优化代理框架:一本小说,具有成本效益的模型清晰度来填补集成基于主体建模和决策之间的差距

文摘

正确的决策在当今复杂的世界对决策者是一项具有挑战性的任务。一个有前途的方法,可以支持决策者更好地理解复杂的系统是基于主体建模(ABM)。反弹道导弹已经发展在过去的几十年里有许多不同的应用程序的方法,使一个更好的描述复杂系统的动力学。然而,这些应用程序的规范性方面很少描绘。添加一个说明性的决策(DM)方面反弹道导弹可以支持决策者做出更好的,或者在某些情况下,优化决策的复杂问题以及解释调查的现象。在本文中,首先,DM和反弹道导弹的文学和分类方法的基础上集成问道。执行科学计量分析相关文献的数量让我们得出这样的结论:出版物试图整合DM和反弹道导弹没有增长在过去的二十年里,同时分析当前方法的集成DM和反弹道导弹表明他们有严重的缺陷。在这方面,小说表面模型清晰度称为最佳代理框架(白痴)提出了改善缺点,增强正确决策的实现在反弹道导弹相对较低的计算成本。框架与低音扩散模型研究。为自定义模型模拟的结果由呆子都验证了该框架的可行性。 Moreover, sensitivity analyses on different agent populations, network structures, and marketing strategies have depicted the great potential of OAF to find the optimal strategies in various stochastic and unconventional conditions which have not been addressed prior to the implementation of the framework.

1。介绍

在当今复杂的世界,决策(DM)是一个至关重要的任务。人类可以做错误的决定,因为精神的局限性。在很多情况下,我们的思想不能考虑所有的细节和复杂系统中组件之间的交互。因此,我们无法预测的后果恰恰决定复杂系统的不同部分(1]。为了克服这个障碍,运筹学(或)模型可以帮助我们在DM的过程。为不同的目的有不同的模型。

在某些情况下,分析师们需要知道最好的决定同时考虑现有的约束和目标。为此,通常情况下,将使用优化模型。这些类型的模型,这表明决策者一个封闭问题的最优解,被称为规范的模型。

虽然规定或在许多实际应用模型是有用的,有时分析师可能不会达到他们的目标利用规范的模型。有一些情况下,我们想要更好的理解系统的行为在特定条件下,观察系统的动力机制,而不是找到一个最优的解决方案。在这种情况下,由一个封闭解优化模型可能不是完全有益的。然而,有一个动态模型,该模型描述了系统的行为可能会带来更多的优势。这样的模型被称为描述性模型或社区。模拟是一个强大的工具来构建描述模型。仿真模型的帮助下,我们可以创建一个虚拟的现实世界的问题,检查我们的想法在这个虚拟的世界而不是现实世界应用之前观察我们的决定的后果。尽管描述性模型帮助决策者更好地问题的直觉,他们不能建议一个合适的决定,甚至艾滋病决策者做出一个算法决定。优化模型可以帮助掩盖缺乏处方方面的仿真模型。因此,集成优化与仿真模型可能导致实现一个更健壮的模型,规定了一个合适的决定一个问题以及描述它(2]。本文通过适当的决策,我们的意思是决定导致改善长期系统的整体行为。

有各种各样的方法来构建复杂系统的仿真模型。基于主体建模(ABM)是一个流行的方法在文献中。反弹道导弹允许我们模型异构代理、复杂agent-agent agent-environment交互,代理商的学习和适应,产生的紧急行为当地代理之间的交互。由于异质性,复杂的代理商的相互作用、适应和可以观察到出现在许多复杂的系统,ABM方法使我们能够创建适当的复杂系统的仿真模型。因此,反弹道导弹已经越来越关注复杂系统仿真在过去几十年。反弹道导弹已被用于各种领域的建模和模拟复杂系统(如土地利用、地理3)、社会科学(4)、医药(5)、经济学(6)、供应链管理(7])。上面提到的一些领域,基于主体(AB)模型在场上有革命性的影响,改变了一些基本的想法。例如,在经济学中,AB模型表明,许多经济主体决定演绎的方式,而不是理性或电感(6]。

反弹道导弹的应用之一是发展政策的代理人的决定将导致一个理想的紧急模式系统。找到一个有效的政策,AB模型应该被评估在不同的场景和环境。每个场景的不同组合模型的参数和代理的决策规则。因为在AB模型通常有很多代理和每个代理都有一些属性,场景,应该调查的数量可能是太多了。因此,检查所有可能的替代方案是冰川。除了在很多的困难可能的替代品,AB模型的随机性和代理之间的相互作用的复杂性使其更难以找到一个合适的政策。上面提到的限制,如果modeler试图优化策略通过检查数量有限的情况下,找到最好的政策是没有保证的。集成优化的反弹道导弹可能帮助建模处理一些提到限制在设计一个好的政策。

可以有不同的方式整合反弹道导弹和优化或DM,部分中讨论2。2。然而,在所有提到的方法,一个合适的数学模型,实际应该定义。为了找到问题的最优解决方案,优化模型应该用合适的方法解决。有很多不同种类的优化方法优化模型在文献中。从一般的角度来看,我们可以考虑两类优化方法。第一个是分析优化方法如“简单”或“分支界限法”(B&B)。这些算法返回数学最佳产量,通常情况下,他们很容易实现。然而,找到一个数学最优解需要一些简化假设。

因此,解决优化问题的分析方法需要一个简化模型。在复杂系统与复杂和非线性代理之间的相互作用,这些简化模型可能不显示实际的最优解的问题。除此之外,一些分析模型时失去效率优化模型变得更加广泛,和决策变量的数量模型中增加迅速。通常在反弹道导弹,有很多代理商,和每个代理做出一些决定,所以设计一个优化模型为AB模式需要许多决策变量。提到的局限性的基础上,分析方法在复杂系统中,分析优化方法可能不适合反弹道导弹的优化。

另一类是启发式方法的优化方法。与分析方法,这些方法通常不会产生数学最佳点。启发式算法是基于搜索解空间中有效地找到一个好的猜最佳点(7,8]。有很多不同的启发式算法。它们中的大多数都是灵感来自自然和自然现象(例如,遗传算法(GA),这是源于进化(9])。在这些算法中,有些以人群为基础的算法(如蚁群优化(ACO) [10),粒子群优化(PSO) (11),和人工蜂群(ABC) [12])。这些算法也称为群启发式算法,这些算法的基本思想是群体智慧和集体智慧。以人群为基础的启发式算法代表人口的每个解决方案作为一个代理可以相互影响。代理之间的交互可以是直接的,像特工的互动PSO,或间接的交互在华独资。定义人口的代理和考虑它们之间的相互作用在优化过程创造了一个巨大的潜在基地以人群为基础的启发式算法结合反弹道导弹。

根据部分中提供的证据2。3、优化和DM反弹道导弹部件遗失的,反之亦然。反弹道导弹集成与优化模型可以丰富这两个字段。因为在反弹道导弹,大多数研究者把他们的时间和精力去建立一个模型代表观察到的行为的现实世界中,研究者不能专注于涉及优化这种类型的复杂模型。在这种情况下,一个全面的文献综述,基于他们的方法的整合分类之前的出版物AB和DM可以帮助研究者找到恰当的方式使用DM或优化。因此,通过使用一个更健壮的模型,研究人员可以采用更好的政策和做出更好的决策问题。然而,正如作者而言,这样的一个文献综述还没有提供。

在本文中,我们讨论系统相互连接的自适应代理和使用反弹道导弹作为复杂系统建模的一个强大的工具,特别是同时合成优化技术。AB之间的模型,旨在帮助决策者在DM过程被认为是在我们的研究中。换句话说,建模这一现象有关反弹道导弹和优化是有针对性的做出更好的决策。

以下是我们的研究问题:RQ1:有反弹道导弹的综合优化的定义吗?RQ2:我们能提出一个框架,有效地集成了DM和反弹道导弹?

我们的第一个研究问题是关于在AB模型优化的定义。为回答这个问题,我们将回顾相关文献找到可用的解决方案,是否可以定义在反弹道导弹综合优化。自AB的复杂系统模型计算成本高,耦合与AB DM模型可以增加计算成本更加低效。第二研究问题,我们的目标是提供一个新的框架,整合DM和反弹道导弹,这是计算效率而导致算法决策系统。

在复杂系统建模中,之间有一个权衡多少建模者想简化模型和他们想要装多少模型接近现实世界。一方面,如果他们非常简化模型,建模的现象可能会被误解。在某些情况下,过多的简化建立模型会改变系统的行为(13]。另一方面,构建一个复杂的模型,即使对模型进行了验证,很难分析模型和设计有效的制度政策。认识到结构生产模型的输出构造模型过于复杂时是很困难的。为了解决这个问题,我们建议采用优化反弹道导弹。如果我们整合优化和反弹道导弹,没有需要担心的困难理解的结构系统,和优化将帮助modeler进行更好的决策甚至在一个复杂的AB模型。因此,集成优化和反弹道导弹可以帮助我们之间的贸易更好的复杂性模型和模型的验证。本文我们的主要目标是促进整合的过程优化和反弹道导弹通过综合研究优化反弹道导弹的概念和提出一个框架,用于有效地整合反弹道导弹和DM。与现有的集成方法,提出的小说框架不整合两种不同的模型(DM和AB)在一个模型因为集成两个复杂的模型在一个模型可能是低效的,甚至在复杂情况下不可行。相反,DM添加到AB模型通过定义一个指示过程建模的部分。因此,框架不需要定义一个单独的DM模型了,还有一个DM的仿真模型是结构嵌入。

本文的其余部分组织如下。部分2包括所需的理论背景、文献综述和科学计量分析。为理论背景,ABM和DM工具将在本节中讨论。在文献综述中,以前的出版物综合DM和反弹道导弹进行了综述。最后一节的一部分2科学计量分析进行了更好地了解研究的空白。节3小说的框架,有效地整合DM和反弹道导弹提出了用一个例子解释基于创新扩散的Bass模型。部分4礼物为模型模拟的结果由畸形儿和讨论了研究成果。作为我们研究的最后一部分,我们提供了结论和未来的工作。

2。理论背景和文献综述

在本部分中,首先,提供所需的理论背景的概述。以后,在这篇文章中,我们要解决如何使用反弹道导弹对做出正确的决定在复杂系统中,ABM的概述和DM也更好的理解。第一部分的理论背景是致力于评估方法和最近的反弹道导弹的引人注目的应用。在第二部分中,DM工具用于集成DM和反弹道导弹的文献进行了综述。然后,综述了DM与ABM的文学。一般来说,AB-DM文献可以分为两个部分,这是政策的制定和智能建模。提到类别的每一部分,文献分为子类根据方法用于集成反弹道导弹和DM。作为本节的最后部分,执行相关的出版物在文献的分析帮助我们有更明确的理解研究缺口。图1显示了本节的路线图。

2.1。理论背景

2.1.1。基于主体建模

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。

步骤1。反弹道导弹适合问题?
反弹道导弹可以用于建模几乎所有的自然现象。然而,也有一些情况下,使用反弹道导弹的计算成本超过它的好处,和使用其他方法可能更划算。例如,球指定的高度坠落反弹道导弹可以建模的方法;然而,有为此分析公式正确描述提到的现象,非常接近真实世界的观察(14]。因此,开始建立模型之前,我们需要确保反弹道导弹是合适的问题。一些指标建议在文献中,这可能会帮助我们决定是否适合反弹道导弹问题。中等数量的代理。当代理的数量很小,博弈论等方法可能会更容易和更有帮助(使用16]。另一方面,的问题有成千上万甚至几百万代理,其他方法(例如,系统动力学(SD)或统计回归)可能比反弹道导弹执行得更好。反弹道导弹最适合于系统组成的一个中等数量的代理(17]。基于本地信息的本地交互。当没有中心治理模型和代理让他们的决定基于他们的信息从他们的社区和当地信息,使用反弹道导弹可能比其他方法更有益的(18]。异构代理。反弹道导弹,每一个部分的系统可以建模为一个代理。结果,当系统中有不同的组件的行为明显,使用反弹道导弹可能会帮助我们有一个更精确的模型系统的SD等其他方法相比,假设同质性和代理的完美混合。代理交互的网络结构。反弹道导弹使我们能够构建模型与指定的网络结构。当网络的结构中扮演着重要的角色在代理商的交互,最好使用反弹道导弹而不是其他方法如SD (13]。随机性。如果问题涉及随机性和代理之间的交互是随机的,反弹道导弹是一个更强大的工具建模现象比其他方法来捕捉问题的动态。这些都不是严格的规则确定的ABM方法的适用性问题。建模者应考虑上述因素并决定是否使用反弹道导弹是否必要的问题。

步骤2。建立一个概念模型。
在这一步中,AB模型的每个部分应该确定。考虑下列事项的概念模型可以帮助我们有一个正确的概念模型的现象。模型范围。指定的模型边界应该这样modeler可能知道的焦点。剂类型。不同的代理应该定义。代理的属性。每个代理都有一些属性或属性应该描述的概念模型。代理的行为。每个代理应该能够完成相关的任务。这种能力将被定义为代理提供一些行为或功能为每个其中之一。为了更好的理解如何定义代理人的行为规则,看到19),它提供了一个文献回顾在不同的方式定义生态AB模型中代理人的行为规则。环境。的环境,各经济主体交互作用必须确定。这种环境可以是一个地理信息系统(GIS) (20.),网络(21),或一个概念空间。输入和输出。它应该确定需要哪些参数和数据作为模型的输入和结果是什么。构建概念模型,图形建模语言,像统一建模语言(UML)可以帮助我们有一个结构化的设计。有不同的图在UML中,可以用来描述反弹道导弹的概念模型。这些图之一是类图。类图是一种静态的UML结构图显示系统的结构,系统的类、属性、操作和类之间的关系(22]。例如,文献[23]使用类图的一般视图供应链不同的代理类型。

步骤3。模型的发展。
在本部分中,应该使用仿真软件实现模型或编程语言。一些工具包是专门用于构建AB模型。关于反弹道导弹工具包的更多信息,请参阅[24]。这些工具包是基于基本的编程语言(例如,就餐25]),这是基于Java编程语言,其中一些有自己的编程语言(例如,NetLogo [26])。

步骤4。验证。
每个模型都需要得到证实。验证,有必要回答这个问题:“这是我想要的模型吗?“换句话说,我们应该评估现有的模型是否匹配的概念模型。在验证过程中,模型应该是调试,解决编码错误(27]。足够的概念和实现模型的文档和足够的注释可以帮助我们验证的代码模型中(28]。结构化文档的反弹道导弹,该指南(29日可能会有帮助。测试用例也方便在验证阶段。测试用例是人工生成的数据检查如果构造模型的结果。

第5步。验证。
进行验证,有必要回答这个问题“这个模型代表现实世界吗?“这应该分析如果仿真模型的输出匹配从现实世界中收集的数据。根据这个定义,几乎是不可能彻底验证模型(30.];然而,也有一些指南,可以帮助我们更有信心在一个模型的有效性。验证是比较有价值的方法之一的输出模拟真实世界的时间序列数据,以看看他们是否有相同的行为31日]。
验证和确认(v和v)是最关键的部分ABM方法。据说在v和v,模型只是一个玩具,在那之后,DM模型成为一个工具(31日]。因此,谨慎实施v和v是必要的,以确保模型的质量对各种利益相关者和帮助决策者做出正确的决定使用AB模型。

步骤6。仿真和结果。
在v和v, AB模型应该模拟结果。在某些情况下,AB模型仿真的结果本身。换句话说,在某些AB模型,我们的目的是观察代理人的行为在仿真过程中,看看当地的代理之间的相互作用导致了紧急模式(32]。然而,也有一些情况下,计算一些数据给用户模型中正在发生的事情的总结可能有助于更好的视觉AB的输出模式33]。
AB模型至关重要的一点在于,几乎所有的随机。AB模型的随机性质为每个模拟运行在不同的输出结果。因此,单个模型的运行可能不准确的估计输出。最好是几个独立运行AB模型复制和使用结果计算统计数据来描述仿真的输出。通过这种方式,估计误差将低于从单个运行得到结果。

步骤7。使用模型。
AB模型支持DM有巨大的潜力,也有不同的方式来使用AB模型作为DM工具。决策、进行假设实验中,参数变化和优化的文献提出的方法,使我们能够做出更好的决策的帮助下AB模型。
(2)应用程序。医疗保健。反弹道导弹的不同部分被用于医疗保健系统。反弹道导弹可用于操作水平(例如,调度的不同部分医院)。作者在34AB)开发了一个模型来缓解过度拥挤的问题在医院急诊。反弹道导弹也有可能被用于医疗保健的战略决策。Currie et al。35)上市战略决策影响疾病传播的COIVD-19大流行,然后讨论哪一个反弹道导弹,SD,和离散事件方法可能适合帮助决策者在每个情况。ABM的另一个应用程序是模拟免疫系统和疾病。在[5AB模型),免疫系统和疾病领域的模拟器及其平台了。社会科学。自从反弹道导弹让我们捕捉到个人行为,使互动异构代理,和模型间复杂的非线性相互作用,药物,它有一个巨大的潜力用于分析人类行为在复杂的社会现象。第一个AB模型提出了在32一种社会现象)模型。这个模型显示了本地交互的代理如何选择他们的邻居会导致一个紧急隔离模式。有趣的一点关于这个模型是模拟手工,没有使用电脑。之后,反弹道导弹已被用于建模的各种各样的社会现象。例如,一个民事暴力(AB模型提出了36]。近年来,反弹道导弹一直关注的中心建模人在社交网络上的行为。关于社交网络的基本主题之一是通过网络信息的传播。反弹道导弹的文学和扩散在社交网络和一个新的AB扩散模型,分析了病毒视频在社交网络提出了在37]。另一个话题,一直在研究AB的社交网络模型的结构分析是网络随时间的变化(38]。供应链管理。供应链管理包括许多战略、战术和操作决定供应链的不同部分,从产品开发和制造到运输。反弹道导弹能帮助决策者和管理者在每个部分做出更好的决策。AB模型来评估过程提出了一种制造系统(39]。优化供应网络制造商一直是一个问题。反弹道导弹已被用于优化供应链的网络配置(39,40]。供应商评估和选择问题是供应链管理中最重要的物流决策。一个混合AB和优化方法(能找到解决这个问题的42]。反弹道导弹也被用于建模和控制供应链中的牛鞭效应(42]。此外,反弹道导弹可以用于解决不同的优化供应链管理中存在的问题(例如,调度、物流、运输)。文献综述关于出版物雇佣了AB方法求解优化问题提到,而不是经典优化技术被报道在43]。土地使用。一个流行的反弹道导弹应用在土地利用地理信息系统(GIS)建立模型。反弹道导弹和GIS的集成使决策者能够跟踪空间的动态变化(20.]。一个集成的AB和GIS模型在印度已经发展了城市增长预测(44]。此外,他们用神经网络集成的反弹道导弹为了更好的预测。反弹道导弹在土地使用的另一个应用是评价土地利用政策的影响在不同的系统部分。绿地的有效性,减少对环境的破坏性影响的住宅开发研究(45]。行人动力学。自ABM模型可以帮助我们代理在一个人口的个人行为,它已被用于跟踪行人在不同情况下的行为。反弹道导弹在该领域的应用之一是设计在紧急情况下疏散计划。反弹道导弹的帮助下,可以在电脑上重新创建的实际情况,和不同的疏散计划可以进行测试。ABM方法模型代理的行为考虑因素,如速度、年龄、和障碍进行了讨论(46]。AB模型是设计开发一个更好的疏散计划(47]。他们建造了一个三维模型的构建和分析了疏散模式下两个不同的疏散计划来决定哪一个是更好的。另一个最近的反弹道导弹在行人动力学中的应用是评价行人之间的交互和自动车辆(AVs) [48]。作者研究了过马路的行人的特征的影响在不同的情况下在AVs面前。工商管理。反弹道导弹被用于不同的商业管理领域,从组织科学(49)市场营销(50]。反弹道导弹已经应用建模营销现象。大部分的反弹道导弹在营销中的应用与信息的扩散。许多研究人员集成反弹道导弹和网络理论建模的扩散信息(12,48,49]。综合文献综述反弹道导弹在市场营销的应用程序提供了在16]。

2.1.2。决策与AB的方法

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]。

2.2。AB-DM文献综述

在本部分中,我们将回顾一些以往的研究文献中,DM和反弹道导弹集成。为此提出了不同的方法。政策的制定和智能建模在文献中是最适用的方法。在接下来的段落,这些方法和他们的应用程序的概述。

2.2.1。政策的制定

(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。

2.2.2。智能建模

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。

2.3。AB-DM一体化的概述

2.3.1。AB-DM简而言之

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。

2.3.2。科学计量分析

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:

正式的统计假设测试是由以下方程: 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: 在哪里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( ),和出版物的数量的关键字优化是因变量( )。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:

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 。零和研究假设定义如下:

正式的统计假设测试是由以下方程: 在哪里是自变量的系数代表样本回归线的斜率和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。

3所示。优化代理框架建立

有许多不同的方法DM反弹道导弹在一个复杂的系统。在某些情况下,研究人员设法建立一个AB模型复杂的真实世界的系统有一个现实的模型,模拟真实的结果在一个理想的精度89年]。然而,理解和控制的结构生成的输出AB模型在这种方法很复杂,和DM很难执行这个方法。自结构产生的结果可能不知道modeler中,我们称这种AB模型黑箱AB (BBAB)模型。一些研究人员使用了一个简化的方法来构建AB模型,可以分析比BBAB模型更舒适。我们称这种AB白盒AB模型(WBAB)模型。模型简单导致WBAB决策模型更容易比BBAB模型。虽然WBAB模型可以比BBAB更容易理解和分析模型,他们可能导致的结果是远离现实世界的行为。优化是正确决策的另一个方法在一个复杂的系统。与过去的两种方法,描述性的,优化是一种说明性的方法,表明决策者的最优决策。然而,在复杂的系统中,定义一个优化模型,包括系统中所有的复杂性,可以在多项式时间内解决不是一项容易的任务。 In some cases, researchers use a combination of optimization and ABM, which has been discussed thoroughly in the literature review. Using this method enables us to have a descriptive model that has a prescriptive aspect too. However, this method increases the computational cost of the model. Table4比较前面提到的方法从三个方面进行讨论。缺点以粗体显示,优势在斜体表示,强调价值表明,这取决于模型的条件。

所有的四个方法,如表所示4至少有一个缺点,使其效率低下时,系统的复杂性增加,可能的原因之一,DM的反弹道导弹出版物没有快速增长在过去的十年。小说在这篇文章中,我们将提供一个框架,它可以促进DM反弹道导弹在复杂系统和没有提到的缺点。我们建议的框架有一个更高的能量捕获的复杂性,降低计算成本,更高权力的控制模型。低音的创新扩散模型已经被用来作为示例案例来解释框架。

我们的框架,它被称为呆子,是受酸碱指示化学过程。在化学,确定一个未知的液体是一种酸或碱,化学家使用酸碱指标(例如,酚酞)。酸碱指标,也称为pH值指标,是物质变成某种颜色时溶解在酸或碱。酚酞是无色的知名酸碱指标之一在酸性环境中,粉红色溶于碱。

如前所述,通过指示过程,我们可以诊断的身份不明液体。我们用这个概念来构建一个框架,使我们能够在复杂系统决策计算成本较低。呆子,一个指示的过程将被定义描述正确的决策在一个系统,我们不能分析很容易,我们都不知道。在接下来的部分,白痴,然后呆子实现提供的一个例子。

3.1。奇怪的描述呆子

在接下来的段落,呆子描述使用的协议。的协议是一个事实上的标准来描述AB模型。这个描述是基于提供的解释(15,90年,91年),考虑到所有更新在过去的版本,它在2020年被释放。

3.1.1。概述

(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。有一些情况下,DMA不是显式定义的;然而,也有一些决策需要制定和建模者自己决定。例如,当modeler决定对一些参数的值或在模型中定义了一些机制,没有一个代理来做决定。在这种情况下,我们有潜在的直接存储器存取应该创建的模型实现畸形儿。如果DMA潜伏,代理类型应负责定义决策以前由modeler。确定DMA后,数量的代理应该从DMA代理实例化类型。这些代理决定相同的问题;然而,每个人都使用一个不同的策略对DM或有不同的特征。换句话说,他们是不同的特工试图做出决定关于同一主题。(2)中性的代理。每个DMA试图建立自己的社区中性代理和成长。对于中性影响代理程序的决定,在每个时间步的模拟,他们试图加入模型中对于现有的程序之一。他们中的一些人选择自己所需的DMA,他们中的一些人可能等来选择自己所需的DMA在接下来的时间步骤。根据中立的代理人的行为,有两个版本的畸形儿。如果中性代理允许改变他们的社区和加入另一个DMA,我们有主导的版本。因为在这个版本中,只有一个DMA将吸引所有中性代理最终,它被称为主导。另一个版本nondominating,中性的代理不允许改变他们的直。(3)其他。每个代理类型,不是直接存储器存取或中性剂将被归类为“其他。“这些药物并不直接参与畸形儿;然而,他们需要建立畸形儿的基本模型。

(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。

3.1.2。设计概念

(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。

3.1.3。细节

(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。

3.2。呆子实现的一个例子

在下面几节中,创新扩散的Bass模型是用来提供一个呆子的例子应用程序。起初,低音扩散模型的简要说明,然后是巴斯扩散模型开发的呆子描述使用的协议。

3.2.1之上。巴斯扩散模型

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。

3.2.2。奇怪的描述巴斯扩散模型开发的畸形儿

(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。状态变量和鳞片。主要代理有两种类型的模型:营销人员和客户。这两个代理之间的关系类型和它们的属性和方法提供了一个类图的模型图14。在这个模型中,客户是中性代理和营销人员都是直的。客户属性。contactRate:这是一个参数决定的数量为每个客户的日常联系客户和其他客户。marketerID:这个属性表示客户的营销人员作为DMA和加入社区。如果客户没有选择任何营销人员,marketerID的价值将是0;否则,它将是一个介于1和数量n(营销人员的数量)。营销人员属性。ID:这是一个整数的范围(1,n]。p营销人员:广告参数问为客户:蠕虫参数。attractedCustomers:这个属性是一个整数数字显示了营销吸引客户的数量。换句话说,它显示的大小商人社区的中性代理商、客户。和调度过程概述。图15显示客户的状态图的低音扩散模型开发的畸形儿。这两个图有两个类似的转变。第一个转变,即表示,广告图15广告的过渡。这种转变代表巴斯扩散模型的创新速度,这意味着在每一个时间步的模拟,有一个概率客户用户更改其状态。在原始模型中,没有任何营销人员,这个概率将modeler中定义的。然而,在巴斯扩散由呆子,有许多营销人员,每个人都有不同的p参数确定的概率客户通过广告吸引客户。在这个模型中,在每个时间步,许多客户改变他们的用户状态,改变他们的状态之后,他们每个人都将被指派到一个营销人员根据营销人员的p参数。的轮盘赌方法被用来分配每个客户营销人员基于市场营销人员的关注广告。第二个类似的过渡是蠕虫。这种转变将引发如果客户潜在用户状态接收一条消息从其他客户购买的产品使用该产品。来自用户的信息是一个字符串的文本”从营销人员购买我”。当一个潜在的用户客户收到这个消息,触发的过渡,这可能会让客户代理改变其状态和购买产品。客户购买产品的概率等于在收到一条消息问参数的我^th营销人员。每一个营销人员都有不同的组合p和问,和每一个组合的p和问代表一个营销策略指示advertainment和蠕虫在战略的重要性。考虑营销人员的各种组合p和问,我们可以有不同的市场有不同的营销策略。每一个营销人员试图出售客户的产品和建立自己的社区。换句话说,这些营销人员一起竞争,以确定哪些人可以吸引更多的顾客。最吸引顾客的营销人员(nondominating呆子)或所有客户(主导呆子)将被选为最优的代理在现有的营销人员。还有一个内部用户的状态的状态转换图。定义这样一个过渡的目的是建模的用户和潜在用户之间的通信。这种转变使得用户代理随机选择人口和发送消息的另一个代理,代理告诉他们购买产品的营销人员。因为它是状态图如图所示15支配,有一个区别和nondominating状态图表,这是losingUsers过渡。这种转变对于允许客户改变他们的,营销人员。图16显示了指示过程控制和nondominating畸形儿。此外,它显示了酸碱指示和畸形儿的指示进程之间的联系。

(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。适应。在nondominating版本的模型中,客户选择的一个营销人员可能回头potentialUser通过losingUsers过渡。当客户回到potentialUser状态,它应该重复的过程选择AB的营销人员根据当前状态模型和营销人员。这个重复的过程使自适应模型。传感。客户知道p和问参数的所有营销人员和他们的社区大小(营销吸引客户的数量)。交互。有两种类型的交互模型:customer-customer marketer-customer。Customer-customer:客户、用户状态,将消息发送到其他客户,告诉他们从他们的营销人员购买产品。Marketer-customer:营销人员试图通过广告吸引顾客,扩大他们的社区大小。特性转化。蠕虫和广告的转换都是随机的。用户客户随机选择一个代理发送消息“从营销人员购买我”,所以内部转换用于发送消息也是随机的。集体所有。每个营销人员试图建立它的社区的顾客。结果,客户将聚合在不同社区主要由营销人员。观察。由于模型是随机,应该运行仿真模型的复制,复制和获胜者营销者将是不同的。因此,营销人员的赢家是谁最复制将被选为最好的对于营销人员在现有程序。换句话说,比例最高的营销人员的胜利是最优的代理。

(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。marketerID参数为所有客户必须被初始化为0,和营销人员的ID必须被初始化为1n。

4所示。结果与讨论

4.1。仿真结果

我们模拟了巴斯扩散模型,它是由畸形儿。在简单的版本,用于解释呆子,有1000个潜在用户作为完全中立的代理连接网络。每个中和剂的接触率与其他代理被认为是均匀分布的随机变量在1和3之间。有两个商人,他们代表的是角斗士。每一本仿真实验中使用的两个营销人员有不同的营销策略。其中一个将大部分的精力投入到广告,吸引顾客,另一个专注于通过蠕虫。这两个营销人员将参加由畸形儿的模型,找到一个更好的营销策略。图17显示的平均性能仿真模型的结果与标准偏差超过30独立复制为主导和nondominating畸形儿的低音扩散模型。

在这两个图,蓝色的营销人员都集中在蠕虫打败了红的人集中在广告和吸引了更多中立的代理。这意味着比红色蓝色营销人员做出更好的决策,以及在当前形势下,蓝色的营销的策略是比红色的更成功。

nondominating版,蓝色的营销人员一直是比赛的获胜者,吸引了更多的消费者。然而,竞争的结果控制版本并不总是相同的。在控制版本,每个复制可能有不同的赢家。在这种情况下,在23个复制30复制,蓝色的营销人员赢得了竞争和吸收所有的中性代理。因为在七个复制,蓝色的营销者无法吸引任何中性代理最后,仿真输出的控制版本有一个更高的标准偏差比nondominating版本中蓝色的营销人员在所有复制吸引了大部分的中性代理。

获胜者营销者nondominating和主导版本可以报告由伯努利分布。在每个复制,蓝色的营销者获胜的概率一个,红的获胜的概率1−一个。换句话说,赢的概率为蓝色的营销者是伯努利分布的参数一个。这个概率分布的参数可以估计的复制数量除以蓝色营销者赢了复制的总数。控制版本的伯努利分布参数估计为0.7667,nondominating版本是1。

4.2。敏感性分析

已经完成了灵敏度分析考虑三个方面。首先,与代理不同数量的中性模型模拟来评估对中性代理的数量。其次,模型测试的存在两个以上营销人员检查更多的营销策略的影响结果。最后,模型研究了不同网络结构的中性代理之间的联系。最后分析帮助我们调查网络结构对模型输出的影响。

4.2.1。准备对中性代理

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。

4.2.2。对营销策略

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%. Figure19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。

4.2.3。对网络结构的敏感性

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。

4.3。讨论

呆子有一些好处,可能涵盖一些缺点,已被提到了DM的其他方法复杂的模型。在接下来的段落中,我们将比较白痴的四个方法已被解释。呆子和BBAB建模。巴伯的建模方法是一种强大的方法来模拟现实世界的行为;然而,DM和模型分析可能是一个挑战来执行这个方法。同时保持的优势模仿现实世界的行为,呆子使我们获得正确的决策系统。呆子和WBAB建模。通过简化WBAB建模促进了DM流程。然而,这种方法可能会导致重大的偏差在实际观测的结果。白痴设计的方式不需要简化的三个阶段,还促进了DM过程指标代理添加到模型中。白痴与优化。优化的缺点之一作为DM工具在复杂系统是很难定义一个优化模型,可以考虑所有系统的复杂性,它也可以通过现有的方法在多项式时间内解决。呆子优化提出了一个新颖的观点,不需要定义一个描述等优化模型优化的文献。在每一个优化模型,应该定义的三个基本部分,即。目标函数(s),决策变量和约束。定义这三个部分在一个复杂的系统,该模型可以解决不是一项容易的任务,在某些情况下,可能是不可能的。然而,在畸形儿,优化可以不定义任何执行三个部分。呆子,我们与不同的DM举行角斗士之间的竞争策略,和冠军角斗士将选为最佳的代理,从而使系统中的最优决策。换句话说,在呆子,我们不是寻找优化的决策变量一个预定义的目标函数和约束满足模型,但我们正在寻找一个决策者,可以提高系统的行为在我们的复杂系统。因此,在呆子,不需要定义一个经典的优化模型,在复杂系统并不容易。白痴与传统模拟和优化集成。因为它是在文献综述中提到(见部分2.2。2),目前,有两种方法将DM和反弹道导弹。在这两个方法,仿真模型和优化模型的目标作为一个整体是整合这两个模型来构建一个模型包括他们两人。尽管这种集成方法添加一个规定性方面模拟和描述方面DM,它可能对最终的高计算成本集成模型。当前集成方法相比,呆子不需要构建一个DM模型和集成仿真模型。呆子添加说明性的方面反弹道导弹通过添加一个显示过程的模拟。换句话说,当前文献中的方法尝试连接模拟和DM模型集成;然而,呆子试图修改仿真模型的方式执行DM和仿真同时在一个ABDM模型。白痴不需要定义一个DM模型以来,很明显,其计算成本将远低于当前的方法。图21比较了传统集成和畸形儿的集成。如图21显示,传统的反弹道导弹集成和DM结果在最后AB和DM模型组成的集成模型。然而,呆子帮助modeler中构建一个ABDM模型一起执行DM和反弹道导弹的能力。

5。结论

在本文中,首先,我们提出了一个文献回顾与ABM DM,,作者而言,并没有在文献中被提出。通过考虑相关的出版物和执行科学计量分析、描述,出版物集成反弹道导弹和DM的数量在过去十年没有增加。我们调查的原因和可能的缺点当前集成DM和反弹道导弹的方法。然后,小说框架提出了,这样可以减少当前方法的一些缺点。拟议的框架不需要构建一个与DM模型反弹道导弹;然而,它添加了一个DM方面仿真通过定义一个指示过程受酸碱显示过程和古罗马的角斗士的比赛。为了说明我们新奇的框架(前景是可用的在这里),我们把低音的创新扩散模型为例,开发了一个模型的低音扩散通过畸形儿。结果表明,我们的框架可以与现有的方法整合反弹道导弹和DM无论是在概念上还是在计算上。然而,作者强调,更多的测试和实现都必须有一个坚定的结论框架的性能。

未来工作的愿景是应用这个框架对不同的实际应用和评估的可行性呆子在实际的应用程序。进一步关键要素未来工作发展的专业畸形儿的正式统计测试比较的意义不同的直接存储器存取性能。

进一步计算实验畸形儿的应用在不同的上下文中可以增强这里列出的有效性。为此,一些问题应该由每个当前解决方法和呆子也观察和比较当前方法的性能和畸形儿的计算解决方案的成本和质量。此外,代理的复杂性和人口水平畸形儿应该评估并与目前的仿真优化方法的复杂性对当前的方法演示畸形儿的优势。

这部小说发展观点的整合反弹道导弹和DM可能会导致更大的决策支持系统的效率加快正确的决定对于高风险的场景呈现在复杂的实时系统。因此,开发、改进,和畸形儿的多样化应用提供了巨大的潜力和文献做出有价值的贡献。

附录

答:巴斯扩散模型

. 1。SD模型

图22展示了浆流图和低音扩散SD模型的模拟输出。有一个股票变量潜在的用户,表示客户的数量还没有购买产品。有一个变量更改用户,它显示了潜在用户转向用户的数量在每一个时间步的仿真。最后,股票变量用户被认为是对聚合客户购买产品的数量。

方程(7)是中央方程模型中,应该解决了。

如果我们解决微分方程(7),我们将方程(8随着时间的推移)为用户。

因为只是两种不同的状态,潜在用户和用户的总和永远等于人口总数。因此,如果我们计算其中一个,我们可以有另一个。

由信用证。AB模型

创建一个AB巴斯扩散模型,我们需要一个代理类型客户在模型中,代表每个客户。图23为客户代理类型显示了状态表。

如图23有两种方法,个人改变自己的状态。第一种方式是广告过渡,并表示,广告图23。这种转变代表了创新率在最初的低音扩散模型中,这意味着在每一个时间步的模拟中,有一个概率,客户更改其状态用户,这概率等于p原模型的参数。

为客户代理类型定义了另一个转变是蠕虫。这种转变将引发如果客户潜在用户状态接收一条消息从其他客户购买的产品使用该产品。一旦触发的过渡,它可能使客户代理改变其状态和购买产品。客户购买产品的概率等于在收到一条消息问参数在最初的低音扩散模型。

也有三分之一的状态转换图如图23,这是一个内部过渡。定义这样一个过渡的目的是建模的用户和潜在用户之间的通信。这种转变使得用户代理随机选择另一个代理和发送消息给代理,告诉其他客户购买产品。

数据可用性

论文试图使作者尽可能独立。然而,所有进一步的数据,模型、代码和分析可从相应的作者。

附加分

突出了。(我)是在决策上进行科学计量差异分析方法在反弹道导弹导致畸形儿的创建。(2)呆子嵌入式规定性方面有助于反弹道导弹通过引入信号的过程。(3)呆子促进改善反弹道导弹的长期决策的实现以较低的计算成本。(iv)的适用性呆子在巴斯扩散营销模型表示。

的利益冲突

作者声明没有潜在的利益冲突。

作者的贡献

阿布Taghavi负责调查、概念、方法、验证、可视化、软件、草稿准备,审查和编辑。谢里夫Khaleghparast负责概念化、方法验证、可视化、软件、审查和广泛的编辑、监理和项目管理。Kourosh Eshghi负责监督,最终审查和编辑。

补充材料

优化代理框架的前景。(补充材料)

引用

1. j·d·斯特曼业务动态:系统思维和建模为一个复杂的世界欧文·麦克洛希尔,纽约,纽约,美国,2000年。
2. r . l . Rardin在运筹学优化皮尔森,伦敦,英国,第二版,2017年版。
3. d . Murray-Rust诉里斯·d·t·罗宾逊,诉Miličič和m . Rounsevell“基于代理模型的土地利用动态和住宅未来情景的生活质量,”环境建模与软件,46卷,第89 - 75页,2013年。视图:出版商的网站|谷歌学术搜索
4. e·e·布鲁赫和r . d .母马”,左邻右舍的选择和改变,”美国社会学杂志》,卷112,不。3、667 - 709年,2006页。视图:出版商的网站|谷歌学术搜索
5. a·l·鲍尔,分析师c·a·a . Beauchemin和a . s . Perelson“宿主-病原体系统:基于主体建模的成功和挑战,”信息科学,卷179,不。10日,1379 - 1389年,2009页。视图:出版商的网站|谷歌学术搜索
6. w·b·亚瑟“复杂性和经济,”科学,卷284,不。5411年,第109 - 107页,1999年。视图:出版商的网站|谷歌学术搜索
7. j·s·k·刘、黄g .问:k . l . Mak l .梁,“基于主体建模的分布式调度,供应链”IEEE系统,人,Cybernetics-Part答:系统和人类,36卷,不。5,847 - 861年,2006页。视图:出版商的网站|谷歌学术搜索
8. t·f·冈萨雷斯手册的近似算法和Metaheuristics: Methologies和传统的应用程序,卷1,CRC出版社,2018年美国佛罗里达州博卡拉顿的。
9. j . h .荷兰,适应在自然和人工系统麻省理工学院出版社,1卷,剑桥,妈,美国,1992年。
10. m .民宿和t . Stutzle蚁群优化美国马剑桥,麻省理工学院出版社,2006年。
11. 进行j·肯尼迪和r·埃伯哈特,粒子群优化”,1995年。视图:谷歌学术搜索
12. d . Karaboga”,一个想法基于蜜蜂群的数值优化,”2005年。视图:谷歌学术搜索
13. h . Rahmandad和j·斯特曼”、异质性和网络结构的动态扩散:比较基于主体和微分方程模型,”管理科学,54卷,不。5,998 - 1014年,2008页。视图:出版商的网站|谷歌学术搜索
14. 奥巴马和w·兰德介绍基于主体建模:复杂系统建模的自然、社会和改造NetLogo美国马剑桥,麻省理工学院出版社,2015年。
15. 诉格林,伯杰,f . Bastiansen et al .,”描述基于单独的标准协议和基于代理模型,”生态模型,卷198,不。1 - 2、115 - 126年,2006页。视图:出版商的网站|谷歌学术搜索
16. w·兰德r . t .生锈,“基于主体的建模中营销:严格的指导方针”,国际市场营销研究杂志》上,28卷,不。3、181 - 193年,2011页。视图:出版商的网站|谷歌学术搜索
17. j·l .应用“El Farol看到光明:一看最重要的问题在复杂系统理论中,“复杂性,1卷,不。5,7 - 10,1996页。视图:出版商的网站|谷歌学术搜索
18. c . m . Macal和m . j .北“教程基于主体建模和模拟,”学报2006年冬季模拟会议l . f . Perrone f·p·维兰德,j .刘et al .,。蒙特利,页73 - 83年,CA,美国,2006年12月。视图:谷歌学术搜索
19. d . l . DeAngelis s g·迪亚兹,“决策基于主体建模:当前审查和未来的招股说明书,“生态学与进化前沿》第六卷,237页,2019年。视图:出版商的网站|谷歌学术搜索
20. d·g·布朗,r . Riolo d·t·罗宾逊,m .北和w·兰德”空间过程和数据模型:基于代理模型和GIS的集成,”《地理系统,7卷,不。1,第45期,2005页。视图:出版商的网站|谷歌学术搜索
21. h . Sabzian m . a . Shafia m . Ghazanfari和a . b . Naeini“可持续性模型移动通讯技术的采纳和扩散在伊朗 :基于基于主体建模的计算方法和社会网络理论,“可持续性,12卷,不。7,2094年,页2020。视图:出版商的网站|谷歌学术搜索
22. 我和j . Arlow·诺UML 2和统一过程:实用的面向对象的分析和设计,培生教育,英国伦敦,2005年。
23. w . y .挂、n . j . Samsatli和n .沙“面向对象的动态供应链建模与生产调度,“欧洲运筹学杂志》上,卷169,不。3、1064 - 1076年,2006页。视图:出版商的网站|谷歌学术搜索
24. 美国巴尔·g·k . Theodoropoulos p . Lemarinier g m p . O ' hare,“基于代理的建模和仿真工具:技术发展水平的评估软件,”计算机科学评论,24卷,13-33,2017页。视图:出版商的网站|谷歌学术搜索
25. m . j .北部,n t·科利尔j . Ozik et al .,“复杂的自适应系统建模与就餐simphony,”复杂自适应系统建模,1卷,不。1,p。2013。视图:出版商的网站|谷歌学术搜索
26. 奥巴马,NetLogo-Center连接学习和计算机建模美国,埃文斯顿的西北大学,1999。
27. m·a·Niazi问:Siddique a·侯赛因和m . Kolberg“基于个体森林火灾仿真模型的验证和确认,“学报2010年春季仿真Multiconference on-SpringSim”2010美国奥兰多,2010年4月。视图:出版商的网站|谷歌学术搜索
28. g . n .吉尔伯特基于代理模型(定量应用社会科学)、鼠尾草出版物,Inc .,千橡市,美国,2008年。
29. 诉格林、g . Polhill和j . Touza”记录社会仿真模型:奇怪的协议标准,“理解复杂的系统施普林格,柏林,德国,2017年。视图:出版商的网站|谷歌学术搜索
30. 诉格林和s . Railsback基于单独的建模和生态,8卷,普林斯顿大学出版社,普林斯顿,新泽西,美国,2005年。
31. 北部和c·m·j·m·Macal管理业务的复杂性:发现战略解决方案基于主体建模与仿真美国小姐,牛津大学出版社,牛津,2007年。
32. t·c·谢林,“隔离__的动态模型《数学社会学,1卷,不。2、143 - 186年,1971页。视图:出版商的网站|谷歌学术搜索
33. m . Saeedian m . m . Sepehri a . Jalalimanesh和p . Shadpour“手术室编排通过使用模拟,”围手术期护理和手术室管理ID 100074条,卷。15日,2019年。视图:出版商的网站|谷歌学术搜索
34. f . Ajmi h . Zgaya s . b .奥斯曼和美国拿,“基于主体动态优化管理的工作流病人的途径,”仿真建模实践和理论文章ID 101935卷,96年,2019年。视图:出版商的网站|谷歌学术搜索
35. c·s·m·库里j·w·福勒,k Kotiadis et al .,“如何仿真建模可以帮助减少COVID-19所带来的影响,”杂志的模拟,14卷,不。2、83 - 97年,2020页。视图:出版商的网站|谷歌学术搜索
36. j·m·爱泼斯坦,“民间暴力建模:一个基于代理的计算方法”,美国国家科学院院刊》上,卷99,不。3、7243 - 7250年,2002页。视图:出版商的网站|谷歌学术搜索
37. m . Kvasnička“病毒视频扩散在一个固定的社交网络:一个基于代理模型,”Procedia经济学和金融学》12卷,第342 - 334页,2014年。视图:出版商的网站|谷歌学术搜索
38. f·孟、b . Mishra和g . Narzisi”社交网络建模与仿真的电子邮件:一个新的随机基于代理的方法,”学报2008年冬季模拟会议,页2792 - 2800,迈阿密,佛罗里达,美国,2008年12月。视图:出版商的网站|谷歌学术搜索
39. y哈达德、k . Salonitis和c·艾马诺利迪斯”重新制造的备件:一个基于主体的建模方法,”Procedia CIRP卷,81年,第712 - 707页,2019年。视图:出版商的网站|谷歌学术搜索
40. o . m . Akanle d >,“基于代理模型的优化供应链配置,“国际生产经济学杂志》上,卷115,不。2、444 - 460年,2008页。视图:出版商的网站|谷歌学术搜索
41. z Pourabdollahi, b . Karimi) k Mohammadian, k .河村建夫”混合基于主体的计算经济学和优化方法对于供应商选择问题,“国际运输科学与技术杂志》上》第六卷,没有。4、344 - 355年,2017页。视图:出版商的网站|谷歌学术搜索
42. s . o . Kimbrough d·j·吴,f .钟”电脑玩啤酒游戏:人工代理管理供应链?”决策支持系统,33卷,不。3、323 - 333年,2002页。视图:出版商的网站|谷歌学术搜索
43. m . Barbati g·布鲁诺,热那亚,“应用程序基于代理模型的优化问题:一个文献综述,”专家系统与应用程序,39卷,不。5,6020 - 6028年,2012页。视图:出版商的网站|谷歌学术搜索
44. 公元Aarthi和l . Gnanappazham”城市增长预测使用神经网络耦合agents-based细胞自动机模型Sriperumbudur世袭地,泰米尔纳德邦,印度,”埃及遥感和空间科学杂志》上,21卷,不。3、353 - 362年,2018页。视图:出版商的网站|谷歌学术搜索
45. d·布朗,美国页面、r . Riolo和w·兰德,“基于主体建模和分析评估防护林体系的有效性,“环境建模与软件,19卷,不。12日,第1109 - 1097页,2004年。视图:出版商的网站|谷歌学术搜索
46. m . Bierlaire g . Antonini, m·韦伯“行为动力学为行人,”2003年。视图:谷歌学术搜索
47. k·瑞Rozo, j . Arellana a . Santander-Mercado和m . Jubiz-Diaz”造型建筑紧急疏散计划使用模拟考虑行人的动态行为,”安全科学卷,113年,第284 - 276页,2019年。视图:出版商的网站|谷歌学术搜索
48. s . Razmi Rad g . Homem de Almeida科雷亚是和m . Hagenzieker“行人穿越公路行为的自动车辆:使用基于主体建模行人仿真实验的结果,“交通运输研究F部分:心理学和行为卷,69年,第119 - 101页,2020年。视图:出版商的网站|谷歌学术搜索
49. m·d·科恩,j·g . 3月和j·p·奥尔森,”组织的垃圾桶模型的选择,”行政科学季刊,17卷,不。1,p。1972。视图:出版商的网站|谷歌学术搜索
50. j·戈登伯格,s .汉·d·r·莱曼和j·w·香港“中心采用的作用过程市场营销杂志,卷73,不。2,1-13,2009页。视图:出版商的网站|谷歌学术搜索
51. p . Siarry z . Michalewicz,Metaheuristics进步努力优化施普林格,伦敦,英国,2010年。
52. j . Dahlke k . Bogner m·穆勒t·伯杰a . Pyka和b . Ebersberger“挤汁值得吗?”机器学习和基于主体建模卷。113年,13-21,2020页。视图:谷歌学术搜索
53. r·s·萨顿和a·g·Barto介绍了强化学习美国马剑桥,麻省理工学院出版社,1998年。
54. m . Zolfpour-Arokhlo a . Selamat s . z穆罕默德Hashim和h . Afkhami”路线规划系统的建模基于Q价值多智能体强化学习算法,动态编程”人工智能技术的工程应用,29卷,第177 - 163页,2014年。视图:出版商的网站|谷歌学术搜索
55. f . Martinez-Gil m . Lozano, f·费尔南德斯,“紧急行为和可伸缩性的行人模型,基于多智能体强化学习”仿真建模实践和理论卷,74年,第133 - 117页,2017年。视图:出版商的网站|谷歌学术搜索
56. a . Treuille李y, z Popović,“算法与连续控制、角色动画”ACM SIGGRAPH学报》上2007篇论文on-SIGGRAPH ' 07美国圣地亚哥CA, 2007年8月。视图:出版商的网站|谷歌学术搜索
57. y . Lee, s·j·李和z Popović,“紧凑的角色控制器,”ACM交易图片,28卷,不。5,页1 - 8,2009。视图:出版商的网站|谷歌学术搜索
58. l . Ikemoto o . Arikan d·福赛斯,自主学习将在一个充满敌意的世界美国加州大学伯克利分校,加州,2005年。
59. c .曲盖w·m·钟和j·张,“一种新颖的基于强化学习灰太狼优化算法对无人机(uav)路径规划,“应用软计算文章ID 106099卷,89年,2020年。视图:出版商的网站|谷歌学术搜索
60. 莫亚,m .奇卡,O。警戒线”,多准则整体框架基于代理模型校准使用进化多目标优化和基于网络的可视化,”决策支持系统文章ID 113111卷,124年,2019年。视图:出版商的网站|谷歌学术搜索
61. j . Raimbault j . Broere m . Somveille et al .,“空间代理模型为基础,模拟和优化网络生态系统”资源保护和回收文章ID 104538卷,155年,2020年。视图:出版商的网站|谷歌学术搜索
62. n .。Abidin m . Mamat俱乐部,j . h . Zulkepli m·a . Baten和a . Wibowo”对抗肥胖通过健康饮食行为:要求系统动力学优化、”《公共科学图书馆•综合》,9卷,不。12篇文章ID e114135 2014。视图:出版商的网站|谷歌学术搜索
63. m . Fonoberova诉答:Fonoberov, Mezić,“全球灵敏度/基于代理模型的不确定性分析可靠性工程和系统安全卷。118年,印度,2013页。视图:出版商的网站|谷歌学术搜索
64. m·思t Verwaart w .他,“比较两个灵敏度分析方法两个场景空间显式农村基于代理模型,”环境建模与软件54卷,第210 - 196页,2014年。视图:出版商的网站|谷歌学术搜索
65. m·思p Opdam:曼,e . Westerhof”Resilience-based治理农村景观:使用空间显式的基于代理模型的农耕环境规划把部分耕地退还作实验,”土地使用政策,30卷,不。1,第943 - 934页,2013。视图:出版商的网站|谷歌学术搜索
66. h·r·帕里c . j .一流的m·c·肯尼迪,n . d .船夫和A·w·A·默里,”贝叶斯敏感性分析应用于基于个体模型的鸟人口对景观变化的反应,”环境建模与软件,45卷,第115 - 104页,2013年。视图:出版商的网站|谷歌学术搜索
67. z梅,w·张,张l . d . Wang”优化保留停车位配置在城市中心,通过一个基于主体的仿真”仿真建模实践和理论文章ID 102020卷,99年,2020年。视图:出版商的网站|谷歌学术搜索
68. a . Jalalimanesh h . Shahabi Haghighi, a .艾哈迈迪和m . Soltani”基于仿真的优化放疗:基于主体建模和强化学习,”数学和计算机模拟卷,133年,第248 - 235页,2017年。视图:出版商的网站|谷歌学术搜索
69. x z h .阴j . Wu Liu Yang瞿y,和h的太阳,“优化客流引导信息的发布通过模拟城市轨道交通网络中,“应用数学建模卷,72年,第355 - 337页,2019年。视图:出版商的网站|谷歌学术搜索
70. j . j . Kponyo k . s . Nwizege k . Opare et al .,“分布式智能交通系统使用蚁群优化:NetLogo建模方法,”《2016国际会议系统信息,建模与仿真(SIMS)2016年6月,拉脱维亚里加。视图:出版商的网站|谷歌学术搜索
71. A . Rasekh和k Brumbelow”,动态仿真优化模型自适应管理城市配水系统污染的威胁,”应用软计算32卷,59 - 71年,2015页。视图:出版商的网站|谷歌学术搜索
72. h·李,j . Lim k·李,和c . o .金正日“代理新产品设计、基于仿真的顺序优化”运筹学学会》杂志上,卷70,不。3、502 - 515年,2019页。视图:出版商的网站|谷歌学术搜索
73. c .骨头和美国Dragićević”,强化学习基于主体模型的仿真和验证多重利益方森林管理,“电脑、环境和城市系统,34卷,不。2、162 - 174年,2010页。视图:出版商的网站|谷歌学术搜索
74. m . Haghnevis r . g . Askin和d .时常要“一个基于主体的建模优化方法对于理解工程复杂的自适应系统的行为,”社会经济规划科学,56个卷,第87 - 67页,2016年。视图:出版商的网站|谷歌学术搜索
75. e·泽特,拐点y和a·j·莫拉莱斯”隔离与强化学习和基于代理的建模、动力学”科学报告,10卷,不。1、1 - 12,2020页。视图:出版商的网站|谷歌学术搜索
76. m . r .因为c·l·史密斯,et al ., j.p. Bolte拍摄的“政策研究利用基于主体建模评估未来城市扩张的影响到农田和森林,”生态和社会,13卷,不。1,2008。视图:出版商的网站|谷歌学术搜索
77. t·m·安德森和s . Dragićević”地理空间pest-parasitoid基于代理模型优化害虫生物防治的森林,”生态模型卷,337年,第329 - 310页,2016年。视图:出版商的网站|谷歌学术搜索
78. k . Nguyen-Trong a . Nguyen-Thi-Ngoc d . Nguyen-Ngoc诉Dinh-Thi-Hai,“都市固体废物运输的优化集成GIS分析,equation-based,和基于代理模型,”废物管理卷,59 14-22,2017页。视图:出版商的网站|谷歌学术搜索
79. c . Delcea洛杉矶。Cotfas, r . Paun“基于主体的优化紧急出口和桌子放置在教室,”计算国际会议集体智慧施普林格,页340 - 348年,可汗,瑞士,2018。视图:出版商的网站|谷歌学术搜索
80. e·卡布瑞拉m . Taboada m·l·伊格莱西亚斯f . Epelde和大肠里克,“基于主体的仿真、优化医疗急救部门”Procedia计算机科学4卷,第1889 - 1880页,2011年。视图:出版商的网站|谷歌学术搜索
81. k·齐亚,A Din、k·沙赫扎德和A . Ferscha”认知多机器人覆盖在城市范围内,基于代理模型”复杂自适应系统建模,5卷,不。1,p。2017。视图:出版商的网站|谷歌学术搜索
82. m . Chennoufi和f . Bendella”,在复杂系统决策,”学报2019年第五届国际会议上的优化和应用程序(ICOA),页1 - 7,Kenitra、摩洛哥、2019年4月。视图:出版商的网站|谷歌学术搜索
83. j . Humann和a . m . Madni”集成基于主体的建模和优化在复杂系统的分析中,“Procedia计算机科学28卷,第827 - 818页,2014年。视图:出版商的网站|谷歌学术搜索
84. f·阿尔维斯·m·l·r·Varela a·m·a·c·罗查ai佩雷拉,j .巴博萨和p . Leitao”混合动力系统同步作业车间调度和基于多智能布局优化和遗传算法,”混合智能系统卷,923年,第397 - 387页,2020年。视图:出版商的网站|谷歌学术搜索
85. b . Yu郭z z,彭,h·王,x,, y,“基于主体的仿真优化模型对路面维修计划,”交通运输工程学报,B部分:人行道,卷145,不。1,文章ID 04018065, 2019。视图:出版商的网站|谷歌学术搜索
86. l . x, b . Chen p . Li Jing,曾g .,“一个多智能体的粒子群优化方法来支持基于仿真的动态决策在海洋石油泄漏响应,“海洋和沿海管理卷,172年,第136 - 128页,2019年。视图:出版商的网站|谷歌学术搜索
87. x QuanLi, y, w .桂林,y、“基于主体的建模和模拟土地利用和覆盖变化根据蚁群优化:一个案例研究的洱海流域,中国,“自然灾害,卷75,不。1,第118 - 95页,2015。视图:出版商的网站|谷歌学术搜索
88. j . Ruiz-Rosero g . Ramirez-Gonzalez, j . Viveros-Delgado”的科学计量工具软件调查:ScientoPy主题趋势分析在科学出版物,”科学计量学,卷121,不。2、1165 - 1188年,2019页。视图:出版商的网站|谷歌学术搜索
89. t·米歇利斯、l . Brandimarte和m . Mazzoleni”捕获动力学耦合基于主体和蔓延,液压模型框架,“水文科学杂志,卷65,不。9日,第1473 - 1458页,2020年。视图:出版商的网站|谷歌学术搜索
90. 诉格林,伯杰,d . l . DeAngelis j·g . Polhill j . gisk和s . f . Railsback”的协议:回顾和第一更新”生态模型,卷221,不。23日,第2768 - 2760页,2010年。视图:出版商的网站|谷歌学术搜索
91. 诉格林,s . f . Railsback c . e . Vincenot et al .,“奇怪的协议来描述基于主体和其他仿真模型:第二个更新以提高清晰度,复制,和结构现实主义,”《人工社会和社会仿真,23卷,不。2、2020。视图:出版商的网站|谷歌学术搜索
92. f·m·巴斯”新产品增长梅尔耐用消费品。”管理科学,卷61,p . 1969。视图:谷歌学术搜索
93. t·奥谢、p·贝茨和j·尼尔,“测试直接和间接的影响人口行为使用基于个体模型洪水警告,“自然灾害和地球系统科学,20卷,不。8,2281 - 2305年,2020页。视图:出版商的网站|谷歌学术搜索
94. h .张和y Vorobeychik”,以实验为基于主体的创新扩散模型:一个至关重要的审查,”人工智能审查,52卷,不。1,第741 - 707页,2019。视图:出版商的网站|谷歌学术搜索

版权

版权©2021年阿布Taghavi et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。