Agent Based SimulationJ. ngel Gonzlez *, Alberto Donet
**Departamento de Sistemas Informticos y ComputacinUniversidad
Politcnica de ValenciaMarzo 2015
ResumenLos modelos basados en agentes nos permiten modelar
sistemas sociales compuestos por agentes (ABMS) con caractersticas
bien definidas: autnomos, proactivos, reactivos, autocontenidos
-con tareas bien delimitadas- , sociales, adaptativos y dirigidos
por objetivos que interactan entre s y se influyen mutuamente,
aprendiendo de sus experiencias para poder adaptarse al entorno al
que han sido destinados. Vase que una caracterstica imprescindible
para modelar este tipo de sistemas es la heterogeneidad, que da
lugar a la aparicin de la auto-organizacin y otros fenmenos
emergentes entre el conjunto de agentes que componen el sistema,
formando sistemas complejos basados en la interaccin de componentes
autnomos que tienen el objetivo de adaptarse a nivel individual o
de poblacin. Nuestro trabajo, por tanto, se centrar en realizar una
aproximacin a este tipo de sistemas, basndonos en el trabajo de
(C.M Macal et al., 2010, Journal of Simulation, 151-162) y analizar
un subconjunto de todas las posibles aplicaciones, que abarcan una
amplia gama de reas y disciplinas tales como la fsica, biologa,
redes (propagacin de virus en una red -Uri Wilensky-) ,matemtica,
computacin (autmatas celulares -Juego de la vida-), ciencia de la
tierra (cambio climtico -Uri Wilensky-) , ciencias sociales y
sistemas dinmicos entre muchos otros, empleando y analizando la
aplicacin de modelado basado en agentes NetLogo que ha sido posible
gracias a los avances en el desarrollo y diseo de software
orientado a agentes.PALABRAS CLAVE: ABMS, agentes, interaccin,
sistemas sociales.AbstractAgent-based models allow us to model
social systems composed by agents (ABMS) with well defined
characteristics: autonomous, proactive, reactive, self-contained,
with well delimitadas- tasks, social, adaptive and directed by
goals interact and influence each other learning from their
experiences to suit the environment to which they are destined. See
an imperative to model these systems feature is the heterogeneity,
leading to the emergence of self-organization and other emergent
phenomena among the set of agents that compose the system, forming
complex systems based on the interaction of autonomous components
which aim to adapt to the individual or population level. Our work,
therefore, will focus on an approach to such systems, based on work
(CM Macal et al., 2010, "Journal of Simulation", 151-162) and
analyze a subset of all possible applications, covering a wide
range of areas and disciplines such as physics, biology, networks
(spread of virus in a -uri Wilensky- network), mathematics,
computing (cellular automata -Game life-), earth science (climate
change -uri Wilensky-), social sciences and dynamic systems among
many others, using and analyzing the application of NetLogo
agent-based modeling has been possible thanks to advances in the
development and design of agent-oriented software.KEYWORDS: ABMS,
agents, interaction, social systems
*Departamento de Sistemas Informticos y Computacin, Universidad
Politcnica de Valencia, Camino de Vera, Valencia, 46022,
[email protected]. El autor es estudiante de 3 curso del grado de
ingeniera informtica -Computacin-
** Departamento de Sistemas Informticos y Computacin,
Universidad Politcnica de Valencia, Camino de Vera, Valencia,
46022, [email protected]. El autor es estudiante de 3 curso del
grado de ingeniera informtica -Computacin-1ndice1. Introduccin
2. Definicin y componentes ABMS2.1. Caractersticas de un
Agente2.2. Interaccin entre Agentes2.3. Entorno
3. Diseo e implementacin de un ABMS
4. Anlisis de NetLogo 4.1. Utilidad de la herramienta 4.2.
Proyectos Recientes5. Anlisis de aplicaciones5.1. Juego de la
vida5.1.1. Agentes e interacciones5.1.2. Diferencias con ABMS
actuales5.2 Bug Hunt Speeds5.2.1. Agentes e interacciones5.2.2.
Implementacin NetLogo5.2.3. Casusticas y resultados de
experimentos
6. Conclusiones
7.Anexo7.1. Implementaciones.7.2. Manual NetLogo 7.2.1. Vistas
7.2.1.1. Interfaz 7.2.1.2. Ajustes del entorno 7.2.1.3. Ajustes de
la simulacin 7.2.1.4. Informacin 7.2.2. Agentes y
propiedades7.2.2.1. Propiedades adicionales 7.2.2.2. Razas 7.2.3.
Primitivas bsicas 7.2.4. Procedimientos 7.2.5. Variables 7.2.6.
Listas 7.2.7. Sentencias condicionales, procedimientos con retorno
y bucles
8. Bibliografa
171. Introduccin
El modelado y simulacin basado en agentes- a partir de ahora
ABMS - ofrece una manera de modelar sistemas sociales compuestos
por agentes que interactan y se influencian entre ellos ,
aprendiendo de sus experiencias y adaptando su comportamiento para
convivir mejor en el entorno al que han sido destinados, tanto de
forma individual como colectiva. Dichos agentes poseen ciertas
caractersticas como: autonoma, capacidad social a nivel de
cooperacin, negociacin y coordinacin y capacidad de adaptacin,
entre otras. Modelando estos agentes mediante simples reglas y de
forma individual (primando la heterogeneidad entre la poblacin de
agentes) se desarrollan una serie de interacciones que generan
patrones, estructuras, influencias y comportamientos emergentes que
no han sido explcitamente programados en los modelos pero surgen
entre el conjunto de agentes de la poblacin. En el marco citado se
desarrolla la tecnologa ABMS, que ha sido utilizada en una gran
variedad de disciplinas y reas como el modelado del comportamiento
del mar (Hill et al, 2006), el desarrollo de guerras biolgicas
(Carley et al, 2006) incluso la comprensin de la cada de
civilizaciones antiguas (Kohler et al, 2005). En dichos casos slo
ha sido necesario implementar los detalles esenciales de los
sistemas, a partir de los cuales se han dado ciertas interacciones
y comportamientos que han ofrecido posibles soluciones a los
problemas planteados. Existen incluso sistemas basados en agentes
en los que los agentes son modelados con un alto nivel de detalle
(con el coste computacional que ello conlleva) y que han sido
posibles gracias a los avances dados en el desarrollo de software
orientado a agentes y en la ingeniera del software orientada a
agentes, en los nuevos enfoques de ABMS y en el incremento del
poder computacional de los dispositivos actuales. Por todos los
detalles dados y debido a las posibilidades de los sistemas basados
en agentes, el inters en dicha rea se encuentra en constante
crecimiento, que puede ser comprobado viendo la gran cantidad de
conferencias, artculos de investigacin y jornadas acadmicas en los
que se emplean ABMS a una amplia gama de aplicaciones (ABMS Google
Scholar, 603.000 resultados). En ste trabajo se realizar una
sntesis del artculo (C.M Macal et al., 2010, Journal of Simulation,
151-162) y se comentar un subconjunto de todas las posibles
aplicaciones empleando software orientado a agentes (NetLogo) : el
conocido "Game of Life" desde un enfoque orientado a agentes
comentando ciertas caractersticas de ste, as como un modelo NetLogo
que simula la seleccin natural entre una especie presa y una
especie predadora, donde comentaremos su implementacin y los
resultados de diversas casusticas probadas sobre el modelo. Para
todos los cdigos empleados en el presente trabajo, se adjuntarn
links al GIT de uno de los autores en el apartado Implementaciones
del anexo, adems acompaarn al PDF en el .zip del proyecto en su
correspondiente formato, dando la implementacin del modelo Bug Hunt
Speeds en cdigo NetLogo y "Game of Life" en Java.2. Definicin y
componentes ABMS Los modelos basados en agentes tambin son tratados
en las investigaciones como sistemas complejos, sistemas
adaptativos complejos, vida artificial, entre otros. Sin embargo a
pesar de que todos los sistemas mencionados consisten en la
interaccin de agentes autnomos, algunos de ellos tienen
caractersticas especiales como los sistemas adaptativos complejos
en los que dichos agentes tienen la capacidad adicional de
adaptarse a su entorno tanto de forma individual como colectiva.
Las investigaciones sobre dichos sistemas han tenido como objetivo
identificar los principios universales que permiten, a partir de un
modelado mediante sencillas reglas (con los aos los entornos de
desarrollo, la potencia computacional y las nuevas herramientas
orientadas a ABMS han permitido expandir las capacidades de dichos
agentes y por tanto complicar tales reglas), generar fenmenos
emergentes tales como la auto-organizacin, la adaptacin a los
entornos y la aparicin de comportamientos emergentes que no haban
sido programados explcitamente. Siguiendo la convencin del artculo
base de este trabajo (C.M Macal et al., 2010, Journal of
Simulation, 151-162), emplearemos el trmino ABMS para referirnos
tanto a simulaciones basadas en agentes donde se modela un proceso
dinmico dependiente del tiempo como para otras aplicaciones ms
generales que, del mismo modo, estn basadas en agentes. De la misma
forma, sean tales simulaciones o aplicaciones ms generales, siempre
que estn basadas en modelos de agentes, estarn compuestas de 3
componentes principales que se comentarn en el presente trabajo: un
conjunto de agentes con atributos y comportamientos (explcitamente
programados) que darn lugar a una serie de interacciones que
definirn la forma y entre que agentes existirn dichas interacciones
y un entorno en el que convivirn los agentes y se dar soporte tanto
a la interaccin agente-agente como a la interaccin
agente-entorno.
2.1 Caractersticas de un agente
Los agentes constituyen uno de los 3 componentes necesarios en
un ABMS. Entre sus principales caractersticas destacan la
reactividad: siendo capaces de reaccionar tanto a las acciones que
realicen otros agentes como a cambios en el entorno al que han sido
destinados, la proactividad: dando a los agentes la capacidad de
tomar decisiones por si mismos y tomar la iniciativa en las
situaciones que lo requieran y la capacidad social: que permitir a
los agentes interactuar con los dems agentes del entorno para
acciones tales como la coordinacin, cooperacin y negociacin,
imprescindibles para la supervivencia en un entorno. Sin embargo,
la caracterstica principal que puede ser encontrada en toda la
literatura relacionada es la autonoma, caracterstica que permite a
los agentes actuar por si mismos de forma autnoma como respuesta a
las situaciones que pueden darse en el entorno y que afectarn a
dicho agente. A pesar de lo claro que puede resultar el trmino
autonomay las dems caractersticas comentadas (existen muchas otras
que sern analizadas en el presente apartado), en la literatura no
hay una definicin precisa de lo que debe ser un agente en lo que a
caractersticas se refiere, variando dicha definicin en funcin del
artculo, algunos ejemplos son: Jennings (2000) quien provee una
definicin en la que el agente nicamente debe enfatizar la
caracterstica de la autonoma independientemente de todas las dems o
(Bonabeau, 2001) que considera como agente a cualquier componente
independiente (pieza de software, modelo, etc) entre otros que
consideran necesarias caractersticas como la capacidad social para
provocar interacciones entre los agentes. Debido a las
discrepancias existentes entre los autores, nosotros nos ceiremos a
la definicin empleada en el artculo base de C.M Macal et al,
quienes consideran que los agentes deben poseer las siguientes
caractersticas esenciales: Auto-contenido/Modular: Implica que el
agente tiene fronteras, haciendo referencia a que debe poseer un
conjunto de tareas bien definidas de forma que sea fcil determinar
qu pertenece al agente y qu no pertenece a ste. Esta caracterstica
facilita tambin que los agentes puedan ser conocidos y distinguidos
unvocamente por otros agentes. Autnomo: Actuando independientemente
del entorno en el que se encuentre y de los agentes que lo rodeen
para dar respuesta a las situaciones que puedan afectar a dicho
agente. Dirigido por objetivos: El agente debe tener metas que
alcanzar mediante sus comportamientos (que pueden ser influenciados
por la interaccin con otros agentes). Esto permite a un agente
ajustar sus comportamientos y respuestas a ciertas situaciones en
futuras interacciones para alcanzar tales objetivos. Capacidad
social: A pesar de que pueda parecer imprescindible debido al marco
que estamos tratando, algunos autores no consideran la capacidad
social como un elemento esencial en el desarrollo de los agentes.
Esta capacidad permite a los agentes tener interacciones dinmicas
entre ellos e influenciarse en sus comportamientos mediante
protocolos para la interaccin entre agentes (protocolos de
comunicacin, lenguajes de contenido, ontologas, etc), por ello ser
necesario que los agentes tengan la capacidad de reconocer y
distinguir a los dems agentes, para conocer la procedencia o el
destinatario de un determinado mensaje, entre otras acciones.
Podemos hablar tambin de caractersticas supeditadas a la
poblacin de agentes y ya no a un agente en concreto, como puede ser
la heterogeneidad. De forma contraria por ejemplo a simulaciones
moleculares dinmicas en las que se estudian las interacciones entre
partculas homogneas, en las simulaciones basadas en agentes es
necesario considerar una amplia diversidad de agentes entre una
determinada poblacin.
Es interesante observar como las caractersticas y
comportamientos de los agentes varan en funcin del grado de
sofisticacin con el que ha sido desarrollado cada agente, con la
informacin que se ha tenido en cuenta a la hora del modelado e
incluso de eventos pasados que sirven al agente para la toma de
decisiones. Por tanto las caractersticas de un agente pueden ser:
estticas, que no cambiarn durante la simulacin o dinmicas,
cambiando conforme vaya avanzando la simulacin.
Una arquitectura tpica de agente es la siguiente:
2.2 Interaccin entre agentes
La simulacin basada en agentes est constituida en base a las
relaciones e interacciones entre los distintos agentes que forman
parte del entorno. De modo que, mediante esas interacciones, se
consigue un objetivo comn que no sera alcanzable de manera
individual. Esta capacidad de interaccin entre agentes es lo que se
llama sociabilidad (tambin recibe el nombre de capacidad social).
Cada agente solo posee informacin local, a la que solo l tiene
acceso, por lo quecada agente necesita comunicarse con el resto de
agentes del entorno para informarse, cooperar, coordinarse e
incluso realizar negociaciones para un fin comn.
Los Sistemas Basados en Agentes (ABS) son sistemas
descentralizados. No hay una autoridad central que informe a todos
los agentes y que controle su comportamiento en el esfuerzo de
mejorar el rendimiento. Es cada agente el que interacta con los
dems agentes. Aunque no es completamente cierto que todos
interacten entre ellos, puesto que normalmente se comunican con un
subconjunto de esos agentes, lo que generalmente se conoce como el
vecindario. El conjunto de agentes que forman parte de ese
vecindario va cambiando en el tiempo conforme se va ejecutando la
simulacin y los agentes se van desplazando por el entorno. Por
ejemplo, los agentes vecinos de otro agente pueden ser aquellos que
se encuentren localizados fsicamente cerca, o aquellos que cumplen
una relacin respecto del agente (esta relacin debe fijarse con
anterioridad).
Lo ms importante a la hora de modelar las interacciones entre
los agentes son las especificaciones de quin es el agente que
interacta, o a quin va dirigido, y los mecanismos de interaccin.
Estos mecanismos, que explican cmo los agentes estn conectados, se
conocen como topologa o conectividad. Dos ejemplos de topologa son
Knowledge Query Management Language (KQML), basado en
performativas; y Foundation for Intelligent Physical Agents (FIPA),
basado en actos de habla con protocolos de interaccin de alto nivel
(conversaciones). Originalmente, los modelos espaciales basados en
agentes eran implementados mediante autmatas celulares (AC), que
representa la interaccin entre agentes utilizando la informacin
local de una celda (un agente por celda) y la informacin que
proporciona el vecindario (celdas vecinas), donde existen dos tipos
muy conocidos: vecindario de Moore y vecindario de von Neumann. Un
ejemplo de AC con agentes inmviles es El juego de la vida de John
Conway, del cual hablaremos en futuros apartados. En cuanto a
ejemplos de AC con agentes mviles, tenemos topologas en red,
euclidiana y sistemas de informacin geogrfica (GIS), entre
otras.
2.3 Entorno
Se ha podido comprobar a lo largo del trabajo que los agentes
interactan entre ellos y/o con su entorno.
Dicho entorno puede ser utilizado de diversas formas para
realizar interacciones, bien sean simples, como por ejemplo para
proveer informacin espacial de un agente con respecto a los dems
agentes (vase el ejemplo en clases de teora de los robots y las
piedras dejando partculas radioactivas), usando esta alternativa
normalmente para que los agentes sigan el movimiento de los dems
agentes que avanzan de una forma correcta a travs de un determinado
entorno. O de formas ms complejas (que conllevan un modelado ms
complejo) como por ejemplo los entornos empleados en modelos de
simulacin hidrolgica y atmosfrica, en los cuales es comn
encontrarse con limitaciones de las acciones de los agentes por
parte del entorno.
Estas interacciones entre los agentes y el entorno tambin
dependen de las caractersticas del entorno, normalmente los
entornos son complejos y los agentes no suelen tener control total
sobre ste, pudiendo fallar las acciones que realice el agente sobre
dicho entorno, en conclusin, los entornos son no deterministas y
los agentes deben estar preparados ante posibles fallos. Entre las
propiedades de los entornos podemos destacar: accesibilidad,
dependiendo de si el agente puede obtener informacin completa,
exacta y actualizada del entorno (entornos complejos suelen ser
inaccesibles), determinismo, si cualquier accin por parte de un
agente tiene un efecto garantizado, el entorno ser determinista (el
mundo fsico es indeterminista), dinamicidad, si en el entorno se
producen cambios no nicamente provocados por los agentes el entorno
ser dinmico, en otro caso ser esttico y continuidad, si hay un
nmero fijo de acciones y percepciones en el entorno, ste ser
discreto, en otro caso ser un entorno continuo.
3 Diseo e implementacin de un ABMS
Para realizar el diseo de un ABMS, es necesario contestar a una
serie de preguntas que nos ayudaran a prepararlo: Qu problema
debemos resolver? Y, qu cuestiones debe ser capaz de solucionar el
modelo? Qu funcin desarrollarn los agentes? Qu atributos de los
agentes sern solamente descriptivos? Cules sern calculados y
actualizados dinmicamente? En qu entorno se van a mover los
agentes? Cmo van a interactuar con l? Qu decisiones podrn tomar los
agentes? Qu acciones realizarn? Cmo debern comportarse? Cmo van a
interactuar entre s los agentes? Cmo validar el modelo? Encontrar
la respuesta a estas preguntas ser fundamental para plantear el
diseo. En general, las metodologas de diseo altamente iterativas
parecen ser las ms eficaces para el desarrollo del modelo. La
comunicacin de un modelo, la hiptesis de proyecto, as como los
elementos detallados son esenciales si el modelo va a ser
posteriormente comprendido y/o reutilizado. Para ello, Grimm et al
(2006) presenta un protocolo estndar para describir los modelos
basados en agentes, con la esperanza de que sea un primer paso para
establecer un formato comn. En cuanto a la implementacin, el
modelado basado en agentes puede implementarse empleando diseo
software y herramientas especializados, que se ocupan de los
requisitos del modelo, o utilizando lenguajes de programacin. Como
ejemplo ms sencillo tenemos las Hojas de clculo de Microsoft Excel,
aunque los modelos resultantes generalmente ofrecen una diversidad
entre agentes bastante limitada, adems de restringir los
comportamientos y de tener una escalabilidad muy reducida. Un
ejemplo de software especializado es la herramienta JASON
(utilizada en las prcticas de Agentes Inteligentes, Ingeniera
Informtica Rama Computacin - ), que permite realizar proyectos de
modelado de agentes, como el robot recogedor de basura desplazndose
en un entorno unidimensional y bidimensional.4. Anlisis de Netlogo
En los siguientes apartados vamos a proceder a describir, analizar
y explicar la utilidad de la herramienta NetLogo en su versin 5.2,
que es la ms reciente del software hasta la fecha, realizando
primero una aproximacin al manual de NetLogo (siendo ste bastante
extenso, se ha optado por realizar una sntesis del mismo y
adjuntarla en el anexo del presente documento) y analizando
posteriormente cundo puede ser conveniente emplear este tipo de
software, as como algunos de los proyectos que actualmente hacen
uso de l. Fue el matemtico, informtico y profesor, Uri Wilensky,
quien cre en el ao 1999 esta herramienta. Es la generacin de una
serie de modelados multi-agente que empez con StarLogo, pero
aadiendo funcionalidades, caractersticas nuevas y un lenguaje
rediseado y con interfaz de usuario.NetLogo es una herramienta que
sirve para modelar sistemas complejos que evolucionan en el tiempo,
como pueden ser fenmenos naturales o sociales, entre otros. Permite
la creacin, modificacin y ejecucin de modelos de una forma fcil y
sencilla; de hecho, NetLogo incluye tras su instalacin y ejecucin
(ejecutable slo si se tiene instalada una Mquina Virtual de Java
-JVM) una coleccin de modelos que pueden ser alterados y que
pertenecen a mbitos muy diversos, tanto de las ciencias sociales
(incluye matemticas, fsica y qumica, biologa, medicina, computacin,
economa y psicologa social) como de la naturaleza.Es necesario
remitir al lector a la siguiente direccin: Diccionario NetLogo ,
diccionario del manual oficial de NetLogo, en caso de que se quiera
profundizar ms que lo comentado en la sntesis del manual realizada
en el presente trabajo.4.1. Utilidad de la herramienta
Una vez realizada la sntesis del manual, cuyo conocimiento es
necesario para comprender las aplicaciones a comentar en apartados
posteriores, surge la duda de cundo y por qu emplear simulaciones
en vez de representar mediante modelos matemticos los problemas a
los que queremos dar respuesta?.
Segn la concepcin semntica de las teoras cientficas, la
representacin de problemas se suele tratar mediante la construccin
de modelos explicativos (modelos matemticos) simblicos, expresados
mediante ecuaciones matemticas o estadsticas, sin embargo no es la
nica alternativa posible y, de hecho, tal modo de representacin no
es factible cuando la modelizacin matemtica es demasiado compleja
y/o es imposible tener en cuenta todos los factores del entorno que
influirn en la solucin. Es aqu cuando es necesaria la lgica para
desarrollar modelos de simulacin social, construyendo una
representacin del sistema a partir de la observacin de fenmenos
propios de dicho sistema. Por tanto, la simulacin social
consiste:1. Formalizar teoras sobre los procesos del problema.
2. Realizar experimentos a partir de dicha formalizacin.
3. Observar la generacin de los fenmenos emergentes.
Para ello emplearemos la herramienta comentada, NetLogo,
realizando experimentos sobre poblaciones y observando los
resultados sobre los fenmenos emergentes generados.
4.2. Actividades recientes
NetLogo es empleado actualmente en algunos proyectos (nmero
reducido) normalmente en el mbito acadmico, siendo escasa su
utilizacin en software que se encuentre en fase de produccin,
sirviendo de base para realizar simulaciones o incluso
proporcionando conceptos a otros entornos de simulacin basada en
agentes como son REPAST y MODELING4ALL.
Entre los proyectos que lo emplean, con ms relevancia segn el
buscador de Google, encontramos el uso de NetLogo como un entorno
multiagente para el desarrollo de modelos de polielectrolitos
definiendo agentes simples que evolucionan de acuerdo a las reglas
de un autmata celular para representar la formacin de cadenas de
estos tipos de polmeros. Otro de los proyectos acadmicos en los que
se ha empleado, ha sido en la simulacin de redes de Petri, trabajo
en el que se presenta una propuesta para generalizar el modelado de
las redes de Petri usando algoritmos genticos.
Como se ha visto, su utilizacin es escasa, restringindose su uso
al mbito acadmico, emplendose tambin como recurso educativo para la
introduccin a los sistemas basados en agentes, objetivo para la
cual fue desarrollada la herramienta.
5 Anlisis de aplicaciones
El modelado basado en agentes ha sido usado en una gran variedad
de reas como la fsica, la biologa, las ciencias sociales e incluso
las ciencias de la computacin ofreciendo una estructura elegante y
minimalista para modelar sistemas complejos que nos ayuden a
responder y comprender cuestiones del mundo real relacionadas con
dichas reas. Diversos autores han realizado ya sus aproximaciones
mediante modelado basado en agentes a cuestiones que requeran
comprensin, siendo necesario simular el comportamiento del sistema
para observar su evolucin. Entre stos podemos destacar aquellos que
han realizado trabajos similares al que realizaremos en el presente
documento como son: (Alber et al, 2003) empleando autmatas
celulares para modelar sistemas celulares (nosotros analizaremos
desde un enfoque basado en agentes un autmata celular bidimensional
muy conocido como es "Game of Life"). Una vez realizada la
aproximacin a los ABMS y comentadas sus caractersticas, componentes
y algunas de sus aplicaciones interesantes, estamos en condiciones
de poder analizar dos de las posibles aplicaciones de dichos
sistemas, entre las que se encontrarn: el autmata celular
bidimensional con las reglas de Conway's "Game of Life" , el cual
explicaremos brevemente y comentaremos sus diferencias con los ABMS
actuales, y un modelo ya programado de NetLogo llamado Bug Hunts
Speed, donde realizaremos un anlisis ms profundo (aplicacin
principal del presente trabajo) adems de comentar una implementacin
en el software ABMS NetLogo realizada por Uri Wilensky.5.1. Juego
de la vidaEn 1970, el matemtico John Conway cre un juego de la vida
basado en tres reglas sencillas: nacimiento, muerte y
supervivencia. El juego de la vida originalmente es un autmata
celular bidimensional, capaz de computar todo aquello que la Mquina
de Turing poda. En este apartado hablaremos de cmo se simula el
autmata celular del juego de la vida mediante agentes. Y, adems,
comentaremos las diferencias del ABMS que surge del juego de la
vida con los ABMS actuales.5.1.1 Agentes e interaccionesEl juego de
la vida se desarrolla sobre una cuadrcula, donde cada celda es un
agente inamovible que se comunica con los agentes vecinos. Cada
agente comprueba su estado, as como el estado de los vecinos que lo
rodean para asignarse a ellos mismos un estado u otro (vivo o
muerto). Para realizar la asignacin para la siguiente iteracin hay
una serie de reglas, estas son las siguientes: si hay menos de dos
agentes vecinos vivos, entonces el agente muere si hay ms de tres
agentes vecinos vivos , el agente tambin muere si hay exactamente
dos agentes vecinos vivos, el agente mantiene el mismo estado si
hay exactamente tres agentes vecinos vivos, entonces el agente
cambia su estado y viveTodos los agentes comprueban las reglas en
paralelo y sin detenimiento. El resultado de esta ejecucin es la
aparicin de diversos patrones, como pueden ser gliders (estructuras
que se desplazan) o blinkers (estructuras que rotan entre una
orientacin horizontal o vertical).
5.1.2. Diferencias con ABMS actualesEl juego de la vida fue una
gran innovacin en su origen, pero presenta algunas diferencias con
los AMBS actuales. Aunque sigue considerndose como un ABMS, las
caractersticas que presenta el juego de Conway son lo ms bsicas
posibles. Al basarse simplemente en 3 reglas para su
funcionamiento, no cumple la condicin de que los agentes se
comuniquen entre s o con su entorno. Por el contrario, s la cumplen
los ABMS de la actualidad de manera que los agentes pueden
organizarse y coordinarse para conseguir un objetivo comn y ms
complejo que el del juego de la vida. En ste, todos lo agentes son
inamovibles y se rigen por las mismas reglas, mientras que en los
ABMS actuales los agentes pueden desplazarse por su entorno e
incluso cada uno puede comportarse de una forma totalmente distinta
a cualquier otro. Adems, como cada agente en el juego de la vida
necesita del estado de sus vecinos para poder seleccionar su prxima
accin/estado, no podemos considerar a estos agentes como autnomos.
Vistas estas diferencias, podemos concluir que los ABMS actuales
son ms complejos que el juego de la vida de Conway (1970).
5.2 Bug Hunt SpeedsLa parte final de este trabajo se corresponde
con el anlisis de uno de los modelos presentes por defecto en la
biblioteca de modelos de NetLogo, concretamente el modelo Bug Hunt
Speeds. El modelo muestra el resultado de la seleccin natural sobre
una especie Bug presa de otra predadora Bird, demostrando cmo, solo
los individuos que alcancen una mayor velocidad en la huida
sobreviven de la especie depredadora. Este modelado de la seleccin
natural permite explicar la existencia de adaptaciones por parte de
los individuos presa, quines, si no incrementan su velocidad de
huida sern rpidamente erradicados, simulando la adaptacin y la
evolucin gentica mediante herencia de variacin a travs de los
descendientes de los individuos de una determinada poblacin . En el
modelo, la especie presa, se divide inicialmente en 6 subespecies
representadas mediante diferentes colores, que tendrn velocidades
diferentes de huida (representando por tanto cierta variacin
fenotpica) y ser posible observar cmo la poblacin de aquellas
subespecies con una velocidad de huida menor se ver reducida con
mayor rapidez que la poblacin de las dems. Una vez comprendido el
objetivo del modelo se pasan a comentar los aspectos tcnicos del
mismo. Nos centraremos principalmente en las grficas que nos
permiten observar la evolucin del entorno, existen 3 grficas
diferentes. Avg.Bug Speed vs. Time que mostrar la velocidad media
de los Bug con respecto al tiempo, es interesante observar dicha
grfica porque se ver cmo, conforme se va reduciendo la poblacin de
aquellas subespecies de menor velocidad en la huida, se incrementar
la velocidad media de la especie, al existir un mayor nmero de
individuos en aquellas poblaciones de mejor eficacia biolgica en el
entorno que en aquellas poblaciones con peores cualidades. Current
Bug Population mostrar la cantidad de individuos que quedan en cada
una de las subespecies y Bugs Caught que indicar la cantidad de
Bugs de cada subespecie capturados por Bird siendo este valor la
diferencia entre el nmero de individuos en la poblacin inicial de
cada especie y el nmero de individuos capturados de cada
subespecie. Tambin existen diversos deslizadores que permiten
modificar el comportamiento de la simulacin, siendo el ms
importante initial-bugs-each-speed que permite configurar el nmero
de bugs a generar de cada subespecie (distinguida por la
velocidad). Adems, ser el agente observador el encargado de
desplazar la especie predadora por el entorno, si el observador se
comportase como se comportara el predador en una situacin real,
seran las poblaciones con una menor capacidad de huida aquellas que
se extinguiran primero ya que la tendencia de ste ser ir a por
aquellos individuos de movimiento ms lento, sin embargo, debido a
la posibilidad de actuar como el predador, podemos alterar el
funcionamiento normal y observar qu ocurrira en un conjunto variado
de casos.
5.2.1. Agentes e interaccionesA pesar de que en los modelos de
NetLogo existen los mismos tipos de agentes: patches (mundo),
turtles y links(interacciones); nos vamos a centrar en los tipos
bug y bird que aparecen en esta simulacin. En cuanto al tipo bird,
tan solo va a existir uno de ellos cuyo desplazamiento y acciones
van a ser controlados por el usuario. El agente tipo bird es la
especie depredadora, cuyo objetivo principal va a ser alimentarse
cazando agentes de tipo bug. El depredador va a tener dos posibles
acciones: desplazarse y alimentarse. La primera de ellas va a
realizarse mediante la posicin del mouse, siempre que se encuentre
localizado en el interior del mundo, es decir, el predador va a ser
el propio puntero. La segunda accin, la de alimentarse, va a tener
efecto cada vez que el usuario haga click sobre un agente bug o en
el caso de que el bird sobrepase a un bug estando el botn izquierdo
del mouse pulsado; cuando esto ocurre, el agente indicado
desaparecer y un nuevo agente bug aparecer a partir de otro para
mantener la poblacin de presas . En cuanto al segundo tipo de
agentes, bug, son las presas del agente tipo bird. Existirn tantos
como nmero de ellos se haya seleccionado en la variable
initial-bugs-each-speed para cada subespecie. Estos agentes son
autnomos y su funcin consiste en desplazarse aleatoriamente por el
mundo e intentar no ser cazados por el predador (existirn
subespecies con mejor o menor capacidad para llegar a cumplir esta
tarea). Para poder comprobar si el depredador est cerca y escapar
de l, el agente bug es capaz de interactuar con el entorno mediante
un pequeo campo-cono de visin. De esta manera puede comprobar si el
depredador se encuentra enfrente y, si es as, moverse hacia el
sentido opuesto para escapar. Cuando el predador haya cazado a la
presa, y por lo tanto un agente bug haya sido eliminado, se crear
un nuevo agente bug a partir de un bug todava existente al azar y
de la misma subespecie del cual ha sido creado. Esto implica que
cuando la ltima presa de una subespecie haya sido cazada, esa
subespecie se habr extinguido y no podr volver a aparecer.
5.2.2. Implementacin NetLogoEl modelo viene por defecto en la
biblioteca de modelos de NetLogo, por lo que ya existe una
implementacin de dicho modelo creada por Uri Wilensky, autor del
software ABMS que estamos tratando en el presente documento.
Comentaremos en este apartado, paso a paso el cdigo empleado para
la implementacin del modelo, centrndonos en aquellos fragmentos ms
importantes y comentando de una forma superficial aquellos menos
relevantes.
breed [predators predator]breed [bugs bug]bugs-own [speed ;;
either 1, 2, 3, 4, 5, or 6]
Primero se crean 2 razas para realizar una distincin sobre los
agentes turtle, dando lugar a 2 tipos de agentes especficos de la
simulacin Bugs y Predators a los que posteriormente se les dar un
shape diferente y los nombres de bug y bird (en lneas de cdigo
posteriores) respectivamente. Adems se le asignar una propiedad
caracterstica a la raza Bugs que ser la velocidad (de 1 a 6), dicha
propiedad marcar el comportamiento de la simulacin y la divisin en
subespecies dentro de la misma raza ya que cada individuo tendr una
velocidad diferente (pertenecer a una subespecie diferente) y por
ello una capacidad de supervivencia diferente (recordemos que en
este entorno nicamente es requisito necesario para sobrevivir la
velocidad, no entran otros factores como podran ser el camuflaje o
la resistencia).
globals [ total-speed-6-caught ;; keeps track of the number of
bugs caught with speed of 6 total-speed-5-caught ;; keeps track of
the number of bugs caught with speed of 5 total-speed-4-caught ;;
keeps track of the number of bugs caught with speed of 4
total-speed-3-caught ;; keeps track of the number of bugs caught
with speed of 3 total-speed-2-caught ;; keeps track of the number
of bugs caught with speed of 2 total-speed-1-caught ;; keeps track
of the number of bugs caught with speed of 1]
Se definen tambin variables globales que, tal como est
comentado, indican el nmero de Bugs capturados de cada
velocidad.
Pasaremos a comentar el mtodo setup, que se emplea como
inicializador de las variables y agentes del modelo (turtles,
patches y links).
to setupclear-allset total-speed-6-caught 0set
total-speed-5-caught 0set total-speed-4-caught 0set
total-speed-3-caught 0set total-speed-2-caught 0set
total-speed-1-caught 0set-default-shape bugs "bug"set-default-shape
predators "bird"ask patches [ set pcolor white ] ;; white
backgroundforeach [1 2 3 4 5 6] [ create-bugs
initial-bugs-each-speed [ set speed ? ]]ask bugs [ setxy
random-xcor random-ycor set-color];; the predator breed contains
one turtle that is used to represent;; a predator of the bugs (a
bird)create-predators 1 [ set shape "bird" set color black set size
1.5 set heading 315 hide-turtle]reset-ticksend
Inicialmente se limpia el entorno mediante la instruccin
clear-all ya comentada y se les asigna un valor 0 a las variables
comentadas antes total-speed-N-caught que representaban el nmero de
Bugs de cada subespecie cazados. Posteriormente se les asigna una
nueva forma a las razas creadas mediante la directiva
set-default-shape, bug y bird, para distinguirlas durante la
simulacin, tambin se colorea el entorno de blanco para hacer ms
visible la simulacin.
La parte ms relevante del procedimiento setup es la siguiente,
donde se lleva a cabo la creacin de las turtles pertenecientes a la
raza Bugs y a la raza Predators. Para crear los bugs, se emplea la
directiva create-nombrederaza (bugs en este caso) seguida del nmero
de individuos a generar de dicha raza, que viene dado en este caso
por el valor del deslizador comentado en la seccin anterior
initial-bugs-each-speed, dndole el valor a la propiedad speed del
iterador del bucle mediante el smbolo ?, como se ha comentado en la
seccin 4.7 del presente trabajo. Para cada bug generado, se sita en
una posicin aleatoria dentro del entorno. Finalmente, para la
creacin del turtle Predator se procede de la misma forma que en la
creacin de los Bugs, mediante la directiva create-nombrederaza se
le dan tambin las propiedades deseadas, destacando la ejecucin de
la accin hide-turtle ya que no debe ser visible si el cursor no est
posicionado sobre el agente mundo.
El siguiente procedimiento a comentar es el procedimiento
go.
to go;; use EVERY to limit the overall speed of the modelevery
0.03 [ check-caught move-predator ;; recolor the bugs in case the
user changed SPEED-COLOR-MAP ask bugs [ set-color move-bugs] ;;
advance the clock without plotting tick-advance 1 ;; plotting takes
time, so only plot every 10 ticks if ticks mod 10 = 0 [
update-plots ]]end
En este procedimiento cada 0.03 segundos se llaman a los
procedimientos check-caught y move-predator, que se comentarn
despus y que actualizan las estadsticas de Bugs capturados (entre
otras acciones que se comentarn) y llevan a cabo el movimiento del
turtle Predator (situndolo en la posicin del cursor cuando ste se
encuentra sobre el mundo) respectivamente. Tambin, tal como est
comentado, se colorean los Bugs si es necesario (si se han
realizado cambios sobre las opciones de la simulacin) y se avanza
la simulacin en 1 tick.
A continuacin comentaremos los 2 procedimientos que son llamados
desde el procedimiento anterior, move-predator y check-caught.
El primero de ellos es muy simple:
to move-predatorask predators [ setxy mouse-xcor mouse-ycor ;;
only show the predator if the mouse pointer is ;; actually inside
the view set hidden? not mouse-inside?]end
Se mover el agente Predator cuando el cursor est situado sobre
el mundo en las coordenadas mouse-xcor y mouse-ycor a la posicin
indicada por dichas coordenadas y se mostrar el agente si y solo si
el cursor cursor se encuentra sobre el entorno.
El mtodo check-caught es algo ms elaborado:
to check-caughtif not mouse-down? or not mouse-inside? [ stop
]let prey [bugs in-radius (size / 2)] of one-of predators;; no prey
here? oh wellif not any? prey [ stop ];; eat only one of the bugs
at the mouse locationask one-of prey [ if speed = 6 [ set
total-speed-6-caught total-speed-6-caught + 1 ] if speed = 5 [ set
total-speed-5-caught total-speed-5-caught + 1 ] if speed = 4 [ set
total-speed-4-caught total-speed-4-caught + 1 ] if speed = 3 [ set
total-speed-3-caught total-speed-3-caught + 1 ] if speed = 2 [ set
total-speed-2-caught total-speed-2-caught + 1 ] if speed = 1 [ set
total-speed-1-caught total-speed-1-caught + 1 ] die];; replace the
eaten bug with a random offspring from the remaining populationask
one-of bugs [ hatch 1 [ rt random 360 ] ]
Si el cursor no est sobre el entorno o no est el click izquierdo
pulsado (accin necesaria para que el agente Predator haga
desaparecer un agente Bug), entonces se para el procedimiento
porque no es necesario actualizar nada ni generar nuevos
individuos. Si el cursor est en el entorno, la primera accin que se
realiza es establecer la presa del agente Predator en la variable
prey, dicha presa se escoge como uno de los individuos de la raza
Bugs que estn en un radio de su_tamao/2 de proximidad del agente
Predator mediante la siguiente sentencia let prey [bugs in-radius
(size / 2)] of one-of predators , en caso de que no hubiese ninguna
presa que cumpla tal condicin, el procedimiento se parar.
Una vez elegida la presa, o conjunto de presas, ntese que puede
existir ms de una y por ello se emplea la directiva one-of, se
actualizar la variable global correspondiente que almacena el valor
de los Bugs capturados de la subespecie a la que pertenece,
incrementndose en 1.
Posteriormente, se reemplazar el Bug eliminado por un
descendiente de un Bug elegido aleatoriamente entre el resto de la
poblacin existente, que podr ser de la misma subespecie o de de
otra subespecie diferente, de mayor eficacia biolgica. La
descendencia se consigue mediante la primitiva hatch que no ha sido
comentada en el presente trabajo y se remite al lector al manual
oficial de NetLogo indicado en el anexo de este documento. Adems,
para evitar que dejando fijo (o desplazando siempre al mismo lugar
tras eliminar un Bug) al agente Predator, ste contine eliminando un
Bug y sus descendientes, se le indica que cambie de sentido en un
ngulo aleatorio entre 0 y 360.
Finalmente comentaremos el procedimiento que gestiona el
movimiento de los agentes Bug, el cdigo del procedimiento es el
siguiente:
to move-bugs let candidate-predator nobody let target-heading 0
ask bugs [ if wiggle? [right (random-float 5 - random-float 5)] fd
speed * 0.001 ifelse flee? [ ifelse any? predators in-cone 2 120 [
set candidate-predator one-of predators in-cone 2 120 set
target-heading 180 + towards candidate-predator set heading
target-heading set label "!" ] [set label ""] ] [set label ""]
]end
El mtodo move-bugs comienza inicializando la variable
candidate-predator a nobody, y la variable target-heading a cero. A
continuacin, si existe la variable wiggle, que indicar realizar una
aleatoriedad en los movimientos de los Bug, entonces los Bug
realizarn un cambio de ngulo a derechas o izquierdas dependiendo el
signo del nmero que se obtiene de la resta de dos nmeros random
entre 0 y 5, y posteriormente cambiar el valor de la velocidad a la
que se mueven, multiplicando sta por 0.001 como se ve en la
siguiente sentencia: fd speed * 0.001. Seguidamente, si detectan
que el predador se encuentra enfrente de ellos, es decir, lo
observan de frente mediante un arco de visin que tiene 120 grados y
un rango de 2 unidades, entonces asignar a la variable
candidate-predator a uno de los predadores que se encuentren en el
arco de visin. Adems, asignar a la variable target-heading la
direccin en la que va el predador + 180 grados ms, para de esta
forma poder escapar en la direccin contraria, asignando este nuevo
valor a la direccin en la que ir el Bug; y asignndole, una etiqueta
! como seal de alarma de que est escapando. En caso de que no se
encuentren predadores, la etiqueta ser vaca.
5.2.3. Casusticas y resultados de experimentos
En este apartado trataremos sobre los diferentes escenarios que
pueden darse en el modelo a analizar. Recordemos que dicho modelo
trata sobre la seleccin natural, donde la especie presa intenta
sobrevivir de la especie predadora utilizando como nico mtodo en
ste caso su velocidad.
Tal como se indica en el modelo (y como refleja la teora de la
evolucin de Darwin) la especie depredadora intentar capturar a los
sujetos con una menor eficacia biolgica y si fuese as, la poblacin
tender a estar formada nicamente por los individuos de mayor
capacidad. Realicemos el experimento sobre nuestro modelo de la
forma en la que lo haran los individuos en la naturaleza ,
comenzaremos eliminando a los sujetos de la subespecies ms lentas
(por velocidad creciente), por lo que se incrementarn las
poblaciones de las dems subespecies ya que si tienen descendientes
de la misma velocidad, desaparecern tambin fcilmente, observamos
que tal como nos indica la lgica, el modelo y Darwin que los
individuos que sobreviven y a los que tiende la poblacin son
aquellos de mayor velocidad, subespecies roja y naranja.
Sin embargo esto no tiene por qu ser as, ya que el agente
observador es el que se encarga de realizar el movimiento de la
especie predadora y no pierde nada por dejar a las especies de
menor velocidad con vida (en la naturaleza si ocurriese esto,
posiblemente la especie predadora desaparecera debido a la
dificultad de capturar presas de gran velocidad), mientras se
dedica a eliminar aquellas de mayor capacidad. En este caso el
resultado que observamos en el modelo tras eliminar primero
individuos de la poblacin ms veloz (subespecie de color rojo) es
que la poblacin de la subespecie de una velocidad inmediatamente
menor se ve incrementada, yendo esto en contra de los principios de
la seleccin natural ya que empeoran las capacidades biolgicas de
los nuevos individuos, sin embargo, debido a que la poblacin
principalmente eliminada es la de mayor velocidad, parece lgico que
para que la especie pueda seguir subsistiendo es necesario generar
nuevos individuos de una subespecie diferente a la que est siendo
erradicada. Al eliminar todos los individuos de la subespecie roja,
continuamos cazando los sujetos naranjas, y la poblacin de los Bugs
amarillos se vi incrementada, por lo que inferenciamos que
continuar ocurriendo lo mismo hasta las poblaciones ms lentas,
"revirtiendo" en cierta manera la evolucin de las especies.
Otro experimento que podemos realizar es que la especie
predadora se dedique a visitar puntos aleatorios en el mapa para
ver si en ese determinado punto hay una presa y en ese caso
eliminarla, algo conocido cmo bsqueda a ciegas. Para simular este
experimento (y el siguiente) hemos implementado un programa en C
usando la API de Windows para realizar el movimiento del cursor. El
programa es dependiente del tamao del dispositivo de salida, pero
se puede obtener el cdigo ajustado para el caso de los autores de
aqu. Como es lgico, los resultados variarn en cada iteracin ya que
visitamos puntos aleatorios donde pueden encontrarse cualquier tipo
de presas, sin embargo hemos observado cierta tendencia a que los
individuos que prevalezcan sigan siendo aquellos de mayor
velocidad, eliminndose primero aquellos individuos ms lentos.
Podemos probar otra casustica, en este caso, hemos recorrido el
entorno de izquierda a derecha y de arriba a abajo, pixel a pixel y
hecho varias pasadas de este mismo proceso (todo es configurable,
el nmero de pixels a saltar y el nmero de iteraciones), para ello
hemos empleado ste cdigo en C que hace uso, del mismo modo que
antes, de la API de Windows. Realizando el experimento, se ha
observado que desaparecen equitativamente los individuos de cada
especie y no parece existir ningn patrn a la hora de la desaparicin
de los individuos.
6. Conclusiones
La realizacin del trabajo ha sido gratificante y divertida, ya
que hemos podido descubrir propiedades de los ABMS que no han sido
vistas en teora o han sido vistas muy superficialmente, al analizar
un artculo ms especializado en el tema, como es C.M Macal et al.,
2010, Journal of Simulation, 151-162, donde se han analizado
aspectos clave sobre este tipo de sistemas como la estructura tpica
de un modelo basado en agentes, as como sus componentes,
caractersticas sobre dichos componentes como pueden ser la
autonoma, la adaptacin o la heterogeneidad (entre muchas otras) en
lo referido a los agentes, los tipos de interaccin posible entre
agentes ya sea mediante la utilizacin del entorno o mediante paso
de mensajes, as como la importancia de tales interacciones,
diferenciando claramente estas interacciones a los ABMS, vase las
diferencias entre los autmatas celulares y los actuales sistemas de
simulacin basados en agentes. Tambin se ha realizado una pequea
aproximacin al entorno donde se destinarn los agentes (en este
punto, quizs, con un menor nfasis que el que se ha hecho en clases
de teora), as como una metodologa de diseo e implementacin de
ABMS.
Adems, hemos podido conocer de primera mano cmo es el manejo de
las herramientas de modelado de ABMS desde el punto de vista de la
programacin de modelos, as como algunos de los modelos reales que
se han empleado para simular problemas complejos de modelar
matemticamente, en nuestro caso empleando la aplicacin NetLogo y
analizando un modelo denominado Bug Hunt Speeds.
Con todo ello, podemos concluir que el trabajo ha cumplido con
las expectativas que tenamos cuando tomamos la eleccin de
seleccionarlo y lo aconsejamos para futuros alumnos, ya que este
campo de la IA es de gran utilidad en muchos de los problemas que
nos planteen grandes dificultades, y como se ha mencionado
anteriormente, sean difciles de modelar matemticamente.
7. Anexo
Junto con el trabajo a realizar en este documento, se adjunta el
anexo, donde se incluyen las implementaciones de las 2 aplicaciones
comentadas: Juego de la vida y Bug Hunt Speeds y una sntesis del
manual de NetLogo necesaria para comprender las aplicaciones de
apartados anteriores.
7.1. Implementaciones
Se adjuntan 2 links al GIT de uno de los autores del trabajo en
el que se encuentran las implementaciones del Juego de la Vida y
del modelo NetLogo Bug Hunt Speeds (por Uri Wilensky).
Juego de la vida: Aqu Bug Hunt Speeds: Aqu
7.2. Manual NetLogo
A partir de los siguientes apartados realizaremos una sntesis
del manual NetLogo, comentando lo necesario para comprender los
ejemplos expuestos en el documento, debido a la gran extensin del
manual oficial de la aplicacin. Por ello se ha optado, tal como se
ha dicho, por comentar los aspectos fundamentales para poder
trabajar con dicha tecnologa.7.2.1 VistasComentaremos en este
apartado las caractersticas bsicas de NetLogo en los temas
relativos a la interfaz de la aplicacin, como pueden ser los
paneles de control, los ajustes tanto de la simulacin como de los
aspectos del modelo (entorno, agentes, etc) y la propia
interfaz.7.2.1.1 InterfazUna vez arrancada la aplicacin, se nos
presentar la siguiente ventana:
Nos fijamos en la aparicin de 3 pestaas principales en la parte
superior de la aplicacin: Ejecutar, Informacin y Cdigo.En el
apartado Ejecutar veremos una representacin grfica de nuestro
modelo (la evolucin de la simulacin ser visible tambin) junto con
una serie botones que nos permitirn interactuar para configurar su
comportamiento.En el 2 apartado, Informacin, obtendremos informacin
de nuestro modelo (previamente establecida por el programador) para
informar a los usuarios como pueden ser: qu significa el modelo,
cmo funciona, cmo usarlo, etc.Finalmente, en la ltima pestaa,
Cdigo, sern visibles los procedimientos (cdigo fuente) que
permitirn la ejecucin de nuestro modelo en el apartado
Ejecutar.Dentro del apartado Ejecutar, podemos distinguir los
diversos widgets de los que se compone, entre los que se
encuentran:
Que nos permitirn aadir, editar y borrar elementos para el
control de la simulacin, tales como botones, sliders, grficos,
etc.
Que es el panel de control de la simulacin, donde podremos
cambiar la velocidad de simulacin e incluso indicar cundo se
actualizar el mundo, pudiendo incluso indicar manualmente el nmero
de ticks para el refresco.
En la parte derecha podemos encontrar el botn de configuracin
que permitir cambiar las propiedades del mundo (entendiendo mundo
en el mbito de NetLogo como el entorno ya comentado).
El entorno de nuestro modelo, donde se visualizar el
comportamiento de los agentes de nuestro modelo. Dicho entorno est
formado por celdas (de forma similar al robot recogedor de basura
de las prcticas) cuyo tamao y nmero puede ser modificado en el
apartado configuracin. Dicho entorno estar poblado por agentes que
sern comentados en apartados posteriores.Otro elemento importante
es la ventana de comandos que nos permitir llevar a cabo la
simulacin en caso de que no hayamos definido un cdigo formado por
procedimientos, en caso de que se emplee la ventana de comandos
(terminal de instrucciones), el propio agente observador (se
comentar despus el papel de ste en la arquitectura de NetLogo) ser
el programador del modelo. En ella podremos realizar acciones que
tengan un efecto sobre el mundo, como pueden ser crear tortugas
(tambin se comentar despus el papel de stas) y ordenarles la
realizacin de acciones.
7.2.1.2 Ajustes del modeloEn ste apartado, alcanzable al
clickear en el apartado Configuracin presentado antes, se puede
modificar la configuracin de nuestro modelo, desde las
caractersticas del entorno como pueden ser la anchura y la altura
dadas por las variables de Netlogo world-width y world-height (por
defecto 33 y 33, que dan un total de 1089 patches en total), que
almacenan la anchura y la altura del "mundo", cumpliendo que el
tamao del mundo es el producto entre estas 2 variables. Adems el
tamao del mundo queda definido tambin por las variables max-pxcor y
max-pycor, que representan la coordenadas centrales de las celdas
ms alejadas del origen.
Tambin es posible configurar el tamao de las celdas por las que
est compuesto el mundo que ser el tamao que tendr el mundo en la
representacin, dicho tamao depender tanto del tamao de las celdas
como de max-pxcor y max-pycor, ya que cuanto mayor sean estas 2
variables ms celdas cabrn en la representacin.
La frontera del mundo tambin se puede modificar con 2 parmetros,
lmite horizontal y lmite vertical, indicando si los agentes se
podrn desplazar ms all de los lmites tanto horizontalmente como
verticalmente, pudindose generar errores en el modelo si los
agentes avanzan superan dichos lmites.
La etiqueta para indicar un incremento en la iteracin de la
simulacin, por tanto, si escribimos ticks en nuestro cdigo (tal
como est en la imagen), se avanzar la simulacin.
7.2.1.3. Ajustes de la simulacinEn cuanto a los ajustes de
simulacin una vez se va a ejecutar el modelo, podemos modificar el
parmetro de la velocidad de simulacin, la cual se encuentra por
defecto en la posicin normal, mediante un slider en la parte
superior central de la ventana principal. Este slider nos ofrece la
posibilidad de cambiar la velocidad de forma que la simulacin sea
ms lenta o ms rpida. Sin embargo, no se modifica la velocidad de la
obtencin de los datos como podra pensarse, sino la velocidad con la
que esos datos se mostrarn.
Adems de la velocidad, cuando activamos el checkbox Actualizar
de la Vista (view updates), y dependiendo de la opcin que
seleccionemos en el combobox inmediatamente por debajo del checkbox
(continuamente o por sticks), podremos observar los cambios en el
modelo paso a paso o por cada iteracin. Mientras que si no
activamos esta opcin tan slo se actualizar el mundo-entorno al
finalizar la simulacin.
Por ltimo, para la modificacin de cualquier variable global
modificable, su representacin o para mostrar informacin referente
al modelo podremos incorporar los siguientes elementos: Button. Al
pulsarlo se ejecutan comandos. Slider. Permite modificar el valor
de una variable dentro de un rango. Switch. Controla el valor de
una variable global booleana. Chooser. Similar al slider, pero los
valores que podr tomar la variable sern discretos. Input. El
usuario teclea el valor de una variable. Monitor. Muestra el valor
que toma una variable durante su ejecucin. Plot. Permite realizar
una representacin grfica. Output. Una pantalla en la que podemos
mostrar informacin (mensajes a lo largo de la ejecucin). Note.
Texto.7.2.1.4. InformacinComo se ha comentado en 4.1.1, en este
apartado de la aplicacin obtendremos informacin de nuestro modelo
para informar a los usuarios. Con ms detalle, observamos categoras
ya definidas semejantes a cualquier documentacin de software
convencional, como: Una explicacin de sobre qu trata nuestro
modelo.
Sobre cmo funciona las reglas rigen el comportamiento de los
agentes del modelo.
Incluso sobre casusticas de prueba que podran resultar
interesantes para el usuario de la aplicacin y de nuestro
modelo.
Es posible editar la informacin del modelo mediante el botn
Editar, escribiendo la documentacin con un lenguaje de marcado
similar a Markdown.7.2.2. Agentes y propiedadesComo ya se ha
comentado en el apartado de introduccin a NetLogo, ste es un
lenguaje de programacin que sigue la filosofa del modelado basado
en agentes.Entre los agentes disponibles en NetLogo encontramos 3
tipos principales que nos permitirn desarrollar nuestro modelos:
Turtles: Son los agentes principales visibles por el observador
(considerado otro agente en el mbito de NetLogo), que se desplazan
sobre el entorno e interactan entre s y con el entorno (con los
patches que conforman mundo, considerados otro agente como ahora
veremos) de forma sencilla o compleja segn unas reglas especficas
que regulan su comportamiento, pudiendo dar lugar a comportamientos
emergentes que no han sido explcitamente programados. Cada tortuga
es identificada por un id que la hace nica. Patches: El mundo
(entorno) de NetLogo es el terreno donde se desplazan las tortugas.
Este mundo est formado por porciones ms pequeas denominadas patches
o celdas. Del mismo modo que las tortugas vienen identificadas por
un id nico, estos patches estn identificados por las coordenadas de
su punto central. Link: Pueden existir turtles que estn
relacionados entre s (sin tener por ello que ser necesaria una
interaccin), para modelar estos enlaces o relaciones se emplean los
links, considerados otro agente dentro del mbito de NetLogo. Los
links tambin estn identificados unvocamente, en este caso por una
tupla n-dimensional que relaciona turtles, e.g. (turtleN,turtleM).
Observador: El ltimo agente considerado por NetLogo es el
observador o usuario de la aplicacin. Aunque ste no est
representado en el mundo como el resto de los agentes, es capaz de
modificar el comportamiento de la simulacin y del mundo (creando y
destruyendo agentes, propiedades, ), razn por la cual ste es
considerado como un agente ms.Cada agente tiene una serie de
propiedades que lo describen (no lo identifican), por ejemplo, las
tortugas cuentan con las siguientes caractersticas:who ;;
identificador (no se puede modificar)color ;; colorheading ;;
orientacinxcor ;; coordenada xycor ;; coordenada yshape ;;
formalabel ;; etiquetalabel-color ;; color de la etiquetabreed
;;razahidden? ;; visible o no visible?size ;; tamaopen-size ;;
tamao del trazo al desplazarse (cuando pen-mode=down)pen-mode ;;
dejar trazo al desplazarse o no?
Es posible ver dichas propiedades mientras la simulacin est en
ejecucin haciendo click con el botn derecho del ratn sobre la
tortuga y seleccionando la tortuga de la que queremos conocer la
informacin.
Los patchs que conforman el entorno tambin tiene propiedades
asociadas entre las que se encuentran las siguientes:
pxcor ;; coordenada x del patchpycor ;; coordenada y del
patchpcolor ;; color del patchplabel ;; etiqueta del
patchplabel-color ;; color de la etiqueta del patch
Podemos conocer las propiedades de los agentes tambin desde el
cdigo de nuestro modelo mediante: [propiedad] of id_agent. Tambin
se pueden identificar los agentes mediante la primitiva bsica ask.
Tales instrucciones junto con las primitivas bsicas sern explicadas
en el correspondiente apartado.
7.2.2.1 Propiedades adicionales
En el apartado anterior se han comentado las propiedades bsicas
de todo agente y que se poseen desde el momento de su creacin, sin
embargo es posible definir propiedades adicionales sobre los
agentes que nos interese. Por ejemplo, aadir la propiedad edad a
los agentes turtle que simulen un humano en nuestro modelo.Para
definir dichas propiedades se utilizar tambin una primitiva bsica,
own o se podrn establecer desde el momento de creacin del agente
con la primitiva set. Las dos formas posibles son las siguientes:1.
crt 1 [set edad 20] ;; Se creara una tortuga con la propiedad edad
desde su inicio.2. turtles-own [edad] ;; Se aade la propiedad edad
sobre el conjunto turtles.Es importante observar que mediante el
segundo mtodo es necesario dar un valor a la propiedad una vez
establecida, por ejemplo de la siguiente forma: ask turtle 1 [set
edad 20]
7.2.2.2 Razas
Hemos supuesto hasta ahora que todos los turtles empleados son
del mismo tipo y poseen las mismas propiedades (a pesar de que
hayamos definido propiedades adicionales), pero no es necesario que
sto sea as.
Cuando sea necesario que en nuestro modelo coexistan diferentes
tipos de agentes - con propiedades diferenciadas - emplearemos lo
que NetLogo denomina razas o breeds.
Para la creacin de una nueva raza emplearemos la primitiva breed
seguida de corchetes entre los que indicaremos, primero el nombre
del conjunto de agentes de la raza (en plural) seguido del nombre
en singular de cada agente de la nueva raza (en singular), e.g.
breed [alumnos alumno].
Una vez definida la nueva raza podemos emplear el nombre de la
raza (el plural que identifica al conjunto de agentes) para
realizar las mismas acciones que realizaramos sobre las tortugas
normales. Entre stas, destacan la asignacin de una nueva forma a la
hora de su creacin para diferenciar la nueva raza de las dems
tortugas con set-default-shape , la peticin de realizacin de alguna
accin por parte de los agentes de la raza con ask raza [accin
parmetros] y la creacin de nuevos agentes pertenecientes a la raza
con create-nombreraza nagentes .
7.2.3. Primitivas bsicas
Ya comentado el enfoque de los sistemas basados en agentes que
propone NetLogo, tenemos que ser capaces de emplear comandos que
nos permitan llevar a cabo la simulacin, pudiendo
crear/destruir/modificar agentes, ordenar la realizacin de acciones
por parte de stos entre muchas otras posibilidades ofrecidas por
dicho software. Todas los comandos, a partir de ahora primitivas,
sern lanzados en este apartado a travs de la ventana de comandos
ofrecida por NetLogo, comentando en apartados siguientes la
posibilidad de crear nuestros propios procedimientos empleando
tambin tales primitivas, adems, nos ceiremos a comentar nicamente
las primitivas bsicas ms utilizadas.
En primer lugar, es necesario introducir la primitiva
create-turtles cuya abreviatura es crt. Tal primitiva es empleada
para la creacin de tortugas, indicando tras la orden de creacin el
nmero de tortugas que el observador (al trabajar con la ventana de
comandos, consideraremos que el agente observador ser tambin el
programador del modelo) desea crear, e.g. create turtles 2 o crt 2
, crearan 2 tortugas en nuestro mundo, situadas en las coordenadas
centrales de ste.
La segunda primitiva que comentaremos ser ask, que permitir la
peticin de realizacin de acciones por parte de las tortugas. Dicha
primitiva se emplea indicando junto a ella el nombre del agente o
conjunto de agentes que deben realizar la accin, seguido a su vez
de, entre corchetes, otra primitiva o conjunto de primitivas que
indiquen la acciones a realizar entre las que destacan (se indican
las primitivas seguidas de su abreviatura y su semntica):
forward ;; (fd) avanzarback ;; (bk) retrocederleft ;; (lt) giro
a la izquierdaright ;; (rt) giro a la derecharepeat ;; repetir un
conjunto de primitivas pen-up ;;(pu) subir el lpiz (los agentes no
dejan huella al moverse)pen-down ;;(pd) bajar el lpiz (los agentes
dejan trazos al moverse)clear-all;;(ca) se resetean variables, se
limpia el mundo, se borran grficas, etc.
Un ejemplo de construccin empleando la primitiva ask , sera,
e.g. ask turtles [fd 5] que indicara a todos los agentes tortuga a
realizar un movimiento de avance 5 posiciones hacia el ngulo al que
estn orientados. Para ilustrar un ejemplo ms detallado, consigamos
que todas las tortugas creadas realicen un movimiento de forma que
dibujen un cuadrado de 5 unidades, introduciramos lo siguiente:
clear-all ;; Resetearemos el entornocrt 4 ;; Creamos 4
tortugasask turtles [fd 5 rt 90 fd 5 rt 90 fd 5 rt 90 fd 5]
Mediante la ltima primitiva indicamos al conjunto de las
tortugas que se desplacen 5 posiciones en su orientacin, giren 90,
se desplacen 5 posiciones en su orientacin, giren 90 y as
sucesivamente hasta haber alcanzado la posicin inicial, formando un
cuadrado que empieza y acaba en las coordenadas origen. Sin
embargo, si se realiza el experimento no se observa movimiento
aparente, el problema es la velocidad de simulacin, al ser un
modelo tan sencillo el tiempo de proceso de tal primitiva es muy
reducido y no se observan cambios significativos respecto del
estado inicial, dicho problema se soluciona reduciendo la velocidad
de simulacin en el slider de la pestaa Ejecutar. Si hacemos esto
ltimo observamos que las tortugas no realizan las acciones en
paralelo por lo que en principio no existe paralelismo si se pide
la realizacin de una accin por parte de un conjunto de tortugas del
mismo tipo.
Podemos tambin hacer que dibujen explcitamente los movimientos
que realizan mediante el uso de las primitivas pen-down/pd y
pen-up/pu , que permiten a los agentes la utilizacin de un lpiz
para marcar sus movimientos, si el lpiz se encuentra en uso
(bajado, pen-down), o dejar de marcarlos si el lpiz est en desuso
(subido, pen-up). En el ejemplo anterior solo tendramos que
modificar la ltima primitiva ask , indicando junto a los
movimientos que el lpiz debe bajarse al inicio del desplazamiento y
subirse al final.
clear-all ;; Resetearemos el entornocrt 4 ;; Creamos 4
tortugasask turtles [pd fd 5 rt 90 fd 5 rt 90 fd 5 rt 90 fd 5 pu]
;; Ahora indicando el uso del lpiz
Observamos otro problema en la primitiva anterior. Qu pasara si
tuvisemos que realizar un nmero elevado de desplazamientos para
formar un polgono complejo como un mirigono?. Nos llevara un tiempo
considerable indicar a mano junto con la primitiva ask los
movimientos a realizar, para ello podemos emplear otra primitiva
muy empleada como es repeat. Dicha primitiva nos permite repetir
una determinada accin o conjunto de acciones un nmero de veces que
se indica explcitamente junto a la primitiva, nuestro ejemplo
dibujando el cuadrado quedara:
clear-all ;; Resetearemos el entornocrt 4 ;; Creamos 4
tortugas;; Empleando la primitiva repeatask turtles [pd repeat 4
[fd 5 rt 90] pu]
7.2.4. Procedimientos
Podemos entender los procedimientos en NetLogo como las
funciones o procedimientos en cualquier otro lenguaje no orientado
al modelado basado en agentes, una funcin definida por el
programador que engloba un conjunto de primitivas ya definidas por
el lenguaje para conseguir una accin que requiere de la ejecucin
conjunta de tales primitivas.
Es necesario comprender que NetLogo es un ambiente ejecutado
sobre una mquina virtual Java que interpreta un lenguaje denominado
Quasi-Pearl, por tanto, interpretar lnea a lnea los comandos
introducidos por ello los procedimientos se describen como sigue.
Para inicializar un procedimiento emplearemos la palabra reservada
to seguida del nombre del procedimiento y a partir de este punto de
entrada se ejecutarn una a una las primitivas introducidas en las
siguientes lneas hasta alcanzar otra palabra reservada para la
finalizacin de los procedimientos, end. Para comprobar el
funcionamiento de los procedimientos vamos a ponerlos en prctica.
Primero definiremos un procedimiento llamado cuadrado que realice
las acciones del apartado anterior, pero ahora englobadas en dicho
procedimiento, para ello nos desplazamos a la pestaa Cdigo y
escribimos nuestro procedimiento:to cuadrado ;; Inicio del
procedimientoclear-all ;; Resetearemos el entornocrt 4 ;; Creamos 4
tortugasask turtles [pd repeat 4 [fd 5 rt 90] pu] ;; Empleando la
primitiva repeatend ;; Fin del procedimiento
Y una vez escrito pulsamos sobre Comprobar. Si no obtenemos
ningn error (mostrados en una barra en la parte superior, de color
amarillo indicando el tipo de error obtenido), podemos lanzar
nuestro procedimiento desde la ventana de comandos simplemente
llamndolo por su nombre, cuadrado en nuestro caso.
Es importante observar que el procedimiento, tal como est
definido, no es determinista, por lo que no se obtendr la misma
salida exactamente cada vez que se lance debido a que durante la
creacin de las tortugas, stas son orientadas hacia un ngulo
aleatorio y al realizar el desplazamiento describirn trayectorias
diferentes.7.2.5. Variables
Distinguiremos entre 2 tipos de variables presentes en el mbito
de NetLogo, las variables locales y las variables globales. Dicho
mbito de las variables es anlogo al mismo en otros lenguajes de
programacin.
Una variable global es accesible por todos los procedimientos de
un programa NetLogo.
Un caso particular de este tipo de variables son las variables
de entrada, introducidas por el usuario a travs de la interfaz de
NetLogo mediante los posibles widgets (botones, sliders, choosers).
Para comprobar su funcionamiento emplearemos el procedimiento
desarrollado en apartados anteriores para formar un cuadrado, pero
en esta ocasin su funcionamiento estar condicionado a la
introduccin de variables de entrada: el ngulo ,el desplazamiento de
las tortugas y las repeticiones, de forma que se podrn generar
distintos tipos de polgonos.
Para ello, partiendo del cdigo anterior:
to cuadrado ;; Inicio del procedimientoclear-all ;; Resetearemos
el entornocrt 4 ;; Creamos 4 tortugasask turtles [pd repeat 4 [fd 5
rt 90] pu] ;; Empleando la primitiva repeatend ;; Fin del
procedimiento
introduciremos 4 sliders, uno para el nmero de tortugas a
generar:
(variable global turt), otro para las repeticiones:
(variable global rep), otro para el nmero de desplazamientos:
(variable global desp) y un ltimo para indicar el ngulo de
giro:(variable global ang).
Con los sliders para configurar los parmetros de la simulacin ya
definidos, debemos establecer un botn para iniciar dicha simulacin:
, que llamar al punto de entrada de nuestro programa, en nuestro
caso el procedimiento cuadrado.
Y nicamente resta modificar el cdigo anterior para ajustarlo a
la utilizacin de las variables de entrada, quedando como sigue:
to cuadrado ;; Inicio del procedimientoclear-all ;; Resetearemos
el entornocrt turt ;; Creamos [turt] tortugasask turtles [pd repeat
rep [fd desp rt ang] pu] ;; Empleando la primitiva repeatend ;; Fin
del procedimiento
Un ejemplo con {turt=5}, {rep=83}, {desp=10} y {ang=92} es el
siguiente:
Las variables globales que no son variables de entrada y por
tanto no son introducidas mediante los widgets de la pestaa
Ejecutar las declararemos al inicio del programa mediante la
primitiva globals y, entre corchetes, el nombre de las variables
globales que vamos a emplear en nuestro programa e.g.
globals [variable_global_1variable_global_2variable_global_n
]
Este tipo de declaracin no era necesario en las variables de
entrada porque internamente NetLogo se encarga de su definicin.
Posteriormente, es posible asignarle valores a las variables
globales mediante la primitiva set , la misma que emplebamos para
definir propiedades adicionales en los agentes tortuga.
Por otro lado, se encuentran las variables locales, que slo son
vlidas dentro del procedimiento donde son declaradas, por tanto, ya
no son declaradas al inicio del programa, sino que se crean dentro
de un procedimiento y se les asigna un valor segn se va necesitando
a lo largo del programa. Una variable local se crea mediante la
primitiva let, dndole un valor inicial en durante su creacin e.g.
let variable_local 5. Si posteriormente necesitamos asignarle otro
valor diferente a la variable local se emplear la primitiva set
e.g. let variable_local 7.
7.2.6. ListasLas listas son estructuras de datos equivalentes al
concepto de vector/array en otros lenguajes de programacin. Al ser
un lenguaje con tipado dinmico, las listas pueden ser heterogneas,
pudiendo estar compuestas de elementos de diferentes tipos. Dada
una lista L representada como un conjunto de valores entre
corchetes, sus elementos son numerados desde el ndice 0 hasta |L|-1
.
Existen dos formas de construir una lista, en funcin de si estar
compuesta por datos conocidos a priori o no. Si los datos son
conocidos, construiremos la lista como una variable normal
(asumiremos la definicin como una variable local, pero es fcilmente
extrapolable a variable global) de la siguiente manera: let lista-1
[el0 el1 elN]
Si los datos no son conocidos a priori (situacin ms comn) es
necesario emplear la primitiva list , que recibe una serie de
argumentos y devuelve una lista compuesta con los argumentos
pasados. Se pueden dar dos casos en el uso de dicha primitiva:
Si se le pasan 2 argumentos a la primitiva, se escribir de la
forma: list a b , siendo a y b variables definidas previamente en
el programa (tambin pueden ser valores constantes vlidos).
Si se le pasan ms de 2 argumentos, se escribir la primitiva list
seguida de todos los argumentos necesarios, todo ello entre
parntesis e.g. (list a b c d) , siendo a,b,c y d variables
definidas previamente en el programa (tambin pueden ser valores
constantes vlidos).Una vez han sido introducidas las listas es
necesario comentar las operaciones que tienen asociadas, que nos
permiten manipularlas de una forma sencilla, contando como
cualquier estructura de datos con al menos operaciones de consulta,
insercin, borrado y modificacin de elementos. Entre estas
operaciones encontramos, las siguientes primitivas (a,b,..., son
constantes vlidas de NetLogo o variables) :
1. Para realizar operaciones de consulta sobre una lista.
first: nos permite consultar el primer elemento de la lista e.g.
first [a b c] ;; a
last: para obtener el ltimo elemento de la lista e.g. last [a b
c] ;; c
but-first: obtiene una lista con todos los elementos de la lista
menos el primero e.g. but-first [a b c] ;; [b c]
but-last: obtiene una lista con todos los elementos de la lista
menos el ltimo e.g. but-last [a b c] ;; [a b]
item: obtiene el elemento n-simo de la lista e.g. item 2 [a b c]
;; b
n-of: toma una lista de n elementos al azar de la lista e.g.
n-of 2 [a b c] ;; [n1 n2]
0. Para realizar operaciones de modificacin sobre una lista.
fput: introduce un elemento al inicio de la lista e.g. fput d [a
b c];;[d a b c]
lput: introduce un elemento al final de la lista e.g. lplut d [a
b c];;[a b c d]
remove: elimina el elemento indicado de la lista e.g. remove b
[a b c];;[a c]
remove-item: elimina el elemento indicado por posicin de la
lista e.g. remove-item 2 [a b c] ;; [a b]
remove-duplicates: elimina los elementos duplicados de la lista
e.g. remove-duplicates [a b b c] ;; [a b c]
replace-item: reemplaza el elemento indicado por otro elemento
indicado por el programador e.g. replace-item b [a b c] d ;; [a d
c]
0. Otras primitivas tiles para operar con listas.
length: permite conocer la longitud de una lista e.g. length [a
b c] ;; 3
modes: permite conocer la moda de una lista e.g. modes [a b b c]
;; b
position: para conocer la posicin de un elemento en la lista
e.g. position b [a b c] ;; b
shuffle: desordena aleatoriamente los elementos de la lista e.g.
shuffle [a b c]
reverse: obtiene el reverso de la lista e.g. reverse [a b c] ;;
[c b a]
sort: ordena los elementos por valor creciente, otra versin de
sort, es sort-by que permite indicar el criterio de ordenacin e.g.
sort [4 2 5] ;; [2 4 5]
sentence: permite la concatenacin de listas, sin realizar
aplanamiento de listas. Si se van a concatenar 3 o ms listas es
necesario incluir la sentencia entre parntesis e.g. sentence [a b
c] [b c a] ;; [a b c b c a]
sort-by: realiza la misma funcin que la primitiva sort, pero
siendo ahora posible especificar el criterio de ordenacin. Dicho
criterio se indica entre corchetes, asignando nombres auxiliares
(que comenzarn siempre por ?) y que se emplearn durante las
iteraciones necesarias para referenciar los valores actuales en el
proceso de ordenacin e.g. sort-by [?1 > ?2] [2 3 1 5] ;; [5 3 2
1], obsrvese que ordenamos en orden decreciente en este caso, a
diferencia de la primitiva sort
Es necesario aclarar que tales operaciones se han considerado en
sus casos ms bsicos, existiendo situaciones de mayor complejidad
como por ejemplo, cuando hay varios niveles de anidacin de listas.
Del mismo modo, se ha mostrado directamente el uso de las
primitivas, pero es posible emplearlas en otras condiciones, como
en la creacin de una variable local e.g. let a (sentence [a b c] [c
b a] [d c d])
Tambin encontramos primitivas que nos permiten iterar de una
forma sencilla sobre los elementos de las listas sin necesidad de
emplear repeat, while (se comentar en la siguiente seccin) , ni
procedimientos recursivos. Estas primitivas especiales son:
foreach: permite realizar un conjunto de operaciones sobre una
lista, utilizando, del mismo modo que en la primitiva sort-by,
nombres auxiliares para referenciar los valores actuales. Para
comprobar su funcionamiento vamos a escribir un procedimiento en el
que un agente tortuga describa la trayectoria de la secuencia de
fibonacci hasta cierto elemento n de la serie (en nuestro caso [1 1
2 3 5 8 13 21]).
to fibonacci ca let lista [1 1 2 3 5 8 13 21] crt 1 ask turtles
[pd] foreach lista [ ask turtles [fd ? rt 90] ] ask turtles
[pu]end
Tambin es posible aplicar la primitiva foreach para operar sobre
ms de una lista a la vez, empleando varias variables auxiliares,
una para cada lista.
map: dicha primitiva toma como entrada una lista y da como
resultado otra lista resultado de aplicar una funcin a cada
elemento de la lista, siendo anloga la primitiva map al concepto de
la funcin map en el paradigma de programacin funcional. Del mismo
modo que en la primitiva foreach se emplear una variable auxiliar
para hacer referencia al valor actual. Su sintaxis es la siguiente:
map [operacion] lista. Un ejemplo muy sencillo en el que se
incrementa en una unidad cada elemento de la lista, mostrndolo por
la terminal, es el siguiente:
to fibonacci ca let lista [1 1 1 1 1 1] show map [? + 1] lista
end
7.2.7. Sentencias condicionales, procedimientos con retorno y
bucles En cuanto a sentencias condicionales se refiere podremos
emplear la sentencia if de la siguiente forma:
if condicin[ ;; comandos]
De modo que si la condicin se cumple se ejecutarn los comandos
que se escriban a continuacin de la condicin y entre corchetes. En
el caso que la condicin no se cumpla, los comandos que se
encuentren dentro de los corchetes no se ejecutarn.
En el caso de que se requiera diversas acciones (ejecutar varios
comandos) cuando la condicin no se cumple deberemos emplear la
sentencia condicional ifelse, cuya sintaxis es la siguiente:
ifelse condicin[;; comandos que se ejecutan si se cumple la
condicin][;; comandos que se ejecutan si no se cumple la
condicin]
En esta ocasin, si la condicin se cumple se ejecutarn los
comandos que se encuentren dentro del primer par de corchetes.. En
caso contrario, se ejecutarn aquellos comandos que se encuentren
dentro del segundo par de corchetes.
Los procedimientos con retorno son aquellos que devuelven un
valor al procedimiento que les ha llamado. Para construir un
procedimiento con retorno comenzaremos el procedimiento con la
palabra to-report, seguido del nombre que le queramos asignar al
procedimiento y de los parmetros que va a recibir el procedimiento,
entre corchetes. A continuacin escribiremos los comandos que vaya a
ejecutar el procedimiento de retorno, como ltimo comando
emplearemos la palabra report seguido de la variable o valor que
queramos devolver y por ltimo la palabra end. De esta manera, la
sintaxis para los procedimiento de retorno queda de la siguiente
forma:
to-report nombre_del_procedimiento [valor_recibido];;
comandosreport valor_resultanteend
Por ltimo, para la ejecucin de bucles podremos emplear tanto la
primitiva while como la primitiva repeat. La primitiva while sirve
para repetir un conjunto de comandos mientras se cumpla determinada
condicin. Emplea la siguiente sintaxis:
while condicin[;; comandos]
Sin embargo, la primitiva repeat repite una serie de comandos un
nmero finito de veces, no necesita ninguna condicin. Su sintaxis es
la siguiente:
repeat n [;; comandos]
La variable n que sigue a la primitiva repeat indica el nmero de
veces que se van a ejecutar los comandos que se encuentren dentro
de los corchetes.
8. Bibliografa
Barbadilla, A. (n.d) La Seleccin Natural: Axiomtica. Gentica de
Poblaciones. Recuperado el 17 de Mayo de 2015 de:
http://bioinformatica.uab.es/base/base3.asp?sitio=geneticapoblaciones&anar=selecc&item=axiomasMacal,
C.M. & North, M.J. (2010) Tutorial on agent-based modelling and
simulation. En Journal of Simulation, 4, 151-162. Recuperdo el 17
de Mayo de 2015 de:
http://www.palgrave-journals.com/jos/journal/v4/n3/full/jos20103a.html
Novak, M. and Wilensky, U. (2005). NetLogo Bug Hunt Speeds model.
http://ccl.northwestern.edu/netlogo/models/BugHuntSpeeds. Center
for Connected Learning and Computer-Based Modeling, Northwestern
University, Evanston, IL. Poza, D.J. (n.d.) Manual de Netlogo en
espaol. INSISOC , Social Systems Engineering Centre. Recuperado el
17 de Mayo de 2015 de:
https://sites.google.com/site/manualnetlogo/
Quesada, F. J. M. (2011) Simulacin Social: Una introduccin.
LSDS, Laboratori de Simulaci de Dinmiques Socio-Histriques.
Recuperado el 17 de Mayo de 2015 de:
http://sct.uab.cat/lsds/es/content/simulacin-social-una-introduccinWilensky,
U. (1999). NetLogo. http://ccl.northwestern.edu/netlogo/. Center
for Connected Learning and Computer-Based Modeling, Northwestern
University, Evanston, IL. Wilensky, U. (2015) NetLogo 5.2
Dictionary. Recuperado el 17 de Mayo de 2015 de:
http://ccl.northwestern.edu/netlogo/docs/dictionary.htmlWilensky,
U. (2015) NetLogo 5.2 User Manual. Recuperado el 17 de Mayo de 2015
de: http://ccl.northwestern.edu/netlogo/docs/NetLogo User
Manual.pdf
