Análisis de simulación
Pérez Flórez Adolfo, Oyuela Goméz William R.
Tolima
Universidad de Ibagué
2320101046-2320131120@estudiantesunibague.edu.co
Resumen-
La herramienta de simulación y el modelado, permite
representar sistemas lo más parecido posible del mundo real,
logrando realizar su debida interacción, evaluación y análisis
de posibles alternativas contemplando tiempo, costos,
actividades, recursos, entre muchos otros, sin alterar la vida
real. Los modelos matemáticos han tomado cierta
importancia en la actualidad, debido a que son instrumentos
de evaluación, que nos ayuda a que la toma de decisiones
presente un margen de error mínimo.
El objetivo del presente artículo, es describir las ventajas
que se presentan al interpretar y analizar los modelos de
simulación. La estructura del presente documento es la
siguiente: la primera sección abarca una breve introducción
sobre el análisis de los sistemas modelados. Posteriormente se
habla de la relevancia sobre la modelación. A continuación, se
recogen los pasos necesarios para llevar a cabo una simulación
adecuada. La cuarta, quinta y sexta sección, describen la
simulación orientada a mejores prácticas, algoritmo genético y
basada en agentes. Por último, se describen algunos casos
empleados en el país.
Palabras Clave- Simulación, Toma de decisiones, Sistemas
modelados, Algoritmo Genetico, simulación basada en
agentes
Abstract -
The simulation tool and the modeling, allow to represent the
systems as close as possible to the real world, achieving their
proper interaction, evaluation and analysis of possible
alternatives contemplating time, costs, activities, resources,
among many others, without altering the real life .
Mathematical models have taken on some importance at
present, so the assessment tools, which help us in decision
making.
The objective of this article is to describe the advantages
presented to interpret and analyze the simulation models. The
structure of this paper in the following: the first section covers
a brief introduction on the analysis of modeled systems.
Subsequently we talk about the relevance of modeling. Then
they are collected the steps necessary to carry out a proper
simulation. The fourth, fifth and sixth sections describe
simulation oriented to best practices, genetic algorithm and
agent based. Finally, some cases used in the country are
described.
Key words- Simulation, Decision Making, Modeling Systems,
Genetic Algorithm, Agent-based simulation.
INTRODUCCIÓN
La simulación es un tipo especial de modelo que permite
experimentar artificialmente sobre el sistema a fin de
explorar diferentes comportamientos y alternativas de
solución. La simulación no hace referencia
exclusiva a la programación en computador [1], sino a las
vías para el desarrollo de experimentos mentales que a
diferencia de los experimentos reales se soportan en
información de un mundo simulado, lo cual implica la
construcción de una realidad virtual [2].
Ampliar el conocimiento de los sistemas modelados,
lograr experimentar varios escenarios con diversos
parámetros, observar sus comportamientos, son algunos
resultados que se pueden adquirir gracias a la simulación.
Evidenciar el sistema de auto organizado por medio de la
simulación permite analizar más cantidades de actuaciones
conjuntas permitiendo aprovechar la mayor cantidad de
oportunidades y tratar más posibles amenazas.
Analizar la información adquirida de la simulación,
permite tomar decisiones de manera más asertiva, logrando
que los resultados del sistema modelado satisfaga los
objetivos planteados de la mejor manera posible.
La recreación de eventos reales, permite ahorrar tiempo y
dinero logrando generar posibles soluciones mediante el
análisis del comportamiento que brinda la simulación.
Preguntas como “¿Qué tal sí?” sobre el diseño de un
escenario real, son sistemas conceptuales que pueden ser
modelados gracias a la simulación [3].
La modelación y simulación desde la perspectiva de
pensamiento se conoce como sociedades artificiales o
modelación basada en agentes [4]. La modelación y
simulación basada en agentes (MSBA) ha sido la técnica de
mayor aplicación para la investigación en ciencias sociales y
en particular en el estudio de las organizaciones
empresariales [5].
Mediante el análisis de la programación y simulación de
sistemas, las organizaciones empresariales pueden concer
las ventajas y desventajas, ademas de obtener las
herramientas adecuadas para el estudio de la complejidad
para comprender el comportamiento de los sistemas
cambiantes [6]. El avance de la investigación en sistemas
sociales, ha permitido ser una poderosa herramienta para la
modelación y simulación de sistemas complejos. La
simulación facilita de la toma de decisiones en los altos
niveles de complejidad que presenta la realidad.
La complejidad creciente que presentan las diversas
organizaciones en el entorno en el que interactúan y actúan,
la simulación ayuda a lograr analizar los sistemas complejos
de los distintos agentes que interactúan en los escenarios del
mundo real y más si surge nueva información debido a la
generación que surge como resultado de diversos resultados
en torno a la interdependencia con la interacción de otros
sistemas como económicos, políticos, sociales, entre otros.

La globalización y el desarrollo de las tecnologías han
permitido que analizar los resultados obtenidos de la
simulación sea una tarea más sencilla, promoviendo la
investigación y surgimiento de innumerables situaciones que
antes eran difíciles de predecir y controlar y que ahora
gracias al modelamiento en los softwares de simulación lo
han dejado en un pasado.
MODELAMIENTO Y SIMULACIÓN
El gran avance que se ha presentado en los
microprocesadores, han permitido el desarrollo de sistemas
complejos en las técnicas de modelado. En términos
generales, lograr el análisis de una simulación implica
explorar, comprender los procesos que han sido modelados
para encontrar con mayor precisión la solución a un
problema en específico.
La contribución sobre el avance en modelación de
sistemas sobre los aspectos reales, por medio de procesos de
inferencia, mediante la construcción y la utilización de
métodos científicos, con el objeto de mejorar el
entendimiento y comprensión de los eventos reales
observados. La simulación tiene como
finalidad buscar comprender, analizar y explicar los procesos
fundamentales obtenidos, recrear situaciones en los que se
desea que un fenómeno o sistema pueda comportarse como
queremos, lograr simular situaciones de emergencia,
dinámicas, elementos o probabilidades de catástrofe que a
simple vista no se logran comprender habitualmente por
fuera de la simulación y su respectivo análisis.
Del sistema real se debe hacer una abstracción de
información que sea relevante para llevar acabó un modelado
del proceso en estudio, adquiriendo unos resultados para su
posterior análisis, interpretación y aplicación gracias a la
simulación (Ver Figura 1).
Fig. 1. Distinción entre modelamiento y simulación. Ampliado desde Ríos,
Ríos, Jiménez, Jiménez, 2009
El análisis que se debe hacer de una simulación obtenida
de unos resultados específicos, nos lleva a entender y
comprender el funcionamiento del sistema modelado. Por lo
general se recomienda emplear distintos formalismos para
evaluar el modelo y los resultados obtenidos desde distintos
ángulos. Además de un análisis se debe tener en cuenta la
interpretación de los resultados adquiridos de una
modelación del mundo real, asignando un significado a
derivaciones analizadas de la simulación. Generando así una
aplicación práctica y certera, siendo finalmente el objetivo
de haber ejercido el ejercicio de modelar un sistema,
logrando así una predicción más cercana o un posible
comportamiento en términos cualitativos [7].
METODOLOGÍA DE SIMULACIÓN
El objetivo de la metodología de simulación, es lograr
que sea más sencillo seguir unos ciertos pasos para conducir
al análisis e interpretación del modelado. Como se logra
apreciar en la Figura 2, la finalidad de emplear la estructura
propuesta por Law, es reducir los errores a través de la
optimización de una red lógica bajo un enfoque ingenieril.
La construcción de un modelo, implica capturar y
describir el funcionamiento de un sistema real, estudiar y
analizar los resultados de nuevas situaciones hipotéticas o
futuras del sistema. En el diseño de experimentos incide
mucho en la toma de decisiones, por lo que los estudios e
interpretaciones deben estar encaminados a no basar las
deducciones en la observación de una sola corrida, por lo
que es necesario determinar el número óptimo de corridas, y
así, con los resultados de varias corridas, las decisiones
tomadas pueden llegar a ser más asertivas [8].
Fig. 2. Metodología de Simulación propuesta. Ampliado desde Law, 2015
Entre más acertivo sea la metodologia implementada en
la simulación, los resultados del modelado del sistema real
proporcionaran mayor seguridad de estar documentando
sobre un modelo representativo. Logrando evaluar distintos
escenarios probablemente viables, con el objeto de generar
cierta confianza al llevarlo a la realidad, proporcionando
mejores medidas de desempeño por medio de sustentaciones
matematicas logicas y coherentes al caso estudiado.
El análisis y la identificación de los sistemas modelados
que se va ha estudiar, se debe tener en cuenta las entidades
que conforman el ssitema, las variables independientes o de
entrada, las variables dependeintes o de estado, las variables
de salida, los atributos, los supuestos, los limites, el entorno
y los objetivos del sistema. Siendo las alternativas de
solución generadas la parte del proceso en que consista
enmarcar el análisis que permita encaminar a tomar la
mejor decisión [9].
SIMULACIÓN Y MEJORES PRÁCTICAS
La búsqueda sistemática y revisión de procesos exitosos,
en eventos de técnicas de análisis envolvente de datos a nivel
de representar y analizar el desempeño de los procesos
modelados en SIMIO SIMULATION ®. En la cadena
productiva, los procesos logísticos y de distribución pueden
considerarse como críticos para alcanzar su respectiva
productividad, la satisfacción de las necesidades insatisfechas
por parte de los clientes, y garantizar niveles adecuados sobre
los costos. Para ello, se debe analizar, mejorar y diseñar los
procesos existentes, a través de herramientas cualitativas
como la simulación discreta, la teoría de grafos, la
investigación de operaciones, la estadística, entre otras [10].
La simulación de eventos discretos, es una técnica que
emplea diversos conjuntos de aplicaciones y métodos que
sirven para predecir el comportamiento de complejos
sistemas del mundo real. Siendo, un modelo de simulación
un reflejo de situaciones planteadas que buscan facilitar la
toma de decisiones a corto plazo de una empresa.
La simulación discreta es una de las diversas
herramientas que permite la recreación y representación de
la problemática logística, abarcando el manejo de equipos,
recursos humanos y las políticas de incertidumbre que lograr
estudiar otras alternativas de mejora en los diseños. Por lo
que se recomienda, adecuado emplear la simulación y su
respectiva interpretación, como una herramienta practica
para evaluar el desempeño y analizar las posibilidades de
mejora en el transporte y distribución de material de
construcción.
La simulación discreta admite la representación e
imitación de recursos y procesos logísticos, abarcando la
distribución y el transporte en modelos computacionales
considerando incertidumbre sobre los cuales se realizan
experimentos con el objeto de evaluar el desempeño, diseños
u oportunidades de mejora que permitan operaciones
eficientes y eficaces [11]. Una herramienta que puede ser
empleada en sistemas de transporte y distribución para el
apoyo de decisiones de ruteo, evaluación de desempeño, entre
muchas otras alternativas, es la simulación, permitiendo así,
tener una disminución en el tiempo y en los costos,
determinar el tiempo promedio de transporte, diseño y
mejora del transporte y la distribución, la capacidad utilizada
y aspectos determinantes en la medición de la eficiencia y la
eficacia.
Los centros de distribución, han sido blanco de
importancia en los ultimos años, debido a la relevancia en el
diseño, operación y control de los sistemas logisticos de la
cadena de suministro, por los altos impactos que generan los
costos de operación y satisfacción de los clientes. Por lo que
para su adecuado diseño, operación y control, se sugiere la
utilización de diferentes herramientas como: Tecnologías de
Información y Comunicaciones, investigación de operaciones
(simulación discreta, metaheurísticos, métodos de
optimización), entre otros [12].
ALGORITMO GENÉTICO Y SIMULACIÓN
El algoritmo genético de optimización implica procesos
de codificación, evaluación, cruce y mutación. Uno de los
algoritmos más simples es el algoritmo genético canónico,
requiere de una apropiada codificación, adicionalmente
necesita una representación o una función de ajuste del
problema, el cual establece un número real cada potencial
solución codificada.
Durante la ejecución del problema los parentales deben
ser seleccionados para la reproducción, los parentales
seleccionados son cruzados generando un número de
descendientes específico sobre los cuales actúa el operador de
mutación, el resultado de las anteriores funciones es un
conjunto de individuos (posibles soluciones al problema), los
cuales en la evolución del algoritmo genético hacen parte de
la siguiente población [13].
La secuenciación de un conjunto de maquinaria en
producción y las complicaciones de programación, hacen
parte de un problema combinatorio por lo general con un alto
grado de dificultad. Por lo general, los inconvenientes
de un sistema real, presentan gran incertidumbre,
multidimensionales y no linealidades.
Los algoritmos genéticos pueden ayudar a determinar el
diseño en un cierto periodo de una secuencia de producción
apropiada. Atendiendo a una línea de productos, en el menor
tiempo posiblemente, reduciendo la probabilidad de error en
los plazos de entrega y excesivos inventarios de productos
terminados a causa de una planeación inadecuada.
Un algoritmo genético simple, está comprendido por la
representación apropiada de un cromosoma, siendo esté un
compuesto de genes (entendiéndose como gen, un conjunto
de productos que poseen una misma configuración)
necesarios para satisfacer la demanda de un periodo en
específico. Por lo tanto, de aquí viene que la longitud de un
cromosoma sea variable [14].
Cubrir las expectativas de adquirir un programa de
producción factible puede ser posible empleando un
algoritmo genético simple. Él cual se diseñó sobre un caso
real, en el que Ramírez et al [15] buscaba hallar el menor
número de operarios en una sola estación de trabajo
considerando las dependencias de los elementos de trabajo,
las eficiencias de los operarios y las distancias que debían de
recorrer para realizar otro elemento de trabajo cada vez que
finalizaban el elemento en turno [16].
SIMULACIÓN BASADA EN AGENTES
El modelado y simulación de procesos se han convertido
en herramientas indispensables para el diseño y operación de
procesos para la industria. Por lo que el desarrollo de
modelos puede ser estudiada en detalle a través de la
simulación [17].
La simulación basada en agentes, es un método de
investigación novedoso, que busca mitigar la complejidad de
una manera sencilla, la emergencia y la no-linealidad típica
de muchos fenómenos sociales. Logrando explicar cómo
surgen las estructuras sociales mediante las acciones
individuales, los deseos, creencias y oportunidades de los
individuos son afectadas por dichas estructuras, integrando
de este modo el nivel macro y el micro de la realidad social
[18].
El modelado de sistemas complejos y sistemas sociales,
ha sido posible mediante la técnica de la simulación basada
en agentes. Permitiendo que el modelador reconozca
detalladamente los sistemas complejos y sociales, como
productos de sus interacciones y sus debidos
comportamientos, a través de la simulación basada en
agentes.
La composición de los agentes construidos en el mundo real
debe de ser explícitamente descritos y representados en un
modelo, para lograr ser una simulación basada en agentes.
Logrando especificar la comprensión de distintos agentes
independientes, revelan sus propios objetivos y metas.
Siendo, generalmente capaces de interaccionar entre sí y con
su entorno [19].
El método informático, que en cierto modo logra edificar
modelos compuestos por agentes que interactúan entre sí
dentro de un entorno encaminado para llevar a cabo
experimentos virtuales, puede ser entendido como simulación
basada en agentes [20]. Los métodos fundamentados en
agentes, ayudan hacer más sencillo el estudio y modelado de
sistemas complejos, a través de las unidades que los
componen, logrando así, contribuir a la realidad modelos
experimentales desde otro punto de vista.
La simulación basada en agentes no es la panacea de la
investigación social. Tiene algunos problemas importantes
derivados de la verificación y validación de sus modelos [20].
Se dificulta conocer si los resultados obtenidos de la
simulación radican a causas reales o a defectos en la
programación debido a muchas veces por la problemática en
la verificación. Por lo que en ciertas circunstancias es difícil
conocer si el modelo representa efectivamente al fenómeno
que se pretende representar, debido a que no se encuentra los
datos empíricos suficientes para evaluar y determinar la
adecuación del modelo con la realidad.
SIMULACIÓN, APLICABILIDAD EN COLOMBIA
Las bondades que presentan los sistemas multi-agentes
para modelar los sistemas de simulación, que permitan
analizar, diseñar, implementar y validar procesos de
negociación del mercado de energía eléctrica en Colombia.
Han permitido que se alcancen ciertos logros, que se han
adoptado a la Ingeniería de Software como paradigmas
orientados hacia agentes, el cual se pueden aplicar en la
representación de sistemas distribuidos, generando
excelentes resultados en dominios de gestión del
conocimiento, filtrado y recuperación de información,
comercio electrónico, entre muchos otros [21].
El sistema multi-agente puede llegar a representar
algunos de los comportamientos que hacen parte del mercado
de la energía eléctrica en Colombia. Conteniendo agentes
como Agentes Generadores (representan las plantas
generadoras de energía, su función en el SMA es vender
energía a los agentes comercializadores), Agentes
Comercializadores (compran y venden energía entre sí y con
los generadores), Agentes Consumidores (representan a los
consumidores y los que compran energía a los
comercializadores para consumirla), agente facilitador (este
agente permite a los otros agentes ubicar a otros de acuerdo
al servicio que proporcionan), cuyo objetivo es representar
relaciones estáticas entre los agentes del sistema [22].
La inversión espectral basada en un algoritmo genético
de datos sintéticos y datos reales, para mejorar la resolución
vertical de los datos sísmicos y determinar el espesor de los
estratos finos. La construcción de un algoritmo de
interpolación basado en la lógica difusa con el objeto de
mejorar la resolución lateral y así lograr la obtención de una
imagen sísmica de mayor detalle para la interpretación
geológica. Dicha inversión espectral y algoritmo de
interpolación han sido probados en un sub-volumen sísmico
de la región sur occidental de la cuenca de los Llanos de
Colombia. Para la caracterización del miembro informal C7
de la formación Carbonera se utilizaron atributos sísmicos
como varianza, amplitud RMS y “Sweetness”, los cuales
fueron útiles para realzar canales y evaluar los resultados
obtenidos de los algoritmos implementados en esta
investigación [23].
Fig. 3. Algoritmo Genético utilizado en la inversión espectral. Ampliado
desde García, 2017
El algoritmo genético empleado para la investigación
sísmica de la cuenca de los llanos de Colombia
(ver Figura 3), baso su evaluación en la población especifica
con base en el valor de la función objetivo del algoritmo y en
el caso del criterio de parada, la inversión espectral se
definió en el valor de la evaluación y la convergencia de toda
la población hacia ese valor, lo cual infiere a que todos los
individuos o por lo menos el 95 % de ellos tienen los mismos
genes y el mismo valor de evaluación que debe ser el mínimo
global de la función objetivo [23].
La simulación discreta es una herramienta, que permite
evaluar alternativas de distribución para los medicamentos a
preparar en el Sistema de Distribución de Medicamentos Por
Dosis Unitaria (SDMDU), que funciona en el Hospital
Universitario de La Samaritana (HUS), ubicado en la ciudad
de Bogotá, Colombia. Se validó el modelo a partir de los
datos obtenidos en el estudio de tiempos y se evalúo como
medida de desempeño; cantidad de prescripciones recibidas
para la elaboración de orden de producción, cantidad de
preparaciones recibidas para su debido alistamiento y
distribución, por último el Lead time [24].
En el planteamiento del modelo de simulación por
eventos discretos se contemplaron comportamientos
estadísticos, partiendo de esto se realizó un análisis de
entrada, donde se identificaron tres entidades del modelo,
que corresponden a los tipos de medicamentos que se
prescriben en neonatos (unidosis, magistrales y parenterales)
cada uno de ellos con sus atributos correspondientes. Los
eventos y los recursos asignados a cada evento del modelo,
teniendo el análisis de entrada se prosigue a la construcción
del modelo en el software SIMIO [24].
CONCLUSIONES
 La simulacipn a generado una gran ayuda para la
solución de dificultades en áreas de logística, manufactura,
aplicaciones militares entre muchas otras. También, se ha
probado para ofrecer resolver problemas sociales que tienden
a presentar relaciones de viabilidad.
El modelo avanzado de simulación, ayuda asistir al
proceso de la toma de decisiones, resultando ser una
herramienta flexible, robusta y moderna, permitiendo
predecir las repercusiones que podrían presentarse, a partir
de una futura expansión de la capacidad de producción,
principalmente en la capacidad disponible de
almacenamiento y movimientos de materiales.
[20] N. Gilbert, “Agent-Based Models. Quantitative Applications in the Social
Science,” SAGE, Londres, 2008.
[21] S. Arenas, E. Álvaro, S. Barrera y A. Pérez, “Agentes inteligentes para la
gestión de memorias organizacionales,” workshop cientÍfico
TECNOCOM, Medellín, Colombia, 2003.
[22] M. Pastrana, J. Guzmán y D. Ovalle, “Simulación basada en agentes
inteligentes del proceso de negociación de mercado de energía eléctrica en
Colombia,” Universidad Nacional de Colombia, Medellín, Colombia,
2005.
[23] J. Ramírez, “Delimitación de estratos finos usando atributos sísmicos en
datos post inversión espectral,” Unviersidad Nacional de Colombia,
Bogotá, Colombia, 2017.
[24] X. Moscoso y M. Cañón, “Evaluación de alternativas de distribución de
medicamentos pordosis unitarias en el hospital universitario de la
samaritana a partir de la aplicación de simulación de eventos discretos,”
Revista Ingenieros Militares, nº 11, pp. 120-126, 2016.

REFERENCIAS

[1] N. Gómez, “El mundo de las ciencias de la complejidad. Una

investigación sobre qué son, su desarrollo y posibilidades,” Universidad
del Rosario, Bogotá, Colombia, 2011.
[2] Emmeche, “Vida simulada en el ordenador,” Gedisa Editorial, Barcelona,
España, 1998.
[3] K. Cepeda, K. Durango y L. Bohórquez , “Modelación y simulación
basada en agentes como alternativa para el estudio de las organizaciones
empresariales,” Ingeniería Solidaria, vol. 13, nº 22, pp. 5-7, 2017.
[4] Axelrod, “The complexity of cooperation: Agent-based models of
competition and collaboration,” Princeton University Press, Princeton,
1997.
[5] B. Lichtenstein y B. McKelvey,, “Complexity science and computational
models of emergent order: What’s there? What’s missing?,” Academy of
Management Annual Meeting, New Orleans, 2004.
[6] M. Gómez, “El mundo de las ciencias de la complejidad. Una
investigación sobre qué son, su desarrollo y posibilidades,” Universidad
del Rosario, Bogotá, Colombia, 2011.
[7] L. Izquierdo, J. Galán, J. Santos y R. Del Olmo, “Modelado de sistemas
complejos mediante simulación basada en agentes y mediante dinámica de
sistemas,” EMPIRIA. Revista de Metodología de las Ciencias Sociales,
nº 16, pp. 1-14, 2008.
[8] L. Fuentes, C. Gerardo, G. Tobón, L. Rojas y A. López, “Evaluación de un
sistema de semáforos en un crucero peligroso de la ciudad de tierra blanca,
Veracruz, usando simulación con Simio,” Revista de Ingeniería
Industrial, vol. 10, nº 1, pp. 67-79, 2016.
[9] J. Reyes y M. Dávila, “Desarrollo y aplicación de un sistema de
manufactura celular,” Universidad de sonora, México, 2000.
[10] R. Gómez y A. Correa, “Análisis del transporte y distribución de
materiales de construcción utilizando simulación discreta en 3D,” Revista
Boletín Ciencias de la Tierra, nº 30, pp. 9-52, 2011.
[11] M. Obaidat y G. Papadimitriou, “Applied system simulation:
methodologies and applications,” Massachusetts: Springer, vol. 1, p. 34,
2003.
[12] A. Correa y R. Gómez, “WMS y simulación discreta en la operación de un
centro de distribución,” Universidad Nacional de Colombia , Medellín,
COlombia, 2011.
[13] J. Henao, “Las redes neuronales y su desempeño bajo la estrategia de
Neuroevolución,” Universidad Javeriana, Bogotá, Colombia, 2013.
[14] S. Ramirez, X. Jiménez, M. López y L. Contreras, “Aplicación de un
Algoritmo Genético Simple con Reparación en un Caso Real de
Planeación de Producción Discreta: Fase I,” Revista de la Ingeniería
Industrial, vol. 3, nº 1, pp. 1-13, 2009.
[15] C. Ramírez, P. Marroquín y J. Córdova , “Reasignación de Operarios en
una Estación de Trabajo: un Enfoque Evolutivo,” Revista de la
Ingeniería Industrial, vol. 1, nº 1, pp. 1-9, 2007.
[16] M. Ramírez , E. Marroquín, F. Zertuche y G. Rodríguez, “Algoritmo
genético para la solución de un caso real de balanceo de líneas con
operarios múltiples,” Revista de la Ingeniería Industrial, vol. 8, nº 1, pp.
8-24, 2014.
[17] J. Banks , J. Carson, B. Nelson y D. Nicol , “Discrete-Event System
Simulation,” Prentice-Hall, U.S.A, 2004.
[18] J. García y V. Medina , “La simulación basada en agentes: una nueva
forma de explorar los fenómenos sociales,” Revista Española de
Investigaciones Sociológicas: Reis, vol. 136, pp. 91-110, 2011.
[19] I. Torsun, “Foundations of Intelligent Knowledge-based Systems.,”
Academic Press, New York, 1995.