Modelado Basado en Agentes (ABM)

Consideraremos los modelos complejos como sistemas autoorganizados de agentes adaptables capacitados para dar respuesta a los cambios constantes que experimenta dentro de una secuencia temporal. A partir de los principios establecidos por John Holland en los CAS, el Modelado Basado en Agentes (ABM) se ha convertido en la actualidad en el paradigma de computación para sistemas complejos. Entre los diferentes campos de aplicación, citaremos a continuación dos casos de estudio en el desarrollo de ecosistemas sociales.

Interacción Agente-Entorno en los ABM. MACAL, C., y NORTH, M. (2006).

DE LOS MICROMOTIVOS A LA MACROCONDUCTA (bottom-up)

Todas las actividades parecen coordinarse. Un taxi te lleva al aeropuerto. En el avión te dan de comer queso y mantequilla. Hay refinerías para elaborar el combustible del avión y camiones que lo transportan, asfalto para las pistas, electricidad para las escaleras mecánicas y, lo más importante de todo, pasajeros que quieren volar donde vuelan los aviones1

En 1978, el politólogo Thomas Shelling (Universidad de Maryland) publicó el libro Micromotives and Macrobehavior, considerado como uno de los estudios precursores en el modelado de sistemas sociales. Mientras que la tendencia en la sociología del siglo XX ha sido postular un comportamiento de grupo a priori, la tesis propuesta por Shelling es que dicha conducta colectiva no se puede promediar en términos estadísticos a partir de la psicología individual. Según Shelling, el comportamiento colectivo emerge de la interacción entre los agentes donde existe una relación de interdependencia y causalidad: las decisiones tomadas por unos agentes tienen efectos sobre las decisiones de otros. Es en este punto donde adquieren sentido los modelos computacionales, ya que permitirán observar los fenómenos emergentes de conducta colectiva a partir de la interacción entre los agentes sociales.

Una de las investigaciones más importantes realizadas por Schelling son los modelos de segregación cultural aplicados a estudios demográficos, que permiten visualizar por ejemplo, las causas por las cuales algunas diferencias culturales o ghettos persisten en el tiempo mientras otras se disuelven. Estos modelos se basan en el principio de semejanza o preferencia de los individuos a relacionarse con aquellos que comparten intereses o características comunes. Aunque son modelos en cierta medida limitados, resultan útiles para estudiar procesos de persistencia y homogeneización cultural.

Este tipo de modelos suelen visualizarse mediante un espacio reticular semejante al de los primeros autómatas celulares y donde cada celda representa una región geográfica. A estas regiones se le atribuyen unos rasgos culturales iniciales y la transmisión de los valores se produce mediante reglas de interacción. Se puede observar que en términos generales existe una tendencia a la homogeneización, un efecto de retroalimentación positiva donde las celdas se asemejan cada vez más a medida que se suceden las iteraciones.

Modelo de segregación residencial de Shelling. Implemenación Crooks, A.(2008)

SUGARSCAPE. Laboratorio de sistemas sociales

Nuestras normas erigen los acantilados contra los que nos estrellamos. Programas informáticos como Sugarscape, pueden ser los faros, que nos permitan proyectar, si bien toscamente, las consecuencias a largo plazo de ciertas normas2

Podríamos considerar el ecosistema de Sugarscape, desarrollado por Robert Axtell y Joshua Epstein, como un paradigma dentro de lo modelos computacionales basados en agentes, ya que su metodología combina aspectos que provienen de muchos campos de investigación, algunos de los cuales hemos visto en la presente investigación: principios de la cibernética como la retroalimentación, los primeros autómatas celulares, física aplicada a la dinámica de sistemas, la adaptabilidad y algoritmos genéticos de Holland, hasta llegar a los modelos de segregación que acabamos de ver con Shelling. Tal y como afirman sus autores, en Sugarscape3 se combina la dinámica de agentes adaptables con un entorno de simulación basado en autómatas celulares.

En 1996, Robert Axtell y Joshua Epstein publican Growing artificial societies, donde presentan el modelo Sugarscape como un banco de pruebas multiuso para las teorías sociales: “Pensamos en nuestro modelo como en un laboratorio de ciencia social (…) Podemos examinar el aumento de la población y las migraciones, el hambre, las epidemias, el desarrollo económico, el comercio, los conflictos y otras cuestiones sociales”.4

Estructura de un modelo en Sugarscape. Epstein&Axtell.(1996).

Básicamente, en Sugarscape se puede representar todo tipo de escenario. Los agentes habitan las celdas y tienen el instinto de buscar el azúcar o alimento. Las cañas de azúcar vuelven a crecer al cabo del tiempo. A su vez, los agentes interactúan entre ellos en base a todo tipo de normas que les permiten trabajar, comerciar, luchar, reproducirse, intercambiar rasgos culturales, etc. En definitiva, el modelo Sugarscape proporciona una buena comprensión sobre como surgen las estructuras sociales, instituciones, costumbres y conductas a partir de la interacción entre agentes.

Su libro Growing artificial societies representa una buena guía para la comprensión y el desarrollo de propuestas ecosistemas artificiales. Como veremos en el siguiente apartado, algunos de los proyectos que analizaremos sobre A-Life Art, en cierta medida presentan pautas de comportamiento semejantes al ecosistema Sugarscape. Todo dependerá de las características que queramos definir para nuestro sistema artificial.

IMPLEMENTACIÓN ABM

La implementación de los ABM se basa en lenguajes de Programación Orientada a Objetos (OOP), tales como C++, Java o Python. Existe un gran variedad de frameworks y librerías de código abierto especializadas en la simulación de ecosistemas sociales. Entre ellas podemos destacar algunas como Netlogo5, MASON6, Swarm7 y Repast8. A excepción de la primera, que cuenta con un lenguaje propio, el resto se basan en lenguaje Java y pueden implementarse en plataformas de desarrollo integral como Eclipse. Al mismo tiempo, los centros de investigación sobre complejidad ofrecen información muy detallada sobre los procedimientos y programación de modelos entre los que destacamos, el Santa Fe Institute (SFI) de Nuevo México,9 uno de los centros más importantes sobre estudios de complejidad, el Centro de Análisis Espacial Avanzado CASA10 , las publicaciones sobre modelos del centro International Conflict Research11 (ETH-Institute of Technology Zurich) o las publicaciones online de Journal of Artificial Societies and Social Simulation (JASSS)12, editado por Nigel Gilbert .

Consideramos que un estudio detallado de estos frameworks, que cuentan ya con la implementación Java de clases y métodos para el modelado de agentes, puede ser una fuente de recursos técnicos al alcance de aquellos investigadores que estén interesados en el desarrollo de sistemas complejos, y que en la mayoría de los casos en la práctica artística están vinculadas con el concepto de Vida Artificial, denominado comúnmente como A-life Art.

Tabla de softwares ABM, según nivel de dificultad y productividad.

1SCHELLING, Thomas C., Micromotives and Macrobehavior. WW. Norton, Nueva York, 1973, p. 20.

2AXTELL, Robert, y EPSTEIN, Joshua, Growing artificial societies. Social Science from the Bottom Up. The Brookings Institution, Washington, 1996, p.163.

3Op. Cit., pag. 19.

4Joshua M. Epstein, citado en PETERSON, I.,The gods of Sugarscape”, en Science News,Vol. 150, nº 21, 1996, p. 332. Texto online:

5 NETLOGO

6 MASON.

7 SWARM .

8 REPAST.

9 SFI http://www.santafe.edu/

10 CASA, Perteneciente a la University College London- UCL.

11ETH .

12 JASSS .