Ajan Tabanlı Hedef Programlama — Merkezi olmayan ajanlar ve çoklu hedef tatmini ile hibrit simülasyon-optimizasyon
- Ortaya koyan
- Charnes, Cooper (GP); Schelling, Holland (ABM foundations)
- Yıl
- 1990s-2000s (hybrid integration)
- Tür
- Hybrid simulation-optimization
- Aile
- Simulation / optimization
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Ajan Tabanlı Hedef Programlama (ABGP), rekabetçi, önceliklendirilmiş hedeflere ulaşmaya çalışan birden fazla özerk karar vericinin sistemlerini modellemek için ajan tabanlı simülasyonu hedef programlama optimizasyonu ile entegre eder.
Araştırmacıların, ajan düzeyindeki merkezi olmayan, uyarlanabilir davranışın, önceden tanımlanmış hedeflere karşı ölçülen sistem düzeyindeki sonuçlara nasıl yol açtığını incelemelerine olanak tanır, hem ortaya çıkışı hem de çok ölçütlü tatmini aynı anda yakalar.
Yöntemin mantığı
Her tedarikçi, üretici ve perakendecinin yerel kurallara göre bağımsız kararlar aldığı, ancak tüm sistemin maliyet, hizmet düzeyi ve emisyonlar için hedeflere ulaşması gereken bir tedarik zinciri hayal edin. Standart optimizasyon tek bir merkezi planlayıcıyı varsayar; saf simülasyon ne olacağını söyler ancak nasıl iyileştirileceğini söylemez. ABGP her ikisini birleştirir: ajanlar gerçekçi merkezi olmayan davranışı simüle ederken hedef programlama sistemi birden fazla hedefi minimum sapma ile karşılamaya doğru değerlendirir ve yönlendirir. Analist hedefleri ve öncelik ağırlıklarını belirtir, ajanlar zamanla etkileşime girer ve yöntem, gerçek sonuçların her hedeften ne kadar saptığını izler - karmaşık uyarlanabilir sistemlerin hem analizini hem de optimizasyonunu sağlar.
Tarih
Hedef programlama, 1950'lerde Charnes ve Cooper tarafından, birden fazla amacı tatmin etmek için doğrusal programlamanın bir uzantısı olarak tanıtıldı. Ajan tabanlı modelleme, 1990'larda Holland ve Epstein gibi akademisyenlerin çalışmalarıyla ayrı bir metodoloji olarak ortaya çıktı. ABM'nin matematiksel programlama ile - hedef programlama dahil - entegrasyonu, 2000'lerde operasyonel araştırma, tedarik zinciri ve politika simülasyon topluluklarında, hesaplama gücü tekrarlayan simülasyon-optimizasyon döngülerini mümkün kıldıkça ivme kazandı.
Ne zaman kullanılır?
Sistem, heterojen davranışsal kurallara sahip birden fazla özerk aktör içerdiğinde ve analist aynı anda birden fazla rakip hedefi karşılamak veya optimize etmek istediğinde ABGP'yi kullanın — tedarik zinciri yönetimi, kamu politikası, sağlık kaynak tahsisi ve çevre planlamasında yaygındır. Ortaya çıkan kolektif davranışın sorunun merkezinde olduğu ve tek bir monolitik optimizasyon modelinin ajan özerkliğini yanlış temsil edeceği durumlarda uygundur. Sistem tek bir karar verici tarafından iyi karakterize edildiğinde, hesaplama kaynakları çok sınırlı olduğunda (birçok simülasyon çalıştırması gerektirir), hedefler geçerlilik kaybı olmadan tek bir amaca indirgenebildiğinde veya ajan etkileşimleri ihmal edilebilir olduğunda ve saf bir matematiksel programlama modeli yeterli olduğunda ABGP'den kaçının.
Sınırlar ve dikkat edilmesi gerekenler
- Hesaplama açısından yoğundur: her değerlendirme tam ajan tabanlı simülasyonu çalıştırmayı gerektirir, bu da büyük ölçekli optimizasyon döngülerini pahalı hale getirir.
- Model kalibrasyonu ve doğrulaması zordur; ajan davranışsal parametrelerinin ampirik verilerden tahmin edilmesi genellikle zordur.
- Sonuçlar simülasyon tasarımı seçimlerine (zaman adımı, ajan topolojisi, başlangıç koşulları) duyarlı olabilir, bu da model riskini artırır.
- Hedef programlama, analistin hedef seviyeleri ve ağırlıkları önceden belirlemesini gerektirir, bu da paydaşlar arasında öznel veya tartışmalı olabilir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Toplama modellerinin temsil edemediği merkezi olmayan ajan etkileşimlerinden kaynaklanan ortaya çıkan sistem davranışını yakalar.
- Karar vericilere ödünleşmeler hakkında şeffaflık sağlayan açık öncelik veya ağırlık yapılarına sahip birden fazla rakip hedefi ele alır.
- Birleşik bir fayda fonksiyonu gerektirmeden farklı davranışsal kurallara, bilgi kümelerine ve uyarlanabilir öğrenmeye sahip heterojen ajanları barındırır.
- Neyin-eğer politika analizine izin verir: ajan kurallarını veya hedef ağırlıklarını değiştirmek ve fiziksel deney yapmadan sistem düzeyindeki etkileri gözlemlemek.
- Stokastik simülasyonla entegre olmak için yeterince esnektir, nokta tahminleri yerine hedef başarı dağılımları sağlar.
Uygulama alanları
- Tedarikçilerin, üreticilerin ve perakendecilerin her birinin yerel olarak optimize ettiği, sistemin ise maliyet, hizmet düzeyi ve sürdürülebilirlik hedeflerini aynı anda hedeflediği tedarik zinciri koordinasyonu.
- Hastaneler ve hasta akışlarını modelleyerek kapsama, eşitlik ve bütçe hedeflerinden sapmaları en aza indirmek için halk sağlığı kaynak tahsisi.
- Üretici ve tüketici ajanlarının etkileşimde bulunduğu ve politikanın yenilenebilir penetrasyon, fiyat istikrarı ve emisyon hedeflerine ulaşmayı amaçladığı enerji piyasası simülasyonu.
- Planlamacıların uygunluk, yoğunluk ve yeşil alan hedeflerinden sapmaları en aza indirdiği hane halkı ve geliştirici ajanlarla kentsel arazi kullanım planlaması.
- Düzenleyici sermaye ve likidite hedeflerine karşı değerlendirilen içsel dinamikler üreten tüccar ajanlarıyla finansal piyasa stres testi.
Nasıl çalışır?
Nasıl çalışır?
Ajanları (türler, davranışsal kurallar, etkileşim topolojisi) tanımlayın ve hedef seviyeleriyle birlikte hedef kümesini g_i numaralandırın. Her hedef, sistemin ulaşması gereken bir hedefi temsil eder - örneğin, eşiğin altında maliyet, minimumun üzerinde verim veya tabanın üzerinde eşitlik. Her hedefin pozitif (aşırı başarı) ve negatif (eksik başarı) sapma değişkenlerine öncelik ağırlıkları w_i veya sözleşmesel öncelik seviyeleri atayın.
Ağırlıklı hedef programlama amacını formüle edin: sapmaların ağırlıklı toplamını en aza indirin Z = toplam(w_i^+ * d_i^+ + w_i^- * d_i^-), burada d_i^+ ve d_i^- sırasıyla i hedefi için aşırı başarı ve eksik başarı değişkenleridir. Bu amaç fonksiyonu, hangi simülasyon konfigürasyonlarının veya ajan parametrelerinin değerlendirileceğini yönlendirir.
Formül
\min Z = \sum_{i=1}^{k} (w_i^+ d_i^+ + w_i^- d_i^-)Tanımlanmış bir zaman ufku için ajan tabanlı simülasyonu çalıştırın. Ajanlar davranışsal kuralları (örneğin, sınırlı rasyonellik, yerel bilgi, uyarlanabilir öğrenme) izler ve piyasalar, ağlar veya mekansal ortamlar aracılığıyla etkileşimde bulunurlar. Her zaman adımında veya simülasyon çalıştırmasının sonunda sistem düzeyindeki çıktıları kaydedin. Ajan davranışındaki stokastik değişkenliği hesaba katmak için birden fazla çalıştırma boyunca tekrarlayın.
Simülasyon çıktılarını hedef kısıtlama denklemlerine eşleyin: f_i(x) + d_i^- - d_i^+ = g_i. Simülasyon sonucu x'e dayalı olarak her hedef i için sapma değerlerini d_i^+ ve d_i^- hesaplayın. Genel amaç Z'yi hesaplayın. Bu değerlendirme, hangi hedeflerin karşılandığını, hangilerinin aşıldığını ve hangilerinin eksik kaldığını ve ne kadar olduğunu ortaya koyar.
Formül
f_i(x) + d_i^- - d_i^+ = g_i, \quad d_i^+, d_i^- \geq 0
Sapma bilgilerini ajan parametrelerini, politika kurallarını veya yapısal konfigürasyonları güncellemek (optimizasyon döngüsü, deney tasarımı veya meta-sezgisel arama yoluyla) ve yeniden simüle etmek için kullanın. Z kabul edilebilir bir seviyeye indirilene veya bir durdurma kriteri karşılanana kadar yinelemeye devam edin. Nihai ajan konfigürasyonlarını, hedef başarı profilini ve öncelikli hedefler arasındaki ödünleşme analizini raporlayın.
Sık yapılan hatalar
- Entegre modeli, ajan tabanlı bileşeni önce ayrı olarak doğrulamadan bir kara kutu olarak ele almak, optimizasyon katmanına yayılan tespit edilemeyen modelleme hatalarına yol açabilir.
- Tasarım noktası başına çok az sayıda simülasyon çalıştırması kullanmak, gürültülü sapma tahminleri üretir, bu da hedef programlama optimizasyonunu suboptimal konfigürasyonlara yanlış yönlendirir.
- Hedef hedef seviyelerini ampirik kıyaslamalara veya paydaş girdilerine dayandırmak yerine keyfi olarak belirlemek, sapma minimizasyonunun anlamlılığını zayıflatır.
- Sadece ortalama simülasyon çıktılarını kullanarak stokastik değişkenliği göz ardı etmek, özellikle risk duyarlı hedefler için hedef başarıyı sistematik olarak yanlış beyan edebilir.
Sık sorulan sorular
ABGP, basitçe bir ajan tabanlı model çalıştırmaktan ve ardından hedef programlamayı ayrı ayrı yapmaktan nasıl farklıdır?
ABGP'de iki bileşen bir geri besleme döngüsünde kenetlenmiştir: her simülasyon çalıştırmasından elde edilen hedef sapma değerleri, bir sonraki simülasyona geri beslenen parametre değişikliklerini bilgilendirir. Bunları ayrı ayrı çalıştırmak, optimizasyonun, ajan davranışının politika ayarlarına yanıt olarak nasıl değiştiğini hesaba katamaması, ABM'yi kullanma motivasyonu olan ortaya çıkan dinamikleri kaybetmesi anlamına gelir.
ABGP'yi uygulamak için standart bir yazılım aracı var mı?
Tek bir özel araç yok. Uygulayıcılar tipik olarak ajan tabanlı katmanı NetLogo, Repast veya Mesa gibi platformlarda oluşturur, ardından bunu bir matematiksel programlama çözücüsü (örneğin, CPLEX, Gurobi, PuLP) veya optimizasyon döngüsü için bir meta-sezgisel sarmalayıcı ile bağlar. Bağlantı genellikle Python veya Java'da özel olarak kodlanır.
Güvenilir hedef sapma tahminleri elde etmek için tasarım noktası başına kaç simülasyon çalıştırması gerekir?
Evrensel bir kural yok, ancak varyans analizi ile yapılan pilot çalıştırmalar esastır. Stokastik ABM'ler için, tasarım noktası başına 30-100 tekrar yaygın bir başlangıç noktasıdır; yüksek davranışsal varyansa veya nadir olaylara sahip sistemler birkaç yüz gerektirebilir. Tepki yüzeyi yöntemleri veya ortak rastgele sayılar toplam çalıştırma sayısını azaltabilir.
ABGP, hedefler arasında sözleşmesel (önleyici) önceliği mi, yoksa yalnızca ağırlıklı hedefleri mi ele alabilir?
Her iki öncelik yapısı da uyumludur. Ağırlıklı ABGP, tek bir toplu sapma amacını en aza indirir. Sözleşmesel ABGP, hedefleri sıralı olarak optimize eder - önce en yüksek öncelikli hedefteki sapmaları en aza indirir, ardından ilk hedefin başarı seviyesi sabitlenmiş olarak ikinci hedefteki sapmaları en aza indirir ve bu böyle devam eder. Seçim, paydaşın gerçek tercih yapısını yansıtmalıdır.
Ne zaman sağlam veya stokastik hedef programlama ABGP'ye tercih edilir?
Ajan düzeyindeki heterojenlik ve ortaya çıkan etkileşim etkileri belirsizliğin birincil sürücüleri olmadığında - örneğin, belirsizlik esas olarak merkezi olmayan karar vermeden ziyade parametre dağılımlarından kaynaklandığında - stokastik veya sağlam hedef programlama, daha düşük hesaplama maliyetiyle daha temiz analitik çözülebilirlik sunar.
İlgili yöntemler
Kaynaklar
Charnes, A., Cooper, W. W., & Ferguson, R. O. (1955). Optimal estimation of executive compensation by linear programming. Management Science, 1(2), 138-151.
DOI kaynağını açKopyalandı.Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of Simulation, 4(3), 151-162.
DOI kaynağını açKopyalandı.