih dahulu dapat menyebabkan kesalahan pemodelan yang tidak terdeteksi menyebar ke lapisan optimasi.
  • Menggunakan terlalu sedikit jalankan simulasi per titik desain menghasilkan perkiraan penyimpangan yang berisik, yang menyesatkan optimasi pemrograman tujuan ke arah konfigurasi suboptimal.
  • Menetapkan tingkat aspirasi tujuan secara sewenang-wenang daripada mendasarkannya pada tolok ukur empiris atau masukan pemangku kepentingan merusak makna minimisasi penyimpangan.
  • Mengabaikan variabilitas stokastik dengan hanya menggunakan keluaran simulasi rata-rata dapat secara sistematis salah menyatakan pencapaian tujuan, terutama untuk tujuan yang sensitif terhadap risiko.

Pertanyaan yang sering diajukan

Bagaimana ABGP berbeda dari sekadar menjalankan model berbasis agen lalu melakukan pemrograman tujuan secara terpisah?

Dalam ABGP kedua komponen digabungkan dalam loop umpan balik: nilai penyimpangan tujuan dari setiap jalankan simulasi menginformasikan perubahan parameter yang kembali ke simulasi berikutnya. Menjalankannya secara terpisah berarti optimasi tidak dapat memperhitungkan bagaimana perilaku agen berubah sebagai respons terhadap penyesuaian kebijakan, kehilangan dinamika yang muncul yang memotivasi penggunaan ABM sejak awal.

Apakah ada alat perangkat lunak standar untuk mengimplementasikan ABGP?

Tidak ada satu alat khusus yang ada. Praktisi biasanya membangun lapisan berbasis agen di platform seperti NetLogo, Repast, atau Mesa, kemudian menggabungkannya dengan pemecah pemrograman matematis (misalnya, CPLEX, Gurobi, PuLP) atau pembungkus metaheuristik untuk loop optimasi. Penggabungan biasanya dikodekan khusus dalam Python atau Java.

Berapa banyak jalankan simulasi yang diperlukan per titik desain untuk mendapatkan perkiraan penyimpangan tujuan yang andal?

Tidak ada aturan universal, tetapi jalankan percontohan dengan analisis varians sangat penting. Untuk ABM stokastik, 30-100 replikasi per titik desain adalah titik awal yang umum; sistem dengan varians perilaku tinggi atau peristiwa langka mungkin memerlukan beberapa ratus. Metode permukaan respons atau angka acak umum dapat mengurangi jumlah total jalankan.

Bisakah ABGP menangani prioritas leksikografis (pre-emptive) antar tujuan, atau hanya tujuan berbobot?

Kedua struktur prioritas kompatibel. ABGP berbobot meminimalkan satu tujuan penyimpangan agregat. ABGP leksikografis mengoptimalkan tujuan secara berurutan — pertama meminimalkan penyimpangan pada tujuan prioritas tertinggi, kemudian pada tujuan kedua dengan tingkat pencapaian tujuan pertama tetap, dan seterusnya. Pilihan harus mencerminkan struktur preferensi aktual pemangku kepentingan.

Kapan pemrograman tujuan yang kuat atau stokastik lebih disukai daripada ABGP?

Ketika heterogenitas tingkat agen dan efek interaksi yang muncul bukan merupakan pendorong utama ketidakpastian — misalnya, ketika ketidakpastian terutama berasal dari distribusi parameter daripada dari pengambilan keputusan yang terdesentralisasi — pemrograman tujuan stokastik atau kuat menawarkan ketertelusuran analitis yang lebih bersih dengan biaya komputasi yang lebih rendah.

Metode terkait

Sumber

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

    Buka referensi DOI
    Disalin.
  2. Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of Simulation, 4(3), 151-162.

    Buka referensi DOI
    Disalin.