...

Modelagem de sistemas baseada em agentes: alguns

by user

on
Category: Documents
2

views

Report

Comments

Transcript

Modelagem de sistemas baseada em agentes: alguns
próximo
artigo
93 4
Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.
Modelagem de sistemas baseada em agentes: alguns conceitos e ferramentas
Tiago França Melo de Lima 1,3
Sérgio Donizete Faria 2
Britaldo Silveira Soares Filho 2
Tiago Garcia de Senna Carneiro 3
1
Programa de Pós-Graduação em Análise e Modelagem de Sistemas Ambientais
Universidade Federal de Minas Gerais - IGC/UFMG
Belo Horizonte - MG, Brasil
tiagofmlyahoo.com.br
2
Departamento de Cartografia – Universidade Federal de Minas Gerais – UFMG
Belo Horizonte - MG, Brasil
[email protected], [email protected]
3
TerraLAB – Laboratório Associado INPE/UFOP para Modelagem e Simulação
de Sistemas Terrestres – Universidade Federal de Ouro Preto – UFOP
Ouro Preto - MG, Brasil
[email protected]
Abstract. This paper presents some concepts about the agent-based modeling (ABM) and analyses of some tools
that uses this technique of modeling. The ABM is a technique of modeling that has the great advantage the
modeling of systems from its constituents units. But the most of tools that use this technique still have a very
steep learning curve, which complicates and makes impracticable their use by a greater range of users. The
relation facility x flexibility must be evaluated to do the choice of the most adequate tool for each situation. This
process of choice is not easy, and have to consider a great number of aspects. This work, under development,
presents an introduction to ABM and some initial aspects that contribute to analyze and choice one of the various
tools to be used in the process of development agent-based models.
Palavras-chave: modelagem e simulação, agentes, modelagem baseada em agentes.
1. Introdução
Podemos entender um modelo como sendo uma representação simplificada da realidade.
O processo de modelar tem como pontos fundamentais: a escolha de um nível adequado de
abstração, de forma a considerar informações relevantes ao objeto de estudo e desconsiderar
aquelas que não são pertinentes; a linguagem utilizada para representação do modelo. A tarefa
de construir um modelo pressupõe um objetivo associado a este propósito, que permitirá
definir quais informações são importantes e devem ser representadas e escolher a linguagem
mais adequada para descrever tais representações. Um modelo é fruto da visão de mundo do
modelador: a escolha das informações e a forma como estas serão representadas são reflexos
da individualidade de quem está construindo o modelo, do seu conhecimento do objeto de
estudo, de suas experiências pessoais, crenças, e motivações. A simulação de um modelo
consiste na execução deste modelo.
De maneira geral, podemos utilizar duas abordagens diante de um objeto de estudo:
abordagem reducionista (ou analítica), a qual consiste na síntese ou divisão do objeto em suas
unidades constituintes, análise e generalização do entendimento; abordagem holística (ou
sistêmica), considera que a análise do fenômeno deve ser feita no seu próprio nível
hierárquico devido às propriedades emergentes, fruto das interações entre as diversas
unidades complexas e hierarquicamente aninhadas, que constituem o objeto de estudo. As
duas abordagens são complementares.
5279
Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.
Um sistema pode ser visto como o conjunto de suas partes constituintes e a interação
entre estas. Desta forma, o sistema é “maior” que a simples soma das partes. (Bertalanffy,
1975)
Existem diversas tipologias para classificar os modelos. Podem ser baseadas na
linguagem utilizada para sua representação, na metodologia adotada, no processo que
descrevem, na escala que representam, para citar alguns exemplos.
A modelagem e simulação de sistemas tanto pode ser útil para contribuir para o
entendimento do objeto de estudo quanto como procedimento metodológico científico, através
da representação de uma hipótese científica.
A modelagem baseada em agentes é uma das metodologias (ou técnicas) disponíveis para
construção de modelos, e sua utilização está se expandindo rapidamente em diversos campos
da ciência, tais como ciências sociais e ambientais. De acordo com Macal e North (2006) são
algumas das razões que têm levado a esta expansão: 1) os sistemas que precisamos analisar e
modelar estão se tornando cada vez mais complexos em termos de suas interdependências; 2)
alguns sistemas, como o mercado financeiro, sempre nos foram extremamente complexos
para serem modelados; 3) atualmente é possível organizar bases de dados num nível fino de
granularidade, o que permite realizar micro-simulações; 4) o poder computacional que avança
rapidamente.
O artigo tem a seguinte estrutura: a seção 2, Agentes inteligentes, introduz alguns
conceitos sobre agentes inteligentes; a seção 3, Modelagem baseada em agentes, apresenta
definições e alguns aspectos da técnica de modelagem baseada em agentes, bem como suas
vantagens e limitações; a seção 4, Ferramentas para modelagem baseada em agentes,
apresenta as ferramentas Swarm, Repast e NetLogo, que suportam a criação de modelos
baseados em agentes; a seção 5, Análise das ferramentas, discute acerca de alguns critérios
utilizados para analisar as ferramentas apresentadas na seção 4; na seção 6, Considerações
finais, são apresentados as conclusões acerca dos resultados parciais obtidos e os trabalhos
futuros. Na seção 7 são feitos os agradecimentos e as referências bibliográficas são
apresentadas na seção 8.
2. Agentes inteligentes
A definição de agente inteligente (ou racional) tem suas origens no campo da Inteligência
Artificial, e apesar dos diversos estudos relacionados ainda hoje não existe um consenso sobre
a definição do termo. Conforme Russel e Norvig (2003) um agente é tudo o que pode ser
considerado capaz de perceber seu ambiente por meio de sensores e de agir sobre esse
ambiente por intermédio de atuadores. Para Macal e North (2005) um agente deve ter as
seguintes características: (1) ser identificável – um indivíduo discreto com um conjunto de
características e regras que governam seu comportamento e capacidade de tomada de
decisões; (2) estar situado – habitar em um ambiente com o qual interage e também no qual
interage com outros agentes; (3) ser orientado por objetivos; (4) ser autônomo; (5) ser flexível
e possuir habilidade para aprender e adaptar seu comportamento através do tempo baseado em
experiências.
Franklin e Graesser (1996) discutem acerca de diversas definições de agentes e enumeram
alguns comportamentos apresentados por estes, identificados a partir destas definições: (1)
são reativos; (2) são autônomos; (3) são orientados por objetivo(s) / pró-ativos; (4) são
temporalmente contínuos; (5) são sociáveis / comunicativos; (6) possuem capacidade de
aprender / se adaptar; (7) são móveis; (8) são flexíveis; (9) possuem personalidade. Existem
ainda diversos esquemas de classificação de agentes baseados, por exemplo, no tipo de tarefa
que executam ou em sua arquitetura.
A própria definição de Franklin e Graesser (1996) satisfaz apenas as quatro primeiras
características identificadas: “um agente é um sistema situado em um ambiente e é parte dele,
5280
Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.
que percebe o ambiente e age sobre ele, através do tempo, conforme sua própria ‘agenda’ e de
modo a refletir suas percepções futuras”. Porém ainda assim é genérica o suficiente para
abrigar desde um termostato, contendo um ou dois sensores e ações e estrutura de controle
extremamente simples, a seres humanos, com múltiplas e conflitantes orientações, sensores
variados, diversas possibilidades de ações e estruturas de controle extremamente complexas e
sofisticadas. (Franklin e Graesser, 1996)
O conceito de agente inteligente está relacionado à racionalidade. Segundo Russel e
Norvig (2003), a racionalidade é associada a quatro fatores: (1) a medida de desempenho que
define critérios de sucesso; (2) o conhecimento prévio do agente sobre o ambiente; (3) as
ações que o agente é capaz de executar; (4) a seqüência de percepções do agente até o
momento. Estes levam à definição de agente racional: “Para cada seqüência de percepções
possível, um agente racional deve selecionar uma ação que se espera venha maximizar sua
medida de desempenho, dada a evidência fornecida pela seqüência de percepções e qualquer
conhecimento prévio interno do agente”. (Russel e Norvig, 2003)
3. Modelagem baseada em agentes
Assim como não existe uma definição precisa para o termo agente também não há para a
modelagem baseada em agentes (MBA). É possível encontrar inclusive algumas variações de
nomes, tais como: sistemas baseados em agentes (agent-based systems) e modelagem baseada
em indivíduos (individual-based modeling).
Conforme Bonabeau (2002) na modelagem baseada em agentes o sistema é modelado
como uma coleção de entidades autônomas de tomadas de decisão chamadas agentes. No
nível mais simples, um modelo baseado em agentes consiste de um sistema de agentes e as
relações entre estes. Segundo Aguilar et al. (2003) a simulação baseada em agentes se esforça
em substituir atores individuais ou grupos de um determinado sistema por representações de
software destes atores (ou grupos). Embora diversos em suas aplicações e abordagens, estes
modelos tentam criar “micro-mundos” ou would-be-worlds em um computador com o
objetivo de determinar como as interações e comportamentos dos vários agentes individuais
produzem estrutura e padrão (Berry et al., 2002). Para Bonabeau (2002), a MBA é mais uma
forma de pensar que uma tecnologia, onde um sistema é descrito pela perspectiva de suas
unidades constituintes.
De acordo com Macal e North (2006) o processo de se construir modelos baseados em
agentes possui alguns aspectos únicos devido ao fato de se tomar por base a perspectiva de
agentes ao invés da perspectiva baseada em processos da modelagem e simulação tradicional.
Os autores enumeram os seguintes passos gerais para a construção de modelos de agentes: 1)
agentes – identificar os tipos de agentes e seus atributos; (2) ambiente – definir o ambiente no
qual os agentes irão habitar e interagir; (3) métodos de agentes – especificar os métodos pelos
quais os atributos dos agentes serão atualizados em resposta às interações entre agentes e
entre agentes e ambiente; (4) interações de agentes – adicionar os métodos que controlam que
agentes interagem, quando interagem, e como interagem durante a simulação; (5)
implementação – implementar o modelo de agentes em um sistema computacional.
Algumas situações em que a MBA pode oferecer vantagens sobre abordagens tradicionais
e é portanto benéfico pensar em termos de agentes são citadas por Macal e North (2006):
quando há uma representação natural como agentes; quando há decisões e comportamentos
que podem ser definidos discretamente; quando é importante que os agentes se adaptem e
mudem seu comportamento; quando é importante que os agentes tenham relacionamentos
dinâmicos com outros agentes, e os relacionamentos possam ser formados e dissolvidos;
quando é importante que os agentes formem organizações, e a adaptação e aprendizagem são
importantes no nível de organização; quando as mudanças estruturais no processo devam ser
um resultado do modelo, ao invés de entrada do modelo, dentre outras.
5281
Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.
3.1 Vantagens e limitações da modelagem baseada em agentes
Segundo Bonabeau (2002) a modelagem baseada em agentes apresenta alguns benefícios
em relação a outras técnicas de modelagem, pois: (1) permite capturar fenômenos emergentes;
(2) fornece uma descrição natural de certos tipos de sistemas; (3) é flexível. O autor identifica
ainda algumas situações potenciais para utilização da MBA, tais como: quando os agentes
possuem um comportamento complexo, incluindo aprendizagem e adaptação; quando as
interações entre os agentes são complexas, não-lineares, descontinuas; quando a topologia das
interações é heterogênea e complexa; quando o sistema é descrito de forma mais natural
através de atividades ao invés de processos; dentre outras.
Um desafio, comum a todas as técnicas de modelagem, é que o modelo deve ser
construído num nível correto de descrição dos fenômenos, usando uma quantidade adequada
de detalhes, para servir ao seu propósito. Outro desafio envolve a utilização da MBA nas
ciências sociais, que geralmente envolvem seres humanos com comportamentos
potencialmente irracionais, de escolhas subjetivas e psicologia complexa, aspectos difíceis de
quantificar, calibrar e muitas vezes justificar. Outro desafio está relacionado à própria
definição da MBA, a qual trata um sistema no nível de suas unidades constituintes, o que
exige elevado poder computacional e tempo para simulação do modelo, conforme a escala e a
complexidade modelada.
4. Ferramentas para modelagem baseada em agentes
Conforme Castle e Crooks (2006), em geral existem dois tipos de sistemas disponíveis
para o desenvolvimento de modelos baseados em agentes: toolkits e softwares.
As toolkits fornecem um framework conceitual que permite organizar e projetar modelos
baseados em agentes através de bibliotecas de software que incluem rotinas e funcionalidades
projetadas especificamente para MBA. A utilização de toolkits reduz a carga de trabalho com
a programação de partes que não são específicas da modelagem/simulação, tais como:
interfaces gráficas com usuário (GUI – Graphical User Interface), importação e exportação
de dados, visualização e exibição do modelo. Porém, apresenta como desvantagens o grande
esforço inicial para compreender como implementar modelos e entender a linguagem de
programação utilizada pela toolkit. (Castle e Crooks, 2006; Gilbert e Bankes, 2002)
Os softwares simplificam o processo de implementação, por geralmente não exigirem a
utilização de linguagens de programação de mais baixo nível, tais como Java e C++. Ainda,
conforme Castle e Crooks (2006), os softwares são úteis para o desenvolvimento rápido de
modelos básicos ou protótipos. Como desvantagens, os modeladores ficam restritos à
concepção de modelos especificados pelo software, além de se limitarem às funcionalidades
fornecidas por ele (ao contrário das toolkits que permitem a extensão de suas funcionalidades
e integração de novas ferramentas).
Gilbert e Bankes (2002) fazem um paralelo entre o desenvolvimento de ferramentas para
modelagem baseada em agentes e softwares de estatística. Inicialmente os modelos foram
desenvolvidos utilizando-se linguagens de programação de propósito geral, tais como Java e
C++. O passo seguinte foi o surgimento de diversas bibliotecas padronizadas que permitiram
a reutilização e redução de custos de desenvolvimento – estágio equivalente às toolkits
definidas por Castle e Crooks (2006). O avanço na computação estatística foi o
desenvolvimento de coleções de rotinas combinadas em uma interface de usuário comum e
padronizada. O surgimento e evolução de softwares para a MBA ocorreu de forma
semelhante.
As ferramentas Swarm (Minar et al., 1996; Swarm, 2008) e Repast (Repast, 2008) são
apresentadas a seguir como exemplos de toolkits para MBA, enquanto o NetLogo (NetLogo,
2008), como exemplo de software.
5282
Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.
4.1 Swarm
Originalmente desenvolvido no Santa Fe Institute, o Swarm (Minar et al., 2008) foi uma
das primeiras bibliotecas de modelagem baseada em agentes. Atualmente é mantido pelo
Swarm Development Group (SDG). O Swarm é uma plataforma para MBA que inclui: (1) um
framework conceitual para projetar, descrever e conduzir experimentos em MBA; (2)
implementação de software com diversas ferramentas úteis; (3) uma comunidade de usuários
e desenvolvedores que compartilham idéias, softwares e experiências. (Swarm, 2008)
No Swarm a unidade básica de simulação é o swarm. O swarm representa um modelo
completo, composto de agentes bem como da representação do tempo. O Swarm suporta a
modelagem hierárquica, onde agentes podem ser compostos por swarms de outros agentes em
estruturas aninhadas, sendo o comportamento do agente de mais alto-nível definido pelo
fenômeno emergente dos agentes interiores ao seu swarm. O Swarm fornece bibliotecas
orientadas a objetos de componentes reutilizáveis para construção e análise de modelos,
exibição, e controle de experimentos nestes modelos. Fornece ainda um conjunto completo de
bibliotecas para gerenciar agentes, estruturas espaciais para seu ambiente, suas atividades e a
agregação destas atividades e a análise dos resultados. O Swarm possui uma acentuada curva
de aprendizado, sendo necessário possuir experiência em Java (ou Objective C), ser
familiarizado com a metodologia de orientação a objetos e ser capaz de aprender algum
código Swarm. (Aguilar et al., 2001)
4.2 Repast
O Repast, acrônimo para Recursive Porous Agent Simulation Toolkit, desenvolvido na
University of Chicago, é uma toolkit para modelagem baseada em agentes. Atualmente
mantido pela Repast Organization for Architecture and Development (ROAD), utiliza de
muitos conceitos do Swarm. (Repast, 2008).
O Repast prevê uma simulação como uma máquina de estado cujo estado é constituído
pela coletividade dos estados de seus componentes. Estes componentes são divididos em
infra-estrutura e representação. A infra-estrutura é constituída pelos vários mecanismos que
executam a simulação, exibem e coletam dados e assim por diante. A representação é o que o
modelador constrói, ou seja, o modelo de simulação propriamente dito.
Dentre os diversos recursos do Repast podemos citar: inclui uma variedade de templates e
exemplos de agentes; é inteiramente orientado a objetos; permite aos usuários acessar e
modificar dinamicamente propriedades dos agentes, equações de comportamento, e
propriedades do modelo em tempo de execução; inclui bibliotecas para algoritmos genéticos,
redes neurais, geração de números aleatórios; os modelos podem ser desenvolvidos em
diversas linguagens incluindo Java, C#, Visual Basic.Net, Python; possui suporte integrado a
sistemas de informações geográficas. (Repast, 2008)
4.3 NetLogo
O NetLogo (NetLogo, 2008) é um ambiente multi-plataforma para modelagem de
ambientes multi-agentes. É particularmente bem adaptado para modelar sistemas complexos
que se desenvolvem ao longo do tempo. Os modeladores podem instruir centenas ou milhares
de agentes, todos operando de forma independente. Isto torna possível explorar a conexão
entre o comportamento no micro-nível de indivíduos e no macro-nível de padrões que
emergem a partir da interação de muitos indivíduos. É simples o suficiente para permitir que
estudantes possam facilmente executar mesmo construir suas próprias simulações e avançado
o suficiente para servir como uma poderosa ferramenta para pesquisadores de diversas áreas.
(NetLogo)
O NetLogo possui uma extensa documentação e tutoriais, além de vir acompanhado da
Models Library, uma ampla coleção de simulações pré-escritas que podem ser utilizadas e
modificadas. Estas simulações abordam conteúdos de áreas das ciências naturais e sociais. O
5283
Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.
NetLogo é a última geração da série de linguagens de modelagem multi-agentes que teve
início com o StarLogo (http://education.mit.edu/starlogo/). Baseado nas funcionalidades do
StarLogoT (http://ccl.northwestern.edu/cm/starlogoT/), com acréscimo de novos recursos e
uma linguagem e interface com usuário redesenhadas. Desenvolvido em Java, pode ser
executado na maioria das plataformas (Mac, Linux, Windows etc.). Os modelos podem ser
executados como applets Java dentro de um navegador web. (NetLogo)
São algumas das características oferecidas pelo NetLogo: estrutura de linguagem simples;
agentes móveis (turtles) caminham sobre uma grade de agentes estacionários (patches),
criação de links entre turtles para construir agregados, redes e grafos de agentes; visualização
2D e 3D do modelo; controle de velocidade de simulação; monitores que permitem
inspecionar e controlar os agentes.
5. Análise das ferramentas
Selecionadas as ferramentas de MBA apresentadas nas seções 4.1 a 4.3 foram
estabelecidos, principalmente a partir dos trabalhos de Aguilar et al. (2001) e Castle e Crooks
(2006), um conjunto de critérios que permitisse fazer análises e avaliações e auxiliar na tarefa
de escolher uma dentre as várias ferramentas de modelagem existentes.
Aguilar et al. (2001), em sua revisão sobre ferramentas de simulação baseadas em
agentes, estabelece os seguintes critérios de comparação: (1) facilidade de desenvolvimento;
(2) flexibilidade; (3) compatibilidade; (4) portabilidade; (5) facilidade para publicar
simulações na internet; (6) suporte; (7) performance e escalabilidade; (8) disponibilidade de
modelos; (9) facilidades de exibição; (10) exportação de dados.
Castle e Crooks (2006) definem como alguns dos critérios para avaliação: (1) facilidade
de desenvolvimento do modelo/uso do sistema; (2) comunidade de usuários; (3)
disponibilidade de ajuda ou suporte; (4) comunidade de usuários da linguagem de
programação na qual o sistema foi implementado; (5) continuidade do sistema; (6)
disponibilidade de modelos de demonstração e/ou templates de modelos; (7) documentação;
(8) número de agentes que podem ser modelados; (9) graus de interação entre agentes; (10)
representação de múltiplos níveis hierárquicos/organizacionais de agentes; (11) mecanismos
para sincronizar e ordenar eventos; (12) licença de uso.
Desta forma, foram estabelecidos um conjunto de parâmetros comuns que permitisse
avaliar de um modo geral ferramentas de modelagem baseada em agentes e a auxiliar na
tarefa de escolher a melhor opção de acordo com as necessidades específicas de cada usuário
e situação.
6. Considerações Finais
A modelagem baseada em agentes é uma técnica de modelagem extremamente rica que
permite lidar com sistemas complexos a partir de suas unidades constituintes e identificar
propriedades emergentes resultantes das interações entre estas. Algumas situações são
particularmente úteis para utilização desta técnica: quando lidamos com uma população
heterogênea em que cada indivíduo é (potencialmente) diferente; quando os agentes
apresentam comportamento complexo, incluindo aprendizagem e adaptação; quando a
interação entre os agentes é complexa; quando o espaço é crucial e o posicionamento dos
agentes não é fixo. (Bonabeau, 2002)
Apesar de inúmeras vantagens para lidar com problemas complexos a MBA apresenta
alguns desafios para o modelador. O primeiro é inerente a toda atividade de modelagem:
encontrar o nível adequado de abstração e detalhes que constituem o modelo de modo que
este cumpra com seu objetivo. Outra questão de extrema relevância, principalmente para as
ciências sociais, é a modelagem de comportamentos complexos, muitas vezes potencialmente
irracionais, de escolhas subjetivas e psicologia complexa envolvendo agentes humanos, que
5284
Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.
são difíceis de quantificar, calibrar e justificar. Uma outra dificuldade, que não deve ser
desconsiderada, está relacionada à limitação computacional. Apesar do crescente poder
computacional, a modelagem e simulação baseada em agentes demanda uma capacidade de
processamento extremamente elevada, principalmente para sistemas maiores e mais
complexos. Isto se deve ao próprio conceito por trás da modelagem baseada em agentes, que
define um modelo a partir de suas unidades constituintes.
As ferramentas para modelagem e simulação de sistemas baseadas em agentes foram
projetadas inicialmente para facilitar a tarefa de construir modelos. Conforme Gilbert e
Bankes (2002), funcionalidades para outras fases do ciclo de vida da modelagem e simulação,
tais como validação e manutenção do modelo, ainda são particularmente limitadas. O
primeiro suporte para uso do modelo são visualizações do estado do modelo, geralmente
através da exibição em grids bi-dimensionais, e modestas facilidades para coletar informações
de execuções simples do modelo. Funcionalidades como comparar múltiplas execuções do
modelo, carregar ou calibrar modelos a partir de dados, gerar automaticamente um grande
número de casos a partir de projetos de experimentos, coletar ou analisar estatisticamente
resultados de um grande número de experimentos, ainda não são fornecidas pelas ferramentas
de modelagem.
Quanto maior a facilidade fornecida pela ferramenta para construir modelos, maiores
limitações apresentará em termos de flexibilidade. Quanto maior o nível de abstração
utilizado para representação do modelo, ou seja, quanto mais próxima e intuitiva for para o
usuário a linguagem utilizada para representação do modelo, menor será o tempo de
aprendizado, porém mais restritas também serão as possibilidades de se construir modelos
diversos a partir desta linguagem. Desta forma, a melhor ferramenta é a que apresenta melhor
relação facilidade x flexibilidade de acordo com as necessidades específicas de cada
usuário/problema.
O presente trabalho apresentou uma breve introdução a respeito da técnica de modelagem
baseada em agentes, de algumas ferramentas que suportam este tipo de modelagem e
simulação, e alguns critérios que ajudam a escolher a melhor ferramenta. O trabalho encontrase em desenvolvimento, e como resultados parciais já foi possível vislumbrar o quanto será
útil o estabelecimento de uma ferramenta que auxilie a analisar, avaliar e escolher uma dentre
as várias ferramentas que suportam MBA. As próximas estapas do trabalho incluem
incorporar novas ferramentas à análise, criar um conjunto de modelos “genéricos” e
implementar estes modelos em cada uma das ferramentas, possibilitando uma análise mais
aprofundada das capacidades e limitações de cada uma. Por fim, será implementada e
disponibilizada uma ferramenta que auxilie os usuários no processo de avaliar e escolher uma
dentre as várias ferramentas de MBA a ser utilizada na criação de seus modelos baseados em
agentes.
7. Agradecimentos
Agradeço à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
pelo apoio financeiro.
8. Referências bibliográficas
Aguilar, J. A. R., Pinyol, F., Noria, X. e Sanchez, M. L. (2001) “State-of-the-art of software
tools for agent-based simulations”, Research Report D30.1.
Bertalanffy, L. Von. Teoria Geral dos Sistemas. Ed. Vozes. 1975.
Bonabeau, E. (2002) “Agent-Based Modelling: Methods and Techniques for Simulating
Human Systems”, Proceedings of the National Academy of Sciences of the USA (PNAS),
99(3): 7280-7287.
5285
Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.
Berry, Brian J. L., Kiel, L. Douglas, e Elliott, Euel. (2002) “Adaptive agents, intelligence, and
emergent human organization: Capturing complexity through agent-based modeling”.
Castle, C. J. E. e Crooks, A. T. (2006) “Principles and Concepts of Agent-Based Modelling
for Developing Geospatial Simulations”, Working paper, Centre for Advanced Spatial
Analysis (UCL), London, UK.
Franklin, S. e Graesser, A. (1996) “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.
Gilbert, N. e Bankes, S. (2002) “Platforms and Methods for Agent-Based Modelling”,
Proceeding of the National Academy of Sciences of the USA, 99(3): 7197-7198.
Macal, C. M. e North, M. J. (2005) “Tutorial on Agent-Based Modelling and Simulation”, in
Kuhl, M.E., Steiger, N.M, Armstrong, F.B and Joines, J. A. (eds.), Proceedings of the 2005
Winter Simulation Conference.
Macal, C. M. e North, M. J. (2006) “Tutorial on Agent-Based Modelling and Simulation Part
2: How to model with agents”, in Perrone, L. F., Wieland, F. P. Lawson, B. G., Nicol, D. M.
and Fujimoto R. M., J. A. (eds.), Proceedings of the 2006 Winter Simulation Conference.
Minar, N., Burkhart, R., Langton, C., Askenazi, M. “The Swarm simulation system: A toolkit
for building mult-agent simulations”. Working Paper 96-06-042, Santa Fe Institute, Santa Fe.
1996.
NetLogo. http://ccl.northwestern.edu/netlogo/, Último acesso: julho/2008.
Repast. Repast Agent Simulation Toolkit. http://repast.sourceforge.net/repast_3/index.html,
Último acesso: julho/2008.
Russel, S. e Norvig, P. (2003) “Artificial Intelligence: A Modern Approach”, Prentice Hall,
USA.
Swarm. Swarm Development
Último acesso: julho/2008.
Group.
http://repast.sourceforge.net/repast_3/index.html,
5286
Fly UP