Моделирование социальных процессов. Модель распределения богатства

Автор: Пользователь скрыл имя, 31 Марта 2011 в 23:12, курсовая работа

Краткое описание

Жизни современного общества присущи усложнение составляющих ее процессов, многовариантность возможностей, неоднозначность тенденций и достигаемых результатов.
В таких условиях особенно возрастает потребность в эффективном инструменте анализа и прогнозирования экономических ситуаций.

Оглавление

Введение 3
1. Понятие объектно-ориентированного моделирования…. 5
1.1. Общее понятие модели и агентного моделирования. 5
1.2. Сущность объектно-ориентированных моделей. 10
1.3. Моделирование социальных процессов 12
2. Модель «Распределение богатства» 16
2.1. Теория распределения богатства. 16
2.2. Характеристика модели распределения богатства. 18
2.3. Анализ модели распределения богатства. 19
Заключение 26
Список использованных источников 27

Файлы: 1 файл

Научная_работа.docx

— 550.24 Кб (Скачать)

АКАДЕМИЯ  УПРАВЛЕНИЯ ПРИ ПРЕЗИДЕНТЕ РЕСПУБЛИКИ БЕЛАРУСЬ

ИНСТИТУТ  УПРАВЛЕНЧЕСКИХ КАДРОВ

Кафедра управления информационными ресурсами 
 
 

Специальность Управление информационными ресурсами 
 
 

НАУЧНАЯ РАБОТА

Моделирование социальных процессов.

Модель  распределения богатства. 
 
 

Автор работы

ГУЭ – 2 , 3 курс Ломако М. А. 
 

Руководитель Шешолко В. К. 
 
 
 
 
 

МИНСК 2008

Содержание:

Введение 3

1. Понятие объектно-ориентированного моделирования…. 5

1.1. Общее понятие модели и агентного моделирования. 5

1.2. Сущность объектно-ориентированных моделей. 10

1.3. Моделирование социальных процессов 12

2. Модель «Распределение богатства» 16

2.1. Теория распределения богатства. 16

2.2. Характеристика модели распределения богатства. 18

2.3. Анализ модели распределения богатства. 19

Заключение 26

Список  использованных источников 27

 

Введение

     Жизни современного общества присущи усложнение составляющих ее процессов, многовариантность  возможностей, неоднозначность тенденций  и достигаемых результатов.

     В таких условиях  особенно возрастает потребность в эффективном инструменте  анализа и прогнозирования экономических  ситуаций.

     При рассмотрении социально-экономических  процессов в качестве базовой  системы принимается, как правило, конкретная социальная общность. Реальные системы, как правило, сложны для непосредственного анализа. К тому же есть социального характера, которые из-за своей сложности, по причинам нравственного свойства и в силу иных обстоятельств не могут стать объектом привычных в других случаях методов исследования. При исследовании объектов такого рода затруднена и воспроизводимость начальных и граничных условий, а значит, и результата. Все это дает части ученых основание для предвзятого отношения к применимости научных методов познания к обществу.

Социальные системы, сложные по сути и трудные для объективного исследования из-за невозможности взглянуть на них «со стороны», представляют особую сложность и для моделирования.

  Одной из причин неудач социологических прогнозов и социологического моделирования является несоответствие теоретических воззрений социологов реалиям общественной жизни. В естественных науках подобные несоответствия ликвидируются посредством проведения экспериментов. Но эксперимент в социологии либо невозможен, либо связан с огромными материальными затратами.

  Одним из выходов из сложившейся ситуации является компьютерное экспериментирование (computer simulation), то есть эксперименты проводятся не с группами реальных, живых людей, а с их компьютерными аналогами. Вместо реального общества объектом исследования становится "искусственное общество", состоящее из агентов - компьютерных моделей резольных людей.

  Компьютерное  моделирование является новым инструментом в теоретическом арсенале социологов и психологов.

  В этой работе используется программный  продукт NetLogo, а также модель распределения богатства в обществе. NetLogo является продолжением языка Лого, который получил очень широкое распространение и популярность благодаря работам Сеймрура Пейперта и его группы Media MIT. Уже середине 90-х годов Мич Резник и его группа разработали продукт StarLogo, в котором действовали множество черепашек. Продукт был нацелен именно на изучение закономерностей и феноменов, в которые вовлечено множество агентов. В конце 90-х Ури Виленский отделился от StarLogo с отдельным проектом NetLogo1, который наследовал многие свойства StarLogo.

 

  1. Понятие объектно-ориентированного моделирования….
    1. Общее понятие модели и  агентного моделирования.

     Модель  – упрощенное представление явлений  или объектов действительности, относящихся  к природе и обществу, в виде схем, изображений, описаний, математических формул, какого-либо реального предмета (явления или процесса), изучаемое  как их аналог.

     Особенностью  моделей в общественных науках, отличающей их от моделей, применяемых в естествознании, является то, что они отображают явления, непосредственно связанные  с деятельностью человека или  социальных групп.

     Модели  выполняют следующие функции:

  • познавательную (даёт возможность заглянуть в суть изучаемых явлений, лучше понять их);
  • прогнозирования (позволяет в некотором смысле предсказать будущее, ожидающее реальный объект, модель которого исследуется);
  • принятие решений с целью (социального) планирования и управления (социальными) процессами;
  • совершенствования измерения.

     Моделирование – это изучение объектов познания с помощью их моделей. При этом исследователь имеет дело не с реальным объектом, а с его моделью. Иначе говоря, при моделировании осуществляется построение и изучение моделей реально существующих объектов или явлений.[1]

     Агентное  моделирование (agent-based model (ABM))— метод имитационного моделирования, исследующий поведение децентрализованных агентов и то как такое поведение определяет поведение всей системы в целом. В отличие от системной динамики аналитик определяет поведение агентов на индивидуальном уровне, а глобальное поведение возникает как результат деятельности множества агентов (моделирование «снизу вверх»).

     Агентное  моделирование включает в себя элементы теории игр, сложных систем, мультиагентных систем и эволюционного программирования, методы Монте-Карло, использует случайные  числа.[2]

     Традиционные  подходы имитационного моделирования  рассматривают служащих компании, проекты, продукты, клиентов, партнеров как  среднее арифметическое или как  пассивные заявки/ресурсы в процессе. В процессном моделировании (также известном как дискретно-событийное моделирование) организация рассматривается как различные процессы. Но эти методы игнорируют тот факт, что все эти люди, проекты, продукты, оборудование и активы являются различными – они имеют собственную историю, намерения, желания, свойства, а также сложные отношения. Например, люди могут быть с различными карьерами и доходами, они могут иметь разную производительность труда; проекты взаимодействуют и конкурируют, могут зависеть один от другого; у самолетов есть индивидуальные графики технического обслуживания, при несоблюдении которых машина может выйти их строя; потребители могут консультироваться с членами своей семьи, прежде чем принять решение о покупке.

     Агентное  моделирование не обладает такими ограничениями, поскольку оно предполагает сосредоточение непосредственно на отдельных объектах, их поведении и коммуникации.

     Агентное (мультиагентное) моделирование (“agent-based modeling”) возникло совсем недавно и имеет свои особенности. Агентная модель – это ряд взаимодействующих активных объектов, которые отражают объекты и отношения в реальном мире.

     Другими словами, агентная модель представляет реальный мир в виде многих отдельно специфицируемых активных подсистем, называемых агентами. Каждый из агентов взаимодействует с другими агентами, которые образуют для него внешнюю среду, и в процессе функционирования может изменить как внешнюю среду, так и свое поведение. Обычно в таких системах не существует глобального централизованного управления, агенты функционируют по своим законам асинхронно.

     Задачи  имитационного моделирования –  строить простые модели

     сложных реальных систем. С середины 80-х годов  прошлого века на кафедре ИУС С.Петербургского Политехнического Университета, а затем  на кафедре РВКС этого Университета научная группа, работавшая над проблемой  анализа параллельных взаимодействующих  процессов, разрабатывала систему  моделирования сложных систем именно как программную среду, в которой  удобно и быстро можно было бы создать  модель из многих параллельных активностей, взаимодействующих друг с другом и с внешней средой, а потом  проводить анализ поведения получившейся системы. Многие реальные системы обладают этой особенностью: мы можем очень  хорошо понимать поведение каждого  активного объекта из связанной  системы таких объектов, но понять их поведение совокупности таких  параллельно функционирующих объектов, взаимодействующих друг с другом и со средой, никто не в состоянии.

     Существует  множество определений понятия  агента. Общим во всех этих определениях является то, что агент — это  некоторая сущность, которая обладает активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, может взаимодействовать с окружением и другими агентами, а также может изменяться (эволюционировать). Цель агентных моделей — получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении ее отдельных активных объектов и взаимодействии этих объектов в системе. Рост производительности компьютеров и достижения в информационных технологиях, сделали возможным реализацию агентных моделей, содержащих десятки и даже сотни тысяч активных агентов.

     Многоагентные (или просто агентные) модели используются для 

исследования  децентрализованных систем, динамика функционирования

которых определяется не глобальными правилами  и законами, а наоборот, эти 

глобальные  правила и законы являются результатом  индивидуальной активности членов группы. Например, в области экономики, в  которой весь организм формируется  «снизу вверх», не совсем адекватны  модели и описания

установившихся  равновесных режимов. Гораздо интереснее и адекватнее анализ моделей, позволяющих  выполнить анализ формирования правил и тенденций глобального поведения  как интегральных характеристик  поведений многих составляющих активных игроков.

     Хороший пример использования агентного  моделирования – потребительский  рынок. В очень динамичной, конкурентной и сложной среде рынка выбор  покупателя зачастую зависит от индивидуальных особенностей, врожденной активности потребителя, сети контактов, а также  внешних влияний, которые лучше  всего описываются с помощью  агентного моделирования.

     Другой  стандартный пример – это эпидемиология. Здесь агенты это люди, которые  могут быть иммунными, носителями инфекции, переболевшими или восприимчивыми к болезни. Агентное моделирование  поможет спроецировать в мир  моделей социальные сети, разнородные  контакты между людьми и в итоге  получить объективные прогнозы распространения  инфекции.

     Однако  не следует думать, что агентное моделирование применимо только для решения задач коммуникативного характера. Задачи, связанные с логистикой, производством, цепями поставок или  бизнес-процессами, также решаются с помощью агентного моделирования. Например, поведение сложной машины может быть эффективно смоделировано  отдельным объектом (агентом) с картами  состояний, описывающими ее систему  таймеров, внутренних состояний, разного рода реакции в различных ситуациях и т.д. Подобная модель может быть необходима для воссоздания технологических процессов на производстве.

     Участники цепочки поставок (компании-производители, оптовые торговцы, розничные продавцы) могут быть представлены как агенты с индивидуальными целями и правилами. Агенты могут также быть проектами или продуктами в пределах одной компании, при этом обладать собственной динамикой и внутренними состояниями, конкурировать за ресурсы компании.[3]

Информация о работе Моделирование социальных процессов. Модель распределения богатства