Multi-Agenten-Ersatzmodelle
02.07.2024
Hintergrund
Software-Agenten können durch ihre Eigenschaften, Zustände und Verhaltensweisen beschrieben werden. Sie interagieren autonom miteinander und mit ihrer virtuellen Umgebung, indem sie lediglich reaktive Verhaltensregeln befolgen oder komplexe Ziele strategisch verfolgen. Agentenbasierte Modelle (ABMs) bieten zahlreiche Vorteile: Sie können reale Probleme direkt abbilden, sie können leicht angepasst und gewartet werden, Agenten und Agentenpopulationen können in Echtzeit verändert werden, was zu wirklich dynamischen Modellen führt, was auch durch die Tatsache unterstützt wird, dass die Interaktionstopologie (wer interagiert mit wem) aus den Agentendefinitionen und -zuständen hervorgeht und nicht im Voraus festgelegt ist.
Um die Größenordnung eines berechenbaren Modells zu erhöhen (mit zehn- oder sogar hunderttausenden von interaktiven Agenten) oder die Genauigkeit seiner Vorhersage zu steigern, müssen Muster identifiziert werden, um die resultierenden Berechnungen zu beschleunigen.
In ABM sind die oben erwähnten Aspekte der Topologie, des Verhaltens, der Attribute und der Zustände Ansatzpunkte für die Identifizierung solcher Muster. Unabhängig von der Repräsentation, in der sie kodiert sind, und unabhängig von der Integration, die ihre Entwicklung im Laufe der Zeit vorantreibt - identifizierte Muster ermöglichen Vorhersagen, die wiederum die Beschneidung der Berechnungen bzw. die Erhöhung des Umfangs oder der Genauigkeit des Modells ermöglichen.
Aufgabe
In diesem Projekt können Sie zunächst einen primären Modellierungsschwerpunkt bestimmen, z. B. Boidenschwärme, Partikelschwärme, Horden von Nicht-Spieler-Charakter-Kriegern, Blutgerinnungsplättchen, Fahrzeuge in einem Verkehrsnetz, zelluläre Automaten usw.
- Eine entsprechende Implementierung sollte das Modell im Hinblick auf das erwartete Verhalten validieren - je nach den zur Verfügung gestellten Daten würde dies den Vergleich quantitativer Ergebnisse oder systematische Sensitivitätsanalysen implizieren, wobei möglicherweise auch die Einführung oder Neuimplementierung charakteristischer Maßnahmen in Betracht gezogen wird.
- Als Nächstes sollten Clustering-Algorithmen (z. B. CURE), Motiverkennungsalgorithmen (z. B. SWIFT) oder Algorithmen des maschinellen Lernens (z. B. EA, ANN oder XCS) angepasst werden, um Muster zu erkennen, die sich aus den statischen Daten oder den dynamischen Prozessen während der Berechnung ergeben.
- Schließlich müssen die identifizierten Muster verwendet werden, um entweder Abkürzungen bei den Berechnungen zu schaffen oder die ursprüngliche Modellmessung zu vereinfachen.
- Die Abweichungen und Ergänzungen des ursprünglichen Modells bzw. der Berechnungsschritte sowie die Leistungsunterschiede sind zu protokollieren, zu analysieren und zu diskutieren.
Auf der Grundlage der gewonnenen Erkenntnisse könnten Sie ihre Arbeiten fortsetzen, z. B. in nachfolgenden Abschlussarbeiten oder Forschungsprojektmodulen, um die Überprüfung der Randbedingungen von Abstraktionen oder die Bildung und Verwaltung hierarchischer Modellabstraktionen zu prüfen. Formalisierung und formale Analyse des entworfenen Systems, effiziente Hardware-Portierungen oder domänenübergreifende Validierung sind alternative nützliche Richtungen von Folgearbeiten.
Literatur
van der Hoog, S. (2019). Surrogate modelling in (and of) agent-based models: A prospectus. Computational Economics, 53(3), 1245-1263.
Perumal, R., & van Zyl, T. L. (2020, November). Surrogate assisted methods for the parameterisation of agent-based models. In 2020 7th International conference on soft computing & machine intelligence (ISCMI) (pp. 78-82). IEEE.
Reynolds, C. W. (1987, August). Flocks, herds and schools: A distributed behavioral model. In Proceedings of the 14th annual conference on Computer graphics and interactive techniques (pp. 25-34).
von Pichowski, J., & von Mammen, S. (2023, July). Engineering Surrogate Models for Boid Systems. In ALIFE 2023: Ghost in the Machine: Proceedings of the 2023 Artificial Life Conference. MIT Press.
Davison, T., Samavati, F., & Jacob, C. (2019). LifeBrush: Painting, simulating, and visualizing dense biomolecular environments. Computers & Graphics, 82, 232-242.
Kontaktperson
Prof. Dr. Sebastian von Mammen (Hauptansprechperson)
