Skip to content
กลับไปยังผลการค้นหา

ออโตมาตาเซลลูลาร์ฐานเอเจนต์ — การจำลองเชิงพื้นที่แบบผสมผสานของปรากฏการณ์อุบัติใหม่

ผู้เสนอ
Wolfram, S.; Epstein, J. M. & Axtell, R.
ปี
1986–1996
ประเภท
Hybrid spatial simulation
กลุ่มวิธี
Simulation / optimization

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

ออโตมาตาเซลลูลาร์ฐานเอเจนต์ (Agent-Based Cellular Automata: ABCA) เป็นกรอบการจำลองแบบผสมผสานที่รวมกฎการเปลี่ยนแปลงเฉพาะที่ของออโตมาตาเซลลูลาร์เข้ากับตรรกะพฤติกรรมอัตโนมัติของการสร้างแบบจำลองฐานเอเจนต์ เซลล์ในกริดเชิงพื้นที่จะมีการเปลี่ยนแปลงไปตามกฎของพื้นที่ใกล้เคียงและเป็นที่อยู่ของเอเจนต์ที่รับรู้ ตัดสินใจ และกระทำ ซึ่งช่วยให้สามารถศึกษาปรากฏการณ์เชิงพื้นที่ที่ซับซ้อน เช่น การเปลี่ยนแปลงการใช้ที่ดิน การแพร่กระจายของโรค พลวัตของฝูงชน และวิวัฒนาการของระบบนิเวศ

แนวคิดเบื้องหลังวิธีการ

ลองจินตนาการถึงกระดานหมากรุกที่แต่ละช่องเปลี่ยนสีตามสีของช่องข้างเคียง (ออโตมาตาเซลลูลาร์) แต่ก็มีตัวหมากรุกที่เคลื่อนที่ โต้ตอบ และตอบสนองต่อสถานะของกระดาน (เอเจนต์) กลไกใดกลไกหนึ่งเพียงอย่างเดียวไม่สามารถอธิบายภาพรวมทั้งหมดได้: กฎของ CA ขับเคลื่อนการเปลี่ยนแปลงสิ่งแวดล้อม ในขณะที่เอเจนต์นำเสนอพฤติกรรมที่หลากหลายและปรับตัวได้ เมื่อรวมกันแล้วจะสร้างรูปแบบอุบัติใหม่ที่สมบูรณ์ซึ่งแบบจำลองใดแบบจำลองหนึ่งไม่สามารถสร้างขึ้นได้โดยลำพัง ความเป็นคู่กันนี้ทำให้ ABCA มีประสิทธิภาพเป็นพิเศษสำหรับระบบที่พื้นที่ สิ่งแวดล้อม และการตัดสินใจของแต่ละบุคคลมีการวิวัฒนาการร่วมกัน

ประวัติศาสตร์

ออโตมาตาเซลลูลาร์ได้รับการกำหนดอย่างเป็นทางการโดย von Neumann และ Ulam ในทศวรรษ 1950 และได้รับความนิยมจากงานวิจัยเชิงคำนวณที่ครอบคลุมของ Wolfram (1986, 2002) การสร้างแบบจำลองฐานเอเจนต์ได้รับความโดดเด่นผ่านแบบจำลองการแบ่งแยกของ Schelling (1971) และ Sugarscape ของ Epstein & Axtell (1996) กรอบการทำงาน ABCA แบบผสมผสานเกิดขึ้นในทศวรรษ 1990 จากงานจำลองเชิงพื้นที่ในนิเวศวิทยาและภูมิศาสตร์เมือง ซึ่งนักวิจัยตระหนักว่าการเชื่อมโยงกฎ CA เฉพาะที่กับเอเจนต์ที่ปรับตัวได้สามารถจับภาพความซับซ้อนในโลกแห่งความเป็นจริงได้ดีขึ้น

ควรใช้เมื่อใด

ใช้ ABCA เมื่อคำถามวิจัยของคุณเกี่ยวข้องกับสภาพแวดล้อมเชิงพื้นที่ที่เปลี่ยนแปลงไปตามกฎเฉพาะที่ และตัวแสดงอิสระที่การตัดสินใจของแต่ละบุคคลส่งผลย้อนกลับไปยังสภาพแวดล้อมนั้น การประยุกต์ใช้ในอุดมคติ ได้แก่ การสร้างแบบจำลองการเติบโตของเมือง การแพร่ระบาดของโรคพร้อมการตอบสนองทางพฤติกรรม การเปลี่ยนแปลงการใช้ที่ดินทางนิเวศวิทยา การอพยพของฝูงชน และความยืดหยุ่นของโครงสร้างพื้นฐาน อย่าใช้ ABCA เมื่อระบบขาดโครงสร้างเชิงพื้นที่ที่มีความหมาย (ให้ใช้ ABM บริสุทธิ์แทน) เมื่อพลวัตทั้งหมดเป็นเนื้อเดียวกันและจากบนลงล่าง (ให้ใช้พลวัตของระบบ) เมื่อทรัพยากรคอมพิวเตอร์มีจำกัดมาก (แบบจำลอง ABCA มีขนาดไม่ดี) หรือเมื่อคุณต้องการผลลัพธ์เชิงวิเคราะห์แบบปิดมากกว่าผลลัพธ์จากการจำลอง

ข้อจำกัดและข้อควรพิจารณา

  • ต้นทุนการคำนวณเพิ่มขึ้นอย่างรวดเร็วตามขนาดกริด จำนวนเอเจนต์ และความยาวของการจำลอง ทำให้แบบจำลองขนาดใหญ่ต้องใช้ทรัพยากรมาก
  • การปรับเทียบและการตรวจสอบความถูกต้องไม่ใช่เรื่องง่าย: การจับคู่ผลลัพธ์ที่อุบัติใหม่กับรูปแบบเชิงประจักษ์ต้องอาศัยการประมาณค่าพารามิเตอร์อย่างรอบคอบและการสร้างแบบจำลองที่เน้นรูปแบบ
  • พฤติกรรมของแบบจำลองอาจมีความอ่อนไหวต่อโทโพโลยีของกริด ความยาวของช่วงเวลา และลำดับการประยุกต์ใช้กฎ ซึ่งต้องมีการจัดทำเอกสารอย่างเข้มงวด
  • ผลลัพธ์คือผลลัพธ์จากการจำลอง ไม่ใช่การพิสูจน์เชิงวิเคราะห์; สรุปทางสถิติต้องอาศัยการจำลองซ้ำหลายครั้งเพื่ออธิบายการกระจายผลลัพธ์ได้อย่างน่าเชื่อถือ
  • การสื่อสารตรรกะของแบบจำลองและสาเหตุที่อุบัติใหม่ไปยังกลุ่มเป้าหมายที่ไม่ใช่ผู้เชี่ยวชาญเป็นเรื่องที่ท้าทาย

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • จับภาพการเชื่อมโยงแบบสองทิศทางระหว่างสิ่งแวดล้อมและพฤติกรรมของแต่ละบุคคล ซึ่งสร้างรูปแบบอุบัติใหม่ที่ทั้ง CA และ ABM เพียงอย่างเดียวไม่สามารถสร้างได้
  • เข้ารหัสความไม่เป็นเนื้อเดียวกันเชิงพื้นที่และข้อจำกัดทางภูมิศาสตร์ได้อย่างเป็นธรรมชาติ ทำให้เข้ากันได้โดยตรงกับข้อมูล GIS
  • รองรับการกำหนดกฎแบบสุ่มหรือแบบกำหนด ซึ่งช่วยให้สามารถวิเคราะห์ความอ่อนไหวภายใต้ความไม่แน่นอนของพารามิเตอร์
  • ปรับขนาดความละเอียดได้: ขนาดเซลล์กริดและประชากรเอเจนต์สามารถปรับได้เพื่อสร้างสมดุลระหว่างต้นทุนการคำนวณและความเที่ยงตรงในการแสดงผล
  • เหมาะอย่างยิ่งสำหรับการสร้างการเปรียบเทียบสถานการณ์ที่เป็นไปได้ภายใต้การแทรกแซงนโยบายหรือเงื่อนไขเริ่มต้นที่แตกต่างกัน

การประยุกต์ใช้

  • การสร้างแบบจำลองการขยายตัวของเมืองและการเปลี่ยนแปลงการใช้ที่ดินโดยใช้กริด GIS แบบแรสเตอร์กับเอเจนต์ครัวเรือนและนักพัฒนา
  • การจำลองการแพร่ระบาดของโรคที่การแพร่เชื้อเป็นไปตามกฎการแพร่กระจายของ CA และบุคคลใช้พฤติกรรมป้องกัน
  • การวางแผนการอพยพของฝูงชนด้วยเอเจนต์คนเดินเท้าที่นำทางกริดสิ่งกีดขวางและการมีอยู่ของทางออกที่อัปเดตแบบไดนามิก
  • แบบจำลองระบบนิเวศและไฟป่าที่สถานะพืชพรรณเป็นไปตามกฎการสืบทอดของ CA และเอเจนต์ที่หาอาหารหรือแพร่กระจายไฟโต้ตอบกับชีวมวลพืช
  • การไหลของการจราจรและการประสานงานยานพาหนะอัตโนมัติบนกริดเครือข่ายถนนพร้อมเอเจนต์ผู้ขับขี่แต่ละคน
  • การศึกษาการแบ่งแยกทางสังคมและการก่อตัวของละแวกใกล้เคียงที่รวมกฎความชอบเชิงพื้นที่เข้ากับเอเจนต์การเคลื่อนที่ของแต่ละบุคคล

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดกริดเชิงพื้นที่ (แลตทิซ) โดยระบุขนาดเซลล์ โทโพโลยี (ปกติ ไม่ปกติ หรือแบบเครือข่าย) และตัวแปรสถานะที่แต่ละเซลล์มี (เช่น ประเภทการปกคลุมของที่ดิน ระดับทรัพยากร มลพิษ) พร้อมกันนั้นให้กำหนดประเภทเอเจนต์พร้อมคุณสมบัติ (ตำแหน่ง พลังงาน หน่วยความจำ) และกฎการเชื่อมโยงระหว่างสิ่งแวดล้อมกับเอเจนต์ที่กำหนดว่าเอเจนต์อ่านและเขียนสถานะเซลล์อย่างไร

2

กำหนดสถานะเซลล์เริ่มต้นทั่วทั้งกริด โดยทั่วไปมาจากข้อมูลเชิงประจักษ์ แผนที่ หรือการกระจายแบบสุ่มที่ปรับเทียบกับสภาวะที่สังเกตได้ วางเอเจนต์บนกริดตามการกระจายประชากรเริ่มต้น กำหนดพารามิเตอร์แบบจำลอง เช่น ความยาวของช่วงเวลา รัศมีของพื้นที่ใกล้เคียง (มัวร์ หรือ ฟอน นอยมันน์) และพารามิเตอร์พฤติกรรมของเอเจนต์

3

ในแต่ละช่วงเวลา ให้ใช้กฎการเปลี่ยนแปลงเฉพาะที่เพื่ออัปเดตสถานะเซลล์ตามสถานะปัจจุบันของเซลล์ข้างเคียง กฎอาจเป็นแบบกำหนด (เช่น เกณฑ์แบบเกมชีวิตของคอนเวย์) หรือแบบความน่าจะเป็น ซึ่งอนุญาตให้มีพลวัตของสิ่งแวดล้อมแบบสุ่ม ขั้นตอนนี้จะจับภาพการแพร่กระจาย การกระจาย และการสืบทอดทางสิ่งแวดล้อมโดยไม่ขึ้นกับการตัดสินใจของเอเจนต์

4

เอเจนต์รับรู้สภาพแวดล้อมเฉพาะที่ (สถานะเซลล์ใกล้เคียงและเอเจนต์อื่น ๆ) ประเมินกฎพฤติกรรมหรือฟังก์ชันอรรถประโยชน์ และดำเนินการต่าง ๆ เช่น การเคลื่อนที่ การบริโภคทรัพยากร การสืบพันธุ์ หรือการสื่อสาร การตัดสินใจของเอเจนต์อาจปรับเปลี่ยนสถานะเซลล์ ซึ่งสร้างการเชื่อมโยงแบบสองทิศทางระหว่างเอเจนต์และสิ่งแวดล้อม

5

รวมผลลัพธ์ของการประยุกต์ใช้กฎ CA และการกระทำของเอเจนต์เพื่อสร้างสถานะกริดทั่วโลกที่อัปเดต แก้ไขข้อขัดแย้งเมื่อเอเจนต์หลายตัวกำหนดเป้าหมายเซลล์เดียวกัน รวบรวมผลลัพธ์ระดับจุลภาค (วิถีของเอเจนต์ ประวัติสถานะแต่ละบุคคล) และผลลัพธ์ระดับมหภาค (การกระจายสถานะเซลล์รวม สถิติเชิงพื้นที่) สำหรับแต่ละช่วงเวลา

6

หลังจากดำเนินการเป็นจำนวนช่วงเวลาที่เพียงพอ (หรือผ่านการจำลอง Monte Carlo หลายครั้งสำหรับแบบจำลองสุ่ม) ให้วิเคราะห์รูปแบบมหภาคที่อุบัติใหม่โดยใช้สถิติเชิงพื้นที่ เมตริกคลัสเตอร์ อนุกรมเวลาของตัวบ่งชี้รวม และการวิเคราะห์ความอ่อนไหว เปรียบเทียบสถานการณ์โดยการเปลี่ยนกฎ CA พารามิเตอร์พฤติกรรมของเอเจนต์ หรือเงื่อนไขเริ่มต้นเพื่อประเมินนัยยะทางนโยบายหรือการออกแบบ

ข้อผิดพลาดที่พบบ่อย

  • การใช้การอัปเดตแบบซิงโครนัสเทียบกับแบบอะซิงโครนัสโดยไม่มีเหตุผลสามารถเปลี่ยนแปลงพลวัตที่อุบัติใหม่ได้อย่างมาก; ควรจัดทำเอกสารและทดสอบแผนการอัปเดตเสมอ
  • การละเลยความสัมพันธ์เชิงพื้นที่อัตโนมัติเมื่อเริ่มต้นสถานะเซลล์นำไปสู่เงื่อนไขเริ่มต้นที่ไม่สมจริงซึ่งทำให้พลวัตที่ตามมาทั้งหมดมีอคติ
  • การกำหนดพารามิเตอร์กฎพฤติกรรมของเอเจนต์มากเกินไปสร้างแบบจำลองที่ไม่สามารถระบุได้ ซึ่งชุดพารามิเตอร์หลายชุดเข้ากันได้ดีกับข้อมูลเท่าเทียมกัน; ควรเลือกชุดกฎที่ประหยัดกว่า
  • การถือว่าการจำลองเพียงครั้งเดียวเป็นผลลัพธ์ที่เป็นตัวแทนโดยไม่มีการจำลองซ้ำเป็นข้อผิดพลาดทั่วไปใน ABCA แบบสุ่ม; ควรรายงานการกระจายผลลัพธ์จากการจำลองหลายครั้ง
  • การรวมสิ่งประดิษฐ์ของแบบจำลอง (เช่น ผลกระทบของขอบเขต เรขาคณิตของกริด) เข้ากับปรากฏการณ์อุบัติใหม่ที่แท้จริงโดยไม่มีการทดสอบความอ่อนไหวต่อโครงสร้างกริด

คำถามที่พบบ่อย

ความแตกต่างที่สำคัญระหว่างออโตมาตาเซลลูลาร์ฐานเอเจนต์และออโตมาตาเซลลูลาร์บริสุทธิ์คืออะไร?

ใน CA บริสุทธิ์ ทุกเซลล์จะปฏิบัติตามกฎการเปลี่ยนแปลงเดียวกันอย่างเฉื่อยชาตามเซลล์ข้างเคียง ใน ABCA เอเจนต์เป็นเอนทิตีอิสระที่มีหน่วยความจำ เป้าหมาย และกฎพฤติกรรมที่หลากหลายซึ่งสามารถแทนที่หรือเสริมกฎการเปลี่ยนแปลงของ CA ได้ ทำให้เกิดพฤติกรรมที่ปรับตัวได้และมุ่งเน้นเป้าหมายที่ซ้อนทับอยู่บนพลวัตเชิงพื้นที่

ฉันจะจัดการกับข้อขัดแย้งเมื่อเอเจนต์สองตัวแข่งขันกันเพื่อเซลล์เดียวกันได้อย่างไร?

กลยุทธ์การแก้ไขทั่วไป ได้แก่ การจัดลำดับความสำคัญ (จัดอันดับเอเจนต์ตามคุณลักษณะ เช่น พลังงานหรือความมั่งคั่ง) การจัดสรรตามความน่าจะเป็น (กำหนดเซลล์แบบสุ่มตามสัดส่วนของอรรถประโยชน์ของเอเจนต์) หรือการกีดกันทางกายภาพ (มีเอเจนต์เพียงตัวเดียวต่อเซลล์ ตัวอื่น ๆ รอ) การเลือกควรมีเหตุผลตามทฤษฎีโดเมนและจัดทำเอกสารอย่างโปร่งใส

ฉันต้องจำลองซ้ำกี่ครั้งสำหรับ ABCA แบบสุ่ม?

ไม่มีเกณฑ์สากล แต่ 50–200 ครั้งเป็นการเริ่มต้นทั่วไป ดำเนินการจำลองซ้ำเพิ่มขึ้นเรื่อย ๆ จนกว่าสถิติผลลัพธ์ที่สำคัญ (ค่าเฉลี่ย ความแปรปรวน ลำดับอันดับของสถานการณ์) จะคงที่ สำหรับการเปรียบเทียบนโยบาย ให้รายงานช่วงความเชื่อมั่นหรือการกระจายผลลัพธ์ทั้งหมดแทนผลลัพธ์จากการจำลองครั้งเดียว

แบบจำลอง ABCA สามารถปรับเทียบกับข้อมูลเชิงประจักษ์ได้หรือไม่?

ได้ โดยผ่านการสร้างแบบจำลองที่เน้นรูปแบบ (Pattern-Oriented Modeling: POM): ระบุรูปแบบมหภาคที่สังเกตได้ในข้อมูลจริง (เช่น การกระจายขนาดคลัสเตอร์เชิงพื้นที่ อนุกรมเวลารวม) จากนั้นปรับเปลี่ยนพารามิเตอร์อย่างเป็นระบบเพื่อค้นหาพารามิเตอร์ที่สร้างรูปแบบเหล่านี้ขึ้นมาใหม่ การคำนวณแบบเบย์เซียนโดยประมาณ (Approximate Bayesian Computation: ABC) สามารถทำให้การปรับเทียบนี้เป็นทางการสำหรับแบบจำลองสุ่มได้

ABCA เหมาะสำหรับการสนับสนุนการตัดสินใจแบบเรียลไทม์หรือไม่?

ไม่เหมาะในรูปแบบทั่วไป: แบบจำลอง ABCA โดยทั่วไปต้องใช้เวลาดำเนินการมากและมีการจำลองซ้ำหลายครั้ง สำหรับการใช้งานใกล้เรียลไทม์ ให้คำนวณไลบรารีสถานการณ์ล่วงหน้า ใช้แบบจำลองตัวแทนหรือแบบจำลองจำลองที่ฝึกฝนจากผลลัพธ์ ABCA หรือลดความซับซ้อนของกริดและประชากรเอเจนต์อย่างมาก

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Wolfram, S. (2002). A New Kind of Science. Wolfram Media, Champaign, IL.

    ISBN: 978-1579550080
    คัดลอกแล้ว
  2. Epstein, J. M., & Axtell, R. (1996). Growing Artificial Societies: Social Science from the Bottom Up. Brookings Institution Press / MIT Press, Washington, DC.

    ISBN: 978-0262550253
    คัดลอกแล้ว