Simulations e modeling codes

La simulazione Agent-Based Modeling offre un’innovativa prospettiva per pensare e modellare i sistemi che abbiamo sempre voluto plasmare, ma che per molto tempo non siamo stati in grado di fare. Sono utili, ad esempio, per comprendere comprendere in che modo le dinamiche dei sistemi biologici e sociali derivano dalle caratteristiche e dai comportamenti degli agenti che facenti parte di questi sistemi. L’Agent-Based Modeling viene applicato in molteplici discipline da almeno 40 anni, e il numero e l’ampiezza di queste applicazioni sono, inoltre, in continua crescita. Infatti, la disponibilità dei micro-dati e i progressi nel calcolo scientifico hanno reso possibile un numero crescente di applicazioni in un’ ampia varietà di domini. Possiamo vederne l’utilizzo, per esempio, in discipline riguardanti le scienze naturali, le scienze sociali, l’ecologia, la fisica, l’economia sociale e l’ingegneria. Numerosi sono i campi di applicazione della simulazione Agent-Based Modeling ma, nonostante questo, le caratteristiche essenziali e metodi di sviluppo per la costruzione di modelli e relazioni, così come le tecniche di modellizzazione, non sono ancora comprese o accettate, ed esiste ancora parecchia discordanza tra i ricercatori in merito al suo utilizzo. Ciò che distingue questo modello da altri precedentemente sviluppati, come la modellazione convenzionale basata su equazioni o modelli di natura concettuale per la costruzione di illustrazioni e teorie non calibrati su dati del mondo reale, risiede nel fattore spaziale o nella specificità geografica. Questo elemento è fondamentale per la mobilità spaziale e introduce eterogeneità di agenti in modo naturale. Aiuta inoltre a definire e a mettere in pratica le varie regole di interazione. L’idea centrale dell’Agent-Based Modeling and Simulation è che molti dei fenomeni del mondo possono essere modellati in modo efficace con gli agenti, con l’ambiente e con una descrizione delle interazioni agente-agente e agente-ambiente, così da poter osservare, per esempio, gli effetti collettivi dei comportamenti e delle interazioni degli agenti. Con questo metodo è possibile modellare la dinamica dei sistemi complessi e dei sistemi adattivi complessi, e includere modelli di comportamento. Un agente è un individuo autonomo o un oggetto con particolari proprietà, azioni ed eventualmente obiettivi. Ognuno di noi è un agente nelle azioni quotidiane e nelle interazioni con il mondo reale e siamo già modellisti basati su agenti: stiamo costantemente scegliendo i nostri comportamenti e anticipando i comportamenti degli altri.
L’ambiente è il paesaggio su cui gli agenti interagiscono e può essere geometrico e basato sulla rete, o ricavato da dati reali. Le interazioni che si verificano tra gli agenti e l’ambiente possono essere piuttosto complesse. Gli agenti possono interagire con altri agenti o con l’ambiente e non solo i comportamenti di interazione dell’agente possono cambiare nel tempo, ma anche le strategie utilizzate per decidere quale azione mettere in pratica in un determinato momento. Le interazioni sono costituite dallo scambio di informazioni ed il risultato che ne deriva è che gli agenti possono aggiornare i loro pensieri, o intraprendere ulteriori azioni.
Si tratta di un modo alternativo di fare scienza, oltre ai noti processi induttivi e deduttivi: un metodo  volto a implementare i processi e i meccanismi causali in un modello, non solo per determinare le implicazioni della teoria (punti di forza, incongruenze, carenze), ma anche per fornire una base per ottenere spiegazioni causali di fenomeni modellati. Le sfide che questo modello propone sono numerose e comprendono: il trarre vantaggio dalla diversità delle discipline che si stanno interessando e/o stanno portando avanti sviluppi in quest’ambito; il miglioramento del trattamento dell’analisi dell’incertezza; lo sviluppo di metodologie che sappiano rispondere alle domande e fornire soluzioni a problemi sempre più specifici.
Il desiderio di modellare i fenomeni che ci circondano in un modo che siano più fedeli al mondo reale, producendo risultati che siano più o meno una corrispondenza uno a uno con quest’ultimo, va di pari passo con il voler far avanzare la scienza e testare o sviluppare nuove teorie.

Bibliografia
Chaudhry, Q. A. (2016). An introduction to agent-based modelling, modeling natural, social, and engineered complex systems with NetLogo: a review.
Macal, C. M. (2016). Everything you need to know about agent-based modelling and simulation, Journal of Simulation, 10:2, 144-156, DOI: 10.1057/jos.2016.7. Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. J Simul; 4: 151–62.
Railsback, S. F., & Grimm, V. (2019). Agent-based and individual-based modeling: a practical introduction. Princeton university press.
Wilensky, U., & Rand, W. (2015). An Introduction to Agent-Based Modeling, Modeling Natural, Social, and Engineered Complex Systems with NetLogo. Cambridge, Massachusetts.