Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1.1 Lo Básico
Un modelo es una representación intencional de algún sistema real Starfield
et al. 1990. Construimos y usamos modelos para resolver problemas o
responder preguntas sobre un sistema o una clase de sistemas. En ciencia,
generalmente se quiere entender cómo funcionan las cosas, explicar los
patrones que surgen de lo que se observa o predecir el comportamiento de un
sistema en respuesta a algún cambio. Los sistemas reales a menudo son
demasiado complejos o evolucionan muy lentamente para ser analizados
mediante experimentos. Por ejemplo, sería extremadamente difícil y lento
entender cómo crecen las ciudades y como cambia el uso de la tierra en un
país solo con experimentos, por lo tanto, intentamos formular una
representación simplificada del sistema utilizando normalmente:
sabemos que:
¿cómo podemos saber qué factores o aspectos son importantes con respecto
a la pregunta abordada con un modelo?
1. Formular la pregunta.
2. Ensamblar hipótesis.
“sí, puede que tengas razón, pero, centrémonos en el número mínimo absoluto
de factores primero, coloca todos los otros elementos que crees que podrías
necesitar en el modelo en tu “lista de deseos" para verificar su importancia más
adelante".
4. Implementar el modelo.
Esta es la parte más técnica del ciclo de modelado, donde convertimos nuestra
descripción verbal del modelo en un Objeto “animado”. ¿Por qué “animado”?
Porque, en cierto modo, el modelo tiene su propia dinámica independiente (o
“vida”), impulsada por la lógica interna del modelo y nos permite explorar, de
forma rigurosa las consecuencias de nuestros supuestos y ver si nuestro
modelo inicial es útil. Esta tarea a menudo es la más desalentadora, porque
generalmente no se tiene entrenamiento en cómo construir software, en el
caso de modelos basados en agentes. la plataforma que usaremos nos
permitirá implementar MOBAs simples en un día o dos, ¡Así que no se asuste!
• ¿Cómo se regula el desarrollo del tejido humano por las señales del
genoma y el entorno extracelular y por comportamientos celulares como
la migración, proliferación, diferenciación y muerte de las células
¿Cómo resultan las enfermedades de anormalidades en este sistema
(Peirce et al. 2004)?
lo que sucede al sistema por lo que hacen sus individuos y lo que les
sucede a los individuos por lo que hace el sistema.
Producir software útil es más complejo para los MOBAS que para la mayoría
de los otros tipos de modelos.
Casi no hay límite de que tan complejo puede ser un modelo de simulación por
computadora, pero si un modelo es demasiado complejo, se convierte
rápidamente demasiado difícil de parametrizar, validar o analizar. Necesitamos
una forma de determinar qué entidades, variables y procesos deben y no
deben estar en un modelo, y necesitamos métodos para analizar un modelo,
después de su construcción, para aprender sobre el sistema real.
Podría ser útil revisar las ideas fundamentales, que en resumen son:
Esta pregunta puede ser abordada por una variedad de modelos incluyendo
modelos estadísticos. Una pregunta más enfocada a la metodología de los
MOBAs podría enfocarse en el rol de la influencia social y la estructura de las
redes sociales , asumiendo que se tienen datos relevantes de este aspecto.
¿Cuáles son las estrategias que podrían ayudar a la formulación de una
pregunta de investigación apropiada? Una es leer publicaciones de
implementación de modelos basados en agentes en el área de interés y ver
qué tipo de preguntas tratan de resolver. Buenas preguntas de investigación
que usan MOBAs se concentran en como diferentes mecanismos que afectan
el comportamiento de agentes y su entorno impactan los resultados que se
quieren investigar. Esto no sorprende ya que los modelos basados en agentes
funcionan de esa manera. Una vez se define la pregunta de investigación, se
pueden definir hipótesis, que ayudan a formular que resultados hay que
investigar y que mecanismos incluir en el modelo, por ejemplo:
7.2 Introducción
2364/5000 Un modelo, una vez que se ejecuta de manera confiable en una
computadora, es como un laboratorio a la espera de ser utilizado. Anthony
Starfield, Karl Smith y Andrew Bleloch, 1990 9.1 INTRODUCCIÓN Analizar un
modelo de computadora significa estudiar el modelo, una vez que se ejecuta,
para comprender y mejorar su rendimiento y luego resolver los problemas
modelo fue diseñado para. Una consecuencia de que IBM sea menos simple
que Los modelos clásicos son que los IBM no son tan fáciles de entender y
aprender. De hecho, algunos ecologistas creen que los modelos de simulación
y los IBM son tan difíciles de entiendo que no son útiles: si un modelo es tan
complejo como la naturaleza en sí, ¿por qué no estudiar la naturaleza en su
lugar? Evitar solo este problema fue nuestro Objetivo principal en la Parte 1:
los lectores de los capítulos 1 a 4 saben que un bien diseñado IBM no es tan
complejo como la naturaleza misma. Un IBM bien diseñado captura la esencia
de un sistema ecológico con respecto a un problema particular y contiene poco
más. Hay más razones por las cuales los IBM son más fáciles de analizar que
los sistemas naturales. Todo en una IBM se puede observar completamente e
incluso manipular. Con los modelos de simulación podemos implementar
cualquier diseño experimental que puede imaginar, incluida la manipulación de
los “organismos” mismos, mientras recolectando cualquier dato que queramos.
En comparación con la experiencia de campo y laboratorio. De hecho, los
experimentos de simulación son fáciles y libres de ética y logística
restricciones; nos permiten examinar escalas temporales y espaciales que son
no es factible para sistemas reales (a menudo simulamos miles de años,
repetimos); y nos permiten examinar las condiciones (un cambio climático, tal
vez) que son muy difíciles de imitar en sistemas físicos. Nuestro punto aquí es
que comprender y aprender de IBM requiere esfuerzo especial, pero puede ser
bastante eficiente y productivo. Los IBM son como el Microcosmos físicos
utilizados en ecología de laboratorio. Se hace un gran esfuerzo en el plan y
construir el microcosmos: el contenedor, la composición ambiental redes como
el suelo y la luz, los organismos y la instrumentación necesaria para observar
los procesos de interés a nivel individual y de sistema. Sin embargo, el
ecologista sabe que construir el microcosmos es solo el comienzo: los
experimentos deben ser diseñado y realizado antes de que se aprenda algo.
Cuando un IBM es construido, el modelador también está listo para comenzar
a hacer ecología. Este capítulo trata sobre qué hacer en este momento.
1741/5000 El resto de este capítulo asume que la forma principal en que los
modeladores realizan El análisis de IBM es mediante la realización de este tipo
de experimentos de simulación. Una vez que un modelador inicia experimentos
de prueba de hipótesis con un IBM, el poder y la fascinación de esta estrategia
se hace muy evidente. A menudo un IBM puede usarse de esta manera para
analizar muchos problemas distintos de los que fue originalmente destinado
para. Los análisis de una trucha IBM por Railsback et al. (2002; que se originó
como un proyecto de clase de posgrado) comenzó con el objetivo de probar la
capacidad de IBM para reproducir patrones a nivel de población observados
En trucha real. Sin embargo, los autores también analizaron las causas de los
patrones. Por ejemplo, la dependencia de la densidad en el tamaño de la
trucha juvenil (la trucha real era más pequeño al final de su primer verano
cuando la densidad era mayor, un patrón reproducido en IBM) fue hipotetizado
por los ecologistas que lo observaron en el campo y en el laboratorio como
consecuencia de la competencia alimentaria (Jenkins et al. 1999). Sin
embargo, esa hipótesis fue excluida en la experiencia de simulación de IBM
momentos, durante los cuales el crecimiento y la densidad estuvieron
positivamente relacionados. Railsback et al. luego planteó tres explicaciones
alternativas y demostró que dos de ellos tampoco fueron respaldados por los
resultados de la simulación. Importantemente se requeriría más estudio antes
de que estas conclusiones pudieran aplicarse a la trucha real, pero los
experimentos de simulación ciertamente indican que la hipótesis original, más
intuitiva, debe ser cuestionada. La simulación ex- Los experimentos también
sugieren estudios de campo que podrían probar hipótesis alternativas. (Este
tipo de análisis desarrolla rápidamente la creencia en la “navaja inversa de
Occam”: explicaciones simples y obvias para el comportamiento de un sistema
complejo son muy a menudo mal)
8 Verificación, Validación
Replicación
En los siete capítulos anteriores, hemos defendido la importancia y utilidad de
ABM, aprendió a ampliar el ABM existente y construir otros nuevos, tomó una
visión amplia de las componentes que entran en un entorno ABM y aprendieron
a recopilar y analizar resultados de un ABM. En este capítulo, aprenderemos
a evaluar la corrección y la utilidad. de un ABM. ¿Cómo podemos saber si
nuestro ABM implementado corresponde a nuestro conceptual ¿modelo?
¿Cómo podemos evaluar la coincidencia entre nuestro ABM y el mundo real?
8.2 Verificación
A medida que un modelo basado en agentes crece, se hace más difícil
simplemente mirar su código para determinar si realmente está llevando a
cabo su función prevista. El proceso de veri La notificación aborda este
problema, teniendo como objetivo la eliminación de “errores” del código. Sin
embargo, esto no es tan simple como puede parecer, y si los diseñadores e
implementadores de modelos Si hay personas diferentes, el proceso de
depuración puede volverse mucho más complejo. Una pauta general para
habilitar la verificación del modelo implica construir el modelo simplemente
para empezar, expandir la complejidad del modelo solo según sea necesario.
Por lo tanto, adherirse Según el principio de diseño básico de ABM descrito en
el capítulo 4, se obtiene un importante beneficio adicional: Si un modelo es
simple para empezar, es más fácil de verificar que un modelo complejo.
Igualmente, si las partes adicionales agregadas al modelo también son de
naturaleza incremental - construyendo hacia su pregunta de interés en lugar
de tratar de desarrollar toda la elaboración del modelo a la vez: esos
componentes también serán más fáciles de verificar (y, por extensión, el
modelo de la que forman parte) Aun así, debe tenerse en cuenta que incluso
si todos los componentes de un se verifican los modelos, el modelo en sí puede
no serlo, ya que pueden surgir complicaciones adicionales de las interacciones
entre los componentes del modelo. A lo largo de esta sección, examinamos el
tema de la verificación en el contexto de un simple ABM del comportamiento
de votación, utilizando la siguiente narrativa ficticia para guiar nuestra
discusión: Imagine que se nos acerca un grupo de politólogos que desean
desarrollar Un modelo simple de comportamiento de votación. 1 explican que
piensan que las personas son sociales Las interacciones determinan en gran
medida la votación en las elecciones. Con base en sus observaciones de
encuestas y resultados electorales, piensan que las personas tienen alguna
forma inicial en la que quieren votar, y cuando son encuestados inicialmente,
expresan esos sentimientos. Sin embargo, en el intervalo entre cuando son
encuestados y cuando realmente emiten su voto, hablan con sus vecinos y
colegas y discuten la forma en que planean votar; esto puede cambiar la forma
en que deciden votar. De hecho, esto puede suceder varias veces durante el
período previo a una elección. Los politólogos nos piden que construyamos un
ABM de este fenómeno.
8.3 Comunicación
2874/5000 A menudo, el implementador del modelo y el autor del modelo son
la misma persona, pero esto no es siempre el caso. A veces, un equipo de
personas construye un modelo, en el que una o más personas Describa el
modelo conceptual mientras que otros miembros del equipo realmente
implementan el modelo. Esto sucede con frecuencia cuando el experto en el
dominio no tiene las habilidades técnicas para crear El modelo por su cuenta.
En estas situaciones, la verificación se vuelve especialmente crítica, ya que no
un individuo tiene un conocimiento completo de todas las partes del proceso
de modelado. Cuando modelos están construidos de esta manera, la
comunicación es crítica para asegurar que el modelo implementado refleja
correctamente el modelo conceptual del experto en dominio. La mejor manera
de verificar modelos construido en este tipo de equipos es para que el experto
en el dominio (o expertos) se familiarice con las herramientas del modelo y,
asimismo, los implementadores para aprender sobre el tema del modelo
importar. Si bien uno no puede esperar que las dos partes se conviertan en
expertos en los dominios del otro, Construir este terreno común es esencial
para garantizar que las ideas se comuniquen de manera efectiva y el modelo
refleja correctamente las intenciones de los modeladores. Por ejemplo, en
nuestro modelo de votación, sería útil que los politólogos conocieran diferencia
entre los barrios de Moore y von Neumann, qué red de mundo pequeño
parecía, y las posibilidades de una cuadrícula hexagonal versus una
cuadrícula rectangular. Este conocimiento les permitiría tomar decisiones
informadas sobre cómo su modelo conceptual debería ser implementado.
Además, ayudaría si el implementador tuviera una idea básica de cómo Los
mecanismos de votación se conceptualizan dentro de la disciplina de la ciencia
política, ya que podría ayudarlos a darse cuenta de posibles simplificaciones
para el modelo o incluso potencial conceptual trampas en el modelo a medida
que se implementa. Por ejemplo, ¿es razonable suponer que solo hay dos
partes? ¿Es razonable suponer que el grupo de cada persona amigos no
cambia durante el período de tiempo modelado en la simulación? Cuando se
trata de la comunicación del modelo conceptual, a menudo hay espacio para
humanos. error y malentendido En una situación ideal, el autor del modelo y el
implementador son la misma persona, lo que evita el tipo de errores de
comunicación que pueden resultar de diferentes vocabularios ent y supuestos
diferentes. Sin embargo, el tiempo requerido para los expertos en dominios
para aprender programación de computadora, o por el contrario, el tiempo
requerido para el programa de computadora Mers para aprender un dominio
particular, puede ser sustancial. Esto fue particularmente cierto en el pasado
décadas, cuando a menudo era inviable convertirse en un implementador de
modelos experto y autor modelo. Sin embargo, los nuevos lenguajes ABM de
bajo umbral, como NetLogo, tienen un objetivo explícito de disminuir la
cantidad de tiempo necesario para aprender a escribir ABM, por lo tanto reducir
(o eliminar) la brecha entre el autor y el implementador.
to check-setup let diff abs ( count patches with [ vote = 0 ] - count patches with
[ vote = 1 ] ) if diff > .1 * count patches [ print “Warning: Difference in initial
voters is greater than 10 4 %.”] end
to setup clear-all ask patches [ set vote random 2] ask patches [ recolor-patch]
check-setup end
8.9 Validación
1699/5000 La validación es el proceso de asegurar que haya una
correspondencia entre modelo implementado y realidad. La validación, por su
naturaleza, es compleja, multinivel y relativa. Los modelos son simplificaciones
de la realidad; Es imposible que un modelo exhiba todos los mismas
características y patrones que existen en la realidad. Al crear un modelo,
queremos incorporar los aspectos de la realidad que sean pertinentes a
nuestras preguntas. Así, cuando se emprende Al realizar el proceso de
validación, es importante tener en cuenta las preguntas del modelo conceptual.
y validar aspectos del modelo que se relacionan con estas preguntas. Hay dos
ejes diferentes para considerar los problemas de validación (Rand & Rust,
2011). El primer eje es el nivel en el que se produce el proceso de validación.
Microvalida- es asegurarse de que los comportamientos y mecanismos
codificados en los agentes del modelo coincidir con sus análogos del mundo
real. La macrovalidación es el proceso de asegurar que las propiedades
agregadas y emergentes del modelo corresponden a las propiedades
agregadas en el mundo real. El segundo eje de validación es el nivel de detalle
del proceso de validación. La validación facial es el proceso de mostrar que
los mecanismos y propiedades del modelo parecen mecanismos y
propiedades del mundo real. La validación empírica asegura que el modelo
genera datos que pueden demostrarse que corresponden a patrones similares
de datos en el mundo real. Para ayudar a ilustrar el proceso de validación de
un ABM, utilizaremos el modelo Flocking de la sección de Biología de la
biblioteca de modelos NetLogo. Este modelo intenta recrear patrones de aves
que acuden como existen en la naturaleza (ver figura 7.7). El modelo de
flocado es
372/5000 Este código le dice al pájaro que gire hacia el rumbo promedio de
sus compañeros de manada, pero no más que el control deslizante MAX-
ALIGN-TURN, que especifica el ángulo máximo que puede girar un pájaro con
el fin de alinearse con sus compañeros de rebaño. Este código requiere dos
procedimientos auxiliares: uno para encontrar los compañeros de bandada de
un pájaro y otro para encontrar su rumbo promedio. El primero es sencillo:
8.10 Replicación
3044/5000 Uno de los componentes fundamentales del método científico es la
idea de replicación. (Latour y Woolgar, 1979). Desde este punto de vista, para
que un experimento sea considerado aceptable por la comunidad científica,
los científicos que originalmente realizaron el experimento debe publicar los
detalles de cómo se realizó el experimento. Esta La descripción de puede
ayudar a los equipos de científicos posteriores a realizar el experimento ellos
mismos para determinar si sus resultados son lo suficientemente similares
como para confirmar los resultados originales. Esta el proceso confirma el
hecho de que el experimento no dependía de ninguna condición local, mientras
que la descripción escrita del experimento es lo suficientemente satisfactoria
como para registrar el conocimiento ventaja obtenida en el registro
permanente. La replicación es una parte importante del proceso científico y es
tan importante dentro el ámbito de los modelos computacionales como lo es
dentro del ámbito de los experimentos físicos. Reps- La reproducción de un
experimento físico ayuda a demostrar que los resultados originales no se
deben a errores o descuidos en la ejecución probando y comparando tanto la
configuración experimental como resultados posteriores. La replicación de un
modelo computacional sirve para este mismo propósito. Adicionalmente,
replicar un modelo computacional aumenta nuestra confianza en la verificación
del modelo ya que Una nueva implementación del modelo conceptual ha
arrojado los mismos resultados que el original. La replicación también puede
ayudar en la validación del modelo, ya que requiere que los replicadores del
modelo intenten entender las elecciones de modelado que se hicieron y cómo
los modeladores originales vieron la coincidencia entre el modelo conceptual
y el mundo real. Wilensky y Rand (2007) 7 dan Una descripción detallada de
la replicación de un modelo basado en agentes utilizando el modelo de
etnocentrismo de Axelrod y Hammond (2002, 2006; ver figura 7.11). En este
modelo, los agentes compiten por espacio limitado a través de interacciones
de tipo Dilema de prisioneros. Los agentes tienen uno de cuatro posibles etnias
y cada agente tiene una estrategia que incluye si coopera o si falla con agentes
de su propia etnia y con otras etnias. Los agentes “etnocéntricos” tratan a los
agentes dentro de su grupo más beneficiosamente que aquellos fuera de su
grupo. El modelo incluye un mecanismo de herencia (genético o cultural) de
estrategias. El modelo sugiere que El comportamiento “etnocéntrico” puede
evolucionar bajo una amplia variedad de condiciones, incluso cuando hay no
son “etnocéntricos” nativos y no hay forma de que los agentes sepan de
antemano si otro agente Cooperará con ellos. En el proceso de intentar la
replicación, se descubrieron diferencias entre los Modelo Wilensky-Rand y el
modelo Axelrod-Hammond; el modelo replicado tenía que ser modificado para
producir los resultados originales. El esfuerzo de replicación finalmente tuvo
éxito pero el proceso que se requirió para determinar que la replicación fue
exitosa fue problemas imprevistos complicados e involucrados. Wilensky y
Rand describieron la consideración acciones que deben examinarse
cuidadosamente y extraer algunos principios para ambos modelos
replicadores y autores de modelos. Revisaremos los de este documento.