Simsistsoccomplags PDF

Simulacin de sistemas complejos con agentes
Xalapa, 13 de mayo 2011

Juan Pavn Mestras
jpavon@fdi.ucm.es
Universidad Complutense Madrid
http://grasia.fdi.ucm.es
http://www.insisoc.org
Este trabajo ha sido desarrollada dentro del marco del proyecto TIN2008-06464-C03, financiado por el MICINN
UCM-GRASIA Research Group
http://grasia.fdi.ucm.es
Team (oct. 2010)
9 PhD
Co-directors: Juan Pavn and Jorge Gmez Sanz
Javier Arroyo, Rubn Fuentes, Celia Gutirrez Coso, Manuel
Ortega, Samer Hassan Collado, Milln Arroyo (Dep. Sociologa
IV)
Collaborators: Francisco Garijo, Jos R. Prez Agera
3 Assistant professors
Carlos Cervign, Eva Ulln, Diego Blanco, Lucila Finkel (Dep.
Sociologa IV)
7 PhD students (MEC, UCM, Conacyt, project fellowships):

Carlos Rodrguez, Jos M. Fdez de Alba, Albert Meco, Fernando
Burillo, Ghislain Atemezing, Adolfo Vzquez, Alvaro Alczar
Undergraduate students (MEC, UCM and companies

fellowships)
SiCoSSys project, 2010
UCM-GRASIA Research Lines

INGENIASIDK
ICARO-T
INGENME
MDE
+
AOSE
SiCoSSys
Self-MML
SociAAL
UCM-GRASIA Research Lines
R&D on Software Agents: Engineering and Applications
Agent oriented software engineering
INGENIAS Methodology
Model Driven Engineering tools: IDK, INGENME
Patterns: ICARO-T
Applications: aeronautics, intelligent interfaces, business process
management, web site personalization, resource management,
Self-management systems
Self-MML
Social simulation
SiCoSSys models
SiCoSSys methodology
Social network analysis: Krowdix
Ambient Assisted Living

Talking agents, Smartroom
Knowledge management
Technology watch
Sistemas complejos
No linealidad
Complejidad
Emergencia
Auto-organizacin
Racionalidad limitada
Interaccin Local
No lineal
Lineal: el efecto sobre una variable dependiente es

proporcional a la suma de un conjunto de variables
independientes
No lineal:
Catico
Sensible a las condiciones iniciales
Similar a los sistemas depredador/presa o productor/consumidor
Juan Pavn Mestras

UCM 2005
Ingeniera del Software Orientada a Agentes
Compleja
Comportamientos simples y reglas simples dan lugar a

organizaciones complejas
Dunas
Avalanchas caticas
Formas predecibles
Hormigas
Organizaciones humanas
Juan Pavn Mestras

UCM 2005
Emergente
Un fenmemo es emergente si requiere nuevas categoras

para describirlo que no son necesarias para describir el
comportamiento de sus componentes
Ejemplos:
Fsica y biologa
Temperatura
Hormigueros
Sistemas sociales
Las modas
Los atascos de trfico
Juan Pavn Mestras

UCM 2005
Auto-organizacin
La organizacin global aparece sin planificacin central, a

partir de acciones individuales de los agentes
Bandadas o bancos de peces
Mercados
Internet
Juan Pavn Mestras

UCM 2005
10
Racionalidad limitada
Los primeros modelos en teora econmica y teora

estadstica de la decisin asuman un hombre racional
Adopta decisiones ptimas en un ambiente muy especificado

y claramente definido
Desde Herbert Simon (1954) se asume una racionalidad

limitada:
Existen lmites prcticos a la racionalidad humana:

La informacin que tienen
Los lmites cognitivos de sus mentes
La cantidad finita de tiempo para tomar las decisiones
Juan Pavn Mestras

UCM 2005
11
Interaccin Local
Las interacciones humanas estn infludas por su lugar en

el espacio
Las interacciones locales son ms importantes que las

distantes
Juan Pavn Mestras

UCM 2005
12
Simulacin
Simulacin
Datos de
configuracin
Modelo
Comportamiento
observable
13
Simulacin vs. Experimentacin
Experimentacin: implica la aplicacin de un tratamiento a un

grupo objetivo y comparar el efecto con un grupo de control
Muchas veces esto no es posible
Demasiado caro
Demasiado complicado
Cuestiones ticas
Cul sera el efecto de limitar el nmero de nios por familia en la demografa?

Cul es la mejor poltica de gestin del agua en una regin?
Cmo formar el mejor equipo de personas para desarrollar un proyecto?
Simulacin: permite experimentar en un Modelo
Si el modelo es suficientemente bueno, reaccionar de manera

similar al sistema estudiado
El experimento se puede repetir muchas veces, con distintas
configuraciones e incluyendo aleatoriedad
14
Modelado y simulacin
Modelo
Abstraccin
Sistema
objetivo
Resultados de
la simulacin
Simulacin
Similitud
estructural
Recogida de datos
Datos
recogidos
Adaptado de: Nigel Gilbert and Klaus G. Troitzsch, Simulation for the Social Scientist, 2nd
edition. Open University Press (2005)
15
Simulacin social
Sistema social
Una coleccin de individuos

Evolucin autnoma
Motivados por sus propias creencias y sus objetivos personales
Y su percepcin del entorno
Todos estos factores evolucionan en el tiempo

Plus: Evolucin demogrfica
Interacciones/comunicacin entre ellos (directa o a travs del

entorno)
16
y Sistemas Multi-Agentes
Un Sistema Multi-Agentes es
Una coleccin de individuos (agentes)

Autonoma
Motivados por sus creencias y objetivos personales
Conscientes de su entorno
Interactan entre ellos
Pueden formar organizaciones
Evolucionan en el tiempo
El paradigma de agentes es una buena abstraccin

para modelar sistemas sociales
17
Modelado basado en agentes
De: Jos M. Galn, EVALUACIN INTEGRADORA DE POLTICAS DE AGUA: MODELADO Y SIMULACIN CON SOCIEDADES
SiCoSSys project,
2010
ARTIFICIALES
DE AGENTES.
Tesis doctoral. Burgos 2007
18
Nuestro laboratorio social
De: Jos M. Galn, Simulacin basada en agentes de juegos evolutivos en redes de normas. Presentacin UCM 2009
19
Simulacin social basada en agentes
La simulacin consiste en la ejecucin de agentes en un

entorno de simulacin (controlado)
Los agentes modelan tipos de comportamientos especficos
Los agentes interaccionan

Directamente (mensajes)
A travs del entorno (espacio compartido, feromonas, etc.)
Como resultado hay un comportamiento emergente

Visualizacin de la simulacin
Grficos de resultados
Logs de ejecucin
20
Movimiento e interaccin en el entorno
Relevancia de las interacciones locales
Las interaccinoes locales son ms importantes que las

distantes
Los agentes estn situados en el espacio/entorno, con

capacidad para moverse
Las interacciones humanas ocurren en un lugar
Hay reglas para decidir el movimiento
Los agentes pueden reconocer a otros agentes, si son

similares o no
Pueden actuar de manera distinta dependiendo del grado de

similitud con otros agentes
Posibilidad de establecer redes sociales, que determinan
relaciones entre grupos de agentes
21
Aplicaciones de la simulacin social con agentes
Mejor comprensin de fenmenos sociales
Observando su evolucin
Diagnsticos
Descubrimiento de comportamientos emergentes
Formalizacin y validacin de teoras sociales
Predicciones
Determinar cmo puede evolucionar una sociedad en aspectos

concretos bajo ciertas suposiciones
Formacin
Del texto informal al modelo computacional
Modelos econmicos: http://www.bized.co.uk/virtual/
Entretenimiento
Juegos
22
Herramientas para la simulacin basada en agentes
Java
Swarm (www.swarm.org)
Gran influencia en otras (Ascape, Mason, RePast)
Inicialmente en Objective-C, ahora en Java
RePast (repast.sourceforge.net)
Mason (cs.gmu.edu/~eclab/projects/mason/)
Anylogic (http://www.xjtek.com/anylogic)
SeSAm (www.simsesam.de)
Otras
NetLogo (ccl.northwestern.edu/netlogo/)
Evolucin de StarLogo
Basada en el lenguaje Log, fcil de usar
Strictly Declarative Modeling Language, SDML

(sdml.cfpm.org)
Multi-Agent Simulation Suite (mass.aitia.ai)
Plataformas de agentes
JADE (http://jade.tilab.com/)
23
Repast
Recursive Porus Agent Simulation Toolkit
Entorno open source de modelado y simulacin basado en

agentes
Inspirado en Swarm (http://www.swarm.org/index.php/

Swarm_main_page)
Desarrollado por el Social Science Research Computing de la
University of Chicago desde 2000
Actualmente mantenido por Argonne National Laboratory
Informacin y descargas: http://repast.sourceforge.net
SiCoSSys, 2011
Repast
24
Repast - Historia
Inicialmente Repast J (libreras Java)
Repast 3 (http://repast.sourceforge.net/repast_3/)
Repast for Java (RepastJ)
Repast for the Microsoft .Net framework (Repast.Net)
Repast for Python Scripting (RepastPy)
Actualmente
Repast Simphony (RepastS)

ReLogo
Repast Java
Flowcharts
Repast for High Performance Computing (Repast HPC)

Sistema de modelado basado en C++ para usar en clusters de
computadores y supercomputadores
SiCoSSys, 2011
Repast
25
Repast Symphony 2.0
Disponible para Windows, Mac OS y Linux
Basado en eclipse
Entorno de desarrollo asistido que genera clases Java
Integrado con componentes Java y Groovy
Entorno de ejecucin Java con herramientas de

monitorizacin (grficos y logs)
Integracin de herramientas externas:
Espacios 2D y 3D
R, VisAD, Weka, hojas de clculo, MATLAB, iReport
Incluye integracin con librera de modelado de redes JUNG y

GIS
Planificador multi-hilo de eventos discretos
SiCoSSys, 2011
Repast
26
Repast Symphony 2.0
Libreras para algoritmos genticos, redes neuronales,

regresin, generacin de nmeros aleatorios y funciones
matemticas especiales
Simulacin Monte Carlo con mltiples modos de

optimizacin de resultados del modelo
Herramientas de integracin de modelos externos
SiCoSSys, 2011
Repast
27
Herramientas para la simulacin basada en agentes
Para ver ms:
http://www.econ.iastate.edu/tesfatsi/acecode.htm
http://www.grids.ac.uk/Complex/ABMS/ABMS.html
28
Ejemplos con netlogo
Historia
LOGO (Papert & Minsky, 1967)
Lenguaje sencillo derivado de LISP
Grficos con una tortuga y exploracin de micromundos
StarLogo (Resnick, 1991), MacStarLogo, StarLogoT
teora educativa basada en el constructivismo de Piaget

(creacin sobre la marcha y prueba de conceptos)
Lenguage de simulacin basado en agentes

Explorar el comportamiento de sistemas descentralizados con
la programacin concurrente de 100 tortugas
NetLogo (Wilensky, 1999)
Extensin de StarLogo (multi-plataforma, red, etc.)
El ms popular (librera de modelos cooperativa)
30
El mundo Netlogo
Netlogo es
un mundo 2D o 3D
con 3 tipos de agentes

patches parcelas del entorno (agentes estacionarios)
turtles tortugas, se mueven por los patches (agentes mviles)
Un observer observa y controla lo que hacen los agentes
31
Netlogo agentes
Elementos conceptuales
Turtles: son los agentes en el modelo de simulacin

Tienen un estado
Pueden moverse por el entorno
Patches: Son las subdivisiones del mundo, donde se ubican los

agentes
Se acceden mediante sus coordenadas.
Pueden tener estado y evolucionar
Observer: Es la persona que realiza modificaciones al entorno

de vida de los agentes
32
Simulacin: 1. Poner la configuracin inicial
33
Simulacin: 2. Ejecutar el modelo
34
Programacin de un modelo
Variables globales
Variables de los agentes
Procedimientos
De la interfaz
Sub-procedimientos
Sin valores de retorno
Con valores de retorno
35
Rebellion
Modelo de la rebelin de poblacin sojuzgada contra una

autoridad central
Adaptacin del modelo de violencia civil de J. Epstein (2002)

Joshua M. Epstein, "Modeling civil violence: An agent-based
computational approach", Proceedings of the National Academy of
Sciences, Vol. 99, Suppl. 3, May 14, 2002, disponible en:
http://www.pnas.org/cgi/content/abstract/99/suppl_3/7243
La poblacin se mueve aleatoriamente
Si su nivel de malestar contra la autoridad central es

suficientemente alto y su percepcin de los riesgos
involucrados suficientemente baja, se rebelan abiertamente
Una parte de la poblacin (polica) acta a favor de la
autoridad central, busca para reprimir la rebelin: se mueven
aleatoriamente y arrestan aquellos que se rebelan
36
Rebellion
37
Rebellion
;; define los tipos de agentes
breed [personas persona]
breed [polis poli]
;; atributos de los agentes persona
personas-own [
riesgo
; R, aversin al riesgo [0..1]
percepcion-dureza ; D, [0..1]
activa?
; es true cuando el agente se ha rebelado
tiempo-carcel
; cuantos turnos le quedan de carcel (si 0, libre)
]
;; atributos de los agentes poli
polis-own [
eficacia
; cada poli tiene ms o menos eficacia para atrapar sospechosos
]
;; atributos del entorno
patches-own [
vecindad
; patches alrededor en el rango de visin
]
38
Rebellion
;; Comportamiento de los agentes persona
;; decide si se rebela (o si deja de rebelarse)
;; se rebelar si el malestar excede el riesgo neto en una cantidad (umbral)
to cambia-comportamiento
set activa? (malestar - riesgo * probabilidad-estimada-de-ser-arrestado > umbral)
end
;; clculo del malestar
to-report malestar
report percepcion-dureza * (1 - legitimidad-gobierno)
end
;; clculo del riesgo de ser arrestado
;; en funcin del nmero de polis y agentes rebelados alrededor
to-report probabilidad-estimada-de-ser-arrestado
let C count polis-on vecindad
let A 1 + count (personas-on vecindad) with [activa?]
report 1 - exp (- k * floor (C / A))
end
39
Rebellion
;; Comportamiento de los agentes poli
to arrestar
if any? (personas-on vecindad) with [activa?] [
;; arresta sospechosa
let sospechosa one-of (personas-on vecindad) with [activa?]
ask sospechosa [
set activa? false
set tiempo-carcel random max-tiempo-carcel
]
move-to sospechosa ;; ocupa el patch de la persona sospechosa
]
end
40
Rebellion
;; Inicializacin del modelo
to setup
clear-all
ask patches [
set pcolor gray - 1 ;; color de fondo
set vecindad patches in-radius vision ;; calcula los patches alrededor de cada uno
]
create-polis round (densidad-polis * .01 * count patches) [
move-to one-of patches with [not any? turtles-here]
pinta-poli
]
create-personas round (densidad-personas * .01 * count patches) [
move-to one-of patches with [not any? turtles-here]
set heading 0
set riesgo random-float 1.0
set percepcion-dureza random-float 1.0
set activa? false
set tiempo-carcel 0
pinta-persona
]
end
41
Rebellion
;; Ejecucin de la simulacin
to go
ask turtles [
; 1) Mover a un sitio dentro del rango de visin
if (breed = personas and tiempo-carcel = 0) or breed = polis
[ move ]
; 2) Determina el comportamiento de las personas

if breed = personas and tiempo-carcel = 0 [ cambia-comportamiento ]
; 3) Los polis intentan arrestar a personas en rebelin dentro de su radio de accin

if breed = polis [ arrestar ]
; Cada turno se reduce el tiempo de carcel para las personas encarceladas

ask personas
[ if tiempo-carcel > 0 [ set tiempo-carcel tiempo-carcel - 1 ] ]
; Actualiza la visualizacin de la simulacin
ask personas [ pinta-persona ]
ask polis [ pinta-poli ]
; Avanza el reloj de la simulacin y actualiza grficas
tick
update-plots
end
42

Ejemplos
Los agentes definen comportamiento individual
Pueden interactuar con otros agentes, perseguir objetivos,

reaccionar y moverse en el entorno
Actan en un entorno simulado
Las propiedades de nivel macro emergen de las

interacciones entre agentes
44
Ejemplo: Simulacin de control de trfico areo
M. Pechouzeck
Agent Technology Center, Czech Technical University in Prague

Multiagent modelling and simulation as a mean to wider industrial
deployment of agent based computing in air-traffic control
PAAMS 2010, April 28, Salamanca
Como el trfico areo se puede AUTO-ORGANIZAR
Objetivo:
Maximizar la capacidad del trfico areo planificando las
trayectorias de mltiples aviones evitando colisiones entre
ellos
Mecanismos:
Aviones son agentes con un alto grado de autonoma
Interaccin sofisticada entre los aviones en tiempo real
45
Ejemplo: Simulacin de control de trfico areo
Los agentes planifican sus rutas:
..\..\..\Agentes\Simulacin\Michal Pechouzek
\af_01_operator.avi
Los agentes cooperan:
..\..\..\Agentes\Simulacin\Michal Pechouzek
\mlca_with_history.avi
46
Domestic water management in Valladolid

Jos Manuel Galn (UBU INSISOC, 2007)
Case study: Integrate and adapt different social sub-models
Urban dynamics
Technology dissemination
Opinion dissemination
Water consumption model
in an agent based model on a Geographical Information System(GIS)
A system that supports the simulation for water demand policies

on different scenarios
Customized for the city of Valladolid

Socioeconomic information
Consumption data
Agents model families and take decisions on
Localization of the household

Attitude on water shortage
Adoption of technology measures
Implement an econometric model of trimonthly consumption
47
48
Conclusions
ABM complements traditional techniques for estimation of water demand, by

giving not only information on temporal evolution but also spatial
And integrating different kind of models
Urban dynamics and the change in territorial model has a great influence in
domestic water consumption
Publications:
An agent-based model for domestic water management in Valladolid

metropolitan area, Water Resources Research, 45, W05401, doi:
10.1029/2007WR006536. 2009.
Diffusion of Domestic Water Conservation Technologies in an ABM-GIS
Integrated Model. In HAIS '08: Proceedings of the 3rd international workshop
on Hybrid Artificial Intelligence Systems. Lecture Notes in Artificial Intelligence
5271, pp. 567-574. Edited by Corchado, E., Abraham, A., Pedrycz, W. Berlin
Heidelberg: Springer. 2008.
Evaluacin integradora de polticas de agua: modelado y simulacin con
sociedades artificiales de agentes. Servicio de Publicaciones de la Universidad
de Burgos. 2007.
49
Continuous Double Auctions

Marta Posada (UVa INSISOC, 2005)
Case study: Analysis of performance and convergence of prices

in continuous double auctions with agents using different bid
strategies
Agents may follow several bid strategies: ZI, ZIP, GD y K

In an environment with a similar excedent of producers and
consumers
Agents have some criteria to change bid strategies with the purpose
of getting greater benefits
The simulation is used to analyse market performance and price
convergence
For different proportions of agents ZIP, GD and K in the market
When agents maintain one bid strategy
When agents change of bid strategy by using their observation of prices in
the market and their own benefits
50

MARKET
ENVIRONMENT
S
D
Market performance
on fixed bid behaviours
K-ZIP-GD
Convergence and performance
Fixed behaviour
50%K-50%GD
INSTITUTION
Continous double
auction
AGENTS
How much to bid?
K
ZIP
GD
E
l
e
c
ti
o
n
Change in behaviour
Initial:50%K-50%GD
When to bid?
When to accept?
51
Conclusions
There is no need of intelligence for attaining near 100% market performance

But performance is considerably reduced when there are more than 50% of agents in
the market that just accept bids (K agents)
There is a need of intelligence to get price convergence to a competitive

equilibrium
The behaviour of the bid influences the price convergence pattern, as well as the
satisfaction of regularities observed by Experimental Economy
Cuando en el mercado existen agentes que se limitan a aceptar pujas, estos

agentes se quedan con el excedente de los agentes del otro lado del mercado y
fuerzan que los precios no converjan al precio de equilibrio competitivo
Cuando los agentes pueden cambiar su estrategia de puja en funcin del
comportamiento de los precios en el mercado, el problema de la falta de
convergencia de los precios y la reduccin de la eficiencia se corrigen
Publications:
Posada, M., Lpez-Paredes, A. (2008) How to choose the bidding strategy in

Continuous Double Auctions: Imitation versus take-the-best heuristics. JASSS
vol 11, n 16
Posada, M., Hernndez, C., Lpez-Paredes, A. (2005) Learning in Continuous
Double Auction. Lecture Notes in Economics and Mathematical Systems, 564,
41-52
52
TEAKS: Work team formation

Juan Martnez-Miranda (UCM-Grasia, 2009)
Problem
When a new industrial project is designed, one important

step is the selection of the people that will develop it
Purpose
To build a simulation tool to get an estimated information

about the team-members and whole team behaviour, in
terms of:
The ideal size of a team (2 to n members)
Composition (specific skills of the people involved in the project)
Cognitive
Emotional
Social
Personality
53
TEAKS: Architecture
54
TEAKS tasks
The team behaviour is measured from the team-members and

their assigned tasks interaction.
TASK 6
BEGIN
TASK 1
TASK 2
TASK 4
END
TASK 5
TASK 3
TASK 7
...
TASK N
TASK 8
Outcome
Input
Number of Participants
Estimated duration
Sequence
Difficulty
Specialisation level required
Priority
Estimated cost
Timeliness
Quality
of tasks
55
TEAKS agents
Use a fuzzy software agent to represent characteristics of

a real team-member.
How much expertise has one person to perform one task?

High, medium, low
Social Characteristics
Introverted / Extroverted
Prefers to work in team / Prefers to work alone
Cognition:
depending on role: Project Manager / Engineer / Technician /
Assistant
and abilities: Creativity / Level of expertise
Attitude to perform a task

Desire, Interest, Disgust, Anxiety
Personality -> intensity of attitutde

Amiable, Expressive, Analytical, Driver
56
TEAKS agents
Behaviour Generation Process
Goals Achievement
Assigned Task Parameters

Agents Characteristics
Task Timeliness
Team Collaboration Level
Required Supervision Level
Task Quality
57
TEAKS results
Test against a real project at Mexican Petroleum Institute
Information Technology Project: GIS
23 People: 1 Project Manager, 1 Coordinator, 5 Specialists Sr, 10

Specialists Jr, 6 Technicians
23 tasks
50 simulations
The system results were compared with existent formats of

personnel evaluation performance
According with the psychologist:
According with the project managers:
most of these results were acceptable given the input values

making more tests the system could be improved and will be very useful
for some kind of projects
58
Scheduling in multi-project environments

(UVa INSISOC, 2008)
Caso de estudio: seleccin, programacin y control de proyectos

en un entorno multi-proyecto dinmico.
Se reciben propuestas de proyecto dinmicamente, cada uno de ellos

con unos plazos de entrega, una valoracin y un peso. Cada proyecto
supone un conjunto de operaciones que deben ser ejecutadas
respetando unas restricciones de precedencia.
Las operaciones son realizadas por recursos. Cada recurso slo
puede ejecutar operaciones de un determinado tipo. La disponibilidad
de recursos es limitada.
Se deber considerar la flexibilidad de recursos.
Un recurso puede poseer diferentes habilidades, lo que le permite realizar
diferentes actividades con diferentes grados de eficiencia.
Cada actividad puede ser realizada por diferentes recursos, cada uno de
ellos con un grado de eficiencia (diferentes duraciones).
Se busca seleccionar y programar de forma dinmica un conjunto de

proyectos (de entre los propuestos) intentando maximizar los
beneficios totales.
De acuerdo con la aproximacin multi-agente la solucin debe obtenerse
de forma distribuida. Cada agente elaborara y controlar sus propios
planes y programas.
SiCoSSys
Juan
Pavn
project,
Mestras,
2010
UCM 2009-10
Simulacin
Simulacin
de sistemas
Social
complejos
con Agentes
con agentes
59

Tres tipos de agente:
Gestores de proyecto
Gestores de recurso
Coordinador
Mecanismo de subasta para la

asignacin de recursos a las tareas:
Se pretende conseguir conjunto de
programas locales compatibles y globalmente
eficientes.
Los proyectos compiten en un mercado por
los slots de tiempo de los recursos.
Emergen precios para los slots de tiempo
de los recursos.
SiCoSSys
Juan
Pavn
project,
Mestras,
2010
UCM 2009-10
Simulacin
Simulacin
de sistemas
Social
complejos
con Agentes
con agentes
60
Conclusiones
El sistema asigna recursos a las tareas de los proyectos dinmicamente. Ayuda adems a la
toma de decisin sobre la conveniencia de rechazar algn proyecto teniendo en cuenta el
valor aportado el estado del sistema.
Los precios aportan informacin sobre la criticidad que tienen los diferentes recursos para el
logro de los objetivos globales. Los precios permiten valorar en tiempo real, si se debe
adquirir ms recursos de un tipo durante un cierto periodo de tiempo, o si se debe tratar de
dotar con capacidades adicionales a ciertos recursos.
Esta aproximacin contribuye a rellenar el hueco de literatura existente entre la gestin de
cartera de proyectos generalmente centrada en estrategia corporativa y finanzas y el
trabajo en direccin de proyectos fundamentalmente dedicado a aspectos operacionales
como la asignacin de recursos y la programacin .
Publicaciones relevantes:
Arazo-Arazo, J.A., Galn-Ordax, J.M., Pajares-Gutirrez, J. and Lpez-Paredes, A. (2009),

Gestin eficiente de carteras de proyectos. Propuesta de un sistema inteligente de soporte a
la decisin para oficinas tcnicas y empresas consultoras, DYNA Ingeniera e Industria, 84
(9), pp. 761-772
Arazo, J.A., Galn, J.M., Pajares, J., Lpez-Paredes, A. (2009) Online scheduling in multiproject environments. A multi-agent approach. In 7th International Conference on Practical
Applications of Agents and Multi-Agent Systems (PAAMS'09). Advances in Intelligent and
Soft Computing 55, pp. 293-301. Edited by Demazeau, Y., Pavn, J., Corchado, J.M., Bajo,
J. Berlin Heidelberg: Springer
SiCoSSys
Juan
Pavn
project,
Mestras,
2010
UCM 2009-10
Simulacin
Simulacin
de sistemas
Social
complejos
con Agentes
con agentes
61
Evolution of social values

Samer Hassan (UCM GRASIA, 2009)
Case study: simulate the process of change in social

values in the Spanish society during the period 1980-2000
It is designed as a strongly data-driven case study taking

into account quantitative -focusing on surveys- & qualitative
data sources, together with social network dynamics.
It supports the theories of R. Inglehart on the change of
social values driven by demographic effects instead of social
influence.
A representative sample of the Spanish population of 1980
evolve following certain social dynamics (friendship evolution,
matchmaking, reproduction) and demographical equations
3000 agents loaded from surveys

Empirically grounded equations
Agent life cycle & set of characteristics
Fuzzy relationships
62
63
Conclusions
Reveals key importance of demography in the process of

social values change.
Serves as case study for data-driven modelling, focused on
survey data. Besides, it merges several Artificial Intelligence
technologies into agent-based modelling.
References
Mentat: A Data-Driven Agent-Based simulation of social

values evolution. In: Multi-Agent-Based Simulation X,
Revised selected papers, Lecture Notes in Artificial
Intelligence, Springer-Verlag (2009)
Friends forever: Social relationships with a fuzzy Agent
Based model. Hybrid Artificial Intelligence Systems, Selection
from the Third International Workshop, HAIS 2008,
5271:523532, 2008
64
Altruism model
Candy Sansores (UCM GRASIA, 2007)
Case study: Altruism among simple and smart bats

(G. Di Tosto, R. Conte, M. Paolucci. Altruism Among Simple and Smart Vampires.
1st Conf. of the European Social Simulation Association (ESSA), 2003):
It shows the importance of modeling agents as cognitive entities and

remarks the impact of intelligence, goal-based systems on the
spreading of altruism, provided these systems are highly dynamic
A population of bats (agents) that live in roosts, where they get back
to after hunting and perform social activities like grooming and
sharing food
Bats are modeled as agents
Roosts are modeled as aggregates of bats
In roosts, bats are allowed to share food and to groom one another
Each simulation cycle includes one daily and one nightly stage
During the daily stage, bats perform the social activities
In the night bats hunt
65
Altruism model
An study on simulation about altruism
The Java model (using RePast):public class CreditLink extends DefaultEdge implements
DrawableEdge {
private Color color;
package sim.templates.repast;
public class Model extends SimModelImpl

{
public CreditLink()
{}
//Model variables
public int numBats =public
150; CreditLink(Node from, Node to, Color
import uchicago.src.sim.network.DefaultDrawableNode;
public int numRoosts
10; label) {
color, =
String
public double successfulHunt = 0.93;
//Th remaining
7%
super(from,
to, label);
public class Altruist extends DefaultDrawableNode {
will starve
this.color
=
color;
public int normativeGoal; //Give Help
public int numBatsGoodHunt=0;}
public int survivalGoal=0; //Stay Alive
public int numBatsNoHunt=0;
public String strategy;
public int populationNum=0;
public void setColor(Color c) {
public int donate;
public
ArrayList
population
=
null;
color = c;
public Map strategies= new HashMap();
public ArrayList roosts[] = null; }
public ArrayList nodesDisplay = null;
public Altruist (String initialStrategy) {
//public DefaultGraphLayout graphlayout;
public void draw(SimGraphics g, int fromX,
strategy=initialStrategy;
public
int
worldXSize
=
400;
int
toX,
int
fromY,
int toY) {
setStrategies();
public int worldYSize = 400;
g.drawDirectedLink(color,
fromX, toX, fromY, toY);
setInitialNormativeGoal();
}
}
//Implementation
variables
private DisplaySurface
surface;
void setStrategies() {
public
Schedule
schedule;
strategies.put("Cheater", new Integer(-3));
private OpenSequenceGraph graph;
strategies.put("Prudent", new Integer(-1));
import java.util.HashMap;
import java.util.Map;
strategies.put("Fair", new Integer(0));

strategies.put("Generous", new Integer(2));
public String[] getInitParam() {
strategies.put("Martyr", new Integer(5));
String[] params = { };
return params;
}
Simulacin
de sistemas complejos con agentes
66
Altruism model
An study on simulation about altruism
Using an agent oriented modelling language (INGENIAS)

A set of diagrams, which show different perspectives of a
model of the system under study
These diagrams can be automatically translated to code by
using model driven engineering techniques
67
Altruism model
Agents play roles and pursue goals

Selfish
Mi = 0
RoleInher
Altruist
RoleInher
Mi = 0.3
RoleInher
pick_box
Mi = 0.5
WFPlays
RoleInher
Bat
RoleInher
Mi = 0.8
Cooperative
Mi = 1
WFPlays
drop_box
Recipient
GTPursues
68
Altruism model
Agent behaviour: conditional mental state pattern

drop_box
success_evidence
Runtime
Agent
AContainsME
AContainsME
AHasMS
ConditionalMentalState
PositiveFeedback
Condition:
Mi=Mi++
AContainsME
ApplicationEventSlots
MA_Network
success_evidence: int
targets_received: int
links_in_out: int
AContainsME
ApplicationEventSlots
BehaviorFacts
Mi: int
strategy: String
targets_known: object
69
Altruism model
Agents organization
70
Altruism model
This work was performed to study the possibility to express the

models with a visual language
Questions the expressiveness of agent-based modeling languages
And the transformation of these models to different platforms
Repast
Mason
Model validation through replication
Publications:
Visual Modeling for Complex Agent-Based Simulation Systems. In: J.

Sichman and L. Antunes (Eds.): Multi-Agent-Based Simulation, Sixth
International Workshop on Multi-Agent-Based Simulation (MABS
2005)
Agent-Based Simulation Replication: a Model Driven Architecture
Approach. In: A. Gelbukh et al (Eds.): Fourth Mexican International
Conference on Artificial Intelligence (MICAI-2005)
71
Conclusiones
El modelado grfico puede ser ms cercano a las

necesidades de los usuarios
Casos de estudio usando un lenguaje de modelado de

agentes
Desde SMA simples a complejos
Definicin de lenguajes especficos del dominio
Framework flexible que pueda adaptarse a diferentes

plataformas finales
Tcnicas de generacin de cdigo automtico

Permite la replicacin [Sansores and Pavn, MICAI 2005]
Reutilizacin de patrones
Necesidad de aprender y entender a los socilogos
Cmo modelar los problemas y teoras de la sociologa y la

economa?
72
SiCoSSys Goals
Provide a well-sound methodological framework for the

treatment of complexity by policy makers and social
scientists
An updated theoretical body of knowledge
A set of tools that enable scenario simulation
A collection of case studies to guide and demonstrate the

applicability of the framework
This framework will be based on agent-oriented modelling

and simulation methods and tools
SiCoSSys Project
03/2011
73
SiCoSSys Approach
SiCoSSys
methodology
Case study
Case study
concepts
INGENME
Domain
Specific
Modelling
language
customize
IDK
MDE
based
tools
code gen.
Agent
Simulation
Platform
...
Case study
Case study
SiCoSSys Project
concepts
Domain
Specific
Modelling
language
customize
03/2011
MDE
based
tools
code gen.
Agent
Simulation
Platform
74
Roles in SiCoSSys methodogy (1): UVA-INSISOC
SiCoSSys user: models and simulates
Simulation and
validation of models
Modelling with domain

specific language editor
SiCoSSys Project
03/2011
75
Roles in SiCoSSys methodogy (2): UCM-GRASIA
SiCoSSys engineer: prepares the tools
Defines metamodel
for a concrete
domain and can
customize the editor
Implements modules for

verification/validation
Creates code
generation modules
SiCoSSys Project
03/2011
76
Bibliografa
Bsica:
N. Gilbert y K.G. Troikzsch (2005). Simulation for the Social

Scientist. Open University Press.
Referencias:
R. Axelrod (1997). Advancing the art of simulation in the social

sciences. Complexity, 3(2):16-22
B. Edmonds and S. Moss (2004). From KISS to KIDS - An 'Antisimplistic' Modelling Approach. In P. Davidsson, B. Logan, and K.
Takadama, editors, MABS, Lecture Notes in Computer Science 3415,
Springer Verlag, 130-144.
C. Lozares (2004). La simulacin social, una nueva manera de
investigar en ciencia social? Papers 72, pp. 165-188
C. M. Macal y M. J. North (2005). Tutorial on Agent-Based Modeling
and Simulation. Proc. 2005 Winter Simulation Conference, pp. 2-14
Ross A. Hammond and Robert Axelrod (2005). The Evolution of
Ethnocentrism,
http://www-personal.umich.edu/~axe/research/Hammond-Ax_Ethno.pdf
77
Research issues: complexity
Complejidad de los modelos
Todos los modelos hacen una abstraccin (ignoran) algunas

caractersticas de la realidad
Cuanto ms complejo sea el modelo
Ms complicado ser construirlo y validarlo
Ms cercano ser a la realidad
Qu nivel de abstraccin adoptar?
KISS: Keep It Simple and Stupid
KIDS: Keep It Descriptive, Stupid
(R. Axelrod, 1997)

(B. Edmonds and S. Moss, 2004)
78
Research issues: complexity
MAS models are being used to simulate social systems
Emergent behaviors instead of complex mathematical models
Great flexibility
Examples of agent simulation toolkits: Netlogo, RePast,

Mason, SMDL,
But
Specifying the simulation model requires a deep
knowledge of programming language and
simulation environment
Replication problem
Scalability issues
79
Cuestiones a investigar: Modelado vs. programacin
Herramientas de modelado
Los expertos en ciencias sociales

No son expertos en informtica
Dificultad para utilizar las herramientas existentes
Requieren conocimientos de programacin (p.ej. Java)
Repast ofrece con Repast Simphony facilidades para modelar

sin codificar
Netlogo ofrece muchas facilidades
Modelos sencillos
MASS
Lenguaje funcional para describir modelos (FABLES)
Wizards para visualizar y analizar resultados
INGENIAS intenta adaptar el lenguaje de modelado de

agentes a dominios de simulacin social
Y luego generar cdigo en plataformas de simulacin usando
tcnicas de Model Driven Development
80
1: Facilitar el modelado (usando INGENIAS)

Social Phenomena to Model
MAS Graphical Editor
MAS
Organization
Metamodel
Interaction
Metamodel
Agents
Metamodel
Environment
Metamodel
Goals/Tasks
Metamodel
Domain specific
editors defined by
metamodels
INGENIAS
Development Kit
(IDE)
Developed with
INGENIAS Eclipse plugin
Code Generator
Agent-Grid Enabler Add-on
81
2: Ejecucin en mltiples plataformas
Simulation Agents
Monitor Agents
ABSS Framework
Agent Info
Grid Services
Simulation
Manager
Java Execution
Grid Services
Program
Execution
Schedulers
Grid Services
Data Services
Core Services
Globus Grid Infrastructure
WS-Resource Framework
Web Services Messaging, Security, Etc.
82
Cuestiones a investigar: Escalabilidad
(Cioffi-Revilla 2002) demuestran empricamente que
El tamao depende del tiempo en muchos sistemas sociales

Y el tamao de un grupo o sistema influye en la evolucin de
sistemas o procesos con accin colectiva
Por ejemplo, el concurso del dilema del prisionero iterado
Por esta razn es necesario poder escalar los modelos, sin limitar
su tamao
Hemos hecho pruebas con RePast para un modelo de simulacin

de la bolsa (IBEX35) y soporta hasta 13000 agentes aprox.
Es importante la definicin de un planificador avanzado para mejorar

la eficiencia
Pero hay limitaciones de gestin de memoria
Conclusin: es necesaria la distribucin de la simulacin
Una posibilidad es usar grid computing
83

Simsistsoccomplags PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Simsistsoccomplags PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Simulacin de sistemas complejos con agentes

Xalapa, 13 de mayo 2011

UCM-GRASIA Research Group

Team (oct. 2010)

7 PhD students (MEC, UCM, Conacyt, project fellowships):

Undergraduate students (MEC, UCM and companies

SiCoSSys project, 2010

Simulacin de sistemas complejos con agentes

UCM-GRASIA Research Lines

SiCoSSys project, 2010

Simulacin de sistemas complejos con agentes

UCM-GRASIA Research Lines

R&D on Software Agents: Engineering and Applications

Agent oriented software engineering

Ambient Assisted Living

SiCoSSys project, 2010

Simulacin de sistemas complejos con agentes

Simulacin de sistemas complejos con agentes

SiCoSSys project, 2010

Simulacin de sistemas complejos con agentes

Lineal: el efecto sobre una variable dependiente es

Juan Pavn Mestras

Ingeniera del Software Orientada a Agentes

Comportamientos simples y reglas simples dan lugar a

Juan Pavn Mestras

Ingeniera del Software Orientada a Agentes

Un fenmemo es emergente si requiere nuevas categoras

Juan Pavn Mestras

Ingeniera del Software Orientada a Agentes

La organizacin global aparece sin planificacin central, a

Bandadas o bancos de peces

Juan Pavn Mestras

Ingeniera del Software Orientada a Agentes

Los primeros modelos en teora econmica y teora

Adopta decisiones ptimas en un ambiente muy especificado

Desde Herbert Simon (1954) se asume una racionalidad

Existen lmites prcticos a la racionalidad humana:

Juan Pavn Mestras

Ingeniera del Software Orientada a Agentes

Las interacciones humanas estn infludas por su lugar en

Las interacciones locales son ms importantes que las

Juan Pavn Mestras

Ingeniera del Software Orientada a Agentes

SiCoSSys project, 2010

Simulacin de sistemas complejos con agentes

Simulacin vs. Experimentacin

Experimentacin: implica la aplicacin de un tratamiento a un

Muchas veces esto no es posible

Cul sera el efecto de limitar el nmero de nios por familia en la demografa?

Simulacin: permite experimentar en un Modelo

Si el modelo es suficientemente bueno, reaccionar de manera

SiCoSSys project, 2010

Simulacin de sistemas complejos con agentes

Simulacin de sistemas complejos con agentes

Una coleccin de individuos

Todos estos factores evolucionan en el tiempo

Interacciones/comunicacin entre ellos (directa o a travs del

SiCoSSys project, 2010

Simulacin de sistemas complejos con agentes

Una coleccin de individuos (agentes)

Interactan entre ellos

Pueden formar organizaciones

El paradigma de agentes es una buena abstraccin