prximo artigo

93 4

Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.

Modelagem de sistemas baseada em agentes: alguns conceitos e ferramentas Tiago Frana Melo de Lima 1,3 Srgio Donizete Faria 2 Britaldo Silveira Soares Filho 2 Tiago Garcia de Senna Carneiro 3
1

Programa de Ps-Graduao em Anlise e Modelagem de Sistemas Ambientais Universidade Federal de Minas Gerais - IGC/UFMG Belo Horizonte - MG, Brasil tiagofmlyahoo.com.br Departamento de Cartografia Universidade Federal de Minas Gerais UFMG Belo Horizonte - MG, Brasil [email protected], [email protected]

TerraLAB Laboratrio Associado INPE/UFOP para Modelagem e Simulao de Sistemas Terrestres Universidade Federal de Ouro Preto UFOP Ouro Preto - MG, Brasil [email protected]

Abstract. This paper presents some concepts about the agent-based modeling (ABM) and analyses of some tools that uses this technique of modeling. The ABM is a technique of modeling that has the great advantage the modeling of systems from its constituents units. But the most of tools that use this technique still have a very steep learning curve, which complicates and makes impracticable their use by a greater range of users. The relation facility x flexibility must be evaluated to do the choice of the most adequate tool for each situation. This process of choice is not easy, and have to consider a great number of aspects. This work, under development, presents an introduction to ABM and some initial aspects that contribute to analyze and choice one of the various tools to be used in the process of development agent-based models. Palavras-chave: modelagem e simulao, agentes, modelagem baseada em agentes.

1. Introduo Podemos entender um modelo como sendo uma representao simplificada da realidade. O processo de modelar tem como pontos fundamentais: a escolha de um nvel adequado de abstrao, de forma a considerar informaes relevantes ao objeto de estudo e desconsiderar aquelas que no so pertinentes; a linguagem utilizada para representao do modelo. A tarefa de construir um modelo pressupe um objetivo associado a este propsito, que permitir definir quais informaes so importantes e devem ser representadas e escolher a linguagem mais adequada para descrever tais representaes. Um modelo fruto da viso de mundo do modelador: a escolha das informaes e a forma como estas sero representadas so reflexos da individualidade de quem est construindo o modelo, do seu conhecimento do objeto de estudo, de suas experincias pessoais, crenas, e motivaes. A simulao de um modelo consiste na execuo deste modelo. De maneira geral, podemos utilizar duas abordagens diante de um objeto de estudo: abordagem reducionista (ou analtica), a qual consiste na sntese ou diviso do objeto em suas unidades constituintes, anlise e generalizao do entendimento; abordagem holstica (ou sistmica), considera que a anlise do fenmeno deve ser feita no seu prprio nvel hierrquico devido s propriedades emergentes, fruto das interaes entre as diversas unidades complexas e hierarquicamente aninhadas, que constituem o objeto de estudo. As duas abordagens so complementares.

5279

Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.

Um sistema pode ser visto como o conjunto de suas partes constituintes e a interao entre estas. Desta forma, o sistema maior que a simples soma das partes. (Bertalanffy, 1975) Existem diversas tipologias para classificar os modelos. Podem ser baseadas na linguagem utilizada para sua representao, na metodologia adotada, no processo que descrevem, na escala que representam, para citar alguns exemplos. A modelagem e simulao de sistemas tanto pode ser til para contribuir para o entendimento do objeto de estudo quanto como procedimento metodolgico cientfico, atravs da representao de uma hiptese cientfica. A modelagem baseada em agentes uma das metodologias (ou tcnicas) disponveis para construo de modelos, e sua utilizao est se expandindo rapidamente em diversos campos da cincia, tais como cincias sociais e ambientais. De acordo com Macal e North (2006) so algumas das razes que tm levado a esta expanso: 1) os sistemas que precisamos analisar e modelar esto se tornando cada vez mais complexos em termos de suas interdependncias; 2) alguns sistemas, como o mercado financeiro, sempre nos foram extremamente complexos para serem modelados; 3) atualmente possvel organizar bases de dados num nvel fino de granularidade, o que permite realizar micro-simulaes; 4) o poder computacional que avana rapidamente. O artigo tem a seguinte estrutura: a seo 2, Agentes inteligentes, introduz alguns conceitos sobre agentes inteligentes; a seo 3, Modelagem baseada em agentes, apresenta definies e alguns aspectos da tcnica de modelagem baseada em agentes, bem como suas vantagens e limitaes; a seo 4, Ferramentas para modelagem baseada em agentes, apresenta as ferramentas Swarm, Repast e NetLogo, que suportam a criao de modelos baseados em agentes; a seo 5, Anlise das ferramentas, discute acerca de alguns critrios utilizados para analisar as ferramentas apresentadas na seo 4; na seo 6, Consideraes finais, so apresentados as concluses acerca dos resultados parciais obtidos e os trabalhos futuros. Na seo 7 so feitos os agradecimentos e as referncias bibliogrficas so apresentadas na seo 8. 2. Agentes inteligentes A definio de agente inteligente (ou racional) tem suas origens no campo da Inteligncia Artificial, e apesar dos diversos estudos relacionados ainda hoje no existe um consenso sobre a definio do termo. Conforme Russel e Norvig (2003) um agente tudo o que pode ser considerado capaz de perceber seu ambiente por meio de sensores e de agir sobre esse ambiente por intermdio de atuadores. Para Macal e North (2005) um agente deve ter as seguintes caractersticas: (1) ser identificvel um indivduo discreto com um conjunto de caractersticas e regras que governam seu comportamento e capacidade de tomada de decises; (2) estar situado habitar em um ambiente com o qual interage e tambm no qual interage com outros agentes; (3) ser orientado por objetivos; (4) ser autnomo; (5) ser flexvel e possuir habilidade para aprender e adaptar seu comportamento atravs do tempo baseado em experincias. Franklin e Graesser (1996) discutem acerca de diversas definies de agentes e enumeram alguns comportamentos apresentados por estes, identificados a partir destas definies: (1) so reativos; (2) so autnomos; (3) so orientados por objetivo(s) / pr-ativos; (4) so temporalmente contnuos; (5) so sociveis / comunicativos; (6) possuem capacidade de aprender / se adaptar; (7) so mveis; (8) so flexveis; (9) possuem personalidade. Existem ainda diversos esquemas de classificao de agentes baseados, por exemplo, no tipo de tarefa que executam ou em sua arquitetura. A prpria definio de Franklin e Graesser (1996) satisfaz apenas as quatro primeiras caractersticas identificadas: um agente um sistema situado em um ambiente e parte dele,

5280

Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.

que percebe o ambiente e age sobre ele, atravs do tempo, conforme sua prpria agenda e de modo a refletir suas percepes futuras. Porm ainda assim genrica o suficiente para abrigar desde um termostato, contendo um ou dois sensores e aes e estrutura de controle extremamente simples, a seres humanos, com mltiplas e conflitantes orientaes, sensores variados, diversas possibilidades de aes e estruturas de controle extremamente complexas e sofisticadas. (Franklin e Graesser, 1996) O conceito de agente inteligente est relacionado racionalidade. Segundo Russel e Norvig (2003), a racionalidade associada a quatro fatores: (1) a medida de desempenho que define critrios de sucesso; (2) o conhecimento prvio do agente sobre o ambiente; (3) as aes que o agente capaz de executar; (4) a seqncia de percepes do agente at o momento. Estes levam definio de agente racional: Para cada seqncia de percepes possvel, um agente racional deve selecionar uma ao que se espera venha maximizar sua medida de desempenho, dada a evidncia fornecida pela seqncia de percepes e qualquer conhecimento prvio interno do agente. (Russel e Norvig, 2003) 3. Modelagem baseada em agentes Assim como no existe uma definio precisa para o termo agente tambm no h para a modelagem baseada em agentes (MBA). possvel encontrar inclusive algumas variaes de nomes, tais como: sistemas baseados em agentes (agent-based systems) e modelagem baseada em indivduos (individual-based modeling). Conforme Bonabeau (2002) na modelagem baseada em agentes o sistema modelado como uma coleo de entidades autnomas de tomadas de deciso chamadas agentes. No nvel mais simples, um modelo baseado em agentes consiste de um sistema de agentes e as relaes entre estes. Segundo Aguilar et al. (2003) a simulao baseada em agentes se esfora em substituir atores individuais ou grupos de um determinado sistema por representaes de software destes atores (ou grupos). Embora diversos em suas aplicaes e abordagens, estes modelos tentam criar micro-mundos ou would-be-worlds em um computador com o objetivo de determinar como as interaes e comportamentos dos vrios agentes individuais produzem estrutura e padro (Berry et al., 2002). Para Bonabeau (2002), a MBA mais uma forma de pensar que uma tecnologia, onde um sistema descrito pela perspectiva de suas unidades constituintes. De acordo com Macal e North (2006) o processo de se construir modelos baseados em agentes possui alguns aspectos nicos devido ao fato de se tomar por base a perspectiva de agentes ao invs da perspectiva baseada em processos da modelagem e simulao tradicional. Os autores enumeram os seguintes passos gerais para a construo de modelos de agentes: 1) agentes identificar os tipos de agentes e seus atributos; (2) ambiente definir o ambiente no qual os agentes iro habitar e interagir; (3) mtodos de agentes especificar os mtodos pelos quais os atributos dos agentes sero atualizados em resposta s interaes entre agentes e entre agentes e ambiente; (4) interaes de agentes adicionar os mtodos que controlam que agentes interagem, quando interagem, e como interagem durante a simulao; (5) implementao implementar o modelo de agentes em um sistema computacional. Algumas situaes em que a MBA pode oferecer vantagens sobre abordagens tradicionais e portanto benfico pensar em termos de agentes so citadas por Macal e North (2006): quando h uma representao natural como agentes; quando h decises e comportamentos que podem ser definidos discretamente; quando importante que os agentes se adaptem e mudem seu comportamento; quando importante que os agentes tenham relacionamentos dinmicos com outros agentes, e os relacionamentos possam ser formados e dissolvidos; quando importante que os agentes formem organizaes, e a adaptao e aprendizagem so importantes no nvel de organizao; quando as mudanas estruturais no processo devam ser um resultado do modelo, ao invs de entrada do modelo, dentre outras.

5281

Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.

3.1 Vantagens e limitaes da modelagem baseada em agentes Segundo Bonabeau (2002) a modelagem baseada em agentes apresenta alguns benefcios em relao a outras tcnicas de modelagem, pois: (1) permite capturar fenmenos emergentes; (2) fornece uma descrio natural de certos tipos de sistemas; (3) flexvel. O autor identifica ainda algumas situaes potenciais para utilizao da MBA, tais como: quando os agentes possuem um comportamento complexo, incluindo aprendizagem e adaptao; quando as interaes entre os agentes so complexas, no-lineares, descontinuas; quando a topologia das interaes heterognea e complexa; quando o sistema descrito de forma mais natural atravs de atividades ao invs de processos; dentre outras. Um desafio, comum a todas as tcnicas de modelagem, que o modelo deve ser construdo num nvel correto de descrio dos fenmenos, usando uma quantidade adequada de detalhes, para servir ao seu propsito. Outro desafio envolve a utilizao da MBA nas cincias sociais, que geralmente envolvem seres humanos com comportamentos potencialmente irracionais, de escolhas subjetivas e psicologia complexa, aspectos difceis de quantificar, calibrar e muitas vezes justificar. Outro desafio est relacionado prpria definio da MBA, a qual trata um sistema no nvel de suas unidades constituintes, o que exige elevado poder computacional e tempo para simulao do modelo, conforme a escala e a complexidade modelada. 4. Ferramentas para modelagem baseada em agentes Conforme Castle e Crooks (2006), em geral existem dois tipos de sistemas disponveis para o desenvolvimento de modelos baseados em agentes: toolkits e softwares. As toolkits fornecem um framework conceitual que permite organizar e projetar modelos baseados em agentes atravs de bibliotecas de software que incluem rotinas e funcionalidades projetadas especificamente para MBA. A utilizao de toolkits reduz a carga de trabalho com a programao de partes que no so especficas da modelagem/simulao, tais como: interfaces grficas com usurio (GUI Graphical User Interface), importao e exportao de dados, visualizao e exibio do modelo. Porm, apresenta como desvantagens o grande esforo inicial para compreender como implementar modelos e entender a linguagem de programao utilizada pela toolkit. (Castle e Crooks, 2006; Gilbert e Bankes, 2002) Os softwares simplificam o processo de implementao, por geralmente no exigirem a utilizao de linguagens de programao de mais baixo nvel, tais como Java e C++. Ainda, conforme Castle e Crooks (2006), os softwares so teis para o desenvolvimento rpido de modelos bsicos ou prottipos. Como desvantagens, os modeladores ficam restritos concepo de modelos especificados pelo software, alm de se limitarem s funcionalidades fornecidas por ele (ao contrrio das toolkits que permitem a extenso de suas funcionalidades e integrao de novas ferramentas). Gilbert e Bankes (2002) fazem um paralelo entre o desenvolvimento de ferramentas para modelagem baseada em agentes e softwares de estatstica. Inicialmente os modelos foram desenvolvidos utilizando-se linguagens de programao de propsito geral, tais como Java e C++. O passo seguinte foi o surgimento de diversas bibliotecas padronizadas que permitiram a reutilizao e reduo de custos de desenvolvimento estgio equivalente s toolkits definidas por Castle e Crooks (2006). O avano na computao estatstica foi o desenvolvimento de colees de rotinas combinadas em uma interface de usurio comum e padronizada. O surgimento e evoluo de softwares para a MBA ocorreu de forma semelhante. As ferramentas Swarm (Minar et al., 1996; Swarm, 2008) e Repast (Repast, 2008) so apresentadas a seguir como exemplos de toolkits para MBA, enquanto o NetLogo (NetLogo, 2008), como exemplo de software.

5282

Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.

4.1 Swarm Originalmente desenvolvido no Santa Fe Institute, o Swarm (Minar et al., 2008) foi uma das primeiras bibliotecas de modelagem baseada em agentes. Atualmente mantido pelo Swarm Development Group (SDG). O Swarm uma plataforma para MBA que inclui: (1) um framework conceitual para projetar, descrever e conduzir experimentos em MBA; (2) implementao de software com diversas ferramentas teis; (3) uma comunidade de usurios e desenvolvedores que compartilham idias, softwares e experincias. (Swarm, 2008) No Swarm a unidade bsica de simulao o swarm. O swarm representa um modelo completo, composto de agentes bem como da representao do tempo. O Swarm suporta a modelagem hierrquica, onde agentes podem ser compostos por swarms de outros agentes em estruturas aninhadas, sendo o comportamento do agente de mais alto-nvel definido pelo fenmeno emergente dos agentes interiores ao seu swarm. O Swarm fornece bibliotecas orientadas a objetos de componentes reutilizveis para construo e anlise de modelos, exibio, e controle de experimentos nestes modelos. Fornece ainda um conjunto completo de bibliotecas para gerenciar agentes, estruturas espaciais para seu ambiente, suas atividades e a agregao destas atividades e a anlise dos resultados. O Swarm possui uma acentuada curva de aprendizado, sendo necessrio possuir experincia em Java (ou Objective C), ser familiarizado com a metodologia de orientao a objetos e ser capaz de aprender algum cdigo Swarm. (Aguilar et al., 2001) 4.2 Repast O Repast, acrnimo para Recursive Porous Agent Simulation Toolkit, desenvolvido na University of Chicago, uma toolkit para modelagem baseada em agentes. Atualmente mantido pela Repast Organization for Architecture and Development (ROAD), utiliza de muitos conceitos do Swarm. (Repast, 2008). O Repast prev uma simulao como uma mquina de estado cujo estado constitudo pela coletividade dos estados de seus componentes. Estes componentes so divididos em infra-estrutura e representao. A infra-estrutura constituda pelos vrios mecanismos que executam a simulao, exibem e coletam dados e assim por diante. A representao o que o modelador constri, ou seja, o modelo de simulao propriamente dito. Dentre os diversos recursos do Repast podemos citar: inclui uma variedade de templates e exemplos de agentes; inteiramente orientado a objetos; permite aos usurios acessar e modificar dinamicamente propriedades dos agentes, equaes de comportamento, e propriedades do modelo em tempo de execuo; inclui bibliotecas para algoritmos genticos, redes neurais, gerao de nmeros aleatrios; os modelos podem ser desenvolvidos em diversas linguagens incluindo Java, C#, Visual Basic.Net, Python; possui suporte integrado a sistemas de informaes geogrficas. (Repast, 2008) 4.3 NetLogo O NetLogo (NetLogo, 2008) um ambiente multi-plataforma para modelagem de ambientes multi-agentes. particularmente bem adaptado para modelar sistemas complexos que se desenvolvem ao longo do tempo. Os modeladores podem instruir centenas ou milhares de agentes, todos operando de forma independente. Isto torna possvel explorar a conexo entre o comportamento no micro-nvel de indivduos e no macro-nvel de padres que emergem a partir da interao de muitos indivduos. simples o suficiente para permitir que estudantes possam facilmente executar mesmo construir suas prprias simulaes e avanado o suficiente para servir como uma poderosa ferramenta para pesquisadores de diversas reas. (NetLogo) O NetLogo possui uma extensa documentao e tutoriais, alm de vir acompanhado da Models Library, uma ampla coleo de simulaes pr-escritas que podem ser utilizadas e modificadas. Estas simulaes abordam contedos de reas das cincias naturais e sociais. O

5283

Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.

NetLogo a ltima gerao da srie de linguagens de modelagem multi-agentes que teve incio com o StarLogo (http://education.mit.edu/starlogo/). Baseado nas funcionalidades do StarLogoT (http://ccl.northwestern.edu/cm/starlogoT/), com acrscimo de novos recursos e uma linguagem e interface com usurio redesenhadas. Desenvolvido em Java, pode ser executado na maioria das plataformas (Mac, Linux, Windows etc.). Os modelos podem ser executados como applets Java dentro de um navegador web. (NetLogo) So algumas das caractersticas oferecidas pelo NetLogo: estrutura de linguagem simples; agentes mveis (turtles) caminham sobre uma grade de agentes estacionrios (patches), criao de links entre turtles para construir agregados, redes e grafos de agentes; visualizao 2D e 3D do modelo; controle de velocidade de simulao; monitores que permitem inspecionar e controlar os agentes. 5. Anlise das ferramentas Selecionadas as ferramentas de MBA apresentadas nas sees 4.1 a 4.3 foram estabelecidos, principalmente a partir dos trabalhos de Aguilar et al. (2001) e Castle e Crooks (2006), um conjunto de critrios que permitisse fazer anlises e avaliaes e auxiliar na tarefa de escolher uma dentre as vrias ferramentas de modelagem existentes. Aguilar et al. (2001), em sua reviso sobre ferramentas de simulao baseadas em agentes, estabelece os seguintes critrios de comparao: (1) facilidade de desenvolvimento; (2) flexibilidade; (3) compatibilidade; (4) portabilidade; (5) facilidade para publicar simulaes na internet; (6) suporte; (7) performance e escalabilidade; (8) disponibilidade de modelos; (9) facilidades de exibio; (10) exportao de dados. Castle e Crooks (2006) definem como alguns dos critrios para avaliao: (1) facilidade de desenvolvimento do modelo/uso do sistema; (2) comunidade de usurios; (3) disponibilidade de ajuda ou suporte; (4) comunidade de usurios da linguagem de programao na qual o sistema foi implementado; (5) continuidade do sistema; (6) disponibilidade de modelos de demonstrao e/ou templates de modelos; (7) documentao; (8) nmero de agentes que podem ser modelados; (9) graus de interao entre agentes; (10) representao de mltiplos nveis hierrquicos/organizacionais de agentes; (11) mecanismos para sincronizar e ordenar eventos; (12) licena de uso. Desta forma, foram estabelecidos um conjunto de parmetros comuns que permitisse avaliar de um modo geral ferramentas de modelagem baseada em agentes e a auxiliar na tarefa de escolher a melhor opo de acordo com as necessidades especficas de cada usurio e situao. 6. Consideraes Finais A modelagem baseada em agentes uma tcnica de modelagem extremamente rica que permite lidar com sistemas complexos a partir de suas unidades constituintes e identificar propriedades emergentes resultantes das interaes entre estas. Algumas situaes so particularmente teis para utilizao desta tcnica: quando lidamos com uma populao heterognea em que cada indivduo (potencialmente) diferente; quando os agentes apresentam comportamento complexo, incluindo aprendizagem e adaptao; quando a interao entre os agentes complexa; quando o espao crucial e o posicionamento dos agentes no fixo. (Bonabeau, 2002) Apesar de inmeras vantagens para lidar com problemas complexos a MBA apresenta alguns desafios para o modelador. O primeiro inerente a toda atividade de modelagem: encontrar o nvel adequado de abstrao e detalhes que constituem o modelo de modo que este cumpra com seu objetivo. Outra questo de extrema relevncia, principalmente para as cincias sociais, a modelagem de comportamentos complexos, muitas vezes potencialmente irracionais, de escolhas subjetivas e psicologia complexa envolvendo agentes humanos, que

5284

Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.

so difceis de quantificar, calibrar e justificar. Uma outra dificuldade, que no deve ser desconsiderada, est relacionada limitao computacional. Apesar do crescente poder computacional, a modelagem e simulao baseada em agentes demanda uma capacidade de processamento extremamente elevada, principalmente para sistemas maiores e mais complexos. Isto se deve ao prprio conceito por trs da modelagem baseada em agentes, que define um modelo a partir de suas unidades constituintes. As ferramentas para modelagem e simulao de sistemas baseadas em agentes foram projetadas inicialmente para facilitar a tarefa de construir modelos. Conforme Gilbert e Bankes (2002), funcionalidades para outras fases do ciclo de vida da modelagem e simulao, tais como validao e manuteno do modelo, ainda so particularmente limitadas. O primeiro suporte para uso do modelo so visualizaes do estado do modelo, geralmente atravs da exibio em grids bi-dimensionais, e modestas facilidades para coletar informaes de execues simples do modelo. Funcionalidades como comparar mltiplas execues do modelo, carregar ou calibrar modelos a partir de dados, gerar automaticamente um grande nmero de casos a partir de projetos de experimentos, coletar ou analisar estatisticamente resultados de um grande nmero de experimentos, ainda no so fornecidas pelas ferramentas de modelagem. Quanto maior a facilidade fornecida pela ferramenta para construir modelos, maiores limitaes apresentar em termos de flexibilidade. Quanto maior o nvel de abstrao utilizado para representao do modelo, ou seja, quanto mais prxima e intuitiva for para o usurio a linguagem utilizada para representao do modelo, menor ser o tempo de aprendizado, porm mais restritas tambm sero as possibilidades de se construir modelos diversos a partir desta linguagem. Desta forma, a melhor ferramenta a que apresenta melhor relao facilidade x flexibilidade de acordo com as necessidades especficas de cada usurio/problema. O presente trabalho apresentou uma breve introduo a respeito da tcnica de modelagem baseada em agentes, de algumas ferramentas que suportam este tipo de modelagem e simulao, e alguns critrios que ajudam a escolher a melhor ferramenta. O trabalho encontrase em desenvolvimento, e como resultados parciais j foi possvel vislumbrar o quanto ser til o estabelecimento de uma ferramenta que auxilie a analisar, avaliar e escolher uma dentre as vrias ferramentas que suportam MBA. As prximas estapas do trabalho incluem incorporar novas ferramentas anlise, criar um conjunto de modelos genricos e implementar estes modelos em cada uma das ferramentas, possibilitando uma anlise mais aprofundada das capacidades e limitaes de cada uma. Por fim, ser implementada e disponibilizada uma ferramenta que auxilie os usurios no processo de avaliar e escolher uma dentre as vrias ferramentas de MBA a ser utilizada na criao de seus modelos baseados em agentes. 7. Agradecimentos Agradeo Coordenao de Aperfeioamento de Pessoal de Nvel Superior (CAPES) pelo apoio financeiro. 8. Referncias bibliogrficas Aguilar, J. A. R., Pinyol, F., Noria, X. e Sanchez, M. L. (2001) State-of-the-art of software tools for agent-based simulations, Research Report D30.1. Bertalanffy, L. Von. Teoria Geral dos Sistemas. Ed. Vozes. 1975. Bonabeau, E. (2002) Agent-Based Modelling: Methods and Techniques for Simulating Human Systems, Proceedings of the National Academy of Sciences of the USA (PNAS), 99(3): 7280-7287.

5285

Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5279-5286.

Berry, Brian J. L., Kiel, L. Douglas, e Elliott, Euel. (2002) Adaptive agents, intelligence, and emergent human organization: Capturing complexity through agent-based modeling. Castle, C. J. E. e Crooks, A. T. (2006) Principles and Concepts of Agent-Based Modelling for Developing Geospatial Simulations, Working paper, Centre for Advanced Spatial Analysis (UCL), London, UK. Franklin, S. e Graesser, A. (1996) Is it an Agent, or just a Program? A Taxonomy for Autonomous Agents, Proceedings of the Third International Workshop on Agent Theories, Architectures and Languages, Springer-Verlag. Gilbert, N. e Bankes, S. (2002) Platforms and Methods for Agent-Based Modelling, Proceeding of the National Academy of Sciences of the USA, 99(3): 7197-7198. Macal, C. M. e North, M. J. (2005) Tutorial on Agent-Based Modelling and Simulation, in Kuhl, M.E., Steiger, N.M, Armstrong, F.B and Joines, J. A. (eds.), Proceedings of the 2005 Winter Simulation Conference. Macal, C. M. e North, M. J. (2006) Tutorial on Agent-Based Modelling and Simulation Part 2: How to model with agents, in Perrone, L. F., Wieland, F. P. Lawson, B. G., Nicol, D. M. and Fujimoto R. M., J. A. (eds.), Proceedings of the 2006 Winter Simulation Conference. Minar, N., Burkhart, R., Langton, C., Askenazi, M. The Swarm simulation system: A toolkit for building mult-agent simulations. Working Paper 96-06-042, Santa Fe Institute, Santa Fe. 1996. NetLogo. http://ccl.northwestern.edu/netlogo/, ltimo acesso: julho/2008. Repast. Repast Agent Simulation Toolkit. http://repast.sourceforge.net/repast_3/index.html, ltimo acesso: julho/2008. Russel, S. e Norvig, P. (2003) Artificial Intelligence: A Modern Approach, Prentice Hall, USA. Swarm. Swarm Development ltimo acesso: julho/2008. Group. http://repast.sourceforge.net/repast_3/index.html,

5286