3. Bibliografía citada 24




descargar 84.11 Kb.
título3. Bibliografía citada 24
página1/2
fecha de publicación26.02.2016
tamaño84.11 Kb.
tipoBibliografía
b.se-todo.com > Documentos > Bibliografía
  1   2
Ficha de trabajo 3 – Modelos basados en agentes y algoritmos genéticos

Contenido de la ficha


1.Modelos basados en agentes 1

2.Algoritmos genéticos 16

3.Bibliografía citada 24



1.Modelos basados en agentes



Al igual que sucede con los Autómatas Celulares, los Modelos basados en Agentes no surgieron en el ámbito de programas de investigación de las ciencias duras, sino en la sociología, la economía y áreas vinculadas.

Siguiendo la caracterización de Macy y Willer (2002: 146), los agentes suelen tener unas cuantas propiedades en común:
1) Los agentes son autónomos. El sistema no se modela directamente como una entidad global. Los patrones sistémicos emergen de abajo hacia arriba a partir de las interacciones locales entre entidades independientes. Esto no es sino autoorganización en estado puro.

2) Los agentes son interdependientes. Ejercen influencia los unos sobre los otros, lo cual puede tener efecto sobre los constreñimientos ambientales.

3) Los agentes siguen reglas simples. Como decía Simon, la aparente complejidad de nuestra conducta es en gran medida un reflejo de la complejidad del ambiente.

Grandes conjuntos de agentes parecen sincronizarse desde arriba hacia abajo,

pero en realidad sólo se aplican reglas muy simples de (por ejemplo) separación, alineamiento y cohesión.

4) Los agentes son adaptativos. Con frecuencia la evolución altera la distribución de frecuencia de los agentes que compiten por recursos escasos.
Aunque hay varias posturas respecto de formas de clasificar a estos modelos, según Reynoso, las estrategias de desarrollo de modelos de simulación siguen casi todas, sin necesariamente saberlo, dos clases de formulaciones opuestas:
1) En las formulaciones eulerianas, las ecuaciones especifican qué sucede en cada unidad espacial fija.

2) En las formulaciones lagrangianas, las ecuaciones especifican qué pasa en los elementos. Estos elementos se mueven en el espacio físico, se encuentran e interactúan de distintas maneras.

La coexistencia de estos dos puntos de vista, uno concentrándose en el espacio visto como una realidad existente en sí misma, y el otro poniendo en foco sus contenidos y contemplando el espacio como una estructura de relaciones, ha sido objeto de agrias discusiones en varias disciplinas, desde la física a la antropología (cf. Treuil y otros 2001).

Los mejores modelos de objetos parecen ser los que combinan aspectos de uno y otro enfoque, y un listado interesante de ellos aparece en http://modelingcommons.org/browse/list_models

Distintos entornos proveen herramientas para el modelado basado en agentes.

El paquete que encontramos hoy mismo (Agosto de 2015) en NetLogo 4.04, incluye los programas Awareness (intercambio de información y recursos en un ambiente urbano), Cells (modelo de crecimiento y cambio basado en autómatas celulares), Economic Disparity (patrones de uso de la tierra en una sociedad desigual), Path Dependence (modelo de localización urbana basada en Brian Arthur), Pollution (gente con distintos hábitos de reciclado y desperdicio), Positive Feedback (basado en el reciente libro Cities and Complexity de Michael Batty), Recycling (recicladores y ensuciadores en una ciudad), Sprawl Effect (modelo de crecimiento de ciudades), Structure from Randomness I y II (también basados en el libro de Batty) y por supuesto Tijuana Bordertowns, que se muestra a continuación

:
Imagen 1: “Tijuana Bordertowns” (Fronteras de Tijuana)


Este modelo simula diversas realidades socio-económicas de los residentes de bajos ingresos de la ciudad de Tijuana con el propósito de crear proposiciones de intervención en el proceso migratorio.

El modelo de Tijuana Bordertowns permite el ingreso, por el usuario, de las tasas de migración y las tasas de cruce de fronteras en relación con los centros de empleo y de servicios con el fin de definir los diferentes tipos de población (es decir, los inmigrantes o residentes a tiempo completo). Las densidades de población son ajustables a través de la interfaz con el fin de dirigir la simulación hacia usos de la tierra específicos tales como centros urbanos o rurales. La tasa de la construcción residencial también es ajustable y está basada en el tamaño de la comunidad relativa, el valor del suelo, el capital requerido por individuo y la capacidad de carga de la infraestructura potencialmente existente.

El modelo también simula la información detallada sobre cada agente. Durante o después de ejecutar la simulación, cada agente individual puede ser inspeccionado para determinar su ingreso actual, el ahorro que ha acumulado, los gastos de supervivencia, de trabajo, el origen (de donde emigraron) y el tiempo (en años) que han vivido en Tijuana. Del mismo modo, el sector que los agentes ocupan también puede ser inspeccionado para identificar la existencia de características de infraestructura tales como agua, electricidad y carreteras. En todos los casos, la información acerca de los agentes y sectores cambia continuamente durante la simulación en base a la retroalimentación recíproca.

Lo interesante, en este y otros modelos, es chequear la interacción entre los parámetros de entrada y parámetros de salida consultados en tiempo real y considerados aislada o conjuntamente.

Si bien los parámetros de entrada en este caso tienen una documentación satisfactoria, los de salida no están descriptos y un objetivo interesante es referenciarlos adecuadamente respecto a aquellos factores que determinan su desempeño como variables dependientes.

Además de la modificación de parámetros de entrada en tiempo real, mediante la función “add node” se pueden agregar focos de desarrollo urbano que inciden críticamente en el desarrollo de la simulación.

Un aspecto negativo de este modelo es que no tiene un monitoreo visual y permanente del comportamiento temporalizado de las variables. Se aprecia su valor actual, pero no se puede ubicar este valor dentro de un desempeño general.
Imagen 2: “Awareness” (Conciencia)

El modelo “Awareness” simula puntos de información y / o intercambio de recursos en un entorno urbano. El entorno urbano es representado como una ciudad amigable para los peatones. En este espacio la gente se encuentra entre sí estableciendo vínculos cara a cara y puede, además, vincularse con los sistemas de información como la publicidad y con otros sistemas de intercambio de información como los que se producen al ir de compras. El objetivo del modelo es, básicamente, evaluar la influencia que las personas "conscientes" tienen respecto del resto de la gente y en el marco de un contexto rico en información como la ciudad. Una de las cosas interesantes de este modelo es que el grado de “conciencia” debe ser mantenido en interacción continua, sino decrece, y que la posición y persistencia de los centros de información incide en la dinámica de la difusión. Con la función “place-centers” se generan nuevos centros de difusión que poco a poco alteran la distribución de conciencia dentro del conjunto. Los monitores del nivel de “Conciencia” y del “Promedio de Conciencia” facilitan el seguimiento de esta evolución y del modo en que los parámetros de salida responden a esta interacción. Si bien el grado de conciencia del modelo puede remitir a un conocimiento que se reparte desigualmente en una población, también se podrían pensar estos valores respecto a una misma escala continua en el que los valores máximos de “awareness” podrían representar determinada opinión política –estar a favor del aborto por ejemplo-, y los mínimos la posición contraria –oponerse al aborto en este caso.
Imagen 3: “Cells” (“Células”)


Este es un modelo de autómatas celulares 2d y que utiliza reglas muy simples para crecer como un conjunto de formas específicas. Estas formas pueden ser muy complejas o altamente regulares.

En cada paso, cada sector verifica si cumple con las reglas definidas para ser encendido o activado. La regla que determina este comportamiento es definida por el selector de barrio y el selector N-COUNT. Si el número de sectores ”activados” en el barrio alrededor del sector considerado es distinto de cero, y se satisface el valor establecido por N-COUNT, entonces ese parche tiene una oportunidad de encenderse. El cambio que determina el encendido se define por el control deslizante PROBABILIDAD. Si el límite de edad no es cero, entonces los parches que han sobrepasado el límite de edad por determinada cantidad de unidades de tiempo (ticks)se apagarán. El color de los sectores muestra su edad, ya que aquellos más oscuros son más viejos que los más claros.

Este modelo sirve para establecer patrones de llenado del espacio y desarrollo de formas simétricas o asimétricas. El parámetro n-count, en particular, altera dramáticamente el grado de dinamismo del llenado del espacio de simulación, y un age-limit bajo hace que la renovación de sectores sea mucho más lenta. Al ajustarse a la lógica de un AC, este modelo contiene menos isomorfismos con situaciones conocidas que otros de la Urban Suite.
Imagen 5: “Economic Disparity” (“Disparidad económica”)



Este modelo analiza los patrones de uso de la tierra residenciales desde una perspectiva económica, utilizando la situación socio-económica de los agentes para determinar sus preferencias para elegir un lugar para vivir. Modela el crecimiento de dos poblaciones, una rica y otra pobre, que se instalan basándose en tres propiedades del paisaje o del terreno: la calidad percibida, el costo de vida, y la proximidad a los servicios (que se muestran como grandes puntos rojos). Estas mismas propiedades luego cambian en función del lugar donde las diferentes poblaciones se asientan.

El modelo muestra, en última instancia, la segregación de poblaciones basadas en los ingresos, la agrupación de los servicios en las zonas más ricas, y cómo la actitud de la gente puede llevar ya sea a una condición de agrupamiento (con énfasis en la proximidad), o una condición de la expansión (con énfasis en el precio o la calidad).

Los sitios de trabajo (que se muestran como círculos rojos en el mapa) se crean y se destruyen continuamente. La gente (que aquí se muestra como pequeños cuadrados de color azul y rosa) se desplaza en torno a estos sitios, ya que quieren vivir cerca de los puestos de trabajo, pero también tienen en cuenta el precio (el costo de vida) y la calidad de los lugares posibles.

En definitiva, hay dos tipos fundamentalmente diferentes de personas en este modelo - las personas "pobres" (que se muestran en azul) y los "ricos" (que se muestran en rosa), y ambos tienen diferentes prioridades, ya que desean estar ubicados cerca de un lugar de trabajo, pero los ricos buscan un lugar de buena calidad, sin prestar atención a los precios, mientras que los pobres buscan lugares con precios más bajos, sin tener en cuenta la calidad.

La última regla importante del modelo es el efecto que los agentes tienen sobre la tierra que habitan. La gente rica se traslada a una zona y hace que el precio de la tierra y de la calidad aumente, mientras que los pobres, al desplazarse, hacen que el precio de la tierra y la calidad disminuya.

Este modelo, al igual que el de Tijuana, es muy realista y da pie a un examen cuidadoso del modo en que las preferencias combinadas de los agentes producen una modificación de atributos del entorno. Tanto la preferencia de precio de los pobres como la preferencia de calidad de los ricos se pueden modificar para chequear como los patrones de asentamiento y segregación son más o menos estables a pesar de las variaciones del entorno.

Las respectivas poblaciones ricas y pobres, y la suma total de ambas, pueden apreciarse de manera continua, ya que son parámetros de salida del modelo y se adjuntan a la pantalla.

A diferencia de otros modelos, los sitios de trabajo no se pueden agregar en tiempo real y ver como esto alteraría el comportamiento general.

Imagen 6: “Path Dependence” (“Dependencia de trayectorias”)



Este modelo explora el concepto de “dependencia de la trayectoria” como se explica por W. Brian Arthur en su artículo " Urban Systems and Path Dependence" y varios otros papers. Esencialmente, aparecen aquí distintas compañías alrededor de un paisaje en busca de un lugar para establecerse. Varios mecanismos respecto a cómo deciden ubicarse pueden ser simulados y examinarse sus respectivos resultados. Al buscar ubicación, cada empresa lo hace analizando la calidad de la ubicación disponible y el número de empresas ya ubicadas allí. En base a estos factores, los programadores del modelo determinan la probabilidad de localización en la ubicación actual.
Este modelo cuenta con los siguientes parámetros:

INITIAL-FIRMS - Controla el número de empresas iniciales en el modelo

ISTRIBUTE? - Determina si las firmas iniciales se distribuyen a diferentes lugares

SETUP - Inicia el modelo

GO - Ejecuta el modelo

DISTURB - Le dice a todas las empresas que busquen un nuevo lugar para establecerse

REGIÓN-SIZE - Especifica cómo cualidades regionales influyen en la ubicación actual. A un valor de 1, sólo la calidad de la revisión actual se tiene en cuenta, ya que este número se incrementa la calidad de más y más sectores cercanos se tiene en cuenta.

INCREASING-RETURNS- Controla el equilibrio entre la calidad y el número de empresas actualmente ubicadas. Si se establece en 1,0 entonces la única cosa que determina si una empresa se instala en la ubicación actual es el número de otras empresas allí. Si se establece en 0,0 entonces la única cosa que determina si o no una firma se asienta allí es la calidad de la ubicación.

ATTEMPTS - Esto especifica el número de parches de una empresa visitará cada turno para determinar si debe o no establecerse.

BIRTH? - Si se establece en true entonces las nuevas empresas se crean cada paso.
Imagen 7: “Pollution” (“Polución”)

Este modelo es un examen del frágil equilibrio de un ecosistema depredador-presa. Tenemos aquí poblaciones de (1) personas, (2) los elementos del paisaje y (3) los enjambres de-agentes contaminantes aerotransportados, que compiten por los recursos dentro de un ambiente cerrado. El uso de este modelo permite explorar el comportamiento de las poblaciones a través del tiempo a medida que interactúan de forma dinámica: los depredadores (contaminación) y la presa (personas) se pueden comparar a través de múltiples generaciones y viendo como cada uno de ellos demuestran éxito reproductivo regular o irregular.

Oscilaciones regulares (ciclos) de tamaño de la población indican el equilibrio y la estabilidad en el ecosistema en el que, a pesar de las fluctuaciones, las poblaciones logran mantenerse a sí mismas con el tiempo. Por el contrario, las oscilaciones irregulares indican la inestabilidad que conduce hacia la potencial extinción de ambas poblaciones en co-dependencia El modelo establece un bucle de retroalimentación negativa: los depredadores inhiben la densidad de presas y las presas estimulan la densidad de depredadores.

Personalmente, encuentro a este modelo como uno de los más claros para chequear la interacción entre parámetros de entrada, de salida y propiedades emergentes del modelo.

El funcionamiento es el siguiente: las plantas eléctricas producen contaminación, que se difunde en el medio ambiente. La salud de las personas que están expuestas a este tipo de contaminación se ve afectada negativamente, lo que reduce sus posibilidades de reproducción. Los que pueden reproducirse tendrán niños sanos a un ritmo específico. Las personas también pueden tomar algunas medidas para aliviar el problema de la contaminación recurriendo a la plantación de árboles.

Incluso sin contaminación, la salud de las personas se degrada naturalmente con el tiempo, ya que mueren de causas naturales. Para permitir que las poblaciones de las personas no decaigan, la gente se clona a una velocidad determinada. Un ecosistema estable se logra si los niveles de los agentes contaminantes en se mantienen bajo control, y ni las poblaciones de las personas ni los elementos del paisaje superan la capacidad de carga del medio ambiente.
Imagen 8: “Positive Feedback” (“Retroalimentación positiva”)


Este modelo, mucho más próximo a un AC que a un modelo basado en agentes, demuestra el efecto de "retroalimentación positiva". En particular, se trata de una aplicación del modelo descrito en el libro " “Cities and Complexity” de Michael Batty, en las páginas 38-42.

La retroalimentación positiva se modela aquí como la situación en la que los ricos se hacen más ricos y los pobres más pobres. Más técnicamente, la retroalimentación positiva se describe la situación en la que la tasa de crecimiento de una cantidad se correlaciona positivamente con la magnitud de esa cantidad.

En este modelo, hay una grilla de 21x21 cuadrados, a cada uno de los cuales se le asigna un valor aleatorio inicial de actividad. Estos cuadrados pueden representar ciudades, y la actividad puede expresar poblaciones. O los cuadrados pueden representar corporaciones, con los valores de actividad asociados a ganancias o acciones de mercado. EL modelo está dirigido a demostrar un concepto matemático, por lo cual la analogía con el mundo real no resulta relevante. La actividad inicial es elegida al azar. Quizás esto puede representar dos líneas de ferrocarril que convergen, u oro que se encuentra en regiones cercanas, lo que hace que las ciudades se desarrollen aquí. La cuestión que el modelo contesta esta: comenzando con una distribución inicial aleatoria de niveles de actividad, que sucede con esa distribución a lo largo del tiempo y como resultado del siguiente proceso de crecimiento.
Imagen 9: “Recycling” (“Reciclando”)


Este modelo demuestra la relación de agentes (personas) que tratan de sostener su recurso natural de la tierra a lo largo del tiempo. En este escenario simplificado, existen dos tipos de agentes: recicladores y derrochadores.

Los recicladores son más conscientes de la cantidad de tierra que utilizan para obtener energía (dinero, servicios públicos, etc.). Por lo tanto, utilizan la tierra, pero no lo destruyen utilizando parte de los recursos y el reciclaje de todo. Por otro lado, las personas derrochadoras consumen todo el pedazo de tierra y después vierten sus desechos en ella, lo que la torna inutilizable mientras no haya sido restaurada por un reciclador.

Mientras que el modelo no es realista en muchos aspectos, se plantea cuestiones muy importantes respecto de la sostenibilidad en el uso de la tierra y los recursos naturales, ya que muestra la energía y el esfuerzo que se necesita para mantener un entorno con el fin de que sea continuamente habitable para la gente. Para mantener los recursos, el equilibrio debe mantenerse entre el uso y el reciclaje / renovación. Mientras que el reciclaje conduce a un mejor medio ambiente en general, a menudo significa no explotar los recursos a su máximo potencial, y a su vez el esfuerzo de reciclaje / renovación de los recursos puede tomar considerable energía. Además, se necesita un esfuerzo para limpiar el desastre dejado por las personas derrochadoras.

La comprensión de la lógica de este modelo es bastante sencilla y permite jugar fácilmente con el número de recicladores, de derrochadores, el costo de reciclaje, la regeneración de recursos y la máxima energía acumulada.
Imagen 10: “Sprawl Effect” (“Efecto de expansión”)


Este modelo muestra una versión simplificada del crecimiento de una ciudad y como el conduce a una expansión urbana y a los problemas conectados con ella. Debido a que las reglas a través de las cuales el entorno cambia y los agentes interactúan son bastante simples, la fuerza de este modelo consiste menos en representar el desarrollo urbano en detalle y más en demostrar que ciertos patrones de comportamiento y uso de la tierra pueden emerger sin la presencia de reglas demasiado complejas.

Al comienzo del modelo, se establece una topografía de la atracción (los cuadrados más claros son más atractivos y las cuadrículas más oscuras son menos atractivas). Todo el desarrollo se inicia desde un centro densamente poblado (por ejemplo, una ciudad). Los agentes en el modelo representan la población residencial. Estos agentes pueden estar en uno de dos estados, "buscadores" o "establecidos".

En el estado "buscador", los agentes chequean la cuadrícula que se encuentra directamente delante de ellos y las cuadrículas que están en un ángulo determinado a la derecha y a la izquierda de su rumbo actual. Si encuentran que el sector hacia la derecha es la mejor opción, giran en una cantidad aleatoria hacia la derecha. Si el sector hacia la izquierda es la mejor opción, giran en una cantidad aleatoria hacia ese lado. De lo contrario, continúan moviéndose en línea recta. Este patrón produce un efecto aproximado de seguir un gradiente hacia un mayor atractivo, aunque con un factor aleatorio significativo.

En cada etapa del proceso los buscadores también deciden si se asientan o no, convirtiéndose en “establecidos”, y también aumenta ligeramente el valor de los atractivos de la cuadrícula, siguiendo el principio de retroalimentación positiva.

Hay una regla adicional - los valores de atractivo para las tierras no aumentan siempre. En su lugar, el exceso de actividad en una determinada pieza de la tierra disminuye su atractivo. Así, cuando el atractivo de una cuadrícula alcanza el umbral de MAX-ATRACTIVOS, vuelve a tener su atractivo en 0. Este cambio abrupto en el atractivo no es muy realista, pero intenta modelizar el deterioro progresivo de las parcelas más ocupadas.

Para chequear el funcionamiento de este modelo es fundamental comenzar con uno o dos agentes y analizar, en este escenario, como se comportan en el tablero en interacción con cada parámetro de entrada. En particular, se puede probar como el seeker-search-angle determina la dinámica general de la expansión en el tablero.

En este caso, se puede chequear el funcionamiento del entorno agregando otros componentes visuales:

-Gráficos: Por ejemplo plot count houses o plot count seekers (objetos globales) para mostrar parámetros móviles gráficamente

-Monitores: Por ejemplo count houses o count seekers para mostrar parámetros móviles o max-attraction (variable global) para parámetros fijos
Imagen 11: “Structure of Randomness I y II” (“Estructuras del azar I y II”)







Estos modelos demuestran el concepto de "estructura de aleatoriedad". En particular, se trata de dos aplicaciones del modelo descrito en el libro "Ciudades y complejidad" por Michael Batty. La idea básica aquí es demostrar cómo las formaciones estructuradas pueden surgir fácilmente de datos iniciales completamente al azar, a través de un proceso simple. Estos modelos son muy simples, emulando el comportamiento de los AC, y guardan escasa relación con escenarios reales. Su fortaleza es, en consecuencia, el examen de patrones de crecimiento en función de restricciones elementales. En el modelo 1, la restricción que se tiene en cuenta es el agregado de aleatoriedad continua (keep-adding-randomness), y en el 2 es la variable threshold (umbral) la que define estas posibilidades.
Por otro lado, frente a los modelos basados en agentes, una alternativa recurrente han sido los OLSUMs (Operational Large Scale Urban Models) (Anselin y Madden 1990; Bertuglia y otros 1994; Benenson 2004), de amplio uso en los años 50, 60 y 70 En Estados Unidos y el Reino Unido. Estos modelos han hecho un uso característico de la macroescala como base de operatoria.

Lo problemático, en este punto, es que la ejecución de promediaciones y otros cálculos sobre las regiones depende, justamente, de la escala de la partición regional; la investigación sobre lo que se ha dado en llamar “el problema de la unidad areal modificable” (UAM) ha demostrado sin lugar a dudas que las conclusiones que se sacan a partir de los conjuntos agregados cambian significativamente cuando los mismos datos se consideran a diversas escalas (Openshaw 1983).
Imagen 12 y 13: Datos de comportamiento electoral argentinos considerados a diferentes escalas




  1   2

similar:

3. Bibliografía citada 24 icon3. Bibliografía citada en estos apuntes y bibliografía adicional

3. Bibliografía citada 24 icon7. Bibliografía Bibliografía citada

3. Bibliografía citada 24 iconLiteratura citada 14

3. Bibliografía citada 24 iconLiteratura Citada

3. Bibliografía citada 24 iconLiteratura citada

3. Bibliografía citada 24 iconArcadia(Provincia de Grecia (Peloponeso), idílica, bucólica citada...

3. Bibliografía citada 24 iconBibliografía. Consigna los libros de los cuales se extrajeron las...

3. Bibliografía citada 24 iconBibliografía

3. Bibliografía citada 24 iconBibliografía

3. Bibliografía citada 24 iconBibliografía




Todos los derechos reservados. Copyright © 2019
contactos
b.se-todo.com