反弹道导弹是一种计算建模方法模拟个体的行为。在这种方法,每个代理的行为建模的系统将通过定义一些决策规则。代理将采取行动和相互作用的基础上,确定规则。因此,系统的整体行为将代理之间的交互作用的结果。反弹道导弹可以帮助我们描述各种现象和状况;然而,由于AB高计算成本的模型,最好使用反弹道导弹时它是不可缺少的 14]。

(1)方法。研究人员使用不同的方法来构建AB模型。在[ 15),作者提出的第一个标准协议描述和模拟AB基于单独的模型。严格的指导方针发展AB模型出现在[ 16]。我们审查过程一步一步根据上述协议和指南,添加相关的、有价值的实践从其他研究来丰富内容。

AB模型可以帮助理解复杂系统;然而,使用AB模型决策需要使用一些外部DM方法。在现有的方法中,人工智能(AI)算法具有突出贡献的DM AB模型。在本节中,我们将简要地回顾一些人工智能的算法,对于DM在AB模型似乎是有用的。

有几种不同的目的在人工智能算法。两种类型的人工智能算法似乎有利于DM在AB模型。启发式优化算法和强化学习(RL)算法已成功应用于AB两种类型的模型。人们提出了不同的算法的上述类型的人工智能算法。

(1)启发式优化算法。启发式优化算法可以基于不同的分类。的一个方面是解决方案的数量生产或人口规模在每个迭代中。有两个类别的启发式算法从人口方面。启发式算法可以是单数量(例如,模拟退火(SA)和禁忌搜索(TS))或人口多代理(例如,算法和PSO) [ 51]。因为几乎所有的AB模型是由人口的代理商,这种分类使我们集中精力以人群为基础的启发式算法,似乎更符合反弹道导弹,遗传算法(GA)、粒子群优化(PSO),和蚁群优化(ACO)。

(2)强化学习(RL)算法。在过去的十年里,使用人工智能算法在反弹道导弹一直在增长。在不同的人工智能算法中,强化学习(RL)最对这个领域的贡献。在大多数情况下,作者用RL反弹道导弹执行优化任务或使自适应代理( 52]。在RL,代理人采取行动,得到一个数值奖励相反,他们正试图最大化他们的奖励 53]。这个奖励函数最大化的形式,将发现的特别方法。学习者代理必须发现最有益的行动根据奖励函数通过检查不同的动作和与环境交互 54]。有一组,一组可用的行动,和奖励函数每个状态和操作映射到一个数值奖励。RL使我们能够创建自适应代理在我们的反弹道导弹模型,和q学习是最常见的类型的RL为此( 52]。在该算法中,有一个Q矩阵,每个政府行动的价值组合。每次迭代的算法,代理选择的行动基于当前Q值Q矩阵,获得奖励。在矩阵迭代结束时,将更新通过代理得到的奖励。自RL使建模构建自适应行人的代理可以应对形势和环境,它已经申请建模行人系统( 55]。几位RL用于motion-graphs-based动画作品 56, 57)或创建基本的代理行为( 58]。RL也被用于建立了路径规划模型( 59]。

(1)情景规划。情景规划是最有用的方法之一,它比其他方法更有效使用DM的反弹道导弹的计算成本。在这种方法中,验证模型将模拟不同场景下为了观察每个场景的后果,使决策者能够设计政策更多的优点和更少的后果。情景规划DM的反弹道导弹已经应用于研究行人最近的动态行为。该方法可以以不同的方式执行。在某些情况下,情景规划是建模的基础,为模拟场景和反弹道导弹是一种工具。在这种方法中,将许多不同的场景设计,每个场景,将建造一个单独的AB模型。(讨论的描述方法 55为模拟行人在不同情况下的行为。五个场景设计,对于每一个场景,一个AB模型了。另一种方法使用情景规划DM的反弹道导弹AB模型上设计不同的场景。这样,AB将建模型,模型将检查下决策者想要测试的场景。的AB模型模拟交叉口行人的行为一直在开发( 48]。经过模型发展,AB模型已被用于检查一个行人在路口道路的行为在不同的条件。在这种情况下,情景规划帮助决策者做出政策,保证行人的安全。第二种方法执行的另一个例子在反弹道导弹提出了情景规划( 47AB), 3 d模型的行人走在一座建筑。AB模型被开发用于捕获在紧急情况下行人的疏散行为。经过模型发展,模型研究了由两个不同的撤离计划。在这种情况下,情景规划帮助决策者设计建筑的安全疏散计划。

(2)校准。反弹道导弹校准可用于不同的目的。校准可以帮助验证的建模者,我们的目标是使输出的AB模型更接近真实世界的数据,使一个有效的模型。很难估计准确AB模型的所有参数。结果,使用校准调整模型未知参数将有助于建筑商来验证他们的模型( 60]。除了验证、校准可以得到系统的最优策略。在这种情况下,期望的结果,也应该确定模型的参数。选择合适的政策可以调整模型的参数。之后,前面提到的参数应该校准,这样的模型结果将是可取的决策者。这些校准参数系统的最优策略,和决策者应采取的政策变化的参数从当前值校准值。使用校准实现最优策略提出了在 61年, 62年]。

(3)敏感性分析。灵敏度分析可以帮助我们理解的影响模型输入的结果模型。敏感性分析的主要目标是确定最重要的参数模型和量化参数的不确定性如何影响结果( 63年]。输入和输出之间的关系的理解,这是由敏感性分析,有助于决策者设计政策,改变参数,模型的结果将是可取的。有不同的方法进行敏感性分析。这个方法被用于环境和生态应用的反弹道导弹最近呈现两种方法应用灵敏度分析的反弹道导弹场景分析( 64年]。第一种方法是一个 一次性的方法,其中每个参数将是不同的一个接一个,其余的参数是固定的,这样的敏感性模型到一个特定的参数将被确定。第二种方法是 蒙特卡洛随机抽样方法随机集的参数值与输出的模拟。提出的方法已经应用场景分析的AB模型显示农民之间的相互作用,环境,政府在农村地区 65年]。这项研究帮助我们了解政府的政策如何影响系统的弹性。AB模型结合小说DM已经发表在灵敏度分析方法( 66年模型响应的一只鸟人口的改变他们的生活环境。贝叶斯灵敏度分析方法也提出了识别的输入参数对模型的结果有更多的影响。

集成DM与ABM的另一个方法是使用人工智能算法来做出明智的AB模型的最佳政策或决策在仿真期间可以学到。智能反弹道导弹可以应用在系统级别或代理人级别。

(1)智能系统。在这种方法中,人工智能算法将使用为了找到一个政策,优化系统的行为。在这种方法中,人工智能算法与AB模型将被整合。图 2显示了人工智能算法和AB模型是相互关联的 67年]。人工智能算法获取当前的系统状态,基于这一信息,发现最好的政策体系。AB模型将得到政策和改变的状态模型,运用政策。这个循环将继续直到AB模型达到最优政策。

(使用的描述方法 68年)找到最佳的放疗计划摧毁肿瘤细胞而不伤害健康的。AB模型已经开发了模拟肿瘤的生长。在特定时间的步骤中,将使用放射治疗,并根据辐射剂量,AB的肿瘤模型的状态将被改变。计算辐射剂量是一个微妙的和具有挑战性的任务,需要优化。一方面,一个小辐射剂量不得破坏癌细胞。

另一方面,太多的辐射剂量可能会破坏健康的细胞。所以,应该使用一个最佳的辐射剂量在每个放疗会议。为了优化剂量计算,q学习算法已经申请决定的数量在每个放疗剂量辐射会话。该方法的另一个例子已在 69年AB),一个集成模型与遗传算法提出了优化客流指导信息来找到最好的政策监控乘客从不同的点和有相同的目的地。最优政策定义为一个计划,决定的时候,在哪里,和什么类型的信息应至少有乘客拥堵的路径。然后,AB模型捕捉了旅客选择行为考虑交通拥堵和指导信息。寻找最佳的指导政策,GA被用作DM方法的一部分。同样的方法制作一个智能交通系统已经用于( 70年减少交通拥堵的交通系统。他们用ACO的人工智能算法的优化。智能系统的方法可能有助于决策者找到最优响应中断。提出了一个动态决策支持模型( 71年)通过应用智能系统的方法来找到最好的最优保护政策在实时城市配水系统污染对公共卫生面临危险。这是一个不争的事实,整合反弹道导弹和人工智能算法模型的计算成本将会增加。然而,一些研究人员试图减少计算成本过高造成的反弹道导弹通过一些创新的方法和人工智能集成。在[ 72年),这种方法已被证明的一个佐证,找到最优的特性指定手机产品销售在市场最大化。为了做到这一点,一个基于仿真的优化基于基于个体模型的低音创新扩散已建成找到最优解。在这个模型中,两个仿真模型已经提出,这是相同的在各方面除了数量的代理。简单的仿真模型被用于优化算法,以便提供的解决方案优化算法可以快速执行在这个模型之前检查了原始模型。因此,表现不好的解决方案更简单的模型不会检查原始模型作为一种创新的方式来减少计算成本。

(2)智能代理。智能代理的目的是找到最优决策模型中的每个代理。在这种方法中,人工智能算法将嵌入到代理,代理可以学习最优决策的相互作用和环境中模拟。换句话说,在这种方法中,DM的代理将会设计一个人工智能算法的基础上,使得代理人做出最优决策。一个集成框架RL和反弹道导弹多方利益相关者森林管理提出了 73年]。森林公司、政府机构和环保人士是主要的代理类型的模型,和他们每个人都有不同的目标。每个代理的类型都有一个认知地图基于代理的代理类型将使他们的决定。这些认知地图将使用一个更新RL算法让代理做出最佳决定。另一个例子使用智能代理来获得最优决策提出了在 74年),目标是找到终端用户的最优消费模式在美国电力市场。结合不同但相关的理论概念,包括社交网络,社会科学,复杂性理论、扩散理论和决策理论,已被用于做一个全面的AB的美国电力市场模式。每个终端用户在这个AB模型试图最大化其报酬函数。在每个迭代的模型中,代理必须决定是否继续他们当前的消费行为或改变它。自将人工智能算法嵌入到每个代理增加了计算成本,这种方法不能应用在AB与多代理模型。为解决这种方法的计算成本,研究人员提出了不同的方法。智能代理的方法来构建一个新版本的谢林隔离模式 32)被用于( 75年]。他们结合了RL和反弹道导弹建立一个模型,其中代理使用一个叫做Deep-Q RL算法网络做出决定。然而,他们修改了原始种族隔离模型来降低计算成本的集成。在原始模型中,代理可以移动了他们想要的任何地方;然而,在RL和反弹道导弹集成模型,代理刚刚五个选项在每个迭代中:留下来还是离开,,,。另一个区别是代理的数量。在RL和反弹道导弹集成模型,有代理少于原始模型。

在本节中,使用DM的反弹道导弹的主要出版物报道在表的工具 1。此外,集成反弹道导弹与DM的方法基于决策或智能建模也显示。对于每一个纸,一些细节和它的反弹道导弹实现工具,DM策略和应用也有报道。

从表 1糖尿病和反弹道导弹,可以看出整合被用于广泛的应用程序,从机械到土地利用。这显示了一个极好的潜力使用一个集成的DM和反弹道导弹模型,以支持DM过程在不同的应用程序。然而,据我们所知,没有评审论文。在本文中,我们回顾了最相关的出版物,集成ABM和DM以不同的方式和分类的文献,这样来自不同领域的研究人员可以使用它。

在表 2,出版物的百分比在每个决策或智能建模的一部分。最流行的糖尿病和反弹道导弹集成方法是决策通过比较不同的可能场景。注意,这些结果已经从报纸曾获得DM或优化他们的关键词;然而,就我们而言,在所有的反弹道导弹出版物,这个数字会更重要。决策有两个优点,使它如此受欢迎人员包括:容易实现,计算成本低。然而,这种方法可能失去力量的时候选择场景和增加可调参数的组合。

智能系统是第二受欢迎的方法整合DM和反弹道导弹。关于这种方法一个有趣的问题是,50%的出版物,使用这种方法选择遗传算法DM工具的集成模型。这一事实意味着GA可以成为一个成功的DM工具当智能系统方法将被使用。另一个结论是,还有其他metaheuristic算法尚未测试智能系统集成DM和反弹道导弹的方法。未来的研究人员可以检查尚未使用的算法评估他们的效率由智能系统集成反弹道导弹和DM方法。

单独自反弹道导弹将人口在一个系统,使用智能代理,可以学习通过模拟课程似乎有集成DM和反弹道导弹潜力巨大。然而,只有16%的出版物使用智能代理方法。有一些挑战,使它具有挑战性的使用这个方法。这些挑战之一可能是该方法的高计算成本。定义规则的代理让他们聪明的增加模型的计算成本。未来工作需要展示如何用这种方法开发效率计算模型。

决策与校准是最不受欢迎的。只有一个纸,使用这种方法,这是最近在2020年出版。这意味着这种方法是一种新颖的方法,没有用于任何其他应用程序,和未来的决策人员可以使用这个方法在应用该方法尚未使用。

理解的DM和优化反弹道导弹出版物,我们使用ScientoPy进行了科学计量分析。ScientoPy是一个开源的科学计量分析工具,它是基于Python的开源编程语言( 88年]。这一分析,我们从斯高帕斯数据库所需的数据收集。我们收集信息的出版物 基于主体建模在他们的抽象、标题或关键字,发表在1991年和2020年之间。最初的论文数量从15269年的斯高帕斯数据库中提取。默认情况下,ScientoPy过滤器出版物分类中的一个或多个以下文档类型:会议论文,期刊文章,评论,媒体学报论文和文章。因为这些文档更有助于研究人员由于SJR (SCImago杂志排名)和由JCR(期刊引证报告)指标,其他文件,如书的章节,简短的调查,给编辑,软件和硬件检查,被排除在外。因此,1545年的出版物都省略了,13724篇论文仍然存在。159复制文件被删除,最后,13565篇论文审议后这些预处理步骤。预处理的结果如图所示 3。

我们有过滤DM的出版物或优化的关键词。图 4显示每年出版物的数量,从1991年到2019年, 优化或 优化单独的关键词,和图 5显示了综合图。

图 6介绍了图形的出版物 决策或 决策分别在他们的关键字和图 7当两个图形集成显示它。

似乎DM和优化相关的出版物的数量正在增加。然而,这可能与反弹道导弹的快速增长在过去的二十年。图 8显示了出版物的数量,ABM文摘,标题或关键字。如图 8反弹道导弹,出版物的数量一直在增长在过去的二十年。

为了找出是否在反弹道导弹使用优化和DM刊物的发展与增长的反弹道导弹出版物,我们测试了它们之间的皮尔逊相关系数是否为零。

结论的相关性优化出版物的发展反弹道导弹和反弹道导弹的增加出版物是由一个正式的双尾假设学生的 t以及。零和研究假设定义如下: (1) H 0 : ρ = 0 , H 1 : ρ ≠ 0。

正式的统计假设测试是由以下方程: (2) t ∗ = r n − 2 1 − r 2 , 在哪里 n数据的数量和吗 r皮尔森系数的估计,可以由以下公式计算: (3) r = ∑ 我 = 1991年 2019年 X 我 − X ¯ Y 我 − Y ¯ ∑ 我 = 1991年 2019年 X 我 − X ¯ 2 ∑ 我 = 1991年 2019年 Y 我 − Y ¯ 2 , 在哪里 X 我 是优化的出版物的数量或优化的关键词 我。显著性水平 α或1型错误的概率(拒绝 H 0 当这是真的)在本研究被认为是0.05。正式的假设检验的临界值2.052,和统计的计算值是10.258。由于统计值显著大于临界值,正式的假设检验的结论是拒绝零假设。有足够的证据表明,增加优化出版物在反弹道导弹相关的发展反弹道导弹出版物。

同样的方法被用来确定出版物之间的相关性有DM关键字和反弹道导弹出版物是零。在这种情况下,关键的值仍然是2.052,计算统计值是15.098。自从统计值显著大于临界值,正式的假设检验的结论是拒绝零假设,有足够的证据表明DM刊物的增加在反弹道导弹相关的发展反弹道导弹出版物。

根据上述假设测试,我们无法从数据得出结论 5和 7使用优化和DM反弹道导弹出版物中增长。

认识到研究领域一个研究区域内顶部,ScientoPy让我们提取基于顶部作者关键字的主题。拥有一个更好的理解的反弹道导弹的优化和DM增长,我们使用一个条形图ScientoPy反弹道导弹出版物中看到更频繁的关键词在三个不同的时期。第一个时期从1991年到2010年,时间轴的图表显示DM的出版物的数量的增加和优化反弹道导弹。第二个时期是从2011年到2015年,最后一个从2016年到2019年。这种分类可以帮助我们了解优化前的状态突然增长约2010,观察相关的出版物的数量在过去的十年里已经改变了。图 9显示了前30名的条形图频繁作者关键词在第一期。数据 10和 11显示相同的图表为第二和第三期。

找出DM和优化出版物在上述三个时期发生了变化,我们有跟踪优化和DM的排名最相关的两个关键字在前面的条形图。表 3显示了这两个关键词的排名在提到的三个时期。

从表 3,我们理解在第一个时期,DM的反弹道导弹还没有被研究过。然而,在过去的两个时期,代表过去的十年中,优化了前30名,这表明,优化和DM反弹道导弹出版物有上升的趋势,这是以前时间轴图所示。虽然似乎反弹道导弹的优化和DM刊物数量普遍增长,这种增长似乎已经停止了在过去的十年。自优化排名没有改变明显在过去的两个时期,我们可以声称出版物的数量在这个领域没有上升的趋势在过去的十年。

为了测试这一论断,回归分析已经完成。回归分析,今年的出版物被认为是独立的变量( y )和出版物的数量的关键字优化是因变量( x )。我们进行了回归分析是否回归直线的斜率为零。回归线拟合,Python的开源编程语言被使用。基于上述数据,回归方程所示以下方程: (4) y = − 871.65455 + 0.43636 ∗ x 。

图 12显示了回归线和数据在一个阴谋。

结论对回归线的斜率是由正式的双尾假设检验。假设斜率来标示 β 1 。零和研究假设定义如下: (5) H 0 : β 1 = 0 , H 1 : β 1 ≠ 0。

正式的统计假设测试是由以下方程: (6) t ∗ = b 1 − β 1 年代 b 1 , 在哪里 b 1 是自变量的系数代表样本回归线的斜率和 年代 b 1 的标准偏差是回归线的斜率。

正式的假设检验的临界值18.307,和统计的计算值是2.170。由于统计值低于临界值,正式的假设检验的结论不能拒绝零假设,也没有足够的证据表明,优化的出版物的数量反弹道导弹已经在过去十年增长。

(1)目的。白痴的目的是找到一个决策代理(DMA)相比能更正确的决策对于其他可能的程序。描述之前,通过适当的决策,我们的意思是决策,以提高系统的整体行为从长远来看。换句话说,呆子的目的并不是要找到一个最优解,而是为了找一个代理,可以执行这个任务,对于其他可能无法做出决定。

(2)状态变量和尺度。呆子,有三种代理类型。 (我)

直接存储器存取。在每个AB模型中,有一些决策。在某些情况下,有代理负责DM AB模型。在这种情况下,直接存储器存取代理类型是AB之前定义的模型,也没有需要定义在畸形儿。这种直接存储器存取 预定义的。

(3)过程概述和调度。除了AB模型过程中存在的基地,呆子有一个独特的过程被称为 指示。这个过程会导致识别最优代理。如前所述,添加一个指标物质(例如,酚酞)未知液体酸碱显示过程的第二阶段。白痴的指示过程类似于此阶段。在畸形儿的显示过程,一些指标代理,直和中立的代理人,应添加到模型中。在这个过程中,对于一些具有不同特点和DM策略将被添加到模型,试图吸引中立的代理。最后,DMA最中性的代理(nondominating呆子)或所有的中性代理(主导呆子)将选为最佳的DMA对于现有的程序之一。图 13显示一个图形视图的显示过程。

白痴,对于像古罗马的角斗士。在古罗马,有竞赛,许多战士叫角斗士会战斗到其中一个击败其他的和被称为胜利者。有各种各样的比赛和角斗士;然而,有一个类似的概念在所有的获胜者是不输给其他的。白痴的指示过程是受这一观点。对于一些可能的候选人是决策者在该系统将同时添加到模型中。这些对于对抗彼此获得相同的资源,也就是说,中性的代理。获胜者是最中立的DMA吸引代理(在主导呆子)或所有中性代理(nondominating白痴)。

呆子,目的不是找到一个最优决策;然而,想要找到DMA可以使最优决策模型中。当我们举行一个竞赛中潜在的对于失败的代理另一个更好的决策,这导致了胜利。因此,呆子礼物最好的DMA对于现有的程序之一。

(1)出现。对于最优代理可以击败其他可能出现的行为中和剂在选择DMA加入它的社区。中性的代理可能会选择一个DMA加入它的社区基于AB的状态模型和直的社区。

(2)适应。在nondominating畸形儿、适应不涉及;然而,主导的版本包含适应。nondominating版本,中性的代理不能改变他们的DMA,当他们加入社区,他们将社区的成员到最后的模拟,因此他们不适应他们的决定。相比之下,在主导的版本中,中性代理加入DMA后可以改变他们的社区,他们改变他们的社区基于其他中性代理人的决定。如果他们当前的DMA的社区没有增长,他们将离开他们的社区和选择一个新的DMA AB的基于当前状态模型和其他对于社区的规模。

(3)传感。中性的代理了解的DM策略和特征对于也知道中性代理的数量加入每个DMA。

(4)相互作用。对于最重要的交互之间的交互和中性的代理。如前所述,中性代理商想找一个DMA和加入它的社区,和对于也想吸引中立的代理商,扩大他们的社区。

(5)特性转化。呆子,中性的代理之间的交互和DMA可以随机。在每一个时间步的模拟,对于中立的代理可能会加入,和其他可能不会采取任何行动,这个过程将是随机的。以来所有的中性的代理都是一样的加入对于之前,对于选择中性的代理加入可能是随机的。

(6)集体。指示畸形儿的过程,中性代理选择一个DMA和加入它的社区。中性的代理将收集对于不同社区的程序。

(7)观察。因为大多数的AB模型是随机的,结果应该获得运行不同的模型的复制。获胜者DMA在每个复制可能不同,和对于每一个可能的赢家的复制。结果,畸形儿是胜利的输出比例对于每个DMA,比例和最高的DMA的胜利是最优的代理。

(1)初始化。初始化的畸形儿的仿真模型,对于不同的实例程序应该被创建并添加到模型中。这些实例应该定义的方式可以覆盖所有可能的DM的策略。因此,获胜者DMA将最优的代理。

低音在营销创新扩散模型是一个模型的动态显示购买的新产品在市场上被释放。该模型首次提出了通过低音( 92年]。在这个模型中,有一个人口消费者产品的潜在用户。在每个时间步,一些潜在的用户会购买产品,成为一个用户。新买家的数量在每个时间步取决于两个因素,这是广告和口碑(蠕虫)。模型的每一步,一个常数比例的潜在用户将通过广告购买产品。

此外,一些用户会联系潜在用户的说服他们购买产品有一定概率的。人购买的产品的基础上蠕虫被称为 模仿者,并对其被称为独立购买产品 创新者。所以,人成为用户通过蠕虫的百分比 模仿率,这是用 问通过广告,那些成为用户 创新速度,这是用 p。模型的原始版本是一个基于SD方法聚合模型。建立更为实际的模型的创新的扩散,一些研究人员试图与ABM模型扩散过程( 16, 93年]。在[ 94年),一个合适的文献综述(AB)是提供创新扩散模型。更多的解释在SD和AB在附录中提供了巴斯扩散模型。

(1)概述。

目的。

如前所述畸形儿的描述,目的是为了找到一个DMA可以做出正确的决定,和适当的决策是提高系统的整体行为。Bass模型,提高系统的整体行为意味着更快的扩散。因此,需要找到一个营销人员从现有营销人员人口可以加速扩散过程。

(2)设计概念。

出现。最优DMA,这是一个营销人员,从中立的代理人的行为,在选择一个客户,营销人员加入它的社区。

(3)的细节。

初始化。初始化, p和 问营销人员应该初始化参数。初始化应该每个组合的方式 p和 问代表一个不同的营销策略,这样我们可以有一个人口多样化的营销策略的营销人员。例如,如果一个营销人员更关注广告,应该有另一位营销人员更关注女性,这样我们才能评估哪个更好。

为了观察不同数量的中性的影响代理模拟输出,模型测试了三种不同数量的中性代理。一百中性代理用于表示市场低人口的潜在用户,5000中性代理市场的潜在用户,和1000中性代理模拟市场中潜在的用户数量。图 18证明了仿真结果对这三个层次的人口控制和nondominating版本的模型。

仿真结果有意思的一点是,低人口模型的结果不同于中等和高人口模型的结果。表 5显示了 p伯努利分布的参数为每个六图如图 18。

它可以看到从图 18有中性的数量之间的负相关代理和复制的数量的营销人员关注广告的成功。换句话说,通过增加潜在客户的数量,获胜的机会增加营销人员专注于蠕虫。这使我们认识到,在大规模市场,最好是专注于女性而不是广告,并专注于广告更有用的小市场。

从图在图的另一个重要的结论 18是增加中性代理的数量增加会导致更少的标准偏差和相对信任模型的输出。有一些中立的代理时,标准差的模拟输出高,导致很多不确定性获胜的策略。因此,畸形儿应该使用大量的中性代理,这正是我们想要的。当中性代理的数量很小,整合优化和ABM方法提到的文献综述是一种更好的方法。然而,当系统中有许多中性的特工,呆子可以从计算方面更有效。

添加更多的角斗士在第二阶段的呆子使我们能够评估一个广泛的战略,以做出更好的决策。为此,11营销人员与11种不同营销策略被添加在第二阶段。每一个营销人员投入比例的努力吸引中性通过广告代理商,和其他的努力将致力于吸引消费者免受蠕虫。换句话说,它假定营销人员只有这两个选项,即。,WOM and advertisements, for spending their budget and time on, and also, they will utilize all their budgets and efforts. As a result, it will be reasonable to assume that the sum of the efforts devoted to WOM and the efforts devoted to advertisements will always be equal to 100%. Figure 19演示的比例复制的每一个营销人员赢得了竞争主导和nondominating版本,横轴表示努力致力于蠕虫。

营销人员控制和nondominating版本,把30%的精力广告和70%致力于蠕虫赢得比赛比其他的。一个有趣的一点结果显示在图 19是营销者决定将他们所有的努力的一个选项,蠕虫或广告,已经失去了所有的竞争对手。这些结果让我们得出这样的结论:关注的一个可能的策略(蠕虫或广告)不是最优解,最优解是考虑蠕虫和广告更多的集中在蠕虫。

白痴的一个有趣的问题是,呆子有潜力排名角斗士的最优策略和优化差距。例如,我们可以将这些11第一营销人员通过他们的胜率和礼物 n(的数量)角斗士最好的决策者。

评估模型的灵敏度中性代理的网络结构,我们模拟了原始模型,解释了在方法部分考虑五个标准网络结构,即。完全连接,随机环晶格,无标度和小世界。图 20.介绍了这些网络结构的仿真的结果。结果完全连接网络图是一样的 17。

一般来说,所有的结果大约是相同的除了环晶格网络的结果,这是不同于完全连接网络的结果和其他三个网络。为了比较随机的结果,环晶格,无尺度,完全连接网络和小世界网络,我们计算均方误差(RMSE)的四个提到网络,和表 6显示了结果。

图表和RMSE测量显示,最偏离完全连接网络在环晶格网络。相比RMSE措施的随机、无标度和小世界,戒指的RMSE测量晶格要高得多。有两个明显不同的结果。与其他四个网络,获胜的策略环晶格网络是通过广告投入更多的努力让中立的代理。此外,环晶格发生了网络的收敛性比其他的慢得多。如图 20.,在所有的网络,结果收敛在30之前^th时间步长;然而,在环晶格网络,融合不会发生即使是在100年的模拟的时间步长。

一般来说,我们认为网络结构可以影响结果,和每个网络结构可能有不同的获胜策略。

应该提到,我们这些结论只是基于我们的模型的结果。这个框架应该测试在很多其他应用程序和问题,这样我们可以更明确的框架的性能。