Resumen

La modelización basada en agentes ha demostrado ser extremadamente útil para aprender sobre las sociedades del mundo real a través del análisis de simulaciones. Los modelos basados en agentes recientes suelen contener un gran número de parámetros que capturan las interacciones entre sujetos microheterogéneos y la multiestructura del sistema complejo. Sin embargo, esto puede resultar en el fenómeno de la maldición de la dimensionalidad y disminuir la robustez de las salidas de los modelos. Por lo tanto, sigue siendo un gran desafío calibrar eficientemente los modelos basados en agentes con datos reales. En este documento, presentamos un método de análisis de sustitución para la calibración mediante la combinación de aprendizaje automático supervisado y muestreo iterativo inteligente. Sin hacer suposiciones previas sobre la distribución del espacio de parámetros, el método propuesto puede aprender un modelo de sustitución como aproximación del sistema original con un número relativamente pequeño de puntos de entrenamiento, lo que satisfará las necesidades de análisis de sensibilidad y de investigación de cal

• Materias:Virus informático Entropía del gráfico Modelo epidémico Modelo de optimización Modelos conceptuales
• Subjects:Computer virus Entropy of the graph Epidemic model Optimization model Conceptual models
• Palabras claves:Modelado basado en agentes; Simulaciones; Parámetros; Interacciones; Método de análisis de datos sustitutos; Calibración
• Keywords:Agent-based modelling; Simulations; Parameters; Interactions; Surrogate analysis method; Calibration