Modelo basado en agentes

Un modelo basado en agentes (ABM, Agent-based model) es un modelo computacional para simular las acciones e interacciones de agentes autónomos (tanto entidades individuales o colectivas como organizaciones o grupos) para comprender el comportamiento de un sistema y lo que gobierna sus resultados. Combina elementos de teoría de juegos, sistemas complejos, emergencia, sociología computacional, sistemas multiagente y programación evolutiva. Los métodos de Monte Carlo se utilizan para comprender la estocasticidad de estos modelos. Particularmente dentro de la ecología, los ABM también se denominan modelos basados ​​en individuos (IBM).Una revisión de la literatura reciente sobre modelos basados ​​en individuos, modelos basados ​​en agentes y sistemas multiagente muestra que los ABM se utilizan en muchos dominios científicos, incluida la biología, la ecología y las ciencias sociales. El modelado basado en agentes está relacionado con el concepto de sistemas multiagente o simulación multiagente, pero es distinto del mismo, ya que el objetivo de ABM es buscar información explicativa sobre el comportamiento colectivo de los agentes que obedecen reglas simples, típicamente en sistemas naturales., en lugar de diseñar agentes o resolver problemas prácticos o de ingeniería específicos.

Los modelos basados ​​en agentes son una especie de modelo a microescala que simulan las operaciones e interacciones simultáneas de múltiples agentes en un intento de recrear y predecir la aparición de fenómenos complejos. El proceso es de emergencia, que algunos expresan como "el todo es mayor que la suma de sus partes". En otras palabras, las propiedades del sistema de nivel superior surgen de las interacciones de los subsistemas de nivel inferior. O bien, los cambios de estado a macroescala surgen de los comportamientos de los agentes a microescala. O bien, comportamientos simples (es decir, reglas seguidas por agentes) generan comportamientos complejos (es decir, cambios de estado en todo el nivel del sistema).

Los agentes individuales suelen caracterizarse como limitadamente racionales, se presume que actúan en lo que perciben como sus propios intereses, como la reproducción, el beneficio económico o el estatus social, utilizando heurísticas o reglas simples de toma de decisiones. Los agentes ABM pueden experimentar "aprendizaje", adaptación y reproducción.

La mayoría de los modelos basados ​​en agentes se componen de: (1) numerosos agentes especificados en varias escalas (normalmente denominados granularidad de agentes); (2) heurística de toma de decisiones; (3) reglas de aprendizaje o procesos adaptativos; (4) una topología de interacción; y (5) un entorno. Los ABM generalmente se implementan como simulaciones por computadora, ya sea como software personalizado o mediante juegos de herramientas de ABM, y este software se puede usar para probar cómo los cambios en los comportamientos individuales afectarán el comportamiento general emergente del sistema.

Historia

La idea del modelado basado en agentes se desarrolló como un concepto relativamente simple a fines de la década de 1940. Dado que requiere procedimientos intensivos en computación, no se generalizó hasta la década de 1990.

Primeros desarrollos

La historia del modelo basado en agentes se remonta a la máquina de Von Neumann, una máquina teórica capaz de reproducir. El dispositivo que von Neumann propuso seguiría instrucciones detalladas con precisión para crear una copia de sí mismo. Luego, el concepto fue desarrollado por el amigo de von Neumann, Stanislaw Ulam, también matemático; Ulam sugirió que la máquina se construyera sobre papel, como una colección de celdas en una cuadrícula. La idea intrigó a von Neumann, quien la elaboró, creando el primero de los dispositivos que más tarde se denominó autómatas celulares. Otro avance fue introducido por el matemático John Conway. Construyó el conocido Juego de la Vida. A diferencia de la máquina de von Neumann, el Juego de la vida de Conway operaba con reglas simples en un mundo virtual en forma de tablero de ajedrez bidimensional.

El lenguaje de programación Simula, desarrollado a mediados de la década de 1960 y ampliamente implementado a principios de la década de 1970, fue el primer marco para automatizar simulaciones de agentes paso a paso.

Décadas de 1970 y 1980: los primeros modelos

Uno de los primeros modelos conceptuales basados ​​en agentes fue el modelo de segregación de Thomas Schelling, que se analizó en su artículo "Modelos dinámicos de segregación" en 1971. Aunque Schelling originalmente usó monedas y papel cuadriculado en lugar de computadoras, sus modelos incorporaron el concepto básico de modelos basados ​​en agentes como agentes autónomos que interactúan en un entorno compartido con un resultado emergente agregado observado.

A principios de la década de 1980, Robert Axelrod organizó un torneo de estrategias del Dilema del Prisionero y los hizo interactuar de manera basada en agentes para determinar un ganador. Axelrod continuaría desarrollando muchos otros modelos basados ​​en agentes en el campo de la ciencia política que examinan fenómenos desde el etnocentrismo hasta la difusión de la cultura. A fines de la década de 1980, el trabajo de Craig Reynolds sobre modelos de flocado contribuyó al desarrollo de algunos de los primeros modelos basados ​​en agentes biológicos que contenían características sociales. Trató de modelar la realidad de los agentes biológicos vivos, conocida como vida artificial, término acuñado por Christopher Langton.

Es difícil rastrear el primer uso de la palabra "agente" y una definición como se usa actualmente en la actualidad. Un candidato parece ser el artículo de 1991 de John Holland y John H. Miller "Artificial Adaptive Agents in Economic Theory", basado en una presentación anterior de ellos en una conferencia.

Al mismo tiempo, durante la década de 1980, científicos sociales, matemáticos, investigadores de operaciones y unas cuantas personas de otras disciplinas desarrollaron la Teoría de la Organización Matemática y Computacional (CMOT). Este campo creció como un grupo de interés especial del Instituto de Ciencias Administrativas (TIMS) y su sociedad hermana, la Sociedad de Investigación de Operaciones de América (ORSA).

Década de 1990: expansión

La década de 1990 fue especialmente notable por la expansión de ABM dentro de las ciencias sociales, un esfuerzo notable fue el ABM a gran escala, Sugarscape, desarrollado por Joshua M. Epstein y Robert Axtell para simular y explorar el papel de los fenómenos sociales como las migraciones estacionales, contaminación, reproducción sexual, combate y transmisión de enfermedades e incluso cultura. Otros desarrollos notables de la década de 1990 incluyeron Kathleen Carley ABM de la Universidad Carnegie Mellon, para explorar la evolución conjunta de las redes sociales y la cultura. Durante este período de tiempo de la década de 1990, Nigel Gilbert publicó el primer libro de texto sobre simulación social: simulación para el científico social (1999) y estableció una revista desde la perspectiva de las ciencias sociales: Journal of Artificial Societies and Social Simulation.(JASSS). Aparte de JASSS, los modelos basados ​​en agentes de cualquier disciplina están dentro del alcance de la revista SpringerOpen Complex Adaptive Systems Modeling (CASM).

A mediados de la década de 1990, el hilo de ciencias sociales de ABM comenzó a enfocarse en temas como el diseño de equipos efectivos, la comprensión de la comunicación requerida para la efectividad organizacional y el comportamiento de las redes sociales. CMOT, más tarde rebautizado como Análisis Computacional de Sistemas Sociales y Organizacionales (CASOS), incorporó cada vez más modelos basados ​​en agentes. Samuelson (2000) es un buen resumen breve de la historia temprana, y Samuelson (2005) y Samuelson y Macal (2006) rastrean los desarrollos más recientes.

A fines de la década de 1990, la fusión de TIMS y ORSA para formar INFORMS, y el paso de INFORMS de dos reuniones al año a una, ayudaron a impulsar al grupo CMOT a formar una sociedad separada, la Asociación Norteamericana de Ciencias Computacionales Sociales y Organizacionales. (NAACSOS). Kathleen Carley fue una de las principales contribuyentes, especialmente en modelos de redes sociales, obtuvo fondos de la Fundación Nacional de Ciencias para la conferencia anual y se desempeñó como la primera presidenta de NAACSOS. Fue sucedida por David Sallach de la Universidad de Chicago y el Laboratorio Nacional de Argonne, y luego por Michael Prietula de la Universidad de Emory. Aproximadamente al mismo tiempo que comenzó NAACSOS, se organizaron la Asociación Europea de Simulación Social (ESSA) y la Asociación Asiática del Pacífico para el Enfoque Basado en Agentes en Ciencias de Sistemas Sociales (PAAA), contrapartes de NAACSOS. A partir de 2013, estas tres organizaciones colaboran internacionalmente. El Primer Congreso Mundial sobre Simulación Social se llevó a cabo bajo su patrocinio conjunto en Kioto, Japón, en agosto de 2006.El Segundo Congreso Mundial se llevó a cabo en los suburbios de Washington, DC, en el norte de Virginia, en julio de 2008, y la Universidad George Mason asumió el papel principal en los arreglos locales.

2000 y posteriores

Más recientemente, Ron Sun desarrolló métodos para basar la simulación basada en agentes en modelos de cognición humana, conocida como simulación social cognitiva. Bill McKelvey, Suzanne Lohmann, Dario Nardi, Dwight Read y otros en UCLA también han hecho contribuciones significativas en el comportamiento organizacional y la toma de decisiones. Desde 2001, UCLA ha organizado una conferencia en Lake Arrowhead, California, que se ha convertido en otro importante punto de encuentro para los profesionales de este campo.

Teoría

La mayoría de las investigaciones de modelado computacional describen sistemas en equilibrio o moviéndose entre equilibrios. Sin embargo, el modelado basado en agentes, usando reglas simples, puede resultar en diferentes tipos de comportamiento complejo e interesante. Las tres ideas centrales de los modelos basados ​​en agentes son los agentes como objetos, la emergencia y la complejidad.

Los modelos basados ​​en agentes consisten en agentes basados ​​en reglas que interactúan dinámicamente. Los sistemas en los que interactúan pueden crear una complejidad similar a la del mundo real. Por lo general, los agentes están situados en el espacio y el tiempo y residen en redes o en vecindarios en forma de celosía. La ubicación de los agentes y su comportamiento de respuesta están codificados en forma algorítmica en programas informáticos. En algunos casos, aunque no siempre, los agentes pueden considerarse inteligentes y resueltos. En ABM ecológico (a menudo denominado "modelos basados ​​en individuos" en ecología), los agentes pueden, por ejemplo, ser árboles en un bosque y no se considerarían inteligentes, aunque pueden tener un "propósito" en el sentido de optimizar el acceso. a un recurso (como el agua). El proceso de modelado se describe mejor como inductivo. El modelador hace las suposiciones que considera más relevantes para la situación en cuestión y luego observa cómo emergen los fenómenos de las interacciones de los agentes. A veces ese resultado es un equilibrio. A veces es un patrón emergente. A veces, sin embargo, es un mangle ininteligible.

De alguna manera, los modelos basados ​​en agentes complementan los métodos analíticos tradicionales. Donde los métodos analíticos permiten a los humanos caracterizar los equilibrios de un sistema, los modelos basados ​​en agentes permiten la posibilidad de generar esos equilibrios. Esta contribución generativa puede ser la mayor parte de los beneficios potenciales del modelado basado en agentes. Los modelos basados ​​en agentes pueden explicar el surgimiento de patrones de orden superior: estructuras de red de organizaciones terroristas e Internet, distribuciones de leyes de poder en tamaños de embotellamientos, guerras y caídas de la bolsa, y segregación social que persiste a pesar de las poblaciones de gente tolerante. Los modelos basados ​​en agentes también se pueden usar para identificar puntos de palanca, definidos como momentos en el tiempo en los que las intervenciones tienen consecuencias extremas, y para distinguir entre tipos de dependencia de ruta.

En lugar de centrarse en estados estables, muchos modelos consideran la solidez de un sistema: las formas en que los sistemas complejos se adaptan a las presiones internas y externas para mantener sus funcionalidades. La tarea de aprovechar esa complejidad requiere la consideración de los propios agentes: su diversidad, conexión y nivel de interacciones.

Estructura

El trabajo reciente sobre el modelado y la simulación de sistemas adaptativos complejos ha demostrado la necesidad de combinar modelos basados ​​en agentes y basados ​​en redes complejas. describir un marco que consta de cuatro niveles de desarrollo de modelos de sistemas adaptativos complejos descritos utilizando varios ejemplos de estudios de casos multidisciplinarios:

1. Nivel de modelado de redes complejas para desarrollar modelos utilizando datos de interacción de varios componentes del sistema.
2. Nivel de modelado exploratorio basado en agentes para desarrollar modelos basados ​​en agentes para evaluar la viabilidad de futuras investigaciones. Esto puede ser útil, por ejemplo, para desarrollar modelos de prueba de concepto, como para aplicaciones de financiación, sin requerir una curva de aprendizaje extensa para los investigadores.
3. Modelado descriptivo basado en agentes (DREAM) para desarrollar descripciones de modelos basados ​​en agentes mediante el uso de plantillas y modelos complejos basados ​​en redes. La construcción de modelos DREAM permite la comparación de modelos entre disciplinas científicas.
4. Modelado basado en agentes validados utilizando el sistema Virtual Overlay Multiagent (VOMAS) para el desarrollo de modelos verificados y validados de manera formal.

Otros métodos para describir modelos basados ​​en agentes incluyen plantillas de código y métodos basados ​​en texto, como el protocolo ODD (Descripción general, conceptos de diseño y detalles de diseño).

El papel del entorno en el que viven los agentes, tanto macro como micro, también se está convirtiendo en un factor importante en el trabajo de simulación y modelado basado en agentes. El entorno simple ofrece agentes simples, pero los entornos complejos generan diversidad de comportamiento.

Modelado multiescala

Una fortaleza del modelado basado en agentes es su capacidad para mediar el flujo de información entre escalas. Cuando se necesitan detalles adicionales sobre un agente, un investigador puede integrarlos con modelos que describen los detalles adicionales. Cuando uno está interesado en los comportamientos emergentes demostrados por la población de agentes, puede combinar el modelo basado en agentes con un modelo continuo que describe la dinámica de la población. Por ejemplo, en un estudio sobre las células T CD4+ (un tipo de célula clave en el sistema inmunitario adaptativo),los investigadores modelaron fenómenos biológicos que ocurren en diferentes escalas espaciales (intracelulares, celulares y sistémicas), temporales y organizacionales (transducción de señales, regulación génica, metabolismo, comportamientos celulares y transporte de citoquinas). En el modelo modular resultante, la transducción de señales y la regulación génica se describen mediante un modelo lógico, el metabolismo mediante modelos basados ​​en restricciones, la dinámica de la población celular se describe mediante un modelo basado en agentes y las concentraciones sistémicas de citoquinas mediante ecuaciones diferenciales ordinarias. En este modelo multiescala, el modelo basado en agentes ocupa el lugar central y orquesta cada flujo de información entre escalas.

Aplicaciones

En el modelado de sistemas adaptativos complejos

Vivimos en un mundo muy complejo donde enfrentamos fenómenos complejos como la formación de normas sociales y el surgimiento de nuevas tecnologías disruptivas. Para comprender mejor tales fenómenos, los científicos sociales a menudo utilizan un enfoque de reduccionismo en el que reducen los sistemas complejos a variables de nivel inferior y modelan las relaciones entre ellos a través de un esquema de ecuaciones como la ecuación diferencial parcial (PDE). Este enfoque que se llama modelado basado en ecuaciones (EBM) tiene algunas debilidades básicas en el modelado de sistemas complejos reales. Los EBM enfatizan suposiciones no realistas, como la racionalidad ilimitada y la información perfecta, mientras que la adaptabilidad, la capacidad de evolución y los efectos de red no se abordan.. Al abordar las deficiencias del reduccionismo, el marco de los sistemas adaptativos complejos (CAS) ha demostrado ser muy influyente en las últimas dos décadas. En contraste con el reduccionismo, en el marco de CAS, los fenómenos complejos se estudian de manera orgánica donde se supone que sus agentes son limitadamente racionales y adaptativos. Como una metodología poderosa para el modelado CAS, el modelado basado en agentes (ABM) ha ganado una creciente popularidad entre académicos y profesionales. Los ABM muestran cómo las reglas de comportamiento simples de los agentes y sus interacciones locales a escala micro pueden generar patrones sorprendentemente complejos a escala macro.

En biología

El modelado basado en agentes se ha utilizado ampliamente en biología, incluido el análisis de la propagación de epidemias y la amenaza de la guerra biológica, aplicaciones biológicas que incluyen dinámica de población, expresión génica estocástica, interacciones planta-animal, ecología de la vegetación, diversidad del paisaje, sociobiología, la crecimiento y declive de civilizaciones antiguas, evolución del comportamiento etnocéntrico, desplazamiento/migración forzada, dinámica de elección de idioma, modelado cognitivo y aplicaciones biomédicas, incluido el modelado de formación/morfogénesis de tejido mamario en 3D, los efectos de la radiación ionizante en la dinámica de la subpoblación de células madre mamarias, inflamación, y el sistema inmunológico humano. Los modelos basados ​​en agentes también se han utilizado para desarrollar sistemas de apoyo a la toma de decisiones, como en el caso del cáncer de mama. Los modelos basados ​​en agentes se utilizan cada vez más para modelar sistemas farmacológicos en las primeras etapas y en la investigación preclínica para ayudar en el desarrollo de fármacos y obtener información sobre los sistemas biológicos que no sería posible a priori. También se han evaluado aplicaciones militares. Además, recientemente se han empleado modelos basados ​​en agentes para estudiar sistemas biológicos a nivel molecular. También se han escrito modelos basados ​​en agentes para describir procesos ecológicos en funcionamiento en sistemas antiguos, como los que se encuentran en entornos de dinosaurios y también en sistemas antiguos más recientes.

En epidemiología

Los modelos basados ​​en agentes ahora complementan los modelos compartimentales tradicionales, el tipo habitual de modelos epidemiológicos. Se ha demostrado que los ABM son superiores a los modelos compartimentales en cuanto a la precisión de las predicciones. Recientemente, los ABM como CovidSim del epidemiólogo Neil Ferguson se han utilizado para informar las intervenciones de salud pública (no farmacéuticas) contra la propagación del SARS-CoV-2. Los ABM epidemiológicos han sido criticados por suposiciones simplificadoras y poco realistas. Aún así, pueden ser útiles para informar las decisiones con respecto a las medidas de mitigación y supresión en los casos en que los ABM se calibran con precisión.

En negocios, tecnología y teoría de redes.

Los modelos basados ​​en agentes se han utilizado desde mediados de la década de 1990 para resolver una variedad de problemas comerciales y tecnológicos. Los ejemplos de aplicaciones incluyen marketing, comportamiento organizacional y cognición, trabajo en equipo, optimización y logística de la cadena de suministro, modelado del comportamiento del consumidor, incluido el boca a boca, efectos de redes sociales, computación distribuida, gestión de la fuerza laboral y gestión de cartera. También se han utilizado para analizar la congestión del tráfico.

Recientemente, el modelado y la simulación basados ​​en agentes se han aplicado a varios dominios, como el estudio del impacto de los lugares de publicación por parte de investigadores en el dominio de la informática (revistas versus conferencias). Además, los ABM se han utilizado para simular la entrega de información en entornos con asistencia ambiental. Un artículo de noviembre de 2016 en arXiv analizó una simulación basada en agentes de publicaciones difundidas en Facebook. En el dominio de las redes peer-to-peer, ad hoc y otras autoorganizadas y complejas, se ha demostrado la utilidad del modelado y la simulación basados ​​en agentes. Recientemente se ha demostrado el uso de un marco de especificación formal basado en la informática junto con redes de sensores inalámbricos y una simulación basada en agentes.

La búsqueda evolutiva o algoritmo basado en agentes es un nuevo tema de investigación para resolver problemas complejos de optimización.

En economía y ciencias sociales

Antes y después de la crisis financiera de 2008, ha crecido el interés en los ABM como posibles herramientas para el análisis económico. Los ABM no asumen que la economía puede alcanzar el equilibrio y los "agentes representativos" son reemplazados por agentes con un comportamiento diverso, dinámico e interdependiente, incluido el pastoreo. Los ABM adoptan un enfoque "de abajo hacia arriba" y pueden generar economías simuladas extremadamente complejas y volátiles. Los ABM pueden representar sistemas inestables con choques y auges que se desarrollan a partir de respuestas no lineales (desproporcionadas) a cambios proporcionalmente pequeños. Un artículo de julio de 2010 en The Economist analizó los ABM como alternativas a los modelos DSGE. La revista Naturetambién alentó el modelado basado en agentes con un editorial que sugería que los ABM pueden representar mejor los mercados financieros y otras complejidades económicas que los modelos estándar junto con un ensayo de J. Doyne Farmer y Duncan Foley que argumentaba que los ABM podrían cumplir los deseos de Keynes para representar una economía compleja y de Robert Lucas para construir modelos basados ​​en microfundamentos. Farmer y Foley señalaron el progreso que se ha logrado utilizando ABM para modelar partes de una economía, pero abogaron por la creación de un modelo muy grande que incorpore modelos de bajo nivel.Al modelar un sistema complejo de analistas basado en tres perfiles de comportamiento distintos (imitación, anti-imitación e indiferencia), los mercados financieros se simularon con gran precisión. Los resultados mostraron una correlación entre la morfología de la red y el índice bursátil. Sin embargo, el enfoque ABM ha sido criticado por su falta de solidez entre modelos, donde modelos similares pueden arrojar resultados muy diferentes.

Los ABM se han implementado en arquitectura y planificación urbana para evaluar el diseño y simular el flujo de peatones en el entorno urbano y el examen de las aplicaciones de políticas públicas para el uso del suelo. También hay un campo creciente de análisis socioeconómico del impacto de la inversión en infraestructura utilizando la capacidad de ABM para discernir los impactos sistémicos en una red socioeconómica. La heterogeneidad y la dinámica se pueden construir fácilmente en modelos ABM para abordar la desigualdad de riqueza y la movilidad social.

En la gestión del agua

Los ABM también se han aplicado en la planificación y gestión de los recursos hídricos, en particular para explorar, simular y predecir el desempeño del diseño de infraestructura y las decisiones políticas, y para evaluar el valor de la cooperación y el intercambio de información en grandes sistemas de recursos hídricos.

ABM organizacional: simulación dirigida por agentes

La metáfora de la simulación dirigida por agentes (ADS) distingue entre dos categorías, a saber, "Sistemas para agentes" y "Agentes para sistemas". Los sistemas para agentes (a veces denominados sistemas de agentes) son agentes de implementación de sistemas para su uso en ingeniería, dinámica humana y social, aplicaciones militares y otros. Los Agentes para Sistemas se dividen en dos subcategorías. Los sistemas respaldados por agentes se ocupan del uso de agentes como una instalación de soporte para permitir la asistencia de la computadora en la resolución de problemas o mejorar las capacidades cognitivas. Los sistemas basados ​​en agentes se centran en el uso de agentes para la generación de modelos de comportamiento en la evaluación de un sistema (estudios y análisis de sistemas).

Autos sin conductor

Hallerbach et al. discutió la aplicación de enfoques basados ​​en agentes para el desarrollo y validación de sistemas de conducción automatizados a través de un gemelo digital del vehículo bajo prueba y simulación microscópica de tráfico basada en agentes independientes. Waymo ha creado un entorno de simulación multiagente Carcraft para probar algoritmos para automóviles autónomos. Simula las interacciones de tráfico entre conductores humanos, peatones y vehículos automatizados. El comportamiento de las personas es imitado por agentes artificiales basados ​​en datos del comportamiento humano real. La idea básica de utilizar modelos basados ​​en agentes para entender los coches autónomos se discutió ya en 2003.

Implementación

Muchos marcos ABM están diseñados para arquitecturas informáticas seriales de von-Neumann, lo que limita la velocidad y la escalabilidad de los modelos implementados. Dado que el comportamiento emergente en ABM a gran escala depende del tamaño de la población, las restricciones de escalabilidad pueden dificultar la validación del modelo. Estas limitaciones se han abordado principalmente mediante computación distribuida, con marcos como Repast HPC específicamente dedicados a este tipo de implementaciones. Si bien estos enfoques se corresponden bien con las arquitecturas de clústeres y supercomputadoras, los problemas relacionados con la comunicación y la sincronización, así como la complejidad de la implementación, siguen siendo obstáculos potenciales para su adopción generalizada.

Un desarrollo reciente es el uso de algoritmos paralelos de datos en GPU de unidades de procesamiento de gráficos para la simulación ABM. El ancho de banda de memoria extremo combinado con el poder de procesamiento de números de las GPU multiprocesador ha permitido la simulación de millones de agentes a decenas de fotogramas por segundo.

Integración con otras formas de modelado

Dado que el modelado basado en agentes es más un marco de modelado que una pieza particular de software o plataforma, a menudo se ha utilizado junto con otras formas de modelado. Por ejemplo, los modelos basados ​​en agentes también se han combinado con los Sistemas de Información Geográfica (SIG). Esto proporciona una combinación útil donde el ABM sirve como modelo de proceso y el sistema GIS puede proporcionar un modelo de patrón. De manera similar, las herramientas de análisis de redes sociales (SNA) y los modelos basados ​​en agentes a veces se integran, donde el ABM se usa para simular la dinámica en la red mientras que la herramienta SNA modela y analiza la red de interacciones.

Verificación y validación

La verificación y validación (V&V) de los modelos de simulación es extremadamente importante. La verificación implica asegurarse de que el modelo implementado coincida con el modelo conceptual, mientras que la validación garantiza que el modelo implementado tenga alguna relación con el mundo real. La validación facial, el análisis de sensibilidad, la calibración y la validación estadística son aspectos diferentes de la validación. Se ha propuesto un enfoque de marco de simulación de eventos discretos para la validación de sistemas basados ​​en agentes. Puede encontrar un recurso integral sobre la validación empírica de los modelos basados ​​en agentes aquí.

Como ejemplo de la técnica de V&V, considere VOMAS (sistema multiagente de superposición virtual), un enfoque basado en ingeniería de software, donde se desarrolla un sistema multiagente de superposición virtual junto con el modelo basado en agentes. Muazi et al. también proporcione un ejemplo del uso de VOMAS para la verificación y validación de un modelo de simulación de incendios forestales. Otro método de ingeniería de software, es decir, el desarrollo dirigido por pruebas, se ha adaptado para la validación de modelos basados ​​en agentes. Este enfoque tiene otra ventaja que permite una validación automática utilizando herramientas de prueba unitaria.