Simulazione: I modelli basati su agenti autonomi XI Scuola estiva "Strategia e Gestione delle Operations nelle Reti di Imprese" 18 Settembre 2003 - Bressanone - Accademia "N. Cusanus" Laboratorio Simulazione: I modelli basati su agenti autonomi Ing. Ilaria Giannoccaro Dipartimento di Ingegneria Meccanica e Gestionale Politecnico di Bari

Agenda Introduzione alla simulazione Simulazione basata su agenti Fasi di sviluppo della simulazione basata su agenti Discussione di un esempio: Sugarscape Prospettive di ricerca per l’OM

Introduzione alla simulazione Ing. Ilaria Giannoccaro

Alcune definizioni preliminari Simulare significa condurre esperimenti al calcolatore mediante lo sviluppo di modelli matematici o logici atti a riprodurre il comportamento di un sistema reale o dei suoi componenti durante periodi estesi di tempo reale, al fine di acquisire le informazioni necessarie sul comportamento e le perfomance nel tempo del sistema La simulazione definisce l’evoluzione dinamica del sistema attraverso la rappresentazione degli stati occupati dal sistema nel tempo, poiché gestisce le attività che ne regolano le dinamiche

Simulazione Run al computer Input Output Modello del sistema Sistema reale

La simulazione tradizionale Simulazione analitica modello basato su equazioni risolvibili analiticamente Simulazione numerica modello basato su equazioni non risolvibili analiticamente ma solo numericamente Fa uso anche di tecniche di ricerca operativa teoria dei giochi teoria delle code processi di decisione markoviani etc.

Modello di simulazione Rappresentazione delle componenti del sistema entità Descrizione delle caratteristiche del sistema variabili di stato del sistema attributi del sistema Descrizione dei comportamenti del sistema funzioni, equazioni matematiche Evento cambiamento di stato del sistema rappresentazione del tempo

Tipi di simulazione Variabili di classificazione tempistica degli eventi Simulazione ad eventi discreti Simulazione ad eventi continui grado di incertezza Simulazione deterministica Simulazione stocastica Simulazione Montecarlo

Simulazione come metodologia di ricerca Tool per fare previsioni sul comportamento del sistema Tool per testare ipotesi Strumento di theory building Strumento di indagine finalizzato a scoprire nuove relazioni e principi Strumento esplicativo per definire il sistema Strumento per analisi di tipo what-if Fonte di valutazione di soluzione e proposte Strumento di supporto alle decisioni Generatore di ipotesi Strumento di training, entertainement e education Strumento artificiale per svolgere task

Vantaggi Studio di fenomeni non direttamente accessibili e/o difficili da osservare direttamente Alternativa alla realizzazione di modelli fisici quando questi sono troppo costosi, richiedono tempi elevati e/o sono pericolosi Modelli più realistici che consentono di tener conto dell’incertezza dei fenomeni reali Migliore comprensione del funzionamento del sistema

Svantaggi Metodologia computer-intensive Meno accurata dell’analisi matematica Tempi lunghi per lo sviluppo del modello di simulazione Tempi lunghi richiesti dai run della simulazione

Simulazione basata sugli agenti Ing. Ilaria Giannoccaro

Nuova prospettiva La teoria della complessità (TC) SIMULAZIONE BASATA Studio interdisciplinare dei sistemi complessi adattativi (CAS) e dei fenomeni emergenti ad essi associati SIMULAZIONE BASATA SUGLI AGENTI

Esempi di CAS Perché uno stormo di uccelli vola in un certo ordine? Come si sviluppa una colonia di batteri in un ambiente? Come si scopre qual è la tecnologia vincente tra un insieme di tecnologie concorrenti che si propongono di risolvere lo stesso problema? Come si spiega il funzionamento della borsa?

Aspetti comuni ai CAS Ci sono agenti che interagiscono molecole, batteri, uccelli, macchine Ci sono regole che gli agenti seguono Ci sono obiettivi e vincoli contrastanti Ci sono interazioni tra un sistema e l’altro Ci sono percorsi di adattamento ai cambiamenti esterni

Proprietà dei CAS Componenti eterogenee ed interagenti, chiamate agenti Non linearità Elevati livelli di autonomia degli agenti Controllo decentrato Trattamento delle informazioni distribuito Auto-organizzazione ed emergenza Adattamento Apprendimento localizzato Co-evoluzione Stato del sistema quasi all’equilibrio (ai confini del caos) Ambiente dinamico

Fenomeni emergenti Strutture e schemi che emergono a livello macro per effetto delle interazioni tra numerosi agenti a livello micro Nessun agente possiede le proprietà emergenti del sistema La proprietà emergente non può essere ottenuta come la somma dei comportamenti individuali dei singoli agenti

Applicazioni della TC Biologia (Kaufmann, 1993;1995; Wolfram, 2002) Scienze Sociali economia (Arthur et al., 1997; Tesfatsion, 2002) organizzazione (Carley and Gasser, 2000) strategia aziendale (McKelvey, 1999) Operations Management impresa (Terna, 2002a,b) supply chain (Lin and Shaw, 1998) supply network (Choi et al., 2001)

Simulazione basata su agenti (SBA) Scienze sociali Agent-based computing SAAS SBA SS MAS Modelli cognitivi degli agenti Simulazione al computer Architetture hardware e software degli agenti

Simulazione basata sugli agenti Definizione Uso della tecnologia ad agenti per la simulazione di fenomeni sociali al computer Obiettivo approfondire la conoscenza sui processi fondamentali che regolano il funzionamento di un sistema

Modelli basati su agenti (MBA) Insieme di agenti eterogenei autonomi interagenti Ambiente esterno Assenza di controllo centrale e gerarchia Approccio alla simulazione di tipo bottom-up

Alcuni aspetti software Gli agenti sono solitamente implementati come oggetti software Costruire un agente-oggetto significa istanziare la classe “agente” Gli agenti-oggetti hanno stati e regole di comportamento

Principali caratteristiche dei MBA Fenomeni emergenti Path-dependence Inevitabilità del cambiamento

Variabili principali dei MBA Numero di agenti del sistema Rappresentazione dello spazio Rappresentazione del tempo Task/azioni svolte dagli agenti Complessità delle regole di comportamento Realismo cognitivo degli agenti Infrastruttura di comunicazione tra gli agenti Rappresentazione di network sociali

Classi di MBA Modelli di artificial life (AI) molti agenti semplici si muovono su una griglia reagiscono in modo prestabilito applicano regole semplici in base allo stato occupato Modelli ad agenti cognitivi (AC) pochi agenti basati su regole complesse apprendimento reti neurali algoritmi genetici sistemi classificatori

Esempio di agenti: agenti senza mente Agenti di tipo reattivo modello mentale nessuna rappresentazione interna regole di comportamento del tipo Condizione - Azione

Esempio di agenti: agenti con mente Agenti di tipo BDI (Rao e Georgeff, 1991) modello mentale Belief Desire Intention (BDI) belief = conoscenza del mondo desire = obiettivi di breve termine intention = piani per raggiungere gli obiettivi memoria sociale relativa al comportamento degli altri agenti regole di comportamento capacità di apprendere e ragionare

Tassonomia dell’ambiente Ambiente non strutturato assenza di regole e/o istituzioni Ambiente strutturato presenza di regole e/o istituzioni es.: la borsa

Tassonomia dei MBA Agenti senza mente operanti in ambiente non strutturato Agenti senza mente operanti in ambiente strutturato Agenti con mente operanti in ambiente non strutturato Agenti con mente operanti in ambiente strutturato

Approcci a confronto Simulazione ad agenti Simulazione tradizionale modella il comportamento specifico di ciascun individuo focus sulle entità del sistema struttura del sistema emerge spontaneamente per effetto dell’interazione tra gli agenti razionalità limitata degli individui studio dell’evoluzione del sistema nel tempo Simulazione tradizionale modello di tipo matematico basato sulle caratteristiche medie della popolazione focus su equazioni/variabili simulazione dei cambiamenti nelle caratteristiche medie simulazione della struttura imposta dal programmatore razionalità illimitata degli individui studio del sistema all’equilibrio

Quando usare i MBA Sistemi di tipo localizzato e distribuito e dominati da decisioni di tipo discreto Sistemi così complessi che anche una semplice descrizione coinvolge un grande numero di variabili Importanti non linearità nei processi Variabili che interagiscono in modi multipli Interazioni complesse tra tre o più variabili

Svantaggi dei MBA Scarsa replicabilità dei risultati validazione del modello Numerosi software  assenza di uno standard numero di agenti da trattare memoria occupata simulazione onerosa in termini di tempo raccolta dei dati durante la simulazione Necessità di conoscere il linguaggio di programmazione programmazione ad oggetti Produzione di artefatti emergenza imposta dal programmatore

Fasi di sviluppo della simulazione basata su agenti Ing. Ilaria Giannoccaro

Fasi di creazione di un MBA Definizione del problema Sviluppo del modello concettuale Programmazione del modello Analisi dei risultati Validazione

Definizione del problema Sviluppare l’idea o la teoria del problema Identificare le domande chiave quale output si vuole ottenere? cosa si vuole che vari durante la simulazione? qual è il piano degli esperimenti migliore? Specificare le ipotesi Fare una lista delle assunzioni rilevanti Definire le prestazioni da misurare per osservare i comportamenti emergenti

Sviluppo del modello concettuale Codificare il sistema reale in un MBA agenti proprietà statiche e dinamiche architettura modello mentale regole di comportamento ambiente strutturato agenti dell’ambiente regole di funzionamento interazioni agente-agente e agente-ambiente architettura di comunicazione network sociali eventi della simulazione

Scelta del livello di dettaglio KISS* Veridicità Uso Theory bulding Mondi virtuali Automi cellulari Modelli ad agenti BDI * Keep it simple, stupid (Axelrod, 1997)

Programmazione del modello Quale linguaggio di programmazione usare? software basati su linguaggi orientati agli oggetti ambiente di simulazione Criteri di validità di un linguaggio di programmazione validità interna il programma sviluppato implementa correttamente il modello concettuale validità esterna il programma sviluppato rappresenta correttamente il mondo reale facilità d’uso estensione del linguaggio a usi differenti

Software per SBA Swarm NetLog http:\www.swarm.org kkk Repast http://repast.sourceforge.net Ascape http://www.brook.edu/ dybdocroot/es/dynamics/ models/ascape/ReadMe.html StarLogo http://education.mit.edu/ starlogo NetLog http://ccl.northwestern.edu/ netlogo AgentSheets http://agentsheets.com/ Cormas http://cormas.cirad.fr/ index eng.htm llllll AgentBuilder http:\www.agentbuilder.com StarLogo

Analisi dei risultati Analisi della storia e dell’evoluzione del sistema (path dependence) prospettiva temporale prospettiva del singolo agente prospettiva globale del sistema Analisi statistiche sui dati analisi di regressione ANOVA

Validazione Analisi di sensibilità Validità teorica Validità esterna misurare gli output che si ottengono con piccole variazioni degli input Validità teorica il modello è un’adeguata concettualizzazione della realtà panel di esperti Validità esterna i risultati della simulazione sono in accordo con i dati osservati nella realtà Docking verificare l’equivalenza tra due modelli

Principali modelli usati per il docking Il gioco della vita di Convey (1970) (si veda Poundstone, 1995) Garbage Can Model of Organizations di Cohen, March e Olsen (1972) Evoluzione delle strategie del Dilemma del prigioniero usando gli algoritmi genetici (Axelrod, 1987) Il modello NK di Kauffman (1995)

Discussione di un esempio Ing. Ilaria Giannoccaro

Sugarscape (Epstein e Axtell, 1996)

Obiettivo della simulazione Esplorare un mondo popolato da agenti che si muovono alla ricerca di cibo per sopravvivere Studiare l’effetto delle condizioni ambientali sulla migrazione delle popolazioni, sulla formazione di gruppi sociali e su altre dinamiche di natura sociale Complessità crescente degli scenari riproduzione eredità e trasmissione culturale scambi commerciali

Gli agenti Obiettivo Patrimonio genetico (caratteristiche statiche) sopravvivenza Patrimonio genetico (caratteristiche statiche) riserva di risorse congenita capacità della vista consumo energetico per il metabolismo (longevità) Caratteristiche dinamiche posizione sulla griglia (x,y) intensità del colore (gradazioni di rosso) benessere o riserva evolutiva (età ) Regole di comportamento semplici

Regole degli agenti Vedere le celle adiacenti direzione nord, sud, ovest, est raggio di visione = funzione della vista Scegliere la nuova posizione cella non occupata cella contenente il maggiore quantitativo di cibo cella più vicina Muoversi verso la cella scelta Aggiornare il livello di cibo a a(t) = a(t-1) + r - m r = quantitativo di cibo della cella m = tasso metabolico se a  0  l’agente muore

Movimenti dell’agente .

Morte e nascita di nuovi agenti (M&N) per vecchiaia età dell’agente = età massima Nascita quando un agente muore per vecchiaia è immediatamente sostituito da un agente giovane (età = 0) e longevità scelta casualmente in un dato range

L’ambiente Forma toroidale Cella ( x, y) griglia di dimensioni 50 x 50 costituita da celle Cella ( x, y) livello corrente di zucchero (da 0 a 4) capacità massima di zucchero occupata o meno da un agente Distribuzione di zucchero nello spazio valore assegnato in modo random tra una quantità massima e minima distribuzione non uniforme 2 picchi che si trovano a nord-est e sud-ovest

Regole dell’ambiente Riproduzione di zucchero istantanea (G) si incrementa sino alla capacità massima in un intervallo di tempo t (G1) si incrementa ad un tasso  ad ogni istante di tempo (G)

Risultati della simulazione (1/2) Modello (G/G1 ,m ) addensamento degli agenti verso le regioni più ricche formazione di due gruppi Modello (G1, m) convergenza della popolazione verso un valore asintotico numero di individui che l’ambiente può sopportare

Risultati della simulazione (2/2) Modello (G1, m, M&N) distribuzione finale di ricchezza fortemente disomogena l’ambiente seleziona gli agenti con vista migliore e metabolismo più basso Distribuzione asimmetrica iniziale degli agenti movimento in diagonale degli agenti non consentito a livello locale

Risultati di altri scenari Riproduzione sessuale, trasmissione culturale e saccheggio di cibo tra gli agenti formazione di tribù e segregazioni culturali Introduzione di un altro tipo di cibo (spezie) e differenze nel metabolismo spezie-zucchero formazione di un mercato fondato su scambi bilaterali prezzi oscillanti attorno ad un valore di equilibrio condizioni non ottimali Diffusione di malattie infettive studio dell’interazione fra epidemie e processi sociali

Prospettive di ricerca per l’OM Ing. Ilaria Giannoccaro

Uso della simulazione nell’OM Survey dal 1992-1997 (Pannirselvam et al., 1999) Decision Sciences IIE Transactions International Journal of Operations and Production Management International Journal of Production Research Journal of Operations Management Management Science Production and Operations Management Journal

Metodologie di ricerca in OM (1992-1997) Modelli matematici/statistici 41% Simulazione 18% Ricerca empirica Modelli concettuali/teorici 10% Modelli ibridi 13% Modelli concettuali/teorici (Fonte: Pannirselvam et al., 1999)

Aree di applicazione Focus su problemi di tipo operativo 45% 17% 4% 9% 1% 11% 2% 3% 0% 5% 10% 15% 20% 25% 30% 35% 40% 50% Scheduling Inventory control Quality Process Design Strategy Facility Layout Distribution Services Capacity planning Maintenance Purchasing Project Management Facility Location Forecasting Aggregate planning Work Measurement Quality work life Focus su problemi di tipo operativo Aree di applicazione

Prospettive per l’OM Teoria sui sistemi di produzione come sistemi adattativi complessi supply network (Choi et al., 2001) distretti industriali (Albino et al., 2003) impresa (Terna, 2002) Linguaggio di programmazione condiviso e user-friendly ambiente di sviluppo degli agenti ambiente di simulazione tool di analisi dei risultati

Aree di approfondimento Problemi di natura strategica e tattica Progettazione di sistemi avanzati di produzione flessibile Pianificazione e controllo dei sistemi di produzione distribuiti Integrazione funzionale Business Process Re-engineering Commercio elettronico Supply chain management analisi dell’effetto bullwhip meccanismi di coordinamento di tipo decentrato modelli evoluti di cooperazione cliente/fornitore organizzazioni virtuali

Bibliografia su SBA nell’OM (1/3) Albino V., Carbonara N., Giannoccaro I., 2003, Coordination mechanisms based on cooperation and competition within Industrial Districts: an agent-based computational approach, Journal of Artificial Society and Social Simulation, forthcoming. Barbuceanu, M., Teigen, R., Fox, M.S., 1997, Agent-based design and simulation of supply chain systems, Proceedings of the WETICE, IEEE Computer Society Press, 36-42. Cantamessa, M., 1997, Agent-based modeling and management manufacturing systems, Computers in Industry, Vol 34, 173-186. Ebben, M.J.R., de Boer, L ., Pop Sitar C.E, 2002, Multi-agent Simulation of Purchasing Activities in Organizations, Proc, of the 2002 Winter Simulation Conference, 1337-1344 Fox, M., Barbuceanu, M., Teigen R., 2000, Agent-oriented Supply Chain Management, The International Journal of Flexible Manufacturing Systems, Vol. 12, 165–188

Bibliografia su SBA nell’OM (2/3) Lin, F., Shaw, M.J., 1998, Reengineering the order fulfillment process in supply chain networks, The International Journal of Flexible Manufacturing Systems, Vol. 10, 197-229. Nissen, M., 2001, Agent based SC intergration, Information Technology and Management, Vol. 2, 289-312 Swaminathan, J. M. , Smith, S. F., Sadeh, N. M., 1998, Modeling Supply Chain Dynamics: A Multiagent Approach, Decision Sciences, Vol. 29, No.3, 607-632. Parunak, H. V. D., 1998, The DASCh Experience: How to Model a Supply Chain. In Proceedings of Second International Conference on Complex Systems. Parunak, H. V. D. , Savit, R., Riolo, R. L., 1998, Agent-Based Modeling vs. Equation-Based Modeling: A Case Study and Users' Guide, In Proceedings of Workshop on Multi-agent systems and Agent-based Simulation (MABS'98), Springer, 1998. Available at http://www.erim.org/~van/mabs98.pdf.

Bibliografia su SBA nell’OM (3/3) Schlueter-Langdon, C., Bruhn, P., Shaw, M.J., 2000, Online Supply Chain Modeling and Simulation, In F. Luna and B. Stefansson (eds.), Economic Simulations in Swarm: Agent-Based Modeling and Object Oriented Programming, Dordrecht and London, Kluwer Academic, 251-272. Strader, T. J. , Lin, F.R., Shaw, M. J., 1998, Simulation of Order Fulfillment in Divergent Assembly Supply Chains. Journal of Artificial Societies and Social Simulation, 1(2),1998. Available at http://www.soc.surrey.ac.uk/JASSS/1/2/5.html. Terna, P., 2002a, Simulazione ad agenti in contesti di impresa, Sistemi intelligenti, Vol. 1, IV, 33-51. Terna, P., 2002b, La simulazione come strumento di indagine per l’economia, Workshop su Scienze cognitive ed Economia, 21 settembre, Rovereto.

Bibliografia della lezione (1/5) Arthur W.B., Durlauf, S.N., and Lane D.A., 1997, The Economy as an Evolving Complex System II, Addison-Wesley, Reading MA. Axelrod, R., 1987, The evolution of strategies in the iterated Prisoner’s Dilemma, In Genetic algorithms and simulated annealing, Lawrence Davis (ed.), London: Pitman; Los Altos, CA: Morgan Kaufman, 32-41. Axelrod, 1997, Advancing the Art of Simulation in the Social Sciences, R. Conte, R. Hegselmann, and P. Terna (Eds), Simulating Social Phenomena, Berlin, Springer. Axtell, R., 2000, Why Agents? On the varied motivations for agent computing in social sciences, Working paper No. 17, Center on Social and Economic Dynamics, The Brooking Institution, Washington, USA. Berends P., Romme, G., 1999, Simulation as a Research Tool in Management Studies, European Management Journal, Vol. 17, No. 6, 576-583. Brazier, F.M.T., Dunin-Keplics, B., Jennings, N.R., Treur, J., 1995, Modeling Distributed industrial processes in a Multi-agent Framework, printed from http:\www.wmw.ac.uk

Bibliografia della lezione (2/5) Carley, K., 2001, Computational approach to Sociological Theorizing, IN J. Turner (Ed.) Handbook of Sociological Theory, ch. 4, 69-84, Kluwer Acadimic/Plenum Publishers, New York. Carley, K.M., Gasser, L., 2000, Computational Organizational Theory, in Weiss G. (ed.), Multiagent Systems. A modern approach to distributed artificial intelligence, The MIT Press, Cambridge (Massachusetts). Choi, K.J. Dooley, M. Rungtusanatham, 2001, Supply networks and complex adaptive systems: control versus emergence, Journal of Operations Management, Vol. 19, 351-366. Cohen, M. D., March, J. G., Olsen, J. , 1972, A garbage can theory of organizational choice, Administrative science quarterly, Vol. 17, 1-25. Davidsson, P., 2002, Agent Based Social Simulation: A computer science view, Journal of Journal of Artificial Society and Social Simulation, Vol. 5, No. 1. Epstein, M.E., Axtel,l R., 1996, Growing Artificial Societies: Social Science from the Bottom-up, Washington, Brookings Institution Press, Cambridge, MA, MIT Press

Bibliografia della lezione (3/5) Gell-Mann, M., 1994, The quark and the jaguar, Freeman & Co., New York. Gilbert, N., Troitzsch, K,G., 1999, Simulation for the Social Scientist, Open University Press. Goldspink, C., 2002, Methodological Implications of Complex Systems Approaches to Sociality: Simulation as a foundation for knowledge, Journal of Artificial Societies and Social Simulation, Vol. 5, No. 1, available at http://jasss.soc.surrey.ac.uk/5/1/3.html. Gotts, N.M., Polhill, J.G., Law, A.N.R., 2003, Agent-based Simulation in the Study of Social Dilemmas, Artificial Intelligence Review, Vol. 19, 3-92. Holland, J.H., 1995, Hidden Order: How Adaptation Builds Complexity, Addison-Welsey, Reading, MA. Holland, J.H., 2002, Complex Adaptive Systems and Spontaneous Emergence, in Curzio, A.Q., Fortis, M. (eds.), Complexity and Industrial Clusters, Physica-Verlag Heidelberg.

Bibliografia della lezione (4/5) Huhns, M.N., Stephens, L.M., 2000, Multiagent Systems and Societies of Agents, in Weiss G. (ed.), Multiagent Systems. A modern approach to distributed artificial intelligence, The MIT Press, Cambridge (Massachusetts). Kauffman, S.A., 1993, The Origins of Orders: Self-Organization and Selection in Evolution, Oxford University Press, New York/Oxford. Kauffman, S.A., 1995, At home in the Universe, Oxford and New York: Oxford University Press. McKelvey, B., 1999, Complexity theory in organization science: Seizing the promise or becoming a fad?, Emergence, Vol. 1, 3–32. Pannirselvam, G., P., Ferguson L.A., Ash R.C., Siferd S.P., 1999, Operations Management Research for the 1990s, Journal of Operations Management, Vol. 18, 95–112. Poundstone, W. (1985). The recursive universe. Chicago, IL: Contemporary Books. Rao, A. S., Georgeff, M. P., 1991, Modeling rational agents within a BDI architecture. In J. Allen, R. Fikes, and E. Sandewall (eds.), Proc. of the Int. Conf. on Principles of Knowledge Representation and Reasoning, San Mateo, CA: Kaufmann, 473-485.

Bibliografia della lezione (5/5) Terna, P., 2001, Creating Artificial World: A note on Sugarscpae and Two comments, Journal of Artificial Society and Social Simulation, Vol. 4, No. 2. Terna, P., 2002a, Simulazione ad agenti in contesti di impresa, Sistemi intelligenti, Vol. 1, IV, 33-51. Terna, P., 2002b, La simulazione come strumento di indagine per l’economia, workshop su Scienze cognitive ed Economia, 21 settembre, Rovereto. Tesfatsion, L., 2001, Agent-based computational Economics: Growing Economies from the Bottom-up, Artificial Life, Vol. 8, No. 1, 55-82, available at http:\www.econ.iastate.edu/tesfatsi/acealife.pdf Wolfram, S., 2002, A New Kind of Science, Wolfram Media Inc. Edition. Weiss, G., 2000, Multiagent Systems. A modern approach to distributed artificial intelligence, The MIT Press, Cambridge (Massachusetts).

Siti web utili da consultare SWARM web site http:\www.swarm.org SantaFe University web site http:\www.santafe.edu Journal of Artificial Society and Social Simulation www.soc.surrey.ac.uk/JASSS Agent-based Computational Economics http:\ www.econ.iastate.edu\tesfatsion\ace.htm Syllabus of Readings for Articial Life and Agent-based Economics http://www.econ.iastate.edu/tesfatsi/sylalife.htm Agent-based Economics and Artificial Life: A brief introduction http://www.econ.iastate.edu/tesfatsi/getalife.htm Computational Analysis of Social and Organizational Systems http://www.casos.ece.cmu.edu INFORMS College on Simulation http://www.informs-cs.org/ Computer Simulation of Society http://www.soc.surrey.ac.uk/research/simsoc/simsoc.html