Notes by Edems

OSA_13_Multiagentni-simulace_2

3 min read

up:: ZK > ai nav:: ⇐ / ---

13. Multiagentní simulace

Vysvětlete pojem Multiagentní simulace

(principy, odlišnosti od jiných druhů, výhody)

.

Multiagentní simulace (MAS) je přístup “zdola nahoru” (bottom-up). Systém je modelován jako soubor autonomních entit (agentů), kteří jednají podle svých lokálních pravidel a interagují s ostatními a prostředím.

  • Odlišnost od ostatních: Zatímco systémová dynamika řeší agregované celky (globální pohled, toky a zásoby) a diskrétní simulace procesní linky, MAS řeší chování jednotlivců.
  • Výhody: Dokáže zachytit vznik (emergenci) komplexního globálního chování z jednoduchých lokálních pravidel. Je ideální pro systémy, kde jsou prvky heterogenní a jejich prostorové uspořádání hraje roli.
    • (např. formování davu, šíření epidemie, chování zákazníků) [[#|(more)]]

More

  • Základní princip
    • Simulace, ve které je systém modelován jako množina agentů a jejich interakce
    • Výsledkem činnosti agentů je změna celého systému z aktuálního do cílového stavu
    • Prakticky se jedná o autonomní jednotky (softwarové “inteligence”), které spolupracují nebo soupeří
    • Model je budován „odspodu“ (bottom-up)
      • Interakcí mezi agenty a prostředím vznikají vzorce a chování, které nebyly nikde explicitně naprogramovány (tzv. emergence)
      • (např. zrcadlení chování reálného trhu při zadání jednoduchého pravidla „nakupuj, když cena klesá pod X“)
  • Hlavní výhody MAS
    • Objevování nečekaného: Dokáží přijít k závěrům, které analytik dopředu netušil (díky učení a interakcím)
    • Autonomní chod: Po nastavení počátečních pravidel už netřeba zasahovat, stačí sledovat vývoj
    • Věrné napodobení reality: V případě robotů nebo lidských komunit perfektně simulují přirozené chování
  • Agent a jeho vlastnosti
    • Entita, která nepřetržitě a autonomně působí v prostředí s dalšími procesy a agenty
    • Druhy agentů podle původu:
      • Biologický – lidé, zvířata, bakterie
      • Technický – autonomní robot, samořiditelné auto
      • Programoví agenti – „softboti“, makléřské algoritmy, počítačový virus
    • Klíčové vlastnosti agenta:
      • Autonomie: Jedná sám za sebe bez vnějšího řízení, reaguje na situaci podle svých vnitřních pravidel
      • Jednoznačná identifikovatelnost: Agent je jasně ohraničený a soběstačný
      • Proměnlivý stav: Vlastnosti agenta (atributy) se v čase dynamicky mění (např. věk, bohatství, nálada)
      • Sociální chování: Interaguje s ostatními agenty. Nemusí jít o fyzickou blízkost, ale o komunikační vazby.
      • Adaptivita: Má paměť, umí se učit a upravovat své chování na základě předchozích zkušeností
      • Cílenost: Sleduje vlastní cíle a neustále porovnává aktuální stav s požadovaným výsledkem
      • Heterogenita: Agenti v jedné simulaci mohou být různorodí (mít jiné cíle, vlastnosti i množství zdrojů)
  • Rozdíly a specifika oproti jiným simulacím
    • Lokální informace: Agent nezná stav celého systému, rozhoduje se jen podle toho, co vidí kolem sebe
    • Decentralizace: Neexistuje žádná centrální autorita, která by všem plošně diktovala, co mají dělat
    • Sousedi a Topologie:
      • Sousedi jsou ti agenti, se kterými konkrétní prvek reálně komunikuje
      • Topologie definuje uspořádání těchto interakcí (kdo s kým může mluvit a jak se informace šíří)
    • Srovnání pojmů (ABMS vs. MAS):
      • ABMS (Agent-based modelling and simulation) je obecnější pojem
      • Zahrnuje i algoritmy jako Particle Swarm nebo Ant Colony Optimization, které hledají jedno optimální řešení
      • MAS se zaměřuje primárně na pochopení dynamických procesů v systému skrze interakce
  • Struktura prvků v MAS modelu
      1. Množina agentů (jejich atributy a pravidla chování)
      1. Množina vztahů (způsoby vzájemné interakce)
      1. Prostředí (prostor, ve kterém se nacházejí a který je ovlivňuje)
  • Software a praktické aplikace
    • InsightMaker nebo Game of Life – nástroje pro tvorbu a vizualizaci modelů
    • Využití v praxi:
      • Chování akciového trhu a burzy (jak panika jednotlivců složí trh)
      • Šíření epidemií a imunitní systém (jak se virus šíří v populaci na základě kontaktů)
      • Dodavatelské řetězce a logistika (optimalizace tras autonomních vozíků ve skladu)
      • Spotřebitelské chování a marketing (jak se šíří trend nebo fáma mezi lidmi)
      • Simulace evakuace budov a formování davu (hledání úzkých hrdel v koridorech)