Agentbaserede

Agentbaserede modelleringsmetoder, eller agentbaseret modellering, er en tilgang inden for datalogi, samfundsvidenskab og naturvidenskab, hvor komplekse systemer beskrives som et sæt autonome agenter, der interagerer lokalt gennem regler og handlinger. Agenterne kan være enkeltpersoner, virksomheder eller andre enheder, og de opererer i et delt rum eller netværk, hvor makroopførsel opstår gennem lokal interaktion.

Nøglekoncepter er heterogenitet mellem agenter; decentralisering; beslutningslogik; tilpasning og læring. Modellen beskriver ikke blot et gennemsnitligt agentopførsel, men giver plads til forskellig adfærd. Interaktioner sker ofte via et miljø eller netværk; tiden kan være diskret eller kontinuerlig; emergens betyder at kollektive mønstre opstår uden central kontrol.

Metode og værktøjer: ABM kræver konstruktion af regler for hvert agent og beskrivelser af miljøet. Simuleringer kører over tid for at observere emergent opførsel. Populære platforme inkluderer NetLogo, Repast og MASON; der anvendes også generiske programmeringssprog. Modeludvikling kræver data til kalibrering og validering, samt analyser af følsomhed og robusthed for at vurdere pålidelighed.

Anvendelser spænder bredt: social- og samfundsvidenskab til studier af kollektiv adfærd og markedssvingninger; epidemiologi og smitteværn; byplanlægning, trafik og transport; økologi og miljøforskning; forsyningskæder og organisatorisk dynamik.

Fordele og udfordringer: Agentbaserede modeller kan fange heterogene aktører og uforudsete mønstre gennem emergens samt være fleksible i komplekse miljøer. Udfordringer inkluderer høj beregnings- og dataomkostning, subjektivt modeldesign, og vanskeligheder ved validering og reproducerbarhed samt risiko for overtilpasning.