Agentové modely a simulace s příklady v NetLogu. Kamila Olševičová Richard Cimler Jan Procházka

Transkript

1 Agentové modely a simulace s příklady v NetLogu Kamila Olševičová Richard Cimler Jan Procházka

2 Osnova Znalostní technologie Agent, agentový model Simulace Metodika, software Ukázky

3 Znalostní technologie Data: sekvence symbolů z určité abecedy Příklad: 4,5,2,3,-2,-5,-3,1,4, Informace: data v kontextu Příklad: řada čísel znamená vývoj nočních teplot Znalosti: informace použitelné k rozhodování Příklad: Noční mrazíky mají vliv na úrodu třešní, meruněk, Explicitní nebo implicitní Deklarativní nebo procedurální Dovednosti, zkušenosti, heuristiky, moudrost, intuice, 3

4 Znalostní technologie Ukládání a zpracování již kodifikovaných znalostí Reprezentační schémata Pravidlové systémy Neuronové sítě Odvozovací stroje, expertní systémy Prolog, CLIPS, Odkrývání znalostí Dataminingové nástroje Simulace Agentové modely 4

5 Význam počítačů a IT computation = výpočetní, výpočtový 19.století až 1960: computation = calculation Jeden sálový počítač pro mnoho uživatelů Rychlá manipulace s čísly, automatizace výpočtů : computation = information processing Jeden osobní počítač pro jednoho uživatele Dominuje ukládání a zpracování velkých objemů (nejen číselných) dat, tj. textů, audio- a video-dat 5

6 Význam počítačů a IT (pokr.) 1990-dnes: computation = interaction Mnoho počítačů pro jednoho uživatele (mobil, notebook, domácí spotřebiče, ) Dominuje komunikace (internet , chat, sociální sítě, ) HW a SW systémy jako na soustavy agentů (entit, komponent), které komunikují a navzájem si poskytují služby Komponenty nemusí k činnosti aktivovat člověk, a dokonce mohou být vybaveny schopností sebekontroly a adaptace => autonomní agenti Dostupný početní výkon je dostatečný i pro rozsáhlé experimenty a simulace, mj. za použití populací agentů 6

7 Různé pohledy na pojem agent Uměla inteligence Racionální agent jako ústřední pojem (Russell & Norvig) Situovanost v prostředí, vnímání skrze senzory, provádění akcí skrze aktuátory Inteligentní systémy, robotika, reaktivní agenty (R.Brooks) Informační technologie Agenty jako zásadní softwarové paradigma, překonávající objektově-orientovaný přístup 7

8 Distribuované výpočty Různé pohledy na pojem agent (pokr.) Agent jako autonomní proces nebo vlákno Grid-computing, paralelní výpočty, peer-to-peer sítě Internet Agent jednající jako zástupce uživatele (vyhledávání, aukce) Webové vyhledávače, shromažďování a filtrování informací Modelování a simulace Agent jako základní jednotka v modelu, na kterém zkoumáme vzájemné interakce jedinců, chování systémů na makro-úrovni, souvislosti příčin a následků, celkové dopady určitých opatření apod. Teorie her, evoluční programování, komplexní systémy 8

9 Taxonomie autonomních agentů Franklin & Graesser, 1997 Teahan,

10 Simulace proč? Ve společenských vědách se běžně používá dedukce a modelování na základě předpokladu, že všichni jsou stejní a racionální (tzv. paradigma racionálního výběru) Alternativou k racionálnímu výběru je nějaká forma adaptivního chování Důsledky adaptace lze těžko předvídat, zejména pokud interaguje mnoho agentů na základě pravidel, která mají netriviální důsledky => simulace je potom jediný způsob, jak zkoumat populace, v nichž převažuje adaptivní chování 10

11 Zkoumání vlastností a chování systému na základě experimentů, prováděných na modelu systému Použitelnost simulací obecně 1. Předpovídání budoucího vývoje 2. Odhalování nových skutečností a vztahů 3. Pokusy o napodobení lidského chování 4. Trénink a vyučování na simulátorech 5. Hry založené na pobytu v imaginárním (virtuálním) světě 6. Simulace 11

12 Indukce Vědecké metody spočívá v odhalování nových vztahů z empirických dat (např. vyhodnocování dotazníků, výsledků měření, ) Dedukce spočívá v odvozování nových tvrzení z daných předpokladů a platných axiomů Simulace vychází z předpokladů (jako dedukce), ale nevede k dokazování platnosti tvrzení, nýbrž ke generování dat, která analyzujeme a která mají jiný charakter, než data sbíraná/měřená a zpracovávaná induktivně 12

13 Model Zjednodušená reprezentace objektů nebo jevů/procesů reálného světa Statický Dynamický (výstup odpovídá pozdějšímu okamžiku, než vstup; čas může být diskrétní nebo spojitý Analogový (reálný objekt, vytvořený v měřítku) Digitální model (program) Individuální Agregovaný (např. dav jako na skupina jedinců, nebo celek) 13

14 Agentový model Agent-based model = počítačová reprezentace systému, který zahrnuje mnoho interagujících účastníků s žádným nebo minimálním centrálním řízením Agent = jedinec, který má své vlastnosti (diskrétní nebo spojité) a funguje v prostředí, které rovněž má určité vlastnosti Například člověk, mravenec, robotický vysavač, Předpokládáme, že agent je autonomní, reaktivní, proaktivní, vnímající, omezeně racionální, benevolentní, komunikativní, mobilní, učící se, 14

15 Příklad: model Ants Simulace tzv. nepřímé komunikace mravenců při přenášení potravy do mraveniště 15

16 Příklad: Wolf Sheep Predation Simulace ekosystému s vlky a ovcemi 16

17 Příklad: Grand Canyon Simulace odtékání dešťových srážek odels/grandcanyon 17

18 Příklad: Cruise Pohyb vozidel po síti silnic v Santa Fe s/cruise.html 18

19 Použití modelů 1. Vysvětlování procesů, odvození závěrů, pochopení emergence, odhalení trendů 2. Predikce (prognóza), extrapolace trendů, tvorba a vyhodnocování scénářů, odhady vývoje Často obojí: nejprve sestrojíme vysvětlující model, který následně použijeme k predikování 19

20 Výhody a úskalí modelů + Zachycení složitých systémů nebo jevů (např. návrh nouzových východů pro výškové budovy) + Flexibilita: možnost modelovat pohybující se jedince, definovat sousedy a sítě, zachytit interakce - Model vzniká za nějakým účelem a na určité úrovni podrobnosti, obojí musíme správně vymezit - Modelování neracionálního chování, subjektivních hledisek a komplexních systémů je vždy obtížné Některé proměnné nelze kvantifikovat Některé modely nelze kalibrovat 20

21 1. Konceptuální model Realizace simulace 2. Naprogramování modelu 3. Sběr a analýza dat 4. Reprodukování simulace 21

22 Fáze 1 konceptuální model Cílem je popsat procesy a objekty reálného světa Formulovat základní otázky Vymezit agenty a jejich chování Stanovit měřitelné výstupy Text, obrázky, schémata, grafy, diagramy, tabulky, 22

23 Fáze 1 konceptuální model 1. Agent jako uměle navržený konstrukt Např. průměrný zákazník, průměrný mravenec 2. Agent navržený na základě analýzy empirických dat Např. virtuální protějšek skutečného člověka Prostředí také lze navrhnout uměle, nebo využít reálná data Např. mapy v modelech dopravního provozu 23

24 Fáze 2 Naprogramování Převedení konceptu do podoby programu Programovací jazyk (Java) nebo speciální nástroj (NetLogo) Důležitá je: Validita programu (nečekaný výsledek může být způsoben chybou v programu, nebo v návrhu) Validita modelu = zda se model chová v podstatné míře tak, jako reálný systém, který modelujeme Použitelné rozhraní Rozšiřitelnost, opakovaná použitelnost Korektní model je třeba kalibrovat, tj. nastavit jeho parametry 24

25 Fáze 3 Sběr a analýza dat V simulaci figurují náhodné elementy, proto jedno spuštění simulace nestačí Z mnoha opakování získáme data, která statisticky zpracujeme Řešíme dvě otázky: Jsou získané výsledky statisticky významné (nezapříčiněné náhodou)? Jsou zjištěné rozdíly podstatně významné (tak velké, aby pro nás byly důležité)? 25

26 Fáze 4 Reprodukce simulace Základní způsob, jak ověřit věrohodnost výsledků Nová realizace modelu se může v něčem lišit Jiný hardware, programovací prostředek, pomocné algoritmy = ověříme nezávislost výsledků na nástroji Jiní autoři = ověříme se správnost a úplnost popisu modelu 26

27 Příklad experimentu: Ants Systematicky zkoumáme, jak nastavení parametrů modelu souvisí s časem, který mravenci potřebují na sesbírání potravy. 27

28 Nastavení experimentu 28

29 Spuštění experimentu 29

30 Výsledky [run number] evaporationrate diffusionrate population ticks ticks - avg , , ,1

31 Další možné experimenty Je dáno 500 mravenců a hodnota parametru diffusion-rate je 20. Při jaké hodnotě parametru evaporation-rate sesbírají mravenci potravu nejrychleji? Při jaké kombinaci hodnot parametrů evaporation-rate a diffusion-rate sesbírá zadaná populace potravu nejrychleji? evaporation-rate diffusion-rate ticks - průměr , , , , , , , ,7 Definujeme zdroj A vpravo a zdroj B vlevo od mraveniště, oba ve stejné vzdálenosti. Jaká je pravděpodobnost, že mravenci rychleji vysbírají zdroj A? 31

32 Ukázky

33 Model Venice Demonstrace propojení GIS a NetLoga Model lodní dopravy po kanálech v Benátkách Skutečná mapa, realistické rozměry a rychlosti lodí

34 Model Venice

35 Model ClimAlpTour The model represents the winter tourism system of Auronzo di Cadore, a quite extended municipality located in the Dolomites, including a very diverse set of environmental and climatic conditions. The main acting agents are the winter tourists divided in eight heterogeneous profiles, according to their tourist fruition behavior. The model has been used for assessing three hypothetical, divergent and infrastructure oriented development strategies of winter tourism supply, which have been discussed with the local stakeholders, as alternatives to the business as usual situation. These strategies are tested against multiple future scenarios, which project (a) the weather conditions in terms of snow cover and temperature, (b) the composition and the total number of tourist agents and (c) the type of market competition. The model takes into consideration a set of socioeconomic indicators that are strongly coupled with relevant environmental implications.

36 Model ClimAlpTour

37

38 Model Casagrandi-Rinaldi It is difficult, if not impossible, to formulate policies that guarantee that tourism can be maintained for a long time without severely impacting on the environment. The analysis is purely theoretical and is based on very simple and general assumptions about the interactions between the three main components of the system: the tourists, the environment, and the capital. These assumptions are encapsulated in a so-called minimal model, used to predict the economic and environmental impact of any given policy First, it introduces the approach of minimal descriptive models in the context of tourism, which has traditionally been dominated by the use of black-box econometric models. Second, the specific results are quite interesting. We show, in fact, that tourism sustainability can be achieved, provided agents are prudent about reinvesting their profits and are willing to protect the environment, but that sustainability is very often at risk, because unforeseen shocks can easily trigger a switch from a profitable and compatible behavior to an unprofitable or incompatible one. These results are in line with conventional wisdom and observations, but the interesting fact is that here they are theoretically derived from a few very simple and abstract premises. Third, although not directly related to the problem of tourism but rather to the general topic of sustainability, this is one of the first times that the notion of sustainability, which is more and more pervasive in the field of resource management, is interpreted strictly in terms of the structural properties of the attractors of a dynamic system. This creates an important and promising bridge between sustainability and bifurcation theory, one of the most important areas of systems analysis.

39 Model Casagrandi-Rinaldi

40 Trading agent competition (TAC) Podpora výzkumu e-commerce a automatizování transakcí pomocí agentů Softwaroví agenti sestavují cestovní balíčky pro klienty (letenky, hotely, vstupenky) TACAir agent prodává letenky formou aukce, soutěžící agent musí predikovat vývoj cen letenek Aukce ubytovacích kapacit ve dvou hotelech (levný a drahý) Tři zábavní zařízení možnost prodávat a kupovat vstupenky ve dvojité aukci Preference klienta: ideální datum příjezdu a odjezdu, jak si klient cení lepšího hotelu, jak si klient cení tří typů zábavy Herní kola probíhají online, přes domluvený komunikační protokol, není omezena architektura agenta, je zakázáno zasahování uživatele 40