Modelowanie agentowe - nowoczesna koncepcja modelowania w GIS

ROCZNIKI GEOMATYKI 2013 m T XI m Z 4(61)

MODELOWANIE AGENTOWE –

NOWOCZESNA KONCEPCJA MODELOWANIA W GIS

AGENT-BASED MODELLING –

MODERN CONCEPT OF GIS MODELLING

Instytut Geoekologii i Geoinformacji, Zak³ad Geoekologii

S³owa kluczowe: modelowanie agentowe, systemy informacji geograficznej, geomodelowanie Keywords: agent-based modelling, geographical information systems, geomodelling

Wstêp

Szczególne znaczenie we wspó³czesnym rozwoju geoinformacji odgrywa geomodelowa-nie (Zwoliñski, 2009), wykorzystywane do symulacji wielu zjawisk naturalnych. Kluczowe w geomodelowaniu jest wieloetapowe przetwarzanie danych przestrzennych, które jest œci-œle zwi¹zane z wykorzystaniem systemów informacji geograficznej (Longley i in., 2005). Modele pozwalaj¹ na zrozumienie istoty funkcjonowania badanego systemu, dlatego s¹ tak istotne w wielu dziedzinach nauki. Modelowanie agentowe (ang. Agent-based modelling – ABM) to jedna z najnowszych technik geomodelowania, która znajduje coraz wiêcej zastoso-wañ w kooperacji z systemami informacji geograficznej (ang. Geograhical Information

Sys-tems – GIS). Dzieje siê tak, gdy¿ elementy i obiekty w modelowanych systemach zawsze

dzia³aj¹ i podejmuj¹ decyzje w przestrzeni.

Celem pracy jest wskazanie zalet i ograniczeñ modelowania agentowego, ze szczególnym uwzglêdnieniem po³¹czenia go z GIS. Ukazanie pierwszych kroków i niezbêdnych informacji do budowy modelu agentowego, zw³aszcza dla analityków systemów informacji geograficznej.

Modele agentowe s¹ cyfrow¹ reprezentacj¹ systemów z³o¿onych z elementów i obiek-tów rozmieszczonych we wspólnym otoczeniu. Agenci wchodz¹ w interakcje ze sob¹ i otoczeniem oraz d¹¿¹ do osi¹gniêcia zamierzonych celów. Potrafi¹ podj¹æ decyzje jak¹ czynnoœæ wykonaæ, by osi¹gn¹æ za³o¿one cele (Ligmann-Zielinska, 2010). Maj¹ te¿ zasady decyzyjne, które s¹ motorem ich dzia³ania. Z punktu widzenia nauk geograficznych, w mo-delowaniu agentowym najistotniejsze jest zró¿nicowane przestrzennie œrodowisko, które re-prezentuje ekosystemy, spo³ecznoœci i gospodarki (Ligmann-Zielinska, 2010).

Modele agentowe s¹ dy-namicznymi modelami sy-mulacyjnymi, w sk³ad któ-rych wchodzi: struktura systemu, agenci wykonuj¹-cy czynnoœci i podejmuj¹-cy depodejmuj¹-cyzje oraz procesy za-chodz¹ce w systemie. Ka¿-dy model agentowy musi mieæ przynajmniej trzy komponenty, jakimi s¹: agenci, powi¹zania miêdzy agentami i œrodowisko ich dzia³ania (rys. 1).

Kim s¹ agenci?

Nie ma jednej definicji agentów w ABM. Mo¿na jednak okreœliæ pewne ich cechy wspól-ne, wystêpuj¹ce w literaturze (Macal i North, 2005; Bonabeau, 2002). Modele agentowe s¹ stosowane w bardzo wielu, czêsto skrajnie ró¿nych dziedzinach. Efektem tego jest posiada-nie przez agentów ró¿nych charakterystyk, w zale¿noœci od przeznaczenia modelu. Agenci przede wszystkim s¹ obiektami, które posiadaj¹:

m cechy wyra¿one za pomoc¹ danych (w tym danych przestrzennych), m funkcje pozwalaj¹ce podejmowaæ dzia³ania na tych danych,

m funkcje okreœlaj¹ce, jakie czynnoœci wykonaæ i w jakiej kolejnoœci,

m funkcje pozwalaj¹ce na wykorzystanie posiadanych danych do podjêcia decyzji w przysz³oœci.

Agenci mog¹ reprezentowaæ elementy o¿ywione oraz nieo¿ywione. Mog¹ tak¿e byæ w modelu pogrupowani w wiêksze jednostki oraz mog¹ byæ mobilni. Mog¹ tak¿e mieæ uprosz-czon¹ strukturê, zwani s¹ wówczas agentami s³abymi lub byæ zaprojektowani w taki sposób, ¿e w czasie symulacji bêd¹ zdobywaæ doœwiadczenie i uczyæ siê, wykorzystuj¹c sztuczn¹ inteligencjê. Wówczas bêd¹ w modelu zwani agentami silnymi.

Œrodowisko funkcjonowania agentów

w modelach agentowych

Œrodowisko w ABM (ang. environment) jest to wirtualny œwiat, w którym funkcjonuj¹ agenci. Stanowi ono bierny element modelu. Mo¿e byæ reprezentacj¹ œrodowiska przyrodni-czego – przestrzeni geograficznej, wtedy model agentowy jest okreœlany jako zale¿ny od przestrzeni (ang. spatially explicit). Przestrzeñ geograficzn¹ opisuje siê w modelach agento-wych z u¿yciem cyfroagento-wych danych przestrzennych.

Œrodowisko dzia³ania agentów to przestrzeñ, w której agenci podejmuj¹ wszelkie akcje. W zale¿noœci od zdefiniowania œrodowiska dzia³ania, otoczenie agentów mo¿e byæ

rozumia-Zbiór agentów, ich atrybutów i zachowañ Zbiór powi¹zañ i interacji miêdzy agentami: topologia, zasady po³¹czeñ i okreœlenie, którzy agenci mog¹ wchodziæ ze sob¹ w interakcje

Otoczenie agentów, w którym agenci dzia³¹j¹ i z którym wchodz¹ w interakcje.

ne jako konkretna odleg³oœæ od nich, s¹siedztwo komórek w warstwie rastrowej lub liczba wêz³ów zdefiniowanej sieci wektorowej.

Atrybuty i zachowania agentów mog¹ byæ dowolnie zmieniane, a wywo³ywane tym na-stêpstwa s¹ nastêpnie analizowane. Ta cecha modeli agentowych sprawia, ¿e s¹ pomocne przy analizie problemów o przeró¿nych skalach przestrzennych, czasowych oraz na ró¿-nych poziomach organizacji (Brown, 2006). Model agentowy stanowi reprezentacjê wybra-nego systemu oraz wyjaœnia, w jaki sposób ten system funkcjonuje. Reprezentuje procesy, które zachodz¹ w œrodowisku geograficznym (Abdou i in., 2012; Macy, Willer, 2002). Dziê-ki temu pozwala na przeprowadzanie eksperymentów, które mog¹ byæ wykonywane wielo-krotnie, przy u¿yciu ró¿nych parametrów, bez ¿adnej szkody dla badanego systemu.

Dzia³anie modeli agentowych

Przez indywidualne modelowanie zachowañ agentów, ABM pozwala na ujêcie pe³nego zró¿nicowania elementów i obiektów, które wystêpuj¹ w badanym systemie geograficznym. Tworzenie modelu agent po agencie, interakcja po interakcji pozwala na obserwowanie w czasie dzia³ania modelu samoorganizuj¹cych siê struktur i zjawisk emergentnych, co jest wielk¹ zalet¹ i g³ównym celem metody ABM. Rozwój systemu w modelu, przy takim podej-œciu, nie jest wynikiem jego zaprogramowania, ale dzia³ania i interakcji jego poszczególnych elementów.

By móc uruchomiæ model agentowy niezbêdne jest œrodowisko obliczeniowe. Mo¿e nim byæ zbiór narzêdzi do budowy modelu, platforma oprogramowania lub jêzyk programowa-nia. Bez tego elementu model pozostanie na poziomie konceptualnym. Kolejny krok modelu najczêœciej symuluje postêp czasu. Najwa¿niejsz¹ cech¹ ka¿dego agenta w modelu jest zdol-noœæ do autonomicznego dzia³ania i samodzielnego wykonywania instrukcji, w zale¿noœci od napotkanych cech œrodowiska, w którym funkcjonuje. Agentów w modelu mo¿emy podzie-liæ na aktywnych i biernych. Pierwsi d¹¿¹ w czasie symulacji do realizacji za³o¿onych celów, podczas gdy drudzy jedynie reaguj¹ na bodŸce ze strony œrodowiska oraz innych agentów. Agenci maj¹ atrybuty statyczne i dynamiczne. Statyczne to atrybuty, które pozostaj¹ niezmienne w czasie symulacji, podczas gdy dynamiczne mog¹ siê zmieniaæ w czasie funk-cjonowania modelu. Zachowania agentów mog¹ byæ: 1) prostym d¹¿eniem do osi¹gniêcia celu lub maksymalizacji korzyœci dzia³ania, 2) zaimplementowan¹ w modelu wiedz¹ eks-perck¹ dotycz¹c¹ dziedziny, któr¹ model wraz z agentami reprezentuje. Zasady okreœlaj¹ce, którzy agenci z którymi mog¹ wchodziæ w interakcje okreœla siê mianem topologii. Topolo-gia pozwala na zdefiniowanie s¹siedztwa, w jakim agenci oddzia³uj¹ oraz okreœla kto przeka-zuje komu informacje w systemie.

Tworzenie modeli agentowych

Przy tworzeniu modelu agendowego mo¿na zastosowaæ zestaw narzêdzi do programo-wania lub wykorzystaæ konkretn¹ platformê oprogramoprogramo-wania przeznaczon¹ do budowy modeli. W ABM najczêœciej stosuje siê jêzyki programowania Java oraz C++. Programowa-nie i pisaProgramowa-nie kodu Ÿród³owego „od zera” pozwala na pe³n¹ kontrolê procesu tworzenia modelu agendowego, jest jednak czasoch³onne i wymaga od twórcy modelu wiedzy

programistycz-nej. Znaczna czêœæ czasu jest poœwiêcana na stworzenie interfejsu komunikacji z u¿ytkowni-kiem. Z kolei dostêpne zestawy narzêdzi nie wymagaj¹ od u¿ytkownika wielkiego doœwiad-czenia w pisaniu kodu i zapewniaj¹ szablony rozwi¹zañ, które ³atwo mo¿na dostosowaæ w swoim opracowaniu.

Obecnie dostêpnych jest oko³o 100 zestawów narzêdzi do tworzenia modeli agentowych (Crooks, Castle, 2012), jednak zdecydowanie najpopularniejsze s¹ cztery z nich: Repast, SWARM, MASON i GAMA. Wszystkie zestawy dostarczaj¹ u¿ytkownikowi narzêdzi u³a-twiaj¹cych tworzenie i analizowanie modeli. Maj¹ one tak¿e u³atwiaæ ³¹czenie ABM z GIS, aby œrodowisko w modelu by³o jak najwierniejszym odzwierciedleniem œwiata rzeczywiste-go (Crooks, Castle, 2012).

Narzêdzia czêsto pozwalaj¹ na skorzystanie z wbudowanych bibliotek i zdefiniowanych metod oraz funkcji (ang. libraries and frameworks), które mo¿na dostosowaæ do potrzeb swojego modelu. £atwo jest tak¿e po³¹czyæ ich funkcjonalnoœæ z bibliotekami systemów informacji geograficznej (np. OpenMap lub GeoTools). Skorzystanie z zestawów narzêdzi u³atwia prace programistyczne i pozwala poœwiêciæ wiêcej czasu na badania naukowe. Jed-nak¿e ka¿dy zestaw narzêdzi ma swoj¹ specyfikê i twórca modelu musi poœwiêciæ czas na zrozumienie istoty jego dzia³ania. Zdarza siê tak¿e, ¿e po zainwestowaniu czasu w poznanie zestawu narzêdzi, jego funkcjonalnoœæ okazuje siê niewystarczaj¹ca.

Budowa modelu agentowego wymaga du¿ego nak³adu pracy, zw³aszcza na etapie jego planowania (Abdou i in., 2012). Konstruuj¹c model agentowy oparty o systemy informacji geograficznej nale¿y zatem wzi¹æ pod uwagê zagadnienia zestawione w tabeli 1.

Najbardziej podstawowe narzêdzia do budowy modeli agentowych u¿ytkownik znajdzie wykorzystuj¹c arkusz kalkulacyjny. Jednak mo¿liwoœæ prezentacji dzia³añ modelu, jak i za-implementowania zasad decyzyjnych jest w tym przypadku bardzo ograniczona. Najczêœciej u¿ywane obiektowe jêzyki programowania, takie jak: Python, Java, C i C++ zapewniaj¹ wystarczaj¹c¹ u¿ytecznoœæ do budowy modeli agentowych. Obecnie, wiêkszoœæ modeli agentowych, zw³aszcza u¿ywaj¹cych du¿ej liczby agentów, tworzy siê z wykorzystaniem narzêdzi, zbiorów narzêdzi i specjalnych œrodowisk programistycznych zaprojektowanych w celu ich tworzenia. Oferuj¹ one zarówno zaawansowane opcje edycji, jak i zwiêkszon¹ u¿ytecznoœæ, a tak¿e nierzadko zapewniaj¹ twórcy modelu wygodny interfejs graficzny, który oszczêdza jego czas i upraszcza procedurê tworzeni modelu.

Mo¿liwoœci i ograniczenia modelowania agentowego

Z³o¿one systemy przyrodnicze i geograficzne czêsto zawieraj¹ dynamiczne i nieliniowe powi¹zania pomiêdzy sk³adowymi systemów. Te powi¹zania nierzadko prowadz¹ do nie-oczekiwanych skutków. Skutki te s¹ trudne lub niemo¿liwe do zbadania in vivo. Dlatego œrodowisko obliczeniowe modelowania agentowego, które pozwala na wielokrotne symula-cje i analizê czu³oœci (ang. sensitivity analysis) zyskuje na znaczeniu w obecnych badaniach œrodowiskowych i geograficznych. Pozwala ono na zbadanie olbrzymiej liczby scenariuszy, co przyczynia siê do lepszego zrozumienia badanych zjawisk zachodz¹cych w systemach geograficznych.

Zalety modelowania agentowego

Modelowanie agentowe oferuje bardzo z³o¿on¹ strukturê tworzenia modeli, które uwzglêd-niaj¹ z³o¿onoœæ elementów i obiektów modelu oraz z³o¿onoœæ œrodowiska, w jakim dzia³aj¹ agenci, a tak¿e dynamiczne sprzê¿enia zwrotne, interakcje miêdzy podmiotami oraz inicjaty-wy podmiotów nie tylko o charakterze odgórnym, ale przede wszystkim oddolnym.

Dodatkowo, agenci w trakcie symulacji zdobywaj¹ doœwiadczenie, co mo¿e prowadziæ zarówno do ca³kowitej zmiany strategii decyzyjnej agenta, jak i jedynie do dostosowania parametrów w celu optymalizacji podjêtych dzia³añ w kolejnych krokach modelu. Dzia³ania

Tabela 1. Zagadnienia istotne przy konstruowaniu modelu agentowego (Johnston i in., 2012) ei n ei n d a g a Z Opsi u l e d o m l e C –Jakijestprobelmbadawcz,yktórymodelmarozw¹izaæ? ?l e d o m c ¹ j u t s y z r o k y w æ a d a b z r ai m a z y m a m ¹ z c w a d a b ê z e t o p i h ¹ k a J – ? ai n a w o l e d o m m el e c t s e j o C – -ñ o k t k e f e y c ¹ j al a w o d a z a z y n a n z u ei z d ê b u l e d o m ai n e z r o w t p a t e i k a J – ? y w o c ? u l e d o m i c œ o k a j y n e c o o d e t y ¿ u ¹ n a t s o z i k i n n y z c e n r ei m y w ei k a J – w ó t n e g a a j ci n if e D –Wjakisposóbagencibêd¹reprezentowaniwmodelu:punkt,ypoilgon,y ?i c ei s , e w o rt s a r y w t s r a w ?i m ai c œ o n s a³ w , m e p y t ¹ b o s y z d êi m êi s il i n ¿ ó r ¹ d ê b u l e d o m w i c n e g a y z C – ?i c n e g a y z c n y d e j o p o k a j , e n a w o t n e z e r p e r ¹ d ê b o k si w a j z b u l t k ei b o i k a J – w ó t n e g a i c œ o w i c œ a³ w a j ci n if e D –Jakeipoalwtabeilartybutów,którychstanbêdzeizmeinainyw rtakcei ?i c n e g a il a d ai s o p ¹ d ê b , u l e d o m ai n a³ ai z d a z y ³ a d ai w o p d o ¹ d ê b u l e d o m w b u l w ó t u b y rt a il e b a t w l ó p z e r ó t K – ?i m a t n e g a y z d êi m e j c k a r e t n i ñ a³ ai z d a j ci n if e D w ó t n e g a z e z r p h c y n a w o m j e d o p ––CJazkyeipmorou¿szilwaneeiczsyêinnaogeœcnitóbwêdbzêeidmzeiógz³apimopdjel¹mæeknat¿odwyanz¹agaeknctjó¹ww?modelu? ? o k si w o d o r œ a n y ³ a w y ³ p w ¹ d ê b w ó t n e g a z e z r p e n a w o m j e d o p e j c k a y z C – ? b ó s o p s i k a j w o t , k a t il œ e J – ij z y c e d ai n a w o m j e d o p a j ci n if e D w ó t n e g a z e z r p ––CCzoympoo¿deejwmpo³ywna¹næendaecpyozdjeejmzwow¹izaanneieds¹eczyzkoijnpkrzreetznyamgeinwtóawru?nkami ? a k si w o d o r œ ? æ y z c u êi s ¹i f a rt o p i c n e g a y z C – ij c a m r o f n i a³ d ó r  w ó t n e g a z e z r p h c y n a w y ts y z r o k y w m y n j y z y c e d ei s e c o r p w . e w o i c œj e w y w ts r a W – . u l e d o m ai n a³ ai z d u k i n y w w e n o z r o w t y w t s r a W – . el e d o m e n n I – o g e w o s a z c u ³ a w r e t n i ei n el œ e r k O u k o r k o g e n j el o k o g e d ¿ a k u l e d o m : d o æ e ¿ el a z e ¿ o m u l e d o m w u k o r k o g e d ¿ a k ai n a w rt s a z C , k si w a j z h c y n a w o l e d o m u j a z d o r – , ai n e z c z s o r p u h ci u b o s o p s – , w ó t n e g a h c y n j y z y c e d d a s a z – , w ó t n e g a h c y c ¹ j al œ e r k o w ó rt e m a r a p – . h c y n a d h c y n a t s y z r o k y w j e n n e z rt s e z r p i c œ o z cl ei z d z o r – ai n a w rt u s a z c ei n el œ e r k O ij c al u m y s L–cispzbecaytiifekriamcijozdaelelo¿wyaondy:chzjawsik, , k si w a j z h c y n a w o l e d o m t a m e t a n h c y n a d ai s o p ij c a m r o f n i i c œ o li – . u l e d o m u k o r k o g e d ¿ a k ai n a w rt u s a z c – ij c a k if y r e w u b o s o p s ei n el œ e r k O u l e d o m ij c a d il a w i –Cmzoyddeloowwaanilydcahczijjau¿wytsiyk?zostaneizbiórdanych,czyte¿weidzadotycz¹ca

agentów mog¹ byæ ustalone zarówno w sposób synchroniczny, jak i asynchroniczny. Mog¹ byæ typowo reaktywne (agenci jedynie reaguj¹ na konkretne bodŸce) lub nastawione na osi¹gniêcie konkretnego celu.

Podstaw¹ dzia³ania automatów komórkowych, z których wywodz¹ siê modele we, by³y interakcje odbywaj¹ce siê jedynie w œcis³ym s¹siedztwie komórek. Modele agento-we pozwalaj¹ na podejmowanie przez agentów dzia³añ na odleg³oœæ. To znaczy, ¿e decyzje agentów maj¹ wp³yw na obiekty rozmieszczone w ca³ym œrodowisku dzia³ania agentów, podobnie jak wp³yw na zasady decyzyjne agentów mogê mieæ czynniki, które nie wystêpuj¹ w œcis³ym, fizycznym ich s¹siedztwie.

Modelowanie agentowe jest podejœciem bardzo elastycznym (Crooks, Heppenstall, 2012). Tabela 2 przedstawia porównanie mo¿liwoœci modelowania, zawartych w klasycznych po-dejœciach do modelowania, rozwijanych w latach szeœædziesi¹tych i siedemdziesi¹tych XX wieku oraz w modelowaniu agentowym.

Tabela 2. Ró¿nice miêdzy tradycyjnymi technikami modelowania a modelowaniem agentowym (Bernard, 1999) ai n a w o l e d o m i k i n h c e t e n j y c y d a r T Modelowaneiagentowe ) z s u ir a n e c s n e d e j( e n z c y t si n i m r e t e d el e d o M Modeelstochastyczne(weielscenairuszy) . g n a ( e n r ó g d O top-down) Oddolne(ang.bottom-up) h c a r o z w a n e tr a p o ai n a n w ó R Agencidostosowuj¹cyswojezachowanai k si w a j z ai n a w o p ê t s y w n y z c y z r p ¹ j ai n œ a j y w ei N Posaidaj¹siê³wyjaœnaij¹c¹zjawsika w ó rt e m a r a p a k li K Lcizneparamerty ei n n e z rt s e z r p e n o z ci n a r g O Modeelprzesrtzenne u k si w o d o r œ m y n a d a n ¹ j a³ ai z D Mo¿ilwoœæzbudowanaiœrodowsikadzaia³nai ai n a w o h c a z o g e j a n e j u g a e r u l e d o m a c r ó w T Twórcamodeluzdobywaweidzêobserwuj¹cgo

Tabela 2 uwypukla najwa¿niejsze za³o¿enia modelowania agentowego w konfrontacji z pozosta³ymi technikami modelowania wykorzystywanymi w badaniach przyrodniczych:

m modele agentowe prowadz¹ do powstania wielu ró¿nych scenariuszy dzia³ania i roz-woju systemu,

m modele agentowe pozwalaj¹ na obserwowanie rozwoju zjawisk w zale¿noœci od decy-zji, jakie podejmuj¹ w modelu agenci,

m agenci w modelu potrafi¹ dostosowywaæ swoje dzia³ania, a dzia³anie modelu nie jest jedynie oparte na równaniach matematycznych,

m modelowanie agentowe mo¿e wyjaœniaæ przyczyny zjawisk, a nie jedynie opisywaæ zjawiska w sposób iloœciowy,

m w modelach agentowych mo¿na zastosowaæ nieograniczon¹ wrêcz liczbê parame-trów, co jest niemo¿liwe w modelach opartych jedynie na równaniach matematycz-nych,

m modele agentowe s¹ w pe³ni przestrzenne i pozwalaj¹ na analizê zjawisk w kontekœcie ich po³o¿enia w przestrzeni i rozmieszczenia; agenci s¹ mobilni i mog¹ poruszaæ siê po œrodowisku dzia³ania z dowoln¹ prêdkoœci¹,

m w modelach agentowych mo¿liwe jest zaprojektowanie œrodowiska ich dzia³ania od pocz¹tku do koñca,

m wiele przebiegów modelu daje informacje na temat przebiegu zjawisk w zale¿noœci od ró¿nych scenariuszy.

Modelowanie agentowe pozwala na zaprojektowania symulacji w sposób najbardziej zbli-¿ony do rzeczywistoœci, zw³aszcza w sytuacjach, gdy jednostki modelu mog¹ byæ reprezen-towane w œrodowisku obiektowym (Gilbert, Terna, 2000). ABM pozwala na symulacje rów-nie¿ tych zjawisk, których nie mo¿na zapisaæ i wyraziæ w formie równania matematycznego (Axelrod, 1997). ABM nie ogranicza siê do jednej skali przestrzennej. Mo¿na zastosowaæ dowoln¹ skalê przestrzenn¹. Dla przyk³adu Gwynne i in. (2001) opisali zachowania osób w budynku w czasie ewakuacji, Nagel (2003) opisa³ schemat ruchu samochodów na ulicy, a Brown i in. (2005) stworzy³ model rozwoju miasta. ABM pozwala tak¿e ³¹czyæ ró¿ne skale przestrzenne w jednym modelu (Crooks, Heppenstal, 2012)

Wady modelowania agentowego

Entuzjazm, jaki mog¹ wywo³aæ mo¿liwoœci zastosowania modeli agentowych w GIS, musi byæ skonfrontowany z ich ograniczeniami. Przede wszystkim ka¿dy model jest na tyle u¿yteczny, na ile wa¿ny jest problem, który uda³o siê za jego pomoc¹ rozwi¹zaæ. Czêstym zarzutem wobec modeli agentowych jest fakt, ¿e opisuj¹ rzeczywistoœæ w znacznie uprosz-czony sposób (Couclelis, 2002). Mimo wysokiego poziomu z³o¿onoœci samego modelu, zawsze nale¿y dokonaæ w nim znacz¹cych uproszczeñ, gdy¿ czêsto zagadnienia i zjawiska opisywane przez model maj¹ charakter bardzo kompleksowy. Z drugiej zaœ strony, wziêcie pod uwagê zbyt wielu szczegó³ów sprawi, ¿e model mo¿e okazaæ siê zbyt szczegó³owy.

Kolejnym ograniczeniem jest fakt, ¿e modele agentowe czêsto opisuj¹ zjawiska, w któ-rych bierze udzia³ cz³owiek. Cz³owiek natomiast jest jednostk¹, któr¹ nie zawsze postêpuje racjonalnie oraz dokonuje nierzadko bardzo subiektywnych wyborów. Opisanie iloœciowe oraz kalibracja tego rodzaju parametrów jest zadaniem bardzo trudnym, a czasem wrêcz niemo¿liwym.

Mimo sta³ego wzrostu mocy obliczeniowej komputerów, wci¹¿ problemem jest modelo-wanie bardzo du¿ych systemów. Dzieje siê to

wol-no, a bior¹c pod uwagê, ¿e istot¹ ABM jest wy-konywanie bardzo du¿ej liczby symulacji, mo¿e to stanowiæ znacz¹cy problem (Parry, Bithnell, 2012). Odpowiednie dostosowanie poziomu szczegó³owoœci do wytyczonych celów modelu mo¿e jednak rozwi¹zaæ ten problem.

Dodatkowo nale¿y mieæ œwiadomoœæ, ¿e prze-bieg symulacji z wykorzystaniem ABM jest w du¿ym stopniu uzale¿niony od warunków pocz¹t-kowych modelu oraz od sposobu opisu interakcji miêdzy agentami (Couclelis, 2002). Zmiana któ-regoœ z tych czynników mo¿e drastycznie zmie-niæ przebieg symulacji. To zaœ oznacza, ¿e u¿ycie modelu w celach predykcyjnych nie jest zadaniem ³atwym i jest pracoch³onne (Batty i Torrens, 2005).

£atwy Trudny Stopieñ trudnoœci budowania modelu Mo¿liwoœci systemu modelowania Ma³e

D

u¿

e

Rys. 3. Równowaga pomiêdzy stopniem trudnoœci budowania modelu, a mo¿liwoœciami systemu, w którym model

Wnioski i dyskusja

Integracja ABM i GIS wci¹¿ jest zadaniem trudnym (Gilbert, 2007). Wymaga odpowiedzi na wiele istotnych i nie³atwych pytañ: jakich danych u¿yæ w modelu, jaki powinien byæ poziom interakcji agentów i interakcji agentów z otoczeniem, w jaki sposób reprezentowaæ zjawiska o du¿ej dozie losowoœci, co do których wystêpowania trudno pozyskaæ jedno-znaczne dane przestrzenne? Dodatkowo nale¿y pamiêtaæ, ¿e stworzenie modelu sk³adaj¹ce-go siê z setek lub tysiêcy agentów, którzy wykorzystuj¹ dane przestrzenne, wchodz¹ w interakcje miêdzy sob¹, s¹ mobilni i wprowadzaj¹ zmiany do tabel atrybutów warstw wekto-rowych – jest zadaniem wymagaj¹cym bardzo du¿ej mocy obliczeniowej.

G³ównym celem artyku³u jest przybli¿enie istoty modelowania agendowego, ze szczegól-nym uwzglêdnieniem œrodowiska GIS, przedstawienie jego elementów sk³adowych i opro-gramowania wspieraj¹cego oraz wskazanie mo¿liwoœci integracji ABM i nauk geograficz-nych poprzez GIS.

Modelowanie agentowe stanowi reprezentacjê wybranego systemu i wyjaœnia, w jaki sposób ten system funkcjonuje, k³ad¹c nacisk na rozpoznanie czynników determinuj¹cych jego dzia³anie. Dziêki poznaniu hierarchii wa¿noœci zmiennych mo¿na wygenerowaæ wiele scenariuszy dla modelowanej sytuacji, które mo¿na nastêpnie porównywaæ i analizowaæ.

Zarówno agenci, jak i podejmowane przez nich decyzje, maj¹ najczêœciej odniesienie prze-strzenne, st¹d powi¹zanie ABM i systemów informacji geograficznej wydaje siê byæ niejako naturaln¹ konsekwencj¹ rozwoju metodycznego i metodologicznego obu technik.

Istnieje wiele pakietów oprogramowania i narzêdzi, s³u¿¹cych do tworzenia modeli agen-towych, o ró¿nym stopniu skomplikowania, pozwalaj¹cych na samodzieln¹ budowê, b¹dŸ edycjê gotowych modeli. W zale¿noœci od stopnia zaawansowania, wiedzy i umiejêtnoœci u¿ytkownika programowanie modelu mo¿e stanowiæ du¿e wyzwanie, zw³aszcza na wstêp-nym etapie, kiedy nale¿y okreœliæ wiele w³aœciwoœci elementów modelu.

Modelowanie agentowe stanowi zaawansowane narzêdzie o du¿ej funkcjonalnoœci i znacz-nych mo¿liwoœciach aplikacyjznacz-nych, co sprawia, i¿ z powodzeniem mo¿e byæ stosowane dla ró¿norodnych celów w wielu dziedzinach nauki. Jest niezwykle przydatne w procesie wspie-rania podejmowania decyzji, do symulacji zjawisk ekstremalnych, prognozowania rozwoju œrodowiska, planowania przestrzennego lub oceny oddzia³ywania na œrodowisko.

W œwietle powy¿szych stwierdzeñ warto zastanowiæ siê, kiedy uwzglêdnienie w modelo-waniu bardziej skomplikowanego i wymagaj¹cego podejœcia agentowego jest uzasadnione i u¿yteczne. O’Sullivan i in. (2012) wskazuj¹, ¿e szeroki zakres modeli ABM, od prostych i abstrakcyjnych po zaawansowane i stosunkowo wiernie oddaj¹ce rzeczywistoœæ, utrudnia jednoznaczn¹ odpowiedŸ. North i Macal (2007) wskazuj¹, ¿e modelowanie agentowe mo¿e byæ stosowane we wszystkich badaniach, w których:

1) wskazana jest reprezentacja elementów i obiektów systemu przez agentów, 2) decyzje i zachowania mog¹ byæ okreœlone w sposób ci¹g³y (dyskretny),

3) elementy i obiekty systemu potrafi¹ zmieniaæ i dostosowywaæ swoje zachowania, 4) elementy i obiekty systemu potrafi¹ siê uczyæ,

5) elementy i obiekty systemu pozostaj¹ we wzajemnych relacjach i oddzia³uj¹ na siebie nawzajem,

6) jest istotne, by modelowane zjawiska ukazaæ przestrzennie, 7) przesz³oœæ nie jest najlepszym kluczem do poznania przysz³oœci, 8) korzystne mo¿e byæ zastosowanie du¿ej skali przestrzennej,

9) struktura funkcjonowania systemu zale¿y w wiêkszym stopniu od przebiegu symula-cji ni¿ od parametrów wejœciowych modelu.

St¹d te¿ nale¿y wzi¹æ pod uwagê, kiedy korzyœci p³yn¹ce z zastosowania ABM s¹ wiêk-sze ni¿ wysi³ek, jaki trzeba w³o¿yæ w przygotowanie modelu.

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, Do-rdrecht: 141-165.

Axelrod R., 1997: The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press, Princeton.

Batty M., Torrens P.M., 2005: Modelling and Prediction in a Complex World. Futures 37 (7): 745-766. Bernard R.N., 1999: Using Adaptive Agent-Based Simulation Models to Assist Planners. [In:] Policy

Deve-lopment: The Case of Rent Control. Working Paper 99-07-052, Santa Fe, New Mexico, Santa Fe Institute. Bonabeau E., 2002: Agent-based modelling: Methods and techniques for simulating human systems. Proceedings

of the National Academy of Sciences of the United States of America (PNAS), 99 (3): 7280-7287. Brown D.G., 2006: Agent-Based Models. [In:] Geist H. (ed.), The Earth’s Changing Land: An Encyclopedia

of Land-Use and Land-Cover Change. Greenwood Publishing Group, Westport: 7-13.

Brown D.G., Page S.E., Riolo R., Zellner M., Rand W., 2005: Path dependence and the validation of agent-based spatial models of land use. International Journal of Geographical Information Science 19 (2): 153-174. Couclelis H., 2002: Modelling Frameworks, Paradigms, and Approaches. [In:] Clarke K.C., Parks B.E., Crane

M.P. (eds.), Geographic Information Systems and Environmental Modeling. London: Prentice Hall: 36-50. Crooks A.T., Castle C., 2012: The Integration of Agent-Based Modeling and Geographical Information for Geospatial Simulation. [In:] Heppenstall A.J., Crooks A.T., See L.M., Batty M. (eds.), Agent-Based Models of Geographical Systems. Springer, Dordrecht: 219-252.

Crooks A.T., Heppenstall A.J., 2012: Introduction to Agent-Based Modelling. [In:] Heppenstall A.J., Crooks A.T., See L.M., Batty M. (eds.), Agent-Based Models of Geographical Systems. Springer, Dordrecht: 141-165.

Gilbert N., 2007: Agent-based models. London: Sage.

Gilbert N., Terna P., 2000: How to Build and Use Agent-Based Models in Social Science, Mind and Society 1 (1): 57-72.

Gwynne S., Galea E.R., Lawrence P.J., Filippidis L., 2001: Modelling Occupant Interaction with Fire Condi-tions Using the Building EXODUS Evacuation Model. Fire Safety Journal 36 (4): 327-357.

Johnston K.M., North M.J., Brown D.G., 2012: Introducing Agent-Based Modeling in the GIS Environment. [In:] Johnston K.M. (ed.), Agent Analyst – Agent-Based Modeling in ArcGIS, Redlands, Esri Press: 1-30. Ligmann-Zieliñska A., 2010: Agent-based models. [In:] Encyclopedia of Geography. SAGE Publications,

http://www.sage-ereference.com/geography/Article_n14.html

Longley P.A., Goodchild M.F., Maguire D.J., Rhind D.W., 2005: Geographical Information Systems and Science. Wiley, New York, 2 wyd.

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. (ed.), Proceedings of the 2005 Winter Simulation Conference, Orlando: 2-15.

Macy M., Willer R., 2002: From factors to actors: Computational sociology and agent-based modeling,

Annual Review of Sociology 28: 143-166.

Nagel K., Rasmussen S., 1994: Traffic at the Edge of Chaos. [In:] Brooks R. (ed.), Artificial life, MIT Press, Cambridge: 222-236.

Nagel, K., 2003: Traffic networks. [In:] Bornholdt S., Schuster H. (eds.), Handbook of graphs and networks: From the genome to the internet: 248-272, New York: Wiley.

North M.J., Macal C.M., 2007: Managing Business Complexity: Discovering Strategic Solutions with Agent-Based Modeling and Simulation. Oxford University Press, New York.

O’Sullivan D., Millington J., Perry G., Wainwright J., 2012: Agent-Based Models – Because They’re Worth It? [In:] Heppenstall A.J., Crooks A.T., See L.M, Batty M. (eds.), Agent-Based Models of Geographical Systems, Springer, Dordrecht: 69–84.

Parry H.R., Bithnell M., 2012: Large scale agent-based modelling: A review and guidelines for model scaling. [In:] Heppenstall A.J., Crooks A.T., See L.M., Batty M. (red.), Agent-Based Models of Geographical Systems, Springer, Dordrecht: 525-542.

Zwoliñski Z., 2009: Rozwój myœli geoinformacyjnej. [W:] Zwoliñski Z. (red.), GIS – platforma geografii, Bogucki Wyd. Naukowe, Poznañ: 9-21.

Abstract

One of the most prospective bottom-up approaches to modeling of human-environment relations is agent-based modeling (ABM). ABM is a modern technique more and more often used in Geographical Information Science. It is based on entities called agents which can make spatial decisions. They can also exchange information with each other. Moreover, they have attributes which allow to describe their actual state. In classical approach to modeling, all entities are often quite similar. It is possible to create a model with very similar entities within ABM. These entities may behave slightly differently. Agents can have identical attributes and quite different decision rules. It allows a user to apply randomness in a model which is really crucial in environmental studies. ABM and simulation can be traced to investigations into complex adaptive systems, the evolution of cooperation and artificial life. Unlike other modeling approaches, ABM begins and ends with the agent’s perspective. The application of ABM to simulating dynamics within GIS has seen a considerable increase over the last decade. Both agents and decisions they make have spatial reference. So linking AMB with GIS is a natural consequ-ence of these two techniques development. ABM is normally a very useful decision making process, in extreme events simulation, forecasting the environment development, spatial planning, and environ-mental impact assessment.

In this paper possibilities of the use of ABM were presented. ABM is a modern research technique within GIS. Most important features of ABM were described as well as well-known software platforms and toolsets for agent-based model creating. Finally, information when the ABM can be especially useful in research work and how to select the best system which will fit the standards of our model was provided.

mgr Piotr Dzieszko dzieszko@amu.edu.pl mgr Katarzyna Bartkowiak katbar@amu.edu.pl

mgr in¿. Katarzyna Gie³da-Pinas kasia_gp@amu.edu.pl