مدل سازی مبتنی بر عامل: مدل های قوی شبیه سازی در هزاره سوم

1. تعاریف
2. مدل سازی مبتنی بر عامل چیست؟
3. چه چیزی مدل سازی مبتنی بر عامل را منحصر به فرد می کند؟
4. چگونه یک مدلساز یک ABM می سازد؟
5. ارزیابی ABM ها و خروجی آنها
6. چالش ها با ABM ها

1. تعاریف

مدل‌های شبیه‌سازی، مدل‌های رایانه‌ای هستند که برای تقلید از یک فرآیند خاص در طول زمان برنامه‌ریزی شده‌اند.

سیستم‌های پیچیده ، در چارچوب مدل‌های مبتنی بر عامل، با افراد متقابلی مشخص می‌شوند که رفتارها و اعمال آنها در مجموع منجر به ظهور الگوهای فضایی در طول زمان می‌شود.

در زمینه سیستم‌های پیچیده، بازخورد مکانیزمی است که سطح تغییرات در حال وقوع در یک سیستم را تقویت می‌کند (بازخورد مثبت) یا کاهش می‌دهد (بازخورد منفی).

ظهور فرآیندی را توصیف می کند که نتیجه سیستم نتیجه تعامل بین عناصر منفرد سیستم است. پیش بینی الگوهای نوظهور دشوار است و اغلب می توانند ویژگی های شگفت انگیزی داشته باشند.

2. مدل سازی مبتنی بر عامل چیست؟ 

مدل‌های مبتنی بر عامل (ABM) در زمینه علم اطلاعات جغرافیایی، مدل‌های پویایی هستند که نحوه تصمیم‌گیری افراد را بر اساس تعاملشان با دیگران و فضای اطرافشان شبیه‌سازی می‌کنند. اصطلاح «مبتنی بر عامل» معمولاً در علوم اجتماعی استفاده می‌شود، زمانی که چنین مدل‌هایی برای نشان دادن افراد منفرد ایجاد می‌شوند، در حالی که اصطلاح «مبتنی بر فرد» توسط بوم‌شناسان و زیست‌شناسان هنگام توسعه چنین مدل‌هایی برای تقلید از رفتارهای موجودات دیگر استفاده می‌شود. مانند پرندگان، ماهی ها و پستانداران (از این پس به همه این مدل ها به عنوان “مبتنی بر عامل” اشاره می کنیم). یکی از ویژگی‌های متمایز ABM در علم GIS و رشته‌های مرتبط این است که مدل‌ها ذاتاً فضایی هستند، زیرا عوامل در هر لحظه از زمان در مکانی در فضا وجود دارند.

ABM ها برای شبیه سازی تصمیماتی که مردم هنگام قدم زدن در میان جمعیت در فضاهای شهری می گیرند تا به مقصدی خاص برسند (Torrens 2012) و تصمیماتی که مالکان فعلی و بالقوه خانه در مورد مکان حرکت بر اساس شرایط اجتماعی و فیزیکی می گیرند، توسعه داده شده اند. ویژگی های محله ها (پارکر و فیلاتوا 2008). به طور مشابه، مدل‌های عامل غیرانسانی برای نشان دادن مهاجرت فردی گوزن‌ها از طریق یک منظره و تصمیماتی که آنها در پاسخ به در دسترس بودن غذا، توپوگرافی و رفتار کلی گله خود می‌گیرند، ایجاد شده‌اند (بنت و تانگ 2006). قدرت این نوع مدل‌سازی در این است که مجموعه تصمیمات اتخاذ شده توسط همه عوامل فردی، یک الگوی فضایی نوظهور را در طول زمان ایجاد می‌کند. در انجام این کار، ABM ها می توانند به ما کمک کنند تا یاد بگیریم چگونه جمعیت در زمان های مختلف روز در مناطق شهری حرکت می کنند. چگونه ترجیح موقعیت مکانی باعث ایجاد درآمد و تفکیک نژادی در شهرها می شود، یا چگونه در دسترس بودن غذا و توپوگرافی بر الگوهای مهاجرت گله حیوانات تأثیر می گذارد. به طور خلاصه، ABM ها به ما کمک می کنند تصمیمات فردی اتخاذ شده در سطح محلی را به الگوهای نوظهور در سطح سیستم کلی پیوند دهیم.

3. چه چیزی مدل سازی مبتنی بر عامل را منحصر به فرد می کند؟ 

ABM ها را می توان به عنوان مدل های پایین به بالا طبقه بندی کرد، به این معنی که الگوهای شبیه سازی شده از رفتارهای سطح پایین افراد ناشی می شوند. این برخلاف مدل‌های بالا به پایین است که بسیاری از مدل‌های آماری و ریاضی را در GIScience توصیف می‌کنند، مانند تحلیل چند معیاره، تحلیل مکان-تخصیص و غیره، که در آن الگوهای حاصل از یک یا چند فرمول نشأت می‌گیرند که به صورت الگوریتمی مجموعه ای از ورودی ها برای تولید یک الگوی فضایی. در حالی که چنین رویکردهای از بالا به پایین برای مدل‌سازی را می‌توان برای بررسی طیفی از مشکلات فضایی مورد استفاده قرار داد، برخی از سؤالات به روش‌هایی نیاز دارند که نشان دهند چگونه الگوهای حاصل از تعامل افراد با یکدیگر و محیط اطرافشان در طول زمان پدیدار می‌شوند. ABM ها برای این نوع فرآیند مناسب هستند زیرا می توانند نحوه تأثیر تصمیمات خاص بر ویژگی های سیستم سطح بالاتر را تقلید کنند. علاوه بر این، ABM ها را می توان طوری برنامه ریزی کرد که رویدادهای تصادفی و عدم قطعیت در مورد نحوه تصمیم گیری و رفتار افراد را در خود جای دهد. این به مدل‌سازان اجازه می‌دهد تا یک مدل را چندین بار (مثلاً صدها) بار اجرا کنند تا احتمال ظهور الگوهای خاص را با توجه به تغییرات در رفتار عامل یا محدودیت‌های محیطی تحلیل کنند.

4. چگونه یک مدلساز یک ABM می سازد؟

در حالی که رویکردهای زیادی برای ساخت ABM وجود دارد، بیشتر تلاش‌های مدل‌سازی مفاهیم زیر را در نظر می‌گیرند تا یک مدل مفید بسازند. این مفاهیم در چارچوبی به نام پروتکل اجمالی، مفاهیم طراحی، جزئیات (ODD) ارائه شده است که توسط گریم و همکاران توسعه یافته است. (2006)، که به مدل‌سازان مبتنی بر عامل کمک می‌کند تا جزئیات مدل خود را با استفاده از یک چارچوب مشترک ارتباط برقرار کنند.

4.1 نمایندگان

اولین گام در توسعه هر ABM، تعریف عوامل است، که آن افرادی هستند که در مدل نشان داده می شوند. کارگزاران نمایانگر افرادی هستند که یا در فضا در حال حرکت هستند، یا در حال تغییر فضا یا هر دو هستند. عوامل متحرک تمرکز مدل‌هایی هستند که معمولاً فرآیندهایی مانند راه رفتن، مهاجرت، رانندگی، تخلیه و غیره را شبیه‌سازی می‌کنند. عوامل می توانند به طور مستقیم فضا را تغییر دهند، به عنوان مثال با ساختن یک جاده در یک منطقه توسعه نیافته، یا به طور غیرمستقیم با ایجاد سیاستی که بر سایر عوامل تأثیر می گذارد تا تغییراتی در چشم انداز ایجاد کنند. عامل ها، مانند انسان ها و حیوانات، چندین حالت دارند که می توانند در آنها وجود داشته باشند. نمونه‌هایی از مجموعه‌های حالت دوتایی شامل زنده یا مرده، گرسنه یا سیر، خریدار یا فروشنده، آرام یا وحشت زده،

4.2 محیط زیست

همه عوامل وجود دارند و در یک محیط مشخص تصمیم می گیرند. هر نماینده برای مدتی در یک مکان خاص اقامت می کند و تصمیم می گیرد که آیا به مکان دیگری نقل مکان کند یا برخی از ویژگی های آن مکان را تغییر دهد. محیط ها را می توان با فضای شبکه ای نشان داد که در آن مکان ها به عنوان سلول های منفرد وجود دارند که به طور بالقوه حاوی یک یا چند عامل در هر لحظه از زمان هستند. از طرف دیگر، محیط‌ها را می‌توان به‌عنوان شبکه‌هایی نشان داد که در آن عامل‌ها در گره‌ها وجود دارند و در عرض کمان حرکت می‌کنند، یا به‌عنوان فضاهای برداری که در آن عوامل در نقاط، در امتداد خطوط یا چند ضلعی قرار دارند. در همه موارد، مکان‌ها دارای ویژگی‌هایی هستند که عوامل ارزیابی می‌کنند تا تعیین کنند که آیا باید حرکت کنند یا به گونه‌ای عمل کنند که ویژگی یک مکان را تغییر دهد.

4.3 رفتارها

رفتارهای عامل شامل دو عنصر مهم است: اهداف آنها و فرآیند تصمیم گیری آنها. برای اینکه یک ABM قانونی باشد، نمایندگان باید حداقل یک هدف مشخص و مشخص داشته باشند که می‌خواهند به آن دست یابند، که به آنها دیکته می‌کند که به کجا حرکت کنند یا چگونه تصمیم بگیرند مشخصه‌ای از محل زندگی خود را تغییر دهند. فرآیند تصمیم‌گیری به عنوان مجموعه‌ای از قوانین مشخص می‌شود که بر انواع تصمیماتی که عوامل برای دستیابی به اهداف خود اتخاذ می‌کنند، حاکم است. تصمیم‌ها را می‌توان به‌عنوان گزاره‌های «اگر-آنگاه» در نظر گرفت، که به موجب آن یک عامل ارزیابی می‌کند که آیا آن یا محیط در یک وضعیت خاص است، سپس اقدامی انجام می‌دهد. به عنوان مثال، رفتار یک عامل الک می تواند به این صورت نوشته شود، اگر من در حالت گرسنگی هستم و سلول فعلی غذا کم است، سپس یک سلول به جلو حرکت کنید..   

4.4 تعامل

عوامل می توانند به طور مستقیم یا غیر مستقیم با یکدیگر واکنش نشان دهند. فعل و انفعالات مستقیم زمانی اتفاق می افتد که وضعیت یک عامل مستقیماً تحت تأثیر رفتار عامل دیگر قرار می گیرد. به عنوان مثال، نماینده ای که به دنبال خانه ای برای خرید است، تعامل مستقیمی با صاحب خانه ای خواهد داشت که اولین نماینده ملک خود را می فروشد. بسیاری از ABMها در اکولوژی با تعامل مستقیم بین شکارچیان و طعمه آنها تعریف می شوند. فعل و انفعالات غیرمستقیم زمانی اتفاق می‌افتند که یک عامل تصمیم می‌گیرد یا به یک سلول جدید منتقل شود یا ویژگی سلول را تغییر دهد، که به نوبه خود بر آنچه عامل دیگر تصمیم می‌گیرد در لحظه‌ای در آینده در شبیه‌سازی انجام دهد، تأثیر می‌گذارد.

4.5 سازگاری و یادگیری

برخی از ABM ها به گونه ای کدگذاری شده اند که به عوامل اجازه می دهد تا با پویایی سیستم سازگار شوند. می‌توان عامل‌ها را طوری برنامه‌ریزی کرد که تحت مجموعه‌ای از شرایط خاص به شیوه‌ای خاص رفتار کنند و سپس با تغییر آن شرایط، رفتار خود را تغییر دهند. عوامل برنامه ABM پیچیده تر به آنها اجازه می دهد تا از اقدامات خود برای بهبود تصمیمات خود در آینده یاد بگیرند. کارگزاران می توانند ارزیابی کنند که تصمیم فعلی آنها تا چه حد در کمک به آنها در دستیابی به هدفشان موفق بوده است. به عنوان مثال، استفاده از رویکردی مانند یادگیری تقویتی، هنگامی که به ترتیب در یک مکان خاص تصمیمات سودمند یا نامطلوب اتخاذ می کند، پاداش مثبت یا منفی را برای یک عامل فراهم می کند. سپس انباشته‌ای از پاداش‌ها برای اطلاع از اینکه آیا نماینده باید همان اقدام را در آینده انجام دهد یا خیر، استفاده می‌شود. از این نظر، عوامل تا حدودی به اشیاء “هوشمند” تبدیل می شوند. و الگوهای نوظهور نتیجه یک فرآیند تکاملی تر هستند. علاوه بر این، مدل‌های پیشرفته‌تری را می‌توان به گونه‌ای توسعه داد که به عوامل اجازه می‌دهد از یادگیری برای ایجاد رفتارها یا قوانین جدید به منظور انطباق با شرایط متغیر استفاده کنند.

4.6 مراحل زمانی

مفهوم زمان در ABM ها به دلیل این واقعیت که چنین مدل هایی فرآیندهای پویا را شبیه سازی می کنند، مهم است. زمان معمولاً به‌عنوان مراحل زمانی گسسته نشان داده می‌شود، که در آن هر مرحله با مدت زمانی تعریف می‌شود که به همه عوامل این امکان را می‌دهد تا وضعیت فعلی خود را ارزیابی کنند و متعاقباً اقدامی انجام دهند. اگر تصمیمات نماینده نسبتاً سریع اتفاق می‌افتد، مانند زمانی که فرد در حال تصمیم‌گیری درباره نحوه عبور از میان جمعیت است، مراحل زمانی باید نسبتاً کوتاه باشد به طوری که هر مرحله زمانی چندین ثانیه یا یک دقیقه را نشان دهد. برعکس، اگر اقدامات نماینده یک فرآیند تدریجی‌تر را نشان دهد، مانند انتخاب زمان خرید خانه جدید و نقل مکان، مراحل زمانی بسیار طولانی‌تر است – به ترتیب روز، ماه یا سال.

4.7 تصادفی و تعداد اجراهای مدل

تصادفی نتیجه اقدامات عاملی است که ماهیت احتمالی دارند، مانند اجازه دادن به یک عامل در 50٪ مواقع در هنگام مواجهه با یک مانع سفر به چپ. مدل‌هایی که تعداد رویدادهای احتمالی بالایی دارند، معمولاً منجر به فرآیندهای بسیار تصادفی می‌شوند که برای مشاهده سیگنالی از الگوهای فضایی ناشی از شبیه‌سازی مدل، به اجراهای زیادی نیاز دارند. مدل‌های با تصادفی کم تفاوت زیادی از یک اجرا به دیگری نشان نمی‌دهند، بنابراین برای درک پتانسیل تغییرات در نتایج مدل، به اجراهای کمتری نیاز دارند.

5. ارزیابی ABM ها و خروجی های آنها

ABM ها مجموعه ای از انواع خروجی را تولید می کنند که هر کدام بینش های متفاوتی را در مورد سیستم در حال مدل سازی ارائه می دهند. خروجی های بالقوه عبارتند از: یک الگوی فضایی که مکان های عامل و وضعیت محیط را در یک لحظه از زمان نشان می دهد. یک متریک که توزیع فضایی ویژگی های عامل را تعریف می کند. اندازه گیری تکه تکه شدن چشم انداز؛ وجود آستانه ای که انتقال از یک حالت سیستمی به حالت دیگر را تعریف می کند (مثلاً از توزیع فضایی تصادفی به خوشه ای از عوامل). معیاری از پویایی زمانی سیستم (به عنوان مثال نرخ تغییر یک متغیر سیستم). با توجه به تنوع خروجی های بالقوه، چندین رویکرد مختلف برای ارزیابی ABM ها برای تعیین درجه ای که یک مدل پویایی یک سیستم دنیای واقعی را تکرار می کند، توسعه داده شده است. در زیر چند نمونه وجود دارد که در ادبیات GIScience مورد بحث قرار گرفته است.

5.1 مقایسه آماری با الگوهای فضایی مشاهده شده

خروجی های مدل را می توان با مشاهدات مقایسه کرد تا میزان توانایی یک مدل برای شبیه سازی یک الگوی شناخته شده را استنباط کرد. این روش که به طور کلی برای مدل‌سازی تغییر کاربری اراضی ارائه شده است (Pontius et al. 2004)، با شمارش تعداد سلول‌ها در شبکه خروجی مدل انجام می‌شود که دقیقاً آنچه را که در آن مکان رخ داده است، شبیه‌سازی می‌کند، بنابراین سطح درصدی از دقت را ارائه می‌کند. به عنوان مثال 87 سلول از 100 سلول به درستی شبیه سازی شده منجر به 87٪ دقت می شود). در حالی که این روش نسبتاً ساده و آسان برای اعمال است، نقص این است که یک مدل به طور بالقوه می‌تواند الگوی مناسبی را بدون نمایش دقیق فرآیند مدل‌سازی تولید کند. به این ترتیب، مقایسه های آماری چیز زیادی را در مورد توانایی مدل برای ثبت دقیق دینامیک سیستم آشکار نمی کند (براون و همکاران 2005).

5.2 تجزیه و تحلیل حساسیت

مدل ها را می توان برای تعیین میزان حساسیت خروجی ها به پارامترهای مدل و شرایط اولیه مدل ارزیابی کرد (لیگمن-زیلینسکا و سان 2010). این کار با اجرای چندین بار یک مدل، هر بار تغییر یکی از پارامترها در حالی که پارامترهای دیگر ثابت نگه داشته می‌شود، انجام می‌شود و سپس میزان تأثیر تغییرات پارامتر بر نتایج اندازه‌گیری می‌شود. این شکل از ارزیابی، که آنالیز حساسیت نامیده می شود، برای تعیین اینکه کدام اجزای سیستم بیشترین تأثیر را در پیشبرد نتایج سیستم دارند، مفید است.

5.3 مدل ها به عنوان روایات

به جای اتخاذ یک رویکرد کمی آشکار برای ارزیابی ABMها، پیشنهاد شده است که، چون قدرت ABMها در توانایی آنها در شبیه سازی فرآیندها است، خروجی های ABMها باید در یک روایت جمع آوری شوند تا به درک چیزی در مورد فرآیندهای مدل سازی شده کمک کنند. Millington و همکاران 2012). رویکرد روایی با ایجاد داستانی کار می‌کند که پارامترهای مدل را به اقدامات عامل خاص در زمان‌های مختلف در طول شبیه‌سازی مدل پیوند می‌دهد، که از طریق تصاویر توصیفی شبیه‌سازی در هماهنگی با نمودارهای آماری نشان داده می‌شود.

6. چالش با ABMs

مدل‌سازی مبتنی بر عامل در دهه‌های اخیر محبوبیت زیادی پیدا کرده است، زیرا محققان و متخصصان بیشتری از کاربرد آن برای شبیه‌سازی فرآیندهای پیچیده جغرافیایی یاد می‌کنند. با این حال، چالش‌های متعددی برای یادگیری نحوه توسعه مدل‌ها و نحوه ارزیابی کاربرد آنها وجود دارد.

اول، مدل‌سازی مبتنی بر عامل نیاز به مهارت‌های برنامه‌نویسی دارد تا مدلی را به گونه‌ای توسعه دهد که دنیای واقعی را نشان دهد. برخلاف تسلط بر نرم افزار GIS، تخصص ABM را نمی توان بدون نوشتن کد کامپیوتری برای تعریف رفتارهای عامل توسعه داد. خوشبختانه، پلتفرم های مخصوص ABM وجود دارد که به صورت رایگان در دسترس و نسبتاً قابل دسترسی هستند. قابل توجه ترین مثال NetLogo (Wilensky 1999) است که دارای نحوی آسان برای یادگیری است و با یک کتابخانه مدل بزرگ ارائه می شود که گستره ای از نمونه های ABM را ارائه می دهد، که اکثر آنها در برخی زمینه های جغرافیایی هستند. همچنین رایگان است و با یک جامعه آنلاین قوی از کاربران پشتیبانی می شود.

هنگامی که فردی مهارت برنامه ریزی یک مدل را دارد، چالش بعدی پارامترسازی یک مدل است. یعنی دانستن اینکه چه چیزی باید در یک مدل گنجانده شود و چگونه باید کار کند. اولین گام در پارامترسازی مدل، جمع آوری اطلاعات در مورد عوامل و محیط است که می تواند از بررسی های نمونه، مشاهدات شرکت کنندگان، آزمایش های میدانی و آزمایشگاهی، سایر مدل های مکمل یا همراه، یا داده های GIS و سنجش از دور به دست آید (رابینسون و همکاران 2007). ). در مرحله بعد، یک رویکرد پارامترسازی اعمال می‌شود که به مدل‌ساز اجازه می‌دهد این اطلاعات را گرفته و آن را برای جمعیت عوامل موجود در مدل اعمال کند (Smajgl et al. 2011). پس از تکمیل، یک مدل بارها و بارها با تنظیمات مختلف اجرا می‌شود و روش‌های ارزیابی (مانند مواردی که در بخش 4 در بالا توضیح داده شد) برای تعیین اینکه چگونه پارامترسازی بر خروجی‌های مدل تأثیر می‌گذارد استفاده می‌شود.

یکی دیگر از چالش‌های پیش روی مدل‌سازان ABM، به‌ویژه در جغرافیا که در آن داده‌های مکانی فراوانی وجود دارد، داشتن منابع محاسباتی مورد نیاز برای اجرای یک مدل در طی مراحل زمانی کافی برای نمایش مناسب یک فرآیند، و اجرای کافی برای ثبت تصادفی بودن سیستم است. نیاز به درگیر شدن در ABM به شیوه ای قوی می تواند به راحتی میزان حافظه و قدرت پردازش بسیاری از انواع کامپیوترهای رومیزی را تحت الشعاع قرار دهد. در نتیجه، مدل‌سازان جدید همیشه تشویق می‌شوند که ساده شروع کنند و در طول زمان پیچیدگی بیشتری بسازند تا اطمینان حاصل کنند که منابع لازم مورد نیاز را دارند.

در نهایت، شاید مهم‌ترین چالش با توسعه و استفاده از مدل‌های مبتنی بر عامل، درک این باشد که آنها قصد انجام چه کاری را دارند. مدل ساز باید همیشه در نظر داشته باشد که مدل ها حقیقت نیستند (جعبه 1979). آنها صرفا بازنمایی انتزاعی از واقعیت هستند. می توان یک «مدل اسباب بازی» بسیار اساسی ایجاد کرد و بینش های مفیدی را استخراج کرد که می تواند به ایجاد سؤالات یا فرضیه های تحقیق کمک کند. یا، می توان یک مدل بسیار پیچیده ایجاد کرد که به یافته هایی در مورد اینکه چگونه تعاملات خاص بین افراد در سطح محلی منجر به الگوهای پیچیده در مقیاس منطقه ای می شود، ایجاد کرد. به هر حال، هر مدلساز باید از این تصور که هدفش تکرار واقعیت است، اجتناب کند. نسبتا،