Badanie IQS rynku oraz wnioski z badania NRRAS

Uzyskane wyniki, które zostały zebrane w tabelach 5.2 i 5.3 pozwalają stwierdzić, iż udało się tak skonfigurować świat oraz dokonać szeregu arbitralnych decyzji (na podstawie dużej liczby próbnych symulacji), które pozwoliły na osiągnięcie stabilności rynkowej. Początkowy spadek liczby agentów spowodowany jest poszukiwaniem przez nich źródeł zasobów oraz lepszego rynku do prowadzenia wymiany – Ci agenci, którym nie udało się dotrzeć do źródła pożywienia są usuwani ze środowiska (warto zauważyć, iż wskaźnik „umieralności” jest nieznacznie większy dla sytuacji referencyjnej gdyż z punktu widzenia każdego agenta jest mniejsza dostępna dla niego liczba zasobów, a co za tym idzie średnia odległość do najbliższego możliwego do pobrania źródła zasobu jest większa). Po kilkunastu turach symulacji rynek się stabilizuje – zarówno dla sytuacji referencyjnej jak i rynku z mechanizmami komunikacji społecznej. Na uwagę zasługują stosunkowo niewielkie odchylenia standardowe od średnich wartości podstawowych parametrów ekonomicznych co dodatkowo potwierdza wniosek o uzyskaniu stabilnej sytuacji na rynku podczas symulacji. Wyniki zebrane w tabelach 5.2 oraz 5.3 pozwalają na zaobserwowanie jeszcze jednego ciekawego zjawiska: dodatniej korelacji PKB z wielkością obrotów – jest to zgodne z rzeczywistymi danymi dla gospodarki polskiej. Pozwala to przypuszczać iż założenia poczynione podczas budowy modelu były słuszne i kierunek badań polegający na adaptacji do modelu EcoMASCI kolejnych modeli mikroekonomicznych być może pozwoli w przyszłości zbudowanie modelu gospodarki polskiej i nadanie symulacjom bardziej praktycznego wymiaru z punktu widzenia ekonomii.

Na podstawie uzyskanych wyników można dokonać obliczenia IQS rynku. W związku z tym, że jest to pierwsze tego typu badanie to konieczne jest pewna interpretacja wyniku. Ponieważ sam wskaźnik IQS oparty na PKB niewiele mówi warto wprowadzić pomocniczy wskaźnik, w którym uzyskany wynik będzie odniesiony do wyników uzyskanych w referencyjnej grupie społecznej – którą stanowi rynek składający się z agentów

„samowystarczalnych” nie prowadzących ze sobą wymiany. W tabeli 5.4 zebrane zostały wyniki IQS oraz wskaźnik ∆IQS obliczony w następujący sposób:

∆IQS = ^{P KBCE–P KBRE} P KBRE

przy czym:

PKBCE

– PKB osiągnięty w symulacji z włączonymi mechanizmami komunikacji przy danej definicji środowiska (oraz agentów)

PKBRE

– PKB osiągnięty w symulacji z wyłączonymi mechanizmami komunikacji przy danej definicji środowiska (oraz agentów)

Tabela 5.4: Wybrane wyniki badania wskaźnika IQS oraz ∆IQS dla rynku. Rynek referencyjny Rynek z wymianą ri=1 Rynek z wymianą ri=2 Rynek z wymianą ri=3 Rynek z wymianą ri=4 Rynek z wymianą ri=5 Rynek z wymianą ri=7 Rynek z wymianą ri=10 IQS NA 114 815 131 144 136 165 142 982 149 714 153 963 160 139 ∆IQS NA 0,73 0,83 0,86 0,90 0,95 0,97 1,01

Wskaźnik ∆IQS może być interpretowany jako parametr oznaczający efektywność rynku w wyniku zaistnienia mechanizmów społecznych zdefiniowanych przez paradygmat NRRAS, na który składają się:

• możliwość wymiany towaru na rynku,

• profile produkcyjne agentów biorące pod uwagę potrzeby innych (na podstawie doświadczeń agenta z wcześniejszych transakcji oraz obserwacji rynku).

Wskaźnik ten może określać NRRAS i jest zależny od pewnych zewnętrznych zmiennych związanych z rynkiem: w doświadczeniach zmienna tą był promień interakcji agentów, który determinował możliwość zawarcia transakcji. Dla badanego świata w wyniku działania procesów NRRAS efektywność rynku mierzona wskaźnikiem ∆IQS wzrosła od 73% do 100%. Należy zaznaczyć, iż wartość tego wskaźnika jest bardzo zależna od sposobu definicji preferencji agentów i ich możliwości produkcyjnych. Warto też dodać, iż w skonstruowanym modelu nie udało się uzyskać ujemnej wartości tego wskaźnika – dzieje się tak za sprawą wykorzystania omówionej w rozdziale czwartym reguły Pareto wykorzystanej do implementacji mechanizmu transakcji. Warto pamiętać iż genezą wprowadzenia wskaźnika IQS w modelu obliczeniowym Kolektywnej Inteligencji były pomiary ludzkiej inteligencji przy pomocy ilorazu inteligencji oznaczanego IQ. Wzrost IQ u człowieka o 70% może oznaczać przejście od najniższego pułapu inteligencji (zwanego debilizmem) do najwyższego (geniusz). Z kolei ekonomiczna geneza wskaźnika IQS dla rynku oparta na PKB pozwala zinterpretować osiągnięte rezultaty jako bardzo dynamiczny wzrost gospodarczy. Warto pamiętać, że

osiągnięcie przez gospodarkę dwucyfrowej dynamiki wzrostu PKB jest uważane przez ekonomistów za fenomen (np. genezą sformułowania „tygrysy azjatyckie” jest właśnie zaobserwowany w krajach azjatyckich trwały wysoki wzrost gospodarczy).

6. Podsumowanie

W niniejszej rozprawie dokonana została próba opisania paradygmatu Niewidzialnej Ręki Rynku za pomocą modelu obliczeniowego Kolektywnej Inteligencji oraz wybrane zagadnienia dotyczące budowy systemów symulacyjnych dla potrzeb ekonomii. W tym celu wykorzystany został zaproponowany model systemu agentowego, w którym do opisu zachowania poszczególnych agentów reprezentujących uczestników rynku, wykorzystane zostały modele matematyczne wywodzące się z teorii ekonomii, w szczególności Teoria Preferencji oraz Teoria Wymiany Rynkowej. Następnie zaproponowana została transformacja tak opisanego modelu do molekularnego modelu obliczeń wykorzystywanego przez Kolektywną Inteligencję. Połączenie paradygmatów agentowych oraz Kolektywnej Inteligencji miało na celu stworzenie narzędzia łączącego zalety obu podejść oraz stworzenie innowacyjnego modelu do opisu paradygmatu Niewidzialnej Ręki Rynku.

Opisany model został pilotowo zaimplementowany w postaci symulatora rynkowego, który umożliwił dokonanie doświadczeń, w których do pomiaru Niewidzialnej Ręki Rynku został zdefiniowany wskaźnik IQS wprowadzony przez model obliczeniowy Kolektywnej Inteligencji. Pozwoliło to na weryfikację hipotezy stanowiącej tezę niniejszej rozprawy, iż model taki pozwala nie tylko na opis rodziny procesów rynkowych określanych mianem Niewidzialnej Ręki Rynku, ale również na dokonanie pomiarów tego zjawiska. Poza możliwością zastosowania modelu obliczeniowego Kolektywnej Inteligencji do opisu tego paradygmatu oraz zaproponowania jego pomiaru stworzony prototyp pozwala na badanie efektywności rynku w zależności od różnych czynników, do których mogą należeć: różne strategie produkcji i konsumpcji dóbr przez uczestników rynku, różne strategi migracji itp.

Kolejną zaletą zaproponowanego w pracy modelu agentowego może być łatwość jego rozszerzania poprzez adaptację innych modeli ekonomicznych opisujących zachowanie uczestników rynku. Warto zauważyć, iż zaproponowany wskaźnik pomiaru efektów Niewidzialnej Ręki Rynku oparty jest na makroekonomicznej definicji wskaźnika PKB i pozwala ponadto na pomiar zachowań społecznych uczestników rynku opisanych przez matematyczne modele mikroekonomiczne, które są zgodne z paradygmatem Niewidzialnej Ręki Rynku.

Do największych osiągnięć niniejszej rozprawy, zdaniem autora, należy zaliczyć:

1. Zastosowanie zaproponowanego podejścia pozwoliło na uzyskanie bardzo elastycznej architektury modelu systemu, która łatwo może być wzbogacana o kolejne elementy. Warstwowa architektura, w której górną warstwę stanowi model agentowy systemu, pozwala na łatwą adaptację nowych modeli ekonomicznych i nie ma wpływu na warstwę niższą, obliczeniową, którą stanowi molekularny model obliczeń.

2. Zaproponowanie wskaźnika umożliwiającego pomiar rezultatów działania Niewidzialnej Ręki Rynku w modelu symulacyjnym. Wskaźnik ten wywodzi się z teorii Kolektywnej Inteligencji i oryginalnie pozwala na pomiar efektu synergii wytwarzanego przez strukturę społeczną. W niniejszej rozprawie wskaźnik ten oparty jest na definicji makroekonomicznej PKB i zachowuje ponadto wszystkie cechy swego pierwowzoru. Wprowadzenie tego wskaźnika może stanowić swoistą propozycję pomostu pomiędzy mikroekonomią, która zajmuje się badaniem pojedynczych rynków oraz zachowań pojedynczych uczestników rynku, a makroekonomią, która zajmuje się opisem gospodarki jako całości. Należy zaznaczyć, iż wskaźnik IQS dla rynku pozwala na pomiar efektu synergii związanego z utworzeniem przez uczestników rynku struktury społecznej, w której do opisu komunikacji wykorzystane zostały modele mikroekonomiczne. Stanowi to zdaniem autora istotny krok w kierunku syntezy mikro i makroekonomii co jest dzisiaj przedmiotem badań ekonomii neoklasycznej. Ponadto zaproponowana definicja stanowi próbę odpowiedź na pytanie, które pojawia się w opracowaniu T. Szuby [Szuba01c] – „czy możliwy jest pomiar Kolektywnej Inteligencji całego narodu?”. Wydaje się, że zaproponowana definicja IQS opierająca się na definicji PKB częściowo odpowiada na to pytanie – jest to możliwe i zostało zrealizowane w modelu symulacyjnym natomiast zasadniczą trudność sprawia przeniesienie definicji tego wskaźnika na rzeczywisty grunt – z racji braku możliwość zdefiniowania punktu odniesienia (w modelu symulacyjnym punkt odniesienia stanowi gospodarka, w której każdy produkuje dobra jedynie na swoje potrzeby).

3. Zaproponowanie i zaimplementowanie systemu w oparciu o architekturę warstwową, w której warstwę wyższą stanowi system agentowy, natomiast warstwę niższą, reprezentującą warstwę obliczeniową, stanowi molekularny model obliczeniowy, pozwala postawić hipotezę, iż taki model obliczeniowy może być w sposób efektywny skonstruowany dla wybranych modeli systemów agentowych.

4. Poprzez zastosowanie opisanej architektury systemu osiągnięte pewne cechy poza funkcjonalne takie jak łatwość rozszerzania systemu i skalowalność. Powyższe cechy można osiągnąć poprzez odpowiednie zastosowanie paradygmatu agentowego, który wprowadza podział systemu na luźno powiązane komponenty komunikujące się za pomocą asynchronicznych wiadomości. Osiągnięcie skalowalności systemu może być uzyskane dzięki możliwości łączenia wielu komputerów w jedną maszynę wirtualną, w której wykonywany jest program agentów co ponadto pozwala na osiągnięcie wysokiej niezawodności systemu dzięki ograniczeniu zależności pomiędzy jego elementami. 5. Dokonano przeglądu dotychczasowych podejść do agentowych symulacji rynkowych co

Należy zaznaczyć, iż powyższe zagadnienia nie wyczerpują omawianej tematyki a pozwalają jedynie na ustanowienie zrębów dla nowej metodologii. Prezentowany system pomimo warstwowej budowy charakteryzuje się dużą złożonością i ogarnięcie wszystkich aspektów jego działania wydaje się rzeczą trudną. Kluczowe założenia działania systemu zostały opisane na dużym poziomie ogólności, dzięki czemu nie powinny nastręczać problemów w interpretacji, natomiast wszelkie działania w kierunku praktycznej realizacji wymagają podjęcia wielu arbitralnych decyzji, które mogą pociągać za sobą daleko idące skutki. Przyjęte w pracy rozwiązania zarówno na poziomie modelu systemu oraz jego realizacji są wynikiem wnikliwych badań i bardzo wielu eksperymentów symulacyjnych. Stanowią one tylko pierwszy krok w kierunku spójnej metodologii opisu procesów Niewidzialnej Ręki Rynku.

Zakres najbliższych badań autora został zasygnalizowany w ogólnej koncepcji modelu EcoMASCII omawianej w rozdziale czwartym oraz pilotowe wyniki eksperymentów, które zostały zebrane w niektórych publikacjach autora z badanego obszaru [Skrzynski09c]. Badania te powinny obejmować takie zagadnienia jak:

• Wprowadzenie do systemu EcoMASCII modelu wymiany opartego na pieniądzu (warto zwrócić uwagę, iż model wymiany, na którym opierały się eksperymenty opisane w rozdziale piątym był gospodarką typowo barterową – „towar za towar”). Okazuje się, że wprowadzenie pieniądza stanowić może dodatkowy mechanizm komunikacji w grupie społecznej tworzonej przez uczestników rynku – jedną z funkcji pieniądza jest właśnie ułatwienie wymiany dóbr na rynku. Z punktu widzenia Kolektywnej Inteligencji bardzo ciekawa analiza funkcji pieniądza została przeprowadzona w piątym rozdziale książki T. Szuby [Szuba01c].

• Wprowadzenie do systemu EcoMASCII następnego elementu systemu ekonomicznego, który stanowi sfera finansowa (reprezentowana w świecie rzeczywistym przez banki, firmy ubezpieczeniowe itp.). W teorii celem istnienia sfery finansowej jest stymulowanie produkcji w sferze realnej – z punktu widzenia modelu Kolektywnej Inteligencji wprowadzenie sfery finansowej z usługami które oferuje (np. udzielenie kredytu) stanowi dodatkowy mechanizm komunikacji w strukturze społecznej utworzonej przez uczestników rynku.

W dalszej perspektywie planuje się podejście do opisu paradygmatu Niewidzialnej Ręki Rynku jako efektu powstania tzw. Spontanicznego Procesu Obliczeniowego w wirtualnym świecie rynku na co wskazuje słowo „obliczeniowy”. Proces rozumiany jako uporządkowany w czasie ciąg zmian i stanów zachodzących po sobie, wskazuje, że obiekt będzie zmieniał się w czasie lecz w danym momencie będzie się dało zaobserwować jego stan. Spontaniczność poszukiwanego zjawiska przejawia się natomiast w sposobie jego powstania i rozwoju. Z założenia, zgodnie z paradygmatem Niewidzialnej Ręki Rynku, proces taki nie jest

zaprojektowany i zapoczątkowany przez celowe działanie uczestnika rynku, lecz jest zjawiskiem powstałym spontanicznie, jako efekt uboczny jego działań, wyłaniającym się w środowisku przy udziale zdarzeń losowych. Badania nad powstaniem takiego procesu w wirtualnym świecie, nie rynku, lecz internetu, były prowadzone już przez grupę T. Szuby [Stasiak07]. Próba adaptacji takiego podejścia do rozszerzenia zaproponowanego w niniejszej pracy modelu stanowi ciekawe uzupełnienie i kontynuację tego nurtu badań.

Literatura

[Adleman94] Leonard Adleman, Molecular Computation of Solutions to Combinatorial Problems, Science, 266: 1021-1024, 1994.

[Adleman96] Leonard Adleman, On constructing a Molecular Computer. In DNA Based Computers, DIMACS: Series in Discrete Mathematics, American Mathematical Society, 1996.

[Ben98a] E. Ben-Jacob, I. Cohen, D. L. Gutnick, Cooperative organization of bacterial colonies – from genotype to morphotype, Annual Review Microbiology, 52, 1998.

[Ben98b] E. Ben-Jacob, Bacterial wisdom, Gödel's Theorem and creative genomic webs, Physica A, 248:57-76, 1998.

[Begg08] David Begg, Stanley Fisher, Rudiger Dornbusch, Mikroekonomia, Polskie Wydawnictwo Ekonomiczne, Wyd. 4, 2008.

[Blaug94] Mark Blaug, Teoria ekonomii. Ujęcie retrospektywne, Wydawnictwo Naukowe PWN, s. 78-79, 81-82, 598, 599, 601, 604, 701, 1994.

[Boanabeau99] Eric Boanabeau, Marco Dorigo, Guy Theraulaz, Swarm Intelligence: from Natural to Artificial Systems, Oxford University Press, New York, 1999. [Boanabeau01] Eric Boanabeau, Christopher Meyer, Swarm Intelligence: A Whole New

Way to Think About Business,, Harvard Business Review, 5: 107-114, 2001.

[Bochenek04] Mirosław Bochenek, Szkice o ekonomii i ekonomistach, s. 10, Toruń, 2004.

[Brewka06] Gerhard Brewka, Silvia Coradeschi, Anna Perini, Paolo Traverso, Proceedings of ECAI’2006, 17th European Conference on Artificial Intelligence, Frontiers in Artificial Intelligence and Applications, ISBN 1-58603-642-4 IOS Press 2006.

[Buda99] Rodollphe Buda, Market Exchange Modelling Experiment, Simulation Algorithms, and Theoretical Analysis, MPRA paper no 4196, University Library of Munich, Germany, 1999.

[Bylok01] Felicjan Bylok, Jan Sikora, Bożenna Sztumska: Wybrane aspekty socjologii rynku, Wydawnictwo Wydziału Zarządzania Politechniki Częstochowskiej, 2001.

[Caldwell96] D. E. Caldwell, J. W. Costerton, Are bacterial biofilms constrained to Darwin's concept of evolution through natural selection? Microbiología SEM 12, 1996.

[Cetnarowicz96] Krzysztof Cetnarowicz, M-Agent Architecture Based Method of Development of Multiagent Systems. Proceedings of International Conference on Physics Computing, 1996.

[Cetnarowicz97a] Ewa Cetnarowicz, Edward Nawarecki, Krzysztof Cetnarowicz, Agent oriented technology of decentralized systems based on the M-Agent architecture, Proceedings of the MCPL’97 IFAC/IFIP Conference, 1997. [Cetnarowicz97b] Krzysztof Cetnarowicz, Grzegorz Dobrowolski, Małgorzata Żabińska,

Środowisko do symulacji systemów wieloagentowych w oparciu o architekturę M-agenta, Materiały I Krajowej Konferencji Metody i systemy komputerowe w badaniach naukowych i projektownaiu inżynierskim, Krakowskie Centrum Informatyki Stosowanej CCATIE, Kraków 1997.

[Cetnarowicz97c] Krzysztof Cetnarowicz, Grzegorz Dobrowolski, Małgorzata Żabińska, M-Agent Architecture and its application to the agent oriented technology, Proceedings of International Workshop on Distributed Artificial Intelligence and Mulit-Agent Systems DAIMAS’97, St. Petersburg, 1997. [Cetnarowicz99] Krzysztof Cetnarowicz, Problemy projektowania i realizacji systemów

wieloagentowych, Uczelniane Wydawnictwa Naukowo-Dydaktyczne AGH, 1999.

[Cetnarowicz02] Krzysztof Cetnarowicz, Pablo Gruer, Vincent Hilaire, Abder Koukam A formal specification of M-agent architecture, From theory to practice in multi-agent systems: second international workshop of Central and Eastern Europe on Multi-Agent Systems, CEEMAS 2001, Lecture Notes in Computer Science, v. 2296 Lecture Notes in Artificial Intelligence, Springer-Verlag, 2002.

[Chmiel10] Jacek Chmiel, System symulacji rynku z działającymi przedsiębiorstwami, 2010

URL: http://www.ia.pw.edu.pl/~janusz/wdec/lab/lab10_jsim.pdf

[Clerc06] Maurice Clerc, Particle Swarm Optimization, ISTE, 2006.

[Cobb28] Cobb Charles, Douglas Paul, A Theory of Production, American Economic Review, v. 18, s.139–165, 1928.

[Coen94] Michael Coen, SodaBot: A Software Agent Environment and Construction System, Proceedings of 1994 CIKM Workshop on Intelligent Information Agents, 1994.

[Dorigo92] Marco Dorigo, Optimization, Learning and Natural Algorithms, PhD thesis, Politecnico di Milano, Włochy, 1992.

[Dorigo97a] Marco Dorigo, Luca M. Gambardella, Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem, IEEE Transactions on Evolutionary Computation, vol. 1, nr 1, 53-66, 1997. [Dorigo97b] Marco Dorigo, Luca M. Gambardella, Ant colonies for the traveling

salesman problem, BioSystems, 43: 73-81, 1997.

[Dorigo05] Marco Dorigo, C. Blum, Ant colony optimization theory: A survey, Theoretical Computer Science, 344: 243–278, 2005.

[Eichelberger06] C. Eichelberger, M. Hadzikadic, Investigating Agent Strategies within a Complex Adaptive System of Purchasing Agents for Estimating Attribute Relevance, Proceedings of the 2006 IEEE/WIC/ACM international conference on Web Intelligence and Intelligent Agent Technology, 2006.

[Feder07] Toni Feder, Statistical physics is for the birds, Physics today 60 (10): 28– 30, 2007.

[Foner96] Lenny Foner, What's an Agent, Anyway? A Sociological Case Study, white paper, 1996.

[Forgy82] Charles Forgy, Rete: A Fast Algorithm for the Many Pattern/ Many Object Pattern Match Problem, Artificial Intelligence 19 (1982):17-37, 1982. [Franklin96] Stan Franklin, Art Gassner, Is It An Agent Or Just A Program? A taxonomy

For Autonomous Agents, Proceedings of the Third International Workshop on Agent Theories, Architectures, and Languages, Springer-Verlag, 1996. [Freifelder87] D. Freifelder, Molecular biology, Jones and Bartlett Publishing, Boston,

1987.

[Fuqua94] W. C. Fuqua, S. C. Winans S. C., E. P. Greenberg, Quorum sensing in bacteria: the LuxR-LuxI family of cell density-responsive transcriptional regulators. J. Bacteriol., 76, 1994.

[Gambardella99] Luca M. Gambardella, E. Taillard, M. Dorigo, Ant colonies for the Quadratic Assignment Problem, Journal of the Operational Research Society, 50:167-176, 1999.

[Gifford94] David Gillford, On the Path to Computation with DNA, Science, 266: 993-994, 1994.

[Goldwell05] Michael Goldwell, Punkt przełomowy, Świąt Książki, Warszawa 2005. [Griffin98] R. Griffin, Podstawy zarządzania organizacjami, PWN, Warszawa 1998. [Harshey94] R. M. Harshey, Bees aren't the only ones: swarming in gram-negative

bacteria, Molecular Microbiology, 13, 1994.

[Hayes95] Barbara Hayes-Roth, An Architecture for Adaptive Intelligent Systems, Artificial Intelligence: Special Issue on Agents and Interactivity, 1995. [Hobbes54] Thomas Hobbes, Lewiatan czyli materia, forma i władza państwa

[Hobbes56] Thomas Hobbes, Elementy filozofii, PWN, 1956.

[Holldobler90] Wilson Hölldobler, The ants. The Belknap Press of Harvard University, 1990.

[Izquierdo06] S. Izquierdo, L. Izquierdo, The impact on market efficiency of quality uncertainty without assymetric information, Workshop on Agent-Based Models of Consumer Behaviour and Market Dynamics, Guildford UK, 2006.

[Jennings98] N. R. Jennings, K. Sycara, M. J. Wooldridge, A Roadmap of agent research and development, Journal of Autonomous Agents and Multi-Agent Systems, 1/1, 1998.

[Jess10] Dokumentacja online systemu Jess: http://www.jessrules.com/jess/docs/71 [Jorion05] Paul Jorion, Adam Smiths Invisible Hand Revisited. An Agent-Based

simulation of the New York Stock Exchange, 2005. URL: http://www.pauljorion.com/index-page-7.html

[Joyce01] Helen Joyce, Adam Smith and the invisible hand, Millennium Mathematics Project, Plus Magazine, 2001.

[Kacperski09] Jacke Kasperski, Szkoła austriacka wobec socjalizmu, interwencjonizmu i współczesnych problemach wolnego rynku, Wydawnictwo Prohibita, Warszawa 2009.

[Kamerschen99] David Kamerschen, Richard McKenzie, Clark Nardinelli, Ekonomia, Wydawnictwo Bernardinu, Wyd. 4, Pelplin 1999.

[Kennedy95] J. Kennedy, R. Eberhart, Particle swarm optimization, Proceedings of the IEEE Int. Conf. on Neural Networks, Piscataway, NJ, 1942–1948, 1995. [Kerkhove98] Derrick de Kerkhove, Powłoka kultury, Zysk i S-ka, Warszawa 1998. [Kisiel00] Marek Kisiel-Dorohinicki, Zastosowanie procesów ewolucyjnych w

[Kisiel01] Marek Kisiel-Dorohinicki, Grzegorz Dobrowolski, Edward Nawarecki, Evolutionary multi-agent system in multiobjective optimisation, Applied Informatics: [Symposium 1]: artificial intelligence & applications : proceedings of the IASTED’01, ACTA Press, 2001.

[Kirkpatrick83] S. Kirkpatrick, C. D. Gelatt, M. P. Vecchi, Optimization by Simulated Annealing, Science, New Series 220, 4598: 671-680, 1983.

[Klimczak06] Bożena Klimczak, Mikroekonomia, Wydawnictwo AE Wrocław, Wyd. 7, 2006.

[Landreth05] Harry Landreth, David C. Colander, Historia myśli ekonomicznej, Wydawnictwo Naukowe PWN, s. 32, Warszawa 2005.

[Levy97] Pierr Levy, Die kollektive Intelligenz, 120-123, Bollmann Kommunikation & Neue Medien, Mannheim 1997.

[Li08] Li Pei Wong, Low MYH, Chin Soon Chong, Bee colony optimization with local search for traveling salesman problem, 6th IEEE International Conference on Industrial Informatics INDIN, 2008: 1019-25, IEEE, Piscataway, 2008.

[Licklider68] Joseph Licklider, Robert Taylor, The Computer as a Communications Device, 1968.

[Lipsey56] Richard G. Lipsey, Kelvin Lancaster, The General Theory of Second Best, The Review of Economic Studies, 24/1: 11–32, 1956.

[Lipton95] Richard J. Lipton, DNA Solution of Hard Computational Problems, Science, 268: 542–545; 1995.

[Lucas91] Peter Lucas, Linda van der Gaag, Principles of Expert Systems, Addison-Wesley, 1991.

[Maes90] Patie Maes, Designing Autonomous Agents, Cambridge, MA: MIT Press, 1990.

[Maes95] Patie Maes, Artificial Life meets Entertainment: Lifelike Autonomous Agents, Communications of the ACM, Special Issue on New Horizons of Commercial and Industrial AI, Vol. 38, No. 11, 1995.

[Mathieu96] L.G. Mathieu, S. Sonea, Time to drastically change the century-old concept about bacteria, Science Tribune, 8, 1996.

[Michalewicz92] Zbigniew Michalewicz, Genetic algorithms + data structures = evolution programs, Springer, 1992.

[Michelsen92] A. Michelsen, B. B. Andersen, J. Storm, W. H. Kirchner, M. Lindauer M., How honeybees perceive communication dances, studied by means of a mechanical model, Behavioural Ecology and Sociobiology 30, 1992. [Montemanni05] R. Montemanni, L. M. Gambardella, A. E. Rizzoli, A. V. Donati, Ant

colony system for a dynamic vehicle routing problem, Journal of Combinatorial Optimization, 10: 327-343, grudzień 2005.

[Morawski01] Witold Morawski, Socjologia ekonomiczna. Warszawa: Wydawnictwo Naukowe PWN, 2001.

[Müller96] J. P. Müller97, The design of Intelligent Agents: A Layered Approach, Lecture Notes in Artificial Intelligence, v. 1177, Springer-Verlag, 1996. [Müller97] J. P. Müller, M. Wooldridge, N. R. Jennings, Intelligent Agents III:

Proceedings of ECAI’96 Proceedings of ECAI’96 Workshop on Agent Theories, Architectures and Languages, Architectures and Languages, Lecture Notes in Artificial Intelligence, v. 1193, Springer-Verlag, 1997. [Nakashima07] Tomoharu Nakashima, Hisao Ishibuchi Chi-Hyon Oh, Competition

between strategies for a market selection game, 2007

URL: http://www.complexity.org.au/ci/vol06/ishibuchi-oh/ishibuchi-oh.html

[Nauberg03] Luc Neuberg, Koen Bertels, Heterogenous trading agent, Complexity vol. 8/3, 28-35, 2003.

[Neumann53] Neumann von John, Morgerstern Oskar, Theory of Games and Economic Behavior, Princeton University Press, 1953.

[November99] Peter November, David Johnstone, Simulating Complex Non-linear Dynamic Systems in Marketing, Proceedings of 17th International Conference of the System Dynamics Society and 5th Australian & New Zealand Systems Conference, Victoria University of Wellington Publishing, New Zealand, 1999.

[Nwana96] H. S. Nwana, Software Agents: An Overview, The Knowledge Engineering Review, 11/3, 1996.

[Pasteels87] J. M. Pasteels, J-L. Deneubourg (ed.), From individual to collective

W dokumencie Index of /rozprawy2/10282 (Stron 134-152)