Simulazione basata su agente Rosaria Conte Labss@istc.cnr.it ISTC-CNR

Metodi della scienza a confronto Induttiva: a partire dall’osservazione dei dati, formulazione di leggi Deduttiva: a partire da premesse vere, dimostrazione di conclusioni valide. Generativa: a partire da regole locali, generazione di effetti globali.

Simulazione come scienza generativa Josh Epstein ( 2007), matematico di Santa Fe propone che per qualunque p: S(p)  G(p) Quindi: non-G(p)  non-S(p) Ma: (G(p)  (S(p)) la generazione non è sufficiente per spiegare.

Scienza generativa (2) Molte diverse regole locali possono portare ad uno stesso risultato Il metodo generativo è necessario ma non sufficiente Le regole locali sono sufficienti ma non necessarie MR lr1 lr2 lr3 lrn

Che cosa significa generare? Epstein (1999: 41) ”…situate an initial population of autonomous heterogeneous agents (…) in a relevant special environment; allow them to interact according to simple local rules, thereby generate - or 'grow' - the macroscopic regularity from the bottom up"

Simulazione generativa Vs simulazione analitica, o basata u equazioni Generativa = Basata su agente, cioè su un algoritmo (o insieme di algoritmi) Algoritmo = programma eseguibile su un computer che consiste do sequenze di operazioni

Che faremo… Valore aggiunto Un po’ di storia Che cos’è: Libreria di applicazioni su NetLogo A che serve: supporto alla decisione complessa basato sulla simulazione ( settimana prossima) Come si fa: Breve corso di programmazione su NetLogo (ultima settimana)

Valore aggiunto “Che succede se…?”: osservazione in vitro di Fenomeni del passato Fenomeni potenziali Manipolazione sperimentale di variabili indipendenti impossibili (anche per ragioni deontologiche) nella realtà Rendere esplicite e trasparenti le ipotesi Ma arbitrarietà delle regole locali…

Un po’ di storia: Gli automi cellulari (AC) Nell’ambito delle scienze biologiche, nascono gli automi cellulari: Celle che interagiscono In base a regole locali Producendo effetti globali

Il gioco della vita (http://www.bitstorm.org/gameoflife/ ) L’Automa Cellulare (AC) è stato inventato da un matematico di Cambridge, John Conway (1970). Le regole Per uno spazio popolato: Ogni cella con un solo o nessun “vicino” muore di “solitudine”. Ogni cella con 4 o più vicini muore per sovrappopolamento. Ogni cella con due o tre vicini sopravvive. Per uno spazio vuoto o non popolato. Ogni cella con tre vicini viene occupata.

E nelle scienze sociali? Più o meno nello stesso periodo, James M. Sakoda applica gli Automi Cellulari (AC) al checkerboard model (1971, ma il disegno centrale risale alla tesi di laurea del 1949). Studia la formazione del gruppo sociale. Il contesto sono i centri di “rilocazione” dove durante la 2nda Guerra mondiale i membri della minoranza giapponese negli USA furono deportati dopo l’attacco giapponese a Pearl Harbour. A line of evacuees waiting for lunch. Rivers, Arizona. 11/26/42

Il modello della segregazione L’attuale premio Nobel per l’economia Thomas Schelling nel 1971 utilizzò una variante di AC, nella quale gli automi si staccano dalla griglia e vi si muovono. The famous segregation model by Schelling (1971) is usually interpreted as a visual metaphor for social, even ethnic segregation. He discovered that by placing pennies and dimes on a chess-board - where each square represents a house or a lot in a city and pennies and dimes any two groups in society - he could represent the interplay among residential preferences of neighbors. He let agents move around according to various rules. One obvious rule is simply stick to own current location if happy with own neighbors and move to another, or possibly just exit the board entirely, if unhappy. As any other good Cellular Automata model, it shows a number of interesting things, namely that equilibrium states are not the norm in social phenomena (see later on in the paper); therefore simulations, which do not have this bias, are particularly apt to investigate them, not to mention that simulations are very good at incorporating time and space.

Ancora più semplice… Lavora sul pavimento della cucina, con i piatti. Il modello computazionale è di John Casti (Santa Fè) Modello della migrazione o della segregazione, come metafora visiva della segregazione etnica

Proviamo ad esercitarci (http://ccl. northwestern La segregazione è effetto globale delle Regola locali. Gli agenti si muovono sulla griglia in base a varie regole. Per es., la regola di felicità Regola della felicità : resta nella localizzazione attuale se ti piacciono i tuoi vicini, muovi ad una altra collocazione se sei infelice. Emergono cluster se gli agenti infelici si muovono a caso (Repr. From Gilbert, 2002)

Il modello della segregazione. (2) Che ci fa capire? Ci dice che cosa è sufficiente (non è necessario) per ottenere segregazione Ma non ci dice sulla base di quale ragione Preferenza per i simili Preferenza per l’omogeneità Conformismo con l’èlite Attitudini migratorie Diverso potere d’acquisto ecc. Diverse strade portano allo stesso effetto globale… Now, consider the following passage, quoted from another site where a re-elaboration of the Schelling’s model is presented: “rather than a full understanding of the highly complex outcomes of processes, this type of simulations allows us to understand the decision rules of a small number of individual actors” (quoted from: http://web.mit.edu/rajsingh/www/lab/alife/schelling.html ; italics are mine). The interest in this passage is twofold: first, it explicitly gives up the objective of a full understanding of the process at hand; secondly, and more interestingly, it states that this type of simulations allows us to understand individuals’ decision rules. The latter assertion is unfortunately too optimistic. Indeed, the segregation model itself is much less ambitious than this particular supporter believes to be the case: rather than an understanding of individual decisions, it shows the macro-social effects of individual decisions. In a sense, the model shows that social dynamics, implemented on individual decisions, contributes decisively to social results; there is no need, in sum, for deeply racist individual deciders to obtain a segregated society: such an undesirable effect is produced by members with a mild preference for their own kind. Societies can be more segregated than their members want them to be. This is interesting news. But what does it tell us about individual deciders? Not much.

Altre applicazioni. L’altruismo Parte di EACH ("Evolution of Altruistic and Cooperative Habits: Learning About Complexity in Evolution”: http://ccl.northwestern.edu/cm/EACH/ Modello evoluzionistico. Quanto è adattativo l’altruismo?Dipende dalle circostanze… altruisti e egoisti competono per ogni spot come se piantassero il loro seme. Il dominante vince. In condizioni normali sopravvivono gli egoisti. Ma quando l’ambiente diventa difficile, o vi sono malattie, il rapporto si inverte.

Il modello Gli agenti vivono in gruppi di cinque celle, Calcolano la propria fitness secondo l’equazione: se A (altruista) = (1 - Costo) + (No A nel gruppo / 5 * Beneficio di A)
 se E (egoista): 1 + (No A / 5 * B di A) fitness di E > fitness di A; se C = 0.2 and B = 0.5, per un A circondato da 2 E e 2 A, la fitness è =1 - 0.2 + (3/5 * 0.5) = 1.14. Per tutti gli A= 3.2 e gli S = 2.6. La fitness determina chi riesce a piantare il suo seme.

Come funziona http://ccl. northwestern. edu/netlogo/models/run. cgi ALTRUISTIC-PROBABILITY proporzione iniziale di A SELFISH-PROBABILITY proporzione iniziale di E. ALTRUISM-COST : C. BENEFIT-FROM-ALTRUISM: B HARSHNESS resistenza a farsi occupare. DISEASE probabilità indipendente che gli occupanti muoiano.

A casa… 1. Mettere Harshness e Disease a 0. Si vede che dominano E 2. Giocare coi valori di C e B: quanto i valori iniziali della popolazione influenzano la significatività di questi valori? 3. Giocare con Harshness e Disease, indipendentemente e in funzione l’uno dell’altro. A che punto gli A cominciano ad avere successo?

Le rivolte Violenza civile (Epstein 2002). La popolazione si muove a caso. Se il livello di insoddisfazione per l’autorità centrale è abbastanza alto, e la percezione dei rischi della ribellione è bassa, gli agenti si ribelleranno. Un gruppo di poliziotti ("cops"), cerca di sopprimere la rivolta per conto dell’autorità centrale. I cops girano a caso e arrestano la gente che si ribella.

I parametri (http://ccl. northwestern. edu/netlogo/models/run. cgi GRIEVANCE basata su PERCEIVED-HARDSHIP, assegnata a caso all’inizio GOVERNMENT-LEGITIMACY, globale e modificabile. ESTIMATED-ARREST-PROBABILITY, determinata dal rapporto fra No dei cops e dei rivoltosi nel raggio di VISION NET-RISK = ESTIMATED-ARREST-PROBABILITY x RISK-AVERSION che è stato assegnato a random ad ogni agente all’inizio.

Regole Movimento (M): cops e agenti muovono a caso sui siti liberi entro VISION. Rivolta ( R): se GRIEVANCE > NET-RISK l’agente si ribella, diventando da blu rosso. (Quando torna calmo, cambia da rosso in blu.) Cop (C ): cercano i ribelli entro VISION. Se ne trovano più di uno, cops ne scelgono a caso uno e lo arrestano per un certo numero di turni fra 0 and MAX-JAIL-TERM (modificabile) e ne occupano la posizione.

Come usarle INITIAL-COP-DENSITY e POPULATION-DENSITY determinano la densità delle due sottopopolazioni. VISION fin dove agenti e cops arrivano a vedere. GOVERNMENT-LEGITIMACY e MAX-JAIL-TERM. Controlla la mobilità degli agenti attraverso M. Il colore degli agenti mostra il livello privato di insoddisfazione (più scuro il verde, maggiore l’insoddisfazione). Questo non cambia durante l’esperimento (a meno che non si modifichi la GOVERNMENT-LEGITIMACY).

A casa… Notare il grafico dei ribelli (rossi): emerge il cosiddetto equlibrio punteggiato o puntuativo ("punctuated equilibrium"), ossia periodi of acquiescenza seguiti da periodi di ribellione.

A casa cont’ M causa più frequenti episodi di ribellione (attiva e disattiva MOVEMENT). Graduale erosione Vs crollo immediato legittimità percepita autorità centrale: per verificarlo Setta GOVERNMENT-LEGITIMACY a 0.9 e riducila a zero in 250 turni: osserva il numero dei ribelli. Ripeti l’esperimento con legittimità a 0.9, tenendola costante per 80 turni e poi abbassandola a 0.7 di colpo. Esercizi Osserva i risultati e cerca di spiegarli. Pensa ad esempi storici. Quali possono essere le implicazioni per i leaders rivoluzionari?

Per discutere da Tocqueville: “Non è sempre quando le cose vanno di male in peggio che le rivoluzioni scoppiano. Al contrario, accade più spesso che prenda le armi chi ha dovuto sopportare l’oppressione per lungo tempo senza protestare, e poi trova che improvvisamente il governo ha rallentato la pressione." Verifica l’osservazione di Tocqueville nel modello confrontando gli effetti di un’erosione graduale della legittimità percepita con la riduzione del numero di cops. Osserva i risultati. Spiega la differenza.

Altre applicazioni. L’evoluzione della cooperazione Robert Axelrod: l’evoluzione della cooperazione, 1984 e 1997 (http://www.cscs.umich.edu/Software/CC/ECHome.html ) Simulazione del Dilemma del Prigioniero: Cooperatori Incondizionati (CI) Defezionatori Incondizionati (DI) Altre strategie, fra cui TIT-FOR-TAT (TFT: inizia Cooperando e poi gioca come l’altro). Gli agenti che ottengono payoffs migliori si riproducono.

La cooperazione evolve grazie a TFT Se CI gioca con DI: ST + ST … + ST CI: RR + RR+… + RR TFT: RR + RR +… + RR Se DI gioca con CI: TS + TS +… + TS D1: DD + DD +…. + DD TFT: TS + DD…+ DD Se TFT gioca con DI: ST + DD + DD.. CI: RR + RR +… + RR TFT: RR+ RR+ … + RR In 2 casi su 3, CI e TFT hanno buoni payoff In 2 casi su 3, DI ha payoff inferiori Solo in 1 caso su 3, DI ottiene risultati migliori Comunque, TFT ottiene i migliori risultati. Colonizza la popolazione DI si estinguono.