Skip to content
กลับไปยังผลการค้นหา

พลวัตระบบฐานตัวแทน — การจำลองแบบผสมผสานหลายระดับ

ผู้เสนอ
Borshchev, A. & Filippov, A. (hybrid formalization); Sterman, J. D. (system dynamics foundation)
ปี
2000s
ประเภท
Hybrid simulation model
กลุ่มวิธี
Simulation / optimization

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

พลวัตระบบฐานตัวแทน (AB-SD) เป็นกระบวนทัศน์การจำลองแบบผสมผสานที่เชื่อมโยงการสร้างแบบจำลองฐานตัวแทน (ABM) ในระดับจุลภาคเข้ากับโครงสร้างสต็อกและกระแสของพลวัตระบบ (SD) ในระดับมหภาค สิ่งนี้ช่วยให้นักวิจัยสามารถบันทึกพฤติกรรมส่วนบุคคลที่เกิดขึ้นใหม่และพลวัตโดยรวมที่ขับเคลื่อนด้วยการป้อนกลับภายในแบบจำลองที่สอดคล้องกันเพียงแบบจำลองเดียว ทำให้มีคุณค่าอย่างยิ่งสำหรับระบบทางเศรษฐกิจสังคมและระบาดวิทยาที่ซับซ้อน

แนวคิดเบื้องหลังวิธีการ

ระบบในโลกแห่งความเป็นจริงบางระบบไม่สามารถอธิบายได้อย่างเพียงพอด้วย ABM หรือ SD เพียงอย่างเดียว ABM มีความเป็นเลิศในการแสดงตัวแทนที่มีความหลากหลายซึ่งทำการตัดสินใจในระดับท้องถิ่น แต่ประสบปัญหาในการปรับขนาดวงจรป้อนกลับในเอนทิตีหลายล้านรายการได้อย่างมีประสิทธิภาพ SD สามารถจับวงจรป้อนกลับโดยรวมได้อย่างสง่างาม แต่ต้องเสียสละความหลากหลายในระดับบุคคล AB-SD เชื่อมช่องว่างนี้: ตัวแทน (ผู้คน บริษัท ยานพาหนะ) ปฏิบัติตามกฎพฤติกรรมที่ส่งผลโดยตรงต่อ — และได้รับอิทธิพลจาก — สต็อกและกระแสระดับมหภาค เช่น ขนาดประชากร ความพร้อมของทรัพยากร หรือความชุกของการติดเชื้อ ทั้งสองระดับสื่อสารกันในทุกช่วงเวลา ทำให้เกิดพลวัตที่กระบวนทัศน์ใดกระบวนทัศน์หนึ่งไม่สามารถสร้างขึ้นได้โดยอิสระ

ประวัติศาสตร์

พลวัตระบบได้รับการจัดรูปแบบโดย Jay Forrester ที่ MIT ในช่วงทศวรรษ 1950-60 การสร้างแบบจำลองฐานตัวแทนกลายเป็นกระแสหลักในทศวรรษ 1990 ด้วยแพลตฟอร์มเช่น Swarm และ NetLogo การผสมผสานอย่างชัดเจนเข้ากับพลวัตระบบฐานตัวแทนได้รับการอธิบายในต้นทศวรรษ 2000 โดยเฉพาะอย่างยิ่งโดย Borshchev และ Filippov (2004) และพบการประยุกต์ใช้อย่างกว้างขวางในระบาดวิทยา การวิจัยห่วงโซ่อุปทาน และการจำลองทางสังคม

ควรใช้เมื่อใด

ใช้ AB-SD เมื่อคำถามวิจัยของคุณครอบคลุมหลายระดับการวิเคราะห์พร้อมกัน — ตัวอย่างเช่น ความหลากหลายของพฤติกรรมส่วนบุคคลส่งผลต่อการระบาดระดับประชากร พลวัตของตลาด หรือการลดลงของทรัพยากรอย่างไร เหมาะอย่างยิ่งสำหรับการวิเคราะห์นโยบายที่การแทรกแซงเกิดขึ้นในระดับจุลภาค (เช่น การกระตุ้นพฤติกรรม) แต่ผลลัพธ์วัดได้ในระดับมหภาค (เช่น GDP ภาระโรค) อย่าใช้เมื่อระบบของคุณทำงานได้อย่างราบรื่นในระดับเดียว (SD บริสุทธิ์เพียงพอสำหรับปัญหาการป้อนกลับโดยรวม; ABM บริสุทธิ์เพียงพอสำหรับปัญหาจุลภาคที่อุดมด้วยการโต้ตอบโดยไม่มีการป้อนกลับโดยรวม) หลีกเลี่ยง AB-SD หากเวลาในการคำนวณถูกจำกัดอย่างรุนแรง หรือหากการเชื่อมโยงระหว่างระดับไม่เป็นที่เข้าใจดี เนื่องจากอินเทอร์เฟซที่ระบุไม่ถูกต้องอาจสร้างรูปแบบที่เกิดขึ้นใหม่ที่ผิดพลาดได้

ข้อจำกัดและข้อควรพิจารณา

  • ความพยายามในการพัฒนาและตรวจสอบแบบจำลองสูงกว่า ABM บริสุทธิ์หรือ SD บริสุทธิ์อย่างมีนัยสำคัญ
  • การตัดสินใจเชื่อมโยง (ตัวแปรใดข้ามอินเทอร์เฟซ ด้วยความถี่เท่าใด) ต้องใช้ความเชี่ยวชาญเฉพาะด้านและอาจทำให้เกิดสิ่งประดิษฐ์ได้
  • ต้นทุนการคำนวณเพิ่มขึ้นตามขนาดประชากรตัวแทน ทำให้แบบจำลองขนาดใหญ่มากทำงานช้าหากไม่มีการประมวลผลแบบขนาน
  • ความเสี่ยงของความซับซ้อนเกินไป: โครงสร้างไฮบริดอาจบดบังกลไกเชิงสาเหตุมากกว่าที่จะทำให้ชัดเจนขึ้น

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • จับการป้อนกลับข้ามขนาดที่แบบจำลองกระบวนทัศน์เดียวพลาดไป ทำให้เกิดพลวัตที่สมบูรณ์และสมจริงยิ่งขึ้น
  • รักษาความหลากหลายของตัวแทน (อายุ รายได้ ความชอบ) ในขณะที่แสดงวงจรป้อนกลับโดยรวมได้อย่างมีประสิทธิภาพ
  • สนับสนุนการวิเคราะห์นโยบายทั้งในระดับบุคคลและระดับระบบภายในกรอบงานเดียว
  • ได้รับการสนับสนุนอย่างกว้างขวางในแพลตฟอร์มการจำลองเชิงพาณิชย์ (AnyLogic, ส่วนขยาย NetLogo) ช่วยลดอุปสรรคในการนำไปใช้
  • สามารถตรวจสอบความถูกต้องได้ทั้งในระดับจุลภาค (วิถีตัวแทน) และระดับมหภาค (วิถีสต็อก) อย่างอิสระ

การประยุกต์ใช้

  • การสร้างแบบจำลองทางระบาดวิทยา: ตัวแทนแสดงถึงบุคคลที่มีรูปแบบการติดต่อที่หลากหลาย; SD ติดตามช่องโรค (S, I, R) และขีดความสามารถด้านการดูแลสุขภาพ
  • การจัดการห่วงโซ่อุปทาน: ตัวแทนจำลองการตัดสินใจสั่งซื้อของบริษัท; SD แสดงถึงสต็อกสินค้าคงคลังรวมและกระแสการผลิต
  • การวางผังเมืองและการขนส่ง: ตัวแทนจำลองผู้เดินทาง; SD จับขีดความสามารถของถนน การสะสมมลพิษ และการป้อนกลับการใช้ที่ดิน
  • ระบบพลังงาน: ตัวแทนแสดงถึงครัวเรือนที่นำพลังงานหมุนเวียนมาใช้; SD จำลองขีดความสามารถของกริด ราคาไฟฟ้า และสต็อก CO2
  • ตลาดการเงิน: ตัวแทนที่มีอคติทางพฤติกรรมโต้ตอบกัน; SD ติดตามสต็อกสินเชื่อรวม ฟองสบู่สินทรัพย์ และบัฟเฟอร์การกำกับดูแล

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดสองระดับของแบบจำลอง: ระดับมหภาค (สต็อกและกระแสของ SD ที่แสดงถึงปริมาณรวม เช่น ประชากรที่อ่อนแอ/ติดเชื้อ/หาย หรือสต็อกทุน) และระดับจุลภาค (ตัวแทนที่แสดงถึงเอนทิตีแต่ละรายการที่มีตัวแปรสถานะ กฎการตัดสินใจ และโปรโตคอลการโต้ตอบ) ตัดสินใจว่าปรากฏการณ์ใดอยู่ในแต่ละระดับ

2

สร้างชั้นพลวัตระบบ: ระบุสต็อก S(t), กระแส F(t) และตัวแปรเสริม เขียนสมการเชิงอนุพันธ์ dS/dt = กระแสเข้า - กระแสออก กำหนดพารามิเตอร์ค่าคงที่อัตราและวงจรป้อนกลับโดยใช้ความรู้เฉพาะด้านหรือข้อมูลในอดีต

3

กำหนดคุณลักษณะของตัวแทน (เช่น อายุ รายได้ สถานะสุขภาพ) และกฎพฤติกรรมที่ควบคุมการเปลี่ยนแปลง การโต้ตอบ และการเคลื่อนไหว ระบุว่าตัวแปร SD โดยรวม (เช่น การขาดแคลนทรัพยากร อัตราการติดเชื้อ) เข้าสู่ตรรกะการตัดสินใจของตัวแทนในฐานะสัญญาณสิ่งแวดล้อมได้อย่างไร

4

สร้างการเชื่อมโยงแบบสองทิศทาง: สถิติรวมของตัวแทน (เช่น สถานะเฉลี่ยของตัวแทน จำนวนตัวแทนในหมวดหมู่) ป้อนเข้าสมการกระแสของ SD; ค่าสต็อกของ SD ป้อนกลับเข้าสู่ตัวแปรสิ่งแวดล้อมของตัวแทน ประสานตารางการอัปเดตเพื่อให้ทั้งสองชั้นก้าวหน้าอย่างสอดคล้องกันในแต่ละช่วงเวลา

5

ดำเนินการแบบจำลองไฮบริดตลอดช่วงเวลาการจำลอง ในแต่ละขั้นตอน: อัปเดตสถานะตัวแทน รวบรวมผลลัพธ์ของตัวแทน อัปเดตสต็อก/กระแสของ SD เผยแพร่ผลลัพธ์ของ SD กลับไปยังตัวแทน ตรวจสอบความถูกต้องเทียบกับข้อมูลเชิงประจักษ์ผ่านการสอบเทียบ (การปรับพารามิเตอร์) การวิเคราะห์ความไว และการทดสอบนอกกลุ่มตัวอย่าง รายงานวิถีเวลาของทั้งสต็อกมหภาคและการกระจายผลลัพธ์ของตัวแทน

ข้อผิดพลาดที่พบบ่อย

  • อินเทอร์เฟซที่ออกแบบไม่ดีอาจสร้างความไม่เสถียรของการป้อนกลับหรือนำไปสู่การนับซ้ำผลกระทบโดยไม่ตั้งใจข้ามระดับ
  • การปฏิบัติต่อชั้น SD ระดับมหภาคเป็นเพียงภาชนะสำหรับค่าเฉลี่ยทำให้พลาดคุณค่าของไฮบริด: วงจรป้อนกลับ SD ที่แท้จริงจะต้องถูกแสดงโครงสร้าง
  • การสอบเทียบแบบจำลองไฮบริดกับข้อมูลรวมเพียงอย่างเดียวอาจบดบังการระบุที่ไม่ถูกต้องในระดับจุลภาค; ตรวจสอบความถูกต้องทั้งสองระดับ
  • การสมมติว่าการรวมสองแบบจำลองย่อยที่ได้รับการตรวจสอบแล้วจะให้ไฮบริดที่ถูกต้องโดยอัตโนมัติ — ผลกระทบการเชื่อมโยงที่เกิดขึ้นใหม่ต้องมีการตรวจสอบแยกต่างหาก

คำถามที่พบบ่อย

AB-SD แตกต่างจากแบบจำลองพลวัตระบบเชิงสุ่มบริสุทธิ์อย่างไร

SD เชิงสุ่มเพิ่มพจน์รบกวนให้กับสมการกระแส แต่เอนทิตีทั้งหมดจะยังคงรวมกัน; AB-SD จำลองตัวแทนแต่ละบุคคลอย่างชัดเจนซึ่งการตัดสินใจที่หลากหลายของพวกเขาร่วมกันกำหนดกระแส ทำให้เกิดการเกิดขึ้นที่การรบกวนรวมไม่สามารถจำลองได้

เครื่องมือซอฟต์แวร์ใดที่รองรับพลวัตระบบฐานตัวแทนโดยกำเนิด

AnyLogic เป็นแพลตฟอร์มที่ใช้กันอย่างแพร่หลายที่สุด โดยมีไลบรารี ABM และ SD ในตัวพร้อมกลไกการเชื่อมโยง Vensim สามารถเชื่อมโยงกับเอนจิน ABM ภายนอกผ่านการจำลองร่วม; Repast Simphony อนุญาตให้ฝังสมการ SD ภายในพฤติกรรมตัวแทน

ฉันควรใช้การจำลองเหตุการณ์ไม่ต่อเนื่องฐานตัวแทนเมื่อใดแทน

เลือกการจำลองเหตุการณ์ไม่ต่อเนื่องฐานตัวแทนเมื่อพฤติกรรมระดับมหภาคถูกอธิบายได้ดีกว่าด้วยคิวและลำดับเหตุการณ์ (เช่น ผู้ป่วยที่ไหลผ่านคลินิก) แทนที่จะเป็นสต็อกป้อนกลับต่อเนื่อง AB-SD เป็นที่ต้องการเมื่อวงจรป้อนกลับมหภาค (เช่น การสร้างทรัพยากรใหม่ โมเมนตัมการระบาด) เป็นศูนย์กลางของคำถามวิจัย

ฉันจะจัดการการซิงโครไนซ์ช่วงเวลาของสองชั้นได้อย่างไร

แนวทางทั่วไปคือช่วงเวลาไม่ต่อเนื่องที่ใช้ร่วมกันซึ่งตัวแทนอัปเดตก่อน สถิติรวมของพวกเขาจะถูกคำนวณ สมการ SD จะถูกรวม (เช่น Euler หรือ Runge-Kutta) และค่าสต็อกที่อัปเดตจะถูกเผยแพร่กลับไปยังตัวแทน ขนาดขั้นตอนต้องเล็กพอที่จะหลีกเลี่ยงข้อผิดพลาดในการรวมในชั้น SD และจับพลวัตของตัวแทนที่เกี่ยวข้อง

AB-SD เหมาะสมสำหรับประชากรขนาดเล็ก (น้อยกว่า 100 ตัวแทน) หรือไม่

ด้วยประชากรที่เล็กมาก ความผันแปรเชิงสุ่มจะครอบงำ และสต็อก SD รวมอาจไม่เสถียรหรือไม่สมเหตุสมผล เรียกใช้การจำลองหลายครั้งและพิจารณาว่าสต็อก SD แสดงถึงปริมาณรวมที่เสถียรอย่างแท้จริงหรือไม่ก่อนที่จะใช้วิธีการไฮบริด

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  2. Sterman, J. D. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. McGraw-Hill, Boston.

    ISBN: 9780072311358
    คัดลอกแล้ว