يادداشت علمی “مدل پویایی های سیستم یا مدل مبتنی بر عامل ؟ کدامیک بهتر است ؟”

مدل پویایی های سیستم یا مدل مبتنی بر عامل ؟ کدامیک بهتر است ؟

هژیر رحمان داد و جان استرمن

بسیاری از مدل سازان مبتدی در پروژه های تحقیقی  خود با این سوال روبرو می شوند که بین رویکردهای “پویایی های سیستم ” و ”  مبتنی بر عامل ” کدامیک بهتر است . اما اساسا این یک پرسش نادرست است  که ریشه در ابهام و سردرگمی درباره ” چیستی ” پویایی های سیستم دارد . هدف مدل پویایی های سیستم توضیح و  تشریح پدیده های پویای مهم ، ایجاد درک و فهم نظری از مقوله مورد مطالعه ، و گاهی برای ارزیابی اجرای سیاست های اصلاحی ، و اغلب شامل همه موارد می باشد . برای انجام این کار ، مدلسازان پویایی های سیستم سعی  دارند مرز مدل را گسترده در نظر بگیرند تا اولا مدل شامل  بازخورد های مهم میان بازیگران و مولفه های سیستم شده و ثانیا  از قواعد تصمیم گیری برای بازیگران و مولفه ها بر اساس اصول تصمیم گیری رفتاری واقع بینانه استفاده کنند ، که اغلب مبتنی بر مطالعه دست اول سازمان ها و افرادی است که مدل سازی روی آنها انجام می شود ، تا از این طریق  بتوانند  فرآیندهای مهم انباشت  و انتقال – حالت را بیان کرده  ،  از گسترده ترین طیف داده های تجربی برای مشخص کردن مدل استفاده نموده  ، و در  تخمین پارامترها  و  تجزیه و تحلیل نتایج مساله اعتماد و اطمینان ایجاد نمایند .

بنابراین مدل های پویایی های سیستم را می توان با استفاده از انواع معماری های شبیه سازی که از لحاظ نوع زمان ( پیوسته یا گسسته ) ، متغیرهای حالت ( پیوسته یا گسسته ) ، و عدم قطعیت ( تصادفی یا قطعی ) متفاوت هستند ، پیاده سازی کرد . معادلات دیفرانسیل معمولی ، معادلات دیفرانسیل تصادفی ، شبیه سازی رویداد گسسته و مدل های مبتنی بر عامل ، معماری های محاسباتی رایجی هستند که انتخاب های متفاوتی را در این ابعاد ارایه می دهند . برنامه های نرم افزاری بسیاری برای پیاده سازی این معماری ها در دسترس هستند و برخی از آنها قابلیت مدل های ترکیبی را نیز دارند که در آنها عناصری از روش های مختلف شبیه سازی تجمیع می شوند . به عنوان مثال مدل هایی هستند که در آنها برخی از متغیرهای حالت دارای بخش های جداگانه( انباره های تجمیع شده ) و برای برخی دیگر ساختار های مبتنی بر فرد ( عامل های فردی ) دارند .

یک متخصص پویایی های سیستم ممکن است با توجه به ویژگی های مساله مورد نظر  یکی از معماری ها را انتخاب کند و این تصمیم معمولا تا حد زیادی به هدف مدل و سطح تجمیع مناسب برای آن هدف بستگی دارد . هر مکانیزم را می توان در سطوح مختلف تجمیع کرد . برای مثال در مدل سازی پویایی های پدیده چاقی در سطح جمعیت ، می توان از یک متغیر منفرد که نشاندهنده جمعیت چاق است استفاده کرد و یا متغیرهای  انباره چندگانه برای افراد در گروه های وزنی مختلف در نظر گرفت و یا گروه های مختلفی از افراد ( عامل ها ) هر کدام با وزن و شاخص توده بدنی خاص خود استفاده کرد . در اصل ، ما می توانیم چنین مدلی را برای در نظر گرفتن اندام های مختلف بدن افراد ، سلول ها ، مولکول ها ، و غیره بیشتر تفکیک کنیم . پس از آن ، انتخاب سطح تجمیع می تواند نشان دهنده انتخاب نوع معماری شبیه سازی باشد . بطور معمول مدل های کلان را می توان در چارچوب معادلات دیفرانسیل ساده تر نشان داد ( مدل های بخشی ، قطعی یا تصادفی ) ، در حالی که تفکیک برای دریافت درجات مهم ناهمگونی دربین اعضاء جمعیت ممکن است نیاز به یک معماری مبتنی بر عامل داشته باشد .

ملاحظات متعددی در انتخاب سطح تجمیع وجود دارد . مدل سازان باید به دنبال سطحی از تجمیع باشند که پویایی های مورد نظر را به تصویر بکشد و بین سادگی مدل و شکل  واقعی مکانیزم های اساسی پدیده مورد مطالعه تعادل برقرار کند . فرآیند ایجاد این تعادل پیچیده است و هیچ قاعده ساده ای برای آن وجود ندارد ، اما چند مورد از ملاحظات زیر را میتوان در نظر داشت :

1. سطح تجمیع در داده های موجود : اگر مدل بسیار کمتر از منابع داده ها تفکیک و تجزیه شود آنگاه تدوین مدل اولا به مفروضات کمکی زیادی نیاز خواهد داشت که توجیه آن ها دشوار است و ثانیا پارامترهای متعددی لازم خواهد شد که آنها را نمی توان بنحو قابل اعتمادی از داده های موجود تخمین زد . از سوی دیگر ، تجمیع بالاتر از سطح داده ها ممکن است اطلاعات مفید را از بین ببرد، اما اگر این جزییات چندان به مشکل مورد نظرمربوط نباشد این امر ممکن است قابل قبول باشد .
2. زمانی که سطح تجمیع مولفه ها و مکانیزم های مختلف مدل مشابه باشند حفظ سازگاری داخلی مدل آسان تر خواهد بود . این امر یکپارچه سازی تقریبا بدون خطای مولفه ها و اجزای مدل را فراهم می آورد .
3. با توجه به محدودیت زمان و منابع مالی ( که مشکلی همگانی است ) مدل سازان بهتر است روی مولفه هایی تمرکز داشته باشند که بیشترین ارزش را به پروژه انها می افزاید . مدل سازان همواره باید بین عواملی چون سطح تفکیک ، جمع آوری داده ها ، افزودن مکانیزم های جدید ، انجام تحلیل جامع ، و غیره تعادل ایجاد کنند . بعلاوه ، تجزیه بیشتر مساله معمولا هزینه های محاسباتی را افزایش داده که در نتیجه هزینه انجام تحلیل حساسیت و سیاستی نیز بیشتر می شود . به منظور به حداکثر رساندن ارزش کلی تحلیل مساله لازم است سطح تجمیع و یکپارچه سازی بنحوی انتخاب شود که بازده نهایی تفکیک با بازده صرف زمان بر روی سایر جوانب مدل سازی برابر شود .

در برخی مسایل سطح مطلوب تجمیع به راحتی تعیین می شود ، در حالی که در برخی دیگر این کار پیچیده بوده و در به کارگیری هریک از  معماری های گوناگون ، مزایا و معایب متعددی وجود داشته باشد . در موارد اخیر استفاده از مطالعات تطبیقی اکتشافی که بهتر میتوانند شباهت ها و تفاوتهای سطوح مختلفی از تجمیع را تشخیص دهند ، مفید می باشد .نمونه ای از چنین تحلیل  تطبیقی را می توانید در منبع زیر ملاحظه کنید(1) .

یک مدل ساز خوب پویایی های سیستم آن روش شبیه سازی را انتخاب می کند که به بهترین وجه می توانداهداف موضوع مورد مطالعه رابراورده کند، ضمن آن که  عواملی چون در دسترس بودن داده های مورد نیاز ، مخاطبان کار ، و تعادل بین بار محاسباتی ،  توانایی انجام تحلیل حساسیت ، توانایی درک رفتار مدل وتوانایی تفهیم و انتقال نتایج و توجیه انها برای افرادی که میخواهیم تحت تاثیر قرار دهیم را در نظر بگیرد .

به طور خلاصه ، سطح تجمیع مدل خود را هوشمندانه انتخاب کنید و اجازه دهید معماری محاسباتی از این انتخاب پیروی کند .

(1) Rahmandad & Sterman (2008). Heterogeneity and Network Structure in the Dynamics of Diffusion:Comparing Agent-based and Differential Equation Models,Management Science 54(5):998-1014.