Skip to content
กลับไปยังผลการค้นหา

การจำลองเหตุการณ์แบบไม่ต่อเนื่องที่ขับเคลื่อนด้วยเอเจนต์ — การจำลองแบบผสมผสานระหว่างเอเจนต์อิสระและคิวเหตุการณ์

ผู้เสนอ
Hybridization formalized by multiple authors; Siebers & Aickelin, Lagergren & Buckley among key contributors
ปี
2000s
ประเภท
Hybrid simulation paradigm
กลุ่มวิธี
Simulation / optimization

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การจำลองเหตุการณ์แบบไม่ต่อเนื่องที่ขับเคลื่อนด้วยเอเจนต์ (AB-DES) เป็นกระบวนทัศน์การสร้างแบบจำลองแบบผสมผสานที่เชื่อมโยงพฤติกรรมของเอเจนต์อิสระเข้ากับกลไกการดำเนินการที่ขับเคลื่อนด้วยเหตุการณ์ มันจับความแตกต่างของการตัดสินใจของหน่วยงานแต่ละแห่ง ในขณะที่ยังคงรักษาการควบคุมการไหลที่แม่นยำและประทับเวลาของการจำลองเหตุการณ์แบบไม่ต่อเนื่อง ทำให้เหมาะสำหรับระบบที่ซับซ้อนซึ่งทั้งการเป็นผู้กระทำการของแต่ละบุคคลและการจัดลำดับกระบวนการมีความสำคัญ

แนวคิดเบื้องหลังวิธีการ

ระบบบางอย่างซับซ้อนเกินกว่าการสร้างแบบจำลองที่ขับเคลื่อนด้วยเอเจนต์หรือการจำลองเหตุการณ์แบบไม่ต่อเนื่องเพียงอย่างเดียว ตัวอย่างเช่น โรงพยาบาลมีผู้ป่วยและเจ้าหน้าที่ที่ทำการเลือกอย่างอิสระ (พฤติกรรมเอเจนต์) แต่ยังมีลำดับเหตุการณ์บริการที่เข้มงวด — การคัดแยก การรักษา การจำหน่าย — ที่ต้องติดตามอย่างแม่นยำ (เหตุการณ์ไม่ต่อเนื่อง) AB-DES ช่วยให้นักสร้างแบบจำลองสามารถแสดงทั้งสองอย่างได้: เอเจนต์มีคุณลักษณะส่วนบุคคลและกฎการตัดสินใจ ในขณะที่คิวเหตุการณ์จะจัดกำหนดการและประมวลผลการเปลี่ยนแปลงสถานะตามลำดับเวลา แนวทางแบบผสมผสานนี้จับพฤติกรรมโดยรวมที่เกิดขึ้นใหม่และคอขวดของกระบวนการพร้อมกัน ให้ข้อมูลเชิงลึกที่สมบูรณ์ยิ่งขึ้นกว่ากระบวนทัศน์ใด ๆ เพียงอย่างเดียว

ประวัติศาสตร์

การจำลองเหตุการณ์แบบไม่ต่อเนื่องมีต้นกำเนิดในทศวรรษ 1960 โดย Tocher และ Gordon การสร้างแบบจำลองที่ขับเคลื่อนด้วยเอเจนต์เกิดขึ้นในทศวรรษ 1990 ผ่าน Schelling, Axelrod และ Epstein แนวทาง AB-DES แบบผสมผสานได้รับการสำรวจอย่างเป็นทางการในทศวรรษ 2000 เมื่อนักวิจัยตระหนักว่าระบบสังคมเทคนิคที่ซับซ้อนต้องการทั้งสองกระบวนทัศน์ การใช้งานด้านการดูแลสุขภาพและโลจิสติกส์ขับเคลื่อนการยอมรับในช่วงแรก และแนวทางนี้ได้รับการสนับสนุนโดยแพลตฟอร์มการจำลองหลัก ๆ รวมถึง AnyLogic

ควรใช้เมื่อใด

ใช้ AB-DES เมื่อระบบเกี่ยวข้องกับทั้งผู้กระทำการอิสระที่แตกต่างกันซึ่งทำการตัดสินใจส่วนบุคคลและกระบวนการตามลำดับที่กำหนดไว้อย่างดีพร้อมการกำหนดเวลาที่แม่นยำ เหมาะอย่างยิ่งสำหรับเส้นทางสุขภาพ โลจิสติกส์ห่วงโซ่อุปทาน การตอบสนองฉุกเฉิน และระบบการผลิตที่พฤติกรรมของพนักงานหรือลูกค้าแตกต่างกัน แต่ขั้นตอนกระบวนการคงที่ อย่าใช้ AB-DES เมื่อระบบเป็นเนื้อเดียวกันและขับเคลื่อนด้วยกระบวนการโดยไม่มีความแตกต่างของเอเจนต์ที่มีความหมาย (DES มาตรฐานก็เพียงพอแล้ว) หรือเมื่อการโต้ตอบเกิดขึ้นใหม่โดยไม่มีลำดับการขับเคลื่อนด้วยเหตุการณ์ (ABM บริสุทธิ์ก็เพียงพอแล้ว) หลีกเลี่ยงเมื่อไม่มีข้อมูลเกี่ยวกับทั้งพฤติกรรมเอเจนต์และการกำหนดเวลาเหตุการณ์ เนื่องจากแบบจำลองจะถูกจำกัดน้อยเกินไป

ข้อจำกัดและข้อควรพิจารณา

  • ความซับซ้อนของการออกแบบและนำแบบจำลองไปใช้สูงกว่า ABM บริสุทธิ์หรือ DES บริสุทธิ์อย่างมาก
  • ต้องใช้ข้อมูลการสอบเทียบสำหรับทั้งพารามิเตอร์พฤติกรรมเอเจนต์และการแจกแจงเวลาเหตุการณ์ ซึ่งอาจหาได้ยาก
  • ต้นทุนการคำนวณอาจสูงสำหรับประชากรเอเจนต์ขนาดใหญ่ที่มีความละเอียดของเหตุการณ์สูง
  • การตรวจสอบความตรงและการทวนสอบ (verification) ต้องใช้ความเชี่ยวชาญในทั้งสองกระบวนทัศน์การจำลอง

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • จับทั้งความแตกต่างของแต่ละบุคคล (พฤติกรรมเอเจนต์) และลำดับกระบวนการ (การกำหนดเวลาเหตุการณ์) ในแบบจำลองที่สอดคล้องกันเพียงแบบจำลองเดียว
  • เปิดใช้งานการวิเคราะห์สถานการณ์สมมติที่สมบูรณ์ยิ่งขึ้นกว่า ABM หรือ DES เพียงอย่างเดียว โดยการเปลี่ยนแปลงทั้งกฎพฤติกรรมและพารามิเตอร์กระบวนการ
  • แสดงระบบที่การตัดสินใจของมนุษย์โต้ตอบกับกระบวนการของสถาบันได้อย่างเป็นธรรมชาติ
  • รองรับการดำเนินการแบบขนานและแบบกระจายสำหรับสถานการณ์ขนาดใหญ่
  • ได้รับการตรวจสอบความถูกต้องในโดเมนจริง รวมถึงการดูแลสุขภาพ โลจิสติกส์ และการจัดการเหตุฉุกเฉิน

การประยุกต์ใช้

  • การสร้างแบบจำลองการไหลของผู้ป่วยในโรงพยาบาลที่พฤติกรรมเจ้าหน้าที่และคิวการรักษาโต้ตอบกัน
  • การวิเคราะห์การหยุดชะงักของห่วงโซ่อุปทานที่ผสมผสานการตัดสินใจของผู้จัดจำหน่ายกับกำหนดการเหตุการณ์การจัดส่ง
  • การวางแผนการอพยพฉุกเฉินด้วยเอเจนต์คนเดินเท้าที่แตกต่างกันและทางออกที่กระตุ้นด้วยเหตุการณ์
  • การจำลองเซลล์การผลิตด้วยความแตกต่างของทักษะพนักงานและคิวเหตุการณ์เครื่องจักร
  • ระบบขนส่งในเมืองด้วยพฤติกรรมผู้ขับขี่และการควบคุมเหตุการณ์สัญญาณ
  • การประเมินนโยบายในบริการสังคมที่การตัดสินใจของเจ้าหน้าที่กรณีโต้ตอบกับการนัดหมายที่กำหนดเวลาไว้

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดขอบเขตของระบบ: ระบุว่าหน่วยงานใดจะถูกสร้างแบบจำลองเป็นเอเจนต์ (พร้อมคุณลักษณะ สถานะ และกฎการตัดสินใจ) และกระบวนการใดจะถูกสร้างแบบจำลองเป็นเหตุการณ์ไม่ต่อเนื่อง (การเปลี่ยนแปลงสถานะทันทีที่กำหนดเวลาไว้ในปฏิทินเหตุการณ์ทั่วโลก) ชี้แจงคำถามที่การจำลองต้องตอบ

2

ออกแบบสถาปัตยกรรมแบบสองชั้น ชั้นเอเจนต์ระบุประเภทของเอเจนต์ คุณลักษณะ พฤติกรรม และโปรโตคอลการโต้ตอบ ชั้นเหตุการณ์ระบุประเภทของเหตุการณ์ เงื่อนไขการกระตุ้น และโครงสร้างปฏิทินเหตุการณ์ทั่วโลก กำหนดว่าเอเจนต์สร้าง บริโภค และตอบสนองต่อเหตุการณ์อย่างไร

3

ระบุตรรกะการตัดสินใจของเอเจนต์: ชุดกฎ ฟังก์ชันอรรถประโยชน์ หรือหลักการเชิงพฤติกรรมที่ควบคุมว่าเอเจนต์แต่ละตัวเลือกการกระทำอย่างไรเมื่อเกิดเหตุการณ์หรือตามช่วงเวลาที่กำหนด ความแตกต่างของเอเจนต์ถูกเข้ารหัสไว้ที่นี่ ทำให้เอเจนต์ประเภทเดียวกันที่แตกต่างกันสามารถประพฤติต่างกันได้ตามสถานะภายในของตน

4

เริ่มต้นปฏิทินเหตุการณ์ทั่วโลกด้วยเหตุการณ์เริ่มต้น ในแต่ละขั้นตอนการจำลอง กลไกจะดึงเหตุการณ์ที่เร็วที่สุด เลื่อนเวลาจำลองไปยังเวลาประทับของเหตุการณ์นั้น ระบุเอเจนต์ที่ได้รับผลกระทบ และเรียกใช้กฎการตัดสินใจของเอเจนต์ที่เกี่ยวข้อง เอเจนต์อาจกำหนดเหตุการณ์ใหม่เป็นผลลัพธ์

5

ดำเนินการจำลองสำหรับการจำลองซ้ำตามจำนวนที่ต้องการ หรือจนกว่าจะถึงเกณฑ์การหยุด รวบรวมข้อมูลวิถี: ประวัติเหตุการณ์ ไทม์ไลน์สถานะของเอเจนต์ และสถิติรวม ใช้การจำลองซ้ำอิสระหลายครั้งเพื่อให้ได้ค่าประมาณผลลัพธ์ที่เสถียรทางสถิติ

6

วิเคราะห์ข้อมูลผลลัพธ์โดยใช้วิธีการทางสถิติ: คำนวณค่าเฉลี่ยและช่วงความเชื่อมั่นจากการจำลองซ้ำ ทำการวิเคราะห์ความไวต่อพารามิเตอร์หลัก แสดงภาพการไหลของเอเจนต์ผ่านเครือข่ายเหตุการณ์ และเปรียบเทียบสถานการณ์นโยบายทางเลือก ตรวจสอบความถูกต้องของแบบจำลองกับข้อมูลจริงก่อนสรุปผล

ข้อผิดพลาดที่พบบ่อย

  • การปะปนเวลาจำลองกับเวลาจริง: ต้องจัดการเวลาประทับเหตุการณ์อย่างเข้มงวดเพื่อหลีกเลี่ยงความไม่สอดคล้องกันทางตรรกะ
  • การสร้างกฎเอเจนต์ที่ซับซ้อนเกินไปเมื่อสมมติฐานพฤติกรรมที่ง่ายกว่าก็เพียงพอแล้ว นำไปสู่แบบจำลองที่ไม่ชัดเจนและไม่ได้สอบเทียบ
  • การละเลยช่วงอุ่นเครื่อง (warm-up): ผลลัพธ์การจำลองในช่วงต้นสะท้อนถึงผลที่คลาดเคลื่อนจากการเริ่มต้นระบบมากกว่าพฤติกรรมสภาวะคงที่
  • การดำเนินการจำลองซ้ำน้อยเกินไปและการเข้าใจผิดผลลัพธ์ของการรันครั้งเดียวว่าเป็นผลลัพธ์ที่เป็นตัวแทน

คำถามที่พบบ่อย

AB-DES แตกต่างจากการสร้างแบบจำลองที่ขับเคลื่อนด้วยเอเจนต์ล้วนอย่างไร?

ABM บริสุทธิ์จะเลื่อนเวลาเป็นขั้น ๆ และมุ่งเน้นไปที่พฤติกรรมโดยรวมที่เกิดขึ้นใหม่ AB-DES ใช้ปฏิทินเหตุการณ์ทั่วโลกเพื่อเลื่อนเวลาเฉพาะเมื่อเกิดเหตุการณ์ ซึ่งมีประสิทธิภาพมากกว่าสำหรับกระบวนการที่เบาบางและรักษาการกำหนดเวลาที่แน่นอนของการเปลี่ยนแปลงสถานะ — ซึ่งสำคัญเมื่อลำดับมีความสำคัญ

เครื่องมือซอฟต์แวร์ใดบ้างที่รองรับ AB-DES?

AnyLogic เป็นแพลตฟอร์มเชิงพาณิชย์ที่ใช้กันอย่างแพร่หลายที่สุดซึ่งรองรับทั้งสามกระบวนทัศน์ (ABM, DES, SD) ในแบบจำลองเดียวโดยธรรมชาติ Repast Simphony และ MASON สามารถขยายเพื่อรวมคิวเหตุการณ์ได้ แม้ว่าจะต้องมีการพัฒนาที่กำหนดเองมากกว่า

ต้องใช้การจำลองซ้ำกี่ครั้ง?

ไม่มีคำตอบที่เป็นสากล แต่แนวทางปฏิบัติทั่วไปคือการทำการศึกษาเบื้องต้น 10–30 ครั้ง ประเมินความแปรปรวนของผลลัพธ์ และคำนวณขนาดตัวอย่างที่ต้องการสำหรับความกว้างของช่วงความเชื่อมั่นที่ต้องการ แบบจำลองเชิงสุ่มโดยทั่วไปต้องการการจำลองซ้ำอย่างน้อย 30 ครั้งสำหรับการอนุมานที่เชื่อถือได้

เมื่อใดที่ฉันควรเลือก DES บริสุทธิ์แทน AB-DES?

เลือก DES บริสุทธิ์เมื่อสามารถปฏิบัติต่อหน่วยงานว่าเป็นเนื้อเดียวกัน (ผู้ป่วยทุกคน ลูกค้าทุกคน ชิ้นส่วนทั้งหมดมีพฤติกรรมเหมือนกัน) และไม่จำเป็นต้องใช้ตรรกะการตัดสินใจส่วนบุคคล AB-DES เพิ่มความซับซ้อนที่สมเหตุสมผลก็ต่อเมื่อความแตกต่างของพฤติกรรมส่งผลกระทบอย่างมีความหมายต่อผลลัพธ์ระดับระบบ

AB-DES เหมาะสำหรับการสนับสนุนการตัดสินใจแบบเรียลไทม์หรือไม่?

โดยทั่วไปไม่ — แบบจำลอง AB-DES จะถูกสอบเทียบและตรวจสอบความถูกต้องแบบออฟไลน์ แบบจำลอง AB-DES ที่รวดเร็วและเรียบง่ายบางรุ่นสามารถทำงานได้เร็วพอสำหรับการทดสอบสถานการณ์แบบใกล้เรียลไทม์ แต่แบบจำลองขนาดเต็มมักใช้สำหรับการวางแผนและการวิเคราะห์นโยบายมากกว่าการควบคุมการดำเนินงานแบบสด

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Lagergren, J. H., & Buckley, E. (2010). A hybrid approach to simulation: Combining agent-based and discrete event simulation. Proceedings of the 2010 Winter Simulation Conference, pp. 170–181. IEEE.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  2. Agent-based model. Wikipedia.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว