See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/328393777

Agent-Based Computational Economics : A Survey

Article · March 2016

CITATIONS READS
0 72

1 author:

Joao Bioco
Universidade da Beira Interior
9 PUBLICATIONS   1 CITATION   

SEE PROFILE

All content following this page was uploaded by Joao Bioco on 12 February 2019.

The user has requested enhancement of the downloaded file.

 Agent-based Computational Economics - A survey

João Bioco
Departamento de Informática
Doutoramento em Engenharia Informática
Universidade da Beira Interior
Covilhã, Portugal
Email: joao.bioco@ubi.pt

Resumo—Agent-based computational economics (ACE), em conceitos da modelação baseada em agentes, na secção

português economia computacional baseada em agentes, é o
estudo computacional de economias modeladas como sistemas
em evolução de agentes autónomos que interagem entre si.
Pretende-se com este survey fazer uma abordagem no que
diz respeito aos objetivos e características da metodologia
agent-based computational economics (ACE), incluindo as suas
principais áreas de investigação na atualidade, e também
apresentar os principais desafios (questões) em aberto e
direções de investigação com base nessas áreas.
Palavras-chave: agent-based computational economics
1. Introdução
A economia de mercado moderna é um exemplo de um
sistema adaptativo complexo, que consiste de uma coleção
descentralizada de agentes autónomos que interagem em
vários contextos de mercado. O recente advento de novas
ferramentas computacionais poderosas, em particular o de-
senvolvimento de novas técnicas em computação evolutiva,
está a dar aos economistas uma maior oportunidade de
estudar as economias de mercado na sua verdadeira forma
complexa [1].
O presente survey tem como objetivo fazer uma revisão da
literatura relacionada a computação económica baseada em
agentes (ACE), no sentido de mostrar os seus benefícios e
motivar investigações nessa área. O survey começa com a
descrição dos surveys existentes sobre a ACE, seguidamente
o trabalho faz uma abordagem sobre os principais conceitos
da modelação baseada em agentes, e faz uma descrição mais
detalhada da computação económica baseada em agentes
focando-se nas oito áreas principais de investigação da ACE,
suas caraterísticas e aplicação da metodologia nos mercados
de eletricidade, mercados de ações, mercados cambiais, e
nos mercados de trabalho.
O trabalho em questão representa uma primeira tentativa de
identificar os principais desafios e direções de investigação
que poderão conduzir a futuras investigações na área.
A restante parte do trabalho está dividida da seguinte ma-
neira: na secção 2 são abordados os surveys anteriores sobre
ACE, na secção 3 é feita uma descrição geral dos principais
4 aborda-se com mais detalhe a computação económica
baseada em agentes, na secção 5 descreve-se as oito áreas
principais da computação económica baseada em agentes,
a secção seguinte (6), aborda os principais desafios em
aberto e direções de investigação em ACE, e finalmente as
conclusões na secção 7.
2. Trabalhos relacionados
A metodologia ACE tem sido amplamente abordada
pela academia nos últimos anos. Vários surveys têm sido
elaborados e divulgados em revistas científicas e magazines
tais como por exemplo: Journal of Artifitial Societies and
Social Simulation, Artificial Life (IEEE), Information Sci-
ence (Elsevier), Journal of Economic Dynamics & Control
(Elsevier), IEEE Computational Intelligence Maganize, e
Frontiers of Information Technology & Electronic Engine-
ering (Springer).
Nesta secção faz-se uma descrição geral dos surveys publi-
cados sobre a metodologia ACE.
Tesfatsion[2] [3] elabora um survey com o objetivo de
introduzir, motivar, e ilustrar através de exemplos concretos
a potencial utilidade da metodologia ACE, destacando oito
áreas de investigação dentro da metodologia ACE que repre-
sentam bastante interesse e contribuições substanciais. Para
[2] [3] o número de investigadores que atualmente fazem
o uso da metodologia ACE é grande e está em constante
crescimento. Para melhor ilustrar a utilidade da metodo-
logia ACE, [2] [3] faz uma descrição dos atuais tópicos
de investigação sobre a metodologia ACE, sendo estes: 1)
aprendizagem e mente incorporada, 2) evolução das normas
comportamentais, 3) modelação bottom-up dos processos de
mercado, 4) formação de redes económicas, 5) modelação
de organizações, 6) desenho de agentes computacionais
para mercados automatizados, 7) experimentos paralelos
com agentes reais e computacionais, e 8) construção de
laboratórios computacionais para ACE. Tesfatsion [2] [3]
faz uma descrição das questões em aberto e futuras direções
de investigação em ACE e as divide em função das oito áreas
de investigação.
Tesfatsion [4] fornece uma visão geral sobre a metodologia
ACE e faz uma sinopse dos artigos incluídos no "special
issue on ACE"publicados pelo Journal of Economic Dyna-
mics & Control (Elsevier). Segundo [4], uma das principais
preocupações dos investigadores da metodologia ACE é de
entender porquê que determinadas regras globais têm sido
observadas no sentido de evoluir e persistir em economias
de mercado descentralizadas apesar da ausência de uma
planificação e controlo top-down como por exemplo: redes
comerciais, dinheiros socialmente aceites e protocolos de
mercado. Uma segunda preocupação dos investigadores,
segundo [4] cinge-se em utilizar plataformas ACE, como
laboratórios computacionais dentro do qual estruturas alter-
nativas sócio-económicas podem ser estudadas e testadas
com relação aos seus efeitos no comportamento individual
e bem estar social.
Chen [5] providencia uma curta visão histórica sobre agent-
based computational economics (ACE), onde traça quatro
tópicos que estão na base da sua origem, nomeadamente,
a origem dos mercados, a origem dos autómatos celulares
(1970s), a origem dos torneios (1980s) e a origem dos
experimentos (1990s). As origens apresentadas em [5], con-
duziram ao desenvolvimento de três paradigmas de agentes:
simple-programmed agents, autonomous agents, e human-
like agents. Para [5], os agentes ou paradigmas de agentes
atualmente empregues nos modelos ACE são cada vez mais
interdisciplinares, em parte porque a modelação baseada
em agentes tem potencial para se tornar uma plataforma
universal para ciências sociais.
Richiardi [6] faz uma incursão detalhada sobre modelação
de sistemas baseados em agentes (ABMs - agent-based
modeling), onde aborda os pontos fortes e as suas fraque-
zas, as principais caraterísticas, descreve o desenvolvimento
da ACE, partindo de uma perspetiva histórica, finalmente
mostra como os resultados de um modelo de simulação
podem ser interpretados e como os parâmetros estruturais
do modelo podem ser estimados.
Phan [7] providencia uma breve introdução sobre agent-
based computational economics (ACE) com a finalidade de
salientar o interesse da ACE na economia cognitiva. [7]
introduz algumas caraterísticas importantes da abordagem
da Santa-Fe, através de exemplos simples utilizando o labo-
ratório computacional (plataforma) designado Moduleco, e
faz também uma curta introdução a arquitetura orientada aos
objetos da plataforma Moduleco. [7] sublinha o interesse da
metodologia agent-based computational economics para mo-
delar e explorar caraterísticas dinâmicas de mercados vistos
como sistemas interativos sociais cognitivos e complexos.
[7] faz uma breve discussão de exemplos simples de mo-
delações baseados em dois modelos económicos cognitivos.
O primeiro lida com o chamado compromisso "exploration-
exploitation"(exploração-exploração) enquanto o outro lida
com a influência social e das dinâmicas sobre as redes
sociais.
De forma geral os surveys anteriormente referidos fazem
uma descrição geral da metodologia agent-based computa-
tional economics, frisando a perspetiva histórica, caraterísti-
cas, funcionamento e ainda a simulação do modelo. [2] [3]
[4] destacam de forma bastante clara as áreas sob a qual
se têm verificado maior investigação no que diz respeito a
metodologia ACE e também focam os principais desafios
ou questões em aberto para cada uma dessas áreas e futuras
direções da investigação em ACE.
Este survey diferentemente dos outros, parte da base, isto
é, faz uma abordagem sobre os conceitos de modelação
baseada em agentes inicialmente, e só depois entra para a
computação económica baseada em agentes que é uma das
aplicações da modelação baseada em agentes.
3. Background
Pretende-se nessa secção fazer uma incursão sobre os
conceitos fundamentais da modelação baseada em agentes
(ABM - agent-based modeling), suas caraterísticas, as áreas
de aplicação, tais como: nos mercados de ações, redes de
fornecimento, mercados de energia, previsão de doenças e
guerras biológicas, crescimento e declínio de civilizações
antigas, etc, e as ferramentas e softwares utilizados.
3.1. Modelação baseada em agentes - ABM
Modelação baseada em agentes (em inglês agent-based
modeling), a partir de agora designado como ABM é um
novo paradigma de modelação e é um dos desenvolvimentos
práticos mais emocionantes em modelação desde a invenção
das bases de dados relacionais. ABM garante ter efeitos de
longo alcance sobre a forma como as empresas utilizam os
computadores para apoiar a tomada de decisões, e como
os investigadores utilizam os laboratórios eletrónicos para
apoiar suas investigações [8] [9].
O que é um agente?
Não existe uma concordância universal precisa sobre a
definição de agente. Portanto as definições existentes
possuem mais pontos convergentes do que divergentes
[8] [9]. Segundo [10] [11] [12] um agente é um sistema
de computador encapsulado situado em um ambiente, e
capaz de realizar uma ação flexível e autónoma nesse
ambiente, a fim de cumprir os seus os objetivos pelo qual
foi desenhado.
Outros modeladores consideram qualquer tipo de
componente independente (um computador, um modelo, um
individuo), como um agente [13]. Um comportamento de
um componente independente pode variar de simples, isto
é, regras de decisão reativas if-then, à modelos complexos
baseados em inteligência artificial [8]. Alguns autores
insistem que os comportamentos de um componente devem
ser adaptativos para serem considerados como agentes. A
terminologia agente é reservada a componentes que podem
aprender a partir dos seus ambientes, e mudarem os seus
comportamentos em função das suas experiências [8].
Cast [14] afirma que os agentes devem ter dois níveis de
regras, isto é, regras de nível base e regras de nível alto,
que é um conjunto de regras para mudar as regras. A
caraterística fundamental de um agente é a capacidade de
tomar decisões independentes [15].
ABM tem as suas origens no campo dos sistemas multi-
agentes e da robótica, áreas da inteligência artificial,
bem como na vida artificial. ABM não está unicamente
atado para intender e desenhar agentes artificiais. As suas
principais raízes estão na modelação do comportamento
social e organizacional humano na tomada de decisão
individual [13].
3.2. Caraterísticas dos agentes
Segundo Richiardi [6], os agentes podem ser qualquer
coisa desde células à entidade biológicas, de indivíduos à
grupos sociais como por exemplo famílias ou empresas.
Os agentes podem ser constituídos por outros agentes. A
única exigência é que eles devem ser percebidos como uma
unidade do exterior, que desempenham alguma tarefa, isto é,
os agentes têm a habilidade de agir, e possivelmente reagir
a um estímulo externo e interagir com o ambiente e outros
agentes. O ambiente, que pode incluir entidades físicas como
infraestruturas, localizações geográficas, etc, e instituições
como mercados, sistemas reguladores, etc.podem também
ser modelados em termos de agentes (como por exemplo,
um banco central, o livro de encomendas de uma bolsa de
valores, etc), sempre que as condições descritas acima sejam
atendidas [6].
Do ponto de vista prático [8] [9] [16] [17] [18] [19] consi-
deram como caraterísticas dos agentes as seguintes:
• Um agente é um indivíduo identificável, discreto ou
modular, com um conjunto de caraterísticas e regras
que conduzem o seu comportamento e capacidade de
tomada de decisão. Os agentes são auto-suficientes.
O requisito de discrição significa que um agente tem
um limite, e pode-se facilmente determinar se algo
é parte de um agente, não faz parte de um agente,
ou é uma caraterística compartilhada.
• Um agente é autónomo e auto-dirigido. Um agente
pode funcionar independentemente no seu ambiente,
e interagindo com outros agentes, para um intervalo
limitado de situações de seu interesse.
• Um agente é social, interagindo com outros agentes.
Os agentes têm protocolo de interação bem como
comunicação entre agentes. Os agentes têm a capa-
cidade de reconhecer e distinguir as particularidades
de outros agentes.
• Um agente está situado em um ambiente externo
com o qual interage, para além de outros agentes.
• Um agente pode ser dirigido por objetivo, tendo
objetivos a atingir com relação ao seu comporta-
mento. Isso permite a um agente comparar os seus
resultados com os objetivos que pretende atingir.
• Um agente é flexível, no sentido de ter a habilidade
de aprender e adaptar os seus comportamentos com
base na experiência (isto requer algum tipo de me-
mória). Por outra, um agente pode ter regras que
modificam as suas regras de comportamento.
Figura 1. Agente
Os agentes, dentro dos modelos baseados em agentes podem
no entanto ter em falta uma ou mais caraterísticas acima
apresentadas, dependendo do modelo em questão.
3.3. ABM - Influências
A modelação baseada em agentes (ABM) tem cone-
xão com outras áreas tais como a ciência da complexi-
dade, ciência de sistemas, dinâmica de sistemas, ciências da
computação, ciências de gestão, vários ramos das ciências
sociais e modelação e simulação tradicionais [8]. Pode-
se argumentar que os autómatos celulares (AC) são vistos
como os precursores computacionais da ABM [20] [5].
Umas das intenções do AC é de demonstrar comportamentos
complexos e interações entre entidades vizinhas, utilizando
regras simples de interações isoladas dentro de cada uma das
entidades simples [20] [21]. Um modelo notável de AC foi
o "Game of Life"[8] [22]. O Game of Life é uma tabela em
que as entidades (cada célula) mudam de cor utilizando uma
das três regras simples que determinam o próximo estado da
célula, baseadas em sua interação com as células vizinhas.
O Game of Life possui três regras que determinam o próximo
estado de cada célula (On ou Off), como foi abordado no
parágrafo anterior [8]:
• A célula será On na próxima geração se exatamente
três de suas oito células vizinhas atuais estiverem
On.
• A célula manterá o seu estado atual se exatamente
duas das suas células vizinhas estiverem On.
• Caso contrário a célula estará Off.
Com base no Game of Life, rapidamente descobriu-se que
certas condições iniciais na tabela conduziam a diferentes
padrões de comportamento, comportamentos esses que não
tiveram sido programados para o AC; Esses comportamentos

são vistos como cruciais para a ABM. Um aspeto interes-
sante da investigação dos AC, foram os esforços de inves-
tigação para replicar sistemas naturais baseados em regras
simples; como por exemplo capturar o comportamento de
um bando de aves, os movimentos de multidões de pessoas,
etc, que são vistos como o passo em direção aos sistemas
adaptativos complexos [20].
Para [8] ABM tem as suas raízes históricas diretas nos
sistemas adaptativos complexos, e na noção fundamental
de que os sistemas são construidos de baixo para cima
"ground-up"em detrimento dos sistemas top-down tomados
pelos sistemas dinâmicos. Os sistemas adaptativos com-
plexos [23] [24] [25] [26] [27] [28] têm a habilidade de
auto-organizarem-se e dinamicamente reorganizarem os seus
componentes de forma mais adequadas para viver em seus
ambientes, e esta capacidade adaptativa ocorre, notavel-
mente, sobre uma enorme gama de escalas.
3.4. Porquê a modelação baseada em agentes
(ABM)?
Com a explosão das tecnologias computacionais, a mo-
delação baseada em agentes tem sido bastante divulgada
entre as disciplinas das ciências sociais. Do ponto de vista da
investigação em ciências sociais, uma das mais significantes
caraterísticas da ABM, não é que investigadores podem
trabalhar com os dados primitivos e caracteres, que é similar
com outras linguagens de programação, mas sim que a
modelação baseada em agentes permite aos investigadores
definirem outros tipos de entidade (como por exemplo in-
divíduos, escolas ou armazéns), e as interações que são
relevantes para o seu próprio contexto. Isso providencia uma
oportunidade de introduzir não só indivíduos mas também
entidades importantes e objetos necessários para uma to-
mada de decisão autónoma em simulações sociais [29].
Porquê que a modelação baseada em agentes está a ser
altamente divulgada?
A resposta é que nós vivemos num mundo cada vez mais
complexo. Segundo Macal e North [8], os sistemas que pre-
cisamos analisar e modelar, estão a se tornar cada vez mais
complexos no que diz respeito as suas interdependências.
As ferramentas de modelação tradicionais já não são tão
aplicáveis como eram anteriormente.
3.5. O que é a Modelação baseada em agentes
(ABM)?
Os mundos artificiais construídos como modelos de si-
mulação cuja dinâmica pode ser observada, testada e testada
de novo servem como plataformas flexíveis de pesquisa e
apoio à decisão [29].
As definições observadas na literatura sobre modelação ba-
seada em agentes são bastante semelhantes como se pode
verificar nas definições abaixo.
Segundo Parunak et al. [30] a modelação baseada em agen-
tes consiste de um conjunto de agentes que encapsulam
os comportamentos dos vários indivíduos que constituem
Negócios e Organizações Sociedade e Cultura
- Operações de fabrico - Civilizações antigas
- Cadeias de fornecimento - Desobediência civil
- Mercados de consumo - Determinantes sociais do terrorismo
- Indústrias de seguro - Redes organizacionais
Economia Militar
- Mercados financeiros artificiais - Comando e controlo
- Redes comerciais - Force-on-force
Infraestrutura Biologia
- Transporte / tráfego - Dinâmica populacional
- Mercados de energia elétrica - Redes ecológicas
- Infraestrutura de hidrogénio - Comportamento de grupo animal
- Comportamento celular
e processos sub-celulares
Multidões
- Movimento de peões
- Modelação de evacuação
Tabela 1. ABM - ÁREAS DE APLICAÇÃO .
o sistema.
Gilbert [31] define ABM como um método computacional
que permite que um investigador crie, analise e experimente
modelos compostos por agentes que interagem dentro de
um ambiente. Para Kim e McGraw [29] ABM consiste de
agentes que podem tomar decisões autónomas e adaptativas,
utilizando informação local e regras que desencadeiam me-
canismos e processos sociais. A ABM pode acomodar tipos
de agentes heterogéneos e assimetrias em sistemas sociais
e pode ser facilmente escalada para um sistema maior com
muitos agentes.
3.6. ABM - Áreas de aplicação
A modelação baseada em agentes é aplicada em diversas
áreas [32] tais como por exemplo: a modelação do compor-
tamento de agentes no mercado de ações (stock market)
[33] [34] [35] e redes de fornecimento (supply chains) [36]
[37] [38], nos mercados de energia elétrica [39] [40] [41],
previsão de doenças [42] [43] [44] e guerras biológicas [45],
crescimento e declínio de civilizações antigas [46] [47], etc.
As aplicações de ABM variam desde modelos pequenos,
elegantes e minimalistas até aos sistemas de apoio a decisão
de grande escala. Os modelos minimalistas baseiam-se num
conjunto de suposições idealizadas, concebidas para capturar
apenas as características mais salientes de um sistema. Os
modelos de apoio a decisão tendem a ser aplicativos de
grande escala, projetados para responder a uma ampla gama
de questões do mundo real [8].
A tabela 1 [8] mostra de forma resumida a aplicação da
modelação baseada em agentes nas diversas áreas.
3.7. Ferramentas e softwares
Existem várias ferramentas e softwares concebidos para
serem utilizados na modelação baseada em agentes. A
modelação baseada em agentes pode ser feita utilizando
softwares gerais, ou seja, softwares que são amplamente
utilizados, ou pela utilização de linguagens de programa-
ção que permitem desenvolver aplicações e ferramentas a
medida.
A modelação baseada em agentes pode ser feita num ambi-
ente pequeno (em um Desktop), ou num ambiente de grande
dimensão utilizando clusters de computação em grande es-
cala [32]. Geralmente os projetos de ABM começam numa
escala pequena, isto é, utilizando ferramentas de ABM
existentes ou linguagens de programação que os developers
estão familiarizados, e depois evoluem para aplicações de-
dicadas em grande escala [8].
Macal e North [32] distinguem vários tipos de abordagem
para a construção de aplicações ABM em termos de escala
de software, como se pode observar a seguir:
Solução Desktop para o desenvolvimento de aplicações
ABM:
• Folhas de cálculo: Excel com VBA
• Ambientes de Prototipagem dedicados baseados em
agentes: Repast Simphony, NetLogo, StarLogo
• Sistemas matemáticos de computação geral: MA-
TLAB, Mathematica
Ambientes de desenvolvimento de larga escala:
• Repast
• Swarm
• MASON
• AnyLogic
• Outros
Linguagens de programação:
• Python
• Java
• C++
As soluções Desktop de sistemas de modelação baseados
em agentes (ABMS) podem ser utilizados para aprender a
modelação de agentes, fazer um protótipo básico do com-
portamento dos agentes e realizar análises limitadas. Essas
soluções podem ser simples, desenhadas e desenvolvidas
em poucos dias por um computador simples, utilizando
ferramentas que podem ser aprendidas num período de dias
ou semanas [32].
Grande parte dos ambientes de software de ABMS de
grande escala estão atualmente disponíveis gratuitamente.
Estes ambientes de software incluem: Repast [48], Swarm
[49], NetLogo [50], MASON [51] entre outros. Ferramentas
proprietárias como pro exemplo a AnyLogic [52], estão
também disponíveis [32].
4. Economia computacional baseada em agen-
tes - ACE (agent-based computational econo-
mics)
Economias de mercado descentralizadas são sistemas
adaptativos complexos, constituídos por grande número de
agentes adaptativos envolvidos em interações locais para-
lelas. Estas interações paralelas dão origem a regulações
macroeconómicas tais como protocolos de mercado parti-
lhados e normas comportamentais que por sua vez, remetem
à determinação das interações locais. O resultado é um
sistema dinâmico complicado de cadeias recorrentes que
conectam comportamentos individuais, redes de interação
e resultados de bem estar social [53] [54].
Este intrincado feedback bidirecional entre a micro-estrutura
e a macro-estrutura tem sido reconhecido dentro da eco-
nomia por muito tempo [53] [55] [56] [57]. No entanto,
durante grande parte deste tempo, têm sido escassos os
meios para modelar esse feedback quantitativamente em sua
completa complexidade dinâmica. Seguramente, os avanços
em ferramentas de modelação têm estado a ampliar a possi-
bilidade de economistas lidarem com os sistemas adaptativos
complexos [58] [59] [60] [61].
Uma maneira de lidar de forma bastante eficaz com esses
sistemas adaptativos complexos é implementar a computa-
ção económica baseada em agentes (agent-based computa-
tional economics - ACE), que é o estudo computacional de
economias modeladas como sistemas evolutivos de agentes
interativos autónomos [53] [62] [63].
A evolução das economias de mercado descentralizadas têm
sido estudadas em laboratórios computacionais sob con-
dições experimentais controladas. Segundo [53] [3] duas
preocupações básicas impulsionaram esse estudo. A pri-
meira é descritiva, focalizando na explicação construtiva
do comportamento global emergente. Respondendo à ques-
tões como por exemplo: Porquê determinadas regulações
globais evoluíram e persistiram em economias de mercado
descentralizadas reais, apesar da ausência da planificação e
controle de cima para baixo (top-down)? Como, especifica-
mente, essas regulações globais foram geradas de baixo para
cima (bottom-up), através das repetidas interações locais de
agentes interativos autónomos? E porquê essas regulações
particulares e não outras? A segunda preocupação é nor-
mativa, com foco no desenho do mecanismo. Dada uma
entidade económica particular, existente ou simplesmente
imaginária, quais são as implicações dessa entidade para
o desempenho da economia como um todo? Por exemplo,
como um determinado protocolo de mercado ou regula-
mento governamental pode afetar a eficiência económica?
Como funciona?
Nos laboratórios computacionais, os modeladores co-
meçam por construir uma economia com uma população
inicial de agentes. Estes agentes incluem não só os agentes
económicos como também outros agentes que representam
vários fenómenos sociais e ambientais. Especifica-se o es-
tado inicial da economia, definindo os atributos iniciais dos
agentes. Os atributos iniciais de um agente devem incluir
as caraterísticas, normas comportamentais, modos internos
de comportamento (incluindo modos de comunicação e
aprendizagem), e informações armazenadas sobre si mesmo
e outros agentes. Posteriormente a economia evolui ao longo
do tempo sem qualquer intervenção do modelador. Todos os
outros eventos a seguir são originados pelos dados históricos
das interações entre os agentes e o ambiente [53] [63].
A característica que define o modelo ACE é a sua base
construtiva nas interações de agentes adaptativos autónomos,
amplamente definidos para incluir entidades económicas,
sociais e ambientais. O estado de um ACE a cada instante
de tempo é dado pelos atributos internos dos agentes indivi-
duais que atualmente fazem parte da população económica
[63].
4.1. Aplicação da metodologia ACE
A metodologia ACE pode ser aplicada a uma variedade
diversa de tópicos económicos [1]. Nesta secção faz-se uma
descrição dos trabalhos que abordem a metodologia ACE
nos mercados de ações, mercados cambiais, mercados de
trabalho, e mercados de eletricidade.
4.1.1. ACE nos mercados de eletricidade. O sector de
energia elétrica continua a evoluir de estruturas monopolista
reguladas e verticalmente integradas, para mercados abertos
que promovem a concorrência entre fornecedores e oferecem
aos consumidores uma escolha de serviços [64].
Segundo Shun-kun e Jia-hai [64] o mercado de eletricidade
reestruturado é um sistema adaptativo complexo, composto
por múltiplos geradores concorrentes, consumidores e outros
participantes. Essas complexidades do mercado de eletrici-
dade dificultam a matemática ou ferramentas experimentais
de analisarem de forma adequada as regulações internas do
mercado de eletricidade. Sendo atualmente o mercado de
eletricidade um sistema adaptativo complexo, a ACE é uma
forma eficaz de lidar com a complexidade no mercado de
eletricidade.
Tianjiao et al. [65] realizaram um estudo experimental sobre
o efeito do congestionamento de rede na estabilização do
mercado de eletricidade. Estudo feito com base em um
sistema de simulação do mercado de eletricidade. Este tra-
balho (feito na China), estabeleceu uma base sólida para
a investigação do congestionamento de rede do mercado
de eletricidade. Segundo [65] a essência da simulação do
mercado de eletricidade com base na ACE é utilizar a
racionalidade limitada e o agente adaptativo para represen-
tar todos os membros do mercado e através da interação
(simulação) de cada agente individual no computador, obter
a caraterização da operação do mercado.
Conzelmann et al. [66] propuseram um sistema de simu-
lação do mercado de eletricidade (EMCAS), utilizando a
abordagem com base na modelação e simulação baseada
em agentes, para modelar o mercado de eletricidade como
um sistemas adaptativo complexo. A EMCAS fornece uma
framework baseada em agentes para capturar e investigar
as interações complexas entre as infraestruturas físicas e
o comportamento económico dos participantes do mercado
que são uma marca registada dos mercados emergentes. Esse
modelo foi aplicado na altura ao estudo de uma futura confi-
guração do mercado de energia em uma parte do Midwestern
nos Estados Unidos.
4.1.2. ACE nos mercados de ações. A modelação de
agentes aplicada à finanças tem tido grande atenção, es-
pecialmente no que diz respeito a modelação e simulação
do mercado de ações. Os mercados artificiais de ações têm
sido implementados com objetivo de fornecerem uma visão
bastante próxima da realidade dos mercados de ações.
Para Liu et al. [67] uma grande parte dos mercados artificiais
de ações foram desenvolvidos de uma forma complexa e não
foram adequados para estudar a dinâmica de curto prazo do
mercado de ações. [67] propõem um modelo diferente com
três partes principais do desenvolvimento de um mercado
artificial de ações. Estas partes são: o ambiente económico,
o comportamento dos agentes e a formação de preços. A
ideia fundamental de [67] é ter um modelo que melhor se
ajusta e prevê a realidade dos mercados de ações. Os autores
destacam como principal desafio a ausência de implementa-
ção de dinâmicas a curto prazo nos mercados artificiais de
ações.
JIAO et al. [68] desenvolveram um mercado artificial de
ações repetitivo, caraterizado por regras dos mercados de
ações da China (CHN-ASM) e analisaram o impacto das
regras de day trading sobre a rentabilidade dos comerciantes
e a qualidade do mercado através de simulações em ambi-
entes controlados. Através dessas simulações sob diferentes
status, os autores chegaram a conclusão que a negociação
diária (day trading) pode reduzir o risco de investimento dos
comerciantes, embora não possa melhorar significativamente
a qualidade do mercado, especialmente a eficiência.
4.1.3. ACE nos mercados cambiais. ALOud et al. [69]
propõem um modelo mínimo baseado em agentes para o
mercado cambial com o objetivo de identificar o conjunto de
elementos capazes de reproduzir a atividade de negociação
no mercado cambial. Esses elementos chave incluem os pre-
ços históricos, o comportamento dos negociantes, as ordens
de limite, as sessões de negociação no mercado de câmbio,
os feriados de mercado e a ativação da condição inicial. Esse
modelo permite a replicação da atividade de negociação de
negóciação no mercado cambial e, sobretudo, a identificação
dos elementos que podem ser responsáveis pela emergência
da atividade de negociação no mercado cambial.
Como investigação futura os autores propõem a modificação
do modelo para gerar preços artificiais que se assemelham
a série de preços de mercado cambial com o objetivo de
rastrear a origem do mercado, a fim de identificar o conjunto
de elementos que são responsáveis pela semelhança de pre-
ços no mercado cambial real. Outra direção de investigação
futura de [69] é a condução de uma análise microscópica
do comportamento dos agentes comerciais na tentativa de
compreender, identificar e medir as diferentes forças que
dirigem seu comportamento em várias situações.
4.1.4. ACE nos mercados de trabalhos. Tesfatsion [70]
faz um estudo experimental da relação entre capacidade de
trabalho, concentração de trabalho e poder de mercado no
contexto de um modelo computacional baseado em agentes
de um mercado laboral. A capacidade de trabalho é me-
dida pela relação entre aberturas de trabalho e ofertas de
trabalho, e concentração de trabalho é medida pela propor-
ção de fornecedores de trabalho para empregadores. Para
cada tratamento experimental, fornecedores de trabalho e
empregadores buscam repetidamente parceiros de trabalho
preferidos baseados na utilidade esperada continuamente
atualizada, engajados em interações de trabalho e evoluindo
seus comportamentos de local de trabalho ao longo do
tempo. Esse artigo de Tesfatsion investiga a evolução do
poder do mercado no contexto de uma framework compu-
tacional do mercado de trabalho com agentes interagindo
estrategicamente.
5. Principais áreas de investigação em ACE
Ao longo dos anos a investigação em ACE tem crescido
significativamente, e nesta perspetiva vários tópicos têm
tido bastante atenção por parte de investigadores. Estes
tópicos estão divididos de uma forma geral em oito áreas
de investigação: 1) aprendizagem e mente incorporada,
2) evolução das normas comportamentais, 3) modelação
bottom-up dos processos de mercado, 4) formação de redes
económicas, 5) modelação de organizações, 6) desenho de
agentes computacionais para mercados automatizados, 7)
experimentos paralelos com agentes reais e computacionais,
e 8) construção de laboratórios computacionais para ACE.
[63] [71] [72]. Apesar de [73] ter acrescentado mais doze
áreas de investigações nas oito, faz-se nesta secção apenas
uma descrição das oito principais áreas de investigação em
ACE.
5.1. Aprendizagem e mente incorporada
Investigadores da ACE e outros cientistas sociais orien-
tados computacionalmente têm utilizado uma ampla gama
de algoritmos para representar os processos de aprendiza-
gem de agentes computacionais [72]. Os algoritmos gené-
ticos têm sido amplamente utilizados por muitas aplica-
ções económicas [74]. Autores como por exemplo Chattoe
[75] fornece uma excelente discussão sobre o uso e uso
indevido de algoritmos genéticos, programação genética e
outras formas de representações de aprendizagem evolutiva
na modelação de processos sociais. Para além dos algoritmos
genéticos, outros tipos de algoritmos de aprendizagem têm
sido utilizados, tais como: Algoritmos de aprendizagem de
reforço baseado em ação [76], Q-learning [77], sistemas
classificadores [78] entre outros algoritmos de aprendizagem
[79] [80].
Muitos desses algoritmos de aprendizagem foram origi-
nalmente desenvolvidos com objetivo de otimização em
mente, portanto, a aplicação aos processos sociais deve
ser cuidadosa. Para modelos computacionais de processos
económicos automatizados, os algoritmos de aprendizagem
são devidamente motivados com base em critérios de oti-
mização [72]. Nesta perspetiva, o investigador pode adotar
um esquema em que as estratégias atuais dos agentes são
continuamente evoluídas com base em algum fitness, como
por exemplo a eficiência do mercado. Para modelos compu-
tacionais de processos económicos com participantes huma-
nos, os algoritmos de aprendizagem precisam incorporar as
caraterísticas salientes do comportamento humano real de
tomada de decisão.
5.2. Evolução das normas comportamentais
As normas podem ser vistas como um conjunto de regras
que conduzem as interações entre indivíduos de um mesmo
grupo. Segundo Axelrod [81], existe uma norma em um de-
terminado ambiente social na medida em que os indivíduos
geralmente agem de uma determinada maneira e são muitas
vezes punidos quando não são vistos a agir dessa maneira.
Para Axelrod, esta definição torna a existência de normas
uma questão de grau, que permite estudar o crescimento
e decadência das normas como um processo evolutivo.
Com base em experimentos computacionais (baseados em
agentes), Axelrod mostra a evolução da cooperação mútua
entre agentes não relacionados através da reciprocidade, com
pouco ou nenhum comportamento explícito e voltado para
o futuro por parte dos agentes.
Epstein e Axtell [81] utilizam experimentos computacionais
baseados em agentes para investigar como vários compor-
tamentos coletivos podem surgir a partir das interações de
agentes seguindo regras simples de comportamento.
5.3. Modelação bottom-up dos pocessos de mercado
Outra área de investigação da ACE é a capacidade de
auto-organização verificada em processos de tipos especí-
ficos de mercado. Tipos de mercado tais como: mercado
financeiro, mercado de eletricidade, mercado de trabalho,
recursos naturais, entretenimento, business-to-business, etc.
têm sido ativamente investigados.
5.4. Formação de redes económicas
Um aspecto importante de mercados imperfeitamente
competitivos com agentes estrategicamente interagindo é a
maneira pela qual os agentes determinam seus parceiros
de transação, o que afeta a forma das redes de transa-
ções que evoluem e persistem ao longo do tempo [72]. A
rede de pequenos mundos, tem estado a atrair a atenção
crescente dos economistas isso devido as suas capacidades
de otimização. Uma rede de pequeno mundo é uma rede
conectada com duas propriedades: (a) cada nó está ligado a
um conjunto relativamente bem conectado de nós vizinhos;
E (b) a presença de ligações de atalho entre alguns nós faz
com que o comprimento mínimo médio do caminho entre
nós seja pequeno. Essas redes têm conectividade local e
alcance global [82].
5.5. Modelação de organizações
Segundo Zandt [83] uma organização é um grupo de
indivíduos, mas nem todo o grupo de indivíduos é chamado
de organização. E portanto se o grupo tem um objetivo
ou critério de desempenho que transcende os objetivos dos
indivíduos dentro do grupo é considerado organização.
Apesar da modelação de organizações ser uma atividade
antiga, a mesma só teve grande evolução com o surgimento
da programação orientada aos objetos (POO). A utilização
de analogias com fenómenos organizacionais teve um papel
importante no desenvolvimento das linguagens de programa-
ção orientada aos objetos, tendo em conta que as mesmas
tentam modelar o mundo tal como é na realidade.
As organizações como sistemas adaptativos complexos, uti-
lizam na sua maioria a programação orientada aos objetos
[72]. Como se pode imaginar a modelação de organizações
continua a ser uma área bastante promissora em ACE.
5.6. Desenho de agentes computacionais para mer-
cados automatizados
A implementação de agentes computacionais para os
mercados automatizados trazem de certeza grande valor
às organizações. Os agentes computacionais uma vez bem
implementados, são sempre mais efetivos em operações
como por exemplo encontrar arranjos contratuais benéficos
em contextos de mercado [72].
Devido a grande eficiência dos agentes computacionais na
resolução de problemas, um grande número de investigado-
res tem trabalhado no desenho de agentes computacionais
para os mercados automatizados.
5.7. Experimentos paralelos com agentes reais e
computacionais
Em experimentações com humanos nunca é possível
saber porque um determinado indivíduo tomou uma deter-
minada decisão ou um conjunto de decisões. Já na experi-
mentação com agentes computacionais, o modelador define
o comportamento e as condições iniciais da experimentação.
O processo de aprendizagem evolutiva dos agentes, em
alguns casos não é realista. Portanto, uma combinação entre
agentes computacionais e humanos é bastante benéfico,
tendo em conta que se pode utilizar o comportamento
humano para guiar o processo de aprendizagem evolutiva
dos agentes computacionais e em contra-partida os compor-
tamentos dos agentes computacionais podem ser utilizados
para formular hipóteses relativamente às causas principais
dos comportamento humanos observados.
Miller e Andreoni [84] iniciaram os primeiros estudos so-
bre experimentação paralela entre agentes computacionais
e humanos. Outros trabalhos incluem de Chan et al. [85],
Andreoni e Miller [86], Arifovic [87] e Arthur [88].
5.8. Construção de laboratórios computacionais
para ACE
Um laboratório computacional é uma framework que
permite o estudo de sistemas de múltiplos agentes que
interagem por meio de experiências controladas e replicáveis
[72]. Geralmente os laboratórios computacionais possuem
uma interface gráfica fácil de utilizar que permite investiga-
dores sem muita competência em programação poder fazer
estudos computacionais relevantes. Por meio dos laborató-
rios computacionais os investigadores podem efetuar uma
série de testes no sistema, alterar os parâmetros chaves dos
agentes sem imprimir algum esforço em programação. A
implementação de laboratórios computacionais vai continuar
a ser uma área de investigação em ACE uma vez que siste-
mas cada vez mais acessíveis para modelação baseada em
agentes na economia serão sempre necessários para auxiliar
economistas sem muitas competências em programação a
efetuarem investigações computacionais profundas.
6. Desafios em aberto e direções de investiga-
ção em ACE
Pretende-se nesta secção descrever as questões (desa-
fios) em aberto e direções de investigação em ACE com
base nos vários artigos que foram referenciados no survey.
Inicialmente faz-se uma abordagem das questões em aberto
e direções de investigação para cada uma das oito áreas de
investigação da ACE que foram referidas neste survey com
base em [72] e [63].
Aprendizagem e mente incorporada
Os desafio em aberto nessa área têm a ver com como
modelar as mentes dos agentes computacionais que com-
põem as frameworks de ACE. Questões como: Essas mentes
devem ser vistas como máquinas lógicas em que se acres-
centam dados, ponto de vista tradicional da IA? [89] Ou de-
vem ser vistas como controladores de atividades embutidas
como é defendida pelos psicólogos evolucionários? [90] são
levantadas. Tendo em conta que esses agentes são modelados
em processos económicos do mundo real com participan-
tes humanos, é necessário perceber como implementar o
comportamento humano nos agentes computacionais para
garantir conteúdo preditivo.
Outra questão importante nesta área é perceber que tipo
de algoritmo deve ser implementado para uma determinada
situação, uma vez que nenhum algoritmo apresenta melhor
resultado para todas as situações.
Evolução das normas comportamentais
Nesta área de investigação têm surgido questões rela-
tivamente a: como os costumes de troca e outras normas
comportamentais importantes para os processos económicos
vêm a ser estabelecidos e quão estáveis são essas normas
ao longo do tempo?
Modelação bottom-up dos processos de mercado
Uma questão chave desta área de investigação está re-
lacionada com evolução dos mercados e outras instituições
económicas ligadas ao mercado. Esses mercados incluem os
mercados financeiros. mercados de eletricidade, mercado de
trabalho, mercado agrícola, etc [63].
Formação de redes económicas
O estudo das vias pela qual as redes de interação eco-
nómica são determinadas por meio de escolhas deliberadas
de parceiros tem sido a grande questão de interesse da área
de investigação em formação de redes económicas. Outra
questão importante desta área de investigação é perceber
quais redes de interação são importantes para prever os
resultados do mercado.
Modelação de organizações
Um dos grandes desafios da modelação de organizações
é otimizar os procedimentos organizacionais para se poder
alcançar os objetivos que se pretende. Questões relacionadas
com a relação entre a organização e as propriedades do
ambiente, estrutura e desempenho organizacional tem tido
grande interesse por parte dos investigadores.
Desenho de agentes computacionais para mercados
automatizados
O grande desafio desta área de investigação está relaci-
onado ao estudo e desenvolvimento de agentes computacio-
nais que garantam a otimização dos processos dos mercados.
Experimentos paralelos com agentes reais e com-
putacionais
A identificação da melhor maneira de proceder a combi-
nação de agentes humanos e agentes computacionais é um
dos grandes desafios desta área de investigação, atendendo
que agentes humanos e agentes computacionais possuem
comportamentos distintos. Portanto uma maneira de coloca-
los em um mesmo ambiente com vista a obter os melhores
resultados é um grande desafio.
Construção de laboratórios computacionais para
ACE
Alguns desafios também são encontrados nesta área de
investigação, no que diz respeito a construção dos labora-
tórios computacionais. Questões como: Será que se deve
desenvolver um laboratório computacional para cada aplica-
ção ou basta ter uma plataforma geral com várias facetas?
são levantadas. Uma outra preocupação dessa área é como
desenvolver plataformas que facilitem a interpretação dos
resultados por meio de gráficos e previnam os investigadores
de terem grandes skills em programação.
De modo geral os aspetos abordados nos pontos acima nesta
secção são os principais desafios da computação económica
baseada em agentes (ACE). Existem no entanto outras ques-
tões (desafios) em aberto que podem ser acrescentadas tais
como:
1) Como selecionar os algoritmos que apresentem os
melhores resultados em termos de desempenho?
2) Que algoritmo melhor se adequa a um determinado
caso?
3) Que tipo de combinações de algoritmos podem
ser implementados no intuito de se conseguir os
melhores resultados?
4) Como otimizar os parâmetros iniciais dos agentes
computacionais?
5) Como melhorar o desempenho dos algoritmos im-
plementados na ACE?
7. Conclusões
O presente survey faz uma incursão no que diz respeito
a computação económica baseada em agentes (ACE), onde
começou por descrever os vários trabalhos existentes sobre
a computação económica baseada em agentes, seguidamente
fez-se uma abordagem geral sobre a modelação baseada
em agentes, sua caraterização, as suas áreas de aplicação,
ferramentas e softwares utilizados. Mais adiante o survey
faz uma descrição detalhada da computação económica
baseada em agentes, o seu funcionamento, a aplicação da
metodologia em algumas áreas tais como: no mercado de
eletricidade, no mercado de ações, nos mercados cambiais
e nos mercados de trabalho, as oito principais áreas de
investigação da ACE referenciadas nos trabalhos anteriores e
finalmente os desafios e questões em aberto da computação
económica baseada em agentes.
Este suvey permitiu ter uma perceção bastante ampla da
área da computação económica baseada em agentes (ACE),
e identificar os principais desafios da área que poderão
conduzir a futuras investigações bastante interessantes.
Referências
[1] L. Tesfatsion, “Guest editorial agent-based modeling of evolutionary
economic systems,” IEEE Transactions on Evolutionary Computation,
vol. 5, no. 5, pp. 437–441, Oct 2001.
[2] ——, “Agent-based computational economics: Growing economies
from the bottom up,” Artificial Life, vol. 8, no. 1, pp. 55–82, Jan
2002.
[3] ——, “Agent-based computational economics: Modeling economies
as complex adaptive systems,” Inf. Sci. Inf. Comput. Sci.,
vol. 149, no. 4, pp. 263–269, Feb. 2003. [Online]. Available:
http://dl.acm.org/citation.cfm?id=762170.762174
[4] ——, “Introduction to the special issue on agent-based computational
economics,” Journal of Economic Dynamics and Control, vol. 25,
no. 3–4, pp. 281 – 293, 2001, agent-based Computational Economics
(ACE). [Online]. Available: http://www.sciencedirect.com/science/
article/pii/S0165188900000270
[5] S.-H. Chen, “Varieties of agents in agent-based computational
economics: A historical and an interdisciplinary perspective,”
Journal of Economic Dynamics and Control, vol. 36, no. 1, pp. 1 –
25, 2012. [Online]. Available: http://www.sciencedirect.com/science/
article/pii/S0165188911001692
[6] M. G. Richiardi, “Agent-based computational economics:
a short introduction,” The Knowledge Engineering
Review, vol. 27, no. 2, p. 137–149, Apr 2012.
[Online]. Available: https://www.cambridge.org/core/article/
div-class-title-agent-based-computational-economics-a-short-introduction-div/
38A8453D740FDCA45E15E335501D8FDF
[7] D. Phan, “Agent-based computational economics and cognitive
economics,” Dec 2003. [Online]. Available: http://www.gemass.fr/
dphan/papers/ACEPhan.pdf
[8] C. M. Macal and M. J. North, “Agent-based modeling and simulation:
Abms examples,” in 2008 Winter Simulation Conference, Dec 2008,
pp. 101–112.
[9] ——, “Tutorial on agent-based modeling and simulation,” in
Proceedings of the 37th Conference on Winter Simulation, ser. WSC
’05. Winter Simulation Conference, 2005, pp. 2–15. [Online].
Available: http://dl.acm.org/citation.cfm?id=1162708.1162712
[10] N. R. Jennings, “An agent-based approach for building complex
software systems,” Commun. ACM, vol. 44, no. 4, pp. 35–41, Apr.
2001. [Online]. Available: http://doi.acm.org/10.1145/367211.367250
[11] ——, “On agent-based software engineering,” Artificial Intelligence,
vol. 117, no. 2, pp. 277 – 296, 2000. [Online]. Available:
//www.sciencedirect.com/science/article/pii/S0004370299001071
[12] M. Wooldridge, “Agent-based software engineering,” 1997.
[13] E. Bonabeau, “Agent-based modeling: Methods and techniques for
simulating human systems,” Proceedings of the National Academy
of Sciences, vol. 99, no. suppl 3, pp. 7280–7287, 2002. [Online].
Available: http://www.pnas.org/content/99/suppl_3/7280.abstract
[14] J. Casti, Would-be worlds. New York: Wiley, 1997.
[15] N. R. Jennings, “On agent-based software engineering,” Artificial
intelligence, vol. 117, no. 2, pp. 277–296, 2000.
[16] C. Macal and M. North, “Introductory tutorial: Agent-based modeling
and simulation,” in Proceedings of the Winter Simulation Conference
2014, Dec 2014, pp. 6–20.
[17] C. M. Macal and M. J. North, “Introductory tutorial: Agent-based
modeling and simulation,” in 2013 Winter Simulations Conference
(WSC), Dec 2013, pp. 362–376.
[18] ——, “Introductory tutorial: Agent-based modeling and simulation,”
in Proceedings of the 2011 Winter Simulation Conference (WSC), Dec
2011, pp. 1451–1464.
[19] ——, “Tutorial on agent-based modeling and simulation part 2: How
to model with agents,” in Proceedings of the 2006 Winter Simulation
Conference, Dec 2006, pp. 73–83.
[20] C. W. Weimer, J. Miller, and R. R. Hill, “Agent-based modeling: An
introduction and primer,” in Winter Simulation Conference (WSC),
2016. IEEE, 2016, pp. 65–79.
[21] A. Adamatzky, Game of life cellular automata. Springer, 2010,
vol. 1.
[22] C. G. Langton et al., “Artificial life,” 1989.
[23] J. H. Miller and S. E. Page, Complex adaptive systems: An intro-
duction to computational models of social life. Princeton university
press, 2009.
[24] S. Chan, “Complex adaptive systems,” in ESD. 83 Research Seminar
in Engineering Systems, vol. 31, 2001.
[25] J. K. DeRosa, A. M. Grisogono, A. J. Ryan, and D. O. Norman, “A
research agenda for the engineering of complex systems,” in 2008
2nd Annual IEEE Systems Conference, April 2008, pp. 1–8.
[26] B. E. White, “Complex adaptive systems engineering (case),” IEEE
Aerospace and Electronic Systems Magazine, vol. 25, no. 12, pp. 16–
22, Dec 2010.
[27] ——, “A complex adaptive systems engineering (case) methodology
#x2014; the ten-year update,” in 2016 Annual IEEE Systems Confe-
rence (SysCon), April 2016, pp. 1–8.
[28] ——, “Complex adaptive systems engineering (case),” in 2009 3rd
Annual IEEE Systems Conference, March 2009, pp. 70–75.
[29] Y. Kim and C. McGraw, “Use of agent-based modeling for
e-governance research,” in Proceedings of the 6th International
Conference on Theory and Practice of Electronic Governance, ser.
ICEGOV ’12. New York, NY, USA: ACM, 2012, pp. 531–534.
[Online]. Available: http://doi.acm.org/10.1145/2463728.2463850
[30] H. Van Dyke Parunak, R. Savit, and R. L. Riolo, Agent-Based
Modeling vs. Equation-Based Modeling: A Case Study and Users’
Guide. Berlin, Heidelberg: Springer Berlin Heidelberg, 1998, pp.
10–25. [Online]. Available: http://dx.doi.org/10.1007/10692956_2
[31] N. Gilbert, Agent-based models. Sage, 2008, no. 153.
[32] C. M. Macal and M. J. North, “Agent-based modeling and simu-
lation,” in Proceedings of the 2009 Winter Simulation Conference
(WSC), Dec 2009, pp. 86–98.
[33] C. Gou, “Predictability of shanghai stock market by agent-based mix-
game model,” in 2005 International Conference on Neural Networks
and Brain, vol. 3, Oct 2005, pp. 1651–1655.
[34] V. Krishnamurthy and S. Bhatt, “Sequential detection of market
shocks with risk-averse cvar social sensors,” IEEE Journal of Selected
Topics in Signal Processing, vol. 10, no. 6, pp. 1061–1072, Sept 2016.
[35] H. Takahashi, “Analyzing the role of noise trader in financial markets
through agent-based modelling,” in 2014 IEEE 38th International
Computer Software and Applications Conference Workshops, July
2014, pp. 444–449.
[36] S. Chen, K. Tai, and Z. Li, “Evaluation of supply chain resilience
enhancement with multi-tier supplier selection policy using agent-
based modeling,” in 2016 IEEE International Conference on Indus-
trial Engineering and Engineering Management (IEEM), Dec 2016,
pp. 124–128.
[37] N. I. Arvitrida, S. Robinson, and A. A. Tako, “How do competition
and collaboration affect supply chain performance? an agent based
modeling approach,” in 2015 Winter Simulation Conference (WSC),
Dec 2015, pp. 218–229.
[38] D. Fang and W. Puqing, “Simulating the structural evolution in agri-
food supply chain: An agent-based model,” in 2015 7th International
Conference on Intelligent Human-Machine Systems and Cybernetics,
vol. 1, Aug 2015, pp. 214–219.
[39] K. Dehghanpour, H. Nehrir, J. Sheppard, and N. Kelly, “Agent-based
modeling of retail electrical energy markets with demand response,”
IEEE Transactions on Smart Grid, vol. PP, no. 99, pp. 1–1, 2016.
[40] J. Babic and V. Podobnik, “A review of agent-based modelling of
electricity markets in future energy eco-systems,” in 2016 Internati-
onal Multidisciplinary Conference on Computer and Energy Science
(SpliTech), July 2016, pp. 1–9.
[41] Y. Guo, H. Zhang, J. Dong, D. Shen, and J. Yin, “Simulation for pro-
motion of solar energy diffusion in residential consumer market with
agent-based modeling and random forest,” in 2014 Sixth International
Conference on Intelligent Human-Machine Systems and Cybernetics,
vol. 2, Aug 2014, pp. 301–304.
[42] W. W. L. Wong, Z. Z. Feng, and H. H. Thein, “A parallel sliding
region algorithm to make agent-based modeling possible for a large-
scale simulation: Modeling hepatitis c epidemics in canada,” IEEE
Journal of Biomedical and Health Informatics, vol. 20, no. 6, pp.
1538–1544, Nov 2016.
[43] F. Miksch, P. Pichler, K. J. P. Espinosa, K. S. T. Casera, A. N.
Navarro, and M. Bicher, “An agent-based epidemic model for dengue
simulation in the philippines,” in 2015 Winter Simulation Conference
(WSC), Dec 2015, pp. 3202–3203.
[44] M. Saravanan, P. Karthikeyan, A. Arathi, M. Kiruthika, and S. Su-
ganya, “Mobile agent-based approach for modeling the epidemics
of communicable diseases,” in 2013 IEEE/ACM International Con-
ference on Advances in Social Networks Analysis and Mining (ASO-
NAM 2013), Aug 2013, pp. 16–20.
[45] K. M. Carley, D. B. Fridsma, E. Casman, A. Yahja, N. Altman,
L.-C. Chen, B. Kaminsky, and D. Nave, “Biowar: scalable agent-
based model of bioattacks,” IEEE Transactions on Systems, Man,
and Cybernetics - Part A: Systems and Humans, vol. 36, no. 2, pp.
252–265, March 2006.
[46] B. Craenen, P. Murgatroyd, G. Theodoropoulos, V. Gaffney, and
V. Suryanarayanan, “Mwgrid: A system for distributed agent-based
simulation in the digital humanities,” in 2012 IEEE/ACM 16th In-
ternational Symposium on Distributed Simulation and Real Time
Applications, Oct 2012, pp. 124–131.
[47] X. R. Campillo, J. M. Cela, and F. X. H. Cardona, “Simulating
archaeologists? using agent-based modelling to improve battlefield
excavations,” Journal of Archaeological Science, vol. 39, no. 2,
pp. 347 – 356, 2012. [Online]. Available: //www.sciencedirect.com/
science/article/pii/S0305440311003475
[48] M. J. North, N. T. Collier, and J. R. Vos, “Experiences creating
three implementations of the repast agent modeling toolkit,” ACM
Trans. Model. Comput. Simul., vol. 16, no. 1, pp. 1–25, Jan. 2006.
[Online]. Available: http://doi.acm.org/10.1145/1122012.1122013
[49] E. Bonabeau, M. Dorigo, and G. Theraulaz, Swarm Intelligence:
From Natural to Artificial Systems. New York, NY, USA: Oxford
University Press, Inc., 1999.
[50] “Netlogo 6.0 user manual.” [Online]. Available: https:
//ccl.northwestern.edu/netlogo/docs/
[51] S. Luke, G. C. Balan, K. Sullivan, and L. Panait, “Mason multiagent
simulation toolkit.” [Online]. Available: http://cs.gmu.edu/~eclab/
projects/mason/
[52] “Multimethod simulation software the only simulation tool that
supports discrete event, agent based, and system dynamics
simulation.” [Online]. Available: https://www.anylogic.com//
[53] L. Tesfatsion et al., “Agent-based computational economics: A brief
guide to the literature,” Iowa State University, 2000.
[54] T. Yu, “Scaling in different dynamic regimes of a multi-agent stock
market model,” in 2010 Third International Joint Conference on
Computational Science and Optimization, vol. 1, May 2010, pp. 143–
146.
[55] F. A. Hayek, Individualism and economic order. University of
chicago Press, 1948.
[56] T. C. Schelling, Micromotives and macrobehavior. WW Norton &
Company, 2006.
[57] M. Olson, The logic of collective action. Harvard University Press,
2009, vol. 124.
[58] W. B. Arthur, S. N. Durlauf, and D. A. Lane, The economy as an
evolving complex system II. Addison-Wesley Reading, MA, 1997,
vol. 28.
[59] D. F. Batten, “Discovering artificial economics,” How agents learn
and, 2000.
[60] R. H. Day and P. Chen, Nonlinear dynamics and evolutionary eco-
nomics. Oxford University Press Oxford, 1993.
[61] J. M. Epstein and R. Axtell, Growing artificial societies: social
science from the bottom up. Brookings Institution Press, 1996.
[62] L. Tesfatsion, Preferential partner selection in evolutionary labor
markets: A study in agent-based computational economics. Berlin,
Heidelberg: Springer Berlin Heidelberg, 1998, pp. 13–24. [Online].
Available: http://dx.doi.org/10.1007/BFb0040755
[63] ——, “Agent-based computational economics: modeling economies
as complex adaptive systems,” Information Sciences, vol. 149, no. 4,
pp. 262 – 268, 2003. [Online]. Available: //www.sciencedirect.com/
science/article/pii/S0020025502002803
[64] Y. Shun-kun and Y. Jia-hai, “Agent-based computational economics:
methodology and its application in electricity market research,” in
2005 International Power Engineering Conference, Nov 2005, pp.
1–415.
[65] T. Pu, N. Chen, W. Wang, Y. Li, and G. Liu, “The research of elec-
tricity market stability simulation under different congestion degree
based on ace,” in 2014 China International Conference on Electricity
Distribution (CICED), Sept 2014, pp. 1273–1279.
[66] G. Conzelmann, G. Boyd, V. Koritarov, and T. Veselka, “Multi-agent
power market simulation using emcas,” in IEEE Power Engineering
Society General Meeting, 2005, June 2005, pp. 2829–2834 Vol. 3.
[67] X. Liu, J. Yang, and B. Tang, “A new agent-based artificial stock
market with short-term dynamics,” in 2007 International Conference
on Wireless Communications, Networking and Mobile Computing,
Sept 2007, pp. 4089–4092.
[68] H. ying, S. cun, and W. Cheng, “The impact of day trading on traders’
profitability and market quality: Results from agent-based simulations
of china’s stock market,” in 2010 IEEE International Conference on
Software Engineering and Service Sciences, July 2010, pp. 644–647.
[69] M. Aloud, E. Tsang, A. Dupuis, and R. Olsen, “Minimal agent-based
model for the origin of trading activity in foreign exchange market,” in
2011 IEEE Symposium on Computational Intelligence for Financial
Engineering and Economics (CIFEr), April 2011, pp. 1–8.
[70] L. Tesfatsion, “Concentration, capacity and market power in an
evolutionary labor market,” in Evolutionary Computation, 2000. Pro-
ceedings of the 2000 Congress on, vol. 2. IEEE, 2000, pp. 1033–
1040.
[71] L. Tesfatsion and K. L. Judd, Handbook of computational economics:
agent-based computational economics. Elsevier, 2006, vol. 2.
[72] L. Tesfatsion, “Agent-based computational economics: Growing eco-
nomies from the bottom up,” Artificial life, vol. 8, no. 1, pp. 55–82,
2002.
[73] ——, “Intro materials and research area sites.” [Online]. Available:
http://www2.econ.iastate.edu/tesfatsi/aapplic.htm
[74] H. Dawid, Adaptive learning by genetic algorithms: Analytical results
and applications to economic models. Springer Science & Business
Media, 2011.
[75] E. Chattoe, “Just how (un)realistic are evolutionary algorithms
as representations of social processes?” 2016. [Online]. Available:
http://ljournal.ru/wp-content/uploads/2016/08/d-2016-154.pdf_2016
[76] R. S. Sutton and A. G. Barto, Reinforcement learning: An introduc-
tion. MIT press Cambridge, 1998, vol. 1, no. 1.
[77] C. J. C. H. Watkins, “Learning from delayed rewards,” Ph.D. disser-
tation, University of Cambridge England, 1989.
[78] J. H. Holland, Adaptation in natural and artificial systems: an intro-
ductory analysis with applications to biology, control, and artificial
intelligence. MIT press, 1992.
[79] G. J. Tesauro and J. O. Kephart, “Foresight-based pricing algorithms
in an economy of software agents,” in Proceedings of the
First International Conference on Information and Computation
Economies, ser. ICE ’98. New York, NY, USA: ACM, 1998, pp. 37–
44. [Online]. Available: http://doi.acm.org/10.1145/288994.289002
[80] S. Gjerstad and J. Dickhaut, “Price formation in double auctions,”
Games and Economic Behavior, vol. 22, no. 1, pp. 1 – 29, 1998.
[Online]. Available: http://www.sciencedirect.com/science/article/pii/
S0899825697905765
[81] R. M. Axelrod, The complexity of cooperation: Agent-based models
of competition and collaboration. Princeton University Press, 1997.
[82] “Collective dynamics of ’small-world’ networks (pdf).”
[Online]. Available: http://www.stevenstrogatz.com/articles/
collective-dynamics-of-small-world-networks-pdf
[83] T. Van Zandt, “Organizations with an endogenous number of informa-
tion processing agents,” Organizations with incomplete information,
pp. 239–305, 1998.
[84] J. H. Miller, J. Andreoni et al., A coevolutionary model of free riding
behavior: Replicator dynamics as an explanation of the experimental
results. Social Systems Research Institute, University of Wisconsin,
1990.
[85] N. T. Chan, B. LeBaron, A. W. Lo, and T. Poggio, “Agent-based
models of financial markets: A comparison with experimental mar-
kets,” Unpublished Working Paper, MIT Artificial Markets Project,
MIT, MA, 1999.
[86] J. Andreoni and J. H. Miller, “Auctions with artificial adaptive
agents,” Games and Economic Behavior, vol. 10, no. 1, pp. 39 – 64,
1995. [Online]. Available: //www.sciencedirect.com/science/article/
pii/S089982568571024X
 [87] J. Arifovic, “Genetic algorithm learning and the cobweb
model*,” Journal of Economic Dynamics and Control, vol. 18,
1994. [Online]. Available: https://pdfs.semanticscholar.org/b07c/
2f2583e16bff8f31cb5b29bea3a6c98d33f3.pdf
[88] W. B. Arthur, “On designing economic agents that behave like human
agents,” Journal of Evolutionary Economics, vol. 3, no. 1, pp. 1–22,
1993. [Online]. Available: http://dx.doi.org/10.1007/BF01199986
[89] S. Franklin, Artificial minds. MIT press, 1995.
[90] A. Clark, Being there: Putting brain, body, and world together again.
MIT press, 1998.

View publication stats