Artículos

8.2.4: Diseño de simulaciones - Matemáticas


Lección

Simulemos algunos escenarios de la vida real.

Ejercicio ( PageIndex {1} ): Charla numérica: División

Calcula mentalmente el valor de cada expresión.

((4.2 + 3) div 2 )

((4,2 + 2,6 + 4) div 3 )

((4,2 + 2,6 + 4 + 3,6) div 4 )

((4,2 + 2,6 + 4 + 3,6 + 3,6) div 5 )

Ejercicio ( PageIndex {2} ): Ratones reproductores

Un científico está estudiando los genes que determinan el color del pelaje de un ratón. Cuando se reproducen dos ratones con pelaje marrón, existe un 25% de probabilidad de que cada bebé tenga pelaje blanco. Para que el experimento continúe, el científico necesita que al menos 2 de cada 5 ratones bebés tengan pelaje blanco.

Para simular esta situación, puede lanzar dos monedas al mismo tiempo por cada ratón bebé. Si no tiene monedas, puede usar este subprograma.

  • Si ambas monedas caen hacia arriba, representa un ratón con pelaje blanco.
  • Cualquier otro resultado representa un ratón con pelaje marrón.
  1. Haga que cada persona del grupo simule una camada de 5 crías y registre sus resultados. A continuación, determine si al menos 2 de las crías tienen pelaje blanco.
    ratón 1ratón 2ratón 3ratón 4ratón 5¿Al menos 2 tienen pelaje blanco?
    simulación 1
    simulación 2
    simulación 3
    Tabla ( PageIndex {1} )
  2. Con base en los resultados de todos los miembros de su grupo, estime la probabilidad de que el experimento del científico pueda continuar.
  3. ¿Cómo podría mejorar su estimación?

¿Estás listo para más?

Para un cierto par de ratones, la genética muestra que cada descendencia tiene una probabilidad de ( frac {1} {16} ) de que sea albina. Describe una simulación que podrías usar para estimar la probabilidad de que al menos 2 de los 5 descendientes sean albinos.

Ejercicio ( PageIndex {3} ): Diseño de simulaciones

Su maestro le dará a su grupo un documento que describa una situación.

  1. Diseñe una simulación que pueda usar para estimar una probabilidad. Muestre su pensamiento. Organícelo para que otros puedan seguirlo.
  2. Explique cómo utilizó la simulación para responder las preguntas planteadas en la situación.

Resumen

Muchas situaciones del mundo real son difíciles de repetir suficientes veces para obtener una estimación de una probabilidad. Si podemos encontrar probabilidades para partes de la situación, es posible que podamos simular la situación utilizando un proceso que sea más fácil de repetir.

Por ejemplo, si sabemos que cada huevo de un pez en un experimento científico tiene un 13% de probabilidad de tener una mutación, ¿cuántos huevos debemos recolectar para asegurarnos de que tenemos 10 huevos mutados? Si obtener estos huevos es difícil o costoso, podría ser útil tener una idea de cuántos huevos necesitamos antes de intentar recolectarlos.

Podríamos simular esta situación haciendo que una computadora seleccione números aleatorios entre 1 y 100. Si el número está entre 1 y 13, cuenta como un huevo mutado. Cualquier otro número representaría un huevo normal. Esto coincide con el 13% de probabilidad de que cada huevo de pez tenga una mutación.

Podríamos seguir pidiendo a la computadora números aleatorios hasta que obtengamos 10 números que estén entre 1 y 13. La cantidad de veces que le pedimos a la computadora un número aleatorio nos daría una estimación de la cantidad de huevos de pescado que necesitaríamos recolectar.

Para mejorar la estimación, todo este proceso debe repetirse muchas veces. Debido a que las computadoras pueden realizar simulaciones rápidamente, podríamos simular la situación 1000 veces o más.

Práctica

Ejercicio ( PageIndex {4} )

Una planta rara y delicada solo producirá flores a partir del 10% de las semillas plantadas. Para ver si vale la pena plantar 5 semillas para ver alguna flor, se va a simular la situación. ¿Cuál de estas opciones es la mejor simulación? Para los demás, explique por qué no es una buena simulación.

  1. Otra planta puede modificarse genéticamente para producir flores el 10% del tiempo. Plante 30 grupos de 5 semillas cada uno y espere 6 meses para que las plantas crezcan y cuente la fracción de grupos que producen flores.
  2. Lanza un dado estándar 5 veces. Cada vez que aparece un 6, representa una planta que produce flores. Repite este proceso 30 veces y cuenta la fracción de veces que aparece al menos un número 6.
  3. Haga que una computadora produzca 5 dígitos aleatorios (del 0 al 9). Si aparece un 9 en la lista de dígitos, representa una planta que produce flores. Repite este proceso 300 veces y cuenta la fracción de veces que aparece al menos un número 9.
  4. Crea una ruleta con 10 secciones iguales y marca una de ellas como "flores". Gira la ruleta 5 veces para representar las 5 semillas. Repita este proceso 30 veces y cuente la fracción de veces que se hizo girar al menos 1 "flor".

Ejercicio ( PageIndex {5} )

Jada y Elena se enteraron de que el 8% de los estudiantes tienen asma. Quieren saber la probabilidad de que en un equipo de 4 estudiantes, al menos uno de ellos tenga asma. Para simular esto, pusieron 25 tiras de papel en una bolsa. Dos de los resbalones dicen "asma". A continuación, sacan cuatro papeles de la bolsa y registran si al menos uno de ellos dice "asma". Repiten este proceso 15 veces.

  • Jada dice que podrían mejorar la precisión de su simulación usando 100 hojas de papel y marcando 8 de ellas.
  • Elena dice que podrían mejorar la precisión de su simulación realizando 30 ensayos en lugar de 15.
  1. ¿Estás de acuerdo con alguno de ellos? Explica tu razonamiento.
  2. Describe otro método de simulación del mismo escenario.

Ejercicio ( PageIndex {6} )

La figura de la izquierda es un prisma trapezoidal. La figura de la derecha representa su base. Calcula el volumen de este prisma.

(De la Unidad 7.3.3)

Ejercicio ( PageIndex {7} )

Haga coincidir cada expresión de la primera lista con una expresión equivalente de la segunda lista.

  1. ((8x + 6y) + (2x + 4y) )
  2. ((8x + 6y) - (2x + 4y) )
  3. ((8x + 6y) - (2x-4y) )
  4. (8x-6y-2x + 4y )
  5. (8x-6y + 2x-4y )
  6. (8x - (- 6y-2x + 4y) )
  1. (10 ​​(x + y) )
  2. (10 ​​(x-y) )
  3. (6 (x- frac {1} {3} y) )
  4. (8x + 6y + 2x-4y )
  5. (8x + 6y-2x + 4y )
  6. (8x-2x + 6y-4y )

(De la Unidad 6.4.5)


Lección 10

En esta lección, los estudiantes ven que la probabilidad de eventos compuestos también se puede estimar usando simulaciones. La última actividad de esta lección es la culminación de todo el trabajo que los estudiantes han realizado con probabilidad en esta unidad, ya que cada grupo trabaja para diseñar una simulación para una situación diferente. Los estudiantes eligen estratégicamente herramientas (MP5) como cubos numéricos, ruedas giratorias, bloques, etc., para representar los experimentos al azar en las situaciones que se les presentan. Esta también es una oportunidad para que los estudiantes practiquen la comunicación precisa (MP6) sobre cómo se lleva a cabo su simulación y qué representan sus resultados.

Metas de aprendizaje

Simulemos algunos escenarios de la vida real.

Los materiales requeridos

Preparación requerida

Cada 3 estudiantes necesitan 2 monedas para la actividad Cría de ratones.

Imprima y recorte preguntas del maestro de línea negra de Designing Simulations. Utilice una pregunta por cada 3 estudiantes. Los grupos necesitarán acceso a cubos de números, transportadores, reglas, brújulas, clips, bolsas, cubos de presión y tijeras para simular sus escenarios.

Objetivos de aprendizaje

Estándares CCSS

Materiales con formato de impresión

Los maestros con una dirección de correo electrónico laboral válida pueden hacer clic aquí para registrarse o iniciar sesión para obtener acceso gratuito a los materiales de Cool Down, Teacher Guide y PowerPoint.

Recursos adicionales

IM 6–8 Math fue desarrollado originalmente por Open Up Resources y escrito por Illustrative Mathematics®, y tiene derechos de autor 2017-2019 de Open Up Resources. Tiene licencia de Creative Commons Attribution 4.0 International License (CC BY 4.0). El plan de estudios de matemáticas 6–8 de OUR está disponible en https://openupresources.org/math-curriculum/.

Las adaptaciones y actualizaciones de IM 6–8 Math tienen copyright 2019 de Illustrative Mathematics y están autorizadas bajo la licencia internacional Creative Commons Attribution 4.0 (CC BY 4.0).

Las adaptaciones para agregar apoyos adicionales para el aprendizaje del idioma inglés tienen derechos de autor de 2019 de Open Up Resources y tienen licencia de Creative Commons Attribution 4.0 International License (CC BY 4.0).

El segundo conjunto de evaluaciones de inglés (marcado como conjunto "B") tiene copyright 2019 de Open Up Resources, y tiene licencia de Creative Commons Attribution 4.0 International License (CC BY 4.0).

La traducción al español de las evaluaciones "B" tiene derechos de autor 2020 de Illustrative Mathematics y está autorizada bajo la Licencia Internacional Creative Commons Attribution 4.0 (CC BY 4.0).

El nombre y el logotipo de Illustrative Mathematics no están sujetos a la licencia Creative Commons y no pueden usarse sin el consentimiento previo y expreso por escrito de Illustrative Mathematics.

Este sitio incluye imágenes de dominio público o imágenes con licencia abierta que tienen derechos de autor de sus respectivos propietarios. Las imágenes con licencia abierta permanecen bajo los términos de sus respectivas licencias. Consulte la sección de atribución de imágenes para obtener más información.


Michigan Tech y Altair

Michigan Tech tiene muchos vínculos con Altair: Chouinard, el director de operaciones de la compañía, forma parte de la Junta Asesora de ME-EM, otro ex alumno, Michael Heskitt, uno de los directores técnicos de Altair y otro ex alumno, Erik Larson, es ingeniero de aplicaciones y Director de Formación.

Bill Predebon, presidente del Departamento de Ingeniería Mecánica-Ingeniería Mecánica de Michigan Tech, utiliza mucho modelado y simulación en su propia investigación, por lo que ha estado siguiendo de cerca los esfuerzos pioneros de Altair en ese frente. Visitó Chouinard hace un par de años, "y quedé muy impresionado con las capacidades de optimización de su software de simulación", dice.

Predebon regresó a Tech decidido a hacer del software de simulación de Altair una piedra angular de su plan de estudios. Encontró defensores entusiastas en Van Karsen y Jim DeClerck, profesor de práctica en ingeniería mecánica.


Los investigadores diseñan una herramienta de simulación para predecir la propagación de enfermedades y plagas

Los investigadores de la Universidad Estatal de Carolina del Norte han desarrollado una herramienta de simulación por computadora para predecir cuándo y dónde las plagas y enfermedades atacarán cultivos o bosques, y también probar cuándo aplicar pesticidas u otras estrategias de manejo para contenerlos.

"Es como tener un montón de Tierras diferentes para experimentar y probar cómo funcionará algo antes de gastar tiempo, dinero y esfuerzo en hacerlo", dijo el autor principal del estudio, Chris Jones, investigador del Centro de Análisis Geoespacial de la Universidad Estatal de Carolina del Norte. .

En el diario Fronteras en ecología y medio ambiente, los investigadores informaron sobre sus esfuerzos para desarrollar y probar la herramienta, a la que llamaron "PoPS", para la plataforma de pronóstico de propagación de plagas o patógenos. Trabajando con el Servicio de Inspección de Sanidad Animal y Vegetal del Departamento de Agricultura de los EE. UU., Crearon la herramienta para pronosticar cualquier tipo de enfermedad o patógeno, sin importar la ubicación.

Su sistema de modelado por computadora funciona combinando información sobre las condiciones climáticas adecuadas para la propagación de una determinada enfermedad o plaga con datos sobre dónde se han registrado los casos, la tasa de reproducción del patógeno o plaga y cómo se mueve en el medio ambiente. Con el tiempo, el modelo mejora a medida que los administradores de recursos naturales agregan datos que recopilan del campo. Esta retroalimentación repetida con nuevos datos ayuda a que el sistema de pronóstico mejore en la predicción de la propagación futura, dijeron los investigadores.

"Tenemos una herramienta que se puede poner en manos de un usuario no técnico para aprender sobre la dinámica y el manejo de la enfermedad, y cómo las decisiones de manejo afectarán la propagación en el futuro", dijo Jones.

La herramienta es necesaria ya que las agencias estatales y federales encargadas de controlar las plagas y enfermedades de los cultivos enfrentan un número creciente de amenazas a los cultivos, árboles y otros recursos naturales importantes. Estas plagas amenazan el suministro de alimentos y la biodiversidad en bosques y ecosistemas.

"El mayor problema es la gran cantidad de nuevas plagas y patógenos que están entrando", dijo Jones. "Las agencias estatales y federales encargadas de administrarlos tienen un presupuesto cada vez menor para gastar en un número cada vez mayor de plagas. Tienen que descubrir cómo gastar ese dinero de la manera más inteligente posible".

Los investigadores ya han estado usando PoPS para rastrear la propagación de ocho diferentes plagas y enfermedades emergentes. En el estudio, describieron cómo perfeccionar el modelo para rastrear la muerte súbita del roble, una enfermedad que ha matado a millones de árboles en California desde la década de 1990. En Oregon se ha detectado una nueva cepa más agresiva de la enfermedad.

También están mejorando el modelo para rastrear la mosca linterna manchada, una plaga invasora en los Estados Unidos que infesta principalmente un cierto tipo de árbol invasor conocido como "árbol del cielo". La mosca linterna manchada ha estado infestando cultivos de frutas en Pensilvania y estados vecinos desde 2014. Puede atacar cultivos de uva, manzana y cereza, así como almendras y nueces.

Los investigadores dijeron que así como los meteorólogos incorporan datos en modelos para pronosticar el clima, los científicos ecológicos están utilizando datos para mejorar el pronóstico de eventos ambientales, incluida la propagación de plagas o patógenos.

"Hay un movimiento en ecología para pronosticar las condiciones ambientales", dijo Megan Skrip, coautora del estudio y comunicadora científica en el Centro de Análisis Geoespacial. “Si podemos pronosticar el clima, ¿podemos pronosticar dónde habrá una floración de algas o qué especies estarán en ciertas áreas en ciertos momentos? Este documento es una de las primeras demostraciones de cómo hacer esto para la propagación de plagas y patógenos. "


Contenido

La idea del modelado basado en agentes se desarrolló como un concepto relativamente simple a fines de la década de 1940. Dado que requiere procedimientos intensivos en computación, no se generalizó hasta la década de 1990.

Desarrollos tempranos Editar

La historia del modelo basado en agentes se remonta a la máquina de Von Neumann, una máquina teórica capaz de reproducirse. El dispositivo que propuso von Neumann seguiría instrucciones precisas y detalladas para crear una copia de sí mismo. El concepto fue luego construido por el amigo de von Neumann, Stanislaw Ulam, también matemático Ulam sugirió que la máquina se construyera en papel, como una colección de celdas en una cuadrícula. La idea intrigó a von Neumann, quien la elaboró, creando el primero de los dispositivos que luego se denominaron autómatas celulares. Otro avance fue introducido por el matemático John Conway. Construyó el conocido Game of Life. A diferencia de la máquina de von Neumann, el Juego de la vida de Conway operaba con reglas simples en un mundo virtual en forma de tablero de ajedrez bidimensional.

El lenguaje de programación Simula, desarrollado a mediados de la década de 1960 y ampliamente implementado a principios de la de 1970, fue el primer marco para automatizar las simulaciones de agentes paso a paso.

Décadas de 1970 y 1980: los primeros modelos Editar

Uno de los primeros modelos conceptuales basados ​​en agentes fue el modelo de segregación de Thomas Schelling, [6] que se discutió en su artículo "Modelos dinámicos de segregación" en 1971. Aunque Schelling originalmente usó monedas y papel cuadriculado en lugar de computadoras, sus modelos incorporaron la concepto básico de modelos basados ​​en agentes como agentes autónomos que interactúan en un entorno compartido con un resultado emergente agregado observado.

A principios de la década de 1980, Robert Axelrod organizó un torneo de estrategias de Prisoner's Dilemma y los hizo interactuar de una manera basada en agentes para determinar un ganador. Axelrod continuaría desarrollando muchos otros modelos basados ​​en agentes en el campo de la ciencia política que examinan fenómenos desde el etnocentrismo hasta la diseminación de la cultura. [7] A finales de la década de 1980, el trabajo de Craig Reynolds sobre modelos de bandadas contribuyó al desarrollo de algunos de los primeros modelos basados ​​en agentes biológicos que contenían características sociales. Trató de modelar la realidad de los agentes biológicos vivos, conocidos como vida artificial, un término acuñado por Christopher Langton.

El primer uso de la palabra "agente" y una definición tal como se usa actualmente es difícil de rastrear. Un candidato parece ser el artículo de 1991 de John Holland y John H. Miller "Agentes adaptativos artificiales en la teoría económica", [8] basado en una presentación anterior de ellos en una conferencia.

Al mismo tiempo, durante la década de 1980, científicos sociales, matemáticos, investigadores de operaciones y una dispersión de personas de otras disciplinas desarrollaron la Teoría de la Organización Computacional y Matemática (CMOT). Este campo creció como un grupo de interés especial del Instituto de Ciencias de la Gestión (TIMS) y su sociedad hermana, la Sociedad de Investigación de Operaciones de América (ORSA).

Década de 1990: expansión Editar

La década de 1990 fue especialmente notable por la expansión de ABM dentro de las ciencias sociales, un esfuerzo notable fue el ABM a gran escala, Sugarscape, desarrollado por Joshua M. Epstein y Robert Axtell para simular y explorar el papel de fenómenos sociales como las migraciones estacionales, contaminación, reproducción sexual, combate y transmisión de enfermedades e incluso cultura. [9] Otros desarrollos notables de la década de 1990 incluyeron Kathleen Carley ABM de la Carnegie Mellon University, [10] para explorar la evolución conjunta de las redes sociales y la cultura. Durante este período de la década de 1990, Nigel Gilbert publicó el primer libro de texto sobre simulación social: simulación para el científico social (1999) y estableció una revista desde la perspectiva de las ciencias sociales: la Revista de sociedades artificiales y simulación social (JASSS). Aparte de JASSS, los modelos basados ​​en agentes de cualquier disciplina están dentro del alcance de la revista SpringerOpen. Modelado de sistemas adaptativos complejos (CASM). [11]

A mediados de la década de 1990, el hilo de las ciencias sociales de ABM comenzó a enfocarse en temas como el diseño de equipos efectivos, la comprensión de la comunicación requerida para la efectividad organizacional y el comportamiento de las redes sociales. CMOT, posteriormente renombrado Análisis Computacional de Sistemas Sociales y Organizacionales (CASOS), incorporó cada vez más modelos basados ​​en agentes. Samuelson (2000) es una buena descripción general de la historia temprana, [12] y Samuelson (2005) y Samuelson y Macal (2006) trazan los desarrollos más recientes. [13] [14]

A fines de la década de 1990, la fusión de TIMS y ORSA para formar INFORMS, y el cambio de INFORMS de dos reuniones cada año a una, ayudó a impulsar al grupo CMOT a formar una sociedad separada, la Asociación Norteamericana de Ciencias Sociales y Organizacionales Computacionales. (NAACSOS). Kathleen Carley fue una de las principales contribuyentes, especialmente a los modelos de redes sociales, obteniendo fondos de la National Science Foundation para la conferencia anual y sirviendo como la primera presidenta de NAACSOS. Fue reemplazada por David Sallach de la Universidad de Chicago y el Laboratorio Nacional Argonne, y luego por Michael Prietula de la Universidad Emory. Aproximadamente al mismo tiempo que comenzó NAACSOS, se organizaron la Asociación Europea de Simulación Social (ESSA) y la Asociación del Pacífico Asiático para el Enfoque Basado en Agentes en la Ciencia de los Sistemas Sociales (PAAA), contrapartes de NAACSOS. A partir de 2013, estas tres organizaciones colaboran internacionalmente. El Primer Congreso Mundial de Simulación Social se celebró bajo su patrocinio conjunto en Kyoto, Japón, en agosto de 2006. [ cita necesaria ] El Segundo Congreso Mundial se llevó a cabo en los suburbios del norte de Virginia en Washington, D.C., en julio de 2008, con la Universidad George Mason asumiendo el papel principal en los arreglos locales.

2000 y posteriores Editar

Más recientemente, Ron Sun desarrolló métodos para basar la simulación basada en agentes en modelos de cognición humana, conocida como simulación social cognitiva. [15] Bill McKelvey, Suzanne Lohmann, Dario Nardi, Dwight Read y otros en UCLA también han hecho contribuciones significativas en el comportamiento organizacional y la toma de decisiones. Desde 2001, UCLA ha organizado una conferencia en Lake Arrowhead, California, que se ha convertido en otro importante punto de encuentro para los profesionales en este campo. [ cita necesaria ]

La mayor parte de la investigación en modelos computacionales describe sistemas en equilibrio o que se mueven entre equilibrios. Sin embargo, el modelado basado en agentes, usando reglas simples, puede resultar en diferentes tipos de comportamientos complejos e interesantes. Las tres ideas centrales de los modelos basados ​​en agentes son agentes como objetos, emergencia y complejidad.

Los modelos basados ​​en agentes consisten en agentes basados ​​en reglas que interactúan dinámicamente. Los sistemas dentro de los cuales interactúan pueden crear una complejidad similar al mundo real. Normalmente, los agentes están situados en el espacio y el tiempo y residen en redes o en vecindarios enrejados. La ubicación de los agentes y su comportamiento de respuesta están codificados en forma algorítmica en programas informáticos. En algunos casos, aunque no siempre, los agentes pueden considerarse inteligentes y decididos. En el ABM ecológico (a menudo denominado "modelos basados ​​en el individuo" en ecología), los agentes pueden, por ejemplo, ser árboles en el bosque y no se considerarían inteligentes, aunque pueden tener "propósito" en el sentido de optimizar el acceso a un recurso (como el agua). El proceso de modelado se describe mejor como inductivo. El modelador hace las suposiciones que se consideran más relevantes para la situación en cuestión y luego observa cómo emergen los fenómenos de las interacciones de los agentes. A veces, ese resultado es un equilibrio. A veces es un patrón emergente. A veces, sin embargo, es un mangle ininteligible.

De alguna manera, los modelos basados ​​en agentes complementan los métodos analíticos tradicionales. Donde los métodos analíticos permiten a los humanos caracterizar los equilibrios de un sistema, los modelos basados ​​en agentes permiten la posibilidad de generar esos equilibrios. Esta contribución generativa puede ser la corriente principal de los beneficios potenciales del modelado basado en agentes. Los modelos basados ​​en agentes pueden explicar el surgimiento de patrones de orden superior: estructuras de red de organizaciones terroristas e Internet, distribuciones de leyes de poder en el tamaño de atascos de tráfico, guerras y choques bursátiles, y segregación social que persiste a pesar de las poblaciones de gente tolerante. Los modelos basados ​​en agentes también se pueden utilizar para identificar puntos de palanca, definidos como momentos en el tiempo en los que las intervenciones tienen consecuencias extremas, y para distinguir entre los tipos de dependencia de la trayectoria.

En lugar de centrarse en estados estables, muchos modelos consideran la robustez de un sistema: las formas en que los sistemas complejos se adaptan a las presiones internas y externas para mantener sus funcionalidades. La tarea de aprovechar esa complejidad requiere la consideración de los propios agentes: su diversidad, conectividad y nivel de interacciones.

Marco Editar

El trabajo reciente sobre el modelado y simulación de sistemas adaptativos complejos ha demostrado la necesidad de combinar modelos basados ​​en agentes y modelos basados ​​en redes complejas. [16] [17] [18] describen un marco que consta de cuatro niveles de desarrollo de modelos de sistemas adaptativos complejos descritos utilizando varios ejemplos de estudios de casos multidisciplinarios:

  1. Nivel de modelado de red compleja para desarrollar modelos utilizando datos de interacción de varios componentes del sistema.
  2. Nivel de modelado exploratorio basado en agentes para desarrollar modelos basados ​​en agentes para evaluar la viabilidad de futuras investigaciones. Esto puede, por ejemplo, Ser útil para desarrollar modelos de prueba de concepto como, por ejemplo, para financiar aplicaciones sin requerir una curva de aprendizaje extensa para los investigadores.
  3. Modelado descriptivo basado en agentes (DREAM) para el desarrollo de descripciones de modelos basados ​​en agentes mediante el uso de plantillas y modelos complejos basados ​​en redes. La construcción de modelos DREAM permite la comparación de modelos entre disciplinas científicas.
  4. Modelado basado en agentes validado utilizando el sistema Virtual Overlay Multiagent (VOMAS) para el desarrollo de modelos verificados y validados de manera formal.

Otros métodos para describir modelos basados ​​en agentes incluyen plantillas de código [19] y métodos basados ​​en texto como el protocolo ODD (descripción general, conceptos de diseño y detalles de diseño). [20]

El papel del entorno donde viven los agentes, tanto macro como micro, [21] también se está convirtiendo en un factor importante en el trabajo de simulación y modelado basado en agentes. El entorno simple proporciona agentes simples, pero los entornos complejos generan diversidad de comportamiento. [22]

En el modelado de sistemas adaptativos complejos Editar

Vivimos en un mundo muy complejo donde nos enfrentamos a fenómenos complejos como la formación de normas sociales y la aparición de nuevas tecnologías disruptivas. Para comprender mejor tales fenómenos, los científicos sociales a menudo utilizan un enfoque de reduccionismo en el que reducen los sistemas complejos a variables de nivel inferior y modelan las relaciones entre ellos a través de un esquema de ecuaciones como la ecuación diferencial parcial (PDE) [ cita necesaria ]. Este enfoque que se llama modelado basado en ecuaciones (EBM) tiene algunas debilidades básicas en el modelado de sistemas complejos reales. Los MBE enfatizan suposiciones no realistas, como la racionalidad ilimitada y la información perfecta, mientras que la adaptabilidad, la capacidad de evolución y los efectos de red no se abordan [ cita necesaria ]. Al abordar las deficiencias del reduccionismo, el marco de los sistemas adaptativos complejos (CAS) ha demostrado ser muy influyente en las últimas dos décadas [ cita necesaria ]. En contraste con el reduccionismo, en el marco de CAS, los fenómenos complejos se estudian de una manera orgánica donde se supone que sus agentes son tanto racionalmente limitados como adaptativos [ cita necesaria ]. Como metodología poderosa para el modelado CAS, el modelado basado en agentes (ABM) ha ganado una popularidad creciente entre académicos y profesionales. Los ABM muestran cómo las reglas de comportamiento simples de los agentes y sus interacciones locales a microescala pueden generar patrones sorprendentemente complejos a macroescala. [23]

En biología Editar

El modelado basado en agentes se ha utilizado ampliamente en biología, incluido el análisis de la propagación de epidemias, [24] y la amenaza de guerra biológica, aplicaciones biológicas que incluyen dinámica de poblaciones, [25] expresión genética estocástica, [26] interacciones planta-animal, [27] ecología de la vegetación, [28] diversidad del paisaje, [29] sociobiología, [30] el crecimiento y declive de las civilizaciones antiguas, la evolución del comportamiento etnocéntrico, [31] el desplazamiento / migración forzada, [32] la dinámica de elección del idioma, [33 ] modelado cognitivo y aplicaciones biomédicas, incluido el modelado de la formación / morfogénesis del tejido mamario en 3D, [34] los efectos de la radiación ionizante en la dinámica de la subpoblación de células madre mamarias, [35] inflamación, [36] [37] y el sistema inmunológico humano. [38] También se han utilizado modelos basados ​​en agentes para desarrollar sistemas de apoyo a la toma de decisiones, como para el cáncer de mama. [39] Los modelos basados ​​en agentes se utilizan cada vez más para modelar sistemas farmacológicos en las etapas iniciales y la investigación preclínica para ayudar en el desarrollo de fármacos y obtener conocimientos sobre sistemas biológicos que no serían posibles. a priori. [40] También se han evaluado aplicaciones militares. [41] Además, recientemente se han empleado modelos basados ​​en agentes para estudiar sistemas biológicos a nivel molecular. [42] [43] [44]

En epidemiología Editar

Los modelos basados ​​en agentes ahora complementan los modelos compartimentales tradicionales, el tipo habitual de modelos epidemiológicos. Se ha demostrado que los ABM son superiores a los modelos compartimentales en lo que respecta a la precisión de las predicciones. [45] [46] Recientemente, ABM como CovidSim por el epidemiólogo Neil Ferguson, se han utilizado para informar las intervenciones de salud pública (no farmacéuticas) contra la propagación del SARS-CoV-2. [47] Los MBA epidemiológicos han sido criticados por supuestos simplificadores y poco realistas. [48] ​​[49] Aún así, pueden ser útiles para informar decisiones con respecto a las medidas de mitigación y supresión en los casos en que los ABM se calibran con precisión. [50]

En negocios, tecnología y teoría de redes Editar

Los modelos basados ​​en agentes se han utilizado desde mediados de la década de 1990 para resolver una variedad de problemas comerciales y tecnológicos. Ejemplos de aplicaciones incluyen marketing, [51] comportamiento organizacional y cognición, [52] trabajo en equipo, [53] optimización y logística de la cadena de suministro, modelado del comportamiento del consumidor, incluido el boca a boca, efectos de redes sociales, computación distribuida, gestión de la fuerza laboral y gestión de la cartera. También se han utilizado para analizar la congestión del tráfico. [54]

Recientemente, el modelado y la simulación basados ​​en agentes se han aplicado a varios dominios, como el estudio del impacto de los lugares de publicación por parte de investigadores en el dominio de la informática (revistas versus conferencias). [55] Además, se han utilizado ABM para simular la entrega de información en entornos asistidos por el medio ambiente. [56] Un artículo de noviembre de 2016 en arXiv analizó una simulación basada en agentes de publicaciones difundidas en Facebook. [57] En el ámbito de las redes peer-to-peer, ad hoc y otras redes complejas y autoorganizadas, se ha demostrado la utilidad del modelado y la simulación basados ​​en agentes. [58] Recientemente se ha demostrado el uso de un marco de especificación formal basado en la informática junto con redes de sensores inalámbricos y una simulación basada en agentes. [59]

La búsqueda o algoritmo evolutivo basado en agentes es un nuevo tema de investigación para resolver problemas complejos de optimización. [60]

En economía y ciencias sociales Editar

Antes y después de la crisis financiera de 2008, ha aumentado el interés en los MBA como posibles herramientas para el análisis económico. [61] [62] Los ABM no asumen que la economía puede alcanzar el equilibrio y que los "agentes representativos" son reemplazados por agentes con un comportamiento diverso, dinámico e interdependiente, incluido el pastoreo. Los ABM adoptan un enfoque "de abajo hacia arriba" y pueden generar economías simuladas extremadamente complejas y volátiles. Los ABM pueden representar sistemas inestables con choques y auges que se desarrollan a partir de respuestas no lineales (desproporcionadas) a cambios proporcionalmente pequeños. [63] Un artículo de julio de 2010 en El economista miró a los ABM como alternativas a los modelos DSGE. [63] La revista Naturaleza También alentó el modelado basado en agentes con un editorial que sugería que los ABM pueden representar mejor los mercados financieros y otras complejidades económicas que los modelos estándar [64], junto con un ensayo de J. Doyne Farmer y Duncan Foley que argumentó que los ABM podrían cumplir con los requisitos deseos de Keynes de representar una economía compleja y de Robert Lucas de construir modelos basados ​​en microfundamentos. [65] Farmer y Foley señalaron el progreso que se ha logrado utilizando ABM para modelar partes de una economía, pero abogaron por la creación de un modelo muy grande que incorpore modelos de bajo nivel. [66] Al modelar un sistema complejo de analistas basado en tres perfiles de comportamiento distintos (imitación, antiimitación e indiferencia), los mercados financieros se simularon con gran precisión. Los resultados mostraron una correlación entre la morfología de la red y el índice bursátil. [67] Sin embargo, el enfoque ABM ha sido criticado por su falta de robustez entre modelos, donde modelos similares pueden producir resultados muy diferentes. [68] [69]

Los ABM se han desplegado en arquitectura y planificación urbana para evaluar el diseño y simular el flujo de peatones en el entorno urbano [70] y el examen de las aplicaciones de políticas públicas al uso del suelo. [71] También existe un campo creciente de análisis socioeconómico del impacto de la inversión en infraestructura que utiliza la capacidad de ABM para discernir los impactos sistémicos en una red socioeconómica. [72]

ABM organizacional: simulación dirigida por agentes Editar

La metáfora de la simulación dirigida por agentes (ADS) distingue entre dos categorías, a saber, "Sistemas para agentes" y "Agentes para sistemas". [73] Los sistemas para agentes (a veces denominados sistemas de agentes) son agentes implementadores de sistemas para su uso en ingeniería, dinámica humana y social, aplicaciones militares y otros. Los agentes para sistemas se dividen en dos subcategorías. Los sistemas respaldados por agentes se ocupan del uso de agentes como una instalación de apoyo para permitir la asistencia informática en la resolución de problemas o la mejora de las capacidades cognitivas. Los sistemas basados ​​en agentes se centran en el uso de agentes para la generación del comportamiento del modelo en la evaluación de un sistema (estudios y análisis del sistema).

Autos autónomos Editar

Hallerbach y col. discutió la aplicación de enfoques basados ​​en agentes para el desarrollo y validación de sistemas de conducción automatizados a través de un gemelo digital del vehículo bajo prueba y la simulación de tráfico microscópico basado en agentes independientes. [74] Waymo ha creado un entorno de simulación de múltiples agentes, Carcraft, para probar algoritmos para vehículos autónomos. [75] [76] Simula las interacciones del tráfico entre conductores humanos, peatones y vehículos automatizados. El comportamiento de las personas es imitado por agentes artificiales basados ​​en datos del comportamiento humano real. La idea básica de utilizar modelos basados ​​en agentes para comprender los vehículos autónomos se discutió ya en 2003. [77]

Muchos marcos de ABM están diseñados para arquitecturas de computadora en serie von-Neumann, lo que limita la velocidad y escalabilidad de los modelos implementados. Dado que el comportamiento emergente en ABM a gran escala depende del tamaño de la población, [78] las restricciones de escalabilidad pueden dificultar la validación del modelo. [79] Estas limitaciones se han abordado principalmente mediante la informática distribuida, con marcos como Repast HPC [80] específicamente dedicados a este tipo de implementaciones. Si bien estos enfoques se asignan bien a las arquitecturas de clústeres y supercomputadoras, los problemas relacionados con la comunicación y la sincronización, [81] [82] así como la complejidad del despliegue, [83] siguen siendo obstáculos potenciales para su adopción generalizada.

Un desarrollo reciente es el uso de algoritmos de datos paralelos en unidades de procesamiento de gráficos GPU para simulación ABM. [78] [84] [85] El ancho de banda de memoria extremo combinado con el enorme poder de procesamiento de números de las GPU multiprocesador ha permitido la simulación de millones de agentes a decenas de fotogramas por segundo.

Integración con otras formas de modelado Editar

Since Agent-Based Modeling is more of a modeling framework than a particular piece of software or platform, it has often been used in conjunction with other modeling forms. For instance, agent-based models have also been combined with Geographic Information Systems (GIS). This provides a useful combination where the ABM serves as a process model and the GIS system can provide a model of pattern. [86] Similarly, Social Network Analysis (SNA) tools and agent-based models are sometimes integrated, where the ABM is used to simulate the dynamics on the network while the SNA tool models and analyzes the network of interactions. [87]

Verification and validation (V&V) of simulation models is extremely important. [88] [89] Verification involves making sure the implemented model matches the conceptual model, whereas validation ensures that the implemented model has some relationship to the real-world. Face validation, sensitivity analysis, calibration, and statistical validation are different aspects of validation. [90] A discrete-event simulation framework approach for the validation of agent-based systems has been proposed. [91] A comprehensive resource on empirical validation of agent-based models can be found here. [92]


Creating Multicell Models

To create a complete battery pack or module, we link individual cell models in a series or parallel string and then connect the strings in parallel or series (Figure 5).

Figure 5. From top to bottom: battery pack model, strings connected in parallel, individual cells connected in series, equivalent circuit and example lookup table block (R0).

We insert convective heat transfer blocks between individual cells to account for thermal effects. During simulations we monitor the temperature, SOC, and voltage of individual cells as well as the temperature, voltage, and current of the complete module. By modifying the number of strings or the number of cells in each string, we can quickly evaluate different configurations and identify the best one for a specific application.

We adjust the fidelity of our models based on our own needs or the needs of our customer. We use a low-fidelity model to generate an initial design report for new customers who require a customized design, or when an existing product framework is not available for performing system sizing and preliminary analysis. We use a high-fidelity model for product validation, cell balancing, developing state estimation and charger control algorithms, hardware-in-the-loop testing, and integration into a vehicle platform.


Descripción general

Game design and development emphasizes game programming within a core computing education to prepare students for careers in the game, simulation, modeling, training, and visualization industries. The emphasis on computing fundamentals gives students more career options and also prepares them for graduate school. Students gain a breadth of knowledge in game design, interactive media, user interaction, animation, modeling, math, science, and design in the context of computational game development. Students can further specialize in engines, graphics, audio, narrative, and more with elective choices that span the entire university.

The game design and development major allows students to explore the entertainment technology landscape and related areas, while still pursuing a broad-based university education. The degree is intended specifically for students who aspire to hold careers within the professional games industry or a related field, such as simulation, edutainment, or visualization. This degree also provides students with a core computing education that prepares them for graduate study or employment in a number of computing fields.

With an emphasis on game programming, the major exposes students to a breadth of development and design processes. Students complete a core of required course work and then pursue advanced studies that can be customized to individual interests and career goals. Students can further specialize their major by taking electives in areas such as game design, production, engines and systems, graphics programming and animation, mobile, web, audio, and more. This depth of course work also enables students to build a robust portfolio of games and other interactive projects. Students are required to complete two blocks of co-op, which may start after their second year of study. Although students usually complete co-ops during the summer term, they may also be completed during the academic year.

Creative Industry Day

RIT’s Office of Career Services and Cooperative Education hosts Creative Industry Day, which connects students majoring in art, design, film and animation, photography, and select computing majors with companies, organizations, creative agencies, design firms, and more. The 2021 Creative Industry Day will be a week-long virtual event where you’ll be able to network with company representatives and interview directly for open co-op and permanent employment positions.

Combined Accelerated Pathways

This program has an accelerated bachelor’s/master’s available, one of RIT's Combined Accelerated Pathways, which enables you to earn two degrees in as little as five years.

Accelerated 4+1 MBA

An accelerated 4+1 MBA option is available to students enrolled in any of RIT’s undergraduate programs. RIT’s Combined Accelerated Pathways can help you prepare for your future faster by enabling you to earn both a bachelor’s and an MBA in as little as five years of study.


8.2.4: Designing Simulations - Mathematics

3D Design Acoustics Simulation Additive Autonomous Vehicle Simulation Digital Mission Engineering Digital Twin Electronics Embedded Software Fluids Materials Optics & VR Photonics Platform Safety Analysis Semiconductors Structures

What's Ahead for Electrification

Enabling engineers to rapidly and reliably innovate the next generation of electrification advancements.

What's Ahead for Commercial Aerospace

Significant product lifecycle cost reductions while accelerating technology innovation.

Find Training That Fits

Ansys Training offers you everything from “Getting Started courses” to deep dive learning topics.

Ansys Store

Using the Ansys Store, you can download a catalog of applications from Ansys and our trusted partners.

Ansys is committed to setting today's students up for success, by providing free simulation engineering software to students.

Speeding Wellhead Installation with a Quick Connect System

Ansys Mechanical and Ansys Cloud saved significant time in the assembly of an oil wellhead installation system.

Ansys Learning Hub

Unlimited access to classroom, virtual and self-paced learning across the Ansys Software portfolio.

Academia and the Future of Engineering

Join us on day two of our virtual simulation event to hear from professors, researchers and successful student teams from around the world.

Ansys is committed to setting today's students up for success, by providing free simulation engineering software to students.

For United States and Canada

Ansys Acquires Phoenix Integration, Inc.

Acquisition deepens Ansys offering for model-based systems engineering

Ansys engineering simulation software is the must-have superpower for solving the world’s most complex design and mission-level challenges.

Ozen Engineering, an Ansys certified elite channel partner, used Ansys Twin Builder to create a digital twin of the Golden Gate Bridge.

Cleaner Skies, Greener Roads

Find out whether consumers are willing to pay more for greener air travel, when they plan to purchase an electric vehicle and other sustainability opinions in our global survey results.

Simulation Changes the Climate Change Equation

Learn how Climeworks is removing carbon dioxide from the air more efficiently with Ansys simulation solutions.

WHAT’S AHEAD FOR DIGITAL TWINS

To achieve once impossible battery life, engineers use Digital Twins for real-time vehicle analysis.

WHAT’S AHEAD FOR AUTONOMOUS VEHICLES

Engineers gain the superpower to anticipate product behavior under real-life conditions.

WHAT’S AHEAD FOR COMMERCIAL AEROSPACE

Significant product lifecycle cost reductions while accelerating technology innovation.

WHAT’S AHEAD FOR ELECTRIFICATION

Enabling engineers to rapidly and reliably innovate the next generation of electrification advancements.

To break design and mission boundaries, Ansys gives engineers the power to see how their ideas will perform against millions of variables.

We're Hiring

We accelerate growth and drive progress through our diverse workforce that spans the globe. Join us.


Bring all your design components together in Simulink -- no matter where they originate from. Co-simulate with more than 100 modeling and simulation tools, and use the S-Function Builder or C Caller block to bring your own code into Simulink. Functional Mock-Up Interface (FMI) is also supported, and you can use the FMI import block in Simulink to bring in external Model Exchange FMUs or cosimulation FMUs.

In addition, simulate your models in one high-performance simulation environment using multi-core cosimulation. And get high numeric accuracy during cosimulation through signal compensation.


8.2.4: Designing Simulations - Mathematics

Learning to Fly - Grades 6-10
http://www.grc.nasa.gov/WWW/Wright/ROGER/WrightBrothers.pdf
This activity book presents several activities built around the discovery process used by the Wright brothers. There is a role playing game in which the student observes the Wrights' activities and has to report on the student's findings. There are plans for the construction of models of the first four Wright aircraft. There are lots of math problems to work on as well. This activity book was developed by a team in the NASA Glenn Office of Educational Programs.

Flying Model of the Wright Brothers' 1902 Aircraft - Grades 6-10
http://www.grc.nasa.gov/WWW/Wright/model1902.htm
This activity presents step-by-step instructions for building a flying scale model of the Wright brothers' 1902 aircraft using balsa wood and tissue paper. This activity was developed by Richard Glueck of the Orono Middle School, Orono, Maine. It requires minimum model making skills and introduces the ideas of scaling and following directions. Photographs detail the design process. The models can be used as part of a science fair project, or used in a diorama to further stimulate creativity.

Models of the Wright Brothers' Aircraft - Grades 6-10
http://www.grc.nasa.gov/WWW/Wright/ROGER/models.htm
This activity presents plans and step-by-step instructions for building scale models of the Wright brothers aircraft from 1900 to 1903 using readily available materials (foam meat trays and toothpicks). The activity was developed by Roger Storm of Fairview Park High School during a summer intern session at NASA Glenn. It requires minimum model making skills and introduces the ideas of scaling and following directions. It prompts the student to investigate the invention process. The models can be used as part of a science fair project, modified with rigging, or used in a diorama to further stimulate creativity.

Wright 1901 Wind Tunnel Simulation - Grades 6-10
This activity presents instructions for using a computer simulation of the Wright 1901 wind tunnel to teach students some of the basics of scientific experiments and test techniques. This activity was developed by Tom Benson of the NASA Glenn Research Center. It requires a personal computer with Internet access. The activities can be run on-line or downloaded to run off-line. Students will learn to conduct parametric studies, to record and reduce data, prepare graphs, and interpret results.

Teamwork in Aerospace - Grades 6-12
http://www.grc.nasa.gov/WWW/K-12/airplane/TeamAct/teamwork.html
This activity presents instructions and slides for a teamwork activity built around aerospace. Groups of students form small companies to design and test fly paper airplanes in a competition to produce aircraft for NASA. The activity was developed by Tom Benson at the NASA Glenn Research Center. It requires a minimum of supplies 8 1/2 x 11 paper, scissors, tape and paper clips and it introduces the students to many of the problems one encounters while working on a team. The activity takes about 1 hour to perform.

Smoke Tunnel Plans - Grades 9-12
This activity presents step-by-step instructions for building a flow visualization (smoke) wind tunnel. This activity was developed by Dwayne Hunt and Carol Galica of the NASA Glenn Research Center. It requires moderate shop skills with hand tools, but less than $100 worth of materials. Photographs detail the construction process. The tunnel can be used as part of a science fair project, or used to study how air flows past a variety of models.


Ver el vídeo: SIMULACIONES en GeoGebra . 1- COMO simular el MRU en GeoGebra? (Diciembre 2021).