Разработка и исследование мультиагентных моделей



Построена мультиагентная модель торгового центра «Континент». Исследование и построение модели выполнено с использованием инструментального средства AnyLogic 8 PLE. Проведен ряд экспериментов с моделью: 1) Исследована плотность пешеходного потока при различных параметрах входящей интенсивности потока. Сделаны выводы, показывающие, в каких зонах потенциально высокая плотность движения; 2) Проведен эксперимент с зоной фудкорта. Предложена оптимизация зоны, которая позволила снизить плотность пешеходного потока, а также ускорить время обслуживания посетителей и увеличить количество доступных мест.

Ключевые слова: моделирование, мультиагентная модель, пешеходный поток

Моделирование представляет собой один из распространенных способов решения практических задач. Очень часто решение проблемы нельзя или попросту невозможно найти путём проведения реальных экспериментов: строить, разрушать или вносить изменения в уже существующие объекты слишком накладно, опасно и может привести к непредсказуемым последствиям. Чтобы избежать подобного рода проблем, проще всего построить имитационную модель реального объекта и работать с ней. Как правило, имитационная модель всегда проще реальной и в ней опускаются те детали, которые считаются несущественными для конкретного исследования и подчёркиваются те детали, которые считаются наиболее важными [1].

После создания модели, а иногда и на этапах разработки, исследуется структура и поведение системы, проверяется, как она ведёт себя при определенных условиях, сравниваются различные сценарии и способы оптимизации. Когда оптимальное решение будет найдено, появляется возможность применить его в реально существующей системе.

1. Мультиагентный подход иего применение.

Агентное моделирование — относительно новый метод моделирования. Поначалу оно являлось преимущественно предметом теоретических дискуссий в академических кругах, а начиная с 2000-х годов разработчики имитационных моделей стали использовать его на практике. Когда речь идет о мультиагентном моделировании, то это такая же агентная модель, в которой существует множество агентов, имеющие индивидуальное поведение и характеристики. Всё это множество агентов находится в единой среде и активно взаимодействуют с ней, для достижения общих или индивидуальных для каждого агента целей. Таким образом это позволяет виртуально исследовать и прогнозировать поведение сложных активных систем в заданной среде [2].

Примеров, где может быть использовано мультиагентное моделирование множество. Данный подход можно использовать в самых различных областях, такие как: моделирование систем массового обслуживания, потребительский рынок, эпидемиология, онлайн-торговля, моделирование социальных структур, ликвидация чрезвычайных ситуаций и планирование эвакуаций, оборонная промышленность и даже компьютерные игры.

Само по себе, разработка мультиагентных систем является достаточно сложной задачей и во многом работы имеют описательный характер, которые решают задачи без учета факторов взаимодействия индивидуальных агентов. Облегчить себе задачу можно, использовав специализированные инструментальные средства для мультиагентного моделирования [3].

2. Инструментальное средство AnyLogic.

AnyLogic является инструментальным средством имитационного моделирования и был создан российской компанией The AnyLogic Company. На данный момент, это единственное средство, включающее в себя весь набор подходов к имитационному моделированию: агентный, системно динамический и дискретно-событийный. Всего существует несколько версий программы, среди которых есть бесплатная — Personal Learning Edition, которая доступна для образовательных целей и самообразования.

Данное средство обладает современным русскоязычным интерфейсом и позволяет строить даже самые сложные модели. Мощные библиотеки и инструменты позволяют решать широкий спектр задач вплоть до стратегических моделей развития крупных компаний. Ко всему этому имеется возможность программирования на языке Java, что значительно повышает гибкость и функциональность моделирования. Таким образом, с помощью AnyLogic имеется возможность полностью имитировать весь бизнес-цикл [4].

Возможности, которые доступны в AnyLogic [5]:

− Полностью объектно-ориентированная платформа, поддержка операционных систем Windows, Linux, Mac OS;

− Возможность использовать в моделировании агентные, системно-динамические и дискретно-событийные подходы;

− Удобная графическая среда, позволяющая значительно ускорить процесс создания моделей;

− Поддержка создания библиотек для многократного использования написанных модулей;

− Программирование на языке Java, создание пользовательских библиотек и работа с базами данных;

− Богатый набор функций распределения позволяет создавать сложные стохастические модели;

− Возможность создания интерактивной анимации для улучшения наглядности моделей;

− Большая экспериментальная база, встроенная поддержка моделирований Монте Карло и передовых форм оптимизации дает большое разнообразие подходов моделирования;

− Подробная теоретическая справка с примерами на русском языке, позволяющая быстро освоить моделирование.

3. Разработка мультиагентной модели.
   1. Постановка задачи.

Имеется здание торгового центра, который посещают люди. Торговый центр имеет три основных этажа, соответственно подразделен на три уровня: 0, 1 и 2. Основных входов в здание — два, которые находятся на уровне 0 и 1. Главный вход находится на первом уровне. Вход с парковки находится на нулевом уровне. Парковка при построении модели не учитывается, поскольку не является объектом для изучения в данной работе. Перемещаемость по этажам обеспечивается двумя эскалаторами. Часы работы — с 10:00 до 21:00. Общий входящий трафик по данным счетчиков: в будние дни — 6000 человек, в выходные — 7500 человек, в пиковые дни — до 10000 человек [6].

3.2. Построение окружающей среды идиаграммы процесса.

С помощью встроенных в AnyLogic элементов разметки построен имитационный план здания торгового центра «Континент» (рис. 1–3). После того как окружающая среда создана, необходимо построить диаграмму процесса, с помощью которой будет задаваться поведение агентов в среде. Полная диаграмма процесса показана на рисунке 4.

В модели реализуется алгоритм, задающий поведение для каждого агента путём генерации индивидуальных задач разного типа. Всего определено пять типов задач: ANCHOR_SHOP, SHOP, WC, POINT, FOOD.

Задачи генерируются с помощью функций, написанных на языке Java. Для имитации выполнения задач дополнительно созданы несколько типов агентов, которые подсоединены к главной диаграмме процесса и отображаются на ней в форме овальных значков разного цвета.

Рис. 1. План нулевого уровня

Рис. 2. План первого уровня

Рис. 3. План второго уровня

Рис. 4. Диаграмма процесса

4. Проведение экспериментов смоделью.

В первом эксперименте исследуется степень загруженности торгового центра. Для этой цели используется карта плотности пешеходов. Также изменяется параметр flowIntensity, который обозначает интенсивность входящего потока посетителей. Из исходных данных известно, что общий входящий трафик составляет: в обычные дни — 6 000 человек, в пиковые дни — до 10 000 человек. Торговый центр работает 11 часов в сутки и имеется два входа в здание. Соответственно, для интенсивности обычного дня, в параметре flowIntensity указывается значение 273. Для интенсивности в пиковый день параметр flowIntensity будет равен 455. Процесс моделирования запускается сначала с параметром flowIntensity = 273, а затем с flowIntensity = 455 и затем сравниваются результаты.

На рисунках 5–7 показаны результаты моделирования при значении параметра flowIntensity = 273 и времени моделирования 3600 секунд.

На рисунках 8–10 показаны результаты моделирования при значении параметра flowIntensity = 455 и времени моделирования 3600 секунд.

Проведя эксперименты с параметрами flowIntensity = 273 и flowIntensity = 455, сравнив плотность пешеходного потока, можно прийти к выводу, что в дни с пиковой посещаемостью «красные» участки несколько обширнее, чем в обычные дни. Причём в случаях с обычной и пиковой посещаемостью проблемные участки находятся практически в одних и тех же местах. В основном, это места, находящиеся ближе ко входам и эскалаторам, узкие проходы между торговыми точками, а также зона фудкорта.

Рис. 5. Моделирование нулевого уровня при flowIntensity = 273

Рис. 6. Моделирование первого уровня при flowIntensity = 273

Рис. 7. Моделирование второго уровня при flowIntensity = 273

Рис. 8. Моделирование нулевого уровня при flowIntensity = 455

Рис. 9. Моделирование первого уровня при flowIntensity = 455

Рис. 10. Моделирование второго уровня при flowIntensity = 455

В прошлом эксперименте выявлены проблемные участки в мультиагентной модели, где интенсивность потока пешеходов достаточно высокая. Одним из таких мест является зона фудкорта, расположенная на втором уровне. По умолчанию, в зоне фудкорта имеется две обслуживающие кассы и 20 мест ожидания (рис. 11 а).

Чтобы провести следующий эксперимент, необходимо изменить зону фудкорта и сравнить полученные результаты. В изменённой модели увеличили площадь фудкорта, разместили 30 мест ожидания, добавили дополнительную кассу для обслуживания клиентов (рис. 11 б).

Рис. 11. Зона фудкорта по умолчанию (а) и изменённая (б)

Процесс моделирования после внесённых изменений представлен на рисунке 12.

Рис. 12. Моделирование второго уровня с изменённой зоной фудкорта

В первоначальном варианте возле касс находилось 23 человека, а в самой зоне фудкорта 13 человек. После проведённых изменений возле касс находилось 7 человек, а в самой зоне фудкорта 24 человека. Можно сделать вывод, что после увеличения числа касс с двух до трёх уменьшилось время обслуживания посетителей, которые теперь смогли быстрее заполнить зону фудкорта. Поэтому, наряду с увеличением количества касс также было целесообразно расширить зону самого фудкорта с 20 до 30 мест. Если теоретически было бы принято решение увеличить только число касс, то вероятнее всего, что зона фудкорта не смогла бы вместить всех посетителей, поскольку новые посетители прибывали бы быстрее, чем другие посетители успевали бы освобождать места. Например, в приведённом случае, в зоне фудкорта бы находилось 24 человека, в то время как сама зона была рассчитана на 20 мест.

Заключение.

Исследован мультиагентный подход, рассмотрены области его применения. Построена мультиагентная модель торгового центра «Континент» с использованием инструментального средства имитационного моделирования AnyLogic, а также выполнен ряд экспериментов с созданной моделью.

Литература:

1. Куприяшкин А. Г. Основы моделирования систем [Текст]: учеб. пособие / А. Г. Куприяшкин; Норильский индустр. ин-т. — Норильск: НИИ, 2015. — 135 с. — ISBN 978–5-89009–628–9.
2. Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: психология, философия, информатика. — М.: Эдиториал УРСС, 2002. — 352 с.
3. Макаров В. Л. Социальное моделирование — новый компьютерный прорыв (агент-ориентированные модели) [Текст]: / В. Л. Макаров, А. Р. Бахтизин. — М.: Экономика, 2013. — 295 с. — ISBN 978–5-282–03317–5.
4. Боев В. Д. Компьютерное моделирование [Текст]: пособие для практических занятий, курсового и дипломного проектирования в AnyLogic 7. — СПб.: ВАС, 2014. — 432 с.
5. Инструмент имитационного моделирования AnyLogic [Электронный ресурс] — режим доступа: http://www.anylogic.ru/features (Дата обращения: 08.06.2017).
6. ТЦ Континент, Новосибирск, Гусинобродское шоссе 20, аренда торговой недвижимости [Электронный ресурс] — режим доступа: https://kontinent.beboss.ru (Дата обращения: 08.06.2017).