ROCZNIKI GEOMATYKI 2013 m T XI m Z 4(61)
AGENCI W MODELOWANIU AGENTOWYM (ABM)
AGENTS IN AGENT-BASED MODELING (ABM)
Piotr Dzieszko, Katarzyna Bartkowiak, Katarzyna Gie³da-Pinas Uniwersytet im. Adama Mickiewicza w Poznaniu, Wydzia³ Nauk Geograficznych i Geologicznych,Instytut Geoekologii i Geoinformacji, Zak³ad Geoekologii
S³owa kluczowe: modelowanie agentowe (ABM), systemy informacji geograficznej (GIS), geomodelowanie
Keywords: agent-based modeling (ABM), geographical information system (GIS), geomodeling
Wstêp
Modelowanie, obok przedstawiania, analizowania i wyjaniania rozk³adu przestrzennego zjawisk geograficznych, stanowi jedno z podstawowych zadañ systemów informacji geo-graficznej (ang. geographical information systems, GIS). To wieloetapowy proces symulacji zjawisk i procesów, zachodz¹cych w rzeczywistoci. Modelowanie systemów dynamicz-nych, obejmuj¹cych zmiany w czasie i przestrzeni, jest obecnie szybko rozwijaj¹c¹ siê dzie-dzin¹ (Longley i in., 2011). W naukach geograficznych, dziêki mo¿liwoci integracji z syste-mami informacji geograficznej, coraz silniej zaznacza obecnoæ modelowanie agentowe (ang. agent-based modelling, ABM) (OSullivan, 2008).
Modele agentowe s¹ cyfrow¹ reprezentacj¹ systemów z³o¿onych z ró¿norodnych jedno-stek zlokalizowanych w jednym otoczeniu. Jednostki decyzyjne agenci wchodz¹ w inte-rakcje ze sob¹ i otoczeniem oraz d¹¿¹ do osi¹gniêcia postawionych celów (Ligmann-Zieliñ-ska, 2010). Elementami buduj¹cymi ka¿dy model agentowy s¹ zatem: agenci, powi¹zania pomiêdzy nimi i rodowisko ich dzia³ania.
Celem artyku³u jest przedstawienie szczegó³owej charakterystyki agentów, jako podstawo-wego komponentu modelu agentopodstawo-wego, w kontekcie integracji ABM ze rodowiskiem GIS.
Modelowanie agentowe (ABM)
Modelowanie agentowe to narzêdzie pozwalaj¹ce na analizê konsekwencji zachowañ jed-nostek oraz grup reprezentowanych przez agentów (North i in., 2004). ABM pozwala za-równo na budowê modeli deterministycznych, jak i stochastycznych i polega na wydawaniu instrukcji wirtualnym agentom, którzy dziêki nim mog¹ wchodziæ w interakcje ze sob¹ oraz
z otoczeniem. Na model agentowy sk³ada siê struktura systemu i procesy w nim zachodz¹-ce. Najwa¿niejszymi sk³adowymi modelu s¹ agenci i rodowisko ich dzia³ania, to od tych elementów w zasadniczej mierze zale¿¹ wyniki symulacji wykonanych za pomoc¹ ABM. rodowisko agentów to zdefiniowany wirtualny wiat, o dowolnie zdefiniowanych grani-cach. W przeciwieñstwie do agentów, rodowisko stanowi bierny element modelu nie podejmuje decyzji i nie realizuje zasad decyzyjnych. Mo¿e jednak zmieniaæ siê w czasie i w ten sposób wp³ywaæ na zachowania agentów.
Agenci maj¹ postaæ programu komputerowego i s¹ jednostkami potrafi¹cymi podj¹æ de-cyzje, jak¹ czynnoæ wykonaæ, by osi¹gn¹æ za³o¿one cele (Ligmann-Zieliñska, 2010). ABM pozwala na okrelenie zasad decyzyjnych agentów, zdefiniowanie uwarunkowañ, w jakich funkcjonuj¹ oraz zrealizowanie tych zasad w dowolnej liczbie iteracji w celu przeanalizowa-nia rezultatów dzia³aprzeanalizowa-nia systemu.
W tworzeniu modeli agentowych wykorzystuje siê obiektowe jêzyki programowania (np. Java i C++), gotowe zestawy narzêdzi do programowania (np. Repast, SWARM, MASON) lub specjalistyczne platformy do budowy modeli (np. NetLogo, AgentSheets).
Modele agentowe znajduj¹ zastosowanie w wielu dziedzinach nauki, bêd¹c polem ekspery-mentalnym o du¿ym stopniu zaawansowania. Przez integracjê z systemami informacji geogra-ficznej (decyzje agentów maj¹ charakter przestrzenny) modele te zyskuj¹ na funkcjonalnoci.
Agenci w ABM
Definicja i rodzaje agentówDefinicje agentów ró¿ni¹ siê w zale¿noci od przeznaczenia i aplikacji konkretnego mode-lu. Agenci mog¹ mieæ charakter o¿ywiony (np. rolnicy, mieszkañcy, w³aciciele ziemscy, terroryci, zwierzêta) oraz nieo¿ywiony (np. firmy, samochody). Mog¹ tak¿e byæ w modelu pogrupowani w wiêksze jednostki oraz mog¹ byæ mobilni.
Z punktu widzenia programowania obiektowego agenci s¹ abstrakcyjnymi obiektami, którym przypisane s¹ okrelone stany przez wybrane cechy (opisane za pomoc¹ danych, w tym danych przestrzennych) oraz metody (regu³y przetwarzania tych danych) pozwalaj¹ce na podejmowanie decyzji. W toku symulacji agenci, jako instancje (utworzone obiekty) reali-zuj¹ funkcje i wykorzystuj¹ regu³y decyzyjne w celu podjêcia przysz³ych dzia³añ.
Agenci w modelu posiadaj¹ atrybuty, które pozwalaj¹ opisaæ ich aktualny stan, posiadaj¹ te¿ sprecyzowane zasady decyzyjne, które pozwalaj¹ im podejmowaæ decyzje w czasie i przestrzeni oraz czynnoci, które nastêpuj¹ po podjêtej decyzji. Atrybuty i zachowania agen-tów mog¹ byæ zmieniane w ramach w³asnoci predefiniowanych w klasach abstrakcyjnych na pocz¹tku symulacji. Wywo³ywane tym nastêpstwa mog¹ byæ natomiast szeroko analizo-wane. Ta cecha modeli agentowych sprawia, ¿e s¹ pomocne przy analizie problemów o przeró¿nych skalach przestrzennych, czasowych na ró¿nych poziomach organizacji (Brown, 2006). W modelach matematycznych najczêciej wszystkie jednostki s¹ identyczne i nie ró¿ni¹ siê od siebie. Za³o¿eniem modelowania agentowego jest mo¿liwoæ ró¿nicowania agen-tów oraz mo¿liwoæ zastosowania pewnej dozy losowoci w ich zachowaniach, nawet jeli maj¹ podobn¹ lub identyczn¹ budowê. Agenci mog¹ mieæ identyczne atrybuty, ale skrajnie ró¿ne zasady decyzyjne, co pozwala wprowadziæ do modelu bardzo istotny w naukach przyrodniczych element losowoci.
Ze wzglêdu na budowê, agentów dzielimy na s³abych i silnych: s³abi agenci maj¹ uprosz-czon¹ strukturê wewnêtrzn¹ i proste zasady decyzyjne, silni agenci bêd¹ wykorzystywaæ sztuczn¹ inteligencjê, potrafi¹ siê uczyæ, rozwi¹zywaæ problemy i planowaæ. Najczêciej agenci maj¹ kilka sta³ych cech, które nie zmieniaj¹ siê w zale¿noci od zastosowania modelu (tabela).
Tabela. Cechy agentów w przestrzennych modelach agentowych (Franklin, Graesser, 1996; Epstein, 1999; Parker i in., 2003, Macal, North, 2005).
a h c e C Charakterystyka ai m o n o t u A agencis¹jednostkamiautonomciznym,iktóreportaf¹iprzetwarzaæinformacjeiwymeinaiæje ¹ b o s y z d êi m o p æ o n d o r o n ¿ ó R agenciró¿n¹isêiodseibeiartybutam,inp.agencireprezentuj¹cyludzimog¹meiæartybuty ai n e z c ¹³ o p o t ¹ s el a , w ó t n e g a y p u r g æ ei n t si ¹ g o m ;. d ti d ó w a z , æ e³ p , k ei w k a j , ei k a t w ó t y b h c y n z c y t n e d i r ó i b z ei n a , k e t s o n d e j h c y n b o d o p æ o n w y t k A agencis¹aktywn,iwyweiraj¹wp³ywnaprzebeigsymualcij a n ei n ei w a t s a N u l e c ei c êi n g ¹i s o agencimog¹meiæzadanyceldoos¹ignêicai,doktóregod¹¿¹w rtakceisymualcij æ o n w y t k a e R agenciportaf¹iodbeiraæbodcezotoczenaiiwykorzystywaæjewproceseidecyzyjnym a n o z ci n a r g O æ o n l a n o j c a r adgeecnycziyjmnyomg¹,mwoygko¹rbzyyæstyzwaparæojceak³ytolwubancizwêctaiokwisypdoosóstbê,p¿neycizahsróabcjwoneiadlnzoywæzporsotcaenseiei o g e n j y z y c e d u s e c o r p i c o n d o g y r ai w ai n e z s k êi w z u l e c w a n o z ci n a r g o æ o n w y t k a r e t n I agencimog¹keirowaæzapytanaidoinnychagentóworazdootoczenai æ o n li b o M agenciportaf¹iporuszaæsêiwprzesrtzeni êi s ei n e z c U agenciposaidaj¹mo¿ilwoæuczenaisêiizdobywanaidowaidczenai
Abdou i in. (2012) wyró¿niaj¹ cztery podstawowe w³asnoci w ABM, które skupiaj¹ wy¿ej wymienione cechy. S¹ to:
m umiejêtnoæ postrzegania (ang. perception), czyli odczytywanie cech rodowiska, w
którym dany agent siê znajduje oraz dostrzegania s¹siedztwa innych agentów,
m wykonywanie dzia³añ (ang. performance), czyli umiejêtnoci poruszania siê,
komuni-kowania z innym agentami oraz interakcja ze rodowiskiem,
m pamiêæ (ang. memory) obejmuj¹ca zapamiêtywanie poprzednich stanów, w których
znalaz³ siê dany agent i dzia³ania, które agent wykona³,
m prowadzona polityka (ang. policy), czyli ustalone strategie postêpowania,
podejmo-wania decyzji i kolejnoæ ich wykonypodejmo-wania w modelu.
Pomimo, ¿e agenci w ABM mog¹ reprezentowaæ zarówno ludzi, jak i obiekty nieo¿ywio-ne, ABM k³adzie du¿y nacisk na modelowanie zachowañ ludzkich. Jest to du¿e wyzwanie, poniewa¿ niezale¿nie czy agentami s¹ pojedyncze osoby, grupy osób, czy ca³e spo³ecznoci, ró¿nicuje je ca³y zestaw cech, pocz¹wszy od charakteru poprzez wykszta³cenie, wiek a¿ po poziom emocjonalnoci, który równie¿ wp³ywa na zachowania ludzkie. Decyzje ludzkie nie s¹ podejmowane przypadkowo. To, co kieruje dan¹ jednostk¹ nie zawsze mo¿na w prosty i jednolity sposób zdefiniowaæ (Kennedy, 2012).
Modelowanie zachowañ spo³ecznoci lokalnych, czy spo³eczeñstw jest czêsto oparte o dane statystyczne, czyli na podstawie tego, co zosta³o zrobione w przesz³oci, opracowuje siê potencjalne scenariusze dalszych zmian. Natomiast jednostki i mniejsze grupy wymagaj¹ bardziej wnikliwych analiz poprzedzaj¹cych budowê modelu, np. badañ ankietowych.
Ob-serwacje zachowañ ludzkich pojawi³y siê wraz z powstaniem pierwszych spo³eczeñstw, jednak naukowe podejcie zwi¹zane jest z rozwojem psychologii ok. 150 lat temu.
Uwa¿a siê, ¿e ludzie podejmuj¹ decyzje na podstawie analizy rodowiska (szeroko rozu-mianego otoczenia), obecnego statusu (stanu, w którym siê znajduj¹) oraz poprzednich zda-rzeñ. Decyzje podejmowane s¹ racjonalnie, zgodnie z za³o¿eniem, ¿e dzia³a siê w celu maksy-malnego zwiêkszenia zysków i zmniejszenia strat (Coleman, 1990). Nale¿y jednak pamiêtaæ, ¿e ludzie nie zawsze zachowuj¹ siê racjonalnie. S¹ poddani emocjom, dzia³aj¹ intuicyjnie lub niewiadomie. Wp³yw emocji na dzia³ania ludzkie, wed³ug ró¿nych danych, mo¿e mieæ mniejsze lub wiêksze znaczenie (Loewenstein, Lerner, 2003). Nale¿y je jednak braæ pod uwagê pro-jektuj¹c model agentowy, w którym o zachodz¹cych procesach decyduj¹ agenci-ludzie.
Modelowanie agentowe wywodzi siê z automatów komórkowych, w których wszystkie jednostki by³y identyczne. To natomiast sprawia³o, ¿e warunki pocz¹tkowe oraz warunki brzegowe mia³y du¿y wp³yw na przebieg symulacji (Wolfram, 1984). W ABM ich wp³yw na przebieg jest mniejszy, ale nadal bardzo istotny.
Zasady decyzyjne agentów
Ka¿dy z agentów w modelu agentowym, niezale¿nie czy reprezentuje byt o¿ywiony, czy nieo¿ywiony, posiada zbiór zasad decyzyjnych, które okrelaj¹ jego zachowania w czasie symulacji. Zasady decyzyjne najczêciej tworzone s¹ w oparciu o literaturê, wiedzê eks-perck¹ lub analizê danych i stanowi¹ podstawê podejmowanych czynnoci przez agentów. Jeden zestaw zasad decyzyjnych mo¿e byæ przypisany wszystkim agentom lub ka¿dy agent z osobna mo¿e mieæ swój zbiór zasad decyzyjnych. Czêsto zadaniem agentów jest osi¹gniê-cie po¿¹danych efektów, ale istniej¹ te¿ modele, których zadaniem jest zró¿nicowanie podej-cia do osi¹gania celów przez agentów podobnego typu (Ligmann-Zieliñska, 2009).
Ka¿dy agent mo¿e byæ niezale¿n¹, samodzieln¹ jednostk¹, która wype³nia zadane instruk-cje w zale¿noci od wystêpuj¹cych cech rodowiska, w którym funkcjonuje. Agenci dziel¹ siê pod tym wzglêdem na aktywnych i biernych. Aktywni agenci zmierzaj¹ do realizacji zdefiniowanych celów, bierni z kolei oddzia³uj¹ ze rodowiskiem lub innymi agentami.
Atrybuty opisuj¹ce agentów mog¹ mieæ charakter statyczny wtedy pozostaj¹ niezmien-ne, lub dynamiczny wtedy ulegaj¹ zmianie w czasie symulacji. Dzia³ania agentów mog¹ byæ zarówno synchroniczne, jak i asynchroniczne. Zachowania agentów czêsto s¹ zdefinio-wane jako zwyk³e d¹¿enie do celu lub maksymalizacji korzyci dzia³ania. Mog¹ te¿ byæ zaim-plementowan¹ specjalistyczn¹ wiedz¹ pozyskan¹ z literatury. Topologia w ABM pozwala na okrelenie, którzy agenci oddzia³uj¹ ze sob¹, wymieniaj¹c informacje.
Wczesne modele agentowe opiera³y zasady decyzyjne agentów najczêciej na bazie ope-ratora co je¿eli. Jednak z biegiem czasu zaczê³y one przybieraæ coraz bardziej wyrafino-wane formy. Obecne modele agentowe czêsto maj¹ w kodzie ród³owym skomplikowan¹ strukturê zachowañ i czynnoci agentów skonstruowan¹ w taki sposób, by jak najlepiej naladowaæ zachowania ludzkie (Malleson i in., 2010; Kennedy, 2012).
Buduj¹c model agentowy nale¿y odpowiednio zdefiniowaæ agentów, uwzglêdniaj¹c spo-sób, w jaki bêd¹ reprezentowani w modelu, atrybuty poszczególnych agentów, ich zasady decyzyjne, czy bêd¹ mobilni, czy bêd¹ oddzia³ywaæ na siebie i otoczenie, jakie czynnoci bêd¹ wykonywaæ, czy bêd¹ czerpaæ z dowiadczenia, jakie bêdzie ród³o wiedzy agentów (Johnston i in., 2012).
Integracja GIS i modelowania agentowego
Zarówno agenci, jak i podejmowane przez nich decyzje, maj¹ najczêciej odniesienie prze-strzenne, st¹d powi¹zanie ABM i systemów informacji geograficznej wydaje siê byæ niejako naturaln¹ konsekwencj¹ rozwoju metodycznego i metodologicznego obu technik.
Integruj¹c GIS i ABM zyskujemy obiektowe podejcie do modelowania, wykorzystywa-ne w ABM oraz modelowanie przestrzenwykorzystywa-ne wykorzystywawykorzystywa-ne w GIS. ABM nie ma wystar-czaj¹cych narzêdzi do wizualizacji, analizy i przechowywania danych przestrzennych. Z kolei jednym z najwa¿niejszych zarzutów wzglêdem GIS, w kontekcie modelowania syste-mów przyrodniczych, jest brak wystarczaj¹cych narzêdzi do przeprowadzenia analiz zmien-noci w czasie (Goodchild, 2005; Langran, 1992; Peuquet, 2005).
Wp³yw interakcji pomiêdzy pojedynczymi agentami (ludmi, miastami lub bytami bardziej abstrakcyjnymi) lub pomiêdzy pojedynczymi agentami a otoczeniem, mo¿e byæ rozwa¿any w ró¿nych skalach czasowych i przestrzennych. Dotychczasowe podejcia do modelowania z³o¿onoci systemów geograficznych koncentrowa³y siê na reprezentowaniu tych syste-mów, jako statycznych skupisk populacji, racjonalnych zachowañ i przep³ywów informacji (Batty, 2012). Takie traktowanie sprawia, ¿e w modelu wszystkie jednostki jednego typu maj¹ identyczne w³aciwoci i charakterystyki, podczas gdy ABM pozwala je ró¿nicowaæ zarówno na poziomie atrybutów jednostek, jak i ich zasad decyzyjnych. W niektórych mode-lach agentowych relacje przestrzenne s¹ integralnym i podstawowym sk³adnikiem systemu, zw³aszcza jeli:
m jedno lub wiêcej zachowañ agentów odnosi siê do przemieszczania siê, m agenci podejmuj¹ decyzje w przestrzeni,
m agenci mog¹ zmieniaæ rozmieszczenie przestrzenne obiektów w krajobrazie, m decyzje agentów mog¹ zmieniaæ siê w zale¿noci od ich po³o¿enia w przestrzeni.
Do okrelenia relacji przestrzennych agentów mo¿na wykorzystaæ techniki analiz prze-strzennych GIS. Warstwa GIS, bêd¹ca warstw¹ wynikow¹ analizy przestrzennej, mo¿e byæ równie¿ warstw¹ wejciow¹ dla agentów w procesach decyzyjnych.
Podsumowanie
Modelowanie agentowe umo¿liwia tworzenie dynamicznych modeli, symuluj¹cych pro-cesy zachodz¹ce w rodowisku geograficznym, w których agenci wchodz¹ w interakcje ze sob¹ i otoczeniem. Agenci, wyposa¿eni w wiele atrybutów i zasad decyzyjnych, mog¹ ró¿niæ siê od siebie. Cechy te mog¹ zmieniaæ siê w trakcie modelowania, co wp³ywa na nieprzewi-dywalnoæ reakcji agentów. rodowisko dzia³ania agentów równie¿ mo¿e wp³ywaæ na ich zachowania. Modelowanie agentowe umo¿liwia zbadanie niezliczonej liczby scenariuszy funk-cjonowania systemów, pozwalaj¹c na ocenê wp³ywu decyzji agentów na rozwój systemu, w którym egzystuj¹. ABM k³adzie du¿y nacisk na modelowanie zachowañ ludzkich.
ABM stanowi dynamicznie rozwijaj¹c¹ siê metodê modelowania, o szerokim spektrum zastosowañ w ró¿nych dziedzinach nauki i ¿ycia codziennego. Dziêki modelom o tak z³o¿o-nej strukturze, ABM stanowi niezwykle wartociowe narzêdzie przydatne przy analizie za-gadnieñ o zró¿nicowanych skalach przestrzennych, czasowych i odmiennych poziomach organizacji. Rozwijaj¹ca siê stale funkcjonalnoæ ³¹czenia ABM z GIS dostarcza z³o¿one i nowoczesne narzêdzia do geomodelowania.
Literatura
Abdou M., Hamill L., Gilbert N., 2012: Designing and building an Agent-Based Model. [In:] Heppenstall A.J., Crooks A.T., See L.M., Batty M. (eds.), Agent-Based Models of Geographical Systems, Springer, Dordrecht: 141-165.
Batty M., 2012: A Generic Framework for Computational Spatial Modeling. [In:] Heppenstall A.J., Crooks A.T., See L.M., Batty M. (eds.), Agent-Based Models of Geographical Systems, Springer, Dordrecht: 19-50. Brown D.G., 2006: Agent-Based Models. [In:] Geist H. (ed.), The Earths Changing Land: An Encyclopedia
of Land-Use and Land-Cover Change, Greenwood Publishing Group, Westport: 7-13. Coleman J.S., 1990: Foundations of Social Theory, Cambridge, Massachusetts, USA.
Epstein J.M., 1999: Agent-Based Computational Models and Generative Social Science. Complexity 4 (5): 41-60. Franklin S., Graesser A., 1996: Is it an agent, or just a program? A taxonomy for autonomous agent. [In:] Proceedings of the Third International Workshop on Agent Theories, Architectures, and Languages, Sprin-ger: 21-35.
Goodchild M.F., 2005: GIS, Spatial Analysis, and Modelling Overview. [In:] Maguire D.J., Batty M., Goodchild M.F. (eds.), GIS, Spatial Analysis and Modeling, ESRI Press, Redlands: 1-18.
Kennedy B., 2012: Modelling Human Behaviour in Agent-Based Models. [In:] Heppenstall A.J., Crooks A.T, See L.M., Batty M. (eds.), Agent-Based Models of Geographical Systems, Springer, Dordrecht: 167-179. Langran G., 1992: Time in Geographic Information Systems, Taylor and Francis, London.
Ligmann-Zielinska A., 2009: The impact of risk-taking attitudes on a land use pattern: An agent-based model of residential development. Journal of Land Use Science 4(4): 215-232.
Ligmann-Zielinska A., 2010: Agent-based models. [In:] Encyclopedia of Geography, SAGE Publications, http://www.sage-ereference.com/geography/Article_n14.html
Loewenstein G., Lerner J.S., 2003: The role of affect in decision making. [In:] Davidson R.J., Scherer K.R., Goldsmith H.H. (eds.), Handbook of Affective Sciences, Oxford University Press: 619-642.
Longley P.A., Goodchild M.F., Maguire D.J., Rhind D.W., 2011: Geographical Information Systems and Science, Wiley, New York.
Macal C.M., North M.J., 2005: Tutorial on agent-based modelling and simulation. [In:] Euhl M.E., Steiger N.M., Armstrong F.B., Joines J.A. (eds.), Proceedings of the 2005 Winter Simulation Conference, Orlando: 2-15. Malleson N.S., Heppenstall A.J., See, L.M., 2010: Simulating Burglary with an Agent-Based Model,
Compu-ters. Environment and Urban Systems 34 (3): 236-250.
MASON, 2012: Multi Agent Simulation of Neighbourhood. Dostêp: 20 marca 2013 r. http://cs.gmu.edu/~eclab/projects/mason/
OSullivan D., 2008: Geographical Information Science: Agent-Based Models. Progress in Human Geogra-phy 32(4): 541-550.
Parker D.C., 2005: Integration of geographic information systems and agent-based models of land use: Challenges and prospects. [In:] Maguire D.J., Batty M., Goodchild M.F. (eds.), GIS, Spatial Analysis and Modelling. ESRI Press, Redlands: 403-422.
Peuquet D.J., 2005: Time in GIS and Geographical Databases. [In:] Longley P.A., Goodchild M.F., Maguire D.J., Rhind D.W. (eds.), Geographical Information Systems: Principles, Techniques, Management and Applications, Wiley, Hoboken: 91-103.
Wolfram S., 1984: Cellular automata as models of complexity. Nature 311, no. 5985: 414-419. Abstract
Agent-based modeling is a dynamic, fast developing modeling method. It has a wide range of applica-tions in different fields of science and everyday life. Currently, progressive integration of ABM and GIS brings very advanced and complex tools for geomodeling.
Agent-based models are a digital representation of the systems such as ecosystems, societies and the economy, composed of elements and objects arranged in a common environment (operating surroun-ding). The uniqueness of agent-based modeling is that it allows to define the rules of decision-making units called agents, determining the conditions under which they operate and implementation of these principles in any number of iterations in order to analyze the results of the system.
Agents in the model can be highly varied. Endowed with the attributes that allow to describe their current status. They have also defined decision rules that allow them to make decisions in time and space and they have activities which are undertaken by agents after decision making process. A multitude of applications of agent-based models causes that agents have very different characteri-stics, and this makes it difficult to assign them to universal and common features. However, agents frequently have several characteristics that do not change depending on the application of the model. These are autonomy, diversity, activity, goal, interactivity, limited rationality, mobility, and ability to learn.
The goal of this paper is to present a detailed characterization of agents as the primary component of agent-based model in the context of the ABM integration with GIS environment.
mgr Piotr Dzieszko dzieszko@amu.edu.pl mgr Katarzyna Bartkowiak katbar@amu.edu.pl
mgr in¿. Katarzyna Gie³da-Pinas kasia_gp@amu.edu.pl