Имитационное моделирование как метод для принятия управленческого решения. Часть 4

В этой части мы рассмотрим агентное имитационное моделирование и методы его применения для управления различными бизнес-системами. Агентное моделирование считается довольно новой и перспективной парадигмой моделирования функциональных систем, являющееся видом мультиагентного имитационного моделирования, которое может помочь разобраться в системных закономерностях систем за счет результатов воспроизведения их индивидуального поведения и взаимодействия их активных объектов, которые, в данном случае, называются агентами. Это направление осваивается и развивается в крупнейших научных центрах и университетах по всему миру. Практическое агентное моделирование позволяет получать решения при анализе потребительских и финансовых рынков, потребительских предпочтений и исследовании моделей конкуренции. В социальных науках это направление способствовало появлению нового направления в области социальных исследований — поведенческой экономики.

Агентное моделирование и имитация (Agent-Based Modeling and Simulation — ABMS) — это новое инновационное направление в моделирование сложных систем, состоящих из автономных и независимых агентов. Речь идет об активных, автономных, коммуникабельных, а главное — мотивированных объектах, «живущих» и «действующих» в сложных, динамических и, чаще всего, виртуальных средах. Уже сегодня агентно-ориентированный подход находит широкое применение в таких областях управления, как управление цепями поставок, потребительские рынки и маркетинг, анализ конкурентной среды и др.

Агентная модель представляет реальный мир в виде отдельно специфицируемых активных подсистем, называемых агентами. Агентная модель состоит из множества индивидуальных агентов и их окружения. Каждый из агентов взаимодействует с другими агентами и внешней средой и в процессе функционирования может изменять как свое поведение, так и внешнюю среду. Агенты функционируют независимо, по своим законам, асинхронно, обычно в таких системах не существует централизованного управления.

Поведение системы описывается на индивидуальном уровне, глобальное поведение рассматривается как результат совокупной деятельности агентов, существующих в общей среде, каждый из которых действует по своим правилам. Поведение сложной системы формируется как результат взаимодействия агентов в среде, в которой они осуществляют свое поведение, что позволяет наблюдать и изучать закономерности и свойства, присущие системе в целом. Системологическая имитационная модель формируется «снизу вверх», при построении модели задается индивидуальная логика поведения участников процесса, а тенденции, закономерности и характеристики поведения всей системы формируются как интегральные характеристики поведения совокупности агентов, составляющих систему. Основная цель агентных моделей — получить представление об этих глобальных правилах, общих закономерностях и тенденциях в поведении, динамических свойствах системы исходя из предположений об индивидуальном, частном поведении ее отдельных активных объектов и взаимодействии этих объектов в системе. Агентное моделирование полезно, если требуется исследовать и изучать закономерности, которые проявляются не в поведении отдельных агентов, а приводят к структурным образованиям, изменениям в организации самой системы; а также если необходимо исследовать влияние индивидуального поведения агентов, процессов их адаптации и обучения на поведение, эволюцию и развитие системы. В литературе отмечаются такие свойства агентов, как: его активность по сравнению с пассивными объектами; фундаментальные особенности агента, заключающиеся в его способности принимать свои решения вне зависимости от других агентов; поведение таких агентов может варьироваться от примитивных реакций на изменение внешней среды до сложных адаптивных правил, в которых присутствуют механизмы адаптации, корректирующие его поведение в ответ на изменения окружающей среды.

Агентный подход применяется в тех областях исследований, где отсутствуют теоретическое знание о системе и формальные модели, а также в тех случаях, когда традиционные постулаты об однородности и рациональном поведении агентов, приводящие к агрегированию моделей, не позволяют получить адекватные представления о поведении изучаемой системы. Многоагентные (или просто агентные) модели используются для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами, а наоборот, эти глобальные правила и законы являются результатом индивидуальной активности членов группы.

Вычислительные возможности современных компьютеров и достижения в информационных технологиях позволяют представить систему практически любой сложности из большого количества взаимодействующих объектов, не прибегая к агрегированию, делают возможным реализацию агентных моделей, содержащих десятки и сотни тысяч активных агентов, что позволяет применять ABMS в сферах, где необходимо моделирование большого числа агентов.

В общем и целом можно сказать, что агенты многообразны, неоднородны и динамичны в их поведении и свойствах. Агенты различаются по их атрибутам (свойствам) и накопленным ресурсам (рис. 1). Правила поведения варьируются по своей изощренности соответственно тому, сколько информации необходимо для принятия решения, представлениям агента об его окружении, включая других агентов, а также но размеру памяти агентов о событиях в прошлом, влияющих на принятие текущих решений. Агенты могут быть рациональными (обладают поведением, удовлетворяющим экстремальным принципам) и ограниченно рациональными.

Рис. 1. Основные характеристики агента

Состояние и поведение агентов меняются со временем. Агенты имеют динамические связи с другими агентами, и эти связи могут формироваться и исчезать в процессе функционирования.

Многие исследователи отмечают свойство динамичности среды как важный признак агентных систем. Среда, в которой действуют агенты, не является неким набором экзогенных параметров, не меняющихся во времени. Напротив, сами агенты своим коллективным поведением формируют ее. Например, формирование цены на активы на фондовых рынках происходит под влиянием спроса агентов на них.

В многоагентной системе могут реализовываться различные виды взаимодействий агентов: базовое взаимодействие, координация, ведение переговоров, рыночные механизмы и др.

Лгент-ориентированное моделирование привносит несколько уникальных аспектов в создание имитационной модели, учитывая тот факт, что ABMS рассматривает в основном и в первую очередь системы с ракурса индивидуальных агентов, а не процессов, протекающих в ней. Тем самым к стандартным задачам любого моделирования добавляются идентификация агентов и их поведения, идентификация взаимоотношений агентов, а также сбор первоначальных данных об агентах. Идентификация агентов, точное определение правил их поведения и соответствующее представление взаимодействия агентов — ключевые задачи разработки агент-ориенти- роваппой модели. Агенты есть принимающие решения лица в системе. Они могут включать в себя как традиционных ЛПР, таких как менеджеры, так и нетрадиционных, например сложные транспортные системы со своими собственными правилами.

Исследовать поведение агентов можно различными методами. Первичные данные но агентам и внешней среде собираются на микроуровне, где они, как правило, представлены в достаточном количестве в реальных ИС и их базах данных. Например, существуют маркетинговые исследования, связанные с описанием поведения покупателей, основывающиеся как на теоретических, так и на чисто эмпирических знаниях и наблюдениях. Для исследования психических и когнитивных аспектов поведения экономических агентов и их влияния на процесс принятия решений индивидуумами проводят широкие междисциплинарные экспериментальные наблюдения на основе методов когнитивной психологии.

Последнее время стали появляться специализированные среды для многоагентного моделирования. Благодаря солидным публичным исследованиям и разработкам многие ABMS-программные среды сейчас находятся в свободном доступе. Такие среды, как Repast, Swarm, NetLogo, Mason, NEW-TIES, SOARS, ArtiSoc, EcoLab и Cormas, — среди прочих. Для визуального описания поведения агентов используются диаграммы состояний (стейтчарты), являющиеся стандартным инструментом UML. К коммерческим профессиональным симуляторам, поддерживающим агентное моделирование, можно отнести AnyLogic. В литературе и Интернете можно найти описание функциональных и инструментальных возможностей специализированного программного решения AnyLogic[1], поддерживающего агентное и другие виды имитационного моделирования.

Основными областями применения агентного моделирования в сфере бизнеса и менеджмента являются: потребительские и финансовые рынки, организационное поведение и иррациональное поведение экономических агентов, маркетинг, взаимоотношения и процессы самоорганизации в сетях, транспортные системы, логистика и управление цепями поставок.

Имеется положительный опыт применения агентного моделирования в логистике и управлении цепями поставок. Агентом в таких моделях выступает элемент цепи поставок (компания), он действует независимо, на основе имеющейся у него локальной информации, реагируя на изменения рынка. Присутствует информационное взаимодействие между участниками цени поставок (однако никто не имеет представления о цепочке поставок в целом).

Основные причины применения агентного моделирования в управлении цепями поставок обусловлены[2]:

  • возможностью анализа взаимосвязанных проблем с помощью агент- ориентированных моделей при большом количестве агентов с распределенными (автономными) знаниями и определенной структуре коммуникаций между ними;
  • ориентацией на стратегию «Just in Time», стратегии сотрудничества контрагентов в цепях поставок;
  • сложной системой коммуникации между различными звеньями цепи;
  • большой степенью автономности каждого из звеньев цепи поставок, в системах отсутствует централизованное управление.

Общая структура взаимодействия основных элементов цепи поставок в агентной модели приведена на рис. 2.

Рис. 2. Структура взаимодействия агентов цепи поставок

Основные преимущества применения агентного моделирования в управлении цепями поставок состоят в том, что:

  • поддерживается основная функция логистики — координация и взаимодействие между различными участниками цепи поставок;
  • многоагентная модель позволяет отрабатывать общие бизнес-правила и реализовывать систему управления общими бизнес-процессами, обеспечивая эффективный обмен информацией;
  • в единое целое увязываются внутренние бизнес-процессы и бизнес- процессы партнеров;
  • агентные имитационные модели подобно деловым играм позволяют бизнесу вести разработку стратегии, основанной на доверии.

При реализации динамической модели предприятия могут использоваться различные парадигмы имитационного моделирования и их сочетания для описания бизнес-процессов и внешней среды предприятия. Конкуренты и клиенты — типичные агенты компьютерной модели организации, для анализа бизнес-процессов можно применять дискретное моделирование. Управление финансовыми потоками и другими взаимосвязанными ресурсами предприятия позволит описать системная динамика. Современный менеджер должен уметь ставить задачу управления, выбирать парадигму имитационного моделирования для ее решения, применять современные программные среды моделирования для проведения сценарных исследований на разработанной имитационной модели[3].

Литература

[1] URL: http://anylogic.ru.

[2] Лычкина Н. Н. Инновационные парадигмы имитационного моделирования и их применение в сфере управленческого консалтинга и стратегического менеджмента // Материалы XX Международной студенческой школы-семинара «Новые информационные технологии» (пленарные доклады). 2012. С. 94—105.

[3] Лычкина И. Н. Основные задачи и методика преподавания имитационного моделирования по направлениям подготовки в области экономики и управления на основе стандартовтретьего поколения. Современные технологии и ИТ-образование. Сборник избранных докладов научно-практической конференции : учеб.-метод. пособие / под ред. проф. В. А. Сухомлина. М.: ИНТУИТ.РУ, 2011.

Источник: https://studme.org/