19.1: ¿Qué son los modelos basados en agentes?

Por fin, hemos llegado al capítulo final, sobre los modelos basados en agentes (ABM). Los ABM son posiblemente el marco más generalizado para modelar y simular sistemas complejos, que en realidad incluyen tanto autómatas celulares como redes dinámicas como casos especiales. Los ABM son ampliamente utilizados en una variedad de disciplinas para simular comportamientos dinámicos de sistemas compuestos por un gran número de entidades, como los comportamientos de los operadores en un mercado (en economía), la migración de personas (en ciencias sociales), la interacción entre los empleados y su mejora del desempeño (en la ciencia organizacional) , comportamiento de floculación/escolaridad de aves/peces (en ecología conductual), crecimiento celular y morfogénesis (en biología del desarrollo) y comportamiento colectivo de materiales granulares (en física). La Figura 19.1 muestra una ilustración esquemática de una ABM.

Es un poco desafiante definir con precisión qué es un modelo basado en agentes, porque sus suposiciones de modelado son muy abiertas y, por lo tanto, no hay muchas restricciones fundamentales que caractericen a las ABM. Pero esto es lo que espero sea una definición minimalista de ellos:

Los modelos basados en agentes son modelos de simulación computacional que involucran a muchos agentes discretos.

Hay algunas palabras clave en esta definición que son importantes para entender las ABM.

La primera palabra clave es “computacional”. Los ABM suelen implementarse como modelos de simulación en una computadora, donde las reglas de comportamiento de cada agente se describen de una manera algorítmica en lugar de una manera puramente matemática. Esto permite a los modeladores implementar propiedades internas complejas de los agentes y sus reglas de comportamiento no triviales. Tales representaciones de rasgos individuales complejos son muy valoradas especialmente en el ámbito social, organizacional

Figura\(\PageIndex{1}\): Ilustración esquemática de cómo se ve un modelo basado en agentes (ABM).

y ciencias de la gestión, donde los modeladores necesitan capturar comportamientos complejos y realistas de los individuos humanos. Es por ello que las ABM son particularmente populares en esas áreas de investigación.

Esto, por supuesto, viene a costa de la trazabilidad analítica. Dado que los agentes pueden tener cualquier cantidad de propiedades complejas y reglas de comportamiento, generalmente no es fácil realizar un análisis matemático elegante de un ABM (razón por la cual no hay un capítulo de “Análisis” sobre ABM después de este). Por lo tanto, el análisis de ABM y sus resultados de simulación se suelen llevar a cabo utilizando análisis estadísticos más convencionales de uso común en ciencias sociales, por ejemplo, ejecutando simulaciones de Monte Carlo para obtener distribuciones de mediciones de resultados en múltiples condiciones experimentales, y luego realizando pruebas de hipótesis estadísticas para ver si hubo alguna diferencia significativa entre las diferentes condiciones experimentales. En este sentido, las ABM podrían servir como un reemplazo virtual de campos experimentales para los investigadores.

La segunda palabra clave en la definición anterior es “muchos”. Si bien es técnicamente posible crear un ABM hecho de unos pocos agentes, habría poca necesidad de tal modelo, porque el contexto típico en el que se necesita una ABM es cuando los investigadores quieren estudiar el comportamiento colectivo de un gran número de agentes (de lo contrario bastaría con utilizar un método más modelo convencional basado en ecuaciones con un pequeño número de variables). Por lo tanto, las ABM típicas contienen una población de agentes, al igual que las células en CA o los nodos en redes dinámicas, y sus comportamientos dinámicos se estudian mediante simulaciones computacionales.

La tercera palabra clave es “discreto”. Si bien existen algunas ambigüedades sobre cómo definir rigurosamente a un agente, lo que comúnmente se acepta es que un agente debe ser una entidad individual discreta, que tiene un claro límite entre el yo y el exterior. CA y red, por lo que califican como casos especiales de ABMs. Mientras tanto, los modelos de campo continuo adoptan funciones espaciales continuas como representación del estado del sistema, por lo que no se consideran ABM.

Hay ciertas propiedades que generalmente se asumen en agentes y ABM, que definen colectivamente la “agent-ness” de las entidades en un modelo. Aquí hay una lista de tales propiedades:

Propiedades típicas generalmente asumidas en agentes y ABM

• Los agentes son entidades discretas.
• Los agentes pueden tener estados internos.
• Los agentes pueden estar localizados espacialmente.
• Los agentes pueden percibir e interactuar con el entorno.
• Los agentes pueden comportarse en base a reglas predefinidas.
• Los agentes pueden ser capaces de aprender y adaptarse.
• Los agentes pueden interactuar con otros agentes.
• Los ABM a menudo carecen de supervisores/controladores centrales.
• Las ABM pueden producir un “comportamiento colectivo” no trivial en su conjunto.

Tenga en cuenta que estos no son requisitos estrictos para las ABM (quizás excepto el primero). Algunos ABMs no tienen estados internos de agentes; algunos no tienen espacio o ambiente; y algunos sí tienen controladores centrales como tipos especiales de agentes. Por lo tanto, qué propiedades del modelo deben incorporarse a un ABM está realmente a la altura del objetivo de su modelo.

Antes de pasar al edificio real de ABM, me gustaría señalar que hay algunas cosas con las que debemos tener especial cuidado cuando construimos ABM. Uno se trata de la codificación. La implementación de una ABM suele ser mucho más intensa en la codificación que la implementación de otros modelos más simples, en parte porque el marco ABM es muy abierto. El hecho de que no haya muchas restricciones en los ABM también significa que tienes que cuidar todos los detalles de la simulación tú mismo. Esto aumenta naturalmente la cantidad de codificación que necesitará hacer. Y, cuanto más codifique, más probable es que un error inesperado o dos se colen en su código. Por lo tanto, es muy importante mantener tu código simple y organizado, y usar las mejores prácticas en programación informática (por ejemplo, modularización de secciones, agregar muchos comentarios, implementar pruebas sistemáticas, etc.), para minimizar los riesgos de tener errores en tu simulación. Si es posible, es deseable que varias personas prueben y verifiquen minuciosamente su código.

Otro tema que debemos tener en cuenta es que, dado que los ABM son tan abiertos y flexibles, los modeladores están tentados a agregar configuraciones y suposiciones cada vez más complejos a sus ABM. Esto es comprensible, ya que los ABM son parques infantiles tan agradables para intentar probar escenarios “qué pasaría si” en un mundo virtual, y los resultados se pueden obtener rápidamente. He visto a muchas personas que quedaron fascinadas por una experiencia de modelaje tan interactiva e intentaron agregar más y más detalles a sus propios ABM para hacerlos más “realistas”. Pero cuidado, el aumento de la complejidad del modelo significa la mayor dificultad de analizar y justificar el modelo y sus resultados. Si queremos derivar una conclusión útil y confiable de nuestro modelo, debemos resistir la tentación de agregar innecesariamente complejidad a nuestras ABM. Tenemos que encontrar el equilibrio adecuado entre simplicidad, validez y robustez, como se discute en la Sección 2.4.

Ejercicio\(\PageIndex{1}\)

Haga una búsqueda rápida de literatura en línea para aprender cómo se utilizan las ABM en diversas disciplinas científicas. Elige algunos ejemplos de tu interés y aprende más sobre cómo los investigadores desarrollaron y utilizaron sus ABM para su investigación.