Читать книгу Dinámica científica y medidas de complejidad - Miguel Fuentes - Страница 16

Con la llegada de nuevas tecnologías y el creciente poder informático, es fácil considerar modelos computacionales para estudiar la evolución de muchos agentes, a diferentes escalas y escenarios. El modelado basado en agentes puede considerarse como la evolución de modelos de autómatas celulares. Esto puede considerarse como un enfoque desde abajo hacia arriba (i. e. ascendente), debido al hecho de que determinadas propiedades observadas en el sistema como un todo (algunas de ellas emergentes) resultan de las interacciones de los componentes microscópicos del sistema. Dicha visión difiere de las otras discutidas en este capítulo, como por ejemplo el mecanismo de Turing, donde la difusión de partículas es modelada a través de un operador espacial que actúa a escala macroscópica.

No hay una receta específica para aplicar el modelado basado en agentes, ya que puede usarse en muchos escenarios y sistemas. Por lo general, pueden estudiarse en varios niveles, como individuos [Axelrod, 1997], poblaciones [Gustafsson y Sternad, 2010], organizaciones, etc.; modelos para la toma de decisiones (notar que en este caso la teoría de juegos también puede aplicarse); topología de las interacciones, redes regulares o irregulares, redes complejas; entornos donde ocurren interacciones sociales y reglas de aprendizaje (o procesos adaptativos), etc.

Se ha argumentado que los principales beneficios del modelado basado en agentes son los siguientes [Bonabeau, 2002]:

i) Captura fenómenos emergentes. Esto se debe a que en principio los fenómenos emergentes provienen de interacciones microscópicas (o entidades individuales), y cuando se utilizan modelos basados en agentes, cualquier característica macroscópica será por definición resultado de reglas microscópicas que actúan sobre un gran número de agentes. Estos fenómenos emergentes pueden aparecer cuando el comportamiento individual es no lineal o cuando las interacciones de los agentes son heterogéneas y pueden generar efectos de red, basados en agentes. Los modelos pueden amplificar las fluctuaciones (algo que es difícil de obtener formalmente utilizando ecuaciones diferenciales) y cuando el comportamiento individual muestra la dependencia de la trayectoria y/o memoria (como en el caso de un atascamiento de tráfico).

ii) En muchos casos, el modelado basado en agentes proporciona la forma más natural de describir las dinámicas y reglas del sistema, centrándose en las reglas individuales de los agentes.

Otras áreas en las que se está aplicando la modelización basada en agentes son: difusión y adopción de la opinión e innovación, diseño de la organización de sistemas sociales, dinámica de mercado de valores y flujos en espacios heterogéneos (por ejemplo tráfico o evacuación).