CC BY
232
Экономика и управление в отраслях и сферах деятельности
Рамазанов Р. Р. Ramazanov К. R.
аспирант кафедры «Математические методы в экономике», Институт экономики, финансов и бизнеса, ФГБОУ ВО «Башкирский государственный университет», г. Уфа, Российская Федерация
СРАВНИТЕЛЬНАЯ ХАРАКТЕРИСТИКА ПОДХОДОВ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ ОБЩЕСТВЕННЫХ ПРОЦЕССОВ
Развитие компьютерных технологий оказывает двоякое влияние на повседневную практику: с одной стороны, оно вносит свой вклад в усложнение окружающей действительности, c другой, предоставляет все больше возможностей для обуздания растущей сложности. Одним из воплощений таких возможностей стало имитационное моделирование (ИМ). Для менеджера ИМ является существенным подспорьем в процессе принятия сложных управленческих решений. Знание возможностей, принципов и сфер приложения имитационных подходов позволяет превращать сложные трудоемкие аналитические процессы в производственную рутину. С помощью ИМ ученые могут строить теоретические модели, объяснять феномены настоящего и прогнозировать события будущего.
В отличие от теоретического моделирования, нацеленного на построение моделей, отражающих только сущностные стороны явлений одного класса, ИМ воспроизводит частные явления (процессы, объекты) во всей их полноте. Ограничениями при ИМ становятся только цели исследователя, его теоретические познания об объекте и технологические возможности платформы реализации модели. Изменяя экзогенные переменные модели или конфигурацию ее отдельных элементов, исследователь делает прогнозы, проводит сценарные расчеты. Собранная информация применяется к реальному объекту.
За каждой классической задачей имитационного моделирования закреплен свой традиционный подход решения. Задачи теории массового обслуживания решаются с помощью дискретно-событийного моделирования. Системная динамика занимается социально-экономическими процессами. В сферу моделирования динамических систем, в основном, входят задачи относительно замкнутых жестко-детерминированных систем. Исключением является агентный подход. Являясь относительно новым словом в имитационном моделировании, он не имеет традиционной области применения. Исследователю для выбора наиболее подходящего подхода важно ясно осознавать цели своего исследования и природу моделируемого процесса (явления или объекта).
В статье дается сравнительная характеристика подходов имитационного моделирования. Рассматриваются история возникновения, инструменты реализации, особенности и сферы приложения каждого подхода ИМ.
Ключевые слова: имитационное моделирование, общественные процессы, агент-ориентированное моделирование.
COMPARATIVE ANALYSIS OF DIFFERENT SIMULATION MODELING APPROACHES FOR PUBLIC PROCESSES
The development of computer technology has a dual effect on everyday practice: on the one hand it contributes to the complication of the surrounding reality, on the other hand it provides more and more opportunities to curb the growing complexity. One of the embodiments of such opportunities was simulation modeling (SM). For the manager SM is an essential help in the process of making complex management decisions. Knowledge of the possibilities, principles and
Economy and management ín branches and fíelds of actmty
areas of application of imitation approaches makes it possible to transform complex laborintensive analytical processes into an industrial routine. With the help of SM, scientists can build theoretical models, explain the phenomena of the present and predict future events.
Unlike theoretical modeling, aimed at building models reflecting only the essential aspects of the phenomena of one class, SM reproduces particular phenomena (processes, objects) in their entirety. Limitations in SM are only the goals of the researcher, his theoretical knowledge of the object and the technological capabilities of the model implementation platform. Changing the exogenous variables of the model or the configuration of its individual elements, the researcher conducts experiments with it: makes predictions, conducts scenario calculations. The collected information is applied to the real object.
Behind every classic task of simulation is fixed its own traditional solution approach. The problems of queuing theory are solved using discrete-event modeling. System dynamics deals with socio-economic processes. The sphere of modeling dynamic systems mainly includes the problems of relatively closed rigid-deterministic systems. An exception is the agent approach. Being a relatively new word in simulation modeling, it does not have a traditional field of application. To the researcher, in order to choose the most appropriate approach, it is important to clearly understand the goals of your research and the nature of the modeled process (phenomenon or object).
The article gives a comparative description of simulation approaches. The history of origin, implementation tools, features and application areas of each SM approach are noted.
Key words: emulation modelling, public process, agent-based modelling.
Исследуя явления реального мира, ученые используют специальные методы научного познания. Одним из таких методов является моделирование. Моделирование представляет собой процесс построения моделей — аналогов объектов реальности [1, 2]. Модели реальных объектов (процессов, явлений) строятся с целью их изучения, объяснения и предсказания их поведения в будущем.
Процесс моделирования можно разделить на несколько этапов. На первом этапе исследователь «очерчивает» эндогенный контур объекта, за рамками которого существует его экзогенная среда. В рамках эндогенного контура существует совокупность взаимосвязанных элементов объекта. Предполагается, что экзогенная среда задает условия функционирования моделируемого объекта и не испытывает значимого влияния с его стороны. На втором этапе изучаемый объект подвергается анализу — теоретическому расчленению на отдельные условно автономные конструкты. Данные конструкты классифицируются как сущностные и несущностные элементы. Сущностные элементы, в отличие от несущностных, отражают природу изучаемого объекта. Без них объект теряет классификационный признак, онтологический и функциональный статус. На третьем этапе иссле-
дователь, используя научный метод абстрагирования, отбрасывает несущностные элементы и устанавливает связи между сущностными элементами. Таким образом, исследователь получает модель — аналог изучаемого объекта, отражающий его сущностные стороны. Теперь уже модель становится объектом исследования. С помощью моделей ученые объясняют устройство реальных объектов и законов их функционирования [3].
На сегодняшний день не сложилось единой системы классификации видов моделирования. Однако практически во всех существующих классификациях присутствует направление имитационного моделирования (ИМ).
Исследователи прибегают к ИМ, когда проведение экспериментов с реальным объектом невозможны:
— по этическим причинам;
— по причине дороговизны;
— по соображениям безопасности;
— по причине дефицита времени.
Генезис ИМ уходит своими корнями в
1940-е годы, когда фон Нейман и Улан, решая задачу экранирования ядерных излучений, впервые использовали методологию генерации случайных чисел, которая в дальнейшем
получила название «метод Монте-Карло» (ММК). Данный метод предоставляет собой простейшее имитационное моделирование, основанное на получении выборок случайных величин с экзогенно заданными параметрами (вид распределения, математическое ожидание, среднеквадратичное отклонение и т.д.). Полученные выборки используются при дальнейших расчетах. Применение метода оказалось настолько успешным, что он получил распространение и в других областях, в частности в экономике. По существу о применении метода Монте-Карло можно говорить только после работы Н. Метрополиса и С. Улема, вышедшей в 1949 г. В этой работе впервые появился термин «Монте-Карло»
[4].
Аналитической основой имитационного моделирования является общая теория систем (ОТС), основателем которой считается Людвиг фон Берталанфи [5, 6]. В рамках ОТС все объекты (процессы и явления) рассматриваются как системы, перманентно обменивающиеся с окружающей средой веществом и информацией. В процессе такого обмена системы могут:
a) приходить в устойчивое состояние, при котором интенсивность обменных процессов принимает стационарный (постоянный) характер;
b) коллапсировать, когда интенсивность обменных процессов в силу различных причин постоянно увеличивается или уменьшается. В результате коллапса теряются связи между элементами системы или кардинальным образом меняется их характер, что в конечном итоге разрушает или полностью трансформирует систему.
Цель субъекта в ОТС сводится к определению роли каждого элемента системы. Знание архитектуры системы, ее узких мест позволяет эффективно на нее воздействовать и приводить в нужный режим функционирования.
Начало активного применения имитационного моделирования относится к 1960-1980-м гг., когда в широкую практику вошло использование компьютерных технологий. В этот период появляются первые
Экономика и управление в отраслях и сферах деятельности
платформы реализации ИМ. В частности, в 1961 г. сотрудник компании IBM Джефри Гордон разрабатывает Систему моделирования общего назначения — General Purpose Simulation System (GPSS) [7]. Ясно, что развитие имитационных платформ ограничивалось общим уровнем развития цифровых технологий и операционных систем. Так, в конце 1990-х гг. появились принципиально новые моделирующие системы, концепции которых не могли возникнуть раньше — при использовании ЭВМ и операционных систем 1970-1980-х гг. [8].
Начальный этап становления ИМ характеризуется сложностями, связанными с алгоритмизацией моделей. Программы моделей, реализованные на базе существующих на тот момент языков, таких как Бейсик или Фортран, отличались чрезмерной объемностью и сложностью. Создание таких программ требовало больших временных и человеческих ресурсов. Поэтому имитационное моделирование в то время применялось, в основном, в научной сфере. В 1980-1990-х гг. был сделан большой шаг в области разработки платформ для ИМ: в этот период активно использовалось более 20 систем. Тем не менее, все они обладали рядом существенных недостатков. Успех реализации имитационных моделей на этих платформах во многом зависел от изощренности и математической подготовки разработчика. В настоящее время существует большое количество программных продуктов, дифференцированных по областям применения. Современное программное обеспечение отличается гибкостью и «дружелюбным» интерфейсом, позволяющим специалистам из самых разных областей науки и практики относительно легко реализовывать свои наработки.
Популяризация имитационного моделирования в России связана с именем члена-корреспондента АН СССР Н.П. Бусленко [9]. Он и его ученики занимались не только математическими аспектами ИМ, но и разработкой его методики и методологии. Бусленко Н.П. интегрировал частные имитационные подходы в единую агрегативную схему. Школа Бусленко Н.П. стремилась формировать у
Economy and management ín branches and fíelds of actmty
своих последователей имитационное мышление, призывала отказаться от ряда догматических положений математического подхода.
Школу имитационного моделирования Н.П. Бусленко в 60-е гг. развивали Д.И. Голенко, И.Н. Коваленко, И.М. Соболь, Ю.А. Шрейдер; в 70-е гг. — В.А. Абчук, В.Н. Бусленко, И.Я. Динер, Л.А. Емельянов, В.В. Калашников, Н.Б. Кобелев, Ф.А. Матвейчук, Ю.М. Снапелев, В.А. Старосельский, Е.И. Яковлев. В 80-е гг. имитационное моделирование развивалось особенно интенсивно. Основное направление было связано с практическим использованием ИМ в отраслях народного хозяйства, на предприятиях и в сфере обслуживания населения, где постоянно действовали имитационные модели планирования и распределения капиталовложений, размещения предприятий обслуживания, нормирования ресурсов и др. С конца 80-х и в 90-е гг. российская школа имитационного моделирования фактически не развивалась. Лишь начиная с 1999 г. стали появляться отечественные публикации в этом направлении. Основным объектом экономико-математического моделирования, в том числе и имитационного подхода, стали банки, биржи и частично нефтегазовая отрасль, т.е. достаточно крупные объекты, обладающие
финансовыми ресурсами, для которых имитационное моделирование стало средством выработки стратегии поведения на рынке. Правильная оценка конъюнктуры рынка существенно сказывается на эффективности и доходности этих объектов [10].
С помощью имитационного моделирования сегодня решается самый широкий круг задач. А.В. Борщев предлагает классифицировать задачи ИМ по уровню абстракции (рисунок 1) [11].
Высокий уровень абстракции характерен для моделей рынков, конкуренции, динамики населения, экологических систем, здравоохранения. Весь этот круг задач имеет дело с агрегированными величинами. Индивидуальные характеристики отдельных элементов, составляющих эти величины, не принимаются во внимание. Для задач высокого уровня абстрагирования используются такие понятия, как обратная связь, тенденция, цикличность. Правила функционирования имитационных моделей высокой абстракции формулируются в виде импликаций (если ..., то ...). Например, если предложение нефти на рынке растет, то ее цена снижается.
Двигаясь ниже по шкале абстракции, мы приближаемся к задачам управления перевозками, активами, логистикой специальных
Высокий Агрегаты, глобальны« причинные »ависнмостн, динамика обратных связей уровень
костра КЦ1Ш [меньше
н 1.1. UM I.
мз кро уровень, стратегический уровень]
Средний уровень абстракции [Средняя детальность, мечо уровень, тактическим уровень]
HniKHií уровень абстракции [больше деталей, mi ткро уровень, оперативный уровень]
■ Рынок н конкуренция * Динамики персонала
* '-Экономика здравоохранения
Динамика населения
• Экосистема
* 1 ра не 11 о рт: макро модели
* Управление проектами
• Переработки отходов # Цепочки поставок • I It ¡>iiu hiïi * Управление активами
» Отделение скором помощи * Производство « Ск-лад н логистика
• Сервисные центры
* Движение пешеходов * Компьютерные системы
• Транспорт: микромодели
* Системы управления
Отдельные обьекты, точные размеры, скорости, времена
Рисунок 1. Классификация имитационных моделей по уровню абстракции
служб, энергетическими сетями, сервисными центрами и т.п. В таких задачах помимо агрегатных величин необходим учет:
a) логистических факторов: расписание, графики, маршруты, потоки, пропускные способности, пропускные пункты;
b) статистических факторов: распределение вероятностей, средние величины (математическое ожидание), степень отклонения от средних показателей (дисперсия и средне-квадратическое отклонение).
На самом детальном уровне описания располагаются задачи, в которых важны индивидуальные характеристики элементов системы, такие как скорость, размер, объем, масса; если речь идет о моделировании поведения потребителей, на первый план выходят характеристики индивидуальных предпочтений, бюджетных ограничений и т.п. Здесь располагаются модели движения пешеходов, эва-куаций, транспортных развязок, маркетинговых программ, всевозможных мехатронных систем и другие модели микро-уровня.
Понятно, что между условными уровнями абстракции находится целый конгломерат всевозможных моделей (конвейерного производства, отделения скорой помощи, переработки отходов и т.п.), степень детализации которых может сильно варьироваться.
В имитационном моделировании выделяют четыре подхода: моделирование динамических систем, системная динамика, дискретно-событийное моделирование и агентное моделирование. Первые три подхода относятся к традиционным методам; агентный подход — относительно новое направление.
Моделирование динамических систем (МДС). Изначально МДС применялся к жестко-детерминированным системам, и поэтому его закономерно причисляли к аналитическому классу моделей. МДС стало составной частью имитационного моделирования, когда для решения динамических систем стали активно привлекать вычислительные машины.
Динамическими называют системы, состояние которых изменяется во времени под действием внешних и внутренних сил. Термин «динамическая система» (ДС) был
Экономика и управление в отраслях и сферах деятельности
заимствован из теоретической механики, где движения в пространстве под действием сил описывались уравнениями динамики, т.е. дифференциальными уравнениями. Одним из главных отличительных признаков систем, описываемых дифференциальными уравнениями, является обусловленная инерцией замедленная реакция на внешние воздействия. Поведение ДС может носить детерминированный или стохастический характер. Элементы в ДС могут быть линейно и нелинейно связаны. В современной науке понятие динамической системы охватывает системы практически любой природы: физические, химические, биологические, экономические, социальные и др. С помощью ИМ исследователь воспроизводит процесс эволюции динамических систем во времени. Имея информацию о начальном состоянии объекта и состоянии окружающей его среды можно спрогнозировать его будущее состояние.
Использование компьютеров существенно расширило возможности МДС: динамические модели стали оперировать стохастическими величинами; использование вычислительных машин позволило разрешать системы, для которых не существуют аналитические решения.
Среди программных платформ реализации МДС можно выделить Simula 67, Simulink, Adams. Язык программирования общего назначения Simula 67 был разработан Кристеном Нюгордом и Оле-Йоханом Делем в 1967 г. [12]. Simula 67 считается первым объект-ориентированным языком. Simulink реализует визуально-ориентированное программирование, позволяет автоматически составлять графические модели систем и устройств, решать уравнения состояний и наглядно представлять результаты моделирования [13]. Adams — программное средство, предназначенное для моделирования, виртуального тестирования и оптимизации сложных машин и механизмов [14].
Системная динамика (СД) относится к традиционным подходам имитационного моделирования, служит пониманию поведения во времени сложных нелинейных систем. От моделирования динамических систем
Economy and management ín branches and fíelds of actmty
системную динамику отличают ориентация на социально-экономические процессы, особый категориальный и инструментальный аппарат.
Отцом-основателем СД считается американский инженер Джей Форрестер. Сотрудничая с компанией General Electric (GE) в 1950-х годах, он впервые применил концепцию системной динамики. Менеджеры GE долго не могли разрешить загадку текучести кадров на одном из подразделений компании. Форрестер показал, что нестабильность числа рабочих подразделения вызвана внутренней структурой фирмы и не обусловлена внешними факторами.
В 1968 г. Форрестер совместно с мэром Бостона Дж.Ф. Коллинсом применил СД к анализу проблем городского управления. Результатом их сотрудничества стал труд «Urban Dynamics» [15]. Модели, представленные в данной книге, положили начало применения СД в некорпоративном управлении. В 1970 г. Форрестер, используя системную динамику, строит для Римского клуба модель социально-экономического развития WORLD1. Позже модель будет усовершенствована и под названием WORLD2 предстанет в его работе «Мировая динамика» [16]. Модель объясняла связи между такими переменными, как общечеловеческая популяция, загрязнение окружающей среды, возобновляемые и невозобновляемые ресурсы. В 80-е гг. Форрестер занимался разработкой модели национального экономического развития США и продвижением обучения СД в средних школах.
Опишем категориальный аппарат и способ представления процессов в СД на примере модели образования и выплаты государственного долга. Для репрезентации процессов в СД используют причинно-следственные диаграммы (рисунок 2). К числу основных категорий СД относятся потоки, накопители, обратные связи и временные задержки.
Накопители отражают количество сакку-мулированного вещества в системе. Вещество в СД — это количественные показатели, отражающие динамику системы (деньги, люди, температура и т.п.). В нашем примере
имеет место один накопитель — государственный долг, аккумулирующий денежные средства. В причинно-следственных диаграммах накопители изображаются в виде прямоугольников. К накопителям приставляются входные и выходные потоки. Входные потоки поднимают уровень вещества в накопителе; выходные — снижают. В примере входным потоком, увеличивающим государственный долг, является поток госзаимствований; выходным потоком — погашение госдолга.
Связи между переменными в схеме обозначены стрелками. Арифметические знаки отражают характер воздействия переменных. Стрелки без источников представляют собой экзогенные параметры системы (в примере это госдоходы и госрасходы). Если связь между потоком и накопителем прямая, то в ответ на рост уровня в накопителе растет и интенсивность потока. И наоборот, когда имеет место отрицательная связь, с ростом уровня накопителя интенсивность потока снижется. В нашем примере поток госзаимствований увеличивает государственный долг. С увеличением государственного долга увеличиваются процентные платежи по его обслуживанию. Растущие отчисления на обслуживание госдолга вызывают дефицит госбюджета, что становится причиной новых госзаймов. Таким образом, формируется порочный круг, называемый в системной динамике положительным контуром обратной связи. Время отклика потока на изменение уровня накопителя в СД называется временной задержкой [17, 18].
Рисунок 2. Причинно-следственная диаграмма процесса образования и выплаты государственного долга
Популярными платформами реализации системно-динамических моделей являются PowerSim Studio, AnyLogic, NetLogo. Платформа PowerSim Studio разработана в 2005 г. норвежской фирмой PowerSim Software AS. Архитектуру PowerSim Studio составляют инструменты и решения классической системной динамики Дж. Форрестера [19]. AnyLogic и NetLogo являются универсальными платформами, позволяющими реа-лизовывать все подходы ИМ.
Другое традиционное направление ИМ — дискретно-событийное моделирование (ДСМ) — сосредоточено на описании процессов. При данном подходе все процессы описываются как дискретные потоки событий. События, вносящие в характер течения процесса значимые изменения, получают статус значимых. Незначимые события остаются за рамками модельной абстракции. Таким образом, выделяется дискретный поток значимых событий.
В основе подхода дискретно-событийного моделирования лежит концепция заявок, ресурсов и потоковых диаграмм, определяющих потоки заявок и использование ресурсов. Данный подход восходит к ранее упомянутому Джеффри Гордону с его Системой моделирования общего назначения (GPSS). Заявки — это пассивные объекты, представляющие людей, детали, документы, задачи, сообщения и т.п. Они «путешествуют» через процессные блоки, стоя в очередях, обрабатываясь, захватывая и освобождая ресурсы, разделяясь, соединяясь и т.д.
К числу основных элементов дискретно-событийного моделирования относятся: часы, синхронизирующие изменения системы, список событий, генераторы псевдослучайных чисел, показатели средней доступности ресурсов, средней загруженности очереди, среднего времени ожидания в очереди и т.д.
Существует около сотни коммерческих инструментов, поддерживающих подобный стиль моделирования; некоторые общего назначения, большинство нацелено на определённые ниши: обслуживание, бизнес-процессы, производство, логистика и т.д. Их пользовательские интерфейсы могут существенно
Экономика и управление в отраслях и сферах деятельности
различаться из-за специализации, но за ними непременно стоит более или менее одинаковый дискретно-событийный «движок», который «гоняет» заявки через блоки.
Относительно новым направлением имитационного моделирования является агент-ное моделирование (АМ). При данном подходе моделируемый объект (явление или процесс) представляется как совокупность агентов. Агенты — это абстрактные проекции каких-либо автономных сущностей из реального мира, взятых в интересующей исследователя системе отношений. Агентами могут быть: покупатели, осуществляющие выбор товаров; солдаты, сражающиеся на поле боя; пешеходы и автомобили, участвующие в дорожном движении, и т.п. Понятно, что одна агентная модель может быть представлена несколькими видами агентов. АМ исповедует принцип репрезентации объектов «снизу-вверх». Акцент делается не на макро-, а на микроуровень: правила поведения задаются для каждого агента, а общая динамика системы становится следствием совокупности их взаимодействий. Часто эксперименты с такими моделями приводят к весьма нетривиальным результатам [20, 21].
Среди популярных платформ реализации имитационных моделей можно выделить AnyLogic и NetLogo. Первый программный продукт является разработкой отечественной IT-компании XJ Technologies. Программа обладает графической средой пользователя и позволяет использовать язык Java для разработки моделей [22-25]. Система NetLogo, созданная в 1999 г. Ури Виленским, распространяется на некоммерческой основе и пользуется большой популярностью в академической среде [26].
Все подходы, также как и задачи имитационного моделирования, можно дифференцировать по уровню абстракции (рисунок 3).
Подход моделирования динамических систем используется для репрезентации непрерывных процессов, где целесообразно использовать низкий уровень абстракции. Неслучайно, что МДС широко применяется в механике, электронике, энергетике, химии, где переменные состояния имеют прямой
ECONOMY AND MANAGEMENT iN BRANCHES AND FiELDS OF ACTiViTY
физический смысл: координата, скорость, давление, концентрация и т.д. Вышедшая из МДС системная динамика занимается описанием непрерывных процессов, элементами которых являются агрегированные величины. Системно-динамический подход обобщает и отказывается от деталей. Из названия ясно, что дискретно-событийное моделирование охватывает процессы не непрерывного характера. Задачи, решаемые с помощью данного подхода, отличаются средней степенью абстрактности. С одной стороны, ДСМ не оперирует агрегатами, как это делает системная динамика, с другой стороны, не приближается по степени детализации к уровню моделирования динамических систем, где элементы получают физическое описание. При ДСМ-подходе моделируются не физические объекты, а последовательность их хронотопических проекций (их проявлений в пространстве и времени), называемых событиями.
Агентный подход применяется для моделирования объектов дискретной природы любого уровня абстракции. К нему можно
свести практически все подходы имитационного моделирования кроме моделирования динамических систем, которое занимается описанием непрерывных процессов. В случае с системной динамикой достаточно представить циркулирующее по системе вещество в атомарном виде. Например, если речь идет о жидкости, необходимо разбить ее на единицы измерения (литры, миллилитры, баррели) и рассматривать каждую единицу как отдельного агента. Для обозначения нахождения вещества в том или ином накопителе можно присвоить агенту статусную переменную. Например, если статусная переменная агента равна 1, значит, он находится в накопителе № 1, если 2 — в накопителе № 2 и т.д. Через статусные переменные можно задавать правила перемещения вещества между накопителями. Если речь идет о дискретно-событийном моделировании, то здесь по тому же принципу все заявки и узлы системы представляются в виде агентов. Столкновение агента-заявки и агента-узла, по аналогии с ДСМ, будет представляться как событие. Конвертация системно-динами-
Высокнн уровень абстракции [меньше деталей, макроуровень, стратегический уровень]
Средний уровень абстракции [средняя детальность, мезо уровень, та ктнческнй уровень]
Ни '.кии уровень абстракции [больше деталей, Ml 1кро уровень, оперативный уровень]
Агрегаты, глобальные причинные зависимости, дннапдока обратных связей
^ Дискретно- ' событийное моделирование (ДС)
• Заявки (пассивные объекты )
• Потоковые диаграммы
п или сети ^♦Ресурсы
Агентное м оде л 11 рова н 11 е <АМ)
• Активные объекты •Индивидуальные правила поведения
• Прямое и непрямое взаимодействие
• Динамика среды
В основном, дискретные =
Системная динамика (СД)
• На кош и ели i агрегаты i
• Потоки
• Правила (обратные связи i
Динамические системы
• Переменные состояния
• Блок-схемы, алгеоро-дпфференциадьные уравнения
= В основном, непрерывные
Отдельные объекты, точные размеры, скорости, времена
Рисунок 3. Классификация подходов ИМ по уровню абстракции решаемых задач
ческого и дискретно-событийного подходов в агентный подход всегда осуществима, но не всегда целесообразна.
Экономика и управление в отраслях и сферах деятельности Выводы
В качестве заключения представим сравнительные характеристики всех подходов имитационного моделирования в виде таблицы 1.
Таблица 1. Сравнительные характеристики подходов имитационного моделирования
Подход/ Характеристика Динамические системы Дискретно-событийное моделирование Системная динамика Агентное моделирование
Принцип Время-состояние Событийный принцип Сверху-вниз Снизу-вверх
Область применения Физика (механика), химия, энергетика Системы массового обслуживания, дорожный трафик, задачи о конвейерах и пропускных пунктах Социально-экономические процессы Физика, химия, биология, социально-экономические процессы
Уровень абстракции Низкий (высокая детализация) Средний Высокий Весь спектр
Характер смены состояния Непрерывный Дискретный Непрерывный Дискретный
Математизация Высокая Высокая Средняя Средняя и низкая
Особенности графической визуализации Блок-схемы Блок-схемы, потоковые диаграммы Причинно-следственные диаграммы Динамические мультиагентные диаграммы
Основные категории Системы дифференциальных уравнений Узлы, часы, потоки, ожидания, заявки, очереди Потоки, накопители, контуры обратной связи, временные задержки Агенты, связи
Недостатки Требует высокой математической подготовки Ограниченная область применения Малопригоден для описания объектов на высоком уровне абстракции Требует больших вычислительных мощностей
Преимущества Не требует больших вычислительных мощностей Обладает разработанной методологией и формальным языком Не требует высокой математической подготовки; обладает интуитивно понятным категориальным аппаратом Универсальность, незаменимость при моделировании некоторых процессов
Популярные инструменты реализации Simula, Simulink, Adams GPSS (General Purpose Simulation System), ARIS Simulation [4], Arena [3], AnyLogic PowerSim Studio, AnyLogic, NetLogo AnyLogic, NetLogo
Список литературы
1. Лопатников Л.И. Экономико-математический словарь: словарь современной экономической науки. 5-е изд., перераб. и доп. М.: Дело, 2003. 520 с.
2. Шенон Р. Имитационное моделирование систем — искусство и наука: пер. с англ. / Под ред. Е.К. Масловского. М.: Мир, 1978. 421 с.
3. Степин В.С. История и философия науки. М.: Академический Проект; Трикста, 2011. 423 с.
4. Емельянов А.А., Власова Е.А., Дума Р.В. Имитационное моделирование экономических процессов / Под ред. А.А. Емельянова. М.: Финансы и статистика, 2002. 368 с.
5. Берталанфи Л. фон. Общая теория систем — критический обзор // Исследования
Economy and management ín branches and fíelds of actívíty
по общей теории систем: сб. переводов / Общ. ред. В.Н. Садовского и Э.Г. Юдина. М.: Прогресс, 1969. С. 23-82.
6. Берталанфи Л. фон. Общая теория систем — обзор проблем и результатов // Системные исследования: Ежегодник. М.: Наука, 1969. С. 30-54.
7. Бражник А.Н. Имитационное моделирование: возможности GPSS WORLD. СПб.: Реноме, 2006. 439 с.
8. Поляков Н.А. История имитационного моделирования. URL: http://simulation.su/ uploads/files/default/obzor-polyakov-l.pdf (дата обращения 25.08.2016).
9. Биографическая справка. Бусленко Н.П. URL: http://simulation.su/uploads/files/default/ premiya-buslenko-biography.pdf (дата обращения 25.08.2016).
10. Кобелев Н.Б. Основы имитационного моделирования сложных экономических систем. М.: Дело, 2003. 336 с.
11. Борщев А.В. От системной динамики и традиционного ИМ — к практическим агентным моделям: причины, технология, инструменты / ООО «XJ Technologies» и СПбПУ. URL: http://simulation.su/uploads/ files/default/borchev.pdf (дата обращения 25.08.2016).
12. Simula 67. DIRO Simula home. URL: http://www.iro.umontreal.ca/~simula (дата обращения 25.08.2016).
13. Simulink. Моделирование и симуляция динамических систем. URL: http://matlab. ru/products/simulink (дата обращения 25.08.2016).
14. Adams. The Multibody Dynamics Simulation Solution. URL: http://www. mscsoftware.com/product/adams (дата обращения 25.08.2016).
15. Forrester J.W. Urban Dynamics. MIT Press, Cambridge, Massachusetts, 1969.
16. Forrester J.W. World Dynamics. Pegasus Communications, Waltham, Massachusetts, 1971.
17. Каталевский Д.Ю. Основы имитационного моделирования и системного анализа в управлении: учеб. пособие. 2-е изд., пере-раб. и доп. М.: Издательский дом «Дело» РАНХиГС, 2015. 496 с.
18. Медоуз Д.Х. Азбука системного мышления: пер. с англ. / Под ред. чл.-корр. РАН
Н.П. Тарасовой. 2-е изд. М.: БИНОМ. Лаборатория знаний, 2011. 343 с.
19. PowerSim Studio. Динамическое моделирование. URL: http://www.cemi-genkey.ru/ technology1.html (дата обращения 25.08.2016).
20. Агентное моделирование: обучение, статьи, ссылки, публикации. URL: http:// www.agentnoe-modelirovanie.ru (дата обращения 25.08.2016).
21. Бахтизин А.Р. Агент-ориентированные модели экономики. М.: Экономика. 2008. 279 с.
22. AnyLogic. Многоподходное имитационное моделирование. URL: http://www. anylogic.ru (дата обращения 25.08.2016).
23. Карпов Ю. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5. СПб.: БХВ-Петербург, 2005. 400 с.
24. Arena. Моделирование процессов. URL: http://ufacomputer.ru/programma-arena-modelirovaniye-protsessov (дата обращения 17.07.2016).
25. ARIS Simulation. Программный модуль. http://www.ant.kiev.ua/ids/3_4.html (дата обращения 25.08.2016).
26. NetLogo. The multi-agent programmable modeling environment. URL: http://ccl. northwestern.edu/netlogo. (дата обращения 25.08.2016).
References
1. Lopatnikov L.I. Economic and Mathematical Dictionary: Dictionary of Modern Economic Science. 5th ed., revised and additional. M.: Case, 2003. 520 p.
2. Shenon R. Simulation of Systems — Art and Science: transl. from Engl. / Ed. by E.K. Maslovsky. Moscow: Mir, 1978. 421 p.
3. Stepin V.S. History and Philosophy of Science. M.: Academic Project; Triksta, 2011. 423 p.
4. Emelyanov A.A., Vlasova E.A., Duma R.V. Simulation of Economic Processes / Ed. A.A. Emelyanova. Moscow: Finance and Statistics, 2002. 368 p.
5. Bertalanffy L. von. General Theory of Systems — a Critical Review // Studies on the General Theory of Systems: Collection of Translations / General Ed. V.N. Sadovsky and E.G. Yudin. Moscow: Progress, 1969. P. 23-82.
6. Bertalanffy L. von. General Theory of Systems — a Review of Problems and Results // System Studies: Yearbook. Moscow: Nauka, 1969. P. 30-54.
7. Brazhnik A.N. Simulation Modeling: the GPSS WORLD Capabilities. SPb.: Renome, 2006. 439 p.
8. Polyakov N.A. The History of Simulation Modeling. URL: http://simulation.su/uploads/ files/default/obzor-polyakov-l.pdf (accessed on 08/25/2016).
9. Biographical Information. Buslenko N.P. URL: http://simulation.su/uploads/files/default/ premiya-buslenko-biography.pdf (accessed Aug 25, 2013).
10. Kobelev N.B. Fundamentals of Simulation of Complex Economic Systems. Moscow: The Case, 2003. 336 p.
11. Borshchev A.V. From System Dynamics and Traditional MI — to Practical Agent Models: Causes, Technology, Tools. LLC «XJ Technologies» and SPbPU. URL: http:// simulation.su/uploads/files/default/borchev.pdf (accessed August, 25, 2013).
12. Simula 67. DIRO Simula Home. URL: http://www.iro.umontreal.ca/~simula (accessed 25.08.2016).
13. Simulink. Modeling and Simulation of Dynamic Systems. URL: http://matlab.ru/ products/simulink (accessed 25.08.2016).
14. Adams. The Multibody Dynamics Simulation Solution. URL: http://www. mscsoftware.com/product/adams (accessed 25.08.2016).
15. Forrester J.W. Urban Dynamics. MIT Press, Cambridge, Massachusetts, 1969.
Экономика и управление в отраслях и сферах деятельности
16. Forrester J.W. World Dynamics. Pegasus Communications, Waltham, Massachusetts, 1971.
17. Katalevsky D.Yu. Fundamentals of Simulation and System Analysis in Management: a Textbook; 2nd ed., revised and additional. M.: Publishing house «Delo» RANHiGS, 2015. 496 p.
18. Meadows D.H. ABC of System Thinking: transl. from Engl. / Ed. by Member of corr. RAS N.P. Tarasova. 2nd ed. Moscow: BINOM. Laboratory of Knowledge, 2011. 343 p.
19. PowerSim Studio. Dynamic Modeling. URL: http://www.cemi-genkey.ru/technology1. html (accessed 25.08.2016).
20. Agent Modeling: Training, Articles, Links, Publications. URL: http://www.agentnoe-modelirovanie.ru (accessed 25.08.2016).
21. Bakhtizin A.R. Agent-Oriented Models of the Economy. Moscow: Economics. 2008. 279 p.
22. AnyLogic. Multi-Approach Simulation. URL: http://www.anylogic.ru (accessed 25.08.2016).
23. Karpov U. Imitational Modeling of Systems. Introduction to Modeling with AnyLogic 5. SPb.: BHV-Petersburg, 2005. 400 p.
24. Arena. Process Modeling. URL: http:// ufacomputer.ru/programma-arena-modelirovaniye-protsessov (accessed 17.07.2016).
25. ARIS Simulation. Software Module. URL: http:// www.ant.kiev.ua/ids/3_4.html (accessed 25.08.2016).
26. NetLogo. The Multi-Agent Programmable Modeling Environment. URL: http://ccl. northwestern.edu/netlogo (accessed 25.08.2016).
