A hálózati ellenálló képesség elemzése az autóiparban alkalmazott agent-alapú modellek segítségével lehetőséget ad arra, hogy jobban megértsük a különböző szereplők közötti interakciók dinamikáját, valamint a hálózati struktúrák változásait a különböző zavarok és perturbációk hatására. A hálózati elemek (szállítók, cégek és kiskereskedők) közötti kapcsolatok és azok különböző jellemzői jelentős hatással vannak a hálózat fejlődésére, különösen abban az esetben, ha bizonyos csomópontokat eltávolítanak vagy módosítanak.

A szállítók és a cégek közötti döntési funkciók egyértelműen meghatározzák a kapcsolatokat, mivel a szállítók a saját piaci pozíciójuk, a múltbeli tapasztalataik és a folyamatok áramlása alapján hoznak döntéseket, míg a cégek ezen tényezők mellett figyelembe veszik a szállítók termékminőségét és a szállítók határidőre való teljesítését is. Ezzel szemben a kiskereskedők és az utópiaci cégek közötti kapcsolatok más típusú tényezőket figyelembe véve alakítják ki döntéseiket, például a kiskereskedők hálózati méretét és termékek ár-érték arányát.

A különböző adatbázisok és a csomópontok eltávolításának szimulációja során kiderül, hogy a hálózat fejlődése szoros összefüggésben áll a csomópontok típusával és az azok közötti interakciók számával. A szállítók, cégek és kiskereskedők közötti kapcsolatok erőssége, a volumenek és az eladások, valamint a csomópontok közötti kapcsolatok száma meghatározzák a hálózat dinamikáját és ellenálló képességét. A különböző adatbázisok különböző típusú csomópontokkal történő kiegészítése lehetőséget ad arra, hogy megértsük, hogyan változik a hálózat viselkedése, amikor új szereplők lépnek be a rendszerbe.

A három különböző adatbázis (1. adatbázis: 9 szállító, 3 cég, 7 kiskereskedő; 2. adatbázis: 9 szállító, 3 cég, 13 kiskereskedő; 3. adatbázis: 9 szállító, 5 cég, 13 kiskereskedő) eltérő konfigurációval rendelkezik, ami lehetővé teszi, hogy megvizsgáljuk, hogyan változik a hálózat evolúciója a csomópontok számának növekedésével és a verseny fokozódásával. A szimulációk során kiderült, hogy a csomópontok eltávolítása (különösen azoké, amelyek kevesebb eladást generálnak, vagy nem kapcsolódnak más csomópontokhoz) jelentős hatással van a hálózat ellenálló képességére.

A szimulációk során a legnagyobb figyelmet a csomópontok közötti kapcsolatok áramlásának és azok erősségének különbségeire kell fordítani. A csomópontok közötti kapcsolatok erőssége és a kapcsolatok számának növekedése kulcsszerepet játszanak a hálózat rugalmasságában. Például, ha egy szállító, amely kulcsfontosságú szereplő a hálózatban, eltávolításra kerül, akkor az egész hálózat stabilitása veszélybe kerülhet, mivel a többi csomópont (például cégek és kiskereskedők) elveszíthetik a kapcsolatot a központi szereplővel.

A hálózat evolúcióját befolyásolják a piaci pozíciók, a kapcsolatok kiterjedtsége, valamint a szállítók és kiskereskedők közötti ár-érték arány. A szimulációk segítenek megérteni, hogy miként reagál a hálózat különböző perturbációkra, és hogyan változnak a kapcsolatok, ha bizonyos csomópontok eltávolításra kerülnek. A különböző adatbázisokban végzett szimulációk mutatják, hogy a verseny fokozódása és a különböző típusú csomópontok számának növekedése hogyan változtatja meg a hálózat működését, és miként képes alkalmazkodni a zavarokhoz.

Fontos, hogy a hálózatok tervezése és fenntartása során figyelembe kell venni a csomópontok közötti kapcsolatok típusát és számát, valamint a verseny hatásait. A verseny növekedése nemcsak a piaci szereplők közötti interakciókat fokozza, hanem az egész hálózat stabilitását és ellenálló képességét is befolyásolja. A modellek és szimulációk segítenek abban, hogy jobban megértsük ezeket a dinamikákat, és olyan stratégiákat dolgozzunk ki, amelyek erősítik a hálózatok ellenálló képességét és versenyképességét.

Hogyan építsünk és finomítsunk ügynökalapú modelleket a komplex rendszerek viselkedésének modellezésére?

Az ügynökalapú modellezés (ABM) az emberi és társadalmi viselkedés dinamikájának elemzésében kulcsfontosságú szerepet játszik, különösen akkor, amikor komplex rendszerek viselkedését próbáljuk előre jelezni vagy megérteni. Az ABM alapvetően a rendszer egyes részeinek, vagyis az ügynököknek a viselkedését és interakcióit modellezi. Az ügynökök lehetnek emberek, szervezetek, eszközök vagy akár kémiai részecskék, amelyeket az adott szimulációban kölcsönhatásba léptetünk egymással. A modellezési folyamat több szakaszra oszlik, amelyeket fokozatosan végig kell vezetni annak érdekében, hogy pontos és hasznos eredményeket kapjunk.

Az első szakaszban, az ötletelés fázisában, az ügynökalapú modellünk papíralapú vázlata készül el. Ez az úgynevezett "papírmodell" az ügynökök közötti interakciók és kapcsolatok ábrázolása, amely lehetővé teszi a rendszer viselkedésének előrejelzését és azonosítását. Ilyenkor még nem dolgozunk valódi adatokkal, hanem elméleti szinten azokat a kapcsolati hálókat és visszajelzési hurkokat próbáljuk felmérni, amelyek a rendszerben létezhetnek. Fontos, hogy a modellben az ok-okozati hurkokat (causal loop diagrams) is rögzítsük, amelyek meghatározzák a rendszer működésének stabilitását és dinamikáját. A modell finomítása során az ügynökhálózatok és azok viselkedése egyre inkább összetettebbé válik. Az első döntést akkor kell meghoznunk, hogy valóban ügynökalapú modellt szeretnénk-e építeni, mivel a célok és az elérhető adatok hiánya esetén akár el is állhatunk a további munkától.

A következő fázisban, a modellépítés és finomítás szakaszában, létrehozzuk a modell prototípusát. Az ügynökök, entitások és azok kölcsönhatásainak kezdeti egyszerűsített mintája segítségével indítjuk el a szimulációkat, hogy a kezdeti viselkedéseket és jelenségeket megfigyelhessük. Ahogy egyre több entitást és összetettebb interakciókat adunk hozzá, a modell egyre inkább képes lesz valós viselkedéseket reprodukálni. A cél ebben a szakaszban, hogy a modell korai változata már tükrözze a valós adatokat, és ha szükséges, finomítsuk azokat, hogy az előrejelzések egyre pontosabbak legyenek. A finomítás folyamatos, iteratív folyamat, amely biztosítja, hogy a modell megbízható eredményeket adjon, mielőtt alkalmazásra kerülne. Az ügynökalapú modellek előrejelzéseit rendszeresen össze kell vetni a valós adatokkal, és ha eltérés mutatkozik, akkor további módosításokat kell végezni a modellen.

Miután a modell elérte a szükséges szintű megbízhatóságot, következik a harmadik fázis, a bevezetés és karbantartás. Ebben a szakaszban a modellt skálázhatóvá kell tenni, hogy nagyobb léptékben és valós környezetben is alkalmazható legyen. A rendszer teljesítménye és sebessége kulcsfontosságú, mivel az ügynökalapú modellek rendkívül erőforrás-igényesek lehetnek, különösen akkor, ha széleskörű adatokkal dolgozunk. Fontos, hogy a rendszer karbantartásához szükséges eljárások, valamint a változásokra való reagálás megfelelő módon történjenek, hogy az ügynökalapú modellek folyamatosan értékes és pontos döntéstámogatást nyújtsanak.

A modellek alkalmazásának folyamatos figyelemmel kísérése és frissítése elengedhetetlen ahhoz, hogy az ügynökalapú modellek valódi értéket nyújtsanak az üzleti és tudományos döntéshozatalban. A valós környezet dinamikája folyamatosan változik, és az ügynökalapú modellek sikeressége abban rejlik, hogy képesek alkalmazkodni ezekhez a változásokhoz, és új, eddig ismeretlen összefüggéseket is felismerni.

Bár az ügynökalapú modellezés folyamata alapvetően három fázisból áll, fontos megérteni, hogy ezek a szakaszok nem lineárisak, és gyakran szükséges az egyes fázisok közötti iterációk végrehajtása. Az ügynökalapú modellek alkalmazásának növekvő népszerűsége és jelentősége mellett kiemelten fontos a modellezési módszerek folyamatos fejlesztése. Az ilyen modellek nem csupán a viselkedések reprodukálására, hanem azok megértésére és előrejelzésére is szolgálnak, amely segíti a különböző szakterületeken dolgozó kutatókat és döntéshozókat.

A jövőben az ügynökalapú modellezés területén a további kutatás szükséges, különösen a kalibrálási és skálázási technikák fejlesztésére. Az együttműködés a megerősítéses tanulással és a fejlettebb rendszerdinamikai modellezési technikákkal új lehetőségeket nyithat meg a komplex viselkedések pontosabb modellezésében. Az ügynökalapú modellek alkalmazásával új módszerek és technológiák integrálásával jelentős előrelépés várható a jövőben.

Hogyan befolyásolta a COVID-19 a keresletet az egészségügyben és a kiskereskedelemben?

A COVID-19 világjárvány globális hatásai nemcsak az egyének életét, hanem az egész gazdaságot és a különböző iparágakat is mélyrehatóan befolyásolták. Az egészségügy, különösen a kórházak rendszere, az elején szinte a vihar közepévé vált, és az operatív, pénzügyi és stratégiai kérdések komplex köre kísérte végig a pandémia első hónapjait. Az orvosi ellátás kereslete az ország különböző régióiban eltérő volt, ami egy sor prognózist és modellezési megközelítést kívánt, hogy a különböző forgatókönyvekre válaszolni lehessen.

Az egészségügyi szektort különösen a kórházi ágyak iránti kereslet befolyásolta. Kezdetben a COVID-19 betegek ellátására összpontosítottak, de hamarosan felmerült az igény a más típusú kórházi kezelések iránt is, mint például a szív- és érrendszeri műtétek, gerincműtétek és egyéb elektív beavatkozások. Azonban két fontos tényező határozta meg a keresletet: az orvosi beavatkozás sürgőssége és a páciensek által érzékelt félelem a COVID-19 fertőzéstől. A félelem jelentősen csökkentette a kórházi látogatások számát, még akkor is, amikor a kórházak rendelkezésére álltak a szükséges kapacitások a nem COVID-19-es betegek ellátására.

A kereslet alakulása három kulcsfontosságú tényezőtől függött: a kormányzati intézkedésektől, a betegek személyes félelmeitől és az orvosi beavatkozás elhalasztásának következményeitől. Az egészségügyi szakemberek számára a legfontosabb kérdés az volt, hogyan mérjék fel az orvosi beavatkozások sürgősségét és a beteg félelmeit, hogy ezáltal pontosabban modellezhessék a jövőbeni keresletet. Az egyes beavatkozások keresletét különböző forgatókönyveken alapozták meg: optimista forgatókönyv (U), két hullámos forgatókönyv (W), és többszörös hullámos forgatókönyv (W*). Az előrejelzések szerint a kereslet visszaállása különböző sebességgel történt, és a nem sürgős beavatkozások kereslete a legnagyobb mértékben a korlátozások enyhítésétől és a fertőzés iránti félelemtől függött.

A kórházi rendszer működése mellett az egyes orvosi kezelések kereslete közvetlenül befolyásolta a pénzügyi kérdéseket is. Az Egyesült Államokban a kórházak a betegek biztosítási státusza alapján kaptak visszatérítést a kezelésekért, ami bizonyos mértékig előre jelezhető volt a normál időszakokban. A pandémia alatt azonban az egészségügyi finanszírozás kiszámíthatatlan lett, mivel a munkanélküliségi szint, a kormányzati gazdaságélénkítő intézkedések és a vakcina elérhetősége mind befolyásolták az ellátás finanszírozási modelljeit. Az előrejelzések szerint a biztosítók és a biztosítottak közötti változások, valamint a COVID-19 elleni küzdelem mértéke alapvető hatással volt a kórházak pénzügyi stabilitására és működési hatékonyságára.

Ezen kívül a telemedicina egyre nagyobb szerepet kapott a járvány alatt. A betegek félelme és a személyes orvosi látogatások elkerülésének vágya miatt a távgyógyászat, mint alternatív megoldás, gyors növekedésnek indult. A Medicare szolgáltatásai például 63-szoros növekedést mutattak 2019 és 2020 között, amikor a telefonos és videós konzultációk száma drámai módon megugrott. Ez a trend más biztosítási kategóriákban is megfigyelhető volt, és hosszú távon a telemedicina elterjedése komoly változásokat hozott az egészségügyi ellátás struktúrájában.

A kiskereskedelem kereslete is jelentős változásokon ment keresztül a világjárvány alatt. Míg bizonyos szektorok, mint például az online szolgáltatások iránti kereslet, növekedtek, addig mások, mint a benzin és a gázolaj iránti kereslet, jelentősen csökkentek. A kereslet csökkenésének hatása különböző iparágakban eltérő volt, de az egész gazdaságra gyakorolt hatása továbbra is érezhető. A kiskereskedelmi szektor számára a legnagyobb kihívást az okozta, hogy gyorsan alkalmazkodjanak a változó fogyasztói szokásokhoz és az egészségügyi kockázatok elkerüléséhez kapcsolódó új igényekhez. A boltok és éttermek látogatottságát az emberek biztonsági félelmei, a kormányzati intézkedések és az otthoni munkavégzés elterjedése erősen befolyásolták.

A keresletmodellezés ezen ágazatok számára lehetőséget adott arra, hogy jobban előre jelezhessék a jövőbeni trendeket és ennek megfelelően alakíthassák stratégiáikat. A gazdasági előrejelzések pontosabbá váltak, miközben a szektoroknak alkalmazkodniuk kellett a folyamatosan változó helyzethez. Az olyan modellek, mint a kereslet- és kínálati szimulátorok, segítettek a kórházaknak és a kiskereskedőknek a jövőbeli igényekhez való alkalmazkodásban, figyelembe véve az olyan tényezőket, mint a lakosság félelme, a kormányzati intézkedések hatása és a gazdasági helyzet. A jövőben az ilyen típusú szimulációk továbbra is kulcsfontosságúak lesznek a gazdasági szektorok számára, hogy jobban felkészülhessenek a hasonló világjárványokra vagy más globális válságokra.

Hogyan tanulhatnak a játékosok a Megbocsátásos Játék segítségével?

A Reinforcement Learning (megerősítő tanulás) alkalmazásának legfőbb motivációja a Megbocsátásos Játék (Ultimátum Játék) kontextusában az volt, hogy megvizsgáljuk, vajon a játékosok képesek-e a játékelméleti egyensúlyt kizárólag tapasztalataik révén felfedezni, anélkül, hogy explicit módon programoznánk őket a játékra. A megerősítő tanulás alapját képezi az a jelenség, hogy az egyének hajlamosak olyan cselekvéseket választani, amelyek a múltban magasabb jutalmat eredményeztek, míg elkerülik azokat, amelyek alacsonyabb kifizetést hoztak. Ez a viselkedés-pszichológia hagyományos tanulási modellje, amely az utóbbi évtizedekben a közgazdászok érdeklődésének középpontjába került.

Azonban a megerősítő tanulás egyik legfontosabb jellemzője, hogy nem a környezet explicit modellezésére épít, hanem a cselekvések hatásainak folyamatos kiértékelésére. Más típusú tanulási modellekhez képest, mint a felügyelt tanulás, amely helyes válaszokat ad a rendszer számára, a megerősítő tanulás az aktív kísérletezésre épít, azaz a környezet folyamatos próbálgatására és tapasztalatgyűjtésre.

A Megbocsátásos Játékban a játékosok két szerepet tölthetnek be: az egyik javaslatokat tesz, míg a másik elfogadhatja vagy elutasíthatja ezeket. A felajánlások mértéke és a játékosok döntései segíthetnek abban, hogy a rendszer egy olyan döntési szabályt tanuljon meg, amely összhangban van a játékelméleti egyensúly elméletével, még akkor is, ha a játékosok nem rendelkeznek előzetes ismeretekkel a játékelméletről.

A Le Gléau és munkatársai által alkalmazott iterált több-ügynökös változat, ahol a játékosok az érme megosztásának szabályai szerint hoznak döntéseket, a Reinforcement Learning (RL) segítségével eredményeket ért el. A kutatók mesterséges neurális hálózatot használtak a játékszabályoknak megfelelő ajánlatok meghatározására, amelyeket a tanuló ügynökök számára tettek elérhetővé.

A saját Reinforcement Learning alapú implementációnk során a Q-learning módszert alkalmazzuk, amely lehetővé teszi számunkra, hogy modellezés nélkül kezeljük a környezetet. A Q-learning az egyik legismertebb és legnépszerűbb megerősítő tanulási módszer, mivel nem szükséges előzetes információkat gyűjteni a környezetről. A Q-learning esetében két mátrixot alkalmazunk: az egyiket a javaslattevő ügynökhöz, a másikat pedig a válaszadó ügynökhöz. Mindkét ügynök számára meghatározzuk az állapot-cselekvés párokat és az ezekhez tartozó várt jutalmakat, hogy az ügynök a tapasztalatok alapján megtanulja, mikor érdemes cselekedni és mikor nem.

A Q-mátrixok kialakítása fontos része a tanulási folyamatnak. A válaszadó ügynök számára létrehozott mátrix három oszlopból áll. Az első oszlop azokat az ajánlatokat mutatja, amelyek a válaszadónak felajánlásra kerültek. A második oszlop azokat az ajánlatokat tartalmazza, amelyeket a válaszadó elfogadott, míg a harmadik oszlop azokat az ajánlatokat tartalmazza, amelyeket a válaszadó elutasított. Az ügynök ekkor a múltbeli tapasztalatai alapján, a mátrix frissítése révén, folyamatosan javítja döntéshozatali képességét.

A kód implementálásának része a fő fájl, a main.py, amely az alapvető logikát és ciklusokat tartalmazza a játékosok közötti interakciók kezelésére. A javaslattevő ügynök és a válaszadó ügynök közötti interakciók iterációk sorozataként zajlanak. Az epsilon-greedy algoritmus alkalmazása lehetővé teszi, hogy a rendszer a kezdeti fázisokban inkább az új lehetőségek feltárására összpontosítson, majd később, a tanulás előrehaladtával inkább a meglévő ismeretek kihasználására.

A Reinforcement Learning tehát nem csupán egy egyszerű tanulási algoritmus, hanem egy dinamikus és folyamatos alkalmazkodást jelent a változó környezethez. A játékelméleti egyensúly megtalálása, ahogy azt a Megbocsátásos Játékban is láthatjuk, nem mindig a gyorsan elérhető optimális megoldást jelenti, hanem a hosszú távú tanulási folyamat eredményeként alakul ki.

Fontos megérteni, hogy a megerősítő tanulás nem csupán egy matematikai modell, hanem egy olyan eszköz, amely a valódi, dinamikusan változó helyzetekhez is alkalmazkodni képes. A rendszer folyamatosan képes finomítani döntéseit a múltbeli tapasztalatok alapján. A siker kulcsa az, hogy a tanulási folyamatot soha ne tekintsük befejezettnek, mivel mindig van lehetőség az optimalizálásra és az alkalmazkodásra.

Hogyan modellezhetjük a fertőzések terjedését a társadalomban?

A fertőzés terjedését modellező rendszerek megértése kulcsfontosságú lehet a járványok előrejelzésében és az egészségügyi döntéshozatalban. Az alábbiakban bemutatott modell egy szimulációs alapú megközelítést alkalmaz, amely az egyes személyek mozgását és állapotváltozásait követi, miközben figyelembe veszi a fertőzés terjedésének különböző dinamikáit.

A modell alapját a különböző állapotokba sorolt egyének képezik: egészségesek (:S), fertőzöttek (:I), gyógyultak (:R), illetve meghaltak (:D). A modellben az egyének valós térképen mozognak, és kölcsönhatásba lépnek egymással a kijelölt közterületeken. Minden egyes egyén esetében figyelemmel kísérjük a fertőzés terjedését, a mozgásukat, valamint az egyéb paramétereket, mint a fertőzési időszak vagy a halálozási arány.

A modellezés során több kulcsparamétert állítunk be. A kezdeti fertőzöttek számától (initial_infected) kezdve a fertőzési időszak hosszán (infection_period) át, egészen a fertőzés terjedési sebességére (transmission_radius) és a mozgás valószínűségére (movement_prob) terjednek a beállítások. Az egyének mozgását a modellezés során a térképen kijelölt kedvelt helyek (fav_places) befolyásolják, miközben a modellel való kölcsönhatás hatására a fertőzés előrehaladása és terjedése folyamatosan nyomon követhető.

Az egyének mozgásának modellezése a legnagyobb kihívást jelenti. A mozgás nemcsak a fertőzött személyek, hanem az egészségesek esetében is meghatározó tényező, mivel a fertőzés könnyebben terjed, ha az egyének egymáshoz közel tartózkodnak. Az egyes egyének minden lépése hatással van a fertőzés terjedésére: ha a fertőzött személyek másokkal találkoznak, az egy új fertőzési láncot indíthat el. A modellezés lehetőséget ad arra is, hogy a fertőzöttek karanténba kerüljenek, amennyiben a rendszer ezt előírja.

A fertőzés halálos kimenetele szintén egy fontos tényező. A modell az egyes fertőzötteket egy-egy időpontban vizsgálja, és ha a fertőzési időszakuk eléri a meghatározott időtartamot, akkor a fertőzött személyek a fertőzés következtében elhalálozhatnak egy előre meghatározott halálozási arány alapján.

A fertőzés továbbadásának modellezése több lépésből áll. Az egyes fertőzött személyek a környezetükben található egészséges személyeket fertőzhetik meg, ha azok ugyanabban a közterületen tartózkodnak. A fertőzés továbbadásának valószínűsége az egyén állapotától és a másik személy fertőzöttségi állapotától függ. Ha a másik személy már fertőzött, vagy korábban meggyógyult, akkor a fertőzés átvitele valószínűtlen. Azonban a frissen fertőzött személyek magasabb fertőzési kockázattal bírnak.

A modell célja, hogy nyomon kövesse, hogyan változik a fertőzés mértéke a különböző időpontokban. Ehhez olyan statisztikai mutatókat gyűjtünk, mint a fertőzött (nI), egészséges (nS), gyógyult (nR) és elhunyt (nD) egyének száma, és az adatokat grafikus formában jelenítjük meg, hogy láthatóvá váljon a járvány alakulása.

A szimulációk segítenek megérteni, hogyan hatnak a különböző paraméterek, például a fertőzési időszak hossza, a fertőzés terjedési sebessége és a mozgás lehetőségei a járvány dinamikájára. A modell segítségével előrejelezhetjük a fertőzés terjedését, és tesztelhetjük különböző szcenáriókat, például a karantén intézkedések vagy a vakcináció hatásait.

Fontos megérteni, hogy az ilyen típusú modellek nem adnak egyértelmű válaszokat, de segíthetnek a járványkezelési döntések előkészítésében. Mivel a modellezés során a szimulált világ nem minden részlete tükrözi pontosan a valóságot, fontos, hogy az eredmények csak iránymutatásként szolgáljanak, és további valós adatokkal legyenek alátámasztva.

A fertőzés dinamikájának megértéséhez nemcsak az egyes paraméterek szerepe fontos, hanem az is, hogy hogyan kapcsolódnak egymáshoz. Az egyéni döntések, mint például a mozgás vagy a kontaktusok száma, alapvetően befolyásolják a járvány alakulását. A modellezés lehetőséget biztosít arra, hogy ezeket a komplex összefüggéseket feltárjuk és jobban megértsük, hogyan reagálhatnak a közösségek a járványokra különböző körülmények között.

Hogyan segítik az ügynökalapú modellek a társadalmi és gazdasági viselkedés elemzését?
Hogyan alakíthatjuk ki a termékek alkalmazkodó dizájnját?
Hogyan diagnosztizálják és kezelik az anginát?
Milyen regeneratív orvosi stratégiák alkalmazhatók a húgyhólyag javítására és helyreállítására?