modelime ekonomike tË bazuara nË sisteme me …zhvillimet e shumta në fushën e inteligjencës...

REPUBLIKA E SHQIPËRISË

UNIVERSITETI I TIRANËS

FAKULTETI I EKONOMISË

DEPARTAMENTI I STATISTIKËS DHE INFORMATIKËS SË ZBATUAR

DISERTACION

MODELIME EKONOMIKE TË BAZUARA NË

SISTEME ME AGJENTË INTELIGJENT

Në kërkim të gradës shkencore “Doktor i shkencave”

Kandidati: Udhëheqës:

Igli Hakrama Prof. Dr. Neki Frashëri

Tiranë, 2019

i

DEKLARATË E ORIGJINALITETIT

Unë i nënshkruari Igli Hakrama, deklaroj me përgjegjësi të plotë personale se ky punim

përfaqëson punimin tim origjinal, përveç materialeve të referuara sipas rregullave të

shkrimit akademik për kërkim shkencor. Gjithashtu deklaroj se ky punim nuk është

përdorur më parë në Universitetin e Tiranës apo edhe në universitete të tjera.

Igli Hakrama

Tiranë, 2019

© Copyright: Igli Hakrama, Tiranë, 2019

Përmbajtja e këtij punimi është totalisht autentike. Të gjitha të drejtat e rezervuara.

ii

ABSTRACT

The continuous developments in the field of artificial intelligence have created new opportunities for the

use of techniques in different fields. One of the major contributors of the artificial intelligence is the

economic field through the many techniques it provides by developing solutions to economic problems.

Nowadays, there exist many economic problems that need new and better problem-solving techniques.

The successive economic crises have shocked the worldwide scientific community and the need to study

the economy by using a new approach has become very necessary. Agent-based modeling is a new

method used in many different domains and its usage in economic field might be a solution of these

problems. This method allows building economic models based on intelligent agent and to analyze them

through simulations. These simulations are also known in literature as artificial economy.

In this work, it is included a detailed literature research on the topic. Initially it is analyzed the possibility

of applying agent-based models in economy, where new requirements of their development are

identified. Then the research continues over the possibility of building economic models based on

intelligent agent systems, where different development tools and methodologies are analyzed for their

development. Later, it is considered the development of two experimental agent-based models for a

specific economic problem developed by using two different development tools. As a further research

work, it is taken into consideration an artificial economy model as a new approach of economic study,

which is designed and built by using two different development tools. Detailed development steps are

given for such simulation models, whom may be used as a future reference for developing future similar

models. This research work ends with a comparison of the used methods and suggestions for the

development of future artificial economies.

Keywords: agent-based modeling, intelligent agent, artificial economy, multi-agent system

iii

ABSTRAKT

Zhvillimet e shumta në fushën e inteligjencës artificiale kanë hapur horizonte të reja të përdorimit të

teknikave të saj në fusha të ndryshme. Fusha e ekonomisë qëndron si një nga kontribuuesit më të mëdhenj

në fushën e inteligjencës artificiale në saj të teknikave të zhvilluara për zgjidhjen e problemeve të saj. Në

ditët e sotme qëndrojnë një numër i madh problemesh në fushën ekonomike që kërkojnë një studim të

ndryshëm nga teknikat e përdorura deri më tani. Krizat e njëpasnjëshme ekonomike kanë tronditur të

gjithë komunitetin shkencor dhe nevoja e studimit ekonomik me një qasje të re është bërë tashmë më se

e nevojshme. Modelimi i bazuar në agjentë është një metodë e re e përdorur në shumë fusha të ndryshme

dhe zbatimi i saj në fushën ekonomike është një zgjidhje e mundshme e problemeve të saj. Kjo metodë

lejon ndërtimin e modeleve ekonomike të bazuara në agjentë inteligjent dhe analizimin e tyre me anë të

simulimeve. Këto simulime njihen ndryshe në literaturë edhe me emrin ekonomia artificiale.

Në këtë punim është përfshirë një hulumtim i gjerë në literaturë. Fillimisht është analizuar mundësia e

përdorimit të modeleve të bazuara në agjentë në ekonomi, ku edhe janë identifikuar hapësira për zhvillim

të tyre. Më tej është hulumtuar mbi mundësinë e ndërtimit të modeleve ekonomike të bazuara në sisteme

me agjentë inteligjent, ku janë analizuar mjetet zhvilluese dhe metodologjitë e ndryshme për ndërtimin

e tyre. Në vazhdim të punimit është trajtuar zhvillimi i dy modeleve eksperimentale të bazuara në agjentë

të ndërtuara për një problem specifik ekonomik të zhvilluara me dy mjete të ndryshme zhvillimi. Më tej

në punim trajtohet modeli i një ekonomie artificiale si një qasje e re studimi ekonomik, e cila është

projektuar dhe zhvilluar duke përdorur dy mjete të ndryshme të zhvillimit. Në të tregohen me detaje

hapat e ndërtimit të këtyre modeleve simuluese, të cilat mund të përdoren në ndërtimin e modeleve të

ngjashme në të ardhmen. Ky punim përfundon me një krahasim të metodave të përdorura dhe sugjerime

për krijimin e ekonomive artificiale të ardhshme.

Fjalë Kyçe: modelimi i bazuar në agjentë, agjent inteligjent, ekonomia artificiale, sisteme multi-agjent

iv

FALENDERIME

Në përfundim të kësaj pune disa vjeçare që ishte rrjedhojë e një pune të vazhdueshme

dhe sfide me vetveten për përfundimin e saj, dua të falënderoj të gjithë ata që më kanë

mbështetur gjatë këtij udhëtimi.

Një falënderim i veçantë shkon për udhëheqësin tim Akademik Prof. Dr. Neki Frashëri

për sugjerimet e vyera dhe mbështetjen e plotë gjatë këtij punimi. Gjithashtu dua të

falenderoj kolegun tim Prof. Dr. Betim Çiço, i cili me këshillat e tij më ka inkurajuar

për përfundimin e kësaj pune dhe Prof. Dr. Kozeta Sevrani për mbështetjen e dhënë

gjatë këtyre viteve në kryerjen e këtij punimi. Falenderoj edhe stafin e Departamentit

të Statistikës dhe Informatikës së Zbatuar, të gjithë kolegët dhe miqtë që më kanë

mbështetur përgjatë këtij udhëtimi shkencor.

Dua të falenderoj me përzemërsi edhe familjen time për mbështetjen dhe inkurajimin e

vazhdueshëm që më kanë dhënë gjatë gjithë periudhës së punimit të kësaj pune

doktorature.

v

PËRMBAJTJA

DEKLARATË E ORIGJINALITETIT ................................................................... I ABSTRACT .............................................................................................................. II ABSTRAKT............................................................................................................. III FALENDERIME..................................................................................................... IV

PËRMBAJTJA ..........................................................................................................V LISTA E TABELAVE .......................................................................................... VII LISTA E FIGURAVE.......................................................................................... VIII LISTA E KODEVE...................................................................................................X LISTA E SHKURTIMEVE ................................................................................... XI

KAPITULLI 1: PËRMBLEDHJE E STUDIMIT ............................................... 1 1.1. Hyrje ....................................................................................................... 1

1.2. Qëllimi i studimit .................................................................................... 2

1.3. Objektivat e Kërkimit ............................................................................. 3 1.4. Analiza e literaturës, pyetjet kërkimore dhe hipotezat ........................... 3 1.5. Metodologjia e përdorur ......................................................................... 5 1.6. Struktura e studimit ................................................................................ 6

KAPITULLI 2: NJË KËNDVËSHTRIM HISTORIK ....................................... 8 2.1. Hyrje ....................................................................................................... 8

2.2. Historiku i Inteligjencës Artificiale ........................................................ 8 2.3. Inteligjenca Artificiale dhe Ekonomia ................................................. 13 2.4. Përfundime ........................................................................................... 15

KAPITULLI 3: EKONOMIA ARTIFICIALE ................................................. 16 3.1. Hyrje ..................................................................................................... 16

3.2. Sisteme komplekse adaptuese .............................................................. 20

3.3. Ekonomia llogaritëse e bazuar në agjentë ............................................ 23

3.4. Tipat e agjentëve të propozuar ............................................................. 31 3.5. Përfundime ........................................................................................... 35

KAPITULLI 4: MODELIMI DHE SIMULIMI I BAZUAR NË AGJENT ... 37 4.1. Hyrje ..................................................................................................... 37 4.2. Modelimi dhe Simulimi ........................................................................ 38 4.3. Zhvillimi i konceptit të agjentit ............................................................ 50 4.4. Sistemet multi-agjent ............................................................................ 53 4.5. Përfundime ........................................................................................... 58

KAPITULLI 5: ANALIZA DHE KRAHASIME TË METODAVE

ZHVILLUESE TË NJË MODELI SIMULIMI ME AGJENT .......................... 60 5.1. Hapat për ndërtimin e një modeli simulimi me agjentë ....................... 60 5.2. Modelimi dhe zhvillimi i ABM-ve ....................................................... 64

5.3. Modelimi dhe zhvillimi i MAS ............................................................ 68 5.4. Rast Studimi: EURACE dhe Jamel ...................................................... 75 5.5. Përfundime ........................................................................................... 80

KAPITULLI 6: NJË ANALIZË KRAHASUESE TË ZHVILLIMIT TË DY

MODELEVE SIMULUESE TË BAZUARA NË AGJENT ................................ 82 6.1. Hyrje ..................................................................................................... 82 6.2. Modelimi dhe simulimi i terminalit detar me NetLogo ....................... 82 6.3. Modelimi dhe ndërtimi i një magazine virtuale me Jason .................... 89 6.4. Një vlerësim krahasues ......................................................................... 99

vi

KAPITULLI 7: MODELIMI DHE NDËRTIMI I NJË EKONOMIE

ARTIFICIALE ME MJETIN E ZHVILLIMIT REPAST ............................... 102 7.1.Hyrje .................................................................................................... 102 7.2. Përshkrimi i modelit të ekonomisë artificiale ..................................... 102 7.3. Analiza e modelit të ekonomisë artificiale ......................................... 104

7.4. Veçoritë e mjetit të zhvillimit Repast ReLogo ................................... 112 7.5. Projektimi i modelit ............................................................................ 113 7.6. Ndërtimi i mjedisit simulues të ekonomisë artificiale ........................ 119

KAPITULLI 8: PROJEKTIMI DHE NDËRTIMI I NJË EKONOMIE

ARTIFICIALE ME MJETIN E ZHVILLIMIT JACAMO.............................. 126 8.1. Hyrje ................................................................................................... 126 8.2. Veçoritë e mjetit të zhvillimit JaCaMo .............................................. 126 8.3. Projektimi i Ekonomisë artificiale ...................................................... 134

8.4. Ndërtimi i ekonomisë artificiale me JaCaMo ..................................... 140

KAPITULLI 9: ANALIZIM DHE KRAHASIM I REZULTATEVE

EKSPERIMENTALE TË EKONOMISË ARTIFICIALE ............................... 147 9.1. Hyrje ................................................................................................... 147

9.2. Përshkrimi i të dhënave eksperimentale dhe rezultateve të marra ..... 147 9.3. Analiza e rezultateve të nxjerra nga simulimet ................................. 149

9.4. Përfundime dhe krahasime ................................................................. 156

KAPITULLI 10: KONKLUZIONE DHE REKOMANDIME ...................... 161 10.1. Përmbledhje e punës kërkimore ....................................................... 161 10.2. Konkluzione ..................................................................................... 163 10.3. Rekomandime dhe punë të mëtejshme ............................................. 164

10.4. Kontributi i punimit .......................................................................... 165

REFERENCAT ..................................................................................................... 166

APENDIKS / SHTOJCA ...................................................................................... 182 Appendix A / Shtojca A ............................................................................ 182

vii

LISTA E TABELAVE

Tabela 3-1: Ngjashmëritë midis automatës qelizore dhe dinamikës socialekonomike 18

Tabela 3-2: Kufizimet e teorisë ekonomike dhe veçoritë e simulimit ......................... 19

Tabela 4-1: Hapat e modelimit dhe simulimit ............................................................. 41

Tabela 4-2: Ndryshimet midis modeleve tradicionale dhe ABM-ve ........................... 49

Tabela 5-1: Krahasime midis mjeteve ABM ............................................................... 67

Tabela 5-2: Tabelë përmbledhëse me veçoritë e metodologjive ................................. 71

Tabela 5-3 Ndryshimet midis mjeteve të zhvillimit MAS ........................................... 74

Tabela 6-1: Rezultatet për çdo funksion shërbimi dhe vinça ....................................... 88

Tabela 6-2: Ndryshimet themelore midis NetLogo dhe Jason................................... 101

Tabela 9-1: Të dhënat e kompjuterit .......................................................................... 147

Tabela 9-2: Të dhënat fillestare eksperimentale ........................................................ 147

Tabela 9-3: Tabelë përmbledhëse rezultatesh ............................................................ 148

Tabela 9-4: Koha e marrjes së rezultateve të ekonomive artificiale .......................... 156

Tabela 9-5: Ndryshimet themelore midis RePast ReLogo dhe JaCaMo ................... 158

viii

LISTA E FIGURAVE

Figura 3-1 Sisteme komplekse adaptuese .................................................................... 22

Figura 3-2 Llojet e eksperimenteve me subjekte njerëzore dhe agjent kompjuterik ... 29

Figura 3-3 Agjenti Softuerik ekonomik nën këndvështrimin ndërdisiplinar ............... 32

Figura 4-1 Modelimi dhe simulimi në këndvështrimin shkencor ................................ 40

Figura 4-2 Arkitektura BDI ......................................................................................... 55

Figura 4-3 Modelimi i një mjedisit me disa agjentë .................................................... 57

Figura 5-1 Hapat e ndërtimit të simulimit ABM me zhvillim rritës dhe përsëritës ..... 62

Figura 5-2 Modeli ekonomik EURACE ...................................................................... 76

Figura 5-3 Struktura e mjetit të zhvillimit FLAME ..................................................... 78

Figura 5-4 Simulimi i ekonomisë në Jamel ................................................................. 79

Figura 6-1 Përshkrimi i veprimeve në sheshin e magazinimit ..................................... 83

Figura 6-2 Paraqitja e modelit simulues të terminalit .................................................. 88

Figura 6-3 Paraqitja me tre dimensione e simulimit .................................................... 88

Figura 6-4 Diagrami i aktiviteteve suimlejn të furnizimit me artikull ......................... 91

Figura 6-5 Diagrami i sekuencave për nxjerrjen e artikujve ........................................ 92

Figura 6-6 Skema strukturore e simulatorit të magazinës virtuale .............................. 93

Figura 6-7 Skema strukturore e simulatorit të magazinës virtuale .............................. 98

Figura 7-1 Rrjedha e ndërveprimeve të modelit të ekonomisë artificiale .................. 102

Figura 7-2 Njësitë ekonomik, rolet dhe lidhjet midis tyre në ekonominë artificiale . 103

Figura 7-3 Diagrami me raste përdorimi për Individin .............................................. 105

Figura 7-4 Diagrami i aktiviteteve të punës ............................................................... 106

Figura 7-5 Diagrami me raste përdorimi për Firmën ................................................. 107

Figura 7-6 Diagrami i aktiviteteve për punësim-prodhim ......................................... 108

Figura 7-7 Diagrami sekuence për individin dhe firmën ........................................... 114

Figura 7-8 Diagrami sekuencë i menaxhimit të pasurisë së individit ........................ 116

Figura 7-9 Diagrami sekuencë për veprimet e depozitimit dhe huamarrjes .............. 117

Figura 7-10 Diagrami klasë i modelit të ekonomisë artificiale .................................. 118

Figura 7-11 Ndërfaqja grafike e simulimit ................................................................ 124

Figura 8-1 Pamja e tre dimensioneve të mjetit JaCaMo ............................................ 132

Figura 8-2 Struktura mjetit të zhvillimit JaCaMo ...................................................... 133

Figura 8-3 Diagrami Sekuencë e menaxhimit të parave ............................................ 136

Figura 8-4 Diagrami sekuencë i punësimit ................................................................ 138

Figura 8-5 Diagrami klasë që përmbledh MAS, artefaktet me klasat mbështetëse ... 139

Figura 8-6 Struktura e ndërtimit të ekonomisë artificiale .......................................... 140

ix

Figura 8-7 Paneli i konfigurimeve në JaCaMo .......................................................... 141

Figura 9-1 Grafikët e produktit të brendshëm bruto në ekonomitë artificiale ........... 150

Figura 9-2 Grafikët e totalit të inventarëve në ekonomitë artificiale ......................... 150

Figura 9-3 Grafikët e të dhënave financiare të firmave në ekonomitë artificiale ...... 151

Figura 9-4 Grafikët e rendimentit të firmave në ekonomitë artificiale ...................... 152

Figura 9-5 Grafikët e çmimeve mesatare të produkteve në ekonomitë artificiale ..... 152

Figura 9-6 Grafikët e kërkesë-ofertës totale në ekonomitë artificiale ....................... 153

Figura 9-7 Grafikët e pagës bazë mesatare për lloj firme në ekonomitë artificiale ... 153

Figura 9-8 Grafikët e të dhënave financiare të personave në ekonomitë artificiale .. 154

Figura 9-9 Grafikët e interesave bankar në ekonomitë artificiale .............................. 155

Figura 9-10 Grafikët e likuiditetit bankar në ekonomitë artificiale ........................... 155

x

LISTA E KODEVE

Lista 6-1: Inicializimit të agjentëve në NetLogo ......................................................... 85

Lista 6-2: Inicializimi me vlera të simulimit në NetLogo ............................................ 86

Lista 6-3: Logjika e hapave në funksionin “go” .......................................................... 87

Lista 6-4: Logjika e zgjedhjes së kamionit me funksion shërbimi CL ........................ 87

Lista 6-5: Konfigurimet bazë të MAS për simulimin e magazinës ............................. 94

Lista 6-6: Kryerja e veprimeve nga agjenti koordinator .............................................. 95

Lista 6-7: Besimet dhe sjelljet e agjentit paketues pirun ............................................. 96

Lista 6-8: Logjika e kryerjes së veprimeve me anë të klasës “WareEnv.java” ........... 97

Lista 7-1: Logjika e ndërtimit të një agjenti me ReLogo ........................................... 112

Lista 7-2: Krijimi, vendosjet dhe hapat e një simulimi me ReLogo .......................... 113

Lista 7-3: Përcaktimi i të dhënave hyrëse në panelin e përdoruesit ........................... 120

Lista 7-4: Monitorimi i kërkuesve të punës nga klasa UserObserver ....................... 120

Lista 7-5: Krijimi i agjentëve në metodën ‘setup()’ të klasës UserObserver ............ 121

Lista 7-6 Thirrja e agjentëve nga metoda ‘go()’ e klasës UserObserver ................... 122

Lista 7-7: Hapat e sjelljeve të agjentit Person dhe kontrolli i pagës më të mirë në klasën

“Person.groovy” ......................................................................................................... 123

Lista 8-1: Shembull sintakse për besimet, planet dhe qëllimet në Jason ................... 127

Lista 8-2: Shembull i veprimeve të brendshme në Jason ........................................... 128

Lista 8-3: Shembull i ndërveprimit me artefakte në Jason ........................................ 129

Lista 8-4: Shembull i krijimit të artefaktit “ArtEnv” ................................................. 130

Lista 8-5: Konfigurimi i mjedisit simulues në JaCaMo ............................................. 141

Lista 8-6: Krijimi i artefaktit “Panel” dhe arritja e krijimit të agjentëve në agjentin

koordinator ................................................................................................................. 142

Lista 8-7: Planifikimi kohor i simulimit dhe thirrja e veprimeve ditore të agjentëve në

agjentin koordinator ................................................................................................... 142

Lista 8-8: Operacionet e punësimit në artefaktin ‘FirmEnv.java’ ............................. 144

Lista 8-9: Disa nga veprimet e klasës funksionale rnd .............................................. 145

Lista 8-10: Inicializimi i besimeve për secilin agjent të ekonomisë artificiale .......... 145

xi

LISTA E SHKURTIMEVE

ABM Agent-Based Modeling

ACE Agent-based Computational Economics

ACL Agent Communication Language

AGI Artificial General Intelligence

AQ Automata Qelizore

AOP Agent-Oriented Programming

AOSE Agent-Oriented Software Engineering

BDI Belief-Desire-Intention

CAS Complex Adaptive Systems

DAI Distributed Artificial Intelligence

DES Discrete Event System

DSGE Dynamic Stochastic General Equilibrium

EOP Environment-Oriented Programming

EWA Experienced-Weighted Attraction

GIS Geographic Information System

IA Inteligjenca Artificiale

IPL Information Processing Language

IoT Internet of Things

JVM Java Virtual Machine

KQML Knowledge Query and Manipulation Language

MAS Multi-Agent System

ML Machine Learning

MVC Model-View-Controller

OOP Object Oriented Programming

OR Operational Research

PBB Produkti i Brendshëm Bruto

RMI Remote Method Invocation

UML Unified Modeling Language

XML eXtensible Markup Language

1

KAPITULLI 1: PËRMBLEDHJE E STUDIMIT

1.1. Hyrje

Për një kohë të gjatë, ekonomistët janë përpjekur të studiojnë ekonominë duke përdorur

modele matematikore lehtësisht të përcaktueshme prej tyre. Shumë prej këtyre

modeleve janë bazuar mbi disa supozime jo realiste të ekonomisë dhe duke supozuar

kushte perfektë që duheshin plotësuar. Shumë prej politik bërësve në ekonomi kanë

marrë vendime bazuar mbi këto modele, dhe shumë prej tyre kanë dështuar në

supozimet e tyre duke e çuar ekonominë në kriza të njëpasnjëshme të saj. Për këtë arsye

shumë kërkues janë munduar të përdorin metoda të tjera për të studiuar ekonominë dhe

shumë prej këtyre metodave janë të bazuara në përdorimin e kompjuterëve.

Zhvillimet e shumta teknologjike të dhjetëvjeçarëve të fundit kanë shtyrë kërkues nga

fusha të ndryshme të gjejnë zgjidhje me anë të metodave kompjuterike. Një nga nxitësit

kryesorë të këtij zhvillimi është padyshim fusha ekonomike me problemet e saj të

shumta që lidhen edhe me probleme reale të përditshmërisë njerëzore. Modelet

matematikore të përdorura në fushën ekonomike kanë dhënë një ndikim shumë të madh

në zhvillimin e fushës informatike. Kjo në vetvete ka ndikuar më tej në përdorimin e

sistemeve kompjuterike në zgjidhjen e shumë problematikave të fushës ekonomike. Në

këtë këndvështrim shohim zgjidhje në lidhje me mbledhjen, përpunimin statistikor dhe

analizimin e të dhënave. Në këtë zhvillim të ndërsjellët të këtyre dy fushave, në pamje

pa ndonjë lidhje të drejtpërdrejt me njëra tjetrën, në vitet e fundit i është shtuar edhe

fusha e inteligjencës artificiale (IA). Kjo fushë e lindur nga bashkimi i shumë

koncepteve nga disiplina të ndryshme dhe e aplikuar kryesisht në fushën e informatikës,

ka dhënë një kontribut të madh në zgjidhjen e shumë problemeve që janë komplekse në

natyrën e tyre. Ndër konceptet e saj më të spikatura është koncepti i agjentit, i cili është

i huazuar nga fusha e studimit të ekonomisë por i trajtuar në një këndvështrim të ri.

Në ditët e sotme shihet një lëvizje e madhe për përdorimin e kësaj fushe në shumë

aspekte të jetës, dhe kryesisht në zgjidhje të mundshme në fushën ekonomike. Në këtë

aspekt mund të themi se është investuar shumë nga kërkues të ndryshëm sidomos në

pjesën e gërmimit të dhënave, dhe trajtimit të tyre me anë të algoritmeve të zhvilluar në

fushën e IA-së. Kjo ka ndihmuar dhe përmirësuar fushën ekonomike në marrjen e

vendimeve për të zgjidhur problemet e saj. Pavarësisht zhvillimit të këtyre metodave,

është parë që ka probleme në zbatimin e tyre apo edhe në kuptimin e arsyeve të

problematikave të ndodhura në ekonomi. Kjo mund të argumentohet me pjesën e

modelimeve ekonomike, të cilat nuk përfaqësojnë në mënyrë të plotë dhe reale sistemin

ekonomik. Arsyeja e lidhur me këtë është që ekonomia është një sistem kompleks, i cili

nuk mund të modelohet plotësisht me modele matematikore, apo me modele përafruese

të cilat shpesh çojnë në një paraqitje jashtë realitetit të këtyre modeleve. E njëjta gjë

ndodh edhe me teknikat klasifikuese të fushës së IA-së, të cilat duhen përdorur me

kujdes të madh dhe në raste të veçanta të studimit të ekonomisë. Në lidhje me këtë

problem, në fushën e IA-së është parë që ekziston një këndvështrim tjetër në lidhje me

metodat e bazuara në agjentë që nuk janë eksploruar aq sa duhet nga ekonomistët.

Metodat e bazuara në agjentë janë pjesë themelore e fushës së IA-së, dhe janë të

zhvilluara mbi konceptin e agjentit. Me anë të tyre mund të ndërtohen sisteme të

ngjashme me ato reale, dhe mund të studiohen në karakteristikat e tyre bazë. Këto

metoda janë përdorur në fushën e IA-së si një mjet për modelimin e aspekteve të

ndryshme të inteligjencës. Bazuar edhe në konceptet bazë të jetës artificiale, këto

2

metoda mund të arrijnë të shpjegojnë kompleksitetin dhe dinamikat e një sistemi

ekonomik real duke e trajtuar atë si një ekonomi artificiale. Pavarësisht se ky koncept

është i gjendur më herët në literaturë në përdorimet e modelimeve të ekonometrisë dhe

të serive kohore, qasja e re e saj në fushën e IA-së konsideron edhe bazat e vetë-

organizimit dhe të evolucionit. Kjo do të thotë që ekonomia artificiale bazohet në

modelim dhe simulim të ekonomisë. Në këtë këndvështrim, tashmë metodologji të reja

janë shfaqur sikurse edhe propozime mbi to janë bërë. Shumica e këtyre metodave të

bazuara në agjentë përfshijnë përdorimin e modeleve të bazuara në agjentë (“Agent-

Based Modeling” - ABM) dhe sistemeve multi-agjent (“Multi-Agent Systems” - MAS).

Të dy këto metodologji janë në thelb të njëjta dhe bazohen në konceptin e agjentit, por

të trajtuara në këndvështrime të ndryshme, ku ABM-të janë përdorur në shpjegimin e

fenomeneve me anë të agjentëve dhe MAS janë përdorur në projektimin e agjentëve

për probleme specifike.

Në këtë punim doktorate, është trajtuar mundësia e ndërtimit të një ekonomie artificiale

bazuar mbi metodikat e përmendura më sipër. Në mënyrë që kjo të arrihet, fillimisht

është trajtuar një këndvështrim historik i ndërlidhjes midis ekonomisë dhe fushës së IA-

së. Më pas, është bërë një hulumtim i thelluar në literaturë mbi fushën e re të ekonomisë

artificiale ku janë vënë në dukje edhe arritjet dhe sugjerimet nga kërkues të ndryshëm.

Duke u bazuar mbi llojin e problematikës që shfaqin sistemet ekonomike, janë studiuar

fillimisht sistemet komplekse adaptuese (“Complex Adaptive Systems” - CAS), të cilat

konsiderohen gjerësisht nga modelet e bazuara në agjent. Si një pjesë e rëndësishme e

këtij punimi është bërë një studim mbi teknikat ekzistuese të modelimit dhe simulimit

dhe në vazhdim janë krahasuar me modelimin e bazuar me agjent. Më pas është studiuar

koncepti i agjentit nën këndvështrimin e fushës së IA-së dhe zhvillimi i tij me anë të

sistemeve multi-agjent.

Në këtë studim është përfshirë një analizë dhe krahasim i metodave të ndryshme të

zhvillimit të modeleve me agjent. Këtu janë analizuar hapat e ndërtimit të një modeli

simulimi me agjentë, janë analizuar dhe krahasuar mjetet e ndryshme të zhvillimit dhe

është trajtuar një rast studimi i dy përpjekjeve për ndërtimin e një ekonomie artificiale.

Pas këtyre evidentimeve është kryer një analizë krahasuese të dy eksperimenteve të

kryera për trajtimin e një problemi specifik të ekonomisë artificiale, me anë të dy

mjeteve të zhvillimit. Dhe më pas është trajtuar një modelim ekonomik në trajtën e

ekonomisë artificiale me dy mjete zhvilluese që mundësojnë edhe ndërtimin e agjentëve

inteligjent. Ky studim përfshin një analizë krahasuese të zhvillimit të këtyre modeleve

simuluese të bazuara në agjent inteligjent, ku përfshihen teknikat, hapat dhe mjetet e

zhvillimit të përdorura në trajtimin e modeleve ekonomike.

1.2. Qëllimi i studimit

Krizat e shumta ekonomike të dhjetëvjeçarit të fundit i kanë dhënë një shtysë studiuesve

të ndryshëm për të gjetur qasje të reja në studimin e ekonomisë dhe parandalimin e

krizave në të ardhmen. Një nga këto qasje është e lidhur me përdorimin e fushës së IA-

së në trajtimin e problematikave ekonomike. Nën fushën e IA-së gjenden të përdorura

shumë prej metodave të saj në fushën ekonomike, por metodat e bazuara në agjentë

janë ato që kanë një potencial më të madh zbatimi në modelimet ekonomike që

ndihmojnë studiuesit e ekonomisë të studiojnë dhe parandalojnë kriza të mundshme në

të ardhmen. Të motivuar nga çfarë u përmend, qëllimi i këtij punimi është të studiohet

rëndësia e përdorimit të modeleve të bazuara në agjent në ekonomi, si edhe të

analizohen metodat e ndryshme të përdorimit të tyre.

3

Ky punim përqendrohet në modelet e agjentëve të cilët përdoren në simulimet dhe

modelimet ekonomike, duke vënë në dukje edhe propozime në modelimin e tyre.

Gjithashtu me anë të këtij punimi pritet të ndërtohen disa modele ekonomie që

mbështeten në modele të bazuara në agjentë inteligjent, ku këto agjentë veprojnë si njësi

ekonomike të pavarura, heterogjene dhe racionale. Në vazhdim të këtij punimi, pritet

edhe një analizë dhe krahasim i metodave të përdorura për ndërtimin e modeleve të tilla

ekonomike. Qëllimi përfundimtar i këtij studimi është propozimi i metodave të duhura

të bazuara në sisteme me agjentë inteligjent për tu përdorur në problemet e ndryshme

ekonomike, si edhe zbatimi i tyre praktik në fushën ekonomike.

1.3. Objektivat e Kërkimit

Objektivi fillestar i çdo punimi është hulumtimi në literaturë për problematikat e lidhura

me temën e trajtuar. Në mënyrë të ngjashme në këtë punim është trajtuar një hulumtim

në literaturë i cili u zgjerua në bazë të disa pyetjeve kërkimore të formuluara gjatë punës

analizuese të saj. Në këtë aspekt pyetja fillestare kërkimore e formuluar është e lidhur

me një nevojë për të studiuar bashkëveprimin e dy fushave e studimit të IA-së dhe

ekonomisë. Përgjatë hulumtimit paraprak të literaturës u vu në dukje një nevojë për

hulumtime të mëtejshme në fushën e modelimeve ekonomike me anë të agjentëve

inteligjent. Në këtë stad të punimit pyetjet kërkimore ishin të shumta dhe trajtimi i tyre

kërkoi vendosjen e objektivave të qarta të punimit në drejtim të modeleve ekonomike

të trajtuara me anë të metodave të bazuara në agjentë. Në arritjen e qëllimit

përfundimtar të këtij punimi ndihmuan këto objektivat kryesorë të vendosura:

1. Të paraqes lidhjen midis fushës së IA-së dhe ekonomisë duke përcaktuar më

tej hapësirat për kërkim në lidhje me këto fusha studimi.

2. Të paraqes konceptet kryesore të modelimeve ekonomike të bazuara në

agjentë inteligjent dhe teknikat e përdorura deri më sot të modelimit dhe

simulimit.

3. Analizimi i teknikave të përdorura në ndërtimin e simulimeve dhe modelimeve

me agjentë inteligjentë, si edhe analizimi i mjeteve të zhvillimit të tyre për të

përcaktuar mjetet e mundshme për zhvillimin e modelimeve ekonomike të

bazuara në agjentë.

4. Analizimi, modelimi, ndërtimi dhe krahasimi i dy modeleve simulimi me

agjentë të përdorura në probleme specifike në ekonomi.

5. Arritja e modelimit, projektimit dhe ndërtimit të një ekonomie artificiale me

anë të modelimit të bazuar në agjentë.

6. Projektimi dhe ndërtimi i një ekonomie artificiale duke përdorur praktikat më

të mira të simulimit MAS me agjentë inteligjent dhe arritja e saj me hapa të

njëjtë të zhvillimit me modelet e bazuara në agjent.

1.4. Analiza e literaturës, pyetjet kërkimore dhe hipotezat

Në bazë të objektivave të vendosur në këtë punim është kryer një analizë e gjerë e

literaturës, e cila është kryer në katër faza të saj. Përgjatë kësaj pjese janë ngritur dhe

trajtuar disa pyetje kërkimore, të cilat mundësuan studimin në detaje të fushës së

studimit, problematikave të saj si edhe qasjeve të ndryshme të përdorura. Në vijim

paraqiten pyetjet kërkimore për secilën fazë të literaturës, si edhe pyetjet kërkimore të

ngritura për zhvillimet eksperimentale të punimit.

Pyetjet kërkimore e ngritura gjatë fillimit të punës kërkimore që përbën edhe fazën e

parë hulumtuese janë:

4

Si është lidhja midis fushës se IA dhe asaj Ekonomike? - Kjo pyetje hulumton në

kontekstin historik të zhvillimit të këtyre fushave dhe zbatimin e ndërsjellët të metodave

të zhvilluara në këto dy fusha.

Cili është trendi i zhvillimit te këtyre fushave? - Roli i kësaj pyetje kërkimore është

zbulimi i trendëve në fushat përkatëse në lidhje me njëra tjetrën. Kjo pyetje na ndihmon

në gjetjen e mundshme të hapësirave për studim të mëtejshëm.

Cila është hapësira për studim?- Qëllimi i fazës së parë në literaturë është zbulimi i

hapësirave për studim, në mënyrë që të identifikojmë hapësirën e duhur për studim. Në

bazë të saj u përcaktua edhe studimi i mëtejshëm mbi modelet ekonomike të bazuara

në sisteme me agjentë inteligjent.

Pas marrjes së përgjigjeve të pyetjeve kërkimore të fazës së parë ku është identifikuar

hapësira për studim, në fazën e dytë të hulumtimit në literaturë janë trajtuar pyetjet e

mëposhtme kërkimore:

Cilat janë konceptet përbërëse të ekonomisë artificiale? Pse është e nevojshme studimi

i ekonomisë me anë të modeleve të bazuara në agjentë? Dhe cilat janë nevojat për

zhvillim në këtë fushë?

Këto pyetje identifikojnë konceptet kryesore teorike të kësaj fushe të re studimi,

studiojnë rëndësinë që modelet e bazuara në agjentë kanë në studimin e ekonomisë, dhe

nevoja e përdorimit të tyre në zgjidhjen e problemeve ekonomike. Nëpërmjet tyre

arrihet edhe hulumtimi mbi nevojat për zhvillim të kësaj fushe duke u bazuar mbi

sugjerimet e dhëna nga studiues të ndryshëm.

Faza e tretë hulumtuese përqendrohet në modelet e bazuara në agjent ku pyetjet e

ngritura kërkimore janë:

Cilat janë avantazhet e ABM-ve kundrejt teknikave tradicionale të modelimit dhe

simulimit? Cilat janë konceptet kryesore të agjentit inteligjent?

Qëllimi i këtyre dy pyetjeve kërkimore është të vërë në dukje avantazhet e metodave të

bazuara në agjentë në zgjidhjen e problemeve të ndryshme, pavarësisht disiplinave ku

ato zbatohen.

Në fazën e katërt dhe përfundimtare të analizës së literaturës janë trajtuar disa pyetje

kërkimore në lidhje me zhvillimin e modeleve simuluese në ekonomi. Në këtë fazë

pyetjet e formuluara janë:

Cilat janë hapat ekzistuese që mundësojnë ndërtimin e modeleve simuluese të bazuara

në agjent? Cilat janë mjetet ekzistuese ABM që mundësojnë krijimin e modeleve

ekonomike të bazuar në agjent? Cilat janë metodologjitë më të mira të AOSE që

ndihmojnë në arritjen e modeleve simuluese me agjent? Cilat janë mjetet ekzistuese

MAS që mundësojnë krijimin e modeleve ekonomike të bazuar në agjent?

Me anë të këtyre pyetjeve kërkimore janë hulumtuar dhe analizuar hapat e ndërtimit të

modeleve të bazuara në agjentë, mjetet e ndryshme zhvilluese dhe metodologjitë e

mundshme për krijimin e tyre.

Gjithashtu në këtë fazë përfundimtare janë formuluar edhe dy pyetje kërkimore që

trajtohen me anë të një rasti studimi:

A është arritur ndërtimi i ndonjë modeli ekonomik të bazuar në sisteme me agjentë?

Cilat janë mangësitë e modeleve ekonomike të simuluara me anë të sistemeve me

agjentë deri më tani?

5

Përgjigjet e këtyre dy pyetjeve zbulojnë nëse është arritur ndërtimi i modeleve

ekonomike me anë të modeleve të propozuara në këtë punim, si edhe për gjetjen e

mangësive të tyre. Këto pyetje përmbyllin edhe pjesën e hulumtimit të literaturës në

funksion të qëllimit të këtij punimi. Për të arritur këtë qëllim janë ngritur disa pyetje

kërkimore të cilat kërkojnë zhvillime eksperimentale për trajtimin e tyre dhe që

përbëjnë pjesën kryesore të këtij punimit. Këto pyetje kërkimore janë si më poshtë:

A është i mundur modelimi dhe ndërtimi i një simulimi me agjentë të një problemi

specifik në ekonomi?

A mundëson mjeti i zhvillimit NetLogo simulimin e problemeve specifike të ekonomisë

dhe a i plotëson kushtet për trajtimin me agjentë inteligjent?

Po mjeti i zhvillimit Jason a e mundëson simulimin e problemeve specifike të ekonomisë

dhe a është një zgjidhje më e mirë për zhvillimin e simulimeve me agjentë inteligjent?

A është e mundur modelimi dhe ndërtimi i një simulimi të bazuar në sisteme me agjentë

inteligjent të një ekonomie artificiale?

A mundëson mjeti i zhvillimit RePast ReLogo simulimin e një ekonomie artificiale me

anë të projektimit të saj në të?

A është e mundur zhvillimi i një simulimi të një ekonomie artificiale edhe në mjetin e

zhvillimit JaCaMo?

Cilat janë ndryshimet dhe avantazhet e secilit mjet zhvillimi në zhvillimin e simulimeve

të një ekonomie artificiale?

A mund të përcaktohet një udhërrëfyes për hapat e ndërtimit të një ekonomie artificiale

me anë të sistemeve me agjentë inteligjent?

Në bazë të këtyre pyetjeve kërkimore të ngritura janë formuluar hipotezat e këtij

punimi, të cilat janë të paraqitura si më poshtë:

H1: Simulimi i modeleve ekonomike me anë të koncepteve të agjentit inteligjent është e

nevojshme në fushën ekonomike dhe ka nevojë për zhvillim të mëtejshëm.

H2: Modelimi dhe simulimi i bazuar në agjent është teknika më e mirë për problemet

komplekse ekonomike.

H3: Teknikat e simulimit të bazuar në agjent mund të përdoren në probleme specifike

ekonomike duke përdorur mjetet ABM dhe MAS.

H4: Modelimi dhe ndërtimi i një ekonomie artificiale me anë të ABM-ve (me RePast)

është i mundur dhe funksional.

H5: Ndërtimi i një ekonomie artificiale me anë të mjeteve të zhvillimit MAS (JaCaMo)

duke përdorur hapat e përcaktuar për modelimet ekonomike të bazuara në agjentë është

i mundur.

1.5. Metodologjia e përdorur

Në studimin e kryer është përdorur një ndarje e punës kërkimore në dy pjesë të

rëndësishme: pjesa e analizës së literaturës dhe pjesa e zhvillimeve eksperimentale.

Në pjesën e analizës së literaturës është përdorur një strategji e ndarë në katër faza, e

cila përfshin në çdo fazë analiza, krahasime dhe hulumtime në literaturë. Faza e parë

trajton fillimin e punës kërkimore ku u krye një analizë e gjerë e literaturës, dhe ku

6

tregohen hapësirat e mundshme për studim. Faza e dytë trajton një hulumtim i thelluar

në konceptet bazë të temës së studimit ku edhe identifikohen edhe problematikat e

ndryshme të hasura deri më tani. Faza e tretë bazohet mbi përfundimet e fazës së dytë,

dhe kryen një analizë krahasuese të teknikave tradicionale të përdorura me teknikat e

studimit tonë. Në fazën përfundimtare të pjesës së analizës së literaturës është kryer një

studim i plotë mbi metodikat e përdorura për të arritur ndërtimin e sistemeve me

agjentë. Kjo fazë përfshin analizimin e metodikave për realizimin e modeleve

simuluese të bazuara në agjentë si edhe identifikimin dhe krahasimin e mjediseve për

zhvillim për këto modele.

Në bazë të rezultateve të marra nga analiza e literaturës janë kryer katër zhvillime

eksperimentale që përbëjnë pjesën kryesore të kësaj pune shkencore. Në këtë pjesë janë

analizuar zgjidhjet e dhëna, si edhe janë krahasuar eksperimentet duke vënë në dukje

ndryshimet dhe avantazhet e secilës metodë zhvillimi të kryer. Pas kësaj analize dhe

krahasimeve të secilës zgjidhjeje, paraqitet një rrugë e përgjithshme për ndërtimin e

simulimeve të modeleve ekonomike të bazuara në sisteme me agjentë inteligjent.

1.6. Struktura e studimit

Struktura e studimit përbëhet nga nëntë kapituj bashkë me këtë kapitull të parë.

Kapitulli i dytë përfshin një këndvështrim historik të fushës së inteligjencës artificiale,

ku analizohen të gjithë faktorët që kanë ndikuar në zhvillimin e kësaj fushe. Në të

trajtohet edhe lidhja e hershme e kësaj fushe me fushën ekonomike. Gjithashtu jepet

një tablo e trendëve të përdorimit të fushës së IA-së në fushën ekonomike dhe hapësirat

e vëna re për kërkime të mëtejshme shkencore.

Kapitulli i tretë përfshin një hulumtim të gjerë në literaturë mbi fushën e ekonomisë

artificiale e cila është baza e modelimeve ekonomike të bazuar në agjentë. Në këtë

kapitull trajtohet natyra e kësaj fushe të re, lidhja e saj me sistemet komplekse adaptuese

siç është edhe ekonomia dhe trajtimi i tyre me anë të ekonomisë llogaritëse të bazuar

në agjentë (“Agent-based Computational Economics” - ACE). Në vazhdim trajtohen

edhe specifika të ACE-së, avantazhet e saj dhe kritika ndaj saj dhe ndalemi në tipat e

agjentëve të propozuar nga ky komunitet. Ky kapitull shërben si baza kryesore mbi të

cilën i gjithë ky punim mbështetet.

Kapitulli i katërt përfshin një hulumtim më të thellë mbi modelimin dhe simulimin të

bazuar mbi agjentë inteligjent. Në këtë kapitull fillimisht trajtohen mënyrat e ndryshme

të modelimit dhe simulimit, karakteristikat e tyre dhe më pas bëhet një analizë

krahasuese midis tyre dhe modeleve të bazuara me agjentë (ABM). Më pas trajtohet

koncepti i agjentit inteligjent, arkitekturat e ndryshme të ndërtimit të tij dhe ndërtimi i

sistemeve multi-agjent.

Kapitulli i pestë fillon me një hulumtim mbi hapat për ndërtimin e një modeli simulues

me agjentë. Më pas vazhdon me një hulumtim në mjetet e zhvillimit ABM dhe një

analizë krahasuese midis këtyre mjeteve. Në vazhdim trajtohet modelimi dhe zhvillimi

në sistemet MAS, ku analizohet nën kontekstin e inxhinierisë së softuerit të orientuar

ndaj agjentit. Në këtë pjesë trajtohen metodologjitë e ndryshme të përdorura në MAS,

dhe më pas bëhet një analizë e mjeteve të zhvillimit të sistemeve MAS. Në fund të këtij

kapitulli trajtohen edhe dy raste studimi të ndërtimit të një ekonomie artificiale, nga ku

nxirren përfundime mbi punën në vazhdim.

Kapitulli i gjashtë përfshin dy punime eksperimentale të një problemi specifik të

ekonomisë artificiale. Në këto punime shfaqet metodika e përdorur në modelimin e

7

problemit dhe ndërtimit të tyre. Punimi i parë diskuton mbi problemin e terminalit të

kontejnerëve në portin e Durrësit, ndërsa punimi i dytë diskuton mbi problemin e

procesit të magazinimit në një magazinë. Këto punime janë punuar me dy mjete të

ndryshme zhvillimi, përkatësisht mjeti i zhvillimit NetLogo është i përdorur në punimin

e parë dhe mjeti i zhvillimit Jason në punimin e dytë. Ky kapitull mbyllet me një

vlerësim krahasues të metodikave të përdorura në këto dy punimeve dhe një analizë

krahasuese për dy mjetet e zhvillimit të përdorura.

Kapitulli i shtatë përfshin modelimin dhe ndërtimin e një ekonomie artificiale me mjetin

e zhvillimit RePast. Fillimisht jepet një përshkrim i modelit të ekonomisë artificiale që

konsiderohet për zhvillim dhe më pas analizohet në detaje ky model, ku edhe

përcaktohen gjendjet e agjentëve, vendosjet e tyre fillestare dhe kërkesat e simulimit.

Më pas vazhdohet me veçoritë e mjetit të zhvillimit RePast ReLogo. Pasi kemi

shpjeguar mjetin e zhvillimit vazhdojmë me projektimin e modelit, ku specifikisht

projektojmë veprimet e agjentëve dhe më pas kalojmë në detajimin teknik për

realizimin e tij. Kjo pjesë shoqërohet edhe me disa diagrame të gjuhës së modelimit të

unifikuar (“Unified Modeling language” – UML) që ndihmojnë në projektimin e

zgjidhjes. Në pjesën e fundit të kapitullit shpjegohen specifikat e ndërtimit të mjedisit

simulues të kësaj ekonomie artificiale.

Kapitulli i tetë trajton përsëri modelin e ekonomisë artificiale të shpjeguar në kapitullin

e shtatë, por tashmë duke e zhvilluar atë me mjetin e zhvillimit JaCaMo. Në këtë

kapitull, shpjegohet fillimisht veçoritë e mjetit zhvillues JaCaMo bashkë me detaje të

përdorimit të saj. Në vazhdim shpjegohet projektimi i plotë i ekonomisë artificiale nën

këndvështrimin e këtij mjedisi zhvillues. Kjo pjesë është e shoqëruar gjithashtu me

diagrame përkatëse UML, që ndihmojnë në projektimin e saj. Më pas shpjegohen

metodikat e përdorura për ndërtimin e ekonomisë artificiale duke përdorur sistemet me

agjentë inteligjentë. Ky kapitull mbyllet me disa specifikime të rëndësishme rreth

ndërtimit të ekonomisë artificiale me mjetin zhvillues JaCaMo.

Kapitulli i nëntë paraqet një analizë të detajuar të rezultateve eksperimentale të nxjerra

nga simulimet e ekonomisë artificiale në simulatorët e ndërtuar në kapitujt shtatë dhe

tetë. Në fillim të këtij kapitulli përshkruhen të dhënat fillestare të modeleve, të

kompjuterit ku kryhen këto eksperimente dhe më pas përshkruhen rezultatet e

gjeneruara. Në vazhdim kryhet një analizë e rezultateve të nxjerra nga simulimet, e cila

përfshin një analizë të detajuar mbi të dhënat ekonomike të gjeneruara në formë grafike.

Më pas bëhet dhe një analizë funksionale të simulimeve përkatëse. Në pjesën e fundit

të këtij kapitulli kryhet një analizë krahasuese e zhvillimit të simulimeve të ekonomisë

artificiale me mjetet RePast dhe JaCaMo, si edhe përcaktohen disa hapa të nevojshme

gjatë ndërtimit të simulimeve të tilla.

Kapitulli i dhjetë përmban përfundimet e punimit dhe rekomandimet e saj.

8

KAPITULLI 2: NJË KËNDVËSHTRIM HISTORIK

2.1. Hyrje

Historia e inteligjencës artificiale fillon që në lashtësi, kur njerëzit filluan të fantazojnë

për qenie artificiale që kishin inteligjencë dhe që kryenin veprime të njëjta si njerëzit.

Ishin pikërisht mitet dhe veprat e qytetërimeve të lashta si ato Greke, Egjiptiane,

Kineze, etj.., që i vunë në mendime disa nga kontribuesit kryesor të shkencës dhe artit.

Heroni i Aleksandrisë ishte ndër të parët që arriti të krijonte një mekanizëm automatik

që i përngjante njeriut në veprime (McCorduck, 2004). Vlen për tu përmendur Aristoteli

me përshkrimin e tij të silogjizmave, një metodë formale dhe e mendimit mekanik, e

cila u përshkrua që në vitet 350 para erës sonë (Russell & Novig, 2010).

Ishin vitet 1600-1700 kur përsëri filozofë, shkrimtarë dhe matematicienë të ndryshëm

do fillonin të mendonin përsëri për aspektet e inteligjencës artificiale. Pikërisht në këto

vite kemi filozofë si Renè Descartes që mendonin se njerëzit ishin thjesht makina

komplekse, apo matematicien si Blaise Pascal që ndërtoi llogaritësin mekanik

(Buchanan, 2005). Po në vazhdimësi kemi Gottfried Leibniz, i cili kontribuoi duke

përmirësuar llogaritësin mekanik (makina llogaritëse) dhe zbuloi sistemin binar (i cili

ishte në përdorim në Kinë që në lashtësi). Rreth viteve 1850 kemi makinën e parë

llogaritëse të programueshme nga Charles Babbage dhe Ada Lovelace, si edhe punimet

e para për të formalizuar semantikën nga matematicieni Bernard Bolzano. George

Boole hulumtoi në ligjësitë e veprimeve të mendjes duke i shprehur ato në gjuhë

simbolike matematikore (McCorduck, 2004). Në vitin 1912 “El Ajedrecista” ishte

automati i parë që luante lojën e shahut (Vigneron, 1914), i krijuar nga Leonardo Torres

y Quevedo. Ky automat ishte loja e parë që luante në mënyrë automatike kundrejt

lëvizjeve të kundërshtarëve. Punimet e Bertrand Russell dhe Alfred North Whitehead

mbi bazat e matematikës, në vitet 1910-1927, ndihmoi në zhvillimin e logjikës formale.

Të gjitha këto zhvillime ndihmuan në konceptimin dhe krijimin e fushës së inteligjencës

artificiale.

Në pjesët e mëposhtme do të flasim për historinë e inteligjencës artificiale ku në pjesën

e pare përshkruhet inteligjenca artificiale nën kontekstin historik bashkë me idetë dhe

personat që kontribuan ne këtë fushë. Në pjesën e dytë do të flitet mbi zhvillimet dhe

lidhjet historike të inteligjencës artificiale dhe ekonomisë dhe pionierët e kësaj fushe.

2.2. Historiku i Inteligjencës Artificiale

2.2.1. Fillimet

Inteligjenca Artificiale u formalizua si fushë në vitet 1956, por ajo kishte filluar të

mendohej si e tillë vite më përpara. Kurt Gödel ishte i pari që vendosi bazat teorike të

shkencave kompjuterike me punimin e tij mbi gjuhët universale formale dhe kufizimet

e vërtetimit dhe llogaritjes (Gödel, 1931). Ai ndërtoi sisteme formale të cilat lejonin

vetë formulimet që flisnin për vetveten, duke rrjedhur nga një procedurë llogaritëse për

vërtetim teoreme, ku pikërisht për këtë ai ndërtoi një gjuhë programimi i bazuar në

numra të plotë. Gjithashtu Gödel vazhdoi edhe me ndërtimin e deklarimeve që pohojnë

mos-vërtetueshmërinë e tyre, duke treguar kështu që matematika e zakonshme nuk

mund të vërtetonte çdo deklarim të vërtetë, ky punim u quajt “Teorema Gödel e pa-

plotësisë”. Duke u bazuar mbi punimet e tij të para që ndihmuan edhe vetë fushën e

shkencave kompjuterike, Gödel mund të vlerësohet si personi i parë që filloi punimet

në fushën e inteligjencës artificiale (Schmidhuber, 2007). Më vonë Në vitin 1936 Alan

Turing prezantoi Makinën Turing (Turing, 1936) për të riformuluar rezultatet e Gödel

bashkë me shtesat e bëra nga Alonzo Church për njehsimin lamda. Në vitin 1941

9

Konrad Zuse ndërtoi programin e parë funksional kompjuterik duke përdorur sistemin

binar dhe bit-et e përdorura nga Leibniz.

Punimi i parë i njohur nga të gjithë në fushën e inteligjencës artificiale, është pikërisht

punimi i Warren McCulloch dhe Walter Pins në vitin 1943, ku jepen bazat e “rrjetave

artificiale neurale” (Russell & Novig, 2010). Ata propozuan një model neuronesh

artificiale të cilët kishin dy gjendje 0 ose 1, ku 1 ishte gjendja e ngacmuar e neuronit që

varet edhe nga neuronet fqinjë. Neuronet lidhen me njëri-tjetrin nëpërmjet lidhjeve

logjike duke formuar struktura të thjeshta rrjetash, ku këto rrjeta mundet edhe të

mësojnë (McCulloch & Pitts, 1943). Më vonë Donald Hebb tregoi një rregull

përditësimi për modifikimin e fuqisë lidhëse midis neuroneve (Hebb, 1949), ky rregull

sot njihet si “Hebbian Learning”.

Gjatë periudhës 1943-1950, pati shumë zhvillime dhe punime shkencore që ndikuan në

formimin e fushës së inteligjencës artificiale. Vlejnë të përmenden punimi i Claude

Shannon mbi bazat e teorisë së informacionit dhe shpjegimi i tij mbi entropinë e

informacionit (Shannon, 1948), propozimi i matematikanit Alan Turing mbi vlerësimin

nëse një makinë është ose jo inteligjente (Turing, 1950), e cila njihet sot si “Testi i

Turingut”.

2.2.2. Themelimi i fushës IA

John McCarthy mblodhi rreth tij Claude Shannon, Marvin Minsky dhe Nathaniel

Rochester për të organizuar një shkollë verore në vitin 1956 në kolegjin e Dartsmouth.

Në propozimin e bërë prej tyre u kërkua të realizohej një studim prej dy muajsh, ku 10

kërkues të interesuar në teorinë automata, rrjetat neurale dhe inteligjencën, do të

punonin për të studiuar inteligjencën artificiale (McCarthy, Minsky, Rochester, &

Shannon, 1955). Në këtë mbledhje u bashkuan edhe Herbert Simon, Allen Newell,

Trenchard More, Arthur Samuel, Oliver Selfridge dhe Ray Solomonoff. Së bashku,

pjesëmarrësit vunë në dukje nevojën e krijimit të fushës së inteligjencës artificiale, dhe

ishte pikërisht në këtë konferencë ku kjo fushë e re filloi punimet e saj. Kërkuesit që

morën pjesë u quajtën edhe baballarët e inteligjencës artificiale moderne (Lungarella,

Iida, Bongard, & Pfeifer, 2007).

Gjatë punimeve të mbledhjes në Dartsmouth, u prezantua edhe programi i parë i

inteligjencës artificiale i cili ishte “Logic Theorist”, i shkruar nga Newell, Shaw dhe

Simon. Bazuar mbi këtë u zhvillua edhe “General Problem Solver” në vitin 1957, e

cila u përdor si një makinë universale e zgjidhjes së problemeve, ku çdo problem i

formalizuar në simbolikë mund të zgjidhej nëpërmjet saj (Newell, Shaw, & Simon,

1959). Për ta realizuar këtë tre kërkuesit zhvilluan një gjuhë programimi e njohur si

gjuha e përpunimit të informacionit (“Information Processing Language” - IPL), e cila

përdorte një mënyrë të përpunimit të simbolikës listore e cila u përdor edhe në gjuhën

e programimit LISP, të zhvilluar më vonë nga McCarthy në vitin 1958 (McCarthy J. ,

1958).

2.2.3. Zhvillimi i IA

Siç evidentohet edhe nga kërkues të tjerë, fokusi i punimeve të para ishin nga

këndvështrimi i përpunimit të informacionit, ku vetë truri i njeriut shihej si një

përpunues informacioni. Ky këndvështrim i dha shtysë si shkencës së inteligjencës

artificiale ashtu edhe studimit të trurit në përgjithësi, pikërisht në vitet 1956 (Steels,

2007). Ideja ishte se nëse arrije ta përshtatje mënyrën e përpunimit të informacionit,

hapi tjetër thjesht do të ishte bërja e punës dhe hetimi në detaje i shembujve konkretë.

10

Ajo çka u mendua në fillim ishte se mund të gjendej një rregull i përgjithshëm i cili

mund të shpjegonte inteligjencën. Por gradualisht me shtimin e punëve të shumta

kërkimore u bë e qartë se inteligjenca kërkonte sasi të mëdha informacioni kompleks

dhe të përpunuara saktë e mirë.

Gjatë viteve të para të fushës së inteligjencës artificiale, pati një interesim të madh nga

publiku i cili dha fonde të shumta për zhvillimin e kësaj fushe. Grupe të shumta kërkimi

filluan të merreshin me ndërtimin e sistemeve artificiale që do të simulonin, barazonin

apo edhe të tejkalonin aftësitë mendore dhe ato fizike të njeriut. Një problem i madh që

doli në pah pas pak vitesh kërkimi ishte se për shkak të kompleksitetit dhe aftësive të

kufizuara të kompjuterëve në atë kohë, kompjuterët nuk mundeshin të zgjidhnin sikur

edhe probleme të qarta me hapësirë të vogël mundësish zgjedhjeje. Për këtë shkak, gjatë

viteve 1960 kërkuesit u përqendruan në krijimin e modeleve që i zgjidhnin këto modele

duke u bazuar mbi heuristikën. Qëllimi kryesor i tyre ishte të organizonin procesin e

kërkimit, të shfaqnin heuristikën në formën e funksioneve vlerësuese apo rregullave, si

dhe për të mësuar vetë atë si pjesë e zgjidhjes së problemit. Në këtë kohë u bë e

zakonshme që edhe inteligjenca artificiale të njihej me emrin “kërkimi heuristik”.

Në fund të viteve 1960 u bë e qartë se nuk ishte vetëm heuristika e rëndësishme, por

edhe mënyra se si e shfaqim informacionin rreth problemit. Nën këtë këndvështrim të

ri u lind nevoja e kërkimeve në drejtim të mënyrave të shfaqjes dhe përpunimit të dijes,

kjo për të shmangur kërkimin dhe kombinimet e pafundme të botës reale (Steels, 2007).

Disa nga punimet e bëra gjatë këtyre viteve nga të cilat mund të përmendim është

SAINT (Slagle, 1963), një program i cili bazohej në zgjidhjen e problemeve me fushë

të kufizuar të cilat u njohën më vonë si “microworld”. Punime të tjera ishin punimet e

Widrow për “Adalinet” dhe Rosenblat për “perceptronet”, që ishin metoda të

përmirësuara të mësuarit Hebb.

Në vitet 1970, idetë dhe teknologjitë për kërkimin heuristik dhe për përpunimin e dijes

u përdorën për sistemet e para eksperte. Këto sisteme eksperte ishin projektuar për të

zgjidhur probleme në fushat e mjekësisë dhe inxhinierisë, dhe çuan në një analizë më

të thelluar të zgjidhjes së problemit duke e parë atë nga ana e dijeve të specialistëve të

fushës (Steels & McDermott, 1993). Ndër këto sisteme mund të përmendim programin

“DENDRAL”, i cili u zhvillua nga Ed Feigenbaum, Buchanan dhe Lederberg

(Buchanan, Sutherland, & Feigenbaum, 1969) për fushën e kimisë për gjetjen e

strukturave molekulare. Më vonë, vetë Feigenbaum i drejtoi kërkimet në projektin e

programimit heuristik, i cili zhvilloi metodologji të reja mbi zhvillimin e sistemeve

eksperte, nga ku u zhvillua edhe projekti pasardhës “MYCIN”.

Pas sukseseve të sistemeve eksperte të para, shumë biznese dhe industri filluan të

investojnë në këtë fushë ku shumë prej tyre kishin edhe grupet e tyre të inteligjencës

artificiale që punonin mbi këto sisteme eksperte. Nga fillimi i viteve 1980, këto

aplikime u bënë një pjesë kryesore e inteligjencës artificiale dhe treguan se kërkimet në

këtë fushë kishin qenë në drejtimin e duhur. Përqendrimi në ndërtimin e këtyre

sistemeve eksperte solli edhe ngadalësimin e punimeve kërkimore përgjatë këtyre

viteve.

2.2.4. Dimri i IA

Pavarësisht zhvillimeve të shumta pozitive në fushën e inteligjencës artificiale, ka pasur

edhe mbyllje projektesh të shumta nëpër institucionet kërkimore dhe universitete

përgjatë viteve 1970 dhe 1980. Kjo e lidhur me faktin se shumë nga këto projekte nuk

mundën të jepnin rezultatet e pritshme, për shkak edhe të fuqisë së kufizuar

11

kompjuterike për llogaritjet e shumta të tyre. Kjo periudhë u quajt “dimri i inteligjencës

artificiale”. Këtë emërtim e mori nga kërkuesit që i shpëtuan heqjes së fondeve në vitin

1974, ku ata shpëtuan për shkak të zhvillimit të sistemeve eksperte (Crevier, 1993). Kjo

periudhë pati dy nën-periudha, e para ishte në vitet 1974 deri më 1980, ku shumë

kërkime si p.sh kërkimet mbi rrjetat neurale dhe perceptronëve të cilat pothuajse u

ndaluan. U vështirësua marrja e fondeve për projektet e përgjithshme të fushës së

inteligjencës artificiale, ku vetëm projektet që kishin misionin e qartë mundeshin të

përfitonin. Po në këtë kohë u rrit edhe numri i kritikëve të fushës, të cilët mendonin se

nuk duhet investuar në të. Kjo nën-periudhë përfundoi me sukseset e sistemeve

eksperte. Nën-periudha e dytë fillon pikërisht me dështimin e kompanive që ndërtonin

sistemet eksperte të cilat përdornin makinat LISP në fillimin e viteve 1980, kjo për

faktin se në atë kohë sapo u zhvilluan kompjuterët personal që ishin më të lirë. Makinat

LISP ishin kompjuterë të optimizuar me gjuhën e programimit LISP e cila ishte dhe

gjuha e preferuar e inteligjencës artificiale. Pavarësisht kësaj, gjuha CLISP u zhvillua

për kompjuterët personal, dhe sistemet eksperte të mëparshme ishin shumë të shtrenjta

për tu mirëmbajtur. Ndikimet e kësaj periudhe janë ndierë edhe për shumë vite më pas.

2.2.5. Koncepte të reja në IA

Që në punimet e para pas krijimit të inteligjencës artificiale, u vu në dukje një ndarje e

punimeve në dy drejtime. Nga njëra anë ishin punimet që u përqendruan në përpunimin

simbolik, dhe nga ana tjetër ishin punimet e përqendruara në përpunimin nën-simbolik

ose siç quhej ndryshe teoria e lidhshmërisë (“connectionism”). Gjatë 20 viteve të para

u zhvillua më shumë përpunimi simbolik, kjo pasi edhe vetë kërkuesit u munduan të

japin zgjidhje problemeve duke përdorur pasqyrimin simbolik, pra duke gjetur një

zgjidhje matematikore apo edhe heuristike. Gjatë mesit të viteve 1980, disa grupe

kërkuesish rifilluan punimet në rrjetat neurale të cilat bazoheshin në përpunimin nën-

simbolik. Ata rikthyen vëmendjen e kërkuesve të tjerë të fushës në punimet e para si

Perceptroni i Rosenblat, algoritmet e të mësuarit me “backpropagation”. Rikthimi në

këto punime solli disa avancime në fushat e përpunimit të sinjaleve apo edhe modeleve

të mësuarit.

Këto modele të lidhshmërisë së sistemeve inteligjente u panë si konkurrent direkt të

metodave të përpunimit simbolik dhe metodave logjike të përdorura deri në atë kohë.

Por ajo që u vërejt ishte se zhvillimi i këtyre modeleve ndihmoi edhe në përmirësimin

e metodave të përpunimit simbolik. Kombinimi i këtyre dy këndvështrimeve e çoi këtë

fushë në një nivel më të lartë të kërkimeve shkencore dhe zhvillimit të tyre.

Në vitet në vijim ky zhvillim në fushën e inteligjencës artificiale i dha shtysë njohjes

dhe përdorimit të saj si një metodologji shkencore, ku hipotezat e saj duhej të

provoheshin dhe rezultatet duhej të analizoheshin në mënyrë rigoroze për rëndësinë e

tyre (Cohen, 1995). Duke filluar nga ky moment inteligjenca artificiale përfshin në

vetvete edhe konceptet e vjetra të teorisë së probabilitetit. Rrjetat Bayes, Modelet e

fshehura Markoviane dhe modelet e shumta probabilitare gjetën aplikim të gjerë në

diagnozat mjekësore, në robotikë, në njohjen e modeleve, etj.

Pavarësisht këtyre zhvillimeve, në fillimin e viteve 1990, u pa e nevojshme të

shtoheshin edhe elementë të tjerë në formimin e inteligjencës dhe aftësisë së përshtatjes

të saj. Dy elementët kryesorë që u identifikuan ishin pikërisht trupi dhe mjedisi, si dy

elementët që përbëjnë të sjellurit në mënyrë inteligjente (Steels & Brooks, 1994). Duke

qenë se trupi u identifikua me agjentët dhe mjedisi ishte fusha ku këta agjentë vepronin,

pikërisht për këtë arsye ju dha përparësi marrjes së informacionit nga mjedisi. Nëse më

12

përpara punimet e shihnin problemin duke e zgjidhur atë në bazë të njohurive, në vitet

në vijim ajo u pa edhe në bazë të sjellurit. Ideja ishte që të zgjidheshin probleme në

mjedise të hapura ku nuk kishte njohuri fillestare për to, pra ku një agjent merr vendime

mbi mjedisin ku ndodhet. Me këtë zhvillim dhe me zhvillimin e teknologjisë përgjatë

1990, kërkuesit u rikthyen në idenë e vjetër të ndërtimit të robotëve (Russell & Novig,

2010). Kjo ide u mbështet mbi fushën e inteligjencës së shpërndarë artificiale e shfaqur

që në vitet 1975, e cila merret kryesisht me zhvillimin e zgjidhjeve të shpërndara për

problemet (Chaib-Draa, Moulin, Mandiau, & Millot, 1992). Koncepti bazë i saj është

zgjidhja e problemeve komplekse të mësuarit, planifikimit dhe vendimmarrjes.

Me zhvillimin e idesë së agjentëve vendimmarrës, u zbulua se ishte e nevojshme që

këta agjentë, ashtu si edhe qeniet e gjalla të komunikonin dhe ndërvepronin me njëri

tjetrin. Kjo do të sillte edhe lindjen e sistemeve multi-agjent, të njohura me shkurtimin

MAS në fushën e inteligjencës artificiale, të cilat përqendroheshin në mënyrën se si

inteligjenca mund të shpërndahej në grup dhe se si këto agjentë bashkëveprues mund

të zgjidhnin problemin më shpejtë dhe më saktë. Një nga mjediset më kryesore ku këta

agjentë inteligjentë do të përdoreshin më tepër ishte pikërisht interneti. Sistemet e

inteligjencës artificiale janë të zakonshme në programet e bazuara në web. Këto sisteme

janë baza e shumë aplikimeve të reja, ku mund të përmendim motorët e kërkimit,

sistemet e ndryshme rekomanduese, sisteme të ndryshme automatike për

vendimmarrje, përmbledhëse, filtrimi, e shumë zgjidhje të tjera.

Me rritjen e fuqisë llogaritëse të kompjuterëve dhe ruajtjes së të dhënave, fusha e

inteligjencës artificiale është pasuruar me analizat dhe punimet e shumta që bëhen në

të. Thjesht me zbatimin e disa algoritmeve të thjeshtë janë arritur rezultate më të larta

seç mund të mendohej disa vite më parë nga algoritmet më të optimizuar. Sot problemi

i “ngushtimit të dijes” në inteligjencën artificiale, pra problemi i shprehjes së gjithë

njohurive që sistemi ka nevojë, mund të zgjidhet duke përdorur metodat e të mësuarit

nga të dhënat që kanë në dispozicion (Halevy, Norvig, & Pereira, 2009).

Një ide e re midis studiuesve të fushës së inteligjencës artificiale është dhe nën fusha e

inteligjencës së përgjithshme artificiale (“Artificial General Intelligence” – AGI). Kjo

fushë kërkon për një algoritëm universal të mësuari dhe veprimi në çdo mjedis

(Goertzel & Pennachin, 2007).

Këndvështrimet e sotme mbi zhvillimin e inteligjencës artificiale janë të përqendruara

kryesisht në kërkimet se si ontologjitë dhe sistemet e simboleve mund të dalin në një

grup agjentësh dhe me çfarë mekanizmash mund të vazhdojnë të zhvillohen dhe bëhen

më komplekse. Ky këndvështrim quhet dinamika semiotike (Steels L. , 2006), dhe

arrihet duke përdorur mjete dhe teknika të njëjta me kërkimet në shkencat sociale që

merren me dinamikat shoqërore, vendimmarrjet ekonomike, etj. Grupet e kërkimit në

dinamikat semiotike kanë pasur rezultatet e para, ku vlejmë të përmendim grupe

robotësh me aftësi vetë-organizuese që komunikojnë me një gjuhë të tyren apo edhe

sisteme software që komunikojnë dhe japin rezultate në grup. Këto eksperimente

përfshijnë brenda tyre njohuri nga rrjetat neurale dhe trupëzimi për komunikimin me

simbolikë dhe përdorin teknika të specializuara të përpunimit simbolik. Zhvillimet e

internetit drejt grupimeve sociale dhe zhvillimeve të njohurive të përbashkëta, e kanë

bërë këtë fushë kërkimi më të rëndësishme dhe më të prekshme. Ajo çfarë kërkon

shoqëria sot është se si një agjent i caktuar software ose edhe robot të veprojë

suksesshëm në një botë komplekse dhe dinamike.

13

2.3. Inteligjenca Artificiale dhe Ekonomia

Nën këndvështrimin historik, fusha e matematikës u zhvillua fillimisht për të trajtuar

probleme të përditshme të jetës social-ekonomike dhe teknike. Zhvillimi i mendimit

filozofik dhe matematikor solli edhe zhvillimin e vetë mendimit ekonomik, ku ky i

fundit u bë edhe promotor i vetë këtyre mendimeve. Ky zhvillim i ndërsjellët përgjatë

shekujve XVI deri më XIX, solli edhe një sërë zhvillimesh të shumta në fushën

matematikore dhe ekonomike dhe që kulmuan në fillim vitet e shekullit të XX.

Shkenca e ekonomisë i pati fillimet e saj që në vitin 1776, kur filozofi Adam Smith

publikoi librin me titull “Pasuria e Kombeve” (Smith, 1776). Edhe pse që në lashtësi

ka pasur punime mbi mendimin ekonomik, ishte pikërisht Adam Smith që e trajtoi atë

si shkencë, duke përdorur idenë që ekonomitë janë të përbëra nga agjentë të veçuar që

mundohen të maksimizojnë mirëqenien e tyre personale. Brenda kësaj ideje u

formalizuan metoda të ndryshme për studimin e fushës ekonomike, me anë të metodave

matematikore. Shumë matematikanë të kohës u angazhuan në modelime të ndryshme

të problemeve ekonomike. Ekonomistët studiojnë se si njerëzit bëjnë zgjedhje që çojnë

në të ardhura preferenciale ose siç njihet ndryshe “dobi”. Bazat e këtij trajtimi janë

dhënë nga Jeremy Bentham dhe më vonë ky trajtim është formuluar matematikisht nga

Leon Walras dhe i përmirësuar nga Frank Ramsey. Më vonë, gjatë fillim viteve të

shekullit të XX, John von Neumann dhe Oskar Morgenstern e riformuluan teorinë e

“dobisë” në atë që njihet sot si teoria moderne e dobisë, si edhe vazhduan në zhvillimin

e teorisë së lojërave në ekonomi (von Neumann & Morgenstern, 1944).

Zhvillimet e shumta të atyre viteve, respektivisht në fushën matematikore dhe

statistikore në funksion të zhvillimeve ekonomike, solli me vete edhe krijimin e fushës

së kërkimeve operacionale (“Operational Research” - OR). Kjo fushë u përdor

fillimisht për zgjidhjen e problemeve të ndryshme kryesisht në industri dhe në ushtri,

sidomos gjatë periudhave të luftërave të atyre viteve. Kjo fushë u fuqizua akoma më

tepër me hyrjen e pajisjeve llogaritëse, apo siç njihen ndryshe kompjuterët. Vetë fusha

e kërkimeve operacionale pati ndikimin e saj edhe në zhvillimin e teknikave llogaritëse

në këto kompjutera, dhe së bashku me të edhe në zgjidhjen e problemeve me karakter

ekonomik. Kjo solli edhe zhvillimin e algoritmeve të ndryshme të cilat u bë pjesë e

qenësishme e fushës së kërkimeve operacionale si edhe e fushës së shkencave

kompjuterike. Pikërisht këto zhvillime të këtyre fushave, vunë në dukje nevojën për

bashkimin e tyre dhe fushave të tjera si neurologjia, psikologjia në një disiplinë të vetme

për studimin e inteligjencës artificiale (IA) (McCarthy, Minsky, Rochester, & Shannon,

1955). Shumë studiues dhe kërkues shkencor u përfshinë në këtë fushë të re

ndërdisiplinore, e cila filloi të zhvillohej shumë në zgjidhjen e problemeve të ndryshme.

Kjo i dha shtysë në këtë mënyrë edhe fushave të tjera si kërkimet operacionale,

informatikës, statistikës si edhe vetë fushës ekonomike.

Një prej studiuesve fillestar në IA ishte edhe ekonomisti Herbert Simon, i cili kontribuoi

në këtë fushë duke përdorur teknikat ekonomike të vendimmarrjes. Me zhvillimin e

kompjuterëve, si edhe hyrjen e kompjuterëve personal, ndikimi i IA dhe OR arriti

kulmet e saj. Futja e metodave të sistemeve eksperte (Buchanan, Sutherland, &

Feigenbaum, 1969), në zgjidhjen e problemeve të ndryshme të fushës ekonomike, pati

ndikimin e parë pozitiv në ekonomi. Rikthimi në vëmendje i rrjetave neurale në IA të

cilat janë zbatime të statistikës, apo përdorimi i simulimeve me algoritme heuristik të

zhvilluara në fushën e kërkimeve operacionale (Zahedi, 1987), sjellin në vëmendje një

ndërveprim të ndërsjellët midis rezultateve të fushës ekonomike dhe inteligjencës

14

artificiale. Një fokus i veçantë iu është dhënë problemeve të shumta të optimizimit, ku

të dyja fushat kanë dhënë kontributin e tyre dhe kanë ndihmuar njëra-tjetrën.

Fillimi i viteve 90 solli edhe risitë e saj në IA dhe ekonomi. Përdorimi masiv i

kompjuterëve solli edhe zhvillimin e bizneseve të cilat përdornin këto kompjutera për

të zgjidhur problemet e shumta të tyre (NRC, 1999). Në këtë këndvështrim u pa një

përdorim i shumë teknikave të IA, tanimë të përfshira si zgjidhje në shumë programe

kompjuterike. Një zhvillim interesant i këtyre viteve deri më sot është bashkimi i

metodave statistikore në studimin e ekonomisë me ato të inteligjencës artificiale,

konkretisht algoritmeve të mësuarit të përmbledhura në atë që njihet ndryshe si

“Machine Learning” (ML). Ishte pikërisht ky bashkim i metodave të statistikës me ato

të ML dhe bazave të dhënave që solli edhe lindjen e teknikave për përpunimin dhe

analizimin e të dhënave (Mannila, 1996). Këto teknika njihen ndryshe me emërtimin

“Data Mining”. Përdorimi i tyre edhe sot është i një rëndësie të veçantë edhe për

bizneset e ndryshme, pasi sot shumica e bizneseve i përdorin këto teknika për analiza

të ndryshme financiare, në kërkime tregjesh të reja apo edhe vlerësim produkti. Kjo

teknikë është pjesë themelore e asaj qe quhet “Knowledge Discovery”, e cila përfshin

disa hapa që nga selektimi, përpunimi, transformimi, “Data Mining” dhe Interpretimi

apo vlerësimi i njohurisë (Fayyad, 1996).

Në vitin 2001, si vazhdim i këtij drejtimi u vu në dukje një tjetër disiplinë e quajtur

“Data Science” ose shkenca të dhënave e cila ka në përdorim pikërisht algoritmat e

zhvilluar në IA (Cleveland, 2001). Kjo fushë ndërdisiplinore ka si qëllim analizat e të

dhënave për të nxjerrë njohuri apo edhe informacione nga të dhënat në forma të

ndryshme (Dhar, 2013). Aplikimet e saj shihen kryesisht në fushat ekonomike, të

biznesit dhe financës. Gjithashtu si pjesë e shkencave të dhënave, si edhe vazhdimësi

të teknikave “data mining” sot po vihet në dukje teknika e “Process Mining”, e cila

vendos ura lidhëse midis modelimeve të proceseve të biznesit dhe inteligjencës së

biznesit (van der Aalst, 2016).

Përveç ndikimit të dukshëm të IA në shkencat e të dhënave të cilat u aplikuan

konsiderueshëm në ekonomi, përsëri gjatë viteve 90 e tutje ka pasur zhvillime të tjera

në lidhje me ekonominë. Ishte pikërisht koncepti i agjentit, një term shumë i njohur deri

në ato vite sidomos në fushën ekonomike, i cili u mor në konsideratë nga IA. Një interes

të madh pati edhe në teoritë e vendimeve dhe racionalizimeve të Herbert Simon dhe se

si këto teknika të përdoreshin në sisteme me agjentë (Wellman, 1995), ku agjenti ka

rolin e vendimmarrësit në një model. Nocioni i agjentit inteligjent mori pikërisht këto

koncepte nga teoria e vendimmarrjes, teoria e lojërave në ekonomi apo edhe teoria e

kontrollit dhe u zhvillua në zgjidhjen e problemeve të IA në robotikë, automatikë dhe

në programe kompjuterike.

Një lëvizje rreth përdorimit direkt të inteligjencës artificiale në fushën ekonomike filloi

këto vite për të simuluar procese ekonomike. Shume punime si ai i Holland dhe Miller

për agjentët e adaptueshëm artificial në teorinë ekonomike (Holland & Miller, 1991),

punimet e Arifovic (Arifovic, 1991) mbi algoritmat gjenetik (Arifovic & Eaton, 1994),

si edhe punimet e Arthur ku me kryesori ishte për të mësuarit dhe përshtatja në ekonomi

(Arthur, 1992) u vunë në dukje. Këto punime u bazuan kryesisht në algoritmat gjenetik

dhe sistemet klasifikuese të Holland dhe në përpunimin e simboleve të Herbert Simon,

te dyja këto të zhvilluara nën fushën e IA. Të njëjtët persona u bënë edhe iniciuesit e

programit kërkimor ekonomik në Santa Fe, një institut i cili do merrej me studimin e

kompleksitetit me anën e IA. Në këtë institut, u krijua edhe simulatori i parë bazuar mbi

agjentë në ekonomi i njohur si tregu artificial i aksioneve (Palmer, Arthur, Holland,

15

LeBaron, & Taylor, 1994), i cili shënoi edhe fillimin e modeleve të bazuar në agjentë.

Ecuria e tyre pati zhvillim kryesisht në fushat e shkencave natyrore, për tu rikthyer

përsëri në vëmendje këto vitet e fundit (Farmer & Foley, 2009).

2.4. Përfundime

Kjo pjesë zbulon një lidhje të hershme midis fushës së inteligjencës artificiale dhe

fushës ekonomike. Duhet thënë se bazat e inteligjencës artificiale janë dhënë pikërisht

nga zhvillimi i metodave matematikore dhe mendimeve për zgjidhjen e problematikave

të ndryshme të fushës ekonomike. Teoritë bazë të mendimit ekonomik të filluara nga

filozofi Smith dhe shumë teori të tjera ekonomike të zhvilluara për zgjidhjen e

problematikave reale ekonomike janë të përfshira në brenda fushës multi-disiplinore të

IA. Kjo lidhje arrin kulmin në përfshirjen e konceptit të agjentit, një koncept ky i

përdorur gjerësisht në modelimet e ndryshme të fushës ekonomike. Ky koncept gjendet

i përdorur gjerësisht në fushën e IA në zgjidhjen e problematikave të ndryshme, duke

sjellë më vonë edhe zhvillimin e MAS. Në kontekstin e bashkëveprimit të fushës së IA

me fushat e statistikës dhe OR-se sollën krijimin e metodikave të përdorura në Data

Mining. Sot me rritjen teknologjike dhe mundësive të përdorimit të saj me anë të

sistemeve IoT, ka sjellë zhvillimin e këtyre metodave brenda disiplinës së Data Science,

ku sot përqendrohet më shumë në zhvillimin e teknikave analizuese të dhënave.

Duke pasur parasysh që IA është një shkencë eksperimentale, e cila teston dhe vlerëson

modele të ndryshme të cilat mund të jenë të lidhura me inteligjencën në tërësi. Një lidhje

e fushës IA dhe asaj ekonomike mbetet e hapur për tu shfrytëzuar në përdorimin e saj

në modelimet ekonomike. Një lidhje e tillë është trajtuar edhe në punimin e (Chen &

Kao, 2016), ku theksohet se idetë e zhvilluara në fushën e IA janë të zbatueshme edhe

në trajtimin e problematikave të modeleve ekonomike sot. Në këtë këndvështrim shihet

se trendi i ri i përdorimit të fushës IA do të jetë në ndërtimin e modeleve ekonomike që

përfshijnë idetë e saj. Një lëvizje e tillë tashmë ka filluar, dhe kjo vihet në dukje edhe

në këtë punim i cili konsideron avantazhet e arritura në fushën e IA dhe mundësitë për

krijimin e modeleve simuluese ekonomike. Për një studim më të detajuar të kësaj

mundësie, në kapitullin pasardhës do të trajtohet ekonomia artificiale, si një fushë e cila

merret pikërisht me simulimin kompjuterik të modeleve ekonomike.

16

KAPITULLI 3: EKONOMIA ARTIFICIALE

3.1. Hyrje

Që në fillimet e studimeve ekonomike, ekonomistët janë përpjekur të shpjegojnë

ekonominë duke punuar me sisteme qe ata mund t’i përcaktonin duke përdorur

ekuacione në mënyrë që t’i zgjidhnin problemet në mënyrë analitike. Ekonomistët nuk

kanë marrë parasysh apo anashkaluar problemet apo sistemet që nuk mund të

zgjidheshin për shkak të kompleksitetit të tyre. Disa nga studiuesit ekonomistë janë

përpjekur të përdorin modele të përafërta, por në shumicën e rasteve kjo ka çuar në

keqinterpretimin e sistemeve ekonomike.

Gjatë shekullit të njëzet, shumë hulumtues janë munduar të gjejnë mënyra të reja,

kryesisht të bazuara në analizat matematikore, për të shpjeguar sistemet ekonomike.

Ekonometria është një ndër fushat që u bë shumë popullore midis kërkuesve të fushës

ekonomike (Louçã, 2007). Hyrja në përdorim i kompjuterëve i nxiti ekonomistët të

përdornin programe kompjuterike të specializuara në analizat e ekonometrisë. Kjo i

ndihmoi ata për të studiuar dhe shpjeguar dinamikat e ekonomisë, si edhe për tu

përpjekur për të zgjidhur problemet e ndryshme të saj.

Në vitet e fundit u bë akoma më e dukshme se përdorimi i të tilla mjeteve nuk ishte e

mjaftueshme për analizimin e faktorëve që ndikojnë në modelet ekonomike. Një

problem i madh është pikërisht grumbullimi i të dhënave të agjentëve individual

ekonomik, ku secili prej tyre është i ndryshëm nga njëri-tjetri dhe përbërja e tyre

ndryshon gjatë gjithë kohës duke qenë dinamike (Gallegati, Palestrini, Delli Gatti, &

Scalas, 2006). Pikërisht për këtë shkak lindi dhe nevoja për të zgjidhur probleme

komplekse të kësaj natyre që përfshin ekonominë në tërësi, dhe fusha e cila merret me

të quhet ekonomia artificiale.

Koncepti i ekonomisë artificiale nuk është i ri në fushën e ekonomisë. Ky koncept

gjendet i përdorur në fillimet e veta si riprodhim në mënyrë bindëse dhe empirike i

serive kohore, në të cilin mund të përfaqësohej numerikisht modeli ekonomik (Backus,

Gregory, & Telmer, 1993). Edhe pse seritë kohore mund të përdoren për të analizuar

ekonominë nga karakteri i transaksioneve të ndërveprimeve të saj, përsëri kishte nevojë

për të shfaqur ekonominë nën një këndvështrim të ri dhe më të gjerë. Në përgjithësi

ekonomistët nuk u besojnë të dhënave të pyetësorëve, pasi pritshmëria e të pyeturit në

kohën e të përgjigjurit, mund të ndryshojë nga pritshmëria në momentin e të

përgjigjurit. Për këtë arsye, në punimin e Marey (Marey, 2000) u prezantua si zgjidhje

pikërisht eksperimentimi me “njerëz artificial”, duke kryer simulime kompjuterike me

agjent, ku sjellja e tyre bëhet sipas një përshkrimi matematikor që iu vendoset në

program. Në këtë mënyrë ne e dimë me siguri se cilat janë pritshmëritë e pjesëmarrësve

në kohën e transaksioneve. Këtu ideja e kësaj mënyre është të simulojë një model teorik

me disa vlera fillestare të kënaqshme dhe studimi se cilat supozime teorike çojnë në

rregullsi statistikore të serive kohore të gjeneruara që ngjasojnë me rregullsitë e

vërejtura. Ekonomi artificiale të tilla që bazohen në modelet e agjentëve për përcaktimin

e çmimeve të aseteve janë ndër trajtimet më të hershme në literaturë, si p.sh punimi i

Backus (Backus, Gregory, & Stanley, 1989), por që nuk kanë arritur të riprodhojnë seri

kohore bindëse.

3.1.1. Një mendim ndryshe

Në po këtë kohë, David Lane në punimin e tij me titull bota artificiale dhe ekonomiksi

pjesa e parë (Lane, 1993) në revistën “ekonomiksi evolucionar”, hodhi idenë e “botës

artificiale”. Në këtë punim bota artificiale u përkufizua si “modele stokastike të

17

implementueshme në kompjuter që përbëhen nga një grup entitetesh të nivelit mikro, të

cilat ndërveprojnë me njëri-tjetrin dhe me një mjedis, në mënyra të përcaktuara”.

Kushtet fillestare të një bote artificiale përcaktojnë gjendjen e mjedisit, popullatën e

entiteteve të nivelit mikro si edhe të atributet e tyre. Këto kushte fillestare së bashku me

dinamikën e botës artificiale prodhojnë një historik, ose siç quhet ndryshe një sekuencë

kohore të gjendjeve të botës. Qëllimi i modelimit të kësaj bote artificiale është të zbuloj

nëse ky historik shfaq “karakteristika emergjente” interesante. Një karakteristikë

emergjente është një veçori e historikut që:

mund të përshkruhet në terma të mbledhshëm, pa ndonjë referencë ndaj

atributeve të entiteteve,

qëndron përgjatë periudhave kohore më të gjata se shkalla kohore e mikro

ndërveprimeve,

dhe kundërshton shpjegimin me reduktim të supozimeve të karakteristikave

mikro të botës artificiale.

Lane argumenton se botët artificiale janë modele të mirë përcaktuara matematikore, por

që teoremat interesante rreth karakteristikave emergjente nuk mund të vërtetoheshin me

mjetet e deriatëhershme. Për këtë argumentim Lane dha tre arsye:

Së pari, botët artificiale janë të projektuara të jenë novatore ose sisteme të

hapura. Pra, ndryshimi i mjedisit të entiteteve të nivelit të ulët që i rrit ato vetë,

sjell ristrukturime emergjente të cilat transformohen vetë. Si rezultat i kësaj

është e vështirë aplikimi i metodave matematikore për të gjetur gjendjen

ekuilibër dhe nuk ka metodologji për studimin e karakteristikave të fenomeneve

të përkohshme.

Së dyti, karakteristikat emergjente janë domosdoshmërish funksione komplekse

të historisë së atributeve të entiteteve të nivelit mikro nga ndërveprimet e të

cilave ata vetë janë formuar.

Së treti, duket e qenësishme hipoteza se kapaciteti i një sistemi për të prodhuar

një organizatë hierarkike emergjente është një funksion i kompleksitetit të saj,

në atributet e komponentëve ose në rregullat e ndërveprimeve.

Këto ishin edhe arsyet për të cilat, autori i botëve artificiale u referua për nevojat e

implementimit në kompjuter. Në një punim të mëvonshëm të po atij viti (Lane, 1993),

autori bën analogjinë e qartë të botës artificiale me ekonominë artificiale duke shtuar

se është e nevojshme për të modeluar agjentët ekonomik bazuar mbi sistemet e

klasifikimit të John Holland. Në këtë këndvështrim, ai hedh tezën që të mos modelohen

më agjentët si aktor racional, siç ishte rasti në ekonominë neoklasike, por të modelohen

agjent që mësojnë. Gjithashtu, Lane vuri në dukje se qëllimi i eksperimentimit të

ekonomisë artificiale është gjetja e llojeve të regjimeve të strukturuara ekonomike që

mund të ndodhin dhe për të parë se si ato varen nga parametrat e sistemit dhe

karakteristikat e agjentëve. Ndryshe nga modelet e ekuilibrit të përgjithshëm,

ekonomitë artificiale janë në thelb dinamike, ku modeluesi i tyre është më i përqendruar

në modelimin e ndërveprimeve të agjentëve ekonomik, rregullimet institucionale të tyre

si dhe mënyrat e përfitimit të agjentëve nga mundësitë e këtyre rregullimeve.

Konfigurimet e saj duhet të jenë të luajtshme dhe shumë detaje institucionale duhet të

specifikohen.

3.1.2. Ekonomia dhe jeta artificiale

Një këndvështrim i ri i ekonomisë artificiale u dha nga Batten (Batten, 2000), i cili dha

idenë e marrjes parasysh të përdorimit të bazave të vetë-organizimit dhe bashkë-

18

evolucioni. Ai u bazua në shprehjen e Alfred Marshall për sa i përket ekonomisë, e cila

duhet të jetë pjesë e degës së biologjisë me studimin e jetës social-ekonomike dhe jo e

mekanikës. Kjo e bën atë më kulturore dhe dinamike, e jo vetëm financiare dhe

transaksione. Në këtë qasje të re, sfida kryesore mbetet krijimi i një metodologjie

sintetike ku sjellja e agjentëve ekonomik analizohet dhe vlerësohet. Kjo mënyrë

sintetike na çon përtej shikimit të jetës ekonomike siç ne e njohim dhe ta shohim atë

me konceptin e ri të jetës ekonomike siç mund të jetë. Kjo mënyrë ishte bërë e qartë pas

përdorimit në fushën e Jetës Artificiale (Steels & Brooks, 1994), ku konceptet e

inteligjencës artificiale si trupëzimi dhe mjedisi ishin përdorur si pjesë e sjelljes të

agjentëve inteligjent. Në tabelën e mëposhtme tregohet ngjashmëria midis automatës

qelizore dhe dinamikës social-ekonomike, e cila tregon edhe njëherë rëndësinë e

përdorimit të metodave të fushës së jetës artificiale në ekonominë artificiale.

Tabela 3-1: Ngjashmëritë midis automatës qelizore dhe dinamikës social-

ekonomike1

Automata Qelizore (AQ) Dinamika Social-Ekonomike

Elementët

bazë

Qelizat janë njësia bazë ose

atomet e AQ

Agjentët individual janë njësia bazë

e ekonomisë

Gjendjet e

mundshme

Qelizat marrin një nga gjendjet e

mundshme

Agjentët kanë modele mendore të

cilat i lejojnë ato të bëjnë zgjedhje

nga alternativat

Ndërvarësia Gjendja e qelizës ndikon te

gjendja e qelizës më të afërt

Zgjedhjet e bëra nga një agjent

ndikojnë te zgjedhja e agjentit tjetër

Aplikimet

dhe Detyrat

Modelimi i emergjencës së

rendit, rezultatet makro

shpjegohen nga rregullat mikro,

dhe rrugë vartësia e proceseve

dinamike

Detyrat kryesore

përfshijnë: kuptimin e emergjencës

së rendit, marrëdhënieve makro dhe

mikro, dhe dinamika ekonomike

Për shkak se ekonomia artificiale do të merrej me shumë agjent të cilët simulojnë sjellje

të ndryshme të agjentëve ekonomik, metodologjia e gjeneruesve të sjelljes nga fusha e

jetës artificiale (Langton, 1995) duhet të përdoret. Kjo i lejon fushës së ekonomisë

artificiale përdorimin e koncepteve të vetë-organizimit, rritjes, zhvillimit, evoluimit,

përshtatjes dhe shumë veçori të tjera të fushës që mund të vetë-gjenerohen duke

përdorur algoritmet e inteligjencës artificiale.

3.1.3. Mendimet sot për ekonominë artificiale

Një përkufizim jo zyrtar është dhënë nga Izquierdo (Izquierdo & Izquierdo, 2015), të

cilët e përkufizojnë ekonominë artificiale si “fusha kërkimore që mundohet të

përmirësoj kuptimin tonë mbi proceset social-ekonomike me ndihmën e simulimit

kompjuterik”. Ata e shpjegojnë këtë fushë duke u mbështetur mbi dy terma, kuptimi

dhe simulimi kompjuterik. Me termin kuptim, ne kuptojmë zbulimin e të rastësishmes,

d.m.th. të gjesh marrëdhëniet shkakësore midis vëzhgimeve dhe kjo në ekonominë

artificiale bëhet përmes ndërtimit të modeleve. Llojet e këtyre modeleve të analizuara

dhe projektuara në ekonominë artificiale janë modele formale të implementuara me

gjuhë programimi, e jo në formalizma matematikore si në fushën e ekonomiksit teorik.

Këtu ndërtohen modelet formale të proceseve social-ekonomike në mënyrë që t’i

1 E përshtatur nga tabela 5.2 e librit të Batten (Batten, 2000)

19

kuptojmë ato akoma më mirë. Modeli formal interpretohet nga një sistem formal që

është një bashkësi aksiomash dhe rregullash të njohura ndryshe si supozimet e modelit

dhe të shprehura në një gjuhë formale. Pasi këto supozime janë programuar në një

simulator kompjuterik të ekonomisë artificiale, ne thjesht mund të trajtojmë rezultatet

e simulimit si implikime të këtyre supozimeve. Eksplorimi i modelit bëhet duke marrë

rezultatet e simulimit të modelit disa herë për vendosje të ndryshme të variabëlve që

modeli përmban. Pra ne përdorim një proces deduktiv për të ndërtuar modelin nga

vëzhgimet e botës reale apo edhe për ndryshimet e mundshme të variabëlve, dhe më

pas një qasje induktive bëhet mbi një numër simulimesh për të gjetur rrugëzgjidhje rreth

sjelljes së modelit. Mënyra apo qasja e simulimit kompjuterik, si metodë për gjenerimin

e implikimeve formale, ka si karakteristikë përcaktuese pikërisht kombinimin e

konkluzioneve deduktive dhe induktive.

Nën kontekstin e teorisë ekonomisë, studiuesi vendos supozime duke thjeshtuar

modelet e marra në konsideratë, duke dalë në këtë mënyrë jashtë realitetit ekonomik të

situatës që studiohet. Në tabelën e mësipërme tregohen në mënyrë të përmbledhur

kufizimet e teorisë ekonomisë si dhe veçoritë që mund të eksplorohen me anë të

simulimit kompjuterik në ekonominë artificiale.

Tabela 3-2: Kufizimet e teorisë ekonomike dhe veçoritë e simulimit2

Kufizime tradicionale të teorisë

ekonomike

Veçoritë që mund të eksplorohen me

simulim kompjuterik

Agjent përfaqësues ose një vazhdimësi

agjentësh

Agjentë të përfaqësuar në mënyrë të qartë

dhe individuale

Racionaliteti Përshtatja në nivel individual ose në nivel

popullate

Informacioni perfekt dhe i plotë Informacion lokal dhe asimetrik

Fokusimi në ekuilibrat statik Fokusimi në dinamikat jashtë ekuilibrit

Deterministike (të përcaktuara) Probabilitare (stokastike)

Analiza nga lart-poshtë Sintezë nga poshtë-lart

Rastësore ose rrjetë e plotë

ndërveprimesh

Rrjetë ndërveprimesh arbitrare

Rol i vogël i hapësirës fizike Përfaqësim i qartë i hapësirës fizike

Popullata të pafundme Popullata të fundme

Preferencë për zgjidhje unike Varësia e rrugëzgjidhjeve dhe rastësia

historike

Përkufizime të tjera rreth ekonomisë artificiale janë dhënë edhe gjatë konferencave me

të njëjtin titull të filluara që në vitin 2005. Autorë si Bruun (Bruun, 2006) apo Consiglio

(Consiglio, 2007) e kanë përkufizuar ekonominë artificiale si përfaqësuese e një qasje

të re metodologjike ku ekonomitë, apo edhe strukturat sociale modelohen si sisteme të

agjentëve heterogjen ndërveprues me aftësi njohjeje që evoluojnë. Nën studimin e

ekonomisë artificiale janë prezantuar edhe të rejat dhe zhvillimet shkencore te fushave

si ekonomia dhe financa llogaritëse e bazuar në agjentë, modelimet dhe simulimet e

bazuara në agjentë, etj...

Një tjetër përkufizim i dhënë nga Herndandes dhe të tjerë (Hernández, Posada, &

López-Paredes, 2009) gjendet në parathënien e punimeve të konferencës së vitit 2009

2 Kjo tabelë është bazuar në punimin e Izquierdo (Izquierdo & Izquierdo, 2015)

20

mbi ekonominë artificiale, ku e trajtojnë ekonominë artificiale si ekonomi

eksperimentale që përdor agjentë softuer. Ata e mendojnë atë si një disiplinë midis

ekonomisë, modelimeve të bazuara në agjentë dhe inteligjencës artificiale të

shpërndarë. Ata e trajtojnë fushën e ekonomisë artificiale akoma në fillimet e saj, por

që me rritjen e aplikimeve të ABM-ve të përqendruara ka rezultuar në zhvillimin e

shpjegimeve më të mira të fakteve ekonomike. Simulimet janë përdorur në ekonomi

për të zgjidhur modele të mëdha ekonometrie, simulime të proceseve mikro në shkallë

të gjerë dhe marrjes së zgjidhjeve numerike për projektime politikash nga modelet e

përcaktuara nga lart-poshtë. Por këto përdorime nuk marrin avantazhet e ofruara nga

inteligjenca artificiale dhe llogaritja e shpërndarë, ekonomia artificiale mund të marrë

avantazhe pikërisht prej tyre. Në parathënien e konferencës pasardhëse (LiCalzi,

Milone, & Pellizzari, 2010), u trajtuan tre përcaktime mbi ekonominë artificiale:

Ekonomia artificiale lidh disiplinat si ekonomia, shkencat e menaxhimit dhe

shkencave kompjuterike me një theks mbi rolin e agjentëve, heterogjenitetit dhe

evolucionit.

Ekonomia artificiale lidh problemet ekonomike dhe qasje që vijnë nga fusha

kërkimore të ndryshme, të bashkuara nga nevoja e përdorimit në një

këndvështrim të gjerë të simulimeve, metodave numerike dhe heuristikës.

Ekonomia artificiale është e përbërë nga një rrjet i gjerë kërkuesish që duan të

kombinojnë problemet, idetë dhe zgjidhjet, në një mënyrë novatore që

inspirohen nga fushat e përmendura më lart.

Ndërsa në parathëniet e konferencave pasardhëse (Osinga, Hofstede, & Verwaart,

2011) dhe (Teglio, Alfarano, Camacho-Cuena, & Ginés-Vilar, 2012), u vu në dukje roli

i ekonomisë artificiale në trajtimin e krizës ekonomike në sistemet financiare botërore

publike dhe private. Ekonomia artificiale është e aftë të trajtojë probleme të tilla duke

përfshirë njohuri të ndryshme në modele. Hapi i vendosjes së një bashkësie konceptesh

si imitimi i sjelljes njerëzore sociale, nuk është i ri në këtë fushë dhe përmirësimet në

modelime në këto lloje konceptesh mund të përmirësojnë sjelljet emergjente të sistemit.

Në parathëniet e dy konferencave të fundit (Leitner & Wall, 2014) dhe (Amblard,

Miguel, Blanchet, & Gaudou, 2015) me tematikë ekonominë artificiale, përmenden si

pjesë përbërëse të qenësishme pikërisht modelet e bazuara në agjentë, ekonomia

llogaritëse e bazuar në agjentë dhe sistemet multi-agjent.

3.2. Sisteme komplekse adaptuese

Teoria e kompleksitetit në vetvete është një fushë e re, ndërdisiplinore që u zhvillua nga

teoria e sistemeve e viteve 1960. Kjo teori merret kryesisht me ndërveprimet dhe ciklet

kthyese të sistemeve që vazhdimisht ndryshojnë, të cilat i studion kryesisht duke

vlerësuar paqartësinë dhe jo-linearitetin e tyre (Grobman, 2005). Teoria e

kompleksitetit njihet ndryshe edhe si studimi i sistemeve komplekse. Ajo i ka fillimet

e saj në Institutin Santa Fe të New Mexicos ku edhe njihet ndryshe me emrin sisteme

komplekse adaptuese (“Complex Adaprive Systems” - CAS) i cili është një rast i

veçantë i sistemeve komplekse (Chan, 2001). Përkufizimi i parë i CAS gjendet pikërisht

në punën e Cowan dhe Feldman (Cowan & Feldman, 1986), ku ata e trajtuan si një

sistem i përbërë nga një numër elementësh të bashkuar, veçoritë e së cilës janë të

modifikueshme si rezultat i ndërveprimeve në mjedis. Duke parë literaturën CAS

shfaqet më tepër si një nocion se sa si një klasifikim formal, ajo gjendet edhe me

emërtime të tjera si sisteme dinamike komplekse adaptuese apo edhe si sisteme sociale

komplekse adaptuese të përmendur në punimin e (Miller & Page, 2007).

21

Sistemet komplekse adaptuese janë të bazuara kryesisht në punimin e Holland

(Holland, 1992), në të cilin ai e përkufizon CAS si sisteme dinamike të afta për t’u

përshtatur dhe evoluar me ndryshimin e mjedisit. Analiza e CAS bëhet nga kombinimi

i disa metodave teorike, të aplikuara dhe eksperimentale kryesisht me anë të

simulimeve. Një CAS nuk ka ndonjë ekuacion apo rregull qe e kontrollon sistemin, por

ka pjesëza ndërvepruese dhe të shpërndara me pak ose aspak kontroll qendror ku secila

prej tyre udhëhiqet nga rregullat e saj. Secila prej këtyre rregullave mund të ndikojë në

rezultat, sikurse edhe në veprimet e pjesëzave të tjera. Rezultati i kësaj strukture të

bazuar në rregulla kërkon për procedura evolucionare që i mundësojnë sistemit të

përshtatet ndaj mjedisit rrethues. Sipas këtij këndvështrimi ku pjesët bazë të sistemit

shihen si bashkësi rregullash, sistemi duhet të bazohet mbi tre mekanizma kyç:

Paralelizmi, i cili lejon sistemin të përdori rregullat individuale, pra duke lejuar

bashkësinë e rregullave për të shpjeguar dhe vepruar ndaj situatave të

ndryshueshme.

Konkurrenca, e cila lejon sistemin të zgjedhë midis rregullave në bazë të

situatave, duke treguar fleksibilitet dhe transferuar eksperiencat e saj.

Rikombinimi, i cili luan një rol kyç në procesin e zbulimit duke krijuar rregulla

të reja nga pjesë rregullash të testuara.

Të gjitha këto mekanizma lejojnë CAS-in t’i përshtatet mjedisit të tij duke përdorur

mundësitë e përgjigjes kohë pas kohe. Sistemi balancon marrjen e informacionit dhe

aftësive, me efiçencën e përdorimit të informacionit dhe aftësive që ka, ose ndryshe

balancon eksplorimin me shfrytëzimin.

Në punimin e mëvonshëm të Holland (Holland, 2006), në mënyrë të ngjashme u

ripërcaktuan katër mekanizma me po të njëjtat ide, te cilat janë paralelizmi, veprime të

kushtëzuara, modulariteti dhe e fundit përshtatja dhe evolucioni që përfshin edhe

metodat e inteligjencës artificiale. Në figurën 1 tregohet një sistem CAS i përshtatur

nga punimi i (North & Macal, 2007), i cili vendos në dukje karakterin kompleks të

sistemeve të tilla që janë edhe të zakonshme në natyrë, shoqëri dhe në ekonomi.

22

Figura 3-1 Sisteme komplekse adaptuese3

Në mënyrë të përgjithshme mund të themi se CAS aplikohet në sisteme që kanë këto

tre veçori (Saitta & Zucker, 2013):

1. Kanë numër të madh njësish që ndërveprojnë me njëri tjetrin

2. Sjellja e tyre nuk përcaktohet nga sjellja e njësive, por del nga ndërveprimet e

tyre si bashkësi, pra duke treguar përshtatje dhe inteligjencë,

3. Shfaqin fenomene kritike si pasojë e informacionit të kufizuar të njësive.

Duke marrë në konsideratë këto veçori, mund të shihet se sistemet ekonomike i kanë

këto veçori. Për të mund të themi se ka numër të madh njësish ekonomike që mundohen

të marrin vendime, si edhe jo të gjitha njësitë kanë informacion të plotë se çfarë

vendimesh marrin ose bëjnë të gjitha njësitë e tjera ekonomike. Këto njësi mundohen

të jenë inteligjente duke kryer llogaritje si edhe përshtaten me ndryshime e tregut. Kjo

e bën sistemin ekonomik shumë tërheqëse ndaj kërkuesve për të simuluar, modeluar

dhe pastaj studiuar rezultatet e saj.

Nga një këndvështrim i fushës së inteligjencës artificiale, sistemet CAS duhet të

përfshijnë tre veçori të rëndësishme (Gevel & Noussair, 2013):

Përfshirja e njësive reaguese të afta për të treguar atribute të ndryshme në bazë

të ndryshimit të kushteve të mjedisit.

Përfshirja e njësive të drejtuar drejt qëllimit e cila drejton disa prej reagimeve

drejt arritjes së qëllimeve të saj.

Përfshirja e njësive planifikuese që mundohet të kontrolloj mjedisin për arritjen

e këtyre qëllimeve.

Një numër i madh aspektesh të CAS janë modeluar përgjithësisht me aparat

matematikor si ekuacione diferenciale apo edhe simulime Monte Carlo, pra me

thjeshtimin e pjesëve të ndërlikuara dhe më pas bashkimin e tyre (Boccara, 2010).

Sidoqoftë, duke vlerësuar këto veçori të sistemeve CAS, ne mund të themi se është e

nevojshme përdorimi i metodave të bazuara në agjentë për të trajtuar pikërisht këto lloje

3 E përshtatur nga punimi i (North & Macal, 2007)

23

sistemesh. Një zgjidhje të tillë e shfaq edhe Axelrod (Axelrod, 1997) në librin e tij ku

prezanton modelet e bazuara në agjentë si zgjidhje të aspekteve të CAS. Në trajtimin e

ekonomisë si një sistem CAS, shohim se ajo trajtohet gjerësisht me metoda të bazuara

në agjentë, të cilat njihen ndryshe si ekonomia llogaritëse e bazuar në agjentë.

3.3. Ekonomia llogaritëse e bazuar në agjentë

Ekonomia llogaritëse e bazuar në agjentë ose siç njihet shkurt ACE është studimi

llogaritës i proceseve ekonomike të modeluara si sisteme dinamike të agjentëve

ndërveprues (Tesfatsion, 2006). ACE është një fushë e re kërkimore e cila po zhvillohet

këto vitet e fundit dhe e cila përdor metodat e bazuara në agjentë. ACE është marrë në

shqyrtim nga fusha e ekonomisë artificiale që në fillimet e saj dhe është pjesë e

rëndësishme e saj. Ajo është trajtuar edhe në fushën e ekonomisë eksperimentale.

Ato trajtohen brenda fushës së ekonomisë llogaritëse ACE si pjesë e disiplinës së

sistemeve komplekse dinamike adaptuese ose siç quhet edhe ndryshe CAS. Kjo është

edhe për faktin se problemet ekonomike janë CAS, pasi kanë një numër të madh njësish

ekonomike të përfshira në ndërveprime midis tyre dhe paralele. Këto ndërveprime të

tyre në një numër të madh shfaqin rregulla makroekonomike si p.sh rregullat e tregtisë

apo edhe normat e sjelljes, të cilat ndikojnë edhe në mënyrën e të bërit të vetë këtyre

ndërveprimeve. Rezultati është një sistem i ndërlikuar dhe dinamik i lidhjeve të

përsëritura të rastit që lidhin sjelljet individuale, rrjetet e ndërveprimeve dhe rezultatet

e mirëqenies sociale. Pavarësisht se kjo lidhje reaguese midis strukturave mikro dhe

makro ekonomike ka qenë në fokus të shumë studiuesve për kohë shumë të gjatë, madje

që në kohën e Smith (Smith, 1776), ekonomistët kanë vuajtur për mjete për të modeluar

këtë lidhje numerikisht me kompleksitetin e saj të plotë.

Përparimet e fundit në metodat e mjeteve llogaritëse dhe analitike, ka rritur mundësitë

e mjeteve modeluese për ekonomistët. Si një mjet i ri në ndihmë të ekonomistëve janë

edhe simulimi dhe modelimi i bazuar në agjentë, ose siç njihet ndryshe ABM. ABM-të

ofrojnë disa avantazhe krahasuar me metodologjitë e tjera për kërkimet ekonomike.

ABM-ja është një model i përbërë nga agjentë autonom të vendosur në një mjedis

ndërveprues ose siç mund të mendohet ndryshe, është një shoqëri (Chen, 2008).

Simulimi i këtij modeli në kompjuter është mënyra më praktike për shfaqjen e

dinamikave ekonomike dhe kjo përbën edhe avantazhin e saj kryesor. Agjentët autonom

në këto modele mund të mendojnë, mësojnë, përshtaten apo edhe të marrin vendime

strategjike bazuar mbi një bashkësi specifikimesh dhe rregullash që i jepen në fillim.

Në modelet e ACE-së këta agjent mund të jenë entitete ekonomike, sikurse edhe sociale,

biologjike dhe fizike.

Zakonisht termi agjent nga shkencat kompjuterike njihet si një pjesëz programi që

përfshin të dhënat bashkë me metodat e të sjelljeve që veprojnë mbi këto të dhëna.

Disa nga këta të dhëna janë të arritshme nga agjentët e tjerë, ndërsa të tjera janë private

dhe të pa arritshme nga agjentët e tjerë. Në këtë mënyrë agjentët mund të marrin veçori

reale të individëve si konsumator, punëtor, apo edhe të grupimeve sociale si familjet,

firmat, deri te institucione si tregjet dhe sistemet rregullatorë. Agjentët mund të kenë

edhe veçori fizike si infrastruktura, hapësira gjeografike si edhe biologjike.

Njëkohësisht ndërveprimi i agjentëve lejon praninë e strukturave hierarkike si p.sh

firma që ka punëtorë, aksionarë dhe konsumator. Agjentët që formojnë këto struktura

duhet të sillen në bazë të rregullave të mjedisit që ata formojnë dhe të veprojnë në

mënyrë të përbashkët.

24

Një karakteristikë e këtyre modeleve është që parametrat agregate si konsumi, kursimet,

investimet, e të tjerë që janë njësi bazë në analizën ekonomike, nuk mund të modelohen

në një model ACE. Ato thjesht mund të jenë rezultate të saj në bazë të vendimeve të

agjentëve autonomë.

Në punimin e Richiardit (Richiardi, 2012) thuhet se përdorimi i ACE-ve nuk është i

kufizuar vetëm me analizën e sistemeve komplekse CAS. ACE është e vlefshme edhe

në marrjen e një ideje të shpejtë për dinamikën që sistemi mund të prodhojë si edhe në

hetimin e plotë të modeleve që nuk mund të analizohen me analizat tradicionale.

Hulumtimet e ACE udhëhiqen nga dy çështje themelore (Tesfatsion, 2002). Çështja e

parë ka të bëjë me natyrën përshkruese, e cila përqendrohet në shpjegimin konstruktiv

të sjelljes emergjente globale. P.sh arsyet se pse tregjet e decentralizuara ekonomike

botërore kanë vazhdimësi dhe janë zhvilluar në bazë të disa rregullsive globale të

vetëvendosura pa ndonjë planifikim apo kontroll, si edhe se si këto rregullsi janë

gjeneruar nëpërmjet ndërveprimeve të agjentëve autonom. Çështja e dytë ka të bëjë me

natyrën normative, ku vëmendja është në gjetjen e modeleve alternative të ekonomisë

që mund të rrisin tepricën e konsumit, fitimet e shitësit, apo edhe rritjen e mirëqenies.

Këtu shihet se si funksionon i gjithë mekanizimi ekonomik, ku për një entitet ekonomik

mund të shohim se cili është ndikimi i tij në ekonomi. Në këtë rast mund të shohim se

si mund të ndikojë në ekonomi një rregull tregtar apo një politikë qeveritare.

Vëmendja e ACE në sistemet e vetë-organizuara nuk është i ri (Tesfatsion, 2002).

Ekonomia tradicionale ka studiuar me metoda sasiore, teorike dhe eksperimentale

proceset nga të cilat një rregull i caktuar mund të dalë nga sjelljet në nivel mikro. Ajo

çka e bën ACE të rëndësishme qëndron te mënyrat e përdorimit të mjeteve llogaritëse,

ku mund të nxjerrim katër mënyra kyçe të përdorimit të tyre (Tesfatsion, 2003). E para,

sistemet llogaritëse ndërtohen duke i populluar ato me agjent heterogjen të cilët

përcaktojnë ndërveprimet e tyre me agjentët e tjerë dhe me mjedisin e tyre në bazë të

normave sociale, rregullave të sjelljes dhe të dhënave të marra si eksperiencë. E dyta,

agjentët përshtatin vazhdimisht sjelljet e tyre për të kënaqur preferencat e tyre, ku edhe

shfaqin vetorganizim. E treta, proceset evolucionare konsiderohen si procese natyrore

që veprojnë mbi sjelljet e agjentit, kjo lejon eksperimentimin e hapur të tyre me rregulla

të reja. E fundit, botët ekonomike të modeluara mund të rriten në kohë reale dhe ngjarje

të reja mund të krijohen nga ndërveprimi agjent me agjent apo edhe agjent me mjedis

pa ndërhyrje nga jashtë.

Një eksperiment në ACE fillon me ndërtimin e ekonomisë me një numër të caktuar

agjentësh nga modeluesi i saj. Këto agjentë mund të përfshijnë agjentë ekonomik

sikurse edhe agjentë të tjerë që përfaqësojnë fenomene mjedisore apo edhe sociale.

Modeluesi përcakton gjendjen fillestare të ekonomisë duke vendosur atributet fillestare

të agjentëve. Ato mund të përfshijnë karakteristikat e tipit, normat e sjelljes së

brendshme, modelet e komunikimit dhe të mësuarit, dhe informacione të brendshme të

ruajtura në të rreth vetes dhe agjentëve të tjerë. Më pas modeli evoluohet pa

ndërveprimin e modeluesit. Të gjitha ngjarjet që ndodhin nxirren nga historiku i

ndërveprimeve agjent me agjent. Më pas janë pikërisht këto të dhëna që analizohen nga

studiuesit e ekonomisë. Kjo mënyrë e krijimit të dhënave sintetike njihet edhe si qasja

nga poshtë-lart në studimin e ekonomisë dhe është karakteristika kryesore e ACE.

3.3.1. Fushat e hulumtimit të ACE

ACE është një fushë e gjerë hulumtimi dhe përdorimet e saj varen nga kombinimet e

teknikave që përdoren te agjentët artificial. Në shikimin e përgjithshëm të punimeve në

25

fushën e ACE, ka një klasifikim të hulumtimit në ACE në tetë fusha kërkimore të

përcaktuara nga Tesfatsion (Tesfatsion, 2003):

1. Të mësuarit dhe mendja e trupëzuar

2. Evoluimi i normave të sjelljes

3. Modelimi nga poshtë-lart i proceseve të tregut

4. Formimi i rrjetave ekonomike

5. Modelimi i organizatave

6. Projektimi i agjentëve kompjuterik për tregjet e automatizuara

7. Eksperimentime paralele me agjentë real dhe kompjuterik

8. Ndërtimi i laboratorëve llogaritës ACE

Secila nga këto fusha kërkimore të ACE na tregon rreth përdorimeve të ndryshme të

modeleve të ACE. Në pjesën e mëposhtme do të shpjegojmë secilën prej tyre me

mundësitë e aplikimit të tyre.

3.3.1.1. Të mësuarit dhe mendja e trupëzuar

Çështja kryesore në këtë fushë kërkimore të ACE-së është se si të modelojmë trurin e

agjentëve kompjuterik që popullojnë mjediset e zhvillimit të ACE-së. Algoritmet e para

të përdorura në ACE janë zhvilluar duke pasur në mendje objektivat optimale dhe

përdorimi i tyre me kujdes në proceset shoqërore. Por për proceset ekonomike të

automatizuara është e nevojshme përdorimi i duhur i algoritmeve të mësuarit bazuar në

kriteret optimale ku strategjitë e agjentëve bashkë-evoluojnë mbi bazën e ndonjë kriteri

fitness të jashtëm. Në disa raste procesesh reale të ekonomisë botërore, ACE duhet të

përdorë algoritme të mësuarit që përfshijnë objektiva reale njerëzore dhe sjellje

vendimmarrëse të tyre. Për shkak të ndryshimeve të shumta në eksperimentimet

laboratorike midis sjelljes njerëzore reale dhe atyre të bazuara mbi teoritë tradicionale

të agjentit racional, u pa e nevojshme pasja e një modelimi më të mirë të sjelljes së

agjentit. Për këtë është sugjeruar qasja e mendjes së trupëzuar, e cila përfshin ide nga

robotika, neuroshkenca, psikologjia dhe inteligjenca artificiale. Në shumë punime janë

sugjeruar përdorime të algoritmeve të ndryshme, ku raste të tilla të studiuara për raste

të veçanta janë të shumta. Ndër to veçojmë punime si p.sh. të mësuarit me përforcim

reagues i përdorur në vendimmarrje lokale bazuar mbi informacion, mendim dhe

ndërveprim (Sinitskaya & Tesfatsion, 2015), përdorimi i rrjetave neurale për ACE

(Seiffertt & Wunsch, 2012), si edhe të mësuarit në thellësi në modelet e bazuara në

agjentë (van der Hoog, 2016). Pavarësisht këtyre punimeve, asnjë nga këto algoritmet

nuk punojnë siç duhet në çdo rast. Për këtë sugjerohet që të ndërtohet një ACE e cila i

mëson agjentit formën se si të mësojë, pra i jep mundësinë agjentit të dijë të zgjedhë kë

algoritëm të përdorë për çdo rast (Gevel & Noussair, 2013).

3.3.1.2. Evoluimi i normave të sjelljes

Koncepti i normës është përkufizuar në lloje të ndryshme nga shumë studiues, por më

i njohuri në fushën e agjentëve është Axelrod (Axelrod, 1997). Ai e përkufizon normën

si një vendosje sociale ku individët veprojnë në një mënyrë të caktuar dhe dënohen nëse

i shmangen asaj. Ekzistenca e tyre është një çështje se si ne e shohim atë dhe lejon

studimin e rritjes apo zvogëlimit të normës si një proces evoluimi. Përdorimi i

eksperimenteve në metodat me agjentë, tregon se si mund të zhvillohet bashkëpunimi

midis agjentëve të vetë-interesuar të palidhur më parë nëpërmjet reciprocitetit të

sjelljeve të pakta të këtyre agjentëve. Përdorimi i ACE ka treguar se sjellje të

përbashkëta mund të dalin në pah nga ndërveprimet e agjentëve me rregulla të thjeshta

sjelljeje. Në këtë fushë kërkimi ne shohim stabilitetin e institucioneve ekonomike dhe

26

normave sociale të bazuara mbi to, sikurse studiojmë edhe zhvillimin e institucioneve

dhe normave sociale.

Kjo ide ka inkurajuar marrjen në konsideratë të racionalizimit të kufizuar dhe

dinamikave evolucionare. Një punim shumë i rëndësishëm është ai i Epstein (Epstein,

2001), i cili përdor modelet e bazuara në agjentë për të studiuar një aspekt të evolucionit

të normave sociale bazuar mbi kohën e mendimit të agjentit për një sjellje. Në bazë të

saj u pa se kjo kohë është në përpjesëtim të zhdrejtë me fuqinë e normës që lidhet me

këtë sjellje. Pra, sapo një normë sjelljeje vendoset në një shoqëri, individët mundohen

të zbatojnë normën pa e menduar atë. Kjo mënyrë i mëson agjentët të mësojnë se si të

sillen, ose ndryshe i lejon ato të mësojnë se sa duhet të mendohen se si të sillen.

Në këtë fushë të kërkimit në ACE shihet qartë ndikimi i fushës së teorisë së lojërave,

siç vihet në dukje edhe nga punimet e Albin dhe Foley (Albin & Foley, 2001), sikurse

edhe në zgjidhjen e tyre me anën e modeleve të bazuara në agjentë të shfaqur në

punimin rreth dinamikave sociale të Young (Young, 2006). Gjithashtu si e ardhmja e

kërkimit në ACE shihet evolucioni i normave të sjelljes në situata veprimi kolektiv.

3.3.1.3. Modelimi nga poshtë-lart i proceseve të tregut

Një nga fushat më të gjalla të kërkimit në ACE është studimi i mundësive vetë-

organizuese të proceseve tregtare. Në studimin e hershëm të Marks (Marks, 1992), u

përdor një model i ngjashëm me ACE për një treg oligopoli për të hetuar se si çmimet

e vendosura nga firmat mund të konkurrojnë. Ky model u bazua mbi algoritmet

gjenetike për modelimin e firmave. Veprimet e mutacioneve dhe rikombinimit u

aplikuan në mënyrë të përsëritur në strategjitë e çmimeve të firmave, si një mënyrë për

eksperimentimin e ideve të reja dhe marrjes pjesë në një mimikë sociale duke përshtatur

aspekte të strategjive të përdorura nga firmat me shumë fitim. Një rezultat nga

eksperimentet e këtij modeli ishte shfaqja e çmimeve optimale të maksimizuara midis

firmave pa ndonjë përplasje çmimi eksplicite. Ky ishte mbase një nga punimet e para

të ACE, dhe për shumë ekonomistë ishte diçka e panjohur për rezultatet që ky evolucion

i bashkëpunimit nga poshtë-lart jepte.

Shumë lloje tregjesh janë studiuar me ACE, ku mund të përmendim tregjet financiare,

tregu i punës, tregjet e elektricitetit, tregjet e shit-blerjeve, etj. Metodat tradicionale të

përdorura në tregjet financiare bazuar mbi supozimet e zgjedhjes racionale dhe

efiçencës së tregut nuk kanë dhënë një shpjegim të plotë për shumë probleme të saj.

Për shkak të këtyre vështirësive, tregjet financiare janë bërë një nga fushat më aktive

për modeluesit e ACE. Punimi i LeBaron (LeBaron, 2006), bën një studim mbi modelet

ACE në financë kryesisht në modele ku përdorimi i mjeteve të ACE janë kritike për

procesin e përpilimit të modeleve që japin njohuri në rëndësinë dhe dinamikën e

investitorëve heterogjen në mjediset financiare. Në po këtë punim ai i quan këto modele

si financa llogaritëse të bazuara në agjentë (ACF). Modelet e ACF për tregjet financiare

lejojnë agjentët të formojnë pritshmëri duke përdorur sisteme të ndryshme klasifikimi

që i lejojnë ata të shpjegojnë rregullsi të ndryshme të shfaqura në të dhënat financiare.

Punimi i Kyrtsoy dhe Sornette (Kyrtsou & Sornette, 2012) prezanton ide të reja dhe

zgjidhje për krizat financiare të viteve 2008, duke sjellë një përmbledhje punimesh nga

tregjet financiare, teorinë e kompleksitetit dhe modelet e bazuara në agjentë.

Përdorim të mjeteve të ACE shihen edhe në tregjet e bursave p.sh. në punimin e

Creamer (Creamer, 2012) është përdorur një metodë e bazuar në agjentë ku agjenti

është implementuar duke përdorur algoritmet e të mësuarit. Ky model i quajtur

Logitboost arrin të kalibrojë një model tregtie duke kombinuar versionet e ndryshme të

27

algoritmeve si rrjetat neurale, algoritmin gjenetik, si edhe algoritmin e të mësuarit.

Gjithashtu punime janë parë edhe në tregjet e këmbimit valutor.

Në tregjet e energjisë elektrike janë bërë gjithashtu disa punime të bazuara në agjentë.

Njëri prej tyre është ai Li dhe Tesfatsion (Li & Tesfatsion, 2009), të cilët diskutojnë

përfitimet e përdorimit të metodave me agjent në tregjet elektrike duke dhënë si zgjidhje

një mjet ACE të quajtur AMES. Gjithashtu një punim tjetër i mëvonshëm i Ringler dhe

të tjerë (Ringler, Keles, & Fichtner, 2016) realizuan një rishikim literature të gjithë

punimeve të bazuara në teknikat e modelimit dhe simulimit me ACE për analizimin e

tregjeve dhe rrjetave inteligjente elektrike. Shumë nga kërkimet në ACE përqendrohen

në evoluimin e strukturave institucionale horizontale, ndërkohë që ekonomitë reale

janë shumë hierarkike dhe kjo hierarki e lejon individin të zgjedhë informacionin e

duhur në botën komplekse.

3.3.1.4. Formimi i rrjeteve ekonomike

Një aspekt i rëndësishëm i tregjeve jo konkurruese me agjentë ndërveprues në mënyrë

strategjike është mënyra në të cilën agjenti përcakton partnerët e tyre të transaksionit, i

cili ndikon formën e rrjeteve të transaksionit që evoluojnë dhe vazhdojnë me kalimin e

kohës. Transaksionet analizohen me metodat e kostove të transaksioneve ekonomike,

por kjo pa u mbështetur në dinamikat e të mësuarit, përshtatjes dhe inovacionit, si edhe

pa zhvillimin e besimit reciprok. Studimet fillestare të ACE përqendrohen në formimet

endogjene të rrjeteve tregtare si në punimet e Albin dhe Foley (Albin & Foley, 2001),

Vriend (Vriend, 1995) dhe Kirman (Kirman & Vriend, 2001). Në këto studime

shqetësimi kryesor qëndron në shfaqjen e rrjeteve tregtare midis blerësve dhe shitësve

të cilët përcaktojnë partnerët tregtar në bazë të eksperiencave të mëparshme. Në tregjet

e punës (Neugart & Richiardi, 2014) është studiuar lidhja midis strukturave të tregut,

rrjeteve ndërvepruese midis punëdhënësit dhe punëmarrësit, sjellja në punë dhe

rezultatet e mirëqenies. Një problem i studiuar në këtë kategori kërkimesh është mënyra

se si rrjeta e ndërveprimeve ekonomike përcaktohet nga zgjedhja e matur e partnerit

tregtar apo edhe e rastit. Ndërveprimi mund të jetë një situatë loje ku partnerët zgjedhin

veprime strategjike ku fitimi që marrin nga rezultati i zgjedhjes mund të mos jetë i

njohur. Kjo do të sillte që secili prej tyre do kalonte një proces ku zgjedhja e tyre do

varej nga zgjedhjet e mëparshme të tyret dhe të partnerit tregtar.

3.3.1.5. Modelimi i organizatave

Organizatat përbëhen nga një grup njerëzish që grupohen në bazë të një qëllimi të

përbashkët ose një kriteri që vetë grupi e vendos nga qëllimet e veta. Organizatat shihen

si sisteme komplekse CAS. Në studimet e ACE mbi tregjet, vendoset theksi mbi efektet

e llojeve të veçanta të rregullave të sjelljes në firma mbi dinamikën e çmimeve, rritjen

dhe strukturën e tregut. Një model tregu ACE mund të eksplorojë se si struktura e tregut

dhe organizimi i brendshëm i secilës firmë pjesëmarrëse do të ndikonte në rregullat

optimale të sjelljes të vetë firmave pjesëmarrëse.

Në punimin e Chang dhe Harrington (Chang & Harrington, 2006), organizata shihet si

një koleksion agjentësh që ndërveprojnë me njëri tjetrin për të plotësuar detyrat e dhëna.

Performanca e një organizate në këtë model të bazuar në agjentë përcaktohet nga

strukturat formale dhe joformale të ndërveprimeve të agjentëve që përcaktojnë mënyrat

e komunikimit, ndarjen e detyrave të përpunimit të informacionit, shpërndarjen e

autoritetit vendimmarrës dhe sigurimin e nxitësve. Studimi i organizatave në fushën e

ACE ka lejuar studimin e saj në mënyrë sasiore brenda parametrave ekonomik.

28

3.3.1.6. Projektimi i agjentëve kompjuterik për tregjet e automatizuara

Kontraktimi i automatizuar nëpërmjet agjentëve kompjuterik përveç kohës së punës

mund të rritin edhe efiçencën e kërkimit në aplikime të caktuara. Në këtë fushë është

një numër i madh kërkuesish që janë përfshirë në projektimin e agjentëve kompjuterik

për tregjet e automatizuara. Në shumë raste sisteme komplekse me shumë agjentë janë

zhvilluar në zgjidhjen e këtyre tregjeve që mund t’i gjejmë sot të implementuara në

jetën tonë të përditshme. Këto sisteme na ndihmojnë sot në zgjedhjet tona në tregje të

automatizuara në internet.

Nën kontekstin e fushës kërkimore të ACE, këto metoda janë parë nën syrin e simulimit

të veprimeve të agjentëve si dhe se sa të rëndësishme janë rrjetat e ndërveprimeve për

parashikimin e tregjeve. Nëse efektet e ndërveprimeve janë të dobëta, si në tregjet e

ankandeve, atëherë aspektet strukturore të tregjeve si numri i blerësve dhe shitësve,

kostoja dhe madhësia janë përcaktuesit kryesor të rezultateve të saj. Strukturat e çdo

tregu të ndryshëm duhet të lidhen me tendencat relativisht të thjeshta të shpërndarjes së

prodhimit në përgjigje të strukturave me kushte të ndryshueshme. Nëse efektet e

ndërveprimeve janë të forta, siç janë në tregjet e punës, atëherë strukturat e çdo tregu

të ndryshëm mund të lidhet me shpërndarjet e mundshme të prodhimit tregtar. Kjo

mund të ndahet në dy ose më shume grupe të veçanta që i përkasin rrjeteve të

ndërveprimeve të veçanta.

Në punimin e MacKie-Mason dhe Wellman (MacKie-Mason & Wellman, 2006) mbi

tregjet e automatizuara dhe agjentët tregtues, tregohet se automatizimi kompjuterik ka

potencial të transformojë hartimin dhe veprimet e tregjeve, si edhe të sjelljeve të

agjentëve që tregtojnë në të. Në këtë punim flitet rreth nevojave të zhvillimit të një loje

teorike tregtie në të cilën agjentët veprojnë duke bërë blerje dhe shitje të shumëfishta

bazuar mbi preferencat e tyre të ndryshueshme. Ne këtë mënyrë ne mund të shohim

edhe rezultatet e politikave të ndryshme, si rregulla të ofertë-kërkesës apo taksave që

mund të vendosim mbi të mirat.

3.3.1.7. Eksperimentime paralele me agjentë real dhe kompjuterik

Eksperimentet me subjekte njerëzore kanë qenë gjithmonë një metodologji e

rëndësishme ekonomike (Roth, 1995), por ajo që nuk mund të dihet saktësisht është se

pse subjekti njerëzor bën një zgjedhje të caktuar. Në shumë raste mendimet dhe

preferencat e njeriut ndikohen nga zgjedhjet e tij dhe kjo mund të përfshijë edhe gabime

në veprime. Në eksperimentet me agjentë kompjuterik në ACE, modeluesi vendos

kushtet fillestare dhe më pas agjentët me kalimin e kohës zhvillojnë së bashku rregullat

e sjelljes. Në këtë mënyrë modeluesi mund të gjej arsyet e këtij evolucioni në filiz duke

iu kthyer të dhënave sintetike të krijuara. Ekziston një mundësi për sinergji midis

eksperimenteve me njerëz dhe atyre me agjentë kompjuterik. Sjellja e subjekteve

njerëzore mund të përdoret si udhëheqëse e rregullave të sjelljes së agjentëve

kompjuterik, ndërsa sjellja e këtyre të fundit mund të përdoret për të formuluar hipoteza

rreth sjelljeve të subjekteve njerëzore.

29

Figura 3-2 Llojet e eksperimenteve me subjekte njerëzore dhe agjent

kompjuterik4

Në figurën e mësipërme, duken qartazi rastet e studimeve të mundshme me agjentë

kompjuterik dhe me subjekte njerëzore.

3.3.1.8. Ndërtimi i laboratorëve llogaritës ACE

Shumë ekonomist përdorin modelet kompjuterike për testimin e ekonomisë.

Ekonomisti i njohur Robert Lucas (Lucas, 1987), ka thënë se “teoria nuk është një

koleksion pohimesh rreth sjelljes së ekonomisë por është një bashkësi udhëzimesh për

ndërtimin e një sistemi paralel analog apo një ekonomie imituese”. Nëpërmjet kësaj

deklarate ai nënkuptoi nevojën e ekonomistëve për zhvillimin e laboratorëve llogaritës

që mund të programohen në bazë të këtyre udhëzimeve të nxjerra nga teoria ekonomike.

Zhvillimi i mjeteve kompjuterike solli nevojën e përdorimit të modeleve llogaritëse të

bazuara në agjent për testimin e këtyre teorive. Por fakti se këto modele nuk mund të

përdoren pa njohuri të mjaftueshme të gjuhëve të programimit e ka bërë të vështirë

përdorimin e tyre nga ekonomistët dhe ka nevojë për programues të aftë për përdorimin

e këtyre mjeteve. Ndërtimi i laboratorëve llogaritës i jep mundësinë ekonomistëve të

marrin modele të bëra gati të cilat mund të ndryshohen sipas nevojave të tyre.

Për ndërtimin e laboratorëve llogaritës në ACE, përdoren metodologji të ndryshme.

Zakonisht ndërtimi i tyre kërkon një studim rigoroz të sistemeve komplekse të

shpërndara me shumë agjentë nëpërmjet eksperimentimeve të kontrolluara. Kjo sjell

një problem të madh drejtuar programuesve në lidhje me ndërtimin e një laboratori

llogaritës të veçantë për çdo rast apo të ndërtohet vetëm një platformë e vetme shumë

funksionale. Një problem tjetër është mënyra e shfaqjes të rezultateve nga

eksperimentet e kryera, nëse duhet të jenë thjesht përshkruese apo vetëm vizuale pa

4 Bazuar mbi punimin e Tesfatsi, online: http://www2.econ.iastate.edu/tesfatsi/SpectrumSlide.LT.pdf

30

mbingarkesë informacioni. Gjithashtu problem është edhe vlerësimi i gjetjeve duke i

krahasuar me të dhënat e marra nga burime të tjera.

Një çështje tjetër e rëndësishme dhe e pazgjidhur është nevoja e sigurimit që gjetjet nga

eksperimentimi janë të qëndrueshme duke reflektuar aspektet bazë të një aplikimi

ekonomik dhe jo thjesht veçoritë harduerike dhe softuerike të përdorura për

implementimin e eksperimenteve. Përveç kësaj, është e nevojshme që modelet e

ndërtuara të bëhen publike me kodin e plotë në mënyrë që të analizohet edhe nga

studiues të tjerë për vlefshmërinë e modelit.

Zgjedhja e parametrave është e rëndësishme në modelet ACE, sikurse edhe shkalla apo

koha e eksperimentimit. Duhet pasur parasysh se përdorimi i kohëve të tej zgjatura të

eksperimentimit nuk sjell dobi dhe ndonjëherë sjell rezultate të gabuara. Disa studime

e lejojnë këtë për të gjetur rregulla të sjelljes apo shfaqje të institucioneve në një kohë

të gjatë, por përsëri kjo nuk sugjerohet. Në disa raste të tjera mjafton thjesht testimi i

shpejtësisë së konvergjencës.

3.3.2. Avantazhet dhe kritika ndaj ACE

Në punimin e Gevel dhe Noussair (Gevel & Noussair, 2013) thuhet se modelet ACE

bazohen në ndërveprimet e agjentëve autonom të përshtatshëm, të cilët mund të

përcaktohen si entitete ekonomike, shoqërore apo mjedisore. Këta agjentë kufizohen

nga kushtet fillestare të vendosura nga modeluesi dhe dinamika e tyre për të shfaqur një

proces ekonomik bazohet në ndërveprimet mikro agjent me agjent. Gjendja e

ekonomisë në çdo kohë jepet nga atributet e brendshme të agjentëve individual që

popullojnë ekonominë. Përshkrimet dinamike të tyre rrisin transparencën dhe qartësinë

e modeleve. Gjithashtu fakti që nga një rregullsi individuale gjenerohen rregullsi të

ndërlikuara makro duke përdorur shumë agjentë, është një përfitim tjetër.

Modelimi i ekonomive me ACE thjeshton testimin e teorive të përfshira në shumë fusha

si edhe na japin një këndvështrim më të gjerë të problemeve. Ndër kritikat e bëra më

shpesh në ACE nga ekonomistët janë këto:

Metodat kompjuterike të ACE prodhojnë veç shembuj, ndërkohë që teoritë

tradicionale ekonomike prodhojnë teorema që aplikohen për çdo ekonomi që

plotëson supozimet e tyre.

Rezultatet numerike të modeleve ACE zakonisht kanë gabime ndërsa modelet

teorike ekonomike mund të jenë pa gabime për raste të veçanta.

Modelet ACE janë thjesht kuti të zeza që ofrojnë një pamje të kufizuar të

problemeve.

Për sa i përket kritikës së parë duhet thënë se ndryshimi i shembujve me teoremat në

analizimin e ekonomisë nuk mund të jetë i njëjtë. Kjo pasi vetë modeli i ndërtuar

bazohet mbi disa parime bazë të ekonomisë dhe nga teorema ekonomike, kryesisht ato

mikro ekonomike. Rëndësia dhe qëndrueshmëria e shembujve është më e rëndësishme

se vetë numri i tyre dhe këto metoda lejojnë vlerësimin e rasteve që teoria nuk i merr

në konsideratë. Në këtë mënyrë metodat e ACE japin një këndvështrim më të qartë në

rastet kur nuk ka teorema të përgjithshme.

Kritika e dytë, ngrihet mbi faktin që ekonomistët zgjedhin kryesisht midis gabimeve

numerike, edhe pse këto gabime mund të ulen me një analizim të tyren, dhe rezultateve

empirike të supozimeve të thjeshtuara në modelet analitike. Për ata është më mirë një

përgjigje e përafërt e pyetjes së saktë, se sa përgjigja e saktë e pyetjes së gabuar.

31

Gjithsesi siç e përmendëm më lart, gabimet mund të ndodhin për shkaqe të ndryshme

dhe mund të reduktohen me një analizim më të mirë të modelit nga modeluesi i saj.

Fakti që modelet mund të mendohen si kuti të zeza nga ekonomistët vjen nga fakti i

mos pasjes së aftësive të duhura programuese. Një zgjidhje e saj mund të jetë vendosja

në programet mësimore të universiteteve lëndë të cilat mund të ndihmojnë ata në

kuptimin dhe programimin e këtyre modeleve. Pavarësisht këtij sugjerimi të

drejtpërdrejt, një punë më e mirë në mjetet e modelimit do të ishte zgjidhja më e mirë.

Nga ana tjetër do të duhej të tregoheshin një numër i madh shembujsh për të pasur një

pamje më të gjerë e të qartë të modelit.

3.4. Tipat e agjentëve të propozuar

Simulimet e bazuara në agjentë na lejojnë që të studiojmë këto sisteme komplekse si

dhe ta shohim ekonominë nga një perspektivë e re. Agjentët në një model të bazuar në

agjentë janë njësi ekonomike të tilla si institucionet individuale, në grup, publike ose

private dhe njësi të tjera ekonomike. Për këtë arsye këto agjentë kanë veçori dhe sjellje

të ndryshme nga njëri-tjetri. Në mënyrë që të pasqyrojmë këto agjentë në softuerë, na

nevojitet që të kodojmë ato me veçoritë përkatëse të tyre dhe të përdorim algoritmet IA

që ti bëjmë ato të duken si njësi reale ekonomike.

Në këtë këndvështrim një strukturë ndërdisiplinore me atributet që një agjent softuerik

duhet të ketë në një ekonomi është treguar nga Chen (Chen, 2008). Ai argumenton se

përdorimi i ACE mund të zëvendësojë subjekte njerëzore në eksperimentet ekonomike

me agjentët softuerik. Ndërtimi i një agjenti softuerik shumë të mirë ka nevojë për të

përcaktuar atributet e duhura dhe sjelljet nga subjektet reale njerëzore, në mënyrë që

mund t’i përdorim ato te agjenti. Këtu mund të na vijnë në ndihmë metodat e

algoritmeve dhe programimit gjenetik të cilat mund të përdoren në ndërtimin e agjentit

në mënyrë që sjellja e tyre me shumë agjentë të jetë e ngjashme me ato të subjekteve

reale njerëzore. Këtu ka nevojë që agjentët të kenë atribute si kapaciteti njohës,

personaliteti dhe kultura. Përveç këtyre atributeve një tjetër fushë mund të na ndihmojë

në ndërtimin e agjentëve softuerik e cila është neuro-ekonomiksi. Në këtë fushë mund

të gjemë mënyra të reja se si të ndërtojmë agjentë softuerik për ekonominë

eksperimentale që ne marrim në konsideratë. Edhe pse punimet në këtë fushë janë të

reja, rezultate të mëvonshme të kësaj fushe mund të na ndihmojnë në krijimin e

agjentëve softuerik më të mirë për modelet dhe simulimet tona. Siç vihet në dukje edhe

në punimin e Chen (Chen S. H., 2008), inteligjenca llogaritëse është një tjetër faktor që

ndihmon në ndërtimin e agjentëve, pasi përdor algoritmet e IA dhe modelet programimi

së bashku në funksion të ndërtimit të tyre.

32

Figura 3-3 Agjenti Softuerik ekonomik nën këndvështrimin ndërdisiplinor5

Ekzistojnë një grup i madh me algoritme në fushën e IA-së, shumica e të cilave përdorin

qasje të ndryshme nga shkencat kompjuterike, matematika, neuroshkenca, psikologji,

shkencat sociale dhe natyrore. Këto algoritme janë baza e ndërtimit të agjentëve në

ACE dhe kjo është arsyeja pse është e nevojshme të përcaktohen siç duhet në mënyrën

e përshtatshme këto agjentë (Hakrama, 2014). Tipat kryesore të agjentëve të gjendura

në punimet e fushës së ACE dhe të klasifikuara nga Chen (Chen S.-H. , 2012) janë si

në vijim:

Agjentë të programuar thjeshtë

Agjentë autonomë

Agjentë të ngjashëm me natyrën njerëzore

3.3.1. Agjentë të programuar thjeshtë

Në tipin e agjentëve të programuar thjeshtë, agjentët janë të programuar të ndjekin

rregulla të thjeshta. Vëmendja në këto agjentë të thjeshtë nuk është tek vetë agjenti, por

tek sistemi i sjelljes duke implementuar një numër të lartë të këtyre agjentëve. Metodat

e përdorura për agjentët në këtë model mund të përfshijnë sjelljet e tyre të rastësishme.

Për shembull, një agjent shitës thjeshtë mund të marrë një çmim në një mënyrë të

rastësishme nga një gamë e caktuar çmimesh, nga të cilat ai mund të fitojë më shumë

në biznesin e tij. Në situata të tilla, një gamë rregullash mund të krijohen duke përdorur

formula të thjeshta ekonomike për të përllogaritur përfitimet e agjentëve. Qëllimi

kryesor këtu është të studiohet ndërveprimi midis agjentëve dhe sjelljeve të tyre të

përgjithshme nën disa politika të caktuara që mund të jenë të përfshira në sistem. Sipas

këtij këndvështrimi janë përfshirë disa lloje agjentësh, si në vijim:

Agjentë me inteligjencë zero

Agjentë me inteligjencë afërsisht zero

Agjentë me sjellje rastësore (EM)

Agjentë me ndryshim regjimi

Në llojin e agjentëve me inteligjencë zero, agjentët nuk kanë ndonjë njohuri për

mjedisin dhe nuk mund të mësojnë prej tij (Gode & Sunder, 1993). Koncepti i agjentëve

me inteligjencë zero është i thjeshtë dhe zakonisht marrin vendime vetëm mbi kufizimet

dhe rregullat e tyre. Nëse tregu modelohet me saktësi dhe individët nuk kanë strategji

5 Bazuar në figurën 1 në punimin e (Chen, 2008)

33

dhe sillen rastësisht, atëherë ne mund të shohim ndryshimet e tregut (Ladley, 2012).

Përdorimet e tyre janë të kufizuara nga modelimi standard ekonomik, ku agjenti real

nuk ka informacion për mjedisin ekonomik, kjo përgjithësisht preferohet kur janë

vendosur rregulla të reja dhe ka një nevojë për të modeluar sjelljen ekonomike të

agjentëve në ekonominë reale. Në rastet kur këto agjentë nuk mund të përdoren për këto

lloje simulimesh, sugjerohet të përdoren agjentët me inteligjencë afërsisht zero.

Ndryshimi midis agjentëve me inteligjencë zero dhe këtyre agjentëve qëndron në

parametrat e ndryshëm, pasi përdorin gjendjet e mëparshme të parametrave, pra një lloj

inteligjence me memorie të shkurtër.

Një lloj tjetër i agjentëve të thjeshtë është agjenti me maksimizim entropie (EM) ose

siç njihet ndryshe me sjellje rastësore, ku parimi i maksimumit të entropisë nga teoria

e informacionit është përdorur për modelimin e agjentëve (Wagner, 2011). Ideja në këtë

lloj agjenti ka lindur nga fakti se ekonomistët nuk e kuptonin idenë e agjentit me zero

inteligjencë dhe në shumë raste nuk mund ta përdornin atë në modelet e tyre, ndërkohë

agjentë me sjellje rastësore mund të shpjegonin shumë situata ekonomike.

Lloji i fundit i agjentëve në këtë shembull agjentësh janë agjentët me ndryshim regjimi,

ku agjentët zgjedhin ndërmjet një grup regjimesh sjelljeje. Procesi i përzgjedhjes së

drejtimit që do përdoret, realizohet duke përdorur metoda rastësore probabilitare.

Agjentët e përmendur më lart janë quajtur ndonjëherë edhe agjentë me sjellje të

rastësishme, duke qenë se ato janë të modeluar që të sillen në mënyrë të rastësishme

gjatë ndryshimeve të mjedisit, ose edhe të ndryshimeve në ndërveprimet e tyre agjent

me agjent.

Përveç këtyre lloj agjentëve, ekzistojnë edhe lloje të tjera të agjentëve të cilët ndodhen

nën shembujt e agjentëve të programuar thjeshtë, por ato janë thjesht modifikime të

këtyre llojeve të agjentëve. Këto agjentë varen nga kombinimi i tre termave të cilët

mund të përmenden si thjeshtësia, inteligjenca dhe rastësia. Çdo kombinim i tyre mund

të jetë një lloj i veçantë agjenti nën këtë kategori agjentësh.

3.3.2. Agjentë autonomë

Modelet e agjentëve autonomë e përcaktojnë agjentin që të ketë një lloj lirie në

eksplorimin e mjedisit. Këto lloj agjentësh mund të jenë shumë të dobishëm për

modelimin dhe studimin e mjediseve konkurruese siç është ekonomia. Agjentët

autonomë ndryshojnë nga agjentët e programuar thjeshtë duke qenë se ata janë të aftë

të krijojnë vetë rregullat e sjelljeve. Ideja e agjentëve autonom është e motivuar nga

vrojtimet e sjelljes njerëzore. Koncepti kryesor këtu është se agjenti duhet të mundohet

të ndërtojë një grup rregullash që do të ndjekë më vonë. Ka disa metoda nga fusha e

inteligjencës artificiale që mund të përdoren për të projektuar agjentë të tillë dhe më të

dalluarat ndër to janë algoritmet gjenetike.

Algoritmet gjenetike janë përdorur për të prezantuar të mësuarin në modele të ndryshme

ekonomike, siç janë modelet cobweb, teoria e lojës dhe optimizimi i orarit. Një

përshkrim i plotë i përdorimit të algoritmit gjenetik në ekonomi është dhënë nga

Riechmann (Riechmann, 2001). Duke përdorur algoritmet gjenetike, mund të jetë e

mundur të studiohet procesi i evolucionit dhe bashkë-evolucionit të njësive të ndryshme

ekonomike. Për shembull mund të jetë e mundur për ekonomitë artificiale që të rriten

dhe të evoluohen së bashku me agjentët në të pa asnjë ndërhyrje të jashtme. Zhvillimi i

strategjive të agjentëve nëpërmjet simulimit mund të ndihmojë në zbulimin dhe

eksplorimin e mundësive të reja ekonomike (Chen & Yu, 2011). Sot nëpërmjet

34

programimit gjenetik mund të modelojmë agjentë të tillë bazuar mbi programimin

logjik.

3.3.3. Agjentë të ngjashëm me natyrën njerëzore

Ideja që qëndron pas modeleve me agjentë të ngjashëm me natyrën njerëzore është

imitimi i sjelljes reale njerëzore ose asaj ekonomike duke përcaktuar disa veçori që ato

kanë. Ky lloj agjenti përmbush një nga detyrat kryesore të ACE i cili është

eksperimentimi i ekonomisë sa më afër realitetit ekonomik. Këtu ekzistojnë dy qasje

kryesore të agjentëve, të cilët janë:

Agjentë artificialë të kalibruar

Agjentë artificialë me tipare personale

Në agjentët artificialë të kalibruar, agjentët janë kalibruar nëpërmjet përdorimit të

dhënave reale të vëzhguara më parë nga agjentë realë. Fillimisht u përdorën metoda të

bazuara në statistikë për të kalibruar agjentët softuerik artificial me ato real. Janë

realizuar shumë studime të bëra në fushën e inteligjencës artificiale rreth algoritmeve

të mësuarit dhe shumica e tyre mund të përdoren nga agjentët artificialë. Nga të gjithë

këto algoritme përdorimi më i dukshëm është ai i të mësuarit me përforcim, i cili

përdoret për të ndërtuar ose vlerësuar parametrat e agjentëve artificialë të treguar edhe

në punime të ndryshme (Hemmati, Nili, & Sadati, 2010) apo (Radhakrishnan, et al.,

2015). Duhet thënë se edhe vetë algoritmi i të mësuarit i ka rrënjët në eksperimentet e

fushës së psikologjisë, ku fillimisht janë përdorur për eksperimentet me kafshët.

Gjithashtu studimet e fundit në fushën e neuro-ekonomiksit (Glimcher & Fehr, 2014)

tregojnë rëndësinë e përdorimit të këtij algoritmi për të ndërtuar agjentë artificial,

përkatësisht në vendimmarrje të ngjashme me ato njerëzore. Në vetë llojin e agjentëve

artificialë të kalibruar gjenden edhe tre nënlloje të saj të cilat mund të përmenden si:

- agjentë të kalibruar heterogjen,

- agjentë të kalibruar me aftësi rritëse njohjeje,

- agjentë të kalibruar financiar.

Agjentët e kalibruar heterogjen shpesh herë ndërtohen me anë të kalibrimit ose

vlerësimit, sikurse edhe agjentët e tjerë të kësaj kategorie, por e veçanta e tyre është se

kalibrohen në mënyra të ndryshme nga njëri tjetri. Në këtë lloje agjentësh, mendohet se

ky ndryshim në kalibrim i agjentëve do të sjellë një pamje më reale të ekonomisë, në të

cilën jo gjithë aktorët ekonomik mendojnë dhe veprojnë sipas një mendimi të caktuar.

Nën këtë këndvështrim krahas të mësuarit me përforcim i cili erdhi drejtpërdrejt nga

fusha e inteligjencës artificiale, lind nevoja e futjes së koncepteve të mësuarit nga

besimi dhe të mësuarit nga tërheqja me përvojë të ponderuar (“Experience-Weighted

Attraction” - EWA). Të mësuarit nga tërheqja me përvojë të ponderuar është një metodë

hibride e të mësuarit me përforcim dhe nga besimi (Camerer & Ho, 1998). Kjo metodë

përgjithëson atë që përforcohet nga të mësuarit bashkë me vlerat e pritura nga besimet

e agjentëve në lidhje me skenarë të ndryshëm, pra duke mbajtur formulimin e të

mësuarit me përforcim të pandryshuar. Në këtë rast mund të themi me fjalë të thjeshta

se agjentët softuerik mund të mësojnë nga veprimet e tyre dhe të sillen në bazë të

besimeve të krijuara gjatë jetës së tyre.

Në agjentët e kalibruar me aftësi rritëse njohëse merr për bazë tre elementë njohës kyç:

memoria, ndërgjegjja dhe arsyetimi. Me anë të këtyre elementëve mund të propozohen

modele me agjentë me aftësi të ndryshme dhe të ndryshueshme gjatë gjithë simulimit

të vet modelit. Një teknikë e mundshme është të mësuarit EWA me përforcim e

35

propozuar (Camerer, Ho, & Chong, 2002), ku agjentët mund të përdorin memorien e

tyre për të kujtuar ndjenjat dhe eksperiencat e tyre të mëparshme në situata të njëjta.

Agjentët e kalibruar financiar mendohet të përdoren në tregjet financiare të bazuara me

agjentë, ku si bazë e tyre janë kalibrimet e bëra nga të dhënat e mbledhura nga tregjet

financiare. Në këtë rast mundet të përdoren përsëri metodat e shpjeguara deri më tani

por me ndryshimin se në zgjedhje futen edhe të dhënat agregate të mjedisit financiar të

modelit. Pra agjenti nuk zgjedh vetëm në bazë të besimeve apo edhe kujtesës së tij, por

edhe nga gjendja financiare e mjedisit apo e veprimit ku ai kërkon të veprojë. Ndryshimi

kryesor midis agjentëve të kalibruar të tjerë me këtë lloj agjenti shtrihet midis

heterogjenitetit njohës dhe hierarkisë njohëse.

Agjentët artificialë me veçori personale marrin në konsideratë se agjentët mund të

arsyetojnë nëpërmjet variabëlve të ndryshëm të sjelljes siç janë emocionet, inteligjenca,

qëndrimi dhe kapaciteti njohës. Ky lloj agjenti i ka bazat nga teoritë e Herbert Simon

rreth racionalizimit të kufizuar, duke shtruar edhe elementë të rinj siç janë sugjeruar

nga Gigerenzer (Gigerenzer & Selten, 2002) apo edhe më vonë nga Mallard (Mallard,

2016). Këta punime marrin në konsideratë studimet e realizuara në fushën e

eksperimenteve të sjelljes ku trajtohen elementët si inteligjenca, kapaciteti njohës,

emocionet, personaliteti, sjellja e riskut si edhe kultura. Nën këtë gamë agjentësh janë

sugjeruar (Chen S.-H. , 2012) nënlloje të tjerë agjentësh si:

- Agjentë njohjeje (ose agjentë me memorie pune)

- Agjentë psikologjik (ose agjentë me veçori personaliteti)

- Agjentë të ndjeshëm ndaj kulturës

Normalisht secili prej këtyre agjentëve ka për bazë një ose disa veçori personale, por

kjo nuk do të thotë që agjenti artificial të mos ketë edhe kombinime të tyre në raste të

veçanta.

3.5. Përfundime

Në këtë pjesë është bërë një hulumtim i imtësishëm mbi literaturë, për të vënë në dukje

zhvillimin e fushës së ekonomisë artificiale që nga thjesht riprodhimi i të dhënave me

seritë kohore e deri në simulimin e plotë të një ekonomie reale. Në të vihet në dukje një

paralelizëm midis fushës së jetës artificiale të zhvilluar mbi bazat e fushës IA dhe

ekonomisë artificiale, ku edhe sugjerohet përdorimi i koncepteve të IA në të. Në një

përkufizim të përgjithshëm të ekonomisë artificiale, ajo konsiderohet si një fushë

kërkimore që përdor simulimin për të kuptuar proceset e ndryshme ekonomike. Në këtë

koncept, ekonomia konsiderohet si një sistem kompleks adaptues për shkak të natyrës

së saj që ka shumë njësi që ndërveprojnë dhe përshtaten. Sisteme të tilla janë

konsideruar gjerësisht në literaturë me anë të modeleve të bazuara në agjentë, ku në

ekonomi njihen nën emërtimin ACE. Përdorimi i këtyre modeleve është i bazuar në

konceptet e agjentit, ku ky agjent modelohet në mënyrë të atillë që arrin të kryejë

veprime të caktuara “mikro”. Në këto modele bëhet vendosja e shumë agjentëve që

ndërveprojnë në mënyrë që të arrihet një gjendja e plotë ekonomike në nivel “makro”.

Kjo mënyrë lejon analizimin e plotë të një problemi ekonomik duke trajtuar anën

përshkruese të saj dhe gjetjen e zgjidhjeve të mundshme.

Në hulumtimin e bërë për ACE-të vërehet se simulimi i këtyre modeleve duhet të bëhet

duke përdorur agjentë heterogjen që ndërveprojnë dhe që përshtatin sjelljet e tyre gjatë

ndryshimeve të ndodhura në mjedisin rreth tyre dhe për të arritur një qëllim të caktuar.

Në fushat e hulumtimit të ACE përcaktohen edhe drejtimet kryesore të zhvillimeve të

36

mjeteve ACE ku theksohen çështje të lidhura me përdorimin e algoritmeve të fushës

IA, zhvillimin i normave të sjelljes, modelimin i proceseve nga poshtë-lart, strukturat

dhe organizimet, ndërtimin e simulatorëve dhe zbatimin e tyre në industri për të

ndihmuar në vendimmarrje. Një pikë e nxehtë e mjeteve ACE mbetet modelimi dhe

ndërtimi i agjentëve, ku janë propozuar lloje të ndryshme agjentësh që nevojiten për

analizimin dhe simulimin sa më real të fushës ekonomike.

Për këtë arsye në vijim është e nevojshme të bëjmë një hulumtim mbi modelimet dhe

simulimet e bazuara në agjent dhe më tej do të analizojmë dhe krahasojmë metoda të

ndryshme të zhvillimit të agjentëve inteligjent.

37

KAPITULLI 4: MODELIMI DHE SIMULIMI I BAZUAR NË AGJENT

4.1. Hyrje

Që në fillimet e përdorimit të kompjuterëve, shkencat natyrore dhe sidomos inxhinieria

kanë pasur një zhvillim të madh. Simulimi me kompjuterë ka ndihmuar në kuptimin e

shumë elementëve të jetës natyrore, që nga pjesëzat fizike e deri në organizmat e

ndërlikuar të gjallesave. Kështu që do të dukej shumë e çuditshme nëse kompjuterët

nuk do të ndihmonin për një kuptim më të mirë të sistemeve ekonomike. Ndërkohë që

kompjuterët japin një ndihmë goxha të madhe në analizat statistikore të dhënave dhe

përpjekjet për të gjetur struktura të ndërveprimit njerëzor të bazuara në të dhëna

(Helbing & Balietti, 2011), ato mund të japin ndihmë edhe në simulimin e sistemeve

sociale dhe ekonomike. Në këtë këndvështrim, modelet e bazuara në agjent janë duke

dhënë një ndihmë të madhe në studimin e tyre, duke simuluar ndërveprimet e sjelljeve

ekonomike apo sociale në këto sisteme.

Modelimi i bazuar në agjent i njohur ndryshe si ABM është një trajtim i modelimit të

sistemeve të përbëra nga entitete individuale, autonome dhe ndërvepruese (Macal &

North, 2013). ABM-të ofrojnë mënyra të thjeshta të modelimit të sjelljeve individuale

dhe se si këto sjellje ndikojnë te të tjerët në mënyra të ndryshme. Zakonisht ABM-të

përcaktohen si një model simulimi që paraqet agjentët individual si njerëz, kompani,

organizata apo institucione me atributet dhe sjelljet e tyre (Grimm, Kurth, & Thiele,

2012). Në këtë mënyrë, ABM jep mundësinë e studimit të fenomeneve dhe proceseve

në këndvështrime të reja dhe të ndryshme.

Modelimi dhe simulimi i bazuar në agjentë është një trajtim i ri i modelimit, i cili i pati

fillimet e saj në hetimet e sistemeve komplekse, CAS (Holland, 2006) dhe e fushës së

jetës artificiale (Langton, 1995). Sistemet komplekse siç u përmendën edhe në

kapitullin e kaluar përbëhen nga njësi ndërvepruese dhe autonome, ndërkohë që CAS

ka gjithashtu edhe aftësinë për këto njësi për t’u adaptuar në nivel individual apo në

sistem. Këto hulumtime sollën edhe nevojën për të identifikuar bazat universale të

sistemeve të tilla, si p.sh vetë-organizimi, fenomenet në zhvillim dhe origjina në natyrë

e adaptimit. Modelimi dhe simulimi i bazuar në agjentë filloi si një grup idesh,

teknikash dhe mjetesh për të implementuar sistemet CAS. ABM-ja e parë u ka zhvilluar

për studimin e tregjeve të aksioneve duke përdorur softuerin swarm i ndërtuar nga ekipi

i institutit SantaFe. Perspektiva e ABM në fushën e shkencave sociale u fut nga Epstein

dhe Axtell (Epstein & Axtell, 1996). Ata treguan se si disa rregulla të thjeshta mund të

çonin në sjellje komplekse të ngjashme me ato të shoqërive njerëzore si migrimi, ndarja

e punës dhe ekonomia. Ata ndërtuan edhe një simulim i quajtur “sugarscape” i cili

simulonte migrimet e njerëzve në bazë të nevojave të tyre.

Fillimisht sjelljet e agjentëve u programuan me disa rregulla të thjeshta të cilat sillnin

edhe zhvillime komplekse të sjelljeve. Vetë ABM-të u zhvillua si nën fushë e sistemeve

me shumë agjentë në shkencat kompjuterike (Held, Wilkinson, Marks, & Young,

2014), sikurse edhe në inteligjencën artificiale dhe robotikë. ABM-të janë të lidhura

edhe me modelimin e sjelljeve njerëzore dhe vendimmarrjeve individuale. Një model i

bazuar në agjent ka katër aspekte (Taylor, 2014):

Një bashkësi agjentësh autonom, ku secili agjent ka një grup atributesh që

përshkruajnë gjendjen e tij dhe një grup sjelljesh specifike që përcaktojnë se si

një agjent sillet ndaj ndryshimeve të mjedisit.

Një bashkësi marrëdhëniesh midis agjentëve, ku secila marrëdhënie përcakton

se si ndërvepron çdo agjent me agjentët e tjerë apo me mjedisin.

38

Mjedisi i agjentit, pra zona ku agjenti jeton dhe ndërvepron. Këtu përcaktohen

minimumi i variabëlve ose i strukturave që nevojiten për të përcaktuar se si

agjentët reagojnë ndaj mjedisit të tyre.

Sistemi, i cili përbëhet nga bashkësia e agjentëve, mjedisi dhe marrëdhëniet e

tyre. Sistemi ka kufij të qartë me të dhëna dhe rezultate të mirë përcaktuara.

Programimi i ABM-ve duhet bërë duke përdorur gjuhë programimi të përshtatshme për

ta. Këto mjete duhet të ekzekutojnë modelin në mënyrë të përsëritur. Në këtë mënyrë

mund të shihen sjelljet dhe veprimet e agjentëve në simulim.

Në pjesët e mëposhtme do të shpjegohen modelet dhe simulimet në këndvështrimin e

përgjithshëm, më pas do të flitet për ndryshimet midis këtyre modeleve dhe ABM-ve,

do të vazhdohet me konceptin e agjentit, sistemeve me shumë agjentë dhe më pas

kalojmë në mënyrat e zhvillimit të modeleve dhe simulimeve të bazuara në agjentë.

4.2. Modelimi dhe Simulimi

Modelimi është procesi i paraqitjes së një objekti apo fenomeni në një formë më të

thjeshtë të idealizuar të saj. Objektet ose fenomenet që merren në studim prej saj mund

të jenë njësi, sisteme apo edhe pjesë të tjera të botës. Qëllimi kryesor i saj është studimi

më i mirë i veçorive specifike të objektit apo fenomenit.

“Simulimi është procesi i projektimit të një modeli të një sistemi real apo imagjinar dhe

të realizuarit e eksperimentimeve me të” (Smith R. D., 1998). Simulimi mund të

mendohet si imitimi i veprimeve të botës reale ose të sistemit përgjatë një periudhe

kohore. Qëllimi i simulimit është analizimi dhe kuptimi të sjelljes së sistemit, si edhe

vlerësimi i rezultateve të saj.

Modelimi dhe simulimi përfshijnë metoda të shumta nga shumë disiplina si

matematika, kërkime operacionale, shkencat kompjuterike, statistika, fizika dhe

inxhinieria dhe i përdorin ato për hulumtimin dhe analizën e sistemeve në fusha të

ndryshme (Taylor, 2014). Nën kontekstin historik nuk dihet qartazi se kur i ka fillimet

e veta, por shumë autorë sugjerojnë si modelimin dhe simulimin e parë, eksperimentin

e gjilpërës së Buffon me metodën e Monte Carlo rreth viteve 1800. Modelet e para kanë

qenë kryesisht me metoda matematikore, dhe trajtimi i tyre ka qenë me zgjidhje

analitike. Sidoqoftë, shumë nga sistemet e botës reale janë shumë komplekse për tu

zgjidhur në mënyrë analitike dhe për këtë arsye këto modele duhet të studiohen me

simulim. Simulimi është përdorur për vlerësimin numerik të modelit dhe të dhënat

mblidhen për të vlerësuar karakteristikat e vërteta dhe ato të dëshiruarat të modelit. Me

futjen e kompjuterëve në vitet 1950 u lejua që këto metoda të zhvilloheshin më tutje

sidomos në fushën e shkencave të menaxhimit dhe kërkimeve operacionale. Një nga

pionierët e vetë simulimit si teknikë ka qene John von Neuman, i cili ideoi edhe

përdorimin e shumë përsëritjeve të modelit, mbledhjen e të dhënave statistikore prej

tyre dhe nxjerrjen e sjelljeve të sistemit real bazuar mbi këto modele. Kjo metodë u

njoh si metoda Monte Carlo për shkak të përdorimit të varianteve të rastësishme që

paraqitnin sjelljet të cilat nuk mund të modeloheshin saktësisht.

Fushat e aplikimit të modelimit dhe simulimit janë të shumta dhe të ndryshme, por ndër

më të rëndësishmet përmendim analizat dhe projektimin e sistemeve të prodhimit,

aeroporteve, sistemeve të transportit, portet, logjistika, vlerësimin e planeve për

shërbim në spitale, restorante, zyrat e postës, inventarët, analiza të sistemeve financiare

ose ekonomike dhe ri-projektimin e proceseve të biznesit (Law, 2014).

39

Modelimi dhe simulimi janë pjesë e një strukture të gjerë analitike e cila përdoret për

të kuptuar proceset e ndryshme dhe organizatat. Analiza e sistemit është emri që i jepet

detyrave të përgjithshme për të identifikuar dhe kuptuar qëllimet, objektivat, proceset,

veprimet, detyrat, burimet dhe kufizimet e sistemit. Kjo analizë krijon shumë

informacion të dobishëm dhe jep një kuptim më të plotë rreth funksionimit të sistemit.

Informacioni në të mund të shfaqet në formë ideje, diagramesh, dokumentesh dhe

kështu me radhë. Zakonisht analiza e sistemit është edhe baza e zhvillimit të modeleve

dhe simulimeve. Modelimi dhe simulimi është pjesa sasiore e analizës së sistemit. Ka

shumë arsye se pse modelimi dhe simulimi duhen përdorur sipas (North & Macal,

2007):

E para, asnjëri nuk mund të kuptojë se si të gjitha pjesët e sistemit ndërveprojnë

dhe se si dalin si një e tërë. Kjo ndodh pasi sistemi është shumë kompleks dhe

ka shumë kompleksitete në pjesët përbërëse të saj dhe në ndërveprime. Kjo është

edhe arsyeja se pse duhet simuluar në kompjuter.

Arsyeja e dytë ka të bëjë me faktin se askush nuk mund të imagjinoj të gjitha

mundësitë që mund të shfaqen nga një sistem real.

Arsyeja e tretë, asnjeri nuk mund të parashikoj efektin e plotë të ngjarjeve me

modele të menduarit të kufizuara. Këtu mund të përmenden modelet mendore

njerëzore të cilat përgjithësisht janë me mendim linear, gjë e cila kufizon në

masë aftësinë e nxjerrjes së situatave të reja.

E katërta, asnjeri nuk mund të parashikoj ngjarje të reja të pashfaqura më parë

jashtë modeleve të tyre të menduarit. Kjo mund të vij si shkak i kompleksitetit

dhe ndërveprimeve jo-lineare që ndodhin në model, të cilat mund të krijojnë

ngjarje dhe sjellje të reja e të paparashikuara më parë.

E pesta, zakonisht studiuesit duan të modelojnë, si për të marrë njohuri të reja

mbi variablat e sistemit, ashtu edhe mbi shkaqet dhe pasojat nga ndryshimi i

tyre.

E fundit, studiuesit mund të modelojnë për të bërë parashikime në të ardhmen.

Edhe pse nuk ekziston një model i sigurt për parashikimin e së ardhmes,

modelimi mund të ndihmojë në studimin dhe vlerësimin e situatave të

mundshme që mund të ndodhin në të ardhmen.

Në kuptimin e plotë dhe shkencor të modelimit dhe simulimit mund të themi se

modelimi dhe simulimi bazohen në disa hipoteza të deduktuara nga teoritë. Këto

hipoteza modelohen në modele mbi bazën e të cilave zhvillohen disa simulime.

Rezultatet e simulimit nxjerrin disa përfundime apo përgjithësime të cilat mund të

përdoren me induksion për të konfirmuar apo përmirësuar teoritë ekzistuese. Në figurën

e mëposhtme shfaqen qartazi të gjitha hapat dhe si pozicioni i modelimit dhe simulimit.

40

Figura 4-1 Modelimi dhe simulimi në këndvështrimin shkencor

Në pjesën e modelimit mund të thuhet se ai vepron në dy mënyra, në modelimin e

problemit dhe modelimin e sistemit. Në modelimin e problemit, modeluesi

përqendrohet në zhvillimin e mjeteve konkrete për t’u përgjigjur pyetjeve specifike.

Ndërkohë në modelimin e sistemit përqendrimi është në zhvillimin e mjeteve për të

riprodhuar sjelljet e sistemit.

Gjithë modelet kalojnë disa hapa të proceseve të modelimit dhe kanë të njëjtat çështje

pavarësisht se çfarë teknike modelimi përdorin. Dy gjërat më të rëndësishme që

çdokush është i interesuar për të ditur kur vjen puna për të punuar me informacionin

nga çdo tip modeli janë të dhënat dhe vlerësimi i modelit. Për të dhënat interesimi është

në faktin se nga vijnë, kush do t’i sjellë apo mbledhë ato, si edhe sa të sakta janë. Ndërsa

në vlerësimin e modelit interesimi është në faktin se sa të besueshme janë rezultatet e

modelit, apo nëse modeli i plotëson të gjitha nevojat e saj. Një sfidë e modelimit është

nevoja e qëndrimit të përqendruar në ndërtimin e modelit në mënyrë që të japë

informacionin e duhur. Zakonisht humbja e përqendrimit sjell edhe rreziqet më të

mëdha në modelim.

Shumë trajtime të modelimit dhe simulimit sjellin me vete edhe procese të plota ose

procedura për mënyrën se si të vazhdohet në çdo hap të procesit të modelimit, nga

përcaktimi i kërkesave deri në implementimin kompjuterik të modelit. Shumë elementë

të modelimeve mund të kombinohen me njëra tjetrën për të ndërtuar një strategji

efektive zhvillimi për modelin. Në tabelën e mëposhtme tregohen dy lista me hapa për

përdorimin e modelimeve me simulim në funksion të inxhinierëve dhe shkencëtarëve.

41

Tabela 4-1: Hapat e modelimit dhe simulimit

Hapat Për inxhinierët

(Law, 2014)

Për shkencëtarët

(Di Paolo, Noble, & Bullock, 2000)

1 Formulo problemin dhe planifiko

studimin Fillo me një pyetje dhe hulumto mbi të

2 Mblidh të dhëna dhe përcakto

modelin Qartëso pyetjen tënde

3

A është modeli konceptual i

vlefshëm? Nëse jo shko mbrapa në

hapin 2

Harto modelin

4 Ndërto një program kompjuterik dhe

verifikoje atë Zgjidh mjetet e duhura

5 Bëj disa eksperimente fillestare Fillo kodimin

6 A është modeli simuluar i vlefshëm?

Nëse jo shko mbrapa në hapin 2. Testo dhe rregullo

7 Harto eksperimentet Mblidh të dhëna dhe merr parasysh

rezultatet

8 Ekzekuto simulimin Ndërto teorinë e asaj që ndodh në model

9 Analizo rezultatet Përsërit sipas nevojës nga hapi 6 deri 8

10 Dokumento, paraqit dhe përdor

rezultatet Interpreto dhe paraqit modelin tënd

Në kuptimin e përgjithshëm simulimi është një eksperiment i mirë-modeluar.

Simulimet kompjuterike janë përdorur gjerësisht si procedura për verifikimin e

efiçencën së modeleve dhe proceseve të saj. Normalisht simulimi me kompjuter na jep

disa avantazhe siç janë kostoja e ulët, shpejtësia dhe përsëritja e eksperimenteve (Iba,

2013). Për koston kjo është normale pasi simulimet kompjuterike kanë shumë me pak

kosto në krahasim me eksperimentimet reale. Shpejtësia ka të bëjë me zhvillimin e

kompjuterëve të sotëm, që japin përgjigje shumë më të shpejta në krahasim me

fenomenet reale. Përsëritja e eksperimenteve në rastin e simulimeve kompjuterike

mund të bëhet lehtësisht duke e filluar përsëri nga fillimi, kjo mund të lejojë të bëhen

krahasime me eksperimente të ndryshme, si edhe duke ndryshuar parametrat e

simulimit.

4.2.1. Karakteristikat e modelimit dhe simulimit

Në modelim dhe simulim, sistemi përcaktohet si një bashkësi entitetesh, njerëzish apo

makinash, që veprojnë dhe ndërveprojnë bashkë drejt arritjes së një përfundimi logjik.

Kuptimi i sistemit varet nga objektivat e studimit të veçantë. Çdo sistem ka edhe

gjendjen e saj, ku gjendja përcaktohet si një bashkësi variablash të nevojshëm për

përshkrimin e sistemit në një kohë të caktuar, në bazë të objektivave të studimit. Ky

sistem mund të studiohet në mënyra të ndryshme, dhe ato bazohen mbi metodika të

ndryshme që varen nga mënyra sesi ne duam ta studiojmë atë. Sipas Law (Law, 2014),

ne e studiojmë sistemin fillimisht me eksperimentim mbi sistemin aktual real. Nëse

është e mundur dhe pa shume kosto që sistemi të ndryshohet me kushte të reja, atëherë

kjo do ishte zgjidhja e saj. Nëse jo, studiuesi duhet të eksperimentojë me një model të

sistemit. Kur flasim për eksperimentim me model, kemi modelim fizik dhe modelim

matematikor. Me modelim fizik kuptojmë ndërtimin fizik të modelit për ta studiuar atë

me prova. Ndërkohë me modelin matematikor kuptojmë paraqitjen e sistemit në terma

logjik dhe marrëdhënie sasiore të cilat manipulohen dhe ndryshohen për të parë se si

modeli reagon, pra se si vetë sistemi do të reagonte nëse modeli matematikor është i

42

vlefshëm. Nëse modeli matematikor do zgjidhej atëherë do të shihnim nëse mund të

arrijmë një zgjidhje analitike apo të përcaktueshme të sistemit, pra të shpjegojë sistemin

vetëm mbi bazat e formulimeve matematikore. Nëse sistemi është shumë kompleks dhe

nuk modelohet dot për një zgjidhje analitike, atëherë modeli duhet studiuar me anë të

simulimit.

Në këtë këndvështrim, simulimi është një metodë që duhet përdorur kur nuk ka zgjidhje

me metodat e sipër përmendura. Modelet e simulimit kanë tre karakteristika të

ndryshme:

1. Janë statike ose dinamike,

2. Janë deterministike ose probabilitare

3. Janë diskrete ose të vazhdueshme

Në karakteristikën e parë, modelet e simulimit statik apo siç quhen ndryshe me gjendje

të qëndrueshme, përfaqësojnë një sistem në një moment të caktuar në kohë, ose ku koha

nuk luan ndonjë rol në të. Ndërkohë që modelet e simulimit dinamik përfaqësojnë një

sistem që ndryshon me kalimin e kohës. Në karakteristikën e dytë, modelet e simulimit

deterministe ose siç njihen ndryshe të përcaktueshme janë modele që nuk kanë

komponentë probabilitare, p.sh. një sistem ekuacionesh diferenciale. E veçanta e këtij

modeli është se rezultati përcaktohet sapo të dhënat e sistemit vendosen, pra për një të

dhënë të caktuar kemi vetëm një rezultat. Ndërkohë në modelet e simulimit probabilitar

apo rastësor, sistemi jep rezultate të ndryshme për të njëjtën të dhënë. Modelet e

simulimit diskret janë sisteme ku variablat e gjendjes ndryshojnë menjëherë në pika të

veçanta të kohës, ndërsa në modelet e simulimit të vazhdueshme variablat ndryshojnë

vazhdimisht me ndryshimin e kohës. Në bazë të këtyre karakteristikave janë ndërtuar

edhe trajtime të ndryshme të modelimeve për simulim të sistemeve.

4.2.2. Teknikat tradicionale të modelimit dhe simulimit

Në mendimin klasik të simulimit ekzistojnë tre lloje simulimi të quajtura simulimi i

vazhduar, ngjarje diskrete dhe MonteCarlo (Nance, 1993). Simulimi i ngjarjeve

diskrete konsiderohet një model matematikor apo logjik i sistemeve fizike që paraqesin

ndryshimet e gjendjes në pika të caktuara kohore në simulim. Simulimi i vazhduar

përdor modele me ekuacione të sistemeve fizike që nuk shfaqin marrëdhëniet e kohës

dhe gjendje që nuk çojnë në mos vazhdimësi. Ndërsa simulimi Monte Carlo përdor

modelet e pasigurisë ku paraqitja e kohës nuk është e nevojshme. Zakonisht kjo metodë

është quajtur edhe si metoda e testimeve të përsëritura. Nën këtë mendim janë zhvilluar

disa teknika modelimi përgjatë historisë së simulimeve.

Në punimin e North dhe Macal (North & Macal, 2007) janë paraqitur gjashtë teknika

modelimi dhe simulimi tradicional, si më poshtë:

Simulim me pjesëmarrje

Optimizimi

Analiza e riskut

Modelim statistikor

Dinamika sistemeve

Simulim ngjarjesh diskrete (“Discrete Event Simulation” - DES)

Në pjesët e mëposhtme do të bëhet një shpjegim i shkurtër për secilën prej metodave të

përmendura.

43

4.2.2.1. Simulim me pjesëmarrje

Simulimi me pjesëmarrje është një qasje simulimi e cila shërben për të simuluar

ndërveprimet midis pjesëve të sistemit dhe kuptimin e dinamikës së sjelljes së sistemit.

Zakonisht pjesët e sistemit janë njerëz apo grupe njerëzish. Këtu sistemet mund të jenë

përzierje njerëzish dhe materialesh fizike. Vëmendja në këtë tip simulimi është te

sjelljet dhe ndërveprimet e njerëzve. Kjo metodë është përdorur që në lashtësi, por u

standardizua si mënyrë në vitet 1960. Ajo është përdorur kryesisht në simulimet e

ushtrisë, emergjenca civile, në trajnime të ndryshme dhe së fundmi edhe me simulime

ku pjesëmarrësi testohet në kushte virtuale. Simulimi me pjesëmarrje përfshin të gjithë

variablat e mundshëm si fizike, mjedisore, njohëse, emocionale apo sociale. Këto

simulime janë shumë frutdhënëse si për pjesëmarrësin ashtu edhe për studiuesit, por

kanë edhe disa kufizime. Ndër to mund të përmendim faktin se nuk mund të ketë numër

të madh pjesëmarrësish dhe studiuesi duhet të zgjedhë mirë grupin e marrë në

konsideratë. Ky lloj simulimi mund të përdoret shumë mirë si mjet mësimor apo për

trajnime, për të kuptuar sjelljet njerëzore dhe çfarë strategjish mund të zhvillohen në

situata të ndryshme apo edhe për të kuptuar se si pjesëmarrësit ndërveprojnë dhe sillen

me njëri tjetrin.

4.2.2.2. Optimizimi

Optimizimi është një teknikë modelimi që aplikohet në situata ku qëllimi është të

zgjidhet zgjidhja më e mirë nga një bashkësi alternativash. Ky lloj modeli ka një

objektiv që duhet të maksimizohet apo minimizohet si dhe një bashkësi faktorësh që

kufizojnë objektivin. Zgjidhja e tyre nuk është e lehtë dhe mund të ketë zgjidhje të

shumta. Qëllimi i simulimit është të simulohen mundësi zgjidhjeje të mundshme që

mund të rritin objektivin. Normalisht si mjet matematikor, ai është përdorur që kohët e

hershme nga shkencëtarë të ndryshëm. Optimizimi është shndërruar sot në një mjet

shumë të përdorshëm dhe të nevojshëm për bizneset, kjo edhe për faktin e përdorimit

të kompjuterëve. Metodat e zgjidhjeve të tilla me simulim janë të shumta dhe ato janë

kryesisht pjesë e fushës së kërkimeve operacionale.

4.2.2.3. Analiza e riskut

Analiza e riskut është një teknikë modelimi shumë e përdorur në biznese për të vlerësuar

ekspozimin e firmave ndaj ngjarjeve që ndikojnë negativisht në vlerën e vetë firmës.

Kjo metodë konsiston në identifikimin e faktorëve të riskut që janë specifike për atë

organizatë. Njëlloj si metodat e tjera të modelimit, analiza e riskut mund të zbatohet në

aspekte specifike të veprimeve të firmës apo të gjithë sistemit. Kjo metodë bazën e saj

të aplikimit e ka në probabilitet dhe statistikë. Analiza e riskut është zakonisht e vetmja

teknikë modelimi që bizneset përdorin për të vlerësuar riskun dhe shanset e ndryshme

të biznesit. Ndër teknikat më të njohura në të janë vlera në risk, risku operacional dhe

teoria e vlerës ekstreme. Vlera në risk mundohet të gjej se sa mund të humbasë një

firmë nga luhatjet e tregut për një kohë të caktuar dhe nivel besimi të caktuar. Kjo

metodë përqendrohet kryesisht në riskun e çmimeve financiare të një portofoli dhe

injoron faktorët e tjerë si atë të veprimeve, kreditë apo risqe të tjera. Metodat e

përdorura këtu janë kryesisht sasiore dhe statistikore, me simulim Monte Carlo apo

historik, të cilat varen nga të dhënat historike të tregut. Në teknikën e riskut operacional

studiohen risqet e humbjes direkt apo indirekt si rezultat i gabimeve njerëzore,

sistemeve, si dhe nga procese të brendshme apo edhe ngjarje të jashtme. Teknika e

vlerës ekstreme përdoret si një plotësuese e vlerësimeve të teknikave të mësipërme.

44

Avantazhi i analizës së riskut është thjeshtësia, ku supozimet kryesore janë të mirë-

përcaktuara. Analiza e riskut mund të aplikohet mbi gjithë biznesin ose mbi analizat e

ndara të riskut për njësitë e biznesit. Kur aplikohet gjerësisht në një korporatë, kjo

metodë mund të japë një ide të shpejtë për riskun e saj. Një disavantazh i analizës së

riskut ka të bëjë me vështirësinë e marrjes së të dhënave të besueshme. Kjo e bën të

vështirë vlerësimin real të modeleve të riskut që kërkojnë vlerësimin e probabiliteteve

të ngjarjeve që mund ose nuk mund të ndodhin. Modelet e riskut janë të nevojshme në

shfaqjen e rezultateve më të këqija të mundshme se sa të gjejnë veprimet e ardhshme

që firma mund të bëj.

4.2.2.4. Modelimi statistikor

Modelimi statistikor është një qasje që studion se si rezultatet e një sistemi varen nga

të dhënat e saj. Në këtë model, sistemi ose pjesët përbërëse të tij modelohen si një kuti

e zezë pa marrë për bazë strukturat e brendshme ose proceset rastësore. Këto metoda

përdoren gjerësisht nga ekonomistët për të studiuar ekonominë me anë të mjeteve

kompjuterike si p.sh SPSS, SAS dhe shumë të tjerë.

4.2.2.5. Dinamika sistemeve

Dinamika e sistemeve përdoret për të modeluar proceset dinamike të cilat ndryshojnë

vazhdimisht gjatë kalimit të kohës. Kjo metodologji përdor modelimin me simulim

kompjuterik për të kuptuar dhe diskutuar problemet dhe çështjet komplekse. Me anë të

saj, studiuesit mundohen të kuptojnë sjelljen jo-lineare të sistemeve komplekse me

kalimin e kohës duke përdorur stoqet, rrjedhjet, ciklet reaguese të brendshme dhe

vonesat kohore (Radzicki & Taylor, 2008). Dinamika e sistemeve filloi si metodë

modelimi e cila u projektua për modelimin e bizneseve dhe sistemeve sociale në vitet

1950. Duke qenë se ajo është një qasje e plotë e strukturuar për modelimin e një sistemi

kompleks, dinamika e sistemeve u bë shumë e famshme duke dhënë një pamje të plotë

të sistemit dhe duke përdorur disa mjete dhe procese të mirë-përcaktuara për ndërtimin

e modelit.

Dinamika e sistemeve filloi si një mjet modelimi në kompjuter. Ajo vetë u zhvillua nga

fusha e inxhinierisë së sistemeve, ku fillimisht u përdor për sisteme fizike si elektronika.

Meqenëse kompjuterët e parë ishin analog dhe punonin në kohë të vazhduar, kjo

ndihmoi në zhvillimin e kësaj metodologjie. Mënyra e shpjegimit të një sistemi është

si një bashkësi variablash gjendjeje dhe ekuacionesh diferenciale që tregojnë normën e

ndryshimit të secilit variabël gjendje si funksion i vet gjendjes. Qasja e modelimit të

sjelljes dinamike të një sistemi gjatë kohës që ai ndryshon në pika të veçanta të kohës

me anën e ekuacioneve diferenciale që lidhin gjendjen e sistemit nga një pikë kohore

në tjetrën. Në këto sisteme rritja e kohës është konstante si p.sh një orë, ditë apo edhe

vit. Pavarësisht se kjo bie ndesh me faktin që ekuacionet diferenciale kërkojnë që

sistemi të funksionojë me kohë të vazhduar, në dinamikën e sistemeve bëhet kujdes në

modelimin sa më të saktë të variablave kohorë që të kenë rrjedhshmëri të caktuar. Në

paraqitjen e proceseve të biznesit dhe sociale, thjeshtësia e paraqitjes së sistemit vetëm

me hapa diskrete kohe prodhon rezultate që janë të njëjta apo pothuajse të njëjta me ato

që do të merreshin nga ekuacionet diferenciale. Në këtë mënyrë edhe vetë llogaritjet e

modelit thjeshtohen.

Një aspekt tjetër i lidhur me modelimin e dinamikave të sistemit ka të bëjë me trajtimin

e tij të pasigurisë, ku këta modele nuk marrin parasysh ndryshueshmërinë rastësore të

sistemit. Kjo ndodh pasi vetë fokusi i modeleve të dinamikave të sistemit nuk është të

zbuloj efektet e pasigurisë, por të kuptojë natyrën e gjithë sjelljes së sistemit.

45

Simulimet e dinamikës së sistemit ndërtohen në mënyrë të drejtpërdrejtë dhe përmbajnë

tre lloje variablash të quajtura nivele, norma dhe variabla ndihmëse. Grumbullimi i tyre

dhe qasja e nivelit të lartë do të thotë se ka më pak variabla dhe kërkesa të dhënash.

Zakonisht përdorimi i dinamikës së sistemit zbulon se si sistemi ndryshon gjatë kohës,

ndryshimet e sistemit dhe sjelljen afatgjatë si edhe nëse sistemi ka paqëndrueshmëri të

qenësishme. Disa nga disavantazhet e përdorimit të modeleve të dinamikave të

sistemeve lidhen me faktin se këto modele duan të përfaqësojnë në mënyrë të

përmbledhur dhe nuk është i qartë niveli i detajeve në vetë modelin. Gjithashtu, vënia

e theksit në proceset fikse që nuk ndryshojnë në strukturë apo në reciprocitet, apo

vështirësia e përshtatjes së pjesëve të modelit janë gjithashtu në disfavor të këtyre

modeleve.

4.2.2.6. Simulim ngjarjesh diskrete

Simulimi i ngjarjeve diskrete është një teknikë simulimi shumë e përdorur në fushën e

kërkimeve operacionale (Law, 2014). Kjo teknikë vetë-modelon një proces si një seri

ngjarjesh diskrete. Kjo do të thotë që entitetet mendohen sikur lëvizin nga një gjendje

në tjetrën gjatë kalimit të kohës. Këto entitete futen në sistem dhe vizitojnë disa nga

gjendjet e sistemit përpara se ta dalin prej tij (Maidstone, 2012). Zakonisht sistemet

DES mendohen si rrjeta radhësh dhe serverësh. Kjo teknikë është në kontrast me

simulimin e vazhduar në sistemet dinamike.

Disa nga përdorimet më të përhapura të DES janë modelimi i radhëve të pritjes, ose siç

njihen ndryshe sisteme të radhës. Këto sisteme janë pjesë e rëndësishme e jetës sonë si

industria e shërbimeve, restorantet, dyqanet, transporti publik, bankat, e të tjerë si edhe

në prodhim e shpërndarje.

DES u bë shumë i njohur në vitet 1960 me zhvillimin e kompjuterëve dhe gjuhëve të

programimit. Sisteme të shumta të gatshme për përdorim u bënë shumë të njohura dhe

ishin të aksesueshme nga modeluesit në biznese dhe qeveri. Ky zhvillim vazhdon

akoma edhe sot ku produkte të shumta i shtohen llojeve të sistemeve DES.

Simulime me DES janë më të nevojshme në rastet kur kemi nevojë për të simuluar

ecurinë e një procesi kompleks përgjatë kohës, kur proceset dhe marrëdhëniet midis

tyre nuk ndryshojnë në kohë dhe janë të mirë-përcaktuara, ose edhe në rastet kur faktor

të rëndësishëm kanë një element ndryshueshmërie apo pasigurie dhe kjo mund të

paraqitet me anë të shpërndarjeve probabilitare. Ndërkohë që DES nuk modelohet kur

ka procese komplekse me shume nivele vendimmarrëse. Disavantazhet e saj mund të

shihen në faktin se funksionon vetëm me një bashkësi procesesh të mirë-përcaktuara në

fillim të simulimit dhe jo të gjeneruara, si edhe nuk arrin të studiojë ndryshimet në

strukturën e sistemit.

4.2.3. Ndryshimet midis ABM-ve dhe modelimeve të tjera

Përpara se të tregojmë ndryshimet midis ABM-ve dhe modeleve duhet të tregojmë

fillimisht edhe një ndryshim të rëndësishëm në studimin e fenomeneve të ndryshme.

Kjo ka të bëjë me përdorimin e dy trajtimeve të modelimit të cilat kanë të bëjnë me

mënyrën se si studiuesi mundohet ta analizojë fenomenin (Iba, 2013). Trajtimi i parë

është ai i qasjes nga lart-poshtë, ku fenomeni mund të shprehet si model numerik dhe

simulohet duke përdorur ekuacione diferenciale apo teknika të ngjashme matematikore.

Trajtimi tjetër është ai nga poshtë-lart, ku fenomeni shprehet si një sistem kompleks

dhe simulohet nëpërmjet veprimeve lokale midis elementëve të sistemit.

46

Trajtimi nga lart-poshtë është një formë simulimi tradicional ku sistemi që merret

parasysh është modelohet me ekuacione dhe procesi në çdo hap merret duke zgjidhur

modelet. Gjithsesi, nëse flasim për sisteme komplekse ka një limit në këtë proces si

pasojë e rritjes së vështirësisë kur modelon sisteme të tillë. Zakonisht dinamika e një

sistemi të tillë nuk mund të paraqitet me ekuacione diferenciale. Ekuacione të tilla

modelit nuk mund të zgjidhen në mënyrë analitike por duhen zgjidhur numerikisht, ku

efektet e gabimeve janë të mëdha dhe nuk kanë se si mos të merren parasysh. Për këtë

arsye, trajtimi nga poshtë-lart është më i përshtatshmi në studimin e fenomeneve të tilla

komplekse. Si një metodë e re, ABM-ja trajton pikërisht këtë qasje në studimin e këtyre

fenomeneve.

Në këndvështrimin e ndryshimeve midis ABM-ve dhe teknikave tradicionale të

përdorura për modelim dhe simulim, më poshtë do të flasim pikërisht për këto

ndryshime një e nga një si edhe për modele të kombinuara midis tyre dhe ABM-ve.

4.2.3.1. Simulim me pjesëmarrje dhe ABM

Sipas North dhe Macal (North & Macal, 2007) simulimi i bazuar në agjentë përdor

bazat e simulimeve standarde me pjesëmarrje, por duke e përdorur atë me qëllimin për

të gjetur sjelljet e agjentëve. Zakonisht simulimet me pjesëmarrje përqendrohen më

shumë në sjelljet në nivel makro sesa në ndërveprimet me nivel mikro. Ato përdoren

rrallë në gjetjen e rregullave në nivel mikro, ndërkohë që ABM-të bëjnë pikërisht këtë

gjë duke marrë informacion dhe ndërtuar modele agjentësh që përfshijnë sjelljet e

agjentëve.

Nëse do të mendonim për kombinimin e këtyre dy metodave së bashku do të shihnim

se me anën e simulimeve me pjesëmarrje do të merrnim informacionin e duhur për të

ndërtuar agjentët artificial në ABM. Kjo pasi ky lloj simulimi ndihmon në gjetjen sa

më reale të rregullave, sjelljeve dhe strategjive të agjentëve. Pa një studim paraprak me

simulim me pjesëmarrje, nuk mund të ndërtohen agjentë me karakteristika reale në

modelet e ABM.

4.2.3.2. Optimizimi dhe ABM

Në vetë fushën e optimizimit ka pasur shumë zhvillime pozitive, ku modelet e

optimizimit janë formuluar, zgjidhur, përdorur dhe ardhur edhe jashtë fushës së

optimizimit. Kështu që mund të përmenden algoritmat gjenetik, programimi i

kufizimeve dhe optimizimi i tufës. Një pjesë e mirë e këtyre problemeve janë zhvilluar

nën fushën e metaheuristikës dhe frymëzimin e kanë nga biologjia dhe jeta natyrore.

Algoritmat gjenetik janë përdorur si mjete optimizimi në probleme ku informacioni i

sistemeve ndahet në blloqe ndërtuese, të cilat kalojnë një proces zgjedhjeje, bashkimi

rastësor, zëvendësimi, ndryshimi dhe rikombinimi duke dhënë një informacion të ri me

karakteristika më të mira dhe aftësie për tu vepruar me mjedisin (Xhafa, Herrero,

Barolli, Barolli, & Takizawa, 2013). Njëlloj si algoritmet gjenetik edhe programimi

gjenetik i cili i ka bazat nga këto algoritme është një teknikë e fuqishme që mund të

zgjidhë probleme në arsyetimin cilësor dhe përdoret në aplikimet e inteligjencës

artificiale. Gjithashtu edhe programimi i kufizimeve është një teknikë tjetër që lejon

formulimin e problemeve komplekse. Simulimet e bazuara në agjentë mund të përdorin

bazat e optimizimit në paraqitjen e sjelljeve të agjentëve. Kjo pasi çdo agjent mundohet

të optimizojë sjelljet dhe veprimet e tij në bazë të njohurive të marra nga mjedisi. Një

tjetër teknikë e përdorimit të optimizimit sot ka të bëjë me optimizimin e shumëfishtë

ku mund të përdoren teknikat e simulimit me shumë agjentë për të gjetur metodën më

të mirë të mundshme prej tyre.

47

Lidhja midis ABM-ve dhe optimizimit është goxha e madhe, ku vetë optimizimi ka

ndihmuar shumë në metodikat e ABM-ve sa mund të themi se ato janë pjesë përbërëse

e rëndësishme të këtyre metodikave. Optimizimi mund të përdoret gjithashtu edhe si

teknikë për modelimin individual optimal dhe vendimmarrjeve organizative. Në

simulimet e ABM-ve ne zakonisht përfshijmë edhe simulimet e optimizimeve vetjake

të çdo agjenti në të. Një shembull shumë i mirë i përdorimit të optimizimit në modelet

e bazuara me agjentë është dhënë në punimin e (Oremland & Laubenbacher, 2014).

4.2.3.3. Analiza e riskut dhe ABM

Në analizën e riskut tradicional duket sikur ka pak lidhje me ABM-të, por ndonjëherë

risku është një veçori e të gjithë sistemit, dhe në këtë rast duhet studiuar i gjithë sistemi

si një i tërë. Së fundmi analiza e riskut është zgjeruar përtej fokusit tradicional të

firmave individuale, duke marrë parasysh edhe zhvillime të tjera të përgjithshme. Fakti

i krizave të njëpasnjëshme ka bërë që në këtë analizë të merren parasysh edhe varësia

ndaj ekonomisë globale. Në këtë aspekt sot në modelimet e riskut konsiderohet e gjitha

ekonomia si një e tërë dhe teknikat e modelimit të agjentëve kanë dhënë kontributin e

tyre. Në këtë aspekt, janë modeluar modele me skenarë të ndryshëm dhe me supozime

rreth politikave që agjentët ndjekin, këto nga të dhënat e tregut dhe më pas simulohen

me anë të kompjuterit me ABM. Modelet me agjentë fokusohen në informacionin më

të rëndësishëm rreth riskut të gjeneruar nga agjentët nën një firmë të caktuar. Qasja e

agjentëve lejon modelin të përfshijë aspekte të ndryshme nga kompanitë e veçanta, si

p.sh strategjitë e çmimeve, besnikëria e klientit apo edhe grada e riskut si prishja e

kontratës, besueshmëria e produktit, ndryshimet e rregullave etj. Të gjitha këto japin i

japin aftësinë modeluesit të modelojë sjellje të ndryshme në mënyrë që të ketë shumë

skenarë të mundshëm për të ardhmen.

4.2.3.4. Modelimi statistikor dhe ABM

Modelimi statistikor mundohet ta shpjegojë sistemin nga lart-poshtë duke e parë atë si

një kuti të zezë. Në një mënyrë ABM-të me shpjegimin e sistemit nga poshtë-lart janë

antiteza e modelimit statistikor. Zakonisht nuk mundet të zhvillohet një model agjenti

ku gjithë faktorët rastësor dhe marrëdhëniet të çojnë në specifikimet e plota për

vendimet e agjentit. Për këtë mund të përdoret analiza statistikore e cila vlerëson

rregullat vendimmarrëse të sjellurit të agjentit. Gjithashtu nga ana tjetër mundet që të

kalohet nga agjentë kompleks në një lidhje të thjeshtë statistikore midis disa variablave

që udhëheqin shumicën e sjelljeve të agjentit. Gjithashtu edhe teknika të tjera më të

avancuara mund të përdoren për të njëjtat arsye në ABM.

4.2.3.5. Dinamika sistemeve dhe ABM

Dinamika e sistemeve dhe ABM-të janë të ngjashme në natyrën e tyre të simulimit, kjo

për faktin pasi të dyja këto metoda marrin për bazë proceset dinamike të sistemit. Nëse

ne kemi zhvilluar një simulim me anën e dinamikave të sistemeve, në ABM është e

mundur të ndërtosh të njëjtin model të përshtatur me agjentë dhe rezultatet e tyre janë

të njëjta. Nëse në modelet me agjentë ku informacioni në model grupohet nga agjenti,

atëherë sjelljet e agjentit mund të dalin nga variablat e gjendjes dhe se si këto variabla

ndryshojnë. E njëjta gjë ndodh edhe në modelet e dinamikës së sistemeve, ku

informacioni në model grupohet nga variablat e gjendjes dhe se si ata ndryshojnë,

atëherë këto variabla mund të përshkruajnë agjentin dhe sjelljet e agjentit.

Ndryshimi i këtyre metodave është në faktin se dinamika e sistemeve merr

këndvështrimin e proceseve dhe e përdor atë për modelimin e agjentëve dhe ndërkohë

48

ndërveprimet e tyre janë jashtë qëllimit të studimit të saj. Kjo teknikë ka vështirësi në

modelimin e problemeve të caktuara që janë jashtë fushës së studimit. Ka disa aspekte

të cilat modelimi me dinamikat e sistemeve nuk mund t’i marrë parasysh, ndërkohë që

ABM-ja mundet. Ndër këto aspekte mund të përmendim raste kur kemi probleme me

aspekte hapësinore, si modelimi i pozicionimeve të agjentëve në një zonë. Një rast tjetër

mund të jetë ai i problemeve me shumë agjentë që ndërveprojnë herë pas here gjatë një

kohe të caktuar, apo rasti kur problemi ka variabla vendimi diskrete apo kufizime mbi

to. Në të gjitha këto raste ABM-ja mund t’i japë rezultate simulimi të vlefshme në

krahasim me modelet e dinamikave të sistemeve. Një ndryshim tjetër ka të bëjë edhe

me faktin se dinamika e sistemeve përdor qasjen nga lart-poshtë (Maidstone, 2012),

ndërsa ABM-të përdorin qasjen nga poshtë-lart në ndërtimin e modeleve.

4.2.3.6. DES dhe ABM

DES është metoda më e përdorur në simulimet kompjuterike, kur flitet për simulime në

fushën e kërkimeve operacionale. Kjo ka ndodhur për faktin e përqendrimit në

modelimin e sistemit me detaje. Në vitet e fundit me futjen e ABM-ve po shihet se ka

një lëvizje edhe vetë brenda fushës së kërkimeve operacionale për përdorimin e tyre

(Siebers, Macal, Garnett, Buxton, & Pidd, 2010). Ndryshe nga DES, ABM-të janë të

fokusuara në modelimin e entiteteve dhe ndërveprimeve të tyre. Vetë DES është e

orientuar ndaj proceseve të sistemit dhe përdor qasjen e modelimit nga lart-poshtë,

ndërkohë që ABM janë të orientuara ndaj individit apo entiteteve dhe përdorin qasjen

e modelimit nga poshtë-lart. Kur flasim për mënyrën e kontrollit në simulim, DES

përdor vetëm një njësi përpunuese dhe e konsideron sistemin e centralizuar, ndërkohë

ABM-të përdorin njësi përpunuese të veçanta për secilin agjent duke e konsideruar edhe

sistemin si të decentralizuar. Në DES kemi entitete pasive ku këto entitete ndryshojnë

gjatë lëvizjes në sistem, gjithashtu edhe vendimmarrjet apo forma e inteligjencës

modelohet si pjesë e sistemit. Ndërsa në ABM entitetet apo agjentët janë aktiv duke

marrë iniciativën vetë për të bërë diçka, gjithashtu secili agjent ka vendimmarrjen apo

formën e tij të inteligjencës në sistem. Një tjetër koncept i DES është radha, e cila

studiohet si element kyç në sistemet DES, në ABM ky koncept mungon por mund të

jetë pjesë e studimit të saj siç tregohet edhe në punimin e Lee (Lee & Wong, 2016), i

cili modelon si ABM një skenar me radhë në trafik. Në modelet e DES zakonisht

modelohen vetëm sjelljet “makro” të sistemit, si edhe lëvizja e entiteteve në sistem. Në

ABM lëvizja e agjentëve dhe sjelljet “makro” nuk modelohen në mënyrë të

drejtpërdrejtë, por ato dalin nga vendimet “mikro” të agjentëve. Një ndryshim i fundit

ka të bëjë me të dhënat që i jepen simulatorit në DES janë zakonisht të bazuara në të

dhëna të mbledhura apo matura më parë duke i bërë ato më objektive. Ndërsa në ABM

këto të dhëna bazohen kryesisht në të dhëna teorike apo subjektive, edhe pse në disa

raste ato mund të jenë edhe të matura.

4.2.3.7. ABM dhe modelimet tradicionale

ABM si një trajtim i ri i modelimeve është bazuar edhe në vetë modelimet tradicionale.

Nga përshkrimet e mësipërme nuk është e vështirë të mendosh se ABM përfshin disa

nga karakteristikat e tyre. Përveç tyre ABM ka disa karakteristika të veçanta të cilat

kanë një vlerë të shtuar në përdorimin e saj kundrejt metodave të tjera, duke treguar

edhe mundësitë e shumta që vetë modelimet me ABM të lejojnë. Në këtë mënyrë ABM-

të vendosin kufij të rinj duke kombinuar metodat e reja me ato të trajtimeve të modeleve

tradicionale dhe duke ofruar mundësi të reja në studimin e sistemeve komplekse.

49

Tabela 4-2: Ndryshimet midis modeleve tradicionale dhe ABM-ve6

Modelimi tradicional Modelimi i bazuar në agjentë Deterministike (një rezultat) Stokastike (shumë rezultate)

Ndarëse (Lart-poshtë) Bashkuese (Poshtë-lart)

Formula me ekuacione Agjentë adaptues

Nuk japin shpjegime Fuqi shpjeguese

Pak parametra Shumë parametra

Hapësirë e mbyllur Hapësirë eksplicite (e hapur, e qartë)

Mjedisi i dhënë Mjedisi i krijuar

Reagon ndaj tyre Mëson prej tyre

Modelimi dhe simulimi i bazuar në agjentë ofron mundësi për të dhënë informacione

më të mira dhe të reja rreth sistemeve në përgjithësi, pasi paraqitja me anën e agjentëve,

sjelljeve dhe ndërveprimeve të tyre në mënyrë sa më reale është sot e mundur. Një

ndryshim i madh midis ABM-ve dhe modelimeve tradicionale është edhe fuqia

shpjeguese, ku ABM duket qartazi se ka një avantazh te madh pasi me të dhënat e

gjeneruara mund të bëhen analiza mbi arsyet “mikro” që ndikuan në ato “makro”.

Gjithashtu edhe fakti që ndërtimi i modeleve kalon në detaje të plota të sistemit, lejon

përshkrimin më të thjeshtë të asaj që ndodh në këto modele simuluese. Gjithsesi ABM-

të janë metoda më natyrore për të përshkruar dhe simuluar një sistem të përbërë nga

entitete të botës reale. Një përmbledhje e këtyre ndryshimeve midis modeleve

tradicionale dhe ABM-ve jepet në tabelën 4-2 bazuar mbi punimin e (Crooks &

Heppenstall, 2012).

4.2.4 Rast i veçantë: Modeli DSGE dhe ABM

Modeli dinamik stokastik i ekuilibrit të përgjithshëm (“Dynamic Stochastic General

Equilibrium” – DSGE) është një model me anë të cilit mundohemi të shpjegojmë

fenomenet e ndryshme ekonomike. Këto modele janë dinamike pra që zhvillohen me

kalimin e kohës, stokastike që lidhet me luhatjet rastësore në ekonomi, si p.sh luhatjet

e kursit i këmbimit apo në politikat monetare, e përgjithshme pasi përfshijnë të gjithë

ekonominë dhe ekuilibër për të gjetur ekuilibrin ekonomik. (Slanicay, 2014)

Fillimet e modeleve DSGE kanë qenë në punimet e (Lucas & Prescott, 1971) dhe (Luca,

1972) në vitet 70. Këto modele ndahen në tre grupe kryesore në të cilat bazohen, ato

janë modele që bazohen në teorinë e re klasike, teorinë e cikleve reale të biznesit dhe

teorinë e re keynesiane. Modelet DSGE shërbejnë si bazë për punimet e ndryshme

empirike në ekonomi. Për të përcaktuar një model DSGE fillimisht na duhet të dimë

preferencat që kanë lidhje me objektivat kryesor që ekonomia duhet të arrijë, më pas

mbi teknologjinë që mundëson madhësinë e prodhimit që ekonomia vendos, si edhe

kufizimet që modeli do të ketë në lidhje me politikat fiskale apo monetare që do të

përdoren.

Modelet DSGE marrin parasysh shumë faktorë të cilët modelohen matematikisht në

bazë të kushteve të ekonomisë. Ato formulohen edhe me ndihmën e disa programeve si

Dynare, apo me Matlab dhe më pas mund të bëhen analiza të mëtejshme duke u bazuar

mbi faktorët e marrë parasysh.

6 Bazuar mbi punimin e (Crooks & Heppenstall, 2012)

50

Duke pasur parasysh zhvillimet e dhjetëvjeçarit të fundit, modelet DSGE nuk arritën të

analizonin situatat e vështira të krizave të njëpasnjëshme të ndodhura në ekonomi. Për

këtë arsye disa ekonomistë propozuan përdorimin e ABM-ve për të studiuar më mirë

këto fenomene. Në artikujt e publikuar (New model army, 2013) dhe (Agents of change,

2010) në “The Economist” përmendet se me ABM-të mund të arrihet shumë më tepër

se DSGE për studimin e ekonomisë. Në të njëjtin këndvështrim janë edhe punime të

tjera si (Dilaver, Jump, & Levine, 2016) ku diskutohen avantazhet e ACE mbi

metodikat e DSGE, apo në punimin e (Fagiolo & Roventini, 2017) në të cilin paraqiten

kufizimet e metodave DSGE në lidhje me modelimet e tregjeve përbërëse të ekonomisë

dhe mundësia e studimit të tyre me anën e ABM-ve.

4.3. Zhvillimi i konceptit të agjentit

Për konceptin e agjentit nuk ekziston një marrëveshje e cila përcakton termin e saktë të

tij. Vetë termi agjent është përdorur shpesh herë për të krijuar apo marrë në konsideratë

produkte softueri në shumë fusha aplikimi. Këtu vetë koncepti i agjentit lidhet me

softuerin, ku agjent softuerik quajmë një program kompjuterik që vepron për një

përdorues ose program tjetër. Termi agjent u ka lidhur edhe me vetë fjalën që në

latinisht njihet si “agere”, e cila ka kuptimin e veprimit ndaj dikujt apo diçkaje. Në

ekonomi termi agjent përdoret për një vendimmarrës në një model për disa aspekte

ekonomike, ku zakonisht agjenti mund të jetë një njësi tregtare apo ekonomike. Nën

konceptin e agjentëve inteligjent gjejmë përkufizimin e Franklin dhe Graesser (Franklin

& Graesser, 1997) i cili thotë: “Një agjent autonom është një sistem i vendosur dhe

pjesë e një mjedisi që ndjen dhe vepron mbi mjedisin gjatë kohës dhe është në ndjekje

të agjendës së tij dhe që ndikon në atë që do të ndjejë në të ardhmen”. Një përkufizim

të ngjashëm kanë dhënë edhe në punimin e (Russell & Novig, 2010, p. 34), ku

përmendin se agjenti është çdo gjë që ndjen nga mjedisi nëpërmjet sensorëve dhe

vepron mbi të nëpërmjet vepruesve të tij. Sipas punimit të (Macal & North, 2013)

agjentët kanë disa karakteristika bazë të cilat janë:

Agjenti është një njësi e identifikueshme, modulare dhe vetë-përfshirëse.

Modulariteti nënkupton se agjenti se agjenti ka kufij, pra ku mund të përcaktohet

nëse diçka është pjesë apo jo e një agjenti. Kjo do të thotë se agjenti mund të

dallohet apo njihet nga agjentët e tjerë.

Agjenti është autonom dhe i vetë drejtuar, pra ku agjenti mund të veprojë i

pavarur në mjedisin e tij si edhe në veprimet e tij me agjentët e tjerë. Këtu

agjentët mendohen si njësi të afta për të përpunuar informacionin apo

shkëmbyer atë me agjentë të tjerë në mënyrë që të marrin vendimet e tyre të

pavarura. Ata janë të lirë të ndërveprojnë me agjentët e tjerë brenda një numri

të caktuar situatash.

Agjenti ka sjellje, pra ku informacioni i ndjerë nga agjenti kalohet në vendimet

dhe veprimet e tij. Informacioni i agjentit vjen nga ndërveprimet me agjentë të

tjerë apo edhe vetë mjedisi. Sjellja e agjentit mund të specifikohet që nga

rregullat e thjeshta deri te ato komplekse.

Agjenti ka gjendje. Agjenti ka si gjendje variablat kryesorë që lidhen me

situatën e tij, pra me bashkësinë e atributeve që ai ka në një moment të caktuar.

Për shkak të saj edhe sjelljet e agjentit janë të kushtëzuara nga gjendja e tij.

Agjenti është social, ku agjenti mund të ketë ndërveprime dinamike me agjentë

të tjerë që influencojnë sjelljen e tij. Zakonisht agjentët kanë protokolle për

ndërveprim, siç është komunikimi, lëvizja dhe pretendimi për hapësirë, aftësia

51

për t’iu përgjigjur mjedisit dhe agjentëve të tjerë. Gjithashtu, këtu agjentët

munden të njohin dhe dallojnë tiparet e agjentëve të tjerë.

Agjentët mund të jenë adaptues. Këtu agjenti ka aftësinë për të mësuar dhe

përshtatur sjelljet e tij në bazë të eksperiencave të akumuluara. Agjenti duhet të

ketë edhe memorie në mënyrë që të mësojë nga eksperiencat e mëparshme.

Agjentët mund të projektohen që të ndryshojnë gjendjen e tyre në varësi të

gjendjeve të mëparshme. Gjithashtu agjentët mund të përshtaten në nivel

individual si edhe në nivel grupi agjentësh.

Agjenti mund të jetë i drejtuar ndaj qëllimit. Këtu agjenti ka një qëllim apo

objektiv për të arritur në lidhje me sjelljet e tij. Kjo e lejon atë të krahasoj

rezultatet e sjelljeve me atë të qëllimeve të tij dhe të rregulloj përgjigjet dhe

sjelljet në ndërveprimet e ardhshme.

Agjenti mund të jetë heterogjen. Kjo do të thotë që agjentët mund të jenë të

ndryshëm nga njëri tjetri në modelet simuluese. Kjo do të thotë që

karakteristikat dhe sjelljet e agjentëve të ndryshojnë në mënyrën se si agjenti

merr vendimet. Kjo pasi ndryshojnë edhe specifikat në lidhje me përpunimin

informacionin, memorien dhe tipareve të tjera që merren në konsideratë.

Në punimin e Crooks dhe Heppenstall (Crooks & Heppenstall, 2012) është bërë një

përmbledhje e disa punimeve dhe ku janë nxjerrë disa nga veçoritë e mundshme të

agjentëve në ABM, të cilat ndahen në autonomia, heterogjeniteti dhe aktive. Në dy

veçoritë e para shpjegimi i tyre është i njëjtë me shpjegimin e mësipërm rreth agjentëve

heterogjen dhe atyre autonom. Agjentët aktiv do të thotë që ato shfaqin ndikim të

pavarur në simulim. Më poshtë tregohen disa nga veçoritë e tyre:

pro-aktiv

reagues

racionalizimi i kufizuar

ndërveprues apo i komunikues

lëvizshmëria

adaptimi

Në shpjegimin e këtyre veçorive të agjentëve aktiv, tregohet se të qenurit aktiv është e

njëjtë me shpjegimin e karakteristikës së agjentëve të drejtuar ndaj qëllimit. Veçoria

reaguese është në rastet kur agjenti hartohet që të ketë një lloj dijenie apo ndjeshmërie

ndaj mjedisit rreth tij. Agjentët munden të kenë një njohuri fillestare në mënyrë që të

identifikojnë objektet e tjera në afërsi. Veçoria e racionalizimit të kufizuar bazohet mbi

faktin se në modele të caktuara secili agjent mund të bëjë vendime racionale në bazë të

disa rregullave të përcaktuara dhe informacioneve që ai përpunon. Këto vendime

ndihmojnë edhe në arritjen e qëllimeve të tyre. Gjithashtu agjentët kanë veçorinë e

ndërveprimit dhe komunikimit me njëri-tjetrin dhe mjedisin, si edhe mund të lëvizin në

këtë mjedis.

4.3.1.Atributet e Agjentëve

Agjentët mund të përfaqësojnë një entitet i cili bën disa veprime në bazë të disa nxitjeve

të jashtme të mjedisit rrotull tij. Në këtë aspekt vetë agjentët mund të mendohen edhe

si njësi vepruese ndaj nxitjeve të ndryshme qofshin këto njerëzore ashtu edhe natyrore.

Në rastin e nxitjeve natyrore, agjenti kryen disa funksione bazë si përgjigje ndaj tyre.

Në këtë rast edhe atributet e tij janë kryesisht të varura nga përpunimi i informacionit

të marrë nga dukuritë e ndryshme natyrore. Kur mendojmë për njësitë të natyrës

mekanike, problemi bëhet më i thjeshtë dhe përcaktimi i atributeve të agjentit i cili do

52

veprojë apo ndërveprojnë në një sistem të tillë mekanik, bëhet akoma më i thjeshtë. Të

tilla raste janë shfrytëzuar për ndërtimin e agjentëve robotik të cilët veprojnë kryesisht

në mjedise mekanike, si fabrikat e ndryshme të prodhimit. Aty këta agjentë bëjnë disa

veprime të caktuara, të nxitura nga proceset e punës në këto fabrika. Shembujt më të

mirë janë pikërisht këta agjentë të cilët përmirësojnë proceset dhe ndihmojnë punëtorët

në situata të ndryshme. Këta agjentë përdorin sensorët e tyre për të ndryshuar gjendjen

e atributeve të tyre dhe më pas sillen sipas një plani veprimi të programuar më parë.

Në të njëjtën mënyrë mund të mendohen edhe agjentët në modelimet dhe simulimet e

sistemeve komplekse si ato ekonomike apo sociale. Në të tilla raste atributet e tyre

duhen të jenë të lidhura me veçoritë që duhet të imitohen nga njësitë ekonomike apo

sociale. Për shembull, në sistemet sociale mund të mendohen si agjentë personat të cilët

kanë atribute si mosha, gjinia, të ardhurat dhe veçori të tjera të cilat ne mendojmë se

ndikojnë në sistem. Në të njëjtin tip sistemi, agjentë mund të jenë edhe institucionet, të

cilat nga ana e tyre kanë atributet e tyre si lloji i shërbimeve, numri i punonjësve dhe

shumë atribute të lidhura me veçoritë e vetë institucionit. Për njësitë ekonomike mund

të përmenden të njëjtat atribute, si p.sh korporatat të cilat kanë atribute si burimet,

objektivat e fitimit, prodhimit, toleranca ndaj riskut e shumë të tjera si këto. Agjentët

mund të përfaqësojnë çfarëdolloj entiteti autonom dhe atributet e tyre përcaktohen në

bazë të atributeve të njohura të këtyre entiteteve.

4.3.2. Sjelljet e agjentëve

Rregullat, marrëdhëniet dhe ndërveprimet e agjentëve janë të ndërlidhura me sjelljet e

tyre. Çdo agjent mund të ketë rregulla që ndikojnë te sjellja dhe marrëdhënia me

agjentët e tjerë apo edhe mjedisi rrotull. Rregullat mund të jenë të nxjerra nga njohuritë

e përgjithshme apo edhe nga ato eksperte, nga analizat e të dhënave apo edhe nga

punime numerike, të cilat mund të jenë të programuara dhe vendosura si bazë në sjelljet

e agjentit. Këto rregulla mund të jenë të njëjta ose edhe të veçanta për secilin agjent,

njëkohësisht ato mund të jenë të ndryshueshme ose të pa ndryshueshme. Zakonisht kur

flasim për rregullat, ato mund të bazohen në deklarata me kusht, ku agjenti vepron sapo

një kusht i caktuar arrihet. Por rregullat mund të aktivizojnë agjentin të veproje edhe në

raste paditurie të sjelljeve të agjentëve të tjerë, sikurse edhe pa ndërveprimin e mjedisit

mbi të. Përveç këtyre rasteve agjentët mund të kenë edhe mundësinë e të mësuarit, për

këtë në to mund të përfshihen edhe struktura sjelljesh që mund të përfaqësojnë njësi të

ndryshme në sisteme komplekse.

Një nga veçoritë e sistemeve komplekse është që informacioni është i kufizuar për

njësitë e sistemit, pra agjentit i duhet të veprojë në bazë të një informacioni të cunguar

dhe nuk ka nj informacion global të plotë për të gjithë agjentët. Agjentët ndërveprojnë

me njëri tjetrin dhe ndërkohë komunikojnë informacione, por këta agjentë nuk munden

të ndërveprojnë me të gjithë sikurse edhe në sisteme reale. Agjentët ndërveprojnë vetëm

me një grup agjentësh të cilët mund të quhen agjentë të afërt, dhe zakonisht

informacioni merret prej tyre dhe jo nga çdo agjent. Këto agjentë ndryshojnë herë pas

here gjatë një simulimi, si pasojë e ndryshimit të gjendjes apo edhe vendndodhjes së

tyre. Kjo bën që sjelljet e agjentëve të jenë gjithmonë në ndryshim në bazë të

informacioneve që ata komunikojnë me njëri tjetrin.

Agjentët kanë një bashkësi rregullash nga ku bazohen edhe sjelljet e tyre. Këto rregulla

i lejojnë agjentët të komunikojnë dhe ndërveprojnë me njëri tjetrin dhe mjedisin rreth

tyre. Gjithashtu ato i japin agjentit aftësi reaguese nga më të thjeshta deri te ato më të

ndërlikuarat në vendimmarrje. Agjentët në përgjithësi fillimisht vlerësojnë gjendjen e

53

tyre dhe më pas përcaktojnë se çfarë do të bëjnë. Ata veprojnë në bazë të vendimeve të

marra dhe më pas vlerësojnë rezultatet e veprimeve të tyre duke ndryshuar edhe

rregullat e tyre kur është e nevojshme.

Nga ana teknike agjentët komunikojnë me njëri tjetrin dhe me mjedisin, ata krijojnë

marrëdhënie në shumë mënyra nga reagimet e thjeshta deri te reagimet e drejtuara drejt

një qëllimi. Sjelljet e agjentëve mund të jenë sinkrone sikurse edhe asinkrone.

Nëse flasim për agjentët e sistemeve natyrore apo mekanike, mund të themi se

mjaftojnë veç disa rregulla të thjeshta të programueshme që në fillim dhe këta agjent

veprojnë me siguri. Kjo është edhe fakti se pse këta agjentë robotë kanë gjetur veprim

në mjedise reale, ndërkohë që agjentët vendimmarrës për sistemet ekonomike apo edhe

ato shoqërore ku ndryshoret e sistemit janë të paqarta nuk janë vënë në zbatim, ose

zbatohen në mjedise eksperimentale si simulimet e ndryshme ekonomike. Për këtë

arsye në vitet e fundit në ABM janë munduar të përfshijnë edhe struktura të sjelluri të

ngjashme me ato njerëzore.

4.3.3. Mjedisi i agjentëve

Mjedisi ka një rol të rëndësishëm në simulimet me agjentë. Por përpara sesa të

shpjegohet do të ishte mirë të paraqitnim ndryshimin e mjedisit të simuluar dhe mjedisit

të simulimit. Mjedisi i simuluar është paraqitja e mjedisit origjinal që do të simulohet,

ndërsa mjedisi i simulimit është platforma e nevojshme për të vënë në zbatim simulimin

(Klugl, et al. 2005).

Mjedisi është hapësira ku agjenti vepron dhe shërben për të mbështetur ndërveprimin e

tij me agjentët e tjerë dhe vetë mjedisin. Në sistemet natyrore, mjedisi është hapësira

fizike ku agjenti robotik vepron dhe ndërfaqet të cilat e lejojnë atë të veprojë në këtë

hapësirë. Në mënyrë të njëjtë edhe në mjediset simuluese apo eksperimentale agjenti

vepron mbi një hapësirë virtuale që ka kuptimin e një hapësire gjeometrike. Në shumë

raste agjentit i duhet të dijë vendndodhjen në mjedis, por ka edhe raste kur ky agjent

nuk e ka të nevojshme të dijë rreth vendndodhjes së tij në mjedis.

Nën kontekstin e simulimeve të sistemeve komplekse, mund të jetë e nevojshme

simulimi i agjentëve në disa mjedise të ndryshme njëkohësisht. Kjo do të thotë se mund

të studiohen disa mjedise paralele apo edhe ndërvarësia e tyre. Kështu që nëpërmjet

vendosjeve të rregullave bazë në sjelljet e agjentëve, mund të arrihet të studiohen

efektet e ndryshme të këtyre sjelljeve mbi agjentët e tjerë si edhe mjediset përkatëse.

Mund të ndodhë që ndikimi nga agjentë fqinjë në një mjedis të ndikojë në sjelljen e

agjentit në mjedisin tjetër. Të tilla raste mund të ndërtohen dhe studiohen me anën e

mjeteve të duhura.

4.4. Sistemet multi-agjent

Në fushën e IA, koncepti agjent gjendet shpesh herë i përdorur në terminologjinë e saj.

Nënfusha e saj e njohur si inteligjenca e shpërndarë artificiale (“Distributed Artificial

Intelligence” - DAI) merret pikërisht me studimin, ndërtimin dhe zbatimin e sistemeve

multi-agjent (Weis, 1999). Këto sisteme janë zhvilluar për të studiuar apo zgjidhur

problematika të ndryshme në të cilat mund të përdoren shumë agjentë. Ato përmbajnë

një mjedis ku agjentët ndërveprojnë me njëri tjetrin në bazë të një bashkësie veprimesh

të tyre që mund të ndryshojë gjendjen e mjedisit ku ato ndodhen. Zbatimi i sistemeve

multi-agjent sipas (Ferber, 1999) mund të jetë në:

54

Zgjidhjen e problemeve, kjo për arsye si nevoja e zgjidhjes së problemeve të

shpërndara, për shkak të rritjes së efiçencës apo si e vetmja mënyrë për tu

zgjidhur.

Simulimin me multi-agjent, këtu mund të përmendim simulimet e ndryshme të

botës reale në fusha si fizika, biologjia, apo edhe shkencat sociale dhe ato

ekonomike.

Ndërtimin i botëve sintetike, ku këto botë mund të përdoren për përshkrimin apo

analizimin e ngjarjeve të ndryshme të ndodhura nga veprimet e njësive

ndërvepruese të saj.

Robotika përmbledhëse, ku çdo robot mund të mendohet si një nënsistem që ka

një qëllim të caktuar dhe merret veç me të. Në fund të gjitha rezultatet mund të

përmblidhen në zbatim apo veprim.

Përdorimin e MAS si një mënyrë efiçente programimi modular të quajtur

projektimi kenetik. Kjo e propozuar nga vetë Ferber, si një fushë që do të merrej

kryesisht me veprimet dhe ndërveprimet përmbledhëse të agjentëve.

Në këtë këndvështrim mund të themi se MAS përfshin brenda saj shumë koncepte dhe

baza teorike që ndihmojnë në funksionimin e saj. Nën konceptimin e (Michel, Ferber,

& Drogoul, 2009), MAS përfshin koncepte si agjentët, mjedisi, ndërveprimet dhe

organizatat. Duke e lidhur me simulimin me multi-agjent, në pjesët e mëposhtme do të

jepet një këndvështrim i ri i ndërtimit të një mjedisi simulues bazuar mbi MAS, si edhe

trajtimi që bëhet nën këtë këndvështrim.

4.4.1. Arkitekturat e agjentëve

Në punimin e (Michel, Ferber, & Drogoul, 2009) thuhet se arkitekturat e agjentëve

trajtohen në tre lloje të përgjithshme, arkitekturat reaktive, ‘cognitive’ dhe hibride.

Në arkitekturat reaktive konsiderohen arkitektura ku agjenti reagon apo vepron ndaj

një veprimi stimulues. Në këtë rast agjenti nuk njeh mjedisin e tij apo agjentët e tjerë,

pra sjellja e tij do jetë e lidhur kryesisht me stimulimet e ndryshme që ai do të marrë

nga mjedisi rreth tij. Zakonisht agjentët e këtij lloji njohin vetëm perceptimet e

vendosura në to dhe veprojnë në bazë të kushteve të lidhura me perceptimet e marra pa

arsyetuar rreth tyre (Wooldridge, 2009). Në këtë mënyrë agjentët marrin informacion

nga mjedisi duke eksploruar dhe veprojnë bazuar mbi eksperiencat e tyre. Ndër

arkitekturat më të njohura në këtë grup mund të përmenden arkitektura ‘subsumption’

(Brooks, 1991), ku agjentët me këtë arkitekturë kanë një sjellje të bazuar mbi prioritete.

Këtu agjenti zgjedh veprimet mbi bazën e disa rregullave sjelljeje të vendosur nga

projektuesi i agjentit. Mbi këtë arkitekturë janë ndërtuar modele të tjera arkitekturash

si ato me strukturë hierarkike, me punë konkurruese, lidhëse, etj... Këto lloje

arkitekturash nuk kanë modele mbi mjedisin e tyre dhe duhet të kenë informacion të

mjaftueshëm mbi mjedisin rreth tyre që të veprojnë.

Arkitektura ‘cognitive’ apo njohëse, konsideron një agjent që arsyeton mbi njohuritë që

ai ka bazuar mbi disa formalizma simbolike. Njohuritë e tij përfshijnë gjendjet, veçoritë,

dinamikat e objekteve në mjedis dhe agjentët e tjerë. Agjentët kanë një formë

shqyrtuese për të vendosur se cilat qëllime ato duhet të arrijnë. Në këtë aspekt

arkitektura më e njohur në këtë grup është arkitektura që bazohet mbi besimin, dëshirën

dhe synimin e agjentit e njohur ndryshe si (“Belief-Desire-Intention” - BDI). Agjentët

BDI janë synues në veprimet e tyre dhe këto veprime do ti lejojnë ato të arrijnë qëllimet

apo dëshirat e tyre (Rao & Georgeff, 1992). Pra këto agjentë veprojnë mbi besimin që

kanë mbi gjendjet e mjedisit ku ato ndodhen, njohuritë e tyre dhe synimet për të arritur

55

qëllimet e tyre. Një agjent BDI ka një bashkësi planesh, ku secili plan tregon hapat për

arritjen e një qëllimi të caktuar. Synimet vendosen kur agjenti angazhohet në arritjen e

një qëllimi bazuar mbi një plan. Ndërsa mënyra e selektimit të planeve dhe veprimeve

për tu kryer bëhet nga një funksion vendimmarrës që merr për bazë edhe përditësimet

e besimeve, qëllimeve dhe synimeve.

Figura 4-2 Arkitektura BDI

Në figurën 4-2 tregohet arkitektura BDI për agjentët, ku shihet qartazi se arsyetimi i

agjentit ndikohet nga perceptimet dhe mesazhet që vijnë nga jashtë. Mesazhet janë

zakonisht të gjeneruara nga agjentë të tjerë dhe ato ndikojnë ndryshimin e qëllimeve

apo dëshirave të agjentit, sikurse edhe në besimet e tyre rreth gjendjeve të caktuara.

Perceptimet nga ana tjetër janë ato çfarë agjenti arrin të njohë vetë nga mjedisi që e

rrethon atë duke formuar në këtë mënyrë edhe besimet përkatëse të gjendjes së tij.

Agjenti fillimisht ka disa qëllime të cilat shtohen apo ndryshohen nga mesazhet e

agjentëve të tjerë, këto analizohen dhe zgjidhen nga interpretuesi që zbaton planet

përkatëse në bazë të besimeve të agjentit. Në momentin e zgjedhjes dhe zbatimit të një

plani, veprimet e planit kthehen në synime që gjenerojnë mesazhe dhe veprime mbi

mjedisin apo agjentë të tjerë në këtë mjedis. Pra ideja kryesore e kësaj arkitekture është

që të imitoj sjelljet njerëzore.

Në rangun e arkitekturave ‘cognitive’ gjenden edhe lloje të tjera si arkitektura eBDI

(Jiang, Vidal, & Huhns, 2007), BOID (Broersen, Dastani, Hulstijn, Huang, & van der

Torre, 2001), BRIDGE (Dignum & Dignum, 2009), EMIL-A (Andrighetto, Campenni,

Conte, & Paolucci, 2007) dhe PECS (SCHMIDT, 2002). Në arkitekturën eBDI

propozohet si njësi shtesë emocionet mbi modelin BDI, ndërsa në BOID propozohet

shtimi i obligimeve sociale. Në arkitekturën BRIDGE propozohet ideja e normave

sociale si shtesë ndaj modelit BOID. Arkitektura e EMIL-A përqendrohet kryesisht në

implementimin e normave sociale. Arkitektura PECS përqendrohet në katër faktorë të

tjerë siç janë kushtet fizike, gjendja emocionale, mundësitë njohëse dhe statusi social.

Në arkitekturat hibride përdoret një kombinim i arkitekturave të mësipërme. Në fakt të

dy llojet e arkitekturave të agjentëve të shpjeguara më sipër duket sikur zgjidhin

probleme komplet të ndryshme, por në këndvështrimin e arkitekturës hibride ato mund

të jenë plotësuese. Në këtë mënyrë është e mundur që të krijojnë arkitektura të cilat

kombinojnë dy modelet për të ndërtuar agjentë më fleksibël duke rritur kohen e

përgjigjes, saktësinë dhe efiçencën. Në ndërtimin e agjentëve merret parasysh aspektet

reaguese dhe ato njohëse për sjelljen e tij. Balancimi dhe koordinimi i këtyre aspekteve

në arkitekturën e agjentit është problemi kryesor me të cilin përballen këto arkitektura.

56

Nën këto lloje arkitekturash njihen më tepër arkitekturat me shtresëzim, të cilat ndahen

në shtresëzim horizontal të njohura ndryshe si makinat Touring (Ferguson, 1992) dhe

shtresëzim vertikal të njohura si InteRRaP (Müller & Pischel, 1993).

Për të zhvilluar në sistem multi-agjent me qëllim simulimi, do të ishte e nevojshme të

përdornim lloje të ndryshme arkitekturash agjenti. Kjo për arsye se këto agjentë duhet

të jenë bashkë në një mjedis për të ndërvepruar me njëri tjetrin. Në një këndvështrim të

përgjithshëm, duhet të themi se agjenti ka tre procese kryesore pavarësisht arkitekturës

që zbatohet mbi të. Këto tre procese janë perceptimi, shqyrtimi dhe veprimi. Perceptimi

ka të bëjë me fazën ku agjenti ndjen diçka që ndryshoi, dhe ky mesazh kalon nën një

funksion shqyrtimi i cili vlerëson këtë perceptim dhe vendos më tej për veprimin e

radhës.

4.4.2. Modelimi i mjedisit

Nën këndvështrimin e IA, agjent është çdo lloj gjëje që ndjen dhe vepron mbi një mjedis

të caktuar (Russell & Novig, 2010). Mbi këtë thënie Russell dhe Norvig diskutojnë mbi

agjentët dhe mjedisin në IA, duke na dhënë disa veçori të mjedisit që konsiderohen edhe

në fushën e sistemeve multi-agjent. Veçoritë e mjedisit të përmendura prej tyre janë:

1. aksesueshmëria e mjedisit

2. determinist apo stokastik

3. episodik apo jo-episodik

4. statik apo dinamik

5. diskret apo vazhdueshëm

6. njohur apo panjohur

Aksesueshmëria e mjedisit ka të bëjë me aksesin e informacionit në mjedis nga agjentë

të ndryshëm. Ky informacion mund të jetë i aksesueshëm nga agjentët në mënyrë të

plotë apo të pjesshme. Në rastet kur është i plotë atëherë agjenti nuk ka nevojë të

përdorë gjendje rreth mjedisit, pasi informacioni është i aksesueshëm në çdo kohë.

Ndërsa në rastin kur ky informacion është i pjesshëm, atëherë agjentit i duhet të mbajë

informacione të mbledhura rreth mjedisit që të bëjë zgjedhjet e duhura më vonë.

Veçoria e dytë sheh nëse mjedisi është determinist apo stokastik. Mjedis determinist do

të thotë që agjenti arrin të përcaktoj saktësisht gjendjen e tij të radhës duke ditur

gjendjen e tanishme dhe veprimet e kryera prej tij. Në rastet kur agjenti nuk arrin të

përcaktoj gjendjen e radhës mund të thuhet se mjedisi është stokastike apo rastësor. Në

veçorinë e tretë mund të thuhet se nëse veprimet e agjentit nuk varen nga veprimet e

bëra në rastet e mëparshme atëherë mjedisi është episodik, pra ku agjenti vepron në

mënyrë të pavarur në bazë rasti. Në rastet kur veprimet e tij në mjedis varen nga

veprimet e mëparshme atëherë mjedisi mund të quhet jo-episodik apo i vijueshëm. Një

mjedis statik është ai mjedis i cili ndryshon vetëm me veprimet e agjentëve, ndërkohë

që mjedisi dinamik ndryshon pavarësisht nga veprimet e agjentëve dhe ky ndryshim

mund të ndodhë edhe gjatë arsyetimit të agjentit. Veçoria e pestë trajton gjendjet e

mjedisit, pra nëse numri i perceptimeve dhe veprimeve të mundshme janë të limituara

dhe të përcaktuara atëherë kemi të bëjmë me një mjedis diskret. Nëse gjendjet e mjedisit

janë të shumta dhe ndryshojnë në mënyrë të vazhdueshme atëherë mjedisi quhet i

vazhdueshëm. Për sa i përket veçorisë së fundit, mjedis i njohur quhet ai mjedis ku

rezultati i të gjitha veprimeve është i dhënë. Në rastet kur mjedisi është i panjohur,

agjenti duhet të mësojë se si funksionon që të bëjë veprimet e duhura.

Këto veçori merren parasysh sot nga shumica e zhvilluesve të sistemeve multi-agjent

pasi përcaktojnë edhe mënyrat e ndërtimit të këtyre mjediseve. Në mënyrë të

57

përgjithshme në figurën 4-3 paraqitet një mjedis me disa agjentë të cilët janë duke

perceptuar gjendjet, shqyrtuar informacionin dhe vepruar në të.

Figura 4-3 Modelimi i një mjedisit me disa agjentë

Koncepti i mjedisit nuk ka qenë i trajtuar në fillimet e MAS, por me zhvillimin e

sistemeve simuluese me shumë agjentë u bë e nevojshme rishikimi i këtij mjedisi

simulues. Për shkak se mjedisi përcakton kushtet në të cilat agjentët ekzistojnë në MAS,

sot ai studiohet gjerësisht nën fushën e inxhinierisë softuerit të orientuar ndaj agjentëve

(“Agent-Oriented Software Engineering” - AOSE). Një mënyrë tjetër e shikimit të

mjedisit propozohet nga punimi (Michel, Ferber, & Drogoul, 2009), ku propozohen dy

mënyra të bazuara në detajimin e perceptimeve dhe veprimeve në mjedis, ndarëse dhe

të vazhduar. Mënyra e parë ka të bëjë me modelimin e mjedisit në bazë të një bashkësie

zonash të lidhura, këto mund të paraqiten si ndarje fizike apo si vlera të plota numerike.

Mënyra e vazhduar kërkon nga mjedisi të marrë në konsiderate imtësitë e vlerave të

perceptimeve apo veprimeve në të. Kjo jep një avantazh në fleksibilitetin e integrimit

të perceptimeve apo veprimeve të ndryshme, por është më e vështirë për tu

implementuar.

4.4.3. Ndërveprimet dhe Organizimet

Elementi kryesor në një studim me sistemet multi-agjent është pikërisht organizimi dhe

ndërveprimi midis agjentëve. Në mënyrë që agjentët të ndërveprojnë me njëri tjetrin ato

duhet të komunikojnë. Me anë të komunikimit agjentët munden të bashkëveprojnë dhe

të koordinojnë veprimet e tyre duke u sjellur si organizim shoqëror. Komunikimi mund

të jetë nëpërmjet elementëve gjuhësor të cilat interpretohen nga agjentët duke pasur

efekt në veprimet e tyre. Ky komunikim mund të ndahet në këto dy mënyra:

Komunikimi me kalim mesazhi

Ndërveprim me sinjale

Në rastin e komunikimit me kalim mesazhi ka të bëjë me dërgimin e mesazhit nëpërmjet

një mediumi midis agjentëve, i cili mund të jetë një adresë e drejtpërdrejtë apo

nëpërmjet mjedisit ku agjentët ndodhen. Ky koncept i ka bazat në teoritë e të folurit, të

cilat janë thjeshtuar në zhvillimin e gjuhëve “Knowledge Query and Manipulation

Language” (KQML) (Finin, Fritzson, McKay, & McEntire, 1994) dhe të komunikimit

të agjentëve (“Agent Communication Language” – ACL) (Poslad, 2007). Mënyra e dytë

e komunikimit është ndërveprimi me sinjale, ky lloj komunikimi merr për bazë

komunikimet me sinjale në biologji apo sjelljet e kafshëve (etologji). Ky lloj

58

komunikimi bëhet i mundur nëpërmjet mjedisit ku lihen gjurmë të cilat lexohen më

vonë nga agjentë të njëjtit lloj.

Agjentët ndërveprojnë dhe kjo formulohet në bazë të sjelljeve të agjentit i cili dërgon

mesazhe ndaj agjentëve të tjerë. Ata përshtatin sjelljet e tyre në bazë të këtyre

mesazheve të marra nga mjedisi apo agjentët e tjerë. Nëse ky ndërveprim shfaqet në

formën e roleve, grupeve apo strukturave organizative atëherë mund të flitet për

organizime (Klügl 2009). Organizimet janë shumë të nevojshme për të përcaktuar

strukturat ndërvepruese të një sistemi me agjent sidomos në simulimet e sistemeve

reale.

4.4.4. Simulimi në MAS

Simulimi sipas (Fishwick, 1997) ka tre aktivitete kryesore: projektimi i modelit,

ekzekutimi i modelit dhe analiza e ekzekutimit. Kështu që simulimi shprehet në një

model që specifikon karakteristikat e sistemit të simuluar. Këto specifikime modeli

zbatohen në struktura kompjuterike dhe kjo përbën simuluesin e eksperimentit.

Rezultatet e simulimit kontrollohen në bazë të disa rregullave vlerësuese dhe më pas

interpretohen.

Një aspekt i rëndësishëm në simulimin në MAS është modelimi i kohës. Sipas (Fianyo,

Treuil, Perrier, & Demazeau, 1998), koha mund të modelohet në tre mënyra:

Kohë e vazhduar, ku koha virtuale e simulimit është e lidhur me kohën reale.

Kohë diskrete, ku koha virtuale e simulimit zhvillohet me hapa kohorë konstant.

Kohë e bazuar mbi ngjarje diskrete, ku koha virtuale e simulimit lidhet me

kohën e kalimit nga një ngjarje në tjetrën.

Në këtë punim jepet edhe ideja e përfshirjes së modelimit të kohës si njësi e veçantë

për agjentin dhe mjedisin dhe kjo kohë duhet të lejojë ekzekutimin e veprimeve të

mundshme. Kjo ide është përfshirë edhe në punimin e (Michel, Ferber, & Drogoul,

2009) ku përmenden tre aktivitete modeluese si pjesë integrale të simulimit në MAS, të

cilat janë:

Modelimi i agjentëve

Modelimi i mjedisit

Modelimi i lidhjes midis agjentëve dhe mjedisit

Modelimi i agjentëve ka të bëjë me zgjedhjen e arkitekturës përkatëse të agjentit për të

arritur modelimin e sjelljeve të tij. Në këtë pjesë të modelimit mendohet edhe për

faktorin kohë, specifikisht nëse koha do të jetë thjesht e çastit për sjelljen e caktuar apo

në një kohë të dytë. Modelimi i mjedisit ka të bëjë me modelimin e shpjeguar në pjesën

e mësipërme, ku përfshihen edhe veçoritë e tij. Gjithashtu duhet thënë se në vazhdimësi

në mjedis përcaktohen se si veprimet e agjentëve ndikojnë në gjendjen e mjedisit,

sikurse edhe agjentët perceptojnë këto ndryshime. Këtu trajtohen edhe dinamikat e

brendshme të mjedisit të lidhura me sjelljen e mjedisit gjatë kalimit të kohës. Në

modelimin e lidhjes midis agjentëve dhe mjedisit përcaktohet një modul caktimi kohor

për menaxhimin e kësaj lidhjeje. Në këtë pjesë përcaktohet zhvillimi i mjedisit,

perceptimet, veprimet dhe ndërveprimet e agjentëve në lidhje me njëri tjetrin duke u

bazuar mbi një radhë kohore të vendosur nga zhvilluesi i sistemit.

4.5. Përfundime

Në këtë kapitull është dhënë fillimisht një hulumtim i detajuar mbi karakteristikat

përbërëse të modelimit dhe simulimit. Më pas janë diskutuar teknikat tradicionale të

59

modelimit dhe simulimit. Në vazhdimësi janë vënë në dukje disa nga ndryshimet

themelore midis këtyre teknikave tradicionale dhe ABM-ve. Gjithashtu është diskutuar

edhe mundësia e kombinimit të disa prej këtyre teknikave me ABM-të. Në këtë

këndvështrim mund të themi se kombinimi i teknikave të optimizimit, analizës së riskut

dhe modelimit statistikor me ABM-të është një kombinim natyral që mund të arrihet

lehtësisht me përfshirjen e tyre që në fazën e modelimit të ABM-se. Për sa i përket

kombinimit të teknikës dinamika sistemeve me ABM-të është shumë e vështirë për tu

arritur për shkak të natyrave të ndryshme në trajtimin e problematikave. Ndërkohë që

kombinimi i teknikës DES me ABM-të është e arritshme me pak punë, dhe në disa raste

konsiderohet e një rëndësie të veçantë në disa punime kërkimore, sidomos në ato që

kanë të bëjnë me simulime trafiku.

Një ndryshim themelor është dhënë midis modelimeve tradicionale dhe ABM-ve, ku

theksohet ndryshimi i qasjes lart-poshtë me atë poshtë-lart dhe aftësia shpjeguese të

situatave të ndryshme të ABM-ve. I paraqitur si një rast studimi është dhënë dhe

ndryshimi i modeleve DSGE me ato të ABM-ve, ku vihet në dukje se avantazhi i

përdorimit të modelimit me ABM ndaj saj është pikërisht në aftësitë shpjeguese të saj

dhe të modelimit të një situate më reale ekonomike.

Në pjesën në vazhdim është dhënë një përmbledhje e konceptit të agjentit nga

këndvështrimi i fushës së IA-së dhe i ABM-ve. Këtu janë përcaktuar veçoritë kryesore

të tij dhe shpjeguar në detaje atributet, sjelljet dhe mjedisi i agjentit. Më tej analizohen

sistemet MAS dhe zbatimet e saj, ku vërehet se përveç zbatimeve për zgjidhje

problemesh dhe robotikës, këto sisteme zbatohen edhe në simulime me multi-agjent

dhe në ndërtimin e botëve sintetike. Në këtë këndvështrim, u zgjeruam më tej në

hulumtimin e arkitekturave të agjentëve, mjedisin, ndërveprimet dhe organizimet. Gjatë

hulumtimit të arkitekturave të agjentëve u treguan me detaje tre lloje të saj si

arkitekturat reaktive, ‘cognitive’, dhe hibride. Në llojin e parë të arkitekturave të

agjentit ndërtohen agjentë që reagojnë ndaj veprimeve mbi to. Arkitekturat ‘cognitive’

janë të bazuara në formalizmat simbolike të fushës së IA-së. Në hulumtimin e tyre

gjenden disa lloje arkitekturash një ndër të cilat është pikërisht arkitektura BDI që

konsiderohet si një arsyetim praktik njerëzor. Lloji i fundit i arkitekturave të agjentit

është ai hibrid që përdor një kombinim të dy arkitekturave të mësipërme. Ky specifikim

është i rëndësishëm për analizimin e faktorëve për ndërtimin e një modeli simulimi.

Gjatë hulumtimit mbi modelimin e mjedisit të agjentit janë trajtuar në detaje veçoritë

kryesore të tij, ku theksohet ndërveprimi midis agjentit dhe mjedisit rreth tij. Në pjesën

e ndërveprimeve dhe organizimeve të agjentëve jemi ndalur në pjesën e komunikimit

ku vihet re se ekzistojnë dy mënyra, komunikimi i drejtpërdrejtë me kalim mesazhi dhe

ndërveprimi me sinjale që kryhet nëpërmjet mjedisit. Në pjesën e fundit është trajtuar

simulimi me anë të sistemeve MAS, ku theksohet rëndësia e modelimit të kohës si pjesë

kryesore e ndërtimit të simulimeve me anën e këtyre sistemeve dhe i tre aktiviteteve të

modelimit që janë modelimi i agjentëve, mjedisit dhe lidhjes midis tyre.

Pas nxjerrjes së këtyre përfundimeve është e nevojshme të analizohen dhe krahasohen

metodat e ndryshme zhvilluese me agjentë inteligjent në mjetet e zhvillimit ABM dhe

ato MAS.

60

KAPITULLI 5: ANALIZA DHE KRAHASIME TË METODAVE

ZHVILLUESE TË NJË MODELI SIMULIMI ME AGJENT

Në këtë pjesë hulumtojmë mbi problematikat e zhvillimit të modeleve të simulimit

bazuar mbi agjentë. Një element themelor mbi të cilin do të bazohemi është hulumtimi

në literaturë i hapave të simulimit me agjent, njohja e tyre dhe disa konsiderata për tu

marrë parasysh në zhvillimin e tyre. Më pas vazhdohet me një hulumtim mbi mjetet e

zhvillimit ABM, praktikave më të mira të përdorimit të tyre dhe një analizë krahasuese

midis këtyre mjeteve. Në vazhdimësi paraqiten elementët e ndryshëm të inxhinierisë së

softit që ndihmojnë në zhvillimin e sistemeve multi-agjent. Në këtë pjesë do të

diskutohet më në detaje elementët përbërëse të saj si metodologjitë e ndryshme të

përdorura, arkitekturat, gjuhët e programimit të orientuara ndaj agjentit dhe mjediset e

zhvillimit bashkë me një analizë krahasuese për to. Në pjesën e fundit do të trajtohet si

dy raste studimi modelet e ndërtuara EURACE dhe Jamel.

5.1. Hapat për ndërtimin e një modeli simulimi me agjentë

Fillimisht është e rëndësishme të kuptohet që qëllimi i një simulimi është projektimi

dhe ekzekutimi i një modeli të caktuar i cili imiton një situatë reale. Ne e përdorim

simulimin kryesisht për të analizuar rezultatet e marra prej saj dhe për të marrë vendime

në situatat e përditshme reale. Duhet kuptuar se kostoja e ndërtimit të një simulatori

duhet të jetë e justifikueshme, pra nuk duhet të jetë më i madh se vetë kostoja e

vendimmarrjes apo e riskut. Për këtë arsye është e rëndësishme të përcaktohen disa

hapa për ndërtimin e tij.

Një shembull i mirë i ndërtimit të një simulimi jepet në librin e njohur të (Law, 2015),

ku theksohet se hapat për një studim me simulim të suksesshëm janë:

1. Formulimi i problemit dhe planifikimi i studimit. Në këtë pjesë bëhen pyetje dhe

merren përgjigje rreth simulimit, duhet kuptuar mirë qëllimi i modelit. Cilat

mund të jenë konfigurimet e mundshme të modelit dhe çfarë performance pritet

nga ky simulim. Një pyetje tjetër mund të jetë në lidhje me hapat e kohës, kjo

do të shërbejë për zgjedhjen e strategjisë së duhur për modelimin e kohës.

Përcaktimi i saktë i këtij hapi sjell edhe suksesin e simulimit.

2. Mbledhja e të dhënave dhe përcaktimi i modelit. Në këtë hap mblidhen të dhënat

e strukturës të sistemit dhe procedurave të punës. Gjithashtu mblidhen të dhëna

mbi parametrat, shpërndarjet probabilitare të dhënave hyrëse në simulim dhe

mbi performancat e sistemeve të ngjashme. Përcaktohet niveli i detajimit të

modelit ku zakonisht fillohet me një model të thjeshtë, e më pas zgjerohet.

3. A janë supozimet e vlefshme? Në këtë hap testojmë supozimet e modelit me

anën e analistëve dhe ekspertëve të fushës. Ky hap na ndihmon në ripërcaktimin

e saktë të modelit duke u kthyer në pikën 2. Ky proces mund të jetë përsëritës

deri në përcaktimin e modelit përfundimtar.

4. Ndërtimi i një programi kompjuterik dhe verifikimi. Në këtë hap zgjidhet gjuha

e programimit që mundëson ndërtimin e programit të simulimit dhe kryhet

verifikimi i zbatimit të modelit të përcaktuar.

5. Bëj disa ekzekutime. Këtu kryejmë disa ekzekutime dhe ruajmë rezultatet e tyre

për analiza të mëtejshme.

6. A është modeli i vlefshëm? Në këtë hap kërkojmë nëse gjenden modele të

ngjashme, nëse po atëhere krahasojmë modelin dhe performancën e të dyjave.

Në rastin kur nuk gjenden modele të ngjashme, mund të krahasojmë me

61

rezultatet reale të situatës që simulohet. Për këtë rast, do të duhet të analizohet

edhe nga analisti apo eksperti i fushës nëse rezultatet janë të vlefshme apo jo.

Nëse rezultatet nuk janë të vlefshme atëherë duhet të ripërcaktojmë modelin në

hapin 2.

7. Projekto eksperimente. Në këtë hap specifikohen konfigurimet e mundshme për

simulimin si kohëzgjatja e simulimit, inicializimet, apo vendosje të tjera të

rëndësishme.

8. Bëj ekzekutime. që prodhojnë të dhëna për eksperimentet

9. Analizo rezultatet e të dhënave për të përcaktuar performancën absolute të

modelit apo për krahasime me konfigurime alternative.

10. Dokumento, paraqit dhe përdor rezultatet. Në këtë hap duhet të dokumentojmë

punën e bërë, supozimet e bëra, dhe teknologjitë e përdorura për projekte të

mëvonshme. Paraqitja e rezultateve është e rëndësishme për personat që do e

përdorin këtë mjet simulimi, në mënyrë që të dinë se çfarë ky model arrin të

prodhoj.

Në një mënyrë të ngjashme janë përcaktuar disa hapa të zhvillimit të simulimeve në

fushën e ABM-ve nga disa studiues të ndryshëm. Kështu në punimin e (Abdou, Hamill,

& Gilbert, 2012) tregohet se zhvillimi i ABM-ve në shkencat shoqërore duhet të kalojë

në disa hapa, ku disa prej tyre mund të kryhen paralelisht me njëra tjetrën dhe i gjithë

procesi kryhet me përsëritje për të përmirësuar dhe zhvilluar idetë. Hapat kryesore të

propozuara prej këtij punimi për zhvillimin të modeleve ABM janë:

Identifikimi i pyetjes kërkimore

Hulumtimi në literaturë, kjo për të përforcuar teoritë mbi të cilat modeli do të

mbështetet.

Projektimi i modelit, duke përcaktuar edhe agjentët e mundshëm, atributet dhe

sjelljet e tyre.

Implementimi i modelit

o Procedurat e vendosjeve të modelit

o Procedurat dinamike

Verifikimi dhe Vlerësimi i modelit.

Në të njëjtin punim, theksohet se nga ana praktike duhen pasur parasysh dy pyetje

themelore: Sa i madh? dhe Sa hapa simulimi?. Në pyetjen e parë, kërkohet të dihet se

sa agjentë duhet të ketë modeli, sa janë madhësitë e hapësirës së mjedisit, e tjerë. Pyetja

e dytë është më e drejtpërdrejtë pasi kërkohet të dihet se në sa hapa kohor do të

ekzekutohet simulimi dhe se në sa herë gjithsej do të përsëritën këta hapa kohor. Duhet

thënë se këto hapa propozohen të përdoren bashkë me mjetin e zhvillimit NetLogo, por

mund të shihen si një bazë për përdorim më të gjerë.

Në punimin e (Kamiński & Szufel, 2013) propozohet që hapat e ndërtimit të një modeli

simulues për ABM-të të ndjekin një procedurë me zhvillim rritës dhe përsëritës. Në të

përcaktohen vetëm 4 hapa kryesore, të cilat përfshijnë: modelimi, zbatimi, testimi dhe

eksperimentimi.

62

Figura 5-1 Hapat e ndërtimit të simulimit ABM me zhvillim rritës dhe

përsëritës7

Faza e modelimit përfshin formulimin e problemit dhe ndërtimin e një modeli teorik të

sistemit real. Kjo fazë mund të përfshijë edhe diagramet e UML që na ndihmojnë për

ndërtimin e modeleve të simulimit të orientuar nga agjentët. Në fazën e zbatimit

përfshihen dy pjesë të rëndësishme, siç janë programimi dhe kalibrimi i të dhënave. Në

pjesën e programimit të modelit simulues merren parasysh të gjitha formulimet dhe

modelimet e fazës së parë. Më pas gjatë pjesës së zbatimit vendosen edhe të dhënat e

programit dhe bëhet kalibrimi i tyre në mënyrë që modeli të punojë.

Gjatë fazës së testimit bëhet verifikimi dhe vlerësimi i simulatorit. Gjatë verifikimit

shihet nëse modeli i simulimit është zbatuar siç duhet, pra nëse ka gabime në kodim

apo edhe në logjikën e funksionimit. Kjo pjesë mund të mbështetet edhe në mjediset

zhvilluese të simulatorëve. Qëllimi i procesit të vlerësimit është të krahasojë se sa e

ngjashme është modeli me sistemin real. Për këtë proces nuk ka ndonjë standard të mirë

përcaktuar për modelet ABM dhe mënyrat e saj ngelen në dorë të përdoruesit të

modeleve. Faza e eksperimentimit përfshin eksperimentet e ndryshme si edhe nxjerrjen

e rezultateve dhe rekomandimeve të ndryshme rreth modelit të simuluar. Një paraqitje

grafike e këtyre fazave bashkë me pjesët përbërëse jepet në figurën 5-1.

Në vazhdimësi të idesë së dhënë më sipër, u vu re se punimi hulumtues i (Klügl, 2009)

i cili paraqitet një analizë të strategjive të ndryshme me përsëritje bën një përmbledhje

të tyre. Në këtë përmbledhje paraqiten dy metoda tradicionale modelimi të propozuara

nga (Edmonds & Moss, 2004), metoda “KISS” dhe metoda “KIDS”. Këto metoda janë

përdorur nga shumë punime që mbështeten në simulimet e bazuara në agjentë në

7 Bazuar mbi punimin (Kamiński & Szufel, 2013)

Ek

sper

imen

tim

i T

esti

mi

Zbat

imi

Model

imi

Problemi

Modeli i sistemit

Programimi i modelit simulues

Të dhënat dhe kalibrimi

Verifikimi

Vlerësimi

Eksperimentimi

Rezultate dhe rekomandime

63

disiplina të ndryshme. Metoda e modelimit “KISS” mundohet të jetë sa më e thjeshtë

dhe e kuptueshme nga çdokush. Hapat e kësaj metode modelimi janë:

1. Identifiko dhe përshkruaj bashkësinë e veçorive të sistemit real S

2. Përcakto një model të thjeshtë M0, që mund të riprodhojë disa nga veçoritë më

të rëndësishme

3. Me kalibrim, përcakto bashkësinë e veçorive SM, që riprodhohen nga modeli

M0.

4. Vendos M0 si modeli kryesor M

5. Përsërit deri sa SM=S

a. Modifiko modelin M duke shtuar disa elementë nga sistemi S

b. Kalibro modelin M dhe përcakto SM si bashkësia e veçorive të

riprodhuara nga M

Ndërkohë që duhet përmendur se metoda e modelimit “KIDS” përdoret shpesh në

modelet sociale. Kjo metodë konsideron çdo detaj të modelit dhe më pas eliminon

detajet e panevojshme. Hapat përbërëse të kësaj metode janë:

1. Përsërit deri në ndërtimin e një model i vlefshëm MS

a. Përcakto një model M që përmban të gjitha aspektet e dukshme të

sjelljes së agjentit

b. Përcakto gjithë supozimet dhe bëji të qarta parametrat në modelin Mi

c. Bëj një analizë mbi gjithë parametrat e modelit M dhe elimino të gjithë

ato blloqe sjelljesh që kontrollohen nga parametra pa efekte në rezultatin

e përgjithshëm. Modeli MS është modeli M pas kësaj analize.

d. Testo MS për besueshmëri dhe vlefshmëri

Duke u bazuar në përfundimet e punimit të (Klügl, 2009), këto modele të përdorura nuk

mund të plotësojnë nevojat e sotme të simulimeve dhe modelimeve të bazuar në agjentë,

për këtë arsye ajo propozon një strategji të re projektimi të modelit që përbëhet nga

katër pjesë të veçanta që janë:

Projektimi i Modelit të drejtuar ndaj agjentit

Projektimi i Modelit të drejtuar ndaj ndërveprimeve

Projektimi i Modelit të drejtuar ndaj organizimeve

Projektimi i Modelit të drejtuar ndaj mjedisit.

Kjo strategji është propozuar për të gjithë modelet e mundshme, pavarësisht disiplinave

që trajtohen. Duhet theksuar se secila prej pjesëve të përmendura më sipër përbëhen

nga një sërë hapash të projektimit. Në pjesën e projektimit të modelit të drejtuar ndaj

agjentit duhen ndjekur këto hapa të rëndësishme:

1. Vëzhgimi i agjentit dhe përshkrimi i sjelljeve të tij. Modeluesi vëzhgon agjentët

e botës reale dhe i përshkruan me detaje veprimet e tyre. Ai mund të nxjerrë

edhe të dhëna nga agjentët realë për ti krahasuar ato më vonë.

2. Kategorizo agjentët dhe përcakto ndryshimet e tyre. Modeluesi përcakton

shkallën e heterogjenitetit të agjentëve, duke përcaktuar llojet e ndryshme të tyre

si edhe parametrat që ata do të kenë.

3. Përcaktimi i arkitekturës së agjentit. Në bazë të sjelljeve të agjentëve

përcaktohen edhe arkitekturat e mundshme që mund të përdoren për të.

4. Formalizimi dhe zbatimi i sjelljeve dhe qëllimeve e agjentit.

5. Shto ndërveprimet dhe aspektet e mjedisit kur duhen.

64

6. Testo nëse fenomenet makro janë të mjaftueshme. Këtu testohet nëse objektivi

i simulimit është plotësuar dhe ky simulim arrin të na japë të dhëna të plota rreth

dukurive që duam të studiojmë.

Në pjesën e projektimit të modelit të drejtuar ndaj ndërveprimeve duhen ndjekur këto

hapa:

1. Identifikimi i aktorëve apo entiteteve dhe ndërveprimeve midis tyre. Modeluesi

vëzhgon ndërveprimet midis agjentëve.

2. Përshkrimi i përgjithshëm i protokolleve dhe kushteve apo kufizimeve të tyre.

3. Nxirr sjelljet e agjentëve, të cilat krijojnë ndërveprimet e tyre si mesazhet,

sinjalet apo veprimet, dhe shto elementët mjedisor kur atë duhen për

ndërveprimet.

4. Zbatimi i sjelljeve të agjentit dhe testimi i ndërveprimeve. Modeluesi duhet të

testojë sjelljet dhe ndërveprimet nën këndvështrimin makro të rezultateve të

simulimit.

Në pjesën e projektimit të modelit të drejtuar ndaj organizimeve thjesht shihen modelet

organizuese që agjentët e botës reale përdorin, dhe në bazë të saj modeluesi zbaton

strukturat të caktuara në ndërtimin e ndërveprimeve midis agjentëve.

Në pjesën e projektimit të modelit të drejtuar ndaj mjedisit duhen ndjekur këto hapa:

1. Identifikimi i aspekteve të rëndësishme të modelit që paraqet mjedisin e

agjentëve

2. Përcaktimi i veprimeve bazë të agjentit dhe reagimin e pjesëve të mjedisit ndaj

tyre.

3. Përcaktimi i informacionit të mjedisit që i duhet dhënë agjentit për zgjedhjen e

duhur apo kryerjen e veprimeve

4. Zgjedhja e arkitekturës së agjentit që lejon lidhjen e duhur të perceptimeve dhe

veprimeve të agjentit për të prodhuar sjelljet e tij.

5. Përcaktimi i mekanizmave funksional të agjentit ndaj mjedisit, kjo varet nga

objektivi i simulimit dhe kompleksiteti i mjedisit. Mekanizmat funksional

përfshijnë trajtat funksionale të sjelljes së agjentit, në raste të veçanta mund të

duhet që agjenti të mësojë bazuar mbi një shpërblim nga mjedisi.

6. Zbatimi i modelit të mjedisit duke përfshirë mekanizmat funksional të

nevojshëm

7. Specifikimi dhe zbatimi i sjelljes së agjentit në bazë të mekanizmave funksional

8. Testimi dhe analizimi i rezultateve të simulimit me kujdes për të shmangur

gabimet në modelimet e mjedisit.

Projektimi i modelit duke përdorur këto pjesë bëhet më i thjeshtë dhe më i plotë,

gjithashtu kjo ndarje lejon edhe mirë-përcaktimin e elementëve përbërës. Në

këndvështrimin e përdorimit të UML-ve, mund të themi se në pjesën e parë të modelimit

të drejtuar të agjentit mund të përdoren diagramet e aktiviteteve dhe në pjesën e

modelimit të drejtuar të ndërveprimeve mund të përdoren diagramet e sekuencave. Të

dy këto diagrame ndihmojnë në modelimin e saktë të simulimit dhe ky propozim duhet

shqyrtuar më tej.

5.2. Modelimi dhe zhvillimi i ABM-ve

5.2.1 Modelimi i ABM-ve

Në fushën e ABM-ve ekziston një pranim i përgjithshëm për sa i përket përdorimit dhe

adoptimit të praktikave të orientuara ndaj objektit në programimin e këtyre modeleve

65

të bazuara në agjent. Një arsye e drejtpërdrejtë të faktit pse gjuhët e orientuara ndaj

objektit pranohen për ndërtimin e ABM-ve është e lidhur me origjinën e kësaj gjuhe.

Gjuha e parë e zhvilluar në vitet 1960 u quajt “Simula” dhe kishte si synim simulimin

e sistemeve reale (Dahl & Nygaard, 1966). Përdorimi i këtyre gjuhëve është një

mundësi e mirë për të përfshirë teknikat ekzistuese të analizës dhe projektimit të

orientuar ndaj objekteve në modelet ABM. Në procedurat e analizës së orientuar ndaj

objekteve kemi si parim kryesor identifikimin e kërkesave të inxhinierisë së softuerit

dhe zhvillimin e specifikave softuerit. Kjo përfshin identifikimin e objekteve,

organizimin e tyre, përcaktimin e atributeve dhe sjelljeve të këtyre objekteve, dhe

përshkrimin e ndërveprimeve të tyre. Projektimi i orientuar ndaj objekteve përfshin

zbatimin e modelit konceptues gjatë analizës së orientuar ndaj objektit. Këtu përfshihen

hapat e ristrukturimit të klasave, implementimi i metodave, kontrollit dhe lidhjeve midis

tyre. Ndër teknikat më të përdorura për analizën dhe projektimin e orientuar ndaj

objekteve, mund të veçojmë UML-të. UML përbëhet nga 13 diagrame të ndryshme që

përfaqësojnë nivele të larta të abstraksionit për ndërtimin e strukturave të ndërlikuara

midis objekteve të një sistemi. Këto diagrame ndahen në tre grupe kryesore, grupi i

diagrameve strukturore që përfaqësojnë strukturat statike të sistemit, grupi i diagrameve

të sjelljes që përshkruajnë sjelljet e ndryshme të objekteve dhe grupi i diagrameve të

ndërveprimit. Në secilën prej tyre gjenden diagrame specifike që tregojnë veçori të

sistemit që shqyrtohet. Ndër diagramet strukturore mund të përmendim diagramet

klasë, objekt, komponentë dhe diagramin e vendosjes, në diagramet e sjelljes kemi

diagramet me rast përdorimi, e aktiviteteve dhe gjendjeve, ndërsa në diagramet e

ndërveprimit kemi diagramet e sekuencës dhe komunikimit.

Në punimet e (Bersini, 2012), (Siebers & Ongoo, 2014) dhe (Vermeir & Bersini, 2015)

evidentohet se përdorimi i teknikave UML në zhvillimin e ABM-ve është i nevojshëm.

Ndër diagramet më të nevojshme për tu përdorur në analizën dhe projektimin e ABM-

ve janë diagramet klasë, gjendje, sekuencës dhe aktiviteteve.

5.2.2. Mjetet e zhvillimit të ABM-ve

Në fushën e ABM-ve ka disa mjete zhvilluese ekzistuese që përdoren në modelime të

ndryshme. Fushat e zbatimit të tyre janë nga më të ndryshmet nga fushat teknike deri

në ato të studimeve sociale. Në këtë pjesë do të diskutojmë mbi disa prej mjeteve

zhvilluese më të njohura dhe mundësitë e përdorimit të tyre.

5.2.2.1. Mjeti i zhvillimit Swarm

Swarm është një platformë simulimi i shkruajtur në gjuhët Objective-C dhe Java, i cili

është zhvilluar nga Instituti Santa Fe (Minar, Burkhart, & Langton, 1996). Ai u zhvillua

fillimisht si një mjet softuerik për krijimin e modeleve të simulimit në fushën e jetës

artificiale (Macal, 2012). Ai u zhvillua që në vitet 1994 dhe është përdorur për të

zgjidhur probleme të shumta të sistemeve komplekse. Swarm është një simulator i

bazuar mbi modelet nga poshtë-lart dhe përbëhet nga agjentë me karakteristika

biologjike dhe agjentë me veçori mjedisi si mure, apo pengesa në një botë artificiale

(Iba, 2013). Lëvizjet e agjentëve programohen me rregulla të thjeshta dhe me anë të

simulimit mund të shihen fenomenet e ndryshme të ndërveprimeve të agjentëve. Ky

softuer lejon përdorimin e të dhënave pas simulimit për analiza të mëtejshme.

Pavarësisht përdorimit për analiza të botës biologjike, ai është përdorur edhe për

trajtimin e problemeve të fushave sociale apo edhe ekonomike. Ai bazohet mbi

simulimin me hapa kohor të vazhduar. Si mjedisi i parë i zhvilluar nën frymën e

66

modeleve të bazuara në agjent, ky mjedis simulimi mbetet frymëzim për mjediset

pasardhëse.

5.2.2.2. Mjeti i zhvillimit MASON

MASON është një simulator me multi-agjent i shkruajtur në Java (Luke, Cioffi-Revilla,

Panait, Sullivan, & Balan, 2005). Ai është zhvilluar në laboratorin e llogaritjes

evolucionare të Universitetit George Mason, në bashkëpunim edhe me qendrën e

kompleksitetit social. Emri i simulatorit përveç lidhjes me emrin e universitetit vjen

edhe si akronim i simulatorit multi-agjent i lidhjeve. Ai është i projektuar të funksionoj

me një numër të madh agjentësh deri në disa milionë, gjithashtu ai punon në bazë

ngjarjesh diskrete. MASON mund të studiojë probleme me një numër të madh agjentësh

që sillen me rregulla të thjeshta. Duke qenë i programuar me Java, MASON mund të

kombinojë librari të shumta në të. Gjithashtu ai përfshin disa mjete për paraqitjet me dy

apo tre dimensione.

5.2.2.3. Mjeti i zhvillimit NetLogo

NetLogo është një program simulimi ABM i cili mund të përdoret falas (Wilensky &

Evanston, 2011). Ky mjet zhvillues përdor një version të modifikuar të gjuhës së

programimit Logo, i cili bazohet mbi gjuhën e programimit funksional LISP (Abelson,

Goodman, & Rudolph, 1974). NetLogo mundëson një laborator të thjeshtë për çdo lloj

përdoruesi i cili dëshiron të përdorë simulime me agjentë duke përdorur agjentët e

gatshëm të quajtur “turtle”. Ky mjet zhvillues ofron një mjedis grafik për të krijuar

programe që kontrollojnë agjentët dhe simulime të thjeshta mbi ta. Ai ka një librari të

gjerë me modele të gatshme dhe shembuj kodesh që ndihmojnë përdoruesin për ta

mësuar atë. NetLogo përdoret nga universitete të ndryshme kudo në botë për simulime

të ndryshme të shkencave natyrore si edhe ato shoqërore. Ai është i ndërtuar mbi

programin StarLogo i cili gjithashtu përdor gjuhën Logo, që i lejon këto programe të

përdoren më thjeshtë nga përdoruesi i tyre (North, et al., 2013). NetLogo dhe StarLogo

të dyja këto programe janë programuar mbi gjuhën Java dhe funksionojnë mbi makinën

virtuale Java të instaluar mbi çfarëdo sistemi operimi kompjuterik. NetLogo është

konsideruar në punimin (Seth Tisue, Uri Wilensky, 2004) si një gjuhë programimi

multi-agjent dhe mjedis modelimi për simulimet e fenomeneve natyrore, ekonomike

dhe sociale. NetLogo ka edhe një version në faqe ueb-i të njohur si Modelling4All8.

5.2.2.4. Mjeti i zhvillimit Repast

Repast filloi si një projekt në Universitetin e Chicagos në vitin 2000 dhe më vonë u

zgjerua edhe për simulime të ABM shkallë të gjerë (North, et al., 2013). Ky mjedis u

inspirua si shumë të tjerë nga Swarm, dhe është zhvilluar në mjedise të ndryshme

programimi si Python, Java dhe C++, nga ku edhe merr emrat RepastPy, RepastJ dhe

RepastHPC. Versioni më i njohur dhe më i përdorur është Repast Simphony i cili përdor

Java dhe gjuhën ReLogo. Në këtë version përfshihen shumë shtesa si mjetet e

ndërfaqes, mjetet për paraqitjet me dy apo tre dimensione dhe shtesa të tjera të

rëndësishme. Repast Simphony është një softuer i cili mund të zgjerohet sipas nevojave

të përdoruesit profesionist duke lejuar edhe përdorimin e aplikacioneve të tjera. Një nga

objektivat kryesor në zhvillimin e Repastit ka qenë përdorimi i tij kryesisht në shkencat

sociale (Railsback, Lytinen, & Jackson, 2006).

8 http://m.modelling4all.org/

67

5.2.2.5. Mjeti i zhvillimit GAMA

GAMA është një mjedis tjetër simulimi dhe modelimi i bazuar në agjent, i cili përdor

simulime hapësinorë të agjentëve (Grignard, et al., 2013). Kjo platformë është e bazuar

në gjuhë e programimit java dhe përdor veçoritë e sistemeve të informacionit gjeografik

(“Geographic Information System” - GIS). Gjithashtu, kjo platformë është e mirë në

simulimin e ndërveprimeve të agjentëve në terrene reale. Ajo mbështet ndërtimin e

modeleve të mëdha duke i shkruajtur në një gjuhë të orientuar ndaj agjentit me emrin

GAML, bashkë me një mjet modelimi grafik që lejon projektimin e shpejtë. Përdoruesit

munden të inicializojnë agjentët nga të dhënat GIS, bazat e dhënave apo dosjet, si edhe

mund të bëjnë inspektime të shumta mbi agjentët. Një veçori tjetër është përdorimi i

shumë niveleve në modelimin të bazuar në agjentë, ku kërkohet që agjentë të shfaqet

në një model në bazë të kohës, hapësirës dhe sjelljes së tij (Drogoul, et al., 2013).

5.2.3. Krahasime midis mjeteve të zhvillimit të ABM-ve

Mjetet e përmendura në pjesën e mësipërme janë mjete që ofrohen falas për zhvilluesit

dhe të gjitha janë të zhvilluara për qëllime kërkimi akademik në universitete apo

institute kërkimore. Pothuajse të gjitha mjetet e zhvillimit janë të zhvilluara në gjuhën

e programimit java, dhe shumë prej tyre përdorin një gjuhë që interpretohet në makinën

virtuale java (“Java Virtual Machine” - JVM). Bazuar në punimet e (Kravari &

Bassiliades, 2015), (Abdou, Hamill, & Gilbert, 2012), (Nikolai & Madey, 2009), dhe

testimeve të bëra me këto mjete është formuluar tabela 5-1, që paraqitet më poshtë.

Elementët e vendosur me emra majtas tregojnë karakteristikat e mjetit zhvillues. Këto

elementë përfshijnë performancën e mjetit, stabilitetin e tij në ekzekutime të gjata,

fortësinë në raste gabimesh, gjuhën e programimit që përdoret në të, komunikimin e

agjentëve, thjeshtësinë e përdorimit, lehtësia e të mësuarit e një personi që tashmë di të

programojë, mbështetja me dokumentim, sa shumë përdoret dhe fusha e zbatimit.

Tabela 5-1: Krahasime midis mjeteve ABM9

Emri GAMA MASON NetLogo Repast Swarm

Performanca Mirë Mirë Mirë Lart Mesatare

Stabiliteti Mirë Mirë Mirë Lart Mesatare

Fortësia Mirë Mesatare Mesatare Lart Ulët

Gjuha

programimit GAML Java NetLogo

Java, C#,

C++,

Relogo,

Python

Java

Komunikimi ACL Shkëmbim

mesazhi

Shkëmbim

mesazhi me

shtesa

objekt-me-

objekt

Shkëmbim

mesazhi (nga

platforma)

Thjeshtësia

E thjesht /

Disa

simulime

shembuj

Ndërfaqe e

komplikuar

E thjesht /

Disa veçori

simulimi të

nevojshme

E thjesht /

Pak veçori

grafike

Ndërfaqe e

komplikuar /

Pak veçori

grafike

Lehtësia e të

mësuarit Lehtë Mesatare Lehtë Lehtë Mesatare

9 Krahasimet në bazë të punimeve (Kravari & Bassiliades, 2015), (Abdou, Hamill, & Gilbert, 2012),

(Nikolai & Madey, 2009) dhe nga testimi i mjeteve

68

Mbështetja Mirë Mesatare Mirë Mesatare Mirë

Popullariteti Ulët Mesatare Lart Mesatare Mesatare

Fusha zbatimit

Simulime

me agjent të

shpërndarë

në hapësirë

të gjerë

Simulime

me agjent në

bazë

ngjarjeje

Simulime

me agjent

Simulime

me agjent

Simulime të

përgjithshme

me agjent

Siç vërehet nga tabela 5-1, mjeti Repast qëndron në nivelet më të larta për sa i përket

performancës, stabilitetit të saj dhe fortësisë. Kjo do të thotë që ky mjet është goxha i

mirë për simulime me agjent që kryejnë shumë veprime. Fakti që agjentët në këtë mjet

janë të bazuar mbi komunikimin me objekte e bën këtë mjet të ketë këto veçori goxha

të larta. Një tjetër avantazh i përdorimit të mjetit Repast është mundësia që ky mjet jep

në përdorimin e gjuhëve të ndryshme të programimit, duke ia lënë në dorë përdoruesit

zgjedhjen e një gjuhe me objekte. Ky është edhe elementi i cili ndihmon më së shumti

në të mësuarin e këtij mjeti. Një tjetër mjet zhvillimi kandidat në bazë të popullaritetit

dhe të dhënave të tjera referuar tabelës 5-1, është mjeti NetLogo i cili është i lehtë për

tu mësuar dhe gëzon një mbështetje të mirë në dokumentim dhe shembuj të gatshëm.

Pavarësisht që nuk mundëson komunikimin e drejtpërdrejtë të agjentëve, mund të

përdoren teknika të tjera të komunikimit mjedisor për të arritur rezultatet e duhura.

Duhet thënë se mjeti Netlogo është shumë efikas në zgjidhjen e problemeve të

optimizimit duke përdorur shumë agjentë dhe ka një ndërfaqe grafike shumë të

dobishme për zhvillimin e ABM-ve.

Mjeti i zhvillimit GAMA do të ishte zgjedhja perfektë nëse do të kishim të bënim me

simulime gjeo-hapësinorë apo të në lidhje me sistemet GIS. Për mjetin e zhvillimit

MASON do ta sugjeronim për zgjidhje optimizimi globale që kërkon përdorimin e një

numri shumë të madh agjentësh, por që bëjnë vetëm veprime të thjeshta pasi ky mjet

nuk mbështet përdorimin e sjelljeve të shumëfishta. Jashtë listës së mjeteve të

shpjeguara ndodhet dhe disa mjete zhvillimi me pagesë për ndërtimin e simulimeve me

agjentë. Ndër to veçojmë mjetin e zhvillimit AnyLogic, i cili ka të njëjta parametra si

mjeti i zhvillimit Repast dhe ofron mjete të projektimit me gjuhën UML. Ky mjet është

i pasur me veçori grafike, është i lehtë në të mësuar dhe ka një dokumentim shumë të

gjerë për përdoruesit e saj. Pavarësisht këtyre avantazheve dhe faktit që ky mjet ofrohet

bashkë me elementët e simulimit të përgjithshëm, pagesa për përdorimin e saj është

goxha e madhe për një zhvillues të modeleve të bazuara në agjentë. Ndryshimi i saj me

mjetit të zhvillimit Repast është thjesht në mbështetjen që ajo ofron dhe mjetet shtesë

grafike të simulimit dhe projektimit.

5.3. Modelimi dhe zhvillimi i MAS

Nën këndvështrimin e zhvillimit të sistemeve me multi-agjent, fusha e cila merret me

hapat e ndërtimit të këtyre sistemeve quhet inxhinieria e softit e orientuar ndaj agjentit

(AOSE). Kjo fushë mundohet të përdorë teknikat e inxhinierisë së softit së bashku me

parimet e inteligjencës artificiale në ndërtimin e MAS. Temat kryesore që trajtohen në

fushën e AOSE sipas punimit të (Sturm & Shehory, 2014) janë:

1. Metodologjitë e orientuara ndaj agjentit, apo teknika të modelimit

2. Arkitektura e orientuar ndaj agjentit

3. Komunikimi i agjentit

4. Gjuhët e programimit të orientuara ndaj agjentit

5. Mjete zhvillimi të orientuara ndaj agjentit

69

5.3.1. Metodologjitë e orientuara ndaj agjentit

Metodologjitë e orientuar ndaj agjentit janë pika kryesore e interesit të kërkimeve të

fushës së AOSE. Ato përqendrohen në hapat dhe teknikat zhvilluese të MAS, të cilat

prekin kryesisht pjesën e analizës dhe projektimit të këtyre sistemeve. Në literaturë

gjenden mbi 30 metodologji të ndryshme të fushës së AOSE, të cilat përdoren në kushte

apo forma të ndryshme. Më poshtë diskutojmë mbi 7 metodologjitë më të njohura në

këtë fushë.

5.3.1.1. Metodologjia Gaia dhe Roadmap

Gaia është një metodologji e propozuar nga (Wooldridge, Jennings, & Kinny, 2000) e

cila përdoret për analizën dhe projektimin e orientuar ndaj agjentit. Ajo është një

metodologji e plotë dhe e zbatueshme mbi shumë sisteme MAS, dhe merret me aspektet

e sistemeve në nivel makro dhe mikro të tyre. Ideja e saj është të lejojë projektuesin të

kalojë nga deklaratat e kërkesave deri në projektimin e detajuar që mund të

implementohet në mënyrë të drejtpërdrejt. Në punimin e (Juan, Pearce, & Sterling,

2002) prezantohet Roadmap, i cili është një shtesë e metodologjisë Gaia dhe përfshin

disa përmirësime në lidhje me formalizimin e njohurive dhe mjedisit, roleve dhe

strukturave sociale.

5.3.1.2. Metodologjia MaSE

MaSE është një tjetër metodologji e përdorur për analizën dhe projektimin e orientuar

ndaj agjentit e propozuar nga (DeLoach, 2001). Kjo metodologji përcakton dy faza

kryesore atë të analizës dhe fazën e projektimit. Në të parën përcaktohen fillimisht

qëllimet e agjentëve dhe më pas ndërtohen diagramet e rasteve të përdorimit dhe ato të

sekuencave, më tej vazhdohet me përcaktimin e roleve. Në fazën e projektimit, fillohet

me ndërtimin e diagrameve klasa për agjentët, më pas vazhdohet me diagramet e

bashkëveprimeve apo bisedimeve dhe diagramet e arkitekturës së agjentit, në fund

mbyllet me diagramet zhvilluese të sistemit MAS.

5.3.1.3. Metodologjia PASSI

Metodologjia e procesit për specifikimin dhe implementimin e shoqërive të agjentëve,

e njohur ndryshe si PASSI, është metodologjia e propozuar nga (Cossentino, 2005).

Kjo metodologji përdor një proces përsëritës të modelimit, dhe është e përberë nga pesë

faza që përfshijnë mbledhjen e kërkesave të sistemit, modelimi i shoqërisë së agjentëve,

modelimi i zbatimit të agjentëve, modelimi i kodit dhe modelimi i zhvillimit. Kjo

metodologji përdor gjuhën e modelimit UML për të treguar disa nga elementët e

sistemeve MAS, si edhe mbështetet me mjete softuer për projektimin dhe ndërtimin e

këtyre sistemeve.

5.3.1.4. Metodologjia INGENIAS

Një metodologji tjetër e njohur për zhvillimin e MAS është INGENIAS e propozuar

nga (Pavón & Gómez-Sanz, 2003). Ajo bazohet mbi procesin e njohur të zhvillimit të

softuerit të quajtur procesi bashkues i cili bazohet mbi një bashkësi gjysmë modelesh

që përshkruajnë elementet e MAS nga këndvështrime të ndryshme dhe që lejojnë

specifikimin e saj. Kjo metodologji e sheh MAS nga 5 aspekte të cilat janë: organizimi,

agjenti, qëllimi, punët, ndërveprimet dhe mjedisi. Në këndvështrimin e kësaj

metodologjie zbatimi i MAS ndjek mënyrën e zbatimit inxhinierik të drejtuar ndaj

modelit.

70

5.3.1.5. Metodologjia Prometheus

Prometheus është një metodologji praktike dhe e detajuar për projektimin e MAS

bazuar mbi agjentin inteligjent, e propozuar nga (Padgham & Winikoff, 2003). Kjo

metodë përdoret kryesisht nga zhvilluesit e softuerëve industrial dhe ka tre faza

kryesore. Në fazën e parë është faza e specifikimit të sistemit ku projektuesi identifikon

qëllimet e sistemit dhe ia vendos ato roleve të agjentëve në sistem. Në këtë fazë

specifikohet edhe funksionaliteti i sistemit me anë të skenarëve të rasteve të përdorimit.

Faza tjetër është ajo e projektimit arkitekturor ku projektuesi duhet të identifikoj çdo

agjent. Kjo fazë mbyllet me përcaktimin e sistemit si tërësi agjentësh, protokollesh,

ngjarjesh, veprimesh dhe të dhëna. Faza e fundit është ajo e projektimit të detajuar ku

çdo aftësi, plan, ngjarje të brendshme dhe të dhëna të agjentit identifikohen dhe

përcaktohen në sistemin MAS. Kjo metodologji përdor gjithashtu mjete softuer për

projektim dhe ndërtim të sistemeve MAS.

5.3.1.6. Metodologjia Tropos

Tropos është një metodologji zhvillimi softueri i orientuar ndaj agjentit i krijuar nga një

grup i përbërë nga universitete të ndryshme (Bresciani, Perini, Giorgini, Giunchiglia,

& Mylopoulos, 2004). Kjo metodologji përbëhet nga 5 hapa zhvillimi. Hapi i parë është

analiza e hershme e kërkesave ku analizohen qëllimet e agjentëve të cilat çojnë në

kërkesat funksionale dhe jo-funksionale të sistemit. Hapi i dytë është analiza e vonë e

kërkesave ku përshkruhen të gjithë kërkesat funksionale dhe jo-funksionale të sistemit.

Hapi i tretë është projektimi arkitekturor ku përshkruhen të gjithë funksionet e

komponentëve të sistemit. Hapi tjetër është ai i projektimit të detajuar të sistemit dhe

hapi i fundit është zbatimi me anë të kodimit të sistemit MAS.

5.3.1.7. Një analizë mbi metodologjitë

Në një këndvështrim të përgjithshëm, shumica e këtyre metodologjive përdorin teknikat

e inxhinierisë së softit të kombinuara këto me disa nga konceptet e inteligjencës

artificiale.

Çdo metodologji përshtatet sipas problematikave të caktuara që zhvilluesi merr

parasysh në zhvillimin e sistemeve MAS. Duhet thënë që metodologjitë Gaia, PASSI,

MaSE dhe INGENIAS përfshijnë shumicën e koncepteve të MAS përveç koncepteve

njohëse si BDI, ndërkohë që Prometheus i përfshin të gjitha konceptet ndërsa Tropos

përfshin konceptin BDI por është i kufizuar.

Bazuar mbi punimet kërkimore të (Arora, Agrawal, Sasikala, & Sharma, 2012) dhe

(Gomez-Sanz & Fuentes-Fernández, 2015) si edhe mbi hulumtimin e metodologjive të

përmendura më sipër, është krijuar tabela përmbledhëse me veçoritë e metodologjive.

Veçoria e parë e marrë parasysh në tabelën 5-2 bazohet në modelimin e agjentit në nivel

mikro apo makro në metodologjinë përkatëse. Me nivelin mikro kuptojmë se

metodologjia fokusohet në ndërtimin e agjentit dhe sjelljet e tij, ndërkohë që në nivelin

makro fokusi qëndron në strukturat e bashkëveprimit midis agjentëve. Në tabelë vërehet

se vetëm katër metodologjitë e para mbështesin modelimin në të dy nivelet, ndërsa

metodologjitë e tjera merren kryesisht me nivelin mikro, pra të ndërtimit të agjentit dhe

sjelljeve e tij.

Veçoria e dytë kontrollon nëse metodologjia mbështet modelimin përsëritës të

simulimit. Në këtë rast vetëm metodologjia Gaia nuk mbështet plotësisht modelimin

përsëritës edhe pse e mbështet atë brenda fazave të saj. E njëjta metodologji nuk

mbështet as nxjerrjen e kërkesave të modelit simulues.

71

Tabela 5-2: Tabelë përmbledhëse me veçoritë e metodologjive10

Metodologji

\

Veçori

Gaia Roadmap PASSI MaSE INGENIAS Prometheus Tropos

Nivelet

Mikro dhe

Makro

Të

dyja Të dyja

Të

dyja Të dyja Mikro Mikro Mikro

Përsëritëse Brenda

fazave Po Po Po Po Po Po

Nxjerrjen e

Kërkesave Jo Po Po Po Po Po Po

Diagramet

UML Jo Jo Po Po Po Jo Pjesërisht

Kodim dhe

Implementim Jo Jo

Po, me

JADE

Po, me

agentTool

Po, e

integruar Po, me Jack

Po, me

Jack dhe

JADE

Verifikim

dhe Testim Jo Jo

Shumë

pak Pjesërisht Shumë pak Po Po

Inxhinierimi

njohurive Jo Jo Po Jo Jo Po Po

BDI Jo Jo Jo Jo Shumë pak Po Pjesërisht

Dinamik Jo Po Po Po Po Po Po

Mjetet Gaia4E REBEL PTK agentTool IDK PDT TAOM4E

Përdorimi i diagrameve UML mbështetet vetëm nga tre metodologji, kjo është një

disavantazh i madh për metodologjitë që nuk e përdorin atë. Në veçorinë pasardhëse të

kodimit dhe implementimit të kodit shohim se pesë metodologji e suportojnë deri diku

këtë veçori ndihmuese për ndërtimin e simulimit. Nëse flasim për verifikimin dhe

testimin e modelit simulues vetëm dy metodologjitë e fundit e mbështesin plotësisht

atë, kjo kuptohet pasi këto metodologji janë të fokusuara thjesht në ndërtimin e agjentit

në nivel mikro. Inxhinierimi i njohurive mbështetet vetëm në tre metodologji, ndërkohë

që arkitektura BDI mbështetet plotësisht vetëm nga metodologjia Prometheus.

5.3.2. Arkitektura e orientuar ndaj agjentit

Arkitektura e orientuar ndaj agjentit lidhet me studimin e arkitekturës së agjentit,

organizimit të MAS, shërbimet multi-agjent dhe infrastrukturën MAS që i kombinon

ato. Kjo pjesë është trajtuar gjerësisht në pjesën 4.4 të këtij punimi.

5.3.3. Komunikimi i agjentit

Komunikimi i agjentit mund të jetë direkt, i tillë që kryhet midis agjentëve me njohuri

paraprake ose indirekt ku komunikimi ndodh midis agjentëve reaktiv. Në komunikimin

direkt, gjuhët e komunikimit të agjentëve mund të jenë dy llojesh KQML (Finin,

Fritzson, McKay, & McEntire, 1994) dhe komunikimi standard FIPA ACL për

teknologjitë e bazuara në agjentë. Ndërsa në komunikimin indirekt kemi kryesisht

10 Tabelë e krijuar nga hulumtimet mbi to dhe përfundimet e punimeve (Arora, Agrawal, Sasikala, &

Sharma, 2012) dhe (Gomez-Sanz & Fuentes-Fernández, 2015)

72

zbatimin e protokolleve si mjet komunikimi. Një ndarje e ngjashme është trajtuar në

kapitullin 4, pjesa 4.4.3, komunikimi me kalim mesazhi dhe me sinjale.

5.3.4. Gjuhët e programimit të orientuara ndaj agjentit

Në AOSE përmenden disa lloje të ndryshme gjuhë programimi të cilat kanë

funksionalitete të ndryshme. Në punimin e (Dastani, 2014) thuhet se në përgjithësi

gjuhët ndahen në:

gjuhë programimi me stil urdhërues, e cila është një mënyrë e mirë për të

implementuar veprimet dhe planet që do kryej agjenti,

gjuhë programimi me stil deklarativ, që mbështet implementimin e arsyetimit

dhe mekanizmave vendimmarrëse te agjenti,

gjuhë programimi me stil hibrid, që kombinon të dy stilet e mësipërme.

Te gjuhët e programimit me stil hibrid përmenden edhe disa prej gjuhëve më të

përdorura si 3APL (Hindriks, Boer, Hoek, & Meyer, 1999), 2APL (Dastani, 2008),

AgentSpeak, etj. Gjithashtu në konceptin e organizimeve dhe mjedisit të MAS

ekzistojnë gjuhë programimi të organizimeve, siç janë MOISE (Hubner, Sichman, &

Boissier, 2007) dhe 2OPL (Tinnemeier, Dastani, Meyer, & Torre, 2009), dhe gjuhë

programimi të mjedisit me multi-agjent ku përmendim CArtAgO (Ricci, Piunti, Viroli,

& Omicini, 2009).

5.3.5. Mjete zhvillimi të orientuara ndaj agjentit

Në punimin (Theodoropoulos, Minson, Ewald, & Lees, 2009) thuhet se mjetet

zhvilluese të MAS kategorizohen në bazë të llojit të zbatimit të tyre, të cilat janë:

MAS për studimin e kompleksitetit

MAS për studimin e inteligjencës së shpërndarë

dhe zhvillimi i softuerëve MAS

Në bazë të kësaj ndarje janë zhvilluar mjete të ndryshme MAS që ofrojnë lehtësira të

shumta për zhvilluesit e kategorive përkatëse. Në kategorinë e parë përfshihen mjete

zhvilluese për probleme të llojit të jetës artificiale, modeleve sociale apo logjistike si

simulime të transportit. Në kategorinë e dytë, mjetet që përfshihen merren kryesisht me

probleme të inteligjencës së agjentit, ku nevojiten agjentë komunikues dhe adaptues për

të studiuar fenomene të ndryshme, si p.sh simulimi i një shoqërie njerëzore. Ndërsa në

kategorinë e tretë janë kryesisht mjete zhvillimi për ndërtimin e softuerëve me agjentë

të cilët mbledhin të dhëna apo marrin vendime në mjedise pune.

Nëse analizojmë dy kategoritë e para, mjedisi i ekzekutimit të tyre njihet ndryshe edhe

si motori i simulimit. Kjo është një makinë virtuale që ofron modelimin e kohës në hapa

logjik, që mund të jenë një nga mënyrat e modelimit të kohës, të përmendura dhe

diskutuar në pjesën 4.4.4. Duke pasur parasysh këto të dhëna, ne marrin në analizë

pikërisht këto mjete zhvilluese MAS që janë të specializuara për simulim. Duhet

përmendur se disa mjete ABM të përmendura më sipër janë të zhvilluara nga mjetet

MAS dhe të tjerat janë mjete zhvillimi MAS të specializuara për ndërtimin e ABM-ve.

Në rastin e parë mund të përmendim mjetet si NetLogo dhe Jamel, ndërkohë që mjete

të specializuara MAS për ndërtim ABM-ve mund të konsiderohen Repast, Swarm, etj.

Ndër mjetet MAS më të përdorura për simulime, përmendim SeSAM, JAMES II, Jadex

dhe Jason, të cilat do ti shtjellojmë më poshtë.

73

5.3.5.1. Mjeti i zhvillimit SeSAm

SeSAm, është një sistem simulimi i pajisur me ndërfaqe grafike dhe që lejon modelimin

e MAS pa programim (Klügl, 2006). Agjentët përcaktohen me sensor dhe veprues, që

kanë edhe një funksion të brendshëm për zgjedhjen e veprimeve. Simulimi kryhet me

hapa kohorë konstant, por që mund të aktivizohet edhe për simulime me ngjarje

diskrete. Ai është përdorur në shumë projekte simulimi me fusha si logjistika, prodhimi,

biologjia dhe planifikimi urban.

5.3.5.2. Mjeti i zhvillimit JAMES II

JAMES II, është një sistem simulimi dhe modelimi i përgjithshëm që jep disa

funksionalitete për simulimin dhe modelimin e agjentit (Himmelspach & Uhrmacher,

2009). Ky sistem lejon përdorimin e tij me formalizma të shumta, kjo do të thotë që

mund të ndërtosh modele thjesht duke përdorur ontologjinë XML (“eXtensible Markup

Language“) ose duke e programuar në gjuhën Java. Ky mjet zhvillimi lejon kontrollin

e plotë mbi eksperimentet dhe parametrat e saj.

5.3.5.3. Mjeti i zhvillimit Jadex dhe JADE

Jadex është një mjedis simulimi që përdor arkitekturën BDI për ndërtimin e agjentit

inteligjent (Braubach & Pokahr, 2013). Ky mjedis lejon programimin e këtyre agjentëve

me gjuhën Java dhe skemave XML. Jadex është përdorur për të simuluar fusha të

ndryshme. Ai lejon kontrollimin e kohës në të tre dimensionet e hapave kohorë dhe

mbështet zhvillimin e mjedisit. Ai gjithashtu lejon integrimin e një mjeti tjetër zhvillues

MAS siç është JADE për të rritur aftësitë komunikuese të agjentëve. JADE është një

mjedis zhvillimi MAS që përdor gjuhën e programimit Java dhe lejon komunikimin e

agjentëve në rrjeta. Përdorimi i saj me Jadex ndihmon në shpërndarjen e simulimeve

edhe në komunikime në rrjetë.

5.3.5.4. Mjeti i zhvillimit Jason

Jason është një mjedis simulimi që lejon përdorimin e programimit të orientuar ndaj

agjentit (“Agent-Oriented Programming” - AOP) dhe është i implementuar me Java

(Bordini, Hübner, & Wooldridge, 2007). Ai përdor një interpretues të zgjeruar mbi

AgentSpeak, interpretues ky i propozuar nga (Rao, 1996), që lejon krijimin e agjentëve

me arkitekturë BDI dhe përfshin një gjuhë programimi logjik i cili mundëson AOP.

Mjedisi i zhvillimit të Jason ofron shumë veçori të ndryshueshme nga përdoruesi, si

edhe integrimin e lehtë të saj me mjedise të tjera zhvillimi. Disa nga karakteristikat e

saj janë: komunikimi me fjali-veprimi midis agjentëve, emërtime planesh, funksione

zgjedhjeje, qartësi në krijimin e mjedisit multi-agjent dhe veprime të brendshme të

përcaktuara nga përdoruesi në gjuhën Java. Këto karakteristika lejojnë simulimin e një

mjedisi real në të.

5.3.5.5. Mjeti i zhvillimit JaCaMo

JaCaMo është një mjedis zhvillimi i cili lejon programimin e orientuar ndaj multi-

agjentëve (“Multi-Agent Oriented Programming” - MAOP), i cili përfshin brenda saj

paradigmat e tjera si AOP, programimi i orientuar ndaj mjedisit (“Environment-

Oriented Programming” - EOP), programimi i orientuar ndaj ndërveprimeve

(“Interaction-Oriented Programming” - IOP) dhe programimin e orientuar ndaj

organizatave (Boissier, Hubner, & Ricci, 2016). Ky mjet pune përdor agjentët autonom

të Jason të cilët punojnë në mjedise të programuara si artefakte nga CArtAgO, të

organizuara nga Moise dhe që ndërveprojnë me njëri tjetrin duke përdorur një gjuhë

74

ndërveprimi. Veçoritë bazë të tij janë të njëjta me ato të mjetit të zhvillimit Jason, por

me shtesat e dy mjeteve të bashkëlidhura me të.

5.3.6. Krahasime midis mjeteve të zhvillimit MAS

Bazuar mbi hulumtimin e bërë mbi e mjetet e zhvillimit MAS, dhe mbi punimet

hulumtuese të ngjashme të (Kravari & Bassiliades, 2015) dhe (Rousset, Herrmann,

Lang, & Philippe, 2016), paraqesim në mënyrë të përmbledhur tabelën 5-3 ku paraqiten

mjetet e shpjeguar si më sipër bashkë me ndryshimet themelore midis tyre.

Tabela 5-3: Ndryshimet midis mjeteve të zhvillimit MAS11

Emri Jadex JAMES II Jason SeSAm JaCaMo

Performanca Lart Lart Lart Mirë Lart

Stabiliteti Mirë Lart Lart Lart Lart

Fortësia Lart Lart Mirë Mirë Lart

Gjuha

programimit

Java,

XML Java

Java,

AgentSpeak Java

Java, XML,

AgentSpeak

Komunikimi HTTP Varet nga

shtesat

fjalë-veprim,

KQML

Shkëmbim

mesazhi (nga

platforma)

fjalë-veprim,

KQML,

artefakte

Thjeshtësia

Thjesht /

Ka disa

veçori

grafike

Thjesht /

Editor grafik

Thjesht / Ka

disa veçori

grafike

Thjesht / I

pasur me

grafikë

Thjesht / Ka

disa veçori

grafike

Lehtësia Mesatare Lehtë Lehtë Lehtë Mesatare

Mbështetja Mesatare Mesatare Lart Mirë Lart

Popullariteti Lart Mesatare Lart Mesatare Lart

Arkitektura BDI Reaktiv BDI Reaktiv Hibrid

Nga tabela 5-3 vërehet se shumica prej tyre kanë një performancë, stabilitet, dhe fortësi

goxha të lartë, ndryshime të vogla kanë SeSAm dhe Jadex. Në gjuhën që ata përdorin

për programimin e agjentëve dhe mjedisit shohim që të gjitha këto mjete përdorin

gjuhën Java. Arsyeja për këtë lidhet me faktin që kjo gjuhë lejon programimin e

agjentëve bashkë me konceptet sistemeve të shpërndara dhe mund të përdorë libraritë

e shumta të saj të zhvilluara për qëllime simulimi. Përveç kësaj gjuhe, këto mjete

përdorin edhe gjuhë mbështetëse si konfigurimet XML për agjentët në Jadex dhe

organizimet në JaCaMo, dhe gjuha AgentSpeak për logjikën e agjentëve në Jason dhe

JaCaMo. Në pjesën e komunikimit shohim disa ndryshime të mëdha midis mjeteve.

Mjeti Jadex komunikimin midis agjentëve e kryen kryesisht nëpërmjet protokollit

HTTP, ndërsa JAMES II nuk është se ka një mënyrë të caktuar pasi veprimet e

agjentëve të saj janë të kufizuara dhe mjedisore. Tre mjetet më kryesore për plotësimin

e komunikimit midis agjentëve janë SeSAm që ka të zhvilluar një mënyrë shkëmbimi

mesazhesh midis agjentëve brenda platformës së saj, Jason ku agjentët komunikojnë

nëpërmjet një mënyre të zhvilluar me fjalë-veprim që bazohet deri diku edhe në

protokollin KQML dhe JaCaMo që përdor mënyrën e komunikimit të mjetit Jason dhe

atë mjedisor me anë të artefakteve. Të gjitha këto mjete kanë pak ose aspak veçori

11 Bazuar mbi hulumtimin e mjeteve dhe punës kërkimore të (Kravari & Bassiliades, 2015)

75

grafike, ndryshe nga mjetet e zhvillimit ABM të cilat kishin shumë veçori grafike, por

që kanë mundësinë e zhvillimit nga vetë zhvilluesit të mjeteve grafike. Lehtësia e

programimit për personat që tashmë dinë të programojnë të paktën në një gjuhë si Java

konsiderohet për të gjithë këto mjete e lehtë ose mesatare si në rastin e Jadex dhe

JaCaMo ku duhet të dinë edhe elementë të tjerë programuese. Mbështetja në

dokumentim është më e lartë në mjetet e Jason dhe JaCaMo sikurse edhe popullariteti.

Në arkitekturën e agjentit shohim që mjetet JAMES dhe SeSAm përdorin kryesisht një

arkitekturë reaktive, ndërsa në mjetet Jadex dhe Jason arkitektura është më tepër drejt

asaj BDI. JaCaMo gjithashtu përdor arkitekturën BDI por përdor edhe shtesa që e bëjnë

të konsiderohet si hibride në natyrën e saj.

Përveç këtyre mjeteve gjenden edhe mjete të tjera të cilat nuk janë marrë në konsideratë

pasi nuk plotësojnë kushtet minimale për ndërtimin e një simulimi me agjentë për

qëllime studimi. Një pjesë e madhe e sistemeve MAS të përdorura sot janë për qëllime

industriale apo për thjesht ndërtimin e sistemeve të shpërndara.

5.4. Rast Studimi: EURACE dhe Jamel

5.4.1. EURACE

Në shtator të 2006, kërkues shkencor të fushave ekonomike dhe informatike nga 8

qendra kërkimore në Itali, Francë, Gjermani, Britani dhe Turqi së bashku me

ekonomistin e njohur Joseph Stiglitz nga Universiteti i Kolumbisë u mblodhën për të

punuar në projektin EURACE. Ky projekt tre-vjeçar kishte si qëllim ndërtimin e një

modeli ekonomik, si edhe simulimin e tij bazuar në ABM siç edhe përmendet në

punimin e (Raberto, Teglio and Cincotti 2011).

Projekti kishte si qëllim ndërtimin e një modeli të bashkimit evropian, duke përfshirë

tregjet të shumta. Në këtë ekonomi artificiale do të kishte një numër të madh agjentësh

të sofistikuar që ndërveprojnë me njëri tjetrin. Në vetvete ky projekt propozonte një

mënyrë të re modelimi makroekonomik dhe projektimit të politikave ekonomike sipas

fushës ACE, sikundër tregohet edhe në punimet e (Raberto, Teglio and Cincotti 2011)

dhe (Deissenberg, Hoog and Dawid 2008). Projektimi i politikave makroekonomike ka

një rol të rëndësishëm në mirëqenien sociale dhe kërkon zbatimin e koordinuar të

masave ekonomike. Në përgjithësi ndërveprimi i këtyre masave të ndryshme nuk arrihet

të kuptohet plotësisht dhe për këtë arsye projektimi i këtyre politikave makroekonomik

ndjek këndvështrimin klasik të ekonomisë.

Modeli konsideron çdo aktor ekonomik dhe modelon sjelljen e tyre të duket sa më reale.

Ndërkohë që nuk bëhen supozime rreth racionalizimit dhe homogjenitetit të tyre. Ky

sistem (Holcombe, Coakley and Kiran, et al. 2013) përbëhej nga disa lloje agjentësh, të

cilët tregohen më poshtë:

Firma (ato që prodhojnë mallrat e konsumit)

Familjet (si konsumator dhe punëtor)

Prodhuesit e mallrave investuese

Qendër tregtare (për shitjen e mallrave të konsumit)

Bankat (marrin kursime, japin kredi dhe investime)

Zyrë shkëmbimi (blen dhe shet kapital, aksione, bono thesari, etj.)

Qeveria (politika fiskale, taksat dhe subvencionet, etj.)

Banka Qendrore (administron ofertën monetare, normat e interesit)

Eurostat (mbledhja dhe raportimi i statistikave ekonomike)

76

Çdo agjent ndërvepron me njëri tjetrin siç shihet edhe në figurën 5-2 të shfaqur më

poshtë:

Figura 5-2 Modeli ekonomik EURACE12

Në punimin (Hoog, Deissenberg and Dawid 2008), përshkruhen disa supozime në lidhje

me modelin EURACE. Si fillim supozohet që të gjitha firmat trajtohen si korporata,

dhe për këtë arsye zbatohen teoritë e menaxhimit të kapitalit dhe drejtimi financiar për

të modeluar vendimmarrjen e tyre financiare. Disa nga supozimet e marra në

konsideratë në këtë model janë:

Plani i prodhimit të firmës zgjidhet përpara politikave financiare të saj, kjo për

arsye që aksionarët e kompanisë të mos influencojnë vendimet e prodhimit gjatë

periudhës.

Gjithë pagesat e dividendëve bëhen me para në dorë.

Firma mund të blej përsëri aksionet e saj, por nuk blen aksionet e firmave të

tjera.

Tregjet e kapitalit dhe të kredive janë jo-perfektë dhe kanë kosto për transaksion

Kostot e pagave dhe investimeve paguhen para se prodhimi të kryhet

Dividendët paguhen në fillim të çdo periudhe bazuar mbi rezultatet e periudhës

së kaluar.

Tregjet të cilat funksionojnë brenda një dite pune janë:

– Tregu kredive

– Tregu Financiar

– Tregu i punës

– Tregu i investimeve

– Tregu i mallrave të konsumit

Në supozimin e fundit në lidhje me tregjet duhet thënë se çdo firmë është aktive vetëm

një ditë në muaj në çdo treg të përcaktuar. Një firmë ka gjithsej katër veprime kryesore

të cilat ajo i kryen në çdo periudhë. Veprimi i parë është planifikimi i prodhimit, ku

12 Figurë e përshtatur nga punimi (Holcombe, Coakley and Kiran, et al. 2013)

77

firma llogarit fillimisht nivelin e prodhimit që duhet të realizoj dhe më pas vlerëson

forcën punëtore që i nevojitet për ta arritur atë. Veprimi i dytë është planifikimi

financiar, në të cilin firma llogarit nevojat e saj financiare përgjatë periudhës së

veprimit. Veprimi i tretë lidhet me tregun financiar, ku firma kërkon të ngrejë kapital

financiar nëpërmjet emetimit të aksioneve dhe bonove të ndryshme. Veprimi i fundit

lidhet me prodhimin e mallrave.

Në këndvështrimin e përgjithshëm EURACE është një model në të cilin mund të

analizohen politika të ndryshme makroekonomike duke i simuluar ato me anë të ABM-

ve. Ato konsiderohen si një zëvendësues i mirë i modeleve DSGE dhe RBC (cikël real

biznesi) që kërkojnë gjenerim luhatjesh për të prodhuar ndryshime ne ciklet e biznesit

(Dawid, et al. 2014). Në punimin e (Fagiolo and Roventini 2017), analizohen në detaje

modeli DSGE me kufizimet e saj në lidhje me përsëritjen e skenarëve realë ekonomik

dhe modeli EURACE. Aty theksohet se modeli EURACE arrin të mënjanojë kufizimet

e modeleve DSGE dhe paraqet një situatë më reale të tregut duke dhënë zgjidhje të

mundshme optimale për kriza të ndryshme ekonomike.

5.4.1.1. Mjeti i zhvillimit FLAME

Mjeti i zhvillimit me të cilin është krijuar modeli ekonomik EURACE quhet mjedisi

fleksibël i modelimit me agjent në shkallë të gjerë, i njohur ndryshe si FLAME

(Holcombe, Coakley, & Smallwood, 2006). Në këtë mjedis, agjentët mendohen si

makina formale të cilat janë përshkruar si makina autonome që komunikojnë dhe

punojnë njëkohësisht duke ndërvepruar me njëra tjetrën. Modeli klasik i makinave të

gjendjes nuk mund të përshtatet për sistemet komplekse, për këtë arsye janë përdorur

Stream X-Machines (Laycock 1993). Ky variant i X-Machine bazohet në konceptin e

Eilenberg (Eilenberg 1974), por që zgjeron idenë e makinave me gjendje të fundme për

përpunimin e të dhënave. Këto makina u ndërtojnë një mjedis të përgjithshëm për

llogaritje dhe është përdorur për të ekzekutuar modele llogaritëse të bazuara në agjentë

në shkallë të gjerë. FLAME përdor një gjuhë specifike për agjentët në XMML dhe

përdor një gjuhë të ngjashme me C për të shkruar funksionet për këto agjentë. Për të

simuluar modelin EURACE është e nevojshme përdorimi i super-kompjuterëve paralel

më të shpejtë dhe për të arritur komunikimin efiçent midis agjentëve përdoren ndërfaqet

e kalimit të mesazheve (MPI) (Greenough, et al. 2010).

78

Figura 5-3 Struktura e mjetit të zhvillimit FLAME13

Modeli EURACE që u ndërtua me mjetin e zhvillimit FLAME tregoi se modelimi i

bazuar në agjentë i sistemeve ekonomike është i mundur dhe i nevojshëm. Ky model

fillestar u realizua në fund të vitit 2009 dhe herë pas here janë bërë përmirësime mbi të.

Eksperimenti u bë me një numër të madh agjentësh rreth qindra mijëra agjentë dhe është

konsideruar si modeli më i arrirë i një ekonomie artificiale.

5.4.2. Jamel

Një shembull tjetër i marrë në konsideratë për ndërtimin e një ekonomie artificiale është

përdorimi i laboratorit makroekonomik i bazuar në agjent (Jamel), i cili mund të

përdoret për simulimin dhe analiza të ekonomive komplekse. Ideja kryesore e paraqitur

edhe në punimin e (Seppecher, Salle, & Lang, 2018) është që përcaktuesit e sjelljeve të

sistemit ekonomik janë pikërisht mekanizmat e tregut. Modeli përpiqet të hetoj firmat

dhe ndryshimet e mundshme të strategjive në bazë të ndryshimeve të mjedisit

makroekonomik të vetë sistemit të modeluar. Që në konceptimin e këtij laboratori, të

shpjeguar në (Seppecher, 2012) janë marrë për bazë disa elementë të rëndësishëm të

kompleksitetit të botës reale:

Numri i madh i agjentëve, të cilët janë autonom dhe heterogjen

Decentralizimi i ndërveprimeve midis agjentëve

Paralelizmi asinkron i proceseve reale dhe monetare që agjentët zbatojnë

Modeli që ndërtohet me anë të Jamel nuk bën parashikime, por trajtohet për studime

ekonomike. Supozimet e marra në konsideratë gjatë ndërtimit të tij përfshijnë idenë e

13 Figurë e përshtatur nga punimi i (Chin, et al. 2012)

79

një ekonomie të mbyllur. Elementët që e përbëjnë atë janë paraja, mallrat, kapitali dhe

koha. Ky model bazohet mbi tre lloje agjentësh bazë, të cilët janë:

Familja

Firma

Banka

Familja si njësia bazë ekonomike është ajo që ka edhe numrin më të madh të agjentëve

në model. Veprimet e saj kryesore janë puna dhe konsumi. Në mënyrë që familjet të

konsumojnë, ato duhet të kenë para, dhe për të marrë para duhet të punojnë apo të

marrin para nga banka. Në supozimet e modelit, familjari i papunësuar nuk merr të

ardhura dhe nuk vdes. Firmat janë më të paktë në numër se familjarët dhe ato mund të

punësojnë disa familjarë dhe vetëm një familjar është pronari i firmës. Funksioni

kryesor i firmës është prodhimi dhe për prodhimin e mallrave punëson duke zgjedhur

në mënyrë rastësore familjarët e papunësuar. Ndër veprimet kryesore të firmës mund të

përmenden prodhimi dhe shitja e mallrave, marrja dhe pagesat e kredive, punësimi dhe

heqja nga puna e punëtorit dhe pagesat e dividendëve. Firma në model mundet të

falimentojë dhe në këtë rast ai zhduket nga simulimi. Banka është vetëm një agjent i

cili përfaqëson të gjithë sistemin bankar. Veprimet e tij janë depozitimi i të ardhurave

dhe dhënia e parave si kredi.

Si një mjet zhvillimi ABM, Jamel i jep mundësinë kërkuesit të krijojë dhe përdorë

modele duke përdorur disa rregulla bazë që shprehen nëpërmjet skemave ontologjike

XML. Në formatin bazë të saj, modeluesi mund të vendosi parametrat e ekonomisë për

simulim si numri i agjentëve, probabilitetet e veprimeve të tyre në lidhje me njëri tjetrin,

formula llogaritëse për agjent të caktuar, si edhe faktorë të tjerë të rëndësishëm për

simulimin. Rezultatet shfaqen kryesisht nëpërmjet grafikëve si në figurën e mësipërme

si edhe nëpërmjet të vlerave makroekonomike si rezultat i shumave të vlerave

individuale të agjentëve.

Figura 5-4 Simulimi i ekonomisë në Jamel

Ky mjet është i ndërtuar duke përdorur gjuhën Java dhe pavarësisht faktit që është me

kod burim të dhënë, është e vështirë për një zhvillues të ndërtojë modele të reja me

80

veçori të ndryshme nga ato që ky laborator lejon. Përveç këtij fakti, një element i

rëndësishëm për tu përmendur është që ky mjet zhvillimi nuk i jep lirinë e duhur

kërkuesit të hulumtojë mbi rezultatet e modelit, duke e kthyer këtë në një mangësi të

madhe të këtij mjeti zhvillues.

5.4.3. Përmbledhje e rastit të studimit

EURACE përbën rastin e parë për ndërtimin e një modeli simulimi të një ekonomie

artificiale bazuar mbi metodikën e ACE. Simulimi përpiqet që të simulojë ekonominë

reale të Bashkimit Evropian, e cila përfshin shumë lloje agjentësh si firmat, familjarët,

dyqanet, bankat, shtetin, etj. Për të zbatimin e tij pas ndërtimit ishte e nevojshme të

përdoreshin super-kompjuterë paralel me shpejtësi maksimale për të arritur

komunikimin më efikas midis agjentëve. Ky projekt propozoi një qasje të re të

modelimit makroekonomik dhe projektimit të politikave ekonomike sipas fushës së

ACE, duke treguar njëkohësisht që modelimi i bazuar në agjentë i sistemeve të gjera

ekonomike është i mundur dhe i nevojshëm. Një disavantazh i këtij projekti është që

modeli nuk është lehtësisht i ndryshueshëm për të zhvilluar modele të reja apo të

ngjashme. Do të duhej një kohë e madhe për të rindërtuar një model të ri simulimi. Një

problem tjetër lidhet me mjedisin e punës ku ky model simulimi është ndërtuar, pasi

nuk lejon marrjen dhe vendosjen në një sistem të ri kompjuterik pa bërë ndryshime të

mëdha në sistemin e ri. Për këtë arsye është e nevojshme ndërtimi i një modeli të

përshtatshëm që mund të rindërtohet lehtësisht dhe të funksionojë në kushte të

ndryshme kompjuterike.

Rasti i Jamel është një rast i veçantë, pasi me anë të saj mund të ndërtohen modele

ekonomike bazuar mbi shembujt e gatshëm të saj. Ideja e saj është të analizoj me anë

të simulimeve ekonomi komplekse në bazë të veprimeve matematikore të agjentëve dhe

disa shpërndarjeve probabilitare në gjenerimin e të dhënave fillestare. Si mjet zhvillimi,

Jamel i jep studiuesit të ekonomisë mundësinë e krijimit dhe përdorimit të modeleve të

tyre bazuar mbi disa rregulla të shprehura në skemat XML. Ky mjet edhe pse është i

ndërtuar me gjuhën java dhe është me burim të hapur është shumë i vështirë për tu

mësuar dhe krijuar modele të reja duke përfshire veçori të reja ndryshe nga ato

ekzistuese që ky mjet lejon të përdorësh. Për këtë arsye, është e nevojshme të gjendet

një mënyrë e re e ndërtimit të një ekonomie artificiale. Një çështje tjetër është ajo e mos

plotësimit të tre paradigmave bazë të agjentëve për qasjen e ACE ndaj studimit të

ekonomisë.

5.5. Përfundime

Pas një hulumtimi në hapat e ndërtimit të një simulimi me agjentë u vu re rëndësia e saj

në zhvillimin e modeleve me shumë agjentë. Kjo pjesë na jep një tablo të qartë të

mënyrave të zhvillimit të modeleve të tilla dhe për zgjedhjen e një metodike të caktuar

zhvillimi në bazë të karakteristikave të problemit simulues. Përgjithësisht është e udhës

të thuhet se përdorimi i metodikave të bazuara në UML gjatë modelimit të problemit

është e rëndësishme. I njëjti sugjerim vjen edhe nga punimet e ndryshme në zhvillimin

e ABM-ve, të trajtuara në pjesën e modelimit dhe zhvillimit të ABM-ve. Për të zgjedhur

hapat e duhura të ndërtimit është e nevojshme të njihen edhe mjetet e zhvillimit. Për

këtë arsye në hulumtimin e mjeteve ABM dhe pas krahasimeve të tyre u identifikuan

dy mjete me avantazhe të dukshme nga mjetet e tjera të kësaj kategorie. Ato janë mjeti

i zhvillimit Repast dhe NetLogo. Në të njëjtën vijë u hulumtua edhe në fushën e AOSE

për zhvillimin e MAS, ku u identifikuan disa çështje të rëndësishme për trajtim.

Elementi i parë që u trajtua ishin metodologjitë e orientuara ndaj agjentit ose siç njihen

81

ndryshe teknikat e modelimit. Në këtë pjesë u shqyrtuan rreth 7 metodologjitë më të

njohura të saj, ku u vu re se vetëm tre prej tyre mbështesin përdorimin e diagrameve

UML. Gjithashtu një rezultat interesant është se vetëm një metodologji mbështeste

zhvillimin me arkitekturën BDI. Pas hulumtimit në mjetet e zhvillimit MAS që lejojnë

ndërtimin e një mjedisi simulues dhe pas krahasimeve të tyre, u vu re se mjeti i

zhvillimit JaCaMo plotësonte të gjitha kushtet e të qenurit një mjet zhvillimi i

mundshëm për një model simulimi ABM. Ky mjet përdor të gjitha llojet e komunikimit

të agjentëve dhe lejon ndërtimin e agjentëve inteligjent dhe racional në bazë të

arkitekturës hibride të saj.

Në pjesën në vazhdim u diskutua mbi dy raste studimi të ndërtimit të një ekonomie

artificiale bazuar në dy mjete zhvillimi të ndryshme. Në këtë pjesë u vunë re disa

mangësi të këtyre modeleve simuluese dhe u sugjerua gjetja e një mënyre të re të

ndërtimit të një ekonomie artificiale që plotëson këto mangësi dhe plotëson edhe

kërkesat për ndërtimin e agjentëve inteligjent në bazë të paradigmave të përcaktuara në

ACE.

82

KAPITULLI 6: NJË ANALIZË KRAHASUESE TË ZHVILLIMIT TË DY

MODELEVE SIMULUESE TË BAZUARA NË AGJENT

6.1. Hyrje

Në këtë kapitull prezantohen dy punime simuluese me një natyrë të njëjtë problemi

specifik të ekonomisë artificiale. Punimi i parë simulues bazohet në punën fillestare

kërkimore të (Agolli & Hakrama, 2015), i cili trajton e problemin e kapacitetit

përpunues të terminalit detar të kontejnerëve në Durrës. Ky punim përdor një

metodologji zhvillimit të bazuar mbi mjetin NetLogo të propozuar si mjet i mundshëm

zhvillimi në kapitullin e pestë. Ndërsa punimi i dytë bazohet mbi një punë të ngjashme

kërkimore të (Hakrama & Tabaku, 2016), ku trajtohet problemi i menaxhimit të

magazinës. Në zgjidhjen e tij është përdorur një metodologji e bazuar mbi mjetin e

zhvillimit Jason. Të dyja metodologjitë e përdorura në këto punime, fillimisht japin një

përshkrim të problemeve duke u bazuar edhe mbi një hulumtim në literaturë dhe më

pas detajojnë modelin e simulimit. Në vazhdim jepen detaje mbi ndërtimin e simulimit

bazuar mbi mjetet përkatëse të zhvillimit dhe në fund jepen detaje mbi përdorimin e

këtyre modeleve të ndërtuara. Në fund ky kapitull mbyllet me një vlerësim të plotë

krahasues të këtyre metodologjive të përdorura për zhvillimin e këtyre modeleve

simuluese.

6.2. Modelimi dhe simulimi i terminalit detar me NetLogo

6.2.1 Terminali detar i kontejnerëve

Portet detare janë përcaktuar si vendqëndrime për transportim për të transferuar të mirat

nga një mënyrë transporti në tjetrën (Carbon & Martino, 2003). Meqenëse portet detare

janë pjesa kryesore e zinxhirit të furnizimit, kjo rrit përgjegjësinë e tyre për një

koordinim sa më të efektshëm të gjithë veprimeve për shmangien e vonesave dhe rritjen

e përgjithshme të rendimentit. Pjesa kryesore e portit detar është terminali i

kontejnerëve, i cili përcaktohet si vendi ku ndodh shpërndarja e kontejnerëve midis

mjeteve të transportit. Ky terminal konsiderohet si një sistem kompleks me veprime të

ndryshme. Veprimet e saj mund të grupohen në veprime kryesore dhe veprime

plotësuese. Në grupin e parë kemi veprimet që kryhen në kalatën buzë detit si edhe ato

që kryen në sheshin e terminalit. Ngarkimi dhe shkarkimi i ngarkesave nga anijet kryhet

nga veprimet në kalata. Nga ana tjetër veprimet që kryen në sheshin e magazinimit të

terminalit janë vendosja jashtë e kontejnerëve që eksportohen dhe marrja e kontejnerëve

që importohen nga kamionët. Veprime të tjera mbështetëse janë ruajtja e kontejnerëve,

hapja dhe mbyllja e kapakëve te hambarëve të anijes, riorganizimi apo zhvendosja

përfundimtare e kontejnerëve para se ngarkohen. Edhe pse veprimet plotësuese nuk

mund të shërbejnë si veprime bazë, numri i rritjes së këtyre veprimeve është një tregues

i mirë sepse tregon zhvillimin e infrastrukturës dhe dëshirën për t'iu përgjigjur nevojave

së konsumatorit.

83

Figura 6-1 Përshkrimi i veprimeve në sheshin e magazinimit

Rritja e numrit dhe e cilësisë të këtyre veprimeve ka një lidhje të drejtpërdrejtë me

rritjen e kënaqësisë dhe besimit të klientit. Kur kemi të bëjmë me burime të kufizuara

që mund të përdoren nga dy llojet e veprimeve duhet zgjedhur ajo që ka më prioritet.

Në këtë rast veprimet e kalatave kanë prioritetin maksimal, pasi kanë të bëjnë me

shkarkimin e ngarkesës së një anijeje.

Shqetësimi kryesor i lidhur me përdorimin në mënyrë efektive të terminalit të

kontejnerëve është kapaciteti. Bazuar mbi punimin e (Islam & Olsen, 2011), disa nga

faktorët fizik që ndikojnë mbi kapacitetin janë:

Sheshi magazinimit të kontejnerëve përcaktohet si vendi ku kontejnerët ruhen

përkohësisht. Në këtë shesh kryen veprimet e sheshit dhe rritja e sipërfaqes së

saj do ti bënte kontejnerët më lehtësisht të arritshëm nga vinçat.

Vinçat janë mjeti më i rëndësishëm. Veprimet e terminalit ndikohen nga numri,

madhësia dhe sistemi që këto vinça përdorin duke ulur kostot dhe rritur cilësinë

e shërbimit. Kjo do të ndihmonte në shërbimin e njëkohshëm të shumë

kamionëve dhe anijeve.

Forca punëtore është e rëndësishme për veprimet që nuk janë automatike në

terminalin e kontejnerëve.

Portat e portit ndikojnë në kapacitetin e terminalit pasi me rritjen e numrit të

tyre terminali mund të shkarkoj më tepër anije njëkohësisht. Kjo do të

përmirësonte shërbimin e terminalit dhe do të ulte kohën e pritjes së anijeve në

det.

Parametrat e trafikut ndikojnë në kapacitetin duke futur linja të reja apo duke

rregulluar oraret e trafikut.

Faktorë të tjerë përveç faktorëve fizik janë edhe faktorët menaxherial të cilët përbëhen

nga menaxhimi i aseteve, kostos dhe cilësisë së shërbimit. Problemi i terminalit detar

të kontejnerëve në Durrës është gjetja e një algoritmi optimal në procesin e dërgimit të

ngarkesave në kamionë me vinça. Një simulim të tillë fillestar të terminalit të

kontejnerëve është paraqitur nga (Huynh & Vidal, 2010). Modeli i terminalit të

kontejnerëve në Durrës u ndërtua mbi modelin e mësipërm duke bërë disa ndryshime

strukturore dhe algoritmike në përshtatje të problematikave të terminalit. Ky model i

bazuar në agjent u ndërtua duke përdorur mjetin zhvillues NetLogo.

84

6.2.2. Modeli i terminalit të kontejnerëve Durrës

Qëllimi i modelit është të masë efektin që kanë strategji të ndryshme shërbimi në kohën

mesatare të pritjes së kamionëve. Koha mesatare e pritjes llogaritet si shuma e kohës së

pritjes të gjithë kamionëve pjesëtuar me numrin e kamionëve që kanë mbaruar

shërbimin. Modeli paraqet kryesisht veprimet e transportit të kontejnerëve nga

pozicionet fillestare në shesh deri në kamionin që kërkon këtë kontejnerë. Modeli

paraqet tre lloje agjentësh, kontejnerët, kamionët dhe vinçat. Çdo agjent kontejner ka si

gjendje të tij vendndodhjen, grupin në të cilin bën pjesë dhe kamioni i cili e kërkon atë.

Agjentët kamionë mbajnë si gjendje të tyre, kohën e ardhjes në terminal, kohën e pritjes,

prioritetin e tyre dhe ngarkesën apo kontejnerin që kërkojnë. Ndërkohë që agjenti vinç

përcaktohet vetëm me gjendjen qëllim që ka të bëjë me qëllimin e lëvizjes që ai do

kryejë gjatë simulimit. Koha e simulimit do matet me hapa kohor.

Modeli i marrë në shqyrtim ka 6 sheshe kontejnerësh i rrethuar me rrugë rrotull këtyre

shesheve. Shpërndarja e kontejnerëve në shesh bëhet sipas një shpërndarje rastësore.

Kontejnerët janë tre llojesh, kontejnerë produktesh të ftohta, kontejnerë materiale

delikate dhe kontejnerë normal. Kontejnerët vendosen në shesh në tre rreshta paralel

dhe mund të kenë në lartësi prej katër kontejnerësh. Kamionët vijnë me kohë rastësore

sipas shpërndarjes së puasonit. Vinçat janë mjetet me të cilat kamionët shërbehen duke

lëvizur kontejnerët. Koha e ngarkimit të kontejnerit te kamioni është 60 njësi kohe,

ndërsa lëvizja e kontejnerëve brenda të njëjtit raft kontejnerësh është 40 njësi kohe.

Koha e lëvizjes së vinçit nga një kontejnerë në një tjetër është vetëm 6 njësi kohe. Koha

e lëvizjes së kamionëve nuk merret parasysh pasi është fikse dhe nuk ndikon në

shërbim. Vinçat janë mjete shumë të rëndësishëm por janë të kufizuara në numër. Gjatë

veprimeve në sheshet e kontejnerëve kamionët duhet të shkojnë te vinçi për tu ngarkuar

apo shkarkuar ngarkesën. Sapo të fillojë puna, veprimet e saj nuk mund të ndërpriten.

Radha e veprimeve që ndodh në terminalin e kontejnerëve në Durrës është ky:

1. Kamioni arrin në sheshin e terminalit

2. vinçi shkon te kamioni

3. nëse ngarkesa është në pozicionin e sipërm

a. kalo te hapi 5

4. nëse ngarkesa nuk është në pozicionin e sipërm

a. lëviz kontejnerin e sipërm

b. përsërit veprimin a derisa të jetë në pozicionin e sipërm ngarkesa

5. Vendos ngarkesën në kamion

Modeli merr parasysh edhe metodologjinë e shërbimit, i cili ndahet katër lloje të

ndryshme të trajtës algoritmike të njohura si algoritmi FCFS, me prioritet, CL dhe

rastësor. Në rastin e FCFS, kamionët shërbehen sipas radhës me të cilën ato arrijnë në

radhë, pra kamioni që vjen i pari është i pari që shërbehet nga vinçi. Ky nuk mund të

jetë algoritmi më i mirë pasi kamionët që vijnë më vonë duhet të presin një kohë të gjatë

për shkak të kohëve të shërbimit të ndryshme. Shtimi i numrit të vinçave mund të jetë

një zgjidhje për këtë rast. Në rastin e shërbimit me prioritet, prioriteti i vendoset klientit

në bazë të vëllimit të punës. Në rastin e shërbimit CL, vinçi zgjedh kamionin në bazë

të afërsisë dhe kohëzgjatjes së pritjes. Shërbimi rastësor i kamionëve nuk merr parasysh

asnjë rregull në zgjedhjen e kamionëve për shërbim.

Në modelin e simulimit, modeluesi duhet të ketë mundësinë e vendosjes të shpeshtisë

të arritjes së kamionëve në terminal. Gjithashtu ai duhet të zgjedhë edhe mënyrën e

shërbimit të kamionëve për të shqyrtuar mënyrat më të mira të menaxhimit të terminalit.

85

6.2.3. Ndërtimi i simulimit

Mjeti i zhvillimit të përdorur në këtë punim është NetLogo. Ai është një simulues i

ABM-ve i cili përdor një version të modifikuar të gjuhës së programimit Logo (Seth

Tisue, Uri Wilensky, 2004). NetLogo na ofron një laborator të thjeshtë i cili mund të

përdoret nga kërkuesit që duan të kryejnë simulime me agjent. Ai ofron një mjedis

grafik të gatshëm për krijimin e pamjes vizuale dhe lejon kontrollin e agjentëve

nëpërmjet saj (Wilensky & Evanston, 2011). Ai ka një librari shumë të madhe me

modele të gatshme dhe shembuj kodesh me të cilat një kërkues mund të fillojë të mësoj.

NetLogo përdoret nga shumë universitete në fushat e shkencave natyrore dhe ato

shoqërore.

NetLogo i trajton agjentët me emërtimin “turtles”, ndërsa vendndodhjet e tyre me

emërtimin “patches”. Është e rëndësishme të theksohet se simulimet e këtij mjeti

zhvillues e kanë të nevojshme që agjentët të kenë gjendje të vendndodhjes së tyre. Në

listën e mëposhtme tregohet kodi i inicializimit të agjentëve “turtle” në NetLogo.

Lista 6-1: Inicializimit të agjentëve në NetLogo

Vlen për tu theksuar se në gjuhën Logo, fillimisht krijohen lidhja e një agjenti me shumë

agjentë nëpërmjet komandës “breed”, dhe më vonë krijimi i atributeve vendoset në

emërtimin e agjentëve me prapashtesën “-own”. Atributet mund të jenë të çfarëdolloj

tipi, numra integer, double, string, lista apo edhe vetë funksione.

Në strukturën e përgjithshme të NetLogo-s, pasi kemi inicializuar agjentët dhe variablat

e tyre, përfshirë edhe variablat global që përfaqësojnë mjedisin e simulimit, thirret

funksioni “setup” për të inicializuar simulimin dhe variablat me vlerat përkatëse.

Fillimisht duhet thënë se çdo funksion në NetLogo përcaktohet me parashtesën “to”.

Funksioni “setup” ka si qëllim rikrijimin e simulimit sa herë që thirret. Në kodin e dhënë

në listën 6-2, tregohet se veprimi i parë është fshirja e gjithë pjesëve ekzistuese të

simulimit dhe më pas vendosja e vlerave të variablave global që në këtë rast

simbolizojnë mjedisin e simulimit. Vendosja e vlerave kryhet nëpërmjet komandës

“set”, e cila pasohet nga emri i variablit dhe vlera që ai do marrë. Vlera mund të

përcaktohet edhe si një listë, si në rastin e krijimit të rrugëve të kalimit. Një shembull

kodi jepet në rreshtin 18-19 të listës 6-2. Në rreshtin 17, paraqitet kodi i vendosjes së

ngjyrës gri të gjithë vendndodhjeve, ndërsa në rreshtin 20 paraqitet kodi i vendosjes së

ngjyrës zezë rrugës ku do kalojnë vinçat. Krijimi i agjentëve me vlera bëhet duke

thërritur parashtesën “create-“ para emrit të agjentëve dhe më pas jepet numri i këtyre

agjentëve “turtle”, bashkë me vlerat e gjendjeve të tyre. Në fund të funksionit “setup”,

bëhet edhe rifillimi i kohës simuluese. Duhet theksuar se kjo kohë simbolizohet me

fjalën kyç “ticks” dhe çdo “tick” është një njësi kohe.

1 breed [containers container] ;inicializimi i kontejnerëve

2 containers-own [ z-cor my-group my-stack my-row my-truck ]

3 breed [cranes crane] ;inicializimi i vinçave

4 cranes-own [ goal ] ;ka vetëm një atribut i cili do të jetë një list komandash

5 breed [trucks truck] ;inicializimi i kamionëve

6 trucks-own [ cargo my-group my-stack my-start-time waiting priority block ]

7 globals ;Inicializimi i variablave global

8 [ crane-road-xcors crane-road-ycors num-trucks-serviced total-wait-time

9 ticks-to-rehandle ticks-to-deliver ticks-to-move awt ]

86

Lista 6-2: Inicializimi me vlera të simulimit në NetLogo

Pas thirrjes së funksionit “setup”, i cili rikrijon kushtet e fillimit të simulimit, duhet

thirrur funksioni “go” i cili fillon simulimin e modelit. Në këtë rast, brenda këtij

funksioni vendosen të gjitha kushtet e duhura për funksionimin e plotë të simulimit.

Duhet thënë se në këtë pjesë krijohen kamionët të cilët vijnë në bazë të shpërndarjes së

puasonit mbi ndryshoren e marrë nga përdoruesi të shpeshtisë së ardhjes së kamionëve.

Lista 6-3 shfaq pjesë kodi nga ky funksion, në të shihet edhe mënyra e krijimit të

kamionëve. Çdo kamion ka një kohë fillestare që tregon momentin e ardhjes në

terminal, e cila përdoret më vonë për të përcaktuar edhe kohën e pritjes së tij. Gjithashtu

çdo kamion thërret një funksion të quajtur “goto-container” i cili e dërgon agjentin

kamion në vendndodhjen e kontejnerit. Ndër hapat e funksionit “go” është edhe

aktivizimi i funksionit “go-crane” nga çdo vinç në secilin hap kohor, i cili riformulon

qëllimin e vinçit në bazë të funksioneve të përcaktuara nga përdoruesi i simulimit. Në

përfundim të funksionit “go” bëhet edhe kalimi në hapin pasardhës kohor me anë të

fjalës kyç “tick”.

12 to setup

13 clear-all ;fshin gjithçka

14 set ticks-to-rehandle 40 ;vendosja e kohës me 40 njësi

15 set ticks-to-deliver 60 ;vendosja e kohës me 60 njësi

16 set ticks-to-move 6 ;ticks simbolizon nj[si kohe,

17 ask patches[ set pcolor 9 ] ; gjith[ skena merr ngjyrë gri

18 set crane-road-xcors (list 0 40 82)

19 set crane-road-ycors (list 0 15 5 10 )

20 ask patches with [ member? pycor crane-road-ycors ][ set pcolor 3]

21 ask patches with

22 [(pycor >= item 0 crane-road-ycors and pycor <= item 1 crane-road-ycors)

23 and (member? pxcor crane-road-xcors)]

24 [ set pcolor 3 ]

25 create-containers 300 [ ;krijon 300 kontejner

26 set z-cor 0

27 set shape "container"

28 set size 1

29 set my-truck nobody

30 find-random-empty-position

31 ]

32 create-cranes 1 [ ;krijon një vinç në sheshin e kontejnerëve

33 set shape "arrow"

34 set heading 0

35 set color blue

36 set goal []

37 set-my-position position-in-yard 0 0 -1

38 ]

.. ..

53 reset-ticks ;rifillon kohën

54 end

87

Lista 6-3: Logjika e hapave në funksionin “go”

Në funksionin e paraqitur në listën 6-4 shfaqet kodi i funksionit të mënyrës së shërbimit

CL, e veçanta e këtij funksioni është përdorimi i “to-report” që përfaqëson se funksioni

kthen një përgjigje si funksion. Logjika e kësaj mënyre shërbimi shfaqet në rreshtat 240

deri 242 ku zgjidhet kamioni me distancën më të afërt dhe më pas gjendet kamioni me

kohën më të gjatë të pritjes.

Lista 6-4: Logjika e zgjedhjes së kamionit me funksion shërbimi CL

6.2.4. Përdorimi i modelit të ndërtuar

Paraqitja e modelit të ndërtuar në NetLogo nga ana grafike është paraqitur në figurën

2. Në këtë figurë vërejmë, elementët grafik të cilat mund të krijohen lehtësisht

nëpërmjet mjetit zhvillues. Në ndërtimin grafik të modelit është përdorur pjesa e

ndërfaqes, e cila lejon krijimin e elementëve vizual, butonave dhe grafikëve. Kodi është

i shkruar në tab-in “Code” dhe përfaqëson logjikën e funksionimit të modelit. Në

modelin tonë kur përdoruesi shtyp butonin “Krijo”, ky buton krijon pamjen e modelit.

Në pamjen e modelit vinçat janë të shfaqur me shigjeta që lëvizin në rrugët me ngjyrë

gri të errët, ndërsa kamionët shfaqen në pozicionet afër kontejnerëve. Shtypja e butonit

“Vazhdo” fillon simulimin me një hap ndërsa butoni tjetër “Vazhdo” me shenjën e ciklit

kur shtypet e vazhdon simulimin pa ndalime.

79 to go

80 if ticks >= 14400 [ stop ]

.. ...

83 create-trucks (random-poisson trucks-per-tick) ;krijon kamionët

84 [

85 set shape "truck"

.. ...

90 set my-start-time ticks ;koha fillestare e kamionit

.. ...

96 goto-container

.. ...

102 if (any? other trucks-here) [

103 setxy 0 16

104 set waiting true

105 ]

.. ...

110 ]

112 ask cranes [go-crane]

113 tick

.. ...

120 end

238 to-report pick-goal-position-closest-longest

239 let range 40

240 let trucks-in-range trucks with

241 [not waiting and not block and distance-to-crane myself < range]

242 let chosen-truck min-one-of trucks-in-range [my-start-time]

243 if (chosen-truck = nobody) [ report nobody ]

244 ask chosen-truck [

245 set color yellow

246 set block true

247 ]

248 show chosen-truck

249 report [group-stack] of chosen-truck

250 end

88

Figura 6-2 Paraqitja e modelit simulues të terminalit

Përdoruesi mund të vendosë edhe parametrat e shpeshtisë së ardhjes të kamionëve, si

edhe mund të zgjedhë njërin nga funksionet e shërbimit të shpjeguara në pjesën e

modelimit. Të gjitha rezultatet e simulimit grumbullohen dhe shfaqen në grafikë. Këto

të dhëna mund të eksportohen nga grafikët në versionin excel dhe më pas mund të

përpunohen nga përdoruesit. Një veçori tjetër e NetLogo-s është paraqitja e simulimit

me tre dimensione si në figurën 6-3.

Figura 6-3 Paraqitja me tre dimensione e simulimit

Rezultatet mund të merren pasi është ekzekutuar disa herë simulimi me parametra të

ndryshëm të mënyrave të shërbimit, si edhe me numrin e vendosur të ardhjeve të

kamionëve në terminal. Në rastin e marrë parasysh për terminalin e kontejnerëve në

Durrës u vendos një normë prej 2 kamionë në 60 njësi kohore. Rezultatet

eksperimentale për funksionet e ndryshme të shërbimit për një periudhë prej 5000 njësi

kohe paraqiten në tabelën 6-1.

Tabela 6-1: Rezultatet për çdo funksion shërbimi dhe vinça

Funksioni i

shërbimit

Koha mesatare e pritjes aktive apo shërbimit të kamionit

(njësi kohore)

Një vinç Dy vinça Tre vinça

Pritja Shërbimi Pritja Shërbimi Pritja Shërbimi

Rastësor 2310 1380 1540 881 1042 560

Prioritet 2610 912 2440 436 1834 348

FCFS 1880 1620 1020 834 431 471

CL 1732 1703 742 836 284 363

89

Në bazë të rezultateve të mësipërme mund të themi se metoda e shërbimit CL punon

më mirë kur kemi dy apo më tepër vinça, ndërkohë që metoda me prioritet ka kohë

pritjeje më të madhe se çdo metodë tjetër në të gjitha rastet. Duhet të theksohet se koha

mesatare e pritjes aktive është një parametër që tregon pritjen e kamionëve përfshirë

kohën e pritjes së kamionëve që nuk janë shërbyer ende deri në atë moment. Koha

mesatare e shërbimit tregon kohën e pritjes së kamionëve të shërbyer bashkë me kohën

e shërbimit nga vinçi.

6.3. Modelimi dhe ndërtimi i një magazine virtuale me Jason

Në këtë pjesë paraqitet një sistem i ri multi-agjent si zgjidhje e problemit të magazinës.

Në seksionin e mëposhtëm paraqitet një hulumtim në literaturë i zgjidhjeve që

ekzistojnë për problemin në fjalë dhe për mjetet zhvilluese të përdorura për simulimin

e tij. Më pas në seksionin pasardhës, prezantohet modeli konceptual i simulimit të tij

dhe pas tij jepen detaje mbi ndërtimin e kryer me anë të mjetit zhvillues Jason. Në

seksionin e fundit jepen disa përfundime të punës së prezantuar në këtë nënkapitull.

6.3.1. Hulumtimi i literaturës për problemin e magazinës

Në literaturë gjenden shumë kontribute teorike dhe studime të cilat prezantojnë zgjidhje

për menaxhimin logjistik të magazinës. Struktura e magazinës përcakton edhe

departamentet e saj funksionalë, për shembull mënyra se si do të mblidhen urdhrat e

porosive. Planifikohet të lihen jashtë ndryshueshmëria dhe mosbalancimi në rrjedhën e

materialeve që shkaktohet nga faktorë të ndryshëm si kërkesa në sezon, konsolidimi i

artikujve dhe caktimi i prodhimit (Gu, Goetschalckx, & McGinnis, 2007).

Modelet e simulimit të problemit të magazinës nevojiten më së shumti në strategjinë e

planifikimit dhe ndryshimet strukturale të sistemit. Magazinat sipas punimit të (Liong

& Loo, 2009) operojnë në të shumtën e rasteve si qendra shpërndarjeje që kanë të bëjnë

magazinimin e mallrave që do shiten ose shpërndahen më vonë. Bazuar në punimin e

mëvonshëm të (Gu, Goetschalckx, & McGinnis, 2010), rendimenti i procedurave të

magazinës përcaktohet mbi bazën e veprimeve të saj si marrja dërgesave, magazinimi,

marrja e urdhrave dhe ngarkimi, ndërsa projektimi i magazinës varet nga strategjia e

veprimeve të përdorura, përmasat, paraqitja e departamentit dhe zgjedhja e duhur e

pajisjeve. Sipas punimit të (Onggo, Gunal, & Maden, 2008) janë po këto kërkesa ato

që do ndikojnë në modelin konceptual i cili do përdoret për të simuluar mjedisin e

magazinës.

Në përpjekje për të modeluar një mjedis magazine janë zbatuar metoda të ndryshme

simulimi. Në punimin e (Nance, 1993) përcaktohen tre lloje simulimi të mënyrës

klasike, simulimi me ngjarje diskrete, simulimi i vazhdueshëm dhe simulimi Monte

Carlo. Simulimi i vazhdueshëm përdor modele me ekuacione, ndërkohë simulimi

Monte Carlo përdor modele probabilitare që përsëritën, për këtë arsye ky lloj simulimi

njihet ndryshe si “metoda e provave të përsëritura”. Simulimi me ngjarje diskrete

modelon një sistem fizik duke përdorur modele matematikore apo logjike të tij në

momente të caktuara të kohës së simulimit. Në punimin e (Detty & Yingling, 2000)

deklarohet se ky lloj simulimi ka qenë qasja më shumë e përdorur për modelimin e

magazinës. Në këtë mënyrë, një studim shumë i dobishëm i simulimit të sistemeve

ngarkim-shkarkim të magazinës i prezantuar në punimin e (Liong & Loo, 2009), është

përgatitur me ndihmën e mjetit zhvillues ARENA i cili përdor simulimin e ngjarjeve

diskrete. Gjithashtu në punimin e (Ceylan, Gunal, & Bruzzone, 2012) tregohet një

simulim tjetër i magazinës i ndërtuar duke përdorur libraritë e gjuhës së programimit

90

C#, SharpSim dhe WareLib, ku ngjarjet që ndodhin në sistem ekzekutohen dhe zgjidhen

në vazhdimësi me periudha kohore diskrete.

Në punimin e (Bowersox, Closs, & Cooper, 2002) deklarohet se problemi i magazinës

është një term i përgjithshëm që përfshin çfarëdolloj logjistike të cilat kanë të bëjë me

magazinën si vendosja dhe shpërndarja e artikujve, pikat e furnizimit dhe daljes, llojet

e rafteve, mënyra e vendosjes, drejtimi i llojeve të ndryshme të transportuesve. Në një

mjedis tipik magazine disa prej njësive të saj komunikojnë me njëri-tjetrin herë pas

here. Si shembull mund të marrim transportuesit e njësive që njoftohen nga

koordinatorët se kush do të transportojë furnizimet e ardhura për në destinacionin e

paracaktuar, pas të cilës transportuesi do të përcaktojë rrugën që do ndërmarrë dhe raftin

ku do vendoset malli. Si pasojë, është e logjikshme të menduarit e problemit të

magazinës si një sistem multi-agjent i cili ka një numër agjentësh të cilët

bashkëveprojnë me njëri-tjetrin duke shkëmbyer mesazhe.

Zgjidhja e dhënë për këtë problem është simulimi i një magazine virtuale me MAS. Kjo

qasje do të jetë e ngjashme me ABM-të, ku në këtë rast kërkesa e simulimit është të

caktohen në mënyrë të saktë entitetet që do të jenë në simulim, specifikimet,

specializimet dhe sjelljet e tyre. Zgjidhja jonë ndërtohet nëpërmjet përdorimit të Jason,

i cili përdor një arkitekturë me besime, dëshira dhe synime. Në zgjidhjen tonë, besimet

janë perceptime të mjedisit simulues, ngjarje të mëparshme ose agjentë të tjerë që

agjenti ka fituar përgjatë jetës së tij. Dëshirat janë të gjitha vendimet e mundshme të

degëzimit të besimit të agjentëve, grupi i të gjithë veprimeve që agjenti mund të marrë

në varësi të ndikimit të agjentëve të tjerë ose mjedisit. Synimet janë planet e

menjëhershme që agjenti do të ekzekutojë. BDI është një model dinamik i cili i

mundëson agjentëve një nivel të lartë studimi dhe sjellje komplekse të bazuara në

përvojat e tij.

6.3.2. Modeli konceptual i simulimit

Çështjet kryesore që merret problemi i magazinës ka lidhje me saktësinë dhe

vendndodhjen e inventarit, skema e magazinës dhe përdorimi i hapësirës, optimizimi i

zgjedhjes dhe proceset e tepërta. Në këtë seksion do të japim një analizë të plotë dhe të

detajuar të agjentëve dhe mjedisit të cilët do të vendosen në simulator për të simuluar

magazinën.

Agjentët grupohen në dy nivele: niveli i menaxhimit dhe niveli i transportit. Mjedisi do

të jetë hapësira e një madhësie të caktuar të magazinës, ku do të ketë një hapësirë

ngarkimi, një zonë dërgimi dhe konfigurimet e ndryshme të rafteve. Skema e magazinës

është zgjedhur para fillimit të simulimit. Niveli i menaxhimit është i përbërë nga:

agjenti koordinator, i cili mbikëqyr urdhrat e artikujve, kërkesat për artikuj,

shpërndarjen e rafteve dhe vendndodhjet e artikujve;

agjenti furnitor, i cili ruan artikujt që vijnë dhe lëshon kërkesa për artikuj të rinj

tek agjentët e transportit të furnitorëve;

agjenti dispeçer, i cili është njësia përgjegjëse për largimin e artikujve dhe

dërgimin e kërkesave tek agjentët e transportit të dërgimit.

Ka dy lloje të agjentëve të transportit: punonjësit dhe pirunët, dhe çdo njësie transporti

i caktohet një nga dy grupet e sjelljeve: paketues ose ekstraktues. Një transportues

paketues do merret me artikujt që vijnë nga furnitori për tek rafti i përcaktuar për

artikullin. Një transportues ekstraktues do merret me artikujt që nxirren nga raftet për

në hapësirën e dispeçerit sipas kërkesave të agjentit dispeçer. Transportuesve i

91

përcaktohen pozicionet e pushimit në inicializimin e mjedisit. Paketuesit fillojnë afër

furnitorit, dhe ekstraktuesit janë afër me dispeçerin. Të dy paketuesit dhe ekstraktuesit

mund të jenë njerëz ose makineri pirunë. Ndryshimi midis të dyve është në sasinë e

ngarkesës që secili nga këto agjentë mund të mbajnë.

Figura 6-4 Diagrami i aktiviteteve suimlejn të furnizimit me artikull

Në figurën 6-4 shfaqet një diagram i aktiviteteve suimlejn ku paraqitet rrjedha e

veprimeve midis koordinatorit, furnitorit dhe agjentit paketues. Roli i agjentit

koordinues është i njëjtë me njësinë e informacionit qendror në mjedis. Koordinuesi do

të vendosë urdhra të reja për artikujt, pas së cilave do të njoftojë furnitorin në lidhje me

parametrat e artikujve të rinj. Urdhri për një artikull të ri do të merret nga një skedar

elektronik urdhrash i krijuar nga përdoruesi i simulatorit. Furnitorit, pas vendosjes në

radhë të artikullit të kërkuar, do të lajmëroj njësit paketuese për parametrat e artikullit

të ri si pesha dhe emri i artikullit. Paketuesit që munden të përgjigjen dhe të mbajnë

artikullin do të dërgojë një mesazh për zënien e artikullit në mënyrë që të parandalohen

konflikte me paketuesit e tjera përgjatë ngarkimit të artikullit. Furnitori do të miratojë

paketuesin e parë që përgjigjet, për të dërguar artikullin dhe do të mohojë kërkesat e

rezervimit të artikullit nga paketuesit e tjerë. Ky paketues do të shkojë te vendi i

ngarkimit, do të ngarkojë artikullin dhe më pas do të pyesë koordinatorin për

vendndodhjen e artikullit. Koordinatori do të kontrollojë “besimet” e tij për

92

vendndodhjen e artikullit. Nëse ky artikull ka qenë i porositur më parë, atëherë një raft

i plotë është i përcaktuar tashmë për të. Nëse ka pak hapësirë, koordinatori vendos të

zgjerojë zonën e përcaktuar për këtë artikull. Pas përpjekjes për një zgjerim,

koordinatori do ti japë paketuesit vendndodhjen e raftit ku artikulli do të futet. Paketuesi

do ta dërgojë tek rafti, do e ruajë artikullin në atë vend dhe më pas do rikthehet në

pozicionin fillestar ku pret urdhra të rinj.

Përgjatë të njëjtës kohë, agjenti koordinues do të përditësoj bazën e brendshme të

dhënave, i cili do të ketë informacionin e artikujve, duke përfshirë peshën dhe

pozicionin e tyre në raft. Kur një artikull kërkohet për një veprim nxjerrjeje nga

magazina, koordinatori do të njoftojë agjentin dispeçer. Ky agjent do të transmetojë

parametrat e artikullit te ekstraktuesit. Ata do të kthejnë përgjigje nëse mund ta mbajnë

artikullin ose jo. Nëse mund ta mbajnë, ata do të dërgojnë një mesazh për zënien e

artikullit te dispeçeri. Dispeçeri do të rezervojë artikullin në bazë të radhës së kërkesës,

pra ku i pari që kërkon është i pari që shërbehet. Ai i dërgon një mesazh konfirmimi

bashkë me vendndodhjen e raftit ekstraktuesit të parë që është përgjigjur, ndërkohë që

kërkesat e ekstraktuesve të tjerë për artikullin do të refuzohen. Pas kësaj ekstraktuesi

lëviz duke mbajtur artikullin tek rafti, e vendos aty artikullin, dhe shkon tek zona e

shkarkimit të magazinës ku edhe rikthehet në pozicionin e pushimit. Procedura e

rezervimit të mesazhit implementohet për të shmangur konfliktet gjatë marrjes së

artikujve. Përderisa të gjitha kërkesat nga furnitori ose dispeçeri lajmërojnë të gjithë

transportuesit e përshtatshëm, ka një nevojë për të sinkronizuar lëvizjen e këtyre

transportuesve. Për këtë arsye, agjentët furnitor dhe dispeçer shërbejnë si drejtues për

transportuesit, duke vendosur se cili prej tyre do të zgjidhet për transportin e artikujve.

Në figurën 6-5 paraqitet diagrami sekuencë për nxjerrjen e artikujve nga magazina.

Figura 6-5 Diagrami i sekuencave për nxjerrjen e artikujve

Një parametër që duhet të matet është koha që artikujt do të harxhojnë në zonën e

ngarkimit. Kjo shërben për të matur efikasitetin e shkaktuar nga përdorimi i një zone të

vetme të ngarkimit. Ky aplikim do të masë edhe shkallën e shfrytëzimit të secilit

transportues në mënyrë që të llogaritet kostoja e një transportuesi të vetëm dhe të

skemës transportuese, që tregon nëse përdorimi i numrit të dhënë të transportuesve

është efektiv apo jo. Këto llogaritje do të përdoren për të përcaktuar efektivitetin e

93

përzgjedhjes së rregullimit të transportuesve në lidhje me madhësinë dhe skemën e

magazinës.

6.3.3. Ndërtimi i simulatorit të magazinës virtuale

Ndërtimi i simulatorit të magazinës u realizua duke kombinuar disa teknologji

ekzistuese. Një strukturë e përgjithshme e simulatorit dhe mënyrës se si ai funksionon

paraqitet në figurën 6-6, të shfaqur më poshtë.

Figura 6-6 Skema strukturore e simulatorit të magazinës virtuale

Simulimi bazohet mbi dy pjesë kryesore, mjedisi i cili bazohet në mjetin e zhvillimit

Jason dhe pjesa e pamjes së përdoruesit e njohur si JavaFX Model-View-Controller

(MVC). JavaFX MVC është një aplikacion i programuar në gjuhën Java që përdor

efekte të ndërfaqes grafike, ajo ndërvepron me përdoruesin me anë të një dritareje të

programuar nga ne. Të dyja këto pjesë janë të lidhura me njëra tjetrën me anë të një

ndërfaqeje e cila njihet si metoda e thirrjes në distancë (“Remote Method Invocation” -

RMI) që shërben si një ndërfaqe komunikuese e këtyre dy mjeteve. RMI është një

metodë e njohur për komunikimin e objekteve midis aplikacioneve sidomos në

aplikacionet e shpërndara (Eberhard & Tripathi, 2007). Jason është një mjedis zhvillimi

fleksibël në sajë të zhvillimit të tij mbi mjedisin e programimit Java dhe së bashku me

përdorimin e RMI, është e mundur kombinimi i përfitimeve të reja të Java dhe JavaFX

për të implementuar magazinën virtual. Duhet theksuar se mjedisi i zhvillimit Jason

nuk mund ka një ndërfaqe grafike që paraqet simulimin, për këtë arsye ne prezantojmë

me detaje ndërtimin e këtij simulatori. Në pjesët e mëposhtme do të tregohen këto

modulet përbërëse bashkë me sistemet e përdorura për ndërtimin e magazinës. Njësitë

bazë të ndërtimit janë katër module komunikuese, të cilat janë:

konfigurimet e mjedisit MAS

ndërfaqja e RMI

sjelljet e agjentëve të ndërtuara me gjuhën Jason

modeli dhe pamja

6.3.3.1. Konfigurimet e mjedisit MAS

Konfigurimet e mjedisit MAS lexohen nëpërmjet një klase “parser” Java që është e

ndërlidhur me mjedisin Jason. Kjo klasë pasi lexon konfigurimet e shkruara në dosjen

94

“warehouse.mas2j”, përdoret për të inicializuar mjedisin dhe agjentët përkatës të

simulimit. Lista 6-5 tregon konfigurimet kryesore të simulimit tonë, në të cilin ne

përdorim një infrastrukturë MAS qendrore, një mjedis të dhënë dhe numri i agjentëve i

ndarë sipas llojeve të ndryshme. Për secilin nga llojet e agjentëve duhet të ekzistojë

gjithashtu një dosje Jason “.asl”, e cila përmban besimet, rregullat, qëllimet dhe planet

e agjentëve.

Lista 6-5: Konfigurimet bazë të MAS për simulimin e magazinës

Një element tjetër i rëndësishëm është objekti WareEnv i cili programohet në gjuhën

Java dhe shërben si ndërlidhës midis MAS dhe komponentit RMI. Ky objekt luan rolin

e krijuesit të mjedisit MAS duke marrë atributet e klasës “parser” dhe ka nën vëzhgim

veprimet e agjentëve që komunikojnë me të.

6.3.3.2. Ndërfaqja RMI

Në mënyrë që të lejohet komunikimi i simulimit në Jason me paraqitjen grafike në

JavaFX, është e nevojshme të përdoren klasat Remote Invocation Method (RMI) në një

qasje klient-server, ku objekti WareEnv vepron si klient dhe objekti Server vepron si

server. RMI është një ndërfaqe aplikacioni e programueshme në të cilën klienti është

në gjendje të thërrasë objekte nga një aplikacion apo server. Arsyeja e përdorimit të

RMI-së është në të pasurin e një lidhjeje aktive gjatë gjithë kohës me që na mundëson

kryerjen e veprimeve në anën vizuale të aplikacionit të ndërtuar me JavaFX për

simulimin.

Çdo klasë e aplikacionit JavaFX krijon një proces të veçantë në JVM, këto procese janë

të izoluara dhe të pandryshueshme, që do të thotë që elementet grafikë nuk mund të

modifikohen duhet të hapen jashtë aplikacionit. Me përdorimin e ndërfaqes RMI, kjo

pengesë shmanget. Mjedisi parsues me anë të objektit WareEnv bën një kërkesë te

objekti FXServer që është ndërfaqja prind e objektit Server. Në këto kërkesa

mundësohet komunikimi i detajeve të simulimit si lëvizjet dhe veprimet e agjentëve,

parametrat e artikujve që vijnë apo dalin nga magazina, apo edhe modifikimet e

shpërndarjes së rafteve nga koordinatori. Objekti Server njihet nga aplikacioni JavaFX

si objekt i saj dhe si rrjedhim ky objekt ka privilegje në objektet e aplikacionit të

ndërtuar me JavaFX. Lidhja me një server që përdor RMI kryhet nëpërmjet portave.

Kështu që përpara se të kemi një lidhje komunikimi, porta duhet të jetë e lidhur me

emrin e serverit në fjalë, si në shembullin e mëposhtëm:

Registry reg = LocateRegistry.createRegistry(3674);

reg.rebind("masfx", new Server());

Në këtë moment objekti WareEnv do të lidhet me këtë server duke kërkuar për emrin e

specifikuar në portën e vendosur për komunikim, si më poshtë:

1 MAS warehouse {

2 infrastructure: Centralise

3 environment: warehouse.WareEnv("warehouse.mas2j",30,30)

4 agents:

5 coordinator;

6 dispatcher;

7 forkExit ;

8 humanExit #2;

9 supplier;

10 human #5 ;

11 forklift #2 ;

12 aslSourcePath: "src/asl";

13 }

95

server = (FXServer) Naming.lookup("rmi://localhost:3674/masfx");

Pas implementimit të këtyre kodeve në të objektet WareEnv dhe Server, komunikimi

mund të vazhdohet duke e bërë të mundur komunikimin midis pjesës pamore të

aplikacionit në JavaFX dhe simulatorit MAS në Jason. Në këtë moment, objekti Server

është në gjendje të kryej leximin dhe shkrimin e dosjeve si dhe të ndryshojë bazën e të

dhënave sa herë që është e nevojshme nga agjentët e simulimit.

6.3.3.3. Sjelljet e agjentëve

Sjelljet përcaktohen me një gjuhë logjike e cila interpretohet nga mjedisi i zhvillimit

Jason. Ky mjedis zhvillimi bazohet mbi arkitekturën BDI të agjentit, pra ku agjenti ka

njohuri të brendshme të ruajtura si besime, dëshira të cilat paraqiten me anë të planeve

dhe synime që arrihen nëpërmjet zbatimit të këtyre planeve. Fillimisht, një agjent fillon

me disa besime fillestare dhe më pas ato zhvillohen nëpërmjet zbatimit të planeve apo

komunikimeve me njëri tjetrin. Çdo agjent ka gjithashtu një bashkësi planesh bazë të

cilat ndryshojnë në varësi të besimeve që ato mund të kenë. Gjithashtu në zbatim të

qëllimeve këto plane shfaqin sjelljet e ndryshme të agjentëve sipas rasteve, si edhe

mund të modifikohen nëpërmjet komunikimit me njëri-tjetrin. Struktura e kodit Jason

të agjentit ka tre ndarje të cilat që zakonisht vendosen njëra pas tjetrës. Fillimisht

shkruhen besimet fillestare, pastaj synimi fillestar i agjentit apo siç njihet ndryshe

aktivizuesi dhe në fund bashkësia e planeve të këtij agjenti.

Lista 6-6: Kryerja e veprimeve nga agjenti koordinator

Në përgjithësi mund të themi se çdo agjent ka të paktën një synim dhe një besim, por

në shumë raste ndodh që vetëm një agjent ka një synim që mund të jetë aktivizues i

planeve të tij apo edhe të agjentëve të tjerë. Një rast i tillë në shembullin e simulimit të

magazinës virtuale, jepet në listën 6-6. Në këtë listë jepet një pjesë kodi i agjentit

koordinator dhe siç mund të vërejmë ky agjent fillimisht nuk ka besime fillestare dhe

ka vetëm një synim i cili është “!order”. Ky synim vepron si aktivizues i të gjithë

veprimeve të simulimit me multi-agjent në simulatorin tonë. Duhet theksuar se në

gjuhën e përdorur në mjetin e zhvillimit Jason, shenja “!” tregon një synim që duhet të

arrihet duke aktivizuar planin përkatës me të njëjtin emër në bashkësinë e planeve të

agjentit që ka edhe të njëjta besime si agjenti. Në rastin e mësipërm plani i “!order” që

aktivizohet ndodhet në rreshtin 3, siç e vërejmë plani në këtë rast veçohet me shenjën

“+” përpara emrit dhe ndiqet nga shenja “:” bashkë me një testues besimesh të agjentit.

Më pas plani vazhdon me një tjetër shenjë “<-“ e cila simbolizon fillimin e komandave

1 !order.

2 /* Planet e agjentit koordinator */

3 +!order: not no_more_items

4 <- warehouse.nextItem(a,I);

5 warehouse.nextItemWeight(a,W);

6 +itemWeight(I,W);

7 .send(dispatcher,tell,itemWeight(W,I));//Mesazh që u shtua artikulli

8 .send(supplier,achieve,addItem(W,I));//Qëllim për të shtuar artikull

9 .

10 +!order: no_more_items <- .print("No more items").

11 -!order: true<- .at("now +4 s","+!order").

12 +!transport(Item)[source(Ag)]: location(Item,Loc)

13 <- invade(Item,Loc);

14 .send(Ag,achieve,transportItem(Loc)).

15 +!transport(Item)[source(Ag)]: not location(Item,_)

16 <- !shelf_occupy(Item,Ag).

17 -!transport(Item)[source(Ag)] : true <- .send(Ag,achieve,unset).

18 +!shelf_occupy(Item,Ag) : true

19 <- try(Item);

20 +finished;

21 ?location(Item,Loc);

22 .send(Ag,achieve,transportItem(Loc)).

23 -!shelf_occupy(Item,Ag) : true <- !shelf_occupy(Item,Ag).

24 +!dispatch(Item,Weight):true

25 <- .send(dispatcher,achieve,requestItem(Item,Weight)).

26 +!newItem(Item,Weight).

27 +!newItem(Item,Weight).

28 +!requestItem(Item,Weight).

29 -!requestItem(Weight,Item):true <- .print("Cannot add Item").

30 +!findItemWeight(Item):true

31 <- ?itemWeight(Item,W);

32 .send(dispatcher,tell,itemWeight(W,Item)).

96

që ekzekutohen brenda planit. Në rastin tonë, rreshti pasardhës thërret një objekt të

veprimeve të brendshme të simulatorit që është programuar në Java dhe merr prej tij

informacione rreth urdhrit për hyrjen e një artikulli të ri. Pas marrjes së këtyre

informacioneve, nëpërmjet kodeve në rreshtat 4 dhe 5, ai shton në listën e besimeve

këtë artikull. Kjo është e mundur me anë të shprehjes në rreshtin e 6, në të cilën vendoset

shenja “+” përpara që simbolizon shtimin e një besimi të brendshëm për agjentin. Pas

kësaj agjenti koordinator dërgon dy mesazhe, në të parin i tregon agjentit dispeçer që u

shtua ky artikull i cili shtohet në listën e besimeve të brendshme të këtij agjenti, dhe në

mesazhin pasardhës dërgohet një mesazh për arritje agjentit furnitor i cili aktivizon më

pas planet përkatëse për arritjen e tij në bazë të besimeve të tij. Dy planet në vazhdim,

tregojnë dy situata të ndryshme ku në të parin agjenti beson se nuk ka më urdhra dhe

shfaq mesazhin që nuk ka më artikuj. Ndërsa plani i dytë është një plan në rast dështimi

dhe simbolizohet nga parashtesa “-“, në këtë rast agjenti i ridërgon vetes një mesazh

arritjeje pas një kohe të caktuar. Kodet në rreshtat në vazhdim janë plane që aktivizohen

nga mesazh arritjet e dërguara nga agjentët e tjerë.

Lista 6-7: Besimet dhe sjelljet e agjentit paketues pirun

Në listën 6-7 paraqitet një pjesë kodi e agjentit paketues që përfshin disa nga sjelljet

kryesore të këtij agjenti. Agjenti iniciohet me një besim mbi peshën maksimale që mund

të mbajë dhe nuk ka ndonjë synim fillestar në simulim. Planet e tij aktivizohen vetëm

me mesazhe arritjeje nga agjenti furnitor dhe agjenti koordinator. Në këtë rast, nëse

vazhdojmë me logjikën e dërgimit të mesazhit për arritje agjentit furnitor, është

pikërisht ky i fundit që njofton agjentët paketues për ardhjen e një artikulli të ri. Agjenti

paketues në këtë moment zgjedh planin e duhur në bazë të besimeve që ka rreth peshës

dhe mbajtjes së një produkti tjetër. Rreshtat 3 deri 5 shfaqin planin që aktivizohet në

rastin kur agjenti nuk është duke mbajtur një artikull dhe pesha e artikullit të ri është

më e vogël se pesha që mund të mbajë ky agjent. Në këtë plan agjentit i shtohet një

1 weightCanCarry(500). //Besimi i peshës që mund të mbaj agjenti

2 /* Planet e Agjentit Paketues */

3 +!newItem(Wgt,Item)[source(A)]:not carrying& wgtCanCarry(W)& Wgt <= W

4 <- +waitingResponse;

5 .send(A,achieve,reserveItem(Item)).

6 +!newItem(Wgt,Item)[source(A)]: carrying

7 <- .wait("-carrying");

8 !newItem(Weight,Item)[source(A)].

9 +!newItem(Wgt,Item): wgtCanCarry(W) & Wgt > W

10 <- .print("Item too heavy to carry").

11 +!newItem(Wgt,Item): waitingResponse <- .print("Cannot respond").

12 -!newItem(Wgt,Item) :true <- .print("Cannot Carry item").

13 +!itemLocation(Item): not stop

14 <- .send(coordinator,achieve,transport(Item)).

15 +!transportItem(Loc):not stop

16 <- !go(Loc); drop(Loc);

17 -carrying; -waitingResponse;

18 !go(restArea).

19 -!transportItem(Loc):true <- .print("Error during transport").

20 +!go(Place) : not staying_in(Place) <- move_to(Place).

21 +!go(Place) : staying_in(Place) <- true.

22 -!go(Place) : true <- .print("Error in moving").

23 +!carryItem(Item): not carrying

24 <- +carrying;

25 !go(supplier);

26 get(Item);

27 .send(supplier,achieve,notreserved(Item));

28 !itemLocation(Item).

29 -!carryItem(Item) : true <- .print("ERROR carrying item").

97

besim që është duke pritur për përgjigje dhe i dërgohet një mesazh arritjeje për

rezervimin e artikullit te dërguesi që në këtë rast është agjenti furnitor. Plani pasardhës

me të njëjtin emër aktivizohet në rastet kur agjenti është duke mbajtur një artikull tjetër

dhe në këtë rast agjenti pret derisa të mbarojë punë dhe thërret përsëri të njëjtin plan.

Në mënyrë të ngjashme gjuha e mjetit të zhvillimit Jason lejon dy ose më shumë plane

me të njëjtin emër që zbatohen në bazë të besimeve që ato kanë. Në planet në vazhdim

agjenti paketues vlerëson se pesha e artikullit është më e madhe dhe deklaron se nuk

mund ta mbajë atë, sikurse edhe rasti kur agjenti është i zënë për tu përgjigjur në atë

moment. Si në çdo rast tjetër kemi edhe një plan në rast dështimi që aktivizohet në rastet

e dështimit të planeve me të njëjtin emër të shpjeguara më sipër.

Lista 6-8: Logjika e kryerjes së veprimeve me anë të klasës “WareEnv.java”

Në vazhdimësi të logjikës së shpjeguar pas dërgimit të mesazhit arritjeje për rezervimin

e artikullit te agjenti furnitor, ky i fundit i dërgon një mesazh arritjeje për mbajtjen e

artikullit. Ky mesazh aktivizon planin “+!carryItem(Item)”, i cili nëse nuk është duke

mbajtur artikull tjetër fillon me listën e komandave. Në këtë listë fillimisht shtohet

besimi që agjenti është duke mbajtur një artikull dhe më vonë aktivizon planin

“go(supplier)” të vetë agjentit si një qëllim më vete. Ky plan në rastin kur besimi i

vendndodhjes së agjentit nuk tregon në vendin e kërkuar atëherë thërret një funksion të

mjedisit “move_to” për të lëvizur agjentin në zonën e furnizimit.

Ky proces kryhet nëpërmjet thirrjes së metodës “executeAction()” në objektin e

mjedisit WareEnv. Paraqitja e kësaj metode tregohet në listën 6-8, dhe siç vërehet

veprimi “move_to” gjendet në listën e funksioneve kushte në rreshtat 101-103. Në këtë

pjesë kodi tregohet thërritja e variablit objekt server i cili është i llojit FXServer, pjesë

e komponentit RMI, që komunikon më pas me pamjen e aplikacionit të ndërtuar me

JavaFX. Pra në këtë mënyrë ky veprim reflektohet edhe në pamjen grafike të simulimit.

Pas lëvizjes së agjentit, ekzekutohet komanda funksion i mjedisit “get(Item)”, i cili bën

edhe paraqitjen grafike të marrjes së artikullit në simulator. Më pas agjenti dërgon një

mesazh arritjeje te furnitori për të hequr rezervimin e artikullit, dhe më tutje agjenti

aktivizon një qëllim tjetër për gjetjen e vendndodhjes së artikullit. Në planin që

95 public boolean executeAction(String ag, Structure action) {

96 boolean result = false;

97 try {

98 if (action.getFunctor().equals("get")) {

99 System.out.println("[" +ag+ "] getting: " + action.getTerm(0).toString());

100 result = server.getItem(ag , action.getTerm(0).toString());

101 } else if (action.getFunctor().equals("move_to")) {

102 System.out.println("[" +ag+ "] going to: "+action.getTerm(0).toString());

103 result = server.move(ag , action.getTerm(0).toString());

104 } else if (action.getFunctor().equals("drop")) {

105 result = server.dropItem(ag , action.getTerm(0).toString());

106 } else if (action.getFunctor().equals("addItem")) {

107 System.out.println("[" + ag + "] adding: " + action.getTerm(1).toString());

108 int queue = server.addItem(action.getTerm(0).toString(),

109 action.getTerm(1).toString());

110 addPercept("supplier", no_more);

111 itemCounter--;

112 if (itemCounter <= 0) {

113 addPercept("coordinator",Literal.parseLiteral(

114 "itemQueue("+action.getTerm(1).toString()+","+queue+")"));

115 }

116 result = true;

... ...

118 updatePercepts();

119 } catch (Exception e) { e.printStackTrace(); }

120 return result;

121 }

98

aktivizohet për këtë rast, i paraqitur në rreshtin 14 të listës 3, agjenti i dërgon

koordinatorit një mesazh arritjeje për transport. Në këtë rast aktivizohet plani

“transport(Item)” te agjenti koordinator i paraqitur në listën 6-6. Në listën e planeve të

mundshme të agjentit koordinator, nëse gjendet besimi i vendndodhjes së artikullit,

ekzekutohet plani në rreshtin e 12 të listës 6-6. Ky plan përmban një funksion për

caktimin e vendndodhjes në model dhe paraqitje nëpërmjet objektit të mjedisit, dhe më

pas dërgon një mesazh arritjeje për transportimin e artikullit te agjenti dërgues. Në këtë

rast aktivizohet plani “+!transportItem(Loc)” i cili bën transportimin e artikullit në

vendndodhjen e caktuar, e vendos në raft dhe kthehet në zonën e pushimit të agjentit

paketues. Kodet përkatëse janë të shfaqura në listën 6-7 dhe 6-8.

6.3.3.4. Modeli dhe Pamja

Modeli është përgjegjës për menaxhimin e të dhënave në lidhje me simulimin. Në të

mbahen të dhënat e përgjithshme të mjedisit si madhësitë, numri i agjentëve, artikujt,

raftet, si edhe pikat e ngarkimit dhe shkarkimit. Modeli ka struktura të dhënash për

lëvizjet e agjentëve, artikujve, transportimin e artikujve dhe vendosjet e tyre në rafte,

raftet dhe listat me artikujt. Klasat e modelit janë ato që mundësojnë të gjitha veprimet

mbi të dhënat e kërkuara nëpërmjet objektit FXServer.

Figura 6-7 Paraqitja e simulatorit të magazinës virtuale

Ndërkohë moduli i pamjes krijon një paraqitje vizuale të simulimit të magazinës dhe

ngjarjeve që ndodhin në të. Paraqitja e simulimit ndërtohet duke përdorur mjetet e

vizatimit të ofruara nga libraritë e JavaFX për imazhet, pamjet dhe animimet e

ndryshme. JavaFX është një mjet zhvillimi i fuqishëm për ndërtimin e ndërfaqeve, dhe

kjo është arsyeja se pse është zgjedhur si mjeti i zhvillimit për ndërfaqen grafike të

simulimit. Ky modul krijon fillimisht një pamje statike të magazinës bazuar në të dhënat

e modelit, si shembull mund të përmendim vizatimin e agjentëve, pamja me blloqe të

magazinës, si edhe vendosjet e rafteve sipas instruksioneve të marra nga objekti

FXServer në fillim të simulimit. Më pas, ndërkohë që simulimi vazhdon dhe të dhënat

në model ndryshojnë, këto ndryshime reflektohen edhe në lëvizjet e agjentëve në

pamjen e simulimit dhe artikujt që transportohen duke u vendosur brenda apo duke u

nxjerrë jashtë magazinës.

99

Në figurën 6-7 shfaqet pamja e simulimit të magazinës virtuale, në të vërehen lëvizjet

dhe veprimet e agjentëve, vendndodhjet e artikujve dhe të dhëna rreth kohës për

kryerjen e tyre.

6.3.4. Përdorimi i simulatorit të magazinës virtuale

Ky simulator është i përbërë nga dy aplikacione që funksionojnë paralelisht me njëra-

tjetrën. Siç shfaqet edhe në figurën 6-6, dy pjesët përbërëse janë mjedisi i simulimit

Jason dhe pjesa pamore e simulimit e cila mundësohet nga JavaFX. Të dyja këto pjesë

funksionojnë si dy aplikacione të pavarura por që komunikojnë me njëra tjetrën me anë

të RMI, ku aplikacioni i kryer me JavaFX aktivizon modulin Server të RMI-së, ndërsa

aplikacioni i simulimit MAS në Jason aktivizon klientin që do të lidhet me RMI-në. Për

këtë arsye është ndërtuar një dosje ekzekutuese “run.bat” që thërret në fillim

aplikacionin e JavaFX të quajtur me emrin AppServer që aktivizon modulin e serverit

të RMI-së dhe më pas thërritet aplikacioni i simulimit MAS, i cili aktivizon modulin

klient dhe kryen lidhjen me aplikacionin AppServer. Pasi lidhja është kryer aplikacioni

AppServer kërkon skemën e magazinës, e cila është një dosje skeme me prapashtesën

“.jwlf”. Kjo dosje mund të krijohet lehtësisht nga përdoruesi duke vendosur të dhëna

në lidhje me magazinën e tij si përmasat e magazinës dhe vendosjet e rafteve në të. Në

këtë mënyrë, përdoruesi mund të testojë vendosje të ndryshme të magazinës së tij duke

ndryshuar skemën e kësaj dosjeje për gjenerimin në simulator të magazinës virtuale dhe

në bazë të rezultateve të simulimit mund të vendos të ndryshoj apo jo vendosjet e rafteve

në magazinën e tij. Përdoruesi mund të ndryshoj edhe numrin apo llojin e paketuesve

dhe ekstraktuesve në simulim duke ndryshuar dosjen e konfigurimit të shpjeguar më

sipër. Në bazë të nevojës, përdoruesi mund të ndryshoj edhe peshën e mbajtjes së

produkteve duke ndryshuar vetëm besimin e kësaj të fundit të përcaktuar më sipër. Një

veçori e rëndësishme e simulimit të magazinës virtuale është edhe vendosja nga vetë

përdoruesi, i listës së kërkesave apo urdhrave të artikujve. Këto lista mund ti jepen

softuerit të simulatorit si dosje teksti që kanë një format të thjeshtë ku fillimisht

vendoset numri i artikujve dhe më pas në çdo rresht specifikohet pesha e artikullit, emri

i tij dhe koha e mbërritjes pas artikullit pasardhës. Përdoruesi mund të kontrolloj

lehtësisht rezultatet e magazinës virtuale në pamjen e shfaqur dhe listën e veprimeve të

punës në loget e simulatorit.

6.4. Një vlerësim krahasues

Në këtë kapitull u prezantuan dy punime të plota të zhvilluara në dy mjedise të

ndryshme, por që zgjidhin probleme të një trajte të njëjtë ekonomike. Elementi i parë

që marrim në konsideratë për krahasimin e këtyre dy simulimeve është mjeti i zhvillimit

i tyre. Në punimin e parë, mjeti i zhvillimit i përdorur është NetLogo, ndërsa në punimin

e dytë është mjeti i zhvillimit Jason. Duhet thënë se mjeti i zhvillimit NetLogo është

një mjet zhvillimi që konsiderohet si mjet për zhvillimin e ABM-ve dhe është shumë e

njohur nga komuniteti i modelimeve të bazuara në agjent. Mjeti i zhvillimit Jason është

një mjet për zhvillimin e simulimeve MAS dhe gjithashtu është i njohur në komunitetin

e sistemeve MAS. Nëse vështrojmë mbi veçoritë e të dy mjeteve të prezantuara në

kapitullin pesë, do të shohim se të dy këto mjete janë të lehtë për tu mësuar nga

programuesit, por NetLogo është më i lehtë për tu përdorur edhe nga programues

fillestar. Gjithashtu platforma e NetLogo-s jep mbështetje në ndërtimin grafik të

simulimit, ndërkohë që në Jason kjo pjesë duhet modeluar si pjesë e mjedisit dhe më

pas të programohet në gjuhën Java nga programuesi i saj. NetLogo përdoret kryesisht

nga simulime të bazuara në agjentë që përdorin arkitektura të thjeshta të agjentit,

100

ndërkohë që Jason përdor një arkitekturë BDI dhe mund të përdoret edhe për simulime

komplekse apo të shpërndara. Të dyja mjetet kanë një performancë të mirë, por mjeti

Jason është më i qëndrueshëm dhe mbështet programimin më në detaje të agjentit.

Në bazë të hapave të ndjekura në ndërtimin e modeleve simuluese në një problem

specifik të ekonomisë artificiale, vihet re se në mjetin NetLogo janë përdorur hapat të

njëjta me punimin e (Abdou, Hamill, & Gilbert, 2012), të trajtuara në kapitullin 5. Në

zhvillimin e modelit janë marrë parasysh detajet e nxjerra nga hulumtimet në literaturë

dhe trajtimit në terren, në projektimin e saj janë marrë parasysh veprimet e agjentëve

dhe algoritmet e vendosur për to. Ndërkohë që në mjetin Jason është përdorur strategjia

e projektimit të modelit të paraqitur nga (Klügl, 2009), dhe specifikisht është përdorur

projektimi i modelit të drejtuar ndaj agjentit dhe ndërveprimeve të tij. Këto pjesë janë

të paraqitura me diagramet përkatëse UML, ku theksohet përdorimi i diagramit të

aktiviteteve suimlejn dhe diagramit të sekuencave. Në strategjinë e saj është menduar

edhe modelimi i mjedisit i cili është kryer duke programuar një ndërfaqe grafike që

komunikon me mjedisin MAS me anë të një ndërfaqeje RMI.

Në aspektin e ndërtimit të këtyre modeleve duhet theksuar se punimi i parë ishte më i

thjeshtë në ndërtimin grafik, por shumë i kufizuar në sjelljet apo veprimet e mundshme

të agjentëve. Gjithashtu nëse duhej të bëheshin ndryshime në mënyrës si paraqiten

elementët grafik në simulim, apo ndryshime të tjera jashtë mundësive të mjetit ishte

pothuajse e pamundur të kryheshin. Kjo përbën një disavantazh të madh për modele me

specifika të ndryshme nga ato që ky mjet lejon. Ndërkohë që në punimin e dytë u vu re

se zgjidhja mori një kohë më të gjatë zhvillimi, kur flasim sidomos për pjesën grafike

të saj që u projektua si zgjidhje më vete jashtë mjedisit MAS. Por për sa i përket

zhvillimit të specifikave të veçanta ky mjet lejon ndryshimet dhe modifikime të

ndryshme në kod, si edhe shtimin e veçorive me anë të librarive të gatshme të

programuara në java.

Në programimin e agjentëve në këto mjete duhet theksuar se në mjetin NetLogo

mjaftohet me disa sjellje të thjeshta reaguese ndaj mjedisit rreth tij. Kodimi ndjek një

logjik sekuenciale të këtyre sjelljeve dhe komunikimi midis agjentëve kryhet nëpërmjet

mjedisit me sinjale. Në mjetin e zhvillimit Jason programimi i agjentëve mund të

përfshijë sjellje të shumëfishta dhe komplekse të agjentëve. Mjedisi i agjentit

programohet në mënyrë të veçantë nga agjenti dhe komunikimi kryhet me anë të

mesazheve.

Në lidhje me trajtimin e rezultateve të eksperimenteve të kryera në këto punime, duhet

thënë që trajtimi i tyre në mjetin NetLogo është më i thjeshtë duke ofruar mjete të

gatshme por njëkohësisht është edhe më i kufizuar kur duam rezultate specifike.

Ndërkohë në mjetin e zhvillimit Jason nuk ka aspak mjete të gatshme për trajtimin e

rezultateve përveç një regjistri logesh të mbajtura. Për trajtimin e mëtejshëm jemi të

detyruar të programojmë modulet tona shtesë ose të përdorim librari të gatshme.

Në tabelën 6-2 janë dhënë ndryshimet themelore midis mjeteve zhvilluese të trajtuara

më sipër, bashkë me karakteristikat e tyre kryesore.

101

Tabela 6-2: Ndryshimet themelore midis NetLogo dhe Jason

Mjeti i zhvillimit NetLogo Jason

Problemi i

shqyrtuar

Terminali detar i

kontejnerëve Modelimi i magazinës

Roli Mjedisit Mjedisi kontrollon agjentët Mjedisi lehtëson sjelljet e agjentëve

me njëri tjetrin

Njohuritë mbi

mjedisin

Agjenti ka njohuri të plotë

mbi mjedisin

Agjenti ka njohuri të kufizuar në

besimet e krijuara nga perceptimet mbi

mjedisin

Aktivizimi i agjentit Agjenti aktivizohet nga

mjedisi

Agjentët aktivizohen nga mesazhet

vepruese nga agjentët e tjerë dhe

perceptimet nga mjedisi

Vendimmarrja Në bazë të disa kushteve të

thjeshta

Në bazë të arsyetimeve logjike për të

arritur qëllimin

Inteligjenca Reagime të thjeshta E plotë sipas konceptit BDI

Arkitektura E thjeshtë BDI

Modeli Kohor I qendërzuar me hapa kohor

diskret

Nuk ka, por mund të krijohen të tre

llojet.

(Problemi shqyrtuar përdor model

kohor të vazhduar)

Radha e agjentëve Me thirrje sinkrone njëri pas

tjetrit brenda hapit kohor

Me thirrje asinkrone nga agjenti në

agjent.

Programimi

Bazuar në konceptet

procedurale dhe funksionale

të gjuhës Logo

Bazuar në programimin logjik dhe

funksional, AOP

Ndërfaqja grafike Mundësohet bashkë me

mjedisin

Ndërtohet bashkë me mjedisin nga

zhvilluesi

Hapat e ndërtimit

Bazuar mbi hapat e

propozuar të (Abdou, Hamill,

& Gilbert, 2012)

Një hulumtim në literaturë për

problemin. Më pas është ndjekur

strategjia e projektimit të modelit të

propozuar nga (Klügl, 2009)

Në bazë të këtyre krahasimeve mund të themi se përdorimi i mjetit të zhvillimit

NetLogo është i këshillueshëm për përdorues fillestar të simulimeve ekonomike që nuk

kanë shumë njohuri programuese. Ky mjet këshillohet edhe për trajtimin e problemeve

të thjeshta që nuk kanë nevojë të madhe në modelimin e sjelljeve të agjentëve, dhe ku

këta agjentë mjaftohen me disa veprime reaguese ndaj ndryshimeve në mjedis.

Ndërkohë që përdorimi i mjetit Jason mund të jetë i këshillueshëm në ndërtimin e

modeleve simuluese profesionale që kanë kërkesa të caktuara në trajtimin e problemeve

ekonomike, si edhe në trajtimin e rezultateve të tyre.

102

KAPITULLI 7: MODELIMI DHE NDËRTIMI I NJË EKONOMIE

ARTIFICIALE ME MJETIN E ZHVILLIMIT REPAST

7.1.Hyrje

Ky kapitull paraqet një qasje të re të simulimit të një ekonomie artificiale duke përdorur

modelet e bazuara në agjent. Bazuar në përfundimet e arritura në kapitujt e mësipërm,

u vu re se ishte e nevojshme të ndërtohej një model simulues të një ekonomie artificiale

që plotëson kushtet e vlerësuara të nevojshme për të tilla modele. Duke u mbështetur

në rezultatet e krahasimeve të mjeteve të zhvillimit ABM, u zgjodh si mjet për

zhvillimin e kësaj ekonomie artificiale platforma Repast. Duke ndjekur praktikat më të

mira të zhvillimit të modeleve të ngjashme të paraqitura në kapitullin pesë, më poshtë

paraqesim hapat e zhvillimit të trajtuara si pjesë të veçanta të këtij punimi. Në pjesën

në vazhdim jepet një përshkrim i përgjithshëm i modelit të ekonomisë artificiale. Më

pas bëhet një analizë e plotë e këtij modeli dhe të kërkesave specifike të përdorimit të

saj. Në vazhdim specifikohen veçoritë e mjetit të zhvillimit, e cila është e nevojshme

për tu njohur përpara projektimit dhe ndërtimit të modelit. Pjesa e projektimit të modelit

bazohet mbi analizën e kryer të modelit, dhe paraqet me detaje projektimin e agjentit

dhe të ndërveprimeve të tij me agjentët e tjerë. Më tej vazhdohet me detajet e ndërtimit

të mjedisit simulues, të agjentëve dhe veprimeve të tyre, dhe me detajet e ndërtimit të

një ndërfaqeje për përdoruesin e këtij mjedisi simulimi.

7.2. Përshkrimi i modelit të ekonomisë artificiale

Në këtë punim merret në konsideratë një sistem ekonomie e tregut të lirë, e cila vepron

pa ndërhyrjen e qeverisë dhe pa tregti të jashtme. Ky sistem ekonomik ka tre njësi bazë

kryesore, të cilat janë individi, firma dhe banka. Individi mund të konsiderohet si njësia

bazë e familjes dhe është koncepti bazë i funksionimit të ekonomisë. Ai ka nevojë për

konsumim të mallrave apo shërbimeve të ndryshme në mënyrë që të mbijetojë. Për këtë

arsye, atij i nevojiten para për të blerë këto mallra apo shërbime nga firmat dhe nëse ka

më shumë para, ato mund ti japin siguri për mbijetesën e mëvonshme. Duke u bazuar

mbi këtë mënyrë të vështruarit të ekonomisë, në figurën 7-1 shfaqet një rrjedhë e

ndërveprimeve të entiteteve kryesore të modelit të ekonomisë artificiale.

Figura 7-1 Rrjedha e ndërveprimeve të modelit të ekonomisë artificiale

Në këtë model, individi ka një të ardhur, pasuri, një eksperiencë dhe një status punësimi

të përcaktuar. Në përgjithësi, ky individ mund të konsumojë tre lloje mallrash apo

103

shërbimesh bazuar mbi nevojat dhe preferencat e tij. Kur të ardhurat e individit rriten,

ai mund të vendosë për të depozituar në bankë, të blejë më shpesh mallra apo shërbime

luksi, apo të investoj në blerjen e aksioneve në firma. Nëse të ardhurat e tij janë të ulëta

dhe ky individ është në nevojë për më tepër para, atëherë ai mund të tërheqë para nga

banka ose të marrë hua prej saj të cilat mund ti kthejë më vonë me një interes të caktuar.

Në bazë të këtij përshkrimi mund të mendojmë individin në katër role të mundshme në

model. Roli i parë i individit është konsumatori, individi si një entitet ekonomik ka

nevojë për konsum në mënyrë që të mbijetojë si një qenie që jeton duke pasur një

shëndet të caktuar. Ky rol është shumë i rëndësishëm për modelin e ekonomisë

artificiale pasi vepron si çelësi për vazhdimësinë e saj. Si konsumator, individi nevojitet

të ketë para në dorë për të blerë të mallra apo shërbime nga firma. Bazuar mbi këtë

arsye individi duhet të ketë një rol të dytë të cilin e quajmë roli i punonjësit. Ky rol

është shumë i rëndësishëm për individin pasi është burimi kryesor i të ardhurave dhe i

lejon atij të mbledhë para në dorë. Një rol tjetër i rëndësishëm i lidhur me menaxhimin

e parave të individit është roli i klientit. Në këtë rol, individi vepron si klient i bankës.

Në këtë rast ai mund të depozitojë para kur ka më shumë se nevojat e tij bazë, si edhe

të marr disa para ekstra nga interesat e depozitave të tij. Kur individi ka nevoja për para,

ai mund të tërheqë para nga depozita. Në rastin kur individi nuk ka depozitë, ai mund

të marrë hua nga banka dhe ta paguajë më vonë së bashku me interesat e huasë. Roli i

fundit i individit është roli i investuesit, ku individi mund të investojë duke blerë

aksione nga firmat ekzistuese ose duke krijuar një firmë të re.

Figura 7-2 Njësitë ekonomik, rolet dhe lidhjet midis tyre në ekonominë artificiale

Në figurën 7-2, tregohet individi me të gjitha rolet e tij dhe marrëdhëniet me njësitë e

tjera ekonomike në modelin e ekonomisë artificiale. Firma është një entitet ekonomik

shumë i rëndësishëm që plotëson nevojat e konsumatorit. Në modelin e ekonomisë

artificiale, firmat konsiderohen të prodhojë tre lloje mallrash apo shërbimesh të cilat

konsumohen nga konsumatorët. Çdo firmë prodhon vetëm njërën prej këtyre llojeve.

Ato ndahen sipas tre llojeve të cilësuara me emërtimet T1, T2 dhe T3. Firma e llojit T1

është ajo firmë që prodhon mallra dhe shërbime bazë që janë të nevojshme për tu

konsumuar çdo ditë nga konsumatori. Kjo firmë mund të prodhojë ushqime dhe mallra

apo shërbime të tjera të konsumit të përditshëm. Firma e llojit T2 konsiderohet ajo lloj

firme e cila prodhon të mallra dhe shërbime të nevojshme por që konsumohen më rrallë

nga konsumatorët. Këtu mund të përfshihen mallrat apo shërbimet që individi blen disa

here në javë ose në muaj. Firma e llojit të fundit prodhon mallra dhe shërbime të cilat

klasifikohen si luks për shumicën e konsumatorëve. Këtu mund të përfshihen mallrat

104

që mund të blihen kryesisht nga individët që kanë një të ardhura të konsiderueshme.

Bazuar nga kërkesa dhe oferta e konsumatorëve, firma përcakton dhe çmimet e

mallrave dhe shërbimeve që ofron.

Që të funksionojë në mënyrë të rregullt, firma duhet të ketë punonjës dhe kapital të

mjaftueshëm për prodhimin e të mirave të përmendura më sipër. Për këtë arsye, firma

punëson punëtorë kur ajo ka nevojë për të rritur prodhimin e mallrave apo shërbimeve

të saj dhe i mban të punësuar deri në momentin kur arrin një nivel të caktuar në inventar,

kur nuk ka para në kapital ose kur nuk ka më kërkesë për produktet. Firma ka nevojë

për kapital që të paguajë punonjësit apo aktivitetet e tjera që ajo ka. Pjesa kryesore e

kapitalit vjen nga produktet që shet, por mund të vij edhe nga burime të tjera si për

shembull një investim i ri. Firma dhe individi mund të kenë rolin e klientit të bankës

dhe mund të marrin kredi ose të krijojnë depozita në bankë.

Banka konsiderohet si institucioni që lehtëson qarkullimin e parasë në modelin tonë të

ekonomisë artificiale. Ai vendos interesat për huatë apo depozitat bazuar mbi kërkesë-

ofertën e klientëve. Banka mund të japi hua bazuar në paratë që ka në dispozicion si

edhe mund të marrë depozita duke vendosur edhe interesat e saj.

Duhet theksuar se veprimet e kësaj ekonomie artificiale bazohen në veprimet e njësive

ekonomike të ekonomisë. Këto veprime janë të përditshme dhe bëhen në bazë të

kushteve në të cilat njësitë ekonomike ndodhen. Për sa i përket individëve, ata mund të

ndryshojnë role të ndryshme në ekonomi, gjithashtu në model mund të përfshihet ideja

e evoluimit të tyre edhe në terma biologjik si lindja apo vdekja e tyre. Kjo duke shtuar

edhe veçantinë e afërsisë me realitetin që të tilla modele mund të shfaqin në simulim.

7.3. Analiza e modelit të ekonomisë artificiale

Në këtë pjesë bazohemi mbi praktikat më të mira të përdorura në modelimin dhe

ndërtimin e ABM-ve të paraqitura në kapitullin 5 të këtij punimi. Në vijim, ne do të

përdorim disa nga teknikat e njohura me UML, të cilat mund të përdoren për modelimet

e bazuara në agjentë. Tashmë bazuar mbi përshkrimet e mësipërme është e nevojshme

një përcaktim i agjentëve me të gjitha atributet dhe sjelljet që ata kanë. Në figurën 7-3,

tregohet diagrami me raste përdorimi të agjentit individ ku tregohen rastet kryesore të

përdorimit si puna, konsumimi dhe investimi që ai bën ndaj agjentit firma. Ndërkohë

ndaj agjentit banka shohim rastet e përdorimit të depozitimit dhe huamarrjes.

105

Figura 7-3 Diagrami me raste përdorimi për Individin

Diagrami i shfaqur në figurën 7-3 tregon vetëm rastet e përdorimit të agjentit, ndërkohë

që nuk tregon veprimet e tij. Në këtë këndvështrim është e rëndësishme të përcaktojmë

veprimet kryesore që agjenti individ kryen në çdo hap kohor të modelit. Këto veprime

listohen si më poshtë:

Llogarit pasurinë

Puno

Konsumo

Rregullime

Kontrollo bankën ose investimet.

Veprimi i parë ditor kryhet për të përditësuar gjendjen e vetë agjentit në lidhje me

pasurinë e tij. Në këtë rast, agjenti kontrollon fillimisht paratë në dorë që ai mund të

ketë, pastaj llogarit totalin e depozitave dhe huave që ka në bankë. Kur agjenti mund të

jetë edhe investues, ai llogarit investimet e tij në bazë të aksioneve që disponon në

firmat përkatëse. Nëse personi ka një pasuri goxha të madhe ai mundet edhe të mos

kryej veprimin e dytë të punës. Veprimi i dytë, përfshin fillimisht kontrollin nëse

individi është i punësuar apo jo, nëse ai nuk është i punësuar atëherë ai kërkon për punë.

Në rastin kur agjenti individ është i punësuar, ai mund të kontrollojë herë pas here për

një punë me pagë të mirë, dhe nëse ka një të tillë atëherë ai mund të kërkojë të hiqet

prej punës aktuale dhe më pas aplikon për punë te firma tjetër. Kur nuk gjendet ndonjë

punë me pagë më të mirë, ai punon normalisht. Ky proces përsëritet në çdo hap kohor

dhe një formë e saj grafike paraqitet në figurën 7-4.

106

Figura 7-4 Diagrami i aktiviteteve të punës

Gjatë çdo dite një individ harxhon energji dhe për të ripërtërirë energjitë e tij ai

konsumon mallra dhe shërbime të ndryshme. Për këtë arsye, në model ne kemi menduar

për një gjendje të energjisë për agjentin individ. Ulja e energjisë është e përditshme dhe

varet edhe nga veprimet e agjentit individ. Në rastin e modelit tonë të ekonomisë

artificiale, ulja e kësaj energjie është e ndryshme në bazë të punës që çdo individ kryen.

Për të ripërtërirë energjinë e tij, agjenti individ duhet të konsumoj mallra dhe shërbime

të nevojshme, kryesisht mallrat e llojit T1. Kjo pjesë përbën edhe veprimin e

konsumimit që agjenti kryen.

Veprimi i radhës është ai i rregullimeve të ndryshme që janë të rëndësishme për agjentin

individ, ato përfshijnë veprimet e përditësimit të gjendjeve të tij, rregullime mujore në

lidhje me të ardhurat dhe eksperiencën e tij apo edhe rregullime të ndryshme vjetore si

të ardhurat nga investimet.

Në veprimin e fundit, agjenti individ kryen veprimet e tij financiare në lidhje me bankat

apo investimet e tij të ndryshme. Në këtë pjesë, ai merr vendime logjike në bazë të

kushteve të caktuara për depozitim apo huamarrje. Gjithashtu në rastet e një pasurie të

caktuar agjenti mundet të krijojë një firmë të re ku aksionari i plotë i saj do të jetë ai

vetë. Në listën e vendimmarrjeve të tij mund të vendosen edhe disa funksione me

shpërndarje probabilitare në bazë të situatave financiare të shfaqura.

107

Figura 7-5 Diagrami me raste përdorimi për Firmën

Në figurën 7-5, paraqitet diagrami i firmës me rastet e saj të përdorimit. Disa nga këto

raste përdorimi i takojnë vetëm firmës dhe ato janë kontrolli i inventarit, prodhimi i

mallrave dhe shërbimeve, ndryshimi i çmimit të mallit dhe shërbimit dhe ndryshimi i

çmimit të aksioneve të saj. Në lidhje me rastet e përdorimit të lidhura me individin,

firma mund të shesë produkte dhe shërbime, të punësoj punëtor dhe të bej pagesa drejt

tyre. Rastet e përdorimit në lidhje me bankën janë depozitimi, huamarrja dhe pagesat e

interesave.

Nga diagrami mund të kuptojmë se firma është një entitet ekonomik më dinamik dhe

veprimet e saj ndikojnë në shumë elementë përbërës të ekonomisë. Edhe në këtë rast

përcaktimi i veprimeve kryesore të agjentit firmë në çdo hap kohor të modelit është e

nevojshme, dhe ato janë:

Publikimi i çmimit

Llogaritja e pagave

Punësim/Prodhim

Rregullime

Depozitim/Huamarrje

Veprimi i parë i agjentit firmë është publikimi i çmimit të produktit që ajo ofron. Në

ekonominë e tregut ky veprim bëhet në fillim të çdo dite ku edhe individët njohin

çmimet e mallrave dhe shërbimeve që firmat tregtojnë. Veprimi i dytë i çdo firme është

llogaritja e pagës së ditës, kjo për të mbajtur në rezervë këto para që mund të paguhen

në fund të muajit. Veprimi tjetër pasardhës është punësimi. Këtu firma në bazë të

kërkesës së periudhës të mëparshme dhe inventarit që ka në gjendje vendos rritjen e

prodhimit ose uljen e tij. Nëse firma vendos rritjen e prodhimit atëherë firma mund të

kërkojë të punësojë, ndërsa në rastin kur firma vendos të ulë prodhimin atëherë firma

mund të heqë nga puna punëtorët e saj deri në një minimum të caktuar. Në rastet kur

108

nuk ndryshon sasia e prodhimit, firma nuk bën ndryshime të fuqisë punëtore. Në

pamundësi të rritjes së prodhimit apo uljes së mëtejshme të prodhimit, si shkak i fuqisë

punëtore të pamjaftueshme apo heqjen e mëtejshme, firma mund të vendosë

respektivisht rritjen e çmimit të mallrave dhe shërbimeve apo uljen e çmimit të tyre. Ky

veprim pasqyrohet edhe në diagramin e aktiviteteve të shfaqur në figurën 6.

Figura 7-6 Diagrami i aktiviteteve për punësim-prodhim

Në veprimin e rregullimeve të firmës, përfshihen të gjitha veprimet e saj që kanë të

bëjnë me uljen apo rritjen e çmimeve të produkteve që ajo prodhon, rritjen apo uljen e

pagave ndaj punëtorëve, llogaritjet e listë pagesave ditore dhe ato mujore, përditësimi i

kostove dhe të ardhurave, regjistrimi i kërkesave ditore për produkt, si dhe veprime të

tjera në lidhje me vlerën e aksioneve të firmës. Të gjitha këto veprime janë veprime

normale të një kompanie, që në modelin tonë të ekonomisë artificiale kryen nga agjenti

firmë. Veprimi i fundit është përsëri në lidhje me bankën, ku firma depoziton para në

rastet kur merr shumë të ardhura dhe merr hua kur i nevojiten para shtesë për pagesat e

ndryshme të saj.

Rastet e përdorimit të bankës janë më të kufizuara, kjo pasi banka përdor vetëm mjetet

e depozitimit dhe huamarrjes të parasë nga klienti, ku klienti përmbledh agjentin individ

dhe firmë. Në rastin e bankës veprimet kryesore të saj janë:

Kontrolli i depozitave

Kontrolli i Huave

Rregullimet

Veprimi i parë, kontrollon të gjitha depozitat nëse kanë kaluar afatin e maturimit të tyre.

Nëse gjenden depozita që e kanë kaluar atëherë banka bën kthimin e parave bashkë me

pagesat e interesave te klienti. E njëjta gjë ndodh edhe në veprimin e kontrollit të huave,

109

ku banka tashmë kërkon kthimin dhe pagesat e interesave të parave të dhëna. Në

veprimin e fundit, banka kryen rregullimet në lidhje me interesat e depozitave apo të

huamarrjes në bazë të kërkesave për këto të fundit.

Si vazhdim i kësaj analize, duhet theksuar se veprimet e agjentëve në modelin e

ekonomisë artificiale duhen përsëritur në mënyrë ciklike, ku një cikël përfaqëson një

ditë. Kjo na detyron që të përcaktojmë si fillim, momentin dhe mënyrën se si këta

agjentë inicializohen me vlera fillestare dhe më pas vendosjen e radhës së veprimeve të

tyre.

7.3.1. Përcaktimi i gjendjeve të agjentëve dhe mjedisit

Në përcaktimin e gjendjeve të agjentëve, ne analizojmë përshkrimin e mësipërm dhe

nxjerrim disa nga variablat që do të përdoren nga agjentët si mbajtës të gjendjeve të

tyre. Duhet theksuar se çdo agjent apo objekt i mjedisit duhet të ketë një identifikues

unik në model, që e bën atë të identifikueshëm nga agjentët apo objektet e tjerë. Më

poshtë do të japim agjentët bashkë me listat e variablave të gjendjeve të tyre. Agjenti i

parë i marrë në konsideratë është agjenti individ dhe lista e tij e variablave gjendje

bashkë me shpjegimet përkatëse gjendet në vijim:

Energjia, ky variabël gjendje përcakton edhe kushtin fillestar të vetë simulimit

pasi është i rëndësishëm për mbijetesën e agjentit. Ai përcakton nevojën e

agjentit për të konsumuar që më pas e shtyn atë të kryej veprimet e tjera për të

siguruar të ardhura apo para për të konsumuar.

Paraja, ky variabël tregon sasinë e parave në dorë që ky agjent disponon në një

moment të caktuar në simulimin e modelit tonë.

Punësuar, përcakton gjendjen e agjentit individ nëse është i punësuar apo jo.

Eksperienca, përcakton eksperiencën që një agjent individ ka në një punë të

caktuar, në bazë të saj përcaktohet edhe paga që ky punonjës do të marrë.

Paga, është variabëli gjendje që tregon pagën ditore që agjenti merr për punën

që bën.

Ardhura, është një variabël gjendje që përcakton të ardhurat mujore të agjentit

individ, ajo mund të përmbledhë të ardhurat nga paga, depozitat apo aksionet e

agjentit.

Pasuria, është variabëli që përcakton shumën e të gjithë pasurive të agjentit

Agjenti Individ normalisht mund të ketë edhe variabla të tjerë ndihmues, të cilët mund

të përdoren për mbajtjen e të dhënave të tij në mënyrë të përkohshme. Por për ne është

e rëndësishme të nxjerrim variablat e gjendjeve të tij të cilat ndikojnë gjatë gjithë kohës

në veprimet e tij. Një agjent tjetër është agjenti firmë, i cili ka gjendje të shumta të cilat

duhen të konsiderohen nga vetë agjenti. Lista e variablave gjendje të tij janë:

Shitjet, përcakton elementin thelbësor të agjentit firmë. Shitjet janë burimi i të

ardhurave të një kompanie dhe për këtë arsye mbajtja e saj si variabël gjendje

është e nevojshme. Në këtë rast shitjet janë sasia e produkteve të shitura gjatë

një periudhe.

Arka, ky variabël tregon sasinë e parave që firma disponon në një moment të

caktuar.

Çmimi i produktit është një variabël shumë i rëndësishëm me anë të cilit firma

përcakton strategjitë e saj konkurruese në treg.

Lloji i produktit, ky variabël tregon llojin e produktit që firma tregton.

Norma e prodhimit, është sasia prodhuese ditore që firma prodhon

110

Punëtorët, është një variabël i cili është i rëndësishëm për të përcaktuar nivelin

e prodhimit të saj.

Pagat, është totali i pagesave të punëtorëve. Ky variabël përditësohet çdo ditë

dhe përfshin pagat ditore e të gjithë punëtorëve.

Kërkesat e produktit janë një variabël që tregon se sa kërkesa në total ka pasur

firma gjatë një periudhe të caktuar kohore.

Ardhura, është një variabël i rëndësishëm i cili mbledh paratë e shitjeve dhe të

ardhura të tjera si depozitat për një periudhë të caktuar kohore. Ky variabël

mund të përdoret për llogaritjet e fitimit apo për rritjen e vlerës së firmës.

Kostot, është një variabël i cili përmbledh kostot e ndryshme të kompanisë si

pagat e punëtorëve dhe pagesat e huamarrjeve të firmës.

Vlera e firmës, përcakton vlerën e plotë të firmës.

Pronarët identifikojnë aksionarët e firmës dhe tregojnë edhe sasinë e aksioneve

që ato kanë.

Çmimi aksion përcaktohet në bazë të vlerës së firmës dhe kërkesës së saj për

blerje.

Këto variabla janë të nevojshëm në shumë aspekte të firmës dhe funksionojnë si gjendje

të cilat ndikojnë në sjelljen e saj si agjent në modelin tonë të ekonomisë artificiale.

Agjenti i fundit ndaj të cilit ne vlerësojmë gjendjet e tij është agjenti bankë. Ky agjent

ka këtë listë variablash gjendje:

Interesi i depozitave, është një variabël që përcaktohet dhe ndryshohet sipas

kërkesë-ofertës për para.

Interesi i huave, është gjithashtu një variabël gjendje që përcaktohet dhe

ndryshohet sipas kërkesë-ofertës për para.

Likuiditeti, ky variabël tregon gjendjen e bankës për të dhënë hua apo përcakton

kërkesën e saj për depozita.

Fitimet, ky variabël mban fitimet e bankës nga interesat e huave të dhëna gjatë

një periudhe të caktuar.

Kostot, ky variabël mban humbjet e bankës nga interesat e depozitave gjatë një

periudhe të caktuar.

Agjenti bankë përdor edhe dy objekte të saj të quajtura depozita dhe huaja. Të dy këto

objekte kanë nga një identifikues, emrin e klientit, shumën e emetimit, periudhë kohore,

dhe interesin e depozitës apo huasë që i lëshohet klientit. Mos harrojmë që klienti mund

të jetë agjenti firmë ose agjenti individ.

Një gjendje tjetër e lidhur kryesisht me mjedisin por që është pjesë e çdo agjenti është

vendndodhja e agjentit në mjedis. Kjo gjendje është e rëndësishme pasi preferenca për

të kryer veprime të caktuara varet nga një funksion i distancës që kanë agjentët me njëri

tjetrin.

7.3.2. Vendosjet e gjendjeve fillestare

Inicializimi i gjendjeve të agjentëve përpara fillimit të simulimit të modelit të

ekonomisë artificiale është shumë i rëndësishëm. Për këtë arsye duhet të bëjmë një

analizë të detajuar të vlerave fillestare që gjendjet e agjentëve duhet të kenë në fillim të

simulimit të modelit. Për çdo agjent fillimisht vendoset një identifikues, i cili e veçon

agjentin nga agjentët e tjerë gjatë simulimit, si edhe vendoset edhe një pozicion për të

simbolizuar largësinë nga agjentët e tjerë. Për sa i përket agjentit individ, gjendjet

fillestare të tij që duhen inicializuar përpara fillimit të simulimit janë:

Energjia, e cila duhet të jetë një vlerë me një vlerë të rastit.

111

Eksperienca e tij në punë për prodhimin e mallrave dhe shërbimeve të caktuara.

Ajo përcaktohet me një vlerë fillestare të rastit në një apo dy prej llojeve të

mallrave dhe shërbimeve të modelit.

Ardhura, e cila merr një vlerë në bazë të një funksioni shpërndarjeje të

përcaktuar nga modeluesi apo nga të dhëna reale statistikore të popullatës. E

njëjta vlerë transferohet si vlerë e parave që agjenti disponon në fillim të

simulimit.

Agjenti firmë ka një mori gjendjesh që duhen inicializuar pasi përfaqëson një kompani

ekzistuese në treg me parametrat që ajo duhet të ketë. Për këtë arsye në këtë agjent

gjenden këto gjendje:

Lloji i firmës, e cila vendos se çfarë lloji produktesh apo shërbimesh do të

prodhojë. Lloji i firmës mund të përcaktohet në bazë të një shpërndarjeje

probabilitare të përcaktuar nga modeluesi.

Inventari, i cili tregon sasinë e produkteve gjendje që firma ka. Ajo do të

përcaktohet nga një funksion shpërndarjeje uniforme në bazë të numrit të

popullsisë së modelit.

Norma e prodhimit, është një tjetër vlerë e cila duhet inicializuar në fillim të

simulimit. Ajo përcaktohet nga një funksion probabilitar që merr si parametra

numrin e individëve, numrin e firmave dhe llojin e firmës.

Çmimi i produktit, i cili do të përcaktohet gjithashtu me një funksion

shpërndarjeje uniforme në bazë të llojit të firmës.

Paga bazë inicializohet nga përdoruesi i simulatorit, është pjesë e kostos ditore

të punëtorit

Punëtorët, është gjendja që inicializohet në bazë të normës së prodhimit të

firmës.

Arka, është një vlerë tjetër që duhet inicializuar për firmat pasi përcakton edhe

veprimet e mëvonshme të saj. Vlera e parasë që firma disponon përcaktohet si

një funksioni probabilitar që konsideron si parametra normën e prodhimit,

sasinë e prodhimi nga punëtori dhe paga e tij.

Vlera e firmës është një tjetër gjendje që duhet inicializuar për të kryer veprimet

e blerjes apo shitjes së aksioneve të firmës.

Çmimi i aksioneve vendoset në bazë të vlerës së firmës.

Në agjentin bankë, vlerat fillestare të gjendjeve që duhen inicializuar janë vetëm normat

e interesit të depozitës dhe huamarrjes, dhe likuiditeti fillestar i tyre.

7.3.3. Kërkesat e simulimit të modelit

Simulimi i modelit të ekonomisë artificiale duhet të jetë i vazhdueshëm në kohë

diskrete, gjë që do të thotë se simulimi duhet të nxisë veprimet e çdo agjenti në secilin

hap kohor. Një hap kohor në simulim do të konsiderohet si një ditë pune e ekonomisë.

Një muaj do të konsiderohet si 30 hapa kohorë dhe një vit është 360 hapa kohor të

ekonomisë artificiale. Një element tjetër i rëndësishëm për simulimin e modelit është

vendosja e numrit të agjentëve, i cili duhet të kryhet nga përdoruesi i simuluesit. Përveç

saj mendohet që ky përdorues duhet të vendosë edhe parametra të tjerë si kostoja e ditës

së punës apo paga bazë dhe sasinë e prodhimit të punëtorëve në të tre llojet e

prodhimeve të firmave. Një element tjetër i simulimit të modelit do të ishte mundësia

për pushim në një hap të caktuar apo rifillimi i simulimit sipas kërkesës së përdoruesit.

Kjo do të lejonte përdoruesin të vëzhgonte me kujdes ndryshimet përgjatë hapave të

112

modelit. Rezultatet e simulimit duhet të paraqiten me grafikë përkatës dhe mundësisht

të lejojë edhe eksportimin e tyre për studime të mëtejshme nga përdoruesi i simulimit.

7.4. Veçoritë e mjetit të zhvillimit Repast ReLogo

Ndërtimi i simulimit është i bazuar mbi strukturën kryesore që ofron mjeti i zhvillimit

Repast. Ky mjet zhvillimi ofron gjuhën ReLogo e cila është një gjuhë specifike e fushës

për zhvillimin e modeleve të bazuara në agjentë. Kjo gjuhë bazohet mbi gjuhën

dinamike Groovy (Ozik, Collier, Murphy, & North, 2013), e cila është një formë e

thjeshtuar e programimit që përfshin brenda saj edhe vetë gjuhën e programimit Java.

Kjo gjuhë lejon shkrimin e thjeshtë të kodeve duke përdorur sintaksën e të dy gjuhëve

duke lejuar njëkohësisht edhe përdorimin e veçorive të veçanta të tyre. ReLogo është

pjesë e gjuhëve Logo (Abelson, Goodman, & Rudolph, 1974), e cila ka një logjikë të

caktuar që bazohet mbi konceptet e gjuhës LISP dhe përdor një robot të vogël (ose

agjent) që rëndomtë mund ta gjejmë me emërtimin “turtle”. Si e tillë, kjo gjuhë tashmë

kombinon programimin e orientuar ndaj objekteve me konceptet e Logo-s duke

përfshirë pjesët e saj si lidhjet, “patches”, observatorët dhe “turtles”, si klasa të veçanta

të saj. Gjithashtu ajo lejon përdorimin e karakteristikave të gjuhës së orientuar ndaj

objekteve (“Object Oriented Programming” – OOP) si trashëgimia, fshehtësia,

polimorfizmi dhe shpërndarja dinamike në krijimin e ABM-ve. Me anë të ReLogo-s

mund të ndërtohen modele komplekse dhe të mëdha duke na lejuar dhe disa nga

avantazhet e gjuhës Logo.

Gjuha ReLogo ndihmon modeluesin e saj të përcaktoj lehtësisht agjentët duke krijuar

një klasë Groovy për secilin agjent. Kjo klasë është e bazuar mbi agjentët “turtle”, të

cilat ofrojnë disa lehtësira në përdorimin e tyre brenda një mjedisi simulimi. Me këtë

koncept ne mund të krijojmë agjentët tonë thjesht duke zgjeruar klasën me emrin

“ReLogoTurtle”. Një shembull i tillë jepet në listën e mëposhtme.

Lista 7-1: Logjika e ndërtimit të një agjenti me ReLogo

Në krijimin e këtij agjenti kodi mund të përfshijë librari të gatshme nga gjuha Java dhe

ReLogo. Njëkohësisht në kod mund të shkruhet duke përdorur sintaksën e gjuhës

Groovy, ku çdo variabël apo objekt përcaktohet me parashtesën “def” ose duke përdorur

sintaksën e gjuhës Java e cila përcakton variablat në mënyrë të caktuar sipas llojit të

tyre. I njëjti rregull mund të ndiqet edhe për metodat e saj. Në metodën “step” përcakton

veprimet e agjentit që kryen në një cikël simulimi të tij. Këtu përcaktohen sjelljet e tij,

ndryshimet e gjendjeve dhe thirren metodat që ne përcaktojmë si edhe ato specifike që

ReLogo ofron. Kjo strukturë klase na ndihmon të krijojmë një model logjik të sjelljeve

të agjentit dhe reagimeve nga agjentët e tjerë apo edhe vetë mjedisi përreth.

Një klasë tjetër e rëndësishme që ofrohet nga vetë mjedisi i zhvillimit është klasa

UserObserver. Në këtë klasë përcaktohen specifikat e modelit dhe si edhe mënyra e

simulimit të tij. Kjo klasë bazohet mbi klasën BaseObserver që krijon mjedisin e

1 class Agjent extends ReLogoTurtle {

2 def ID

3 double sales=0 // vendosja e variablave (gjendjeve të tij)

4 def metoda(def in1, def in2){

5 //veprimet e metodës

6 }

7 def step(){

8 //veprimet e një cikli kohor të agjentit

9 }

10 }

113

simulimit dhe kërkon plotësimin e dy metodave të rëndësishme që janë metoda “setup”

dhe “go”. Metoda “setup” krijon instancat e llojeve të ndryshme të agjentëve në bazë

të dhënave që kemi krijuar në klasat e agjentëve, vendos numrin e tyre dhe përcakton

kushtet fillestare të agjentëve dhe mjedisit. Në metodën “go” mund të përcaktohet radha

e veprimeve dhe sjelljeve të agjentit, si edhe veprime të tjera të ndryshme.

Në listën 7-2 paraqitet një shembull kodi i UserObserver, me anë të cilit krijojmë një

simulim të thjeshtë. Në këtë shembull shihet qartë edhe mënyra e krijimit të agjentëve

me anë të një metode që fillon me emrin “create” dhe më pas emri i agjentit. Në të

vendoset numri i agjentëve siç paraqitet në rreshtin 7, dhe më pas mund të vendosen

inicializohen disa prej parametrave apo gjendjeve të agjentit. Mjeti zhvillues lejon edhe

krijimin e mjeteve kontrolluese si butona, lexues teksti dhe lloje të tjera lexuesish

grafik. Kjo bëhet lehtësisht nëpërmjet një klase të quajtur

“UserGlobalsAndPanelFactory”, ku zhvilluesi mund të vendës se cilat variabla global

të simulimit do të lidhen me elementët e ndërfaqes grafike. Ato do të lexojnë parametrat

fillestar të simulimit, të cilat do të përdoren për inicializimin e simulimit.

Lista 7-2: Krijimi, vendosjet dhe hapat e një simulimi me ReLogo

Një veçori tjetër e rëndësishme për mjedisin e zhvillimit Repast është mundësia e

ndërtimit të grafikëve bazuar mbi të dhëna të grumbulluara nga simulimi. Në këtë rast,

modeluesi mund të përcaktoj bashkësinë e të dhënave që ai do të grumbullojë nga

simuluesi i modelit dhe më pas ti shfaqë ato me anë të grafikëve të gatshëm. Gjithashtu

të gjitha variablat e agjentëve mund të shihen kur simulatori është gjendje pushimi. Kjo

ndihmon përdoruesit të analizojnë të dhënat mikro dhe se si ato ndikojnë në rezultatet

e grumbulluara makro.

7.5. Projektimi i modelit

Në mënyrë që të kemi një projektim sa më të saktë të modelit na duhet të bazohemi mbi

mjetin zhvillues që do të përdoret për ndërtimin e modelit. Mjeti i zhvillimit të modelit

tonë është Repast Simphony dhe gjuha e përdorur është ReLogo e cila mbështetet në

programimin me objekte. Në këtë këndvështrim duhet të themi se agjentët tanë do të

programohen duke ndjekur këtë paradigmë dhe çdo agjent do të konsiderohet si një

objekt më vete. Si pjesë e këtij projektimi, në bazë edhe të shpjegimeve të bëra në pjesët

e mësipërme në lidhje me agjentët konsiderojmë si agjentë në simulimin e modelit të

1 class UserObserver extends ReLogoObserver{

2 //Mund të ketë variabla dhe metoda ndihmuese

3 @Setup

4 def setup(){

5 clearAll()

6 //Krijon agjentët

7 createAgjent(5){

8 //inicializojme gjendjet fillestare te tyre

9 }

10 //Përcakton figurën në pamjen e simulatorit

11 setDefaultShape(Agjent,"person")

12 }

13 @Go

14 def go(){

15 tick() //Kjo filon një numërues

16 ask (Agjents()){

17 step()

18 }

19 }

20 }

114

krijuar si objekte janë individi, firma dhe banka. Në pjesën e mëposhtme paraqesim

bazuar mbi analizën e modelit të ekonomisë artificiale, projektimin me anë të

diagrameve të sekuencave për të treguar radhën e veprimeve dhe ndërveprimeve midis

agjentëve si edhe me objektet e tjera të mjedisit të modelit. Në vijim, vazhdojmë me

diagramin klasë të modelit, i cili mund të konsiderohet edhe si një detajim teknik të

ndërtimit të modelit.

7.5.1. Projektimi i veprimeve të agjentëve

Në bazë të përshkrimeve të modelit të dhëna në pjesët e mëparshme, është e nevojshme

një këndvështrim më i gjerë të metodave, ndërveprimeve dhe lidhjeve që agjentët duhet

të kenë me njëri tjetrin. Në konceptin e modelit tonë, duhet theksuar se çdo agjent kryen

një cikël, i cili përbën atë që ne quajmë hapi kohor i agjentit. Ky hap kohor fillon me

ekzekutimin e metodës “step()” që thërret listën e veprimeve të agjentit. Në figurën 1,

paraqiten dy diagrame sekuence për agjentët individ dhe firmë. Në krahun e majtë të

kësaj figure paraqiten disa nga veprimet e agjentit individ kundrejt agjentit firmë. Pas

fillimit të ekzekutimit të listës së veprimeve të agjentit individ, ky agjent nëse është i

papunë dhe ka nevojë për para thërret metodën “jobsearching()” që krijon një variabël

gjendje që tregon se individi është duke kërkuar për punë. Në ciklin e agjentit firmë, të

paraqitur në anën e djathtë të figurës 7-7, nëse firma kërkon të punësojë punëtorë

atëherë thërret metodën “supplyOnLabor()” për të mbledhur informacion nga çdo

individ që kërkon punë. Kjo është një lloj komunikimi që kryhet midis agjentit firmë

dhe agjentëve individë.

Figura 7-7 Diagrami sekuence për individin dhe firmën

Pas marrjes së listës së punëtorëve që kërkojnë punë, si vazhdim i logjikës së sekuencës

firma thërret metodën e saj “Employ()” për të filluar kontrollin e eksperiencës që ka

çdo agjent individ që kërkon punë. Pasi zgjedh më të përshtatshmin, agjenti firmë

punëson këtë agjentë me anë të metodës “hire()”. Në rastin kur firma ka më shumë

punëtorë se sa i nevojiten për prodhim, mund të thërrasë metodën “UnEmploy()” për të

bërë procesin e heqjes nga puna. Kjo metodë fillimisht merr informacion rreth

performancës që punonjësit kanë dhe më pas heq agjentët me performancën më të ulët

duke thirrur metodën “unhire()”.

115

Në diagramin në të majtë të figurës 7-7, agjenti individ i cili është i punësuar mund të

thërrasë metodën “checkwage()”, për të gjetur në pagë më të mirë. Në këtë rast, ky

agjent merr informacion nga agjentët firmë rreth pagave të tyre dhe nevojave që ata

kanë për punëtor. Në rast se agjenti individ mund të zgjedhë të ikë nga puna aktuale

duke thirrur metodën “unhire()” dhe pret të punësohet më vonë nga firma që ai ka

zgjedhur.

Një hap tjetër i rëndësishëm që çdo agjent individ kryen çdo ditë është konsumi. Kjo

pjesë tregohet në pjesën e poshtme të diagramit sekuence në anën e majtë të figurës 7-

7, dhe fillon me thirrjen e metodës “consume()” të agjentit individ. Pas thirrjes së saj,

agjenti mbledh informacion mbi çmimet e produkteve dhe në bazë të tyre dhe distancës

që ka nga çdo firmë zgjedh të konsumojë një sasi të caktuar produkti, që kryhet

nëpërmjet metodës “consumeT(q,t)”. Firma kontrollon nëse ka sasinë e kërkuar me anë

të metodës “performSale(q)” dhe nëse ka i dërgon klientit sasinë e kërkuar. Gjatë këtij

komunikimi variablat që përditësohen nga agjenti firmë janë sasia e shitur dhe paratë e

shtuara, ndërkohë në agjentin individ rritet energjia e tij dhe ulet sasia e parave të

shpenzuara për konsum.

116

Figura 7-8 Diagrami sekuencë i menaxhimit të pasurisë së individit

Në figurën 7-8 paraqitet menaxhimi i pasurisë së agjentit individ duke përdorur

diagramin sekuencë. Agjenti individ kontrollon situatën e tij financiare në çdo hap

kohor të simulimit të modelit tonë, duke thirrur metodat e përshtatshme nga agjentët

firmë dhe bankë. Në varësi të kushteve dhe parave në dorë që agjenti ka, ai mund të

zgjedhë midis opsioneve të ndryshme të cilat paraqiten në diagramin e sekuencës.

Në fillim, agjenti llogarit pasurinë e tij duke mbledhur të dhëna nga banka dhe firma

mbi depozitat dhe aksionet e tij të mundshme. Pas kësaj ai mund të zgjedhë opsionin e

parë, në të cilin agjenti ikën nga puna ku ndodhet dhe krijon një firmë të re me vlera

fillestare fikse në varësi të fondeve të investimit të tij. Agjenti, i cili tashmë ka rolin e

pronarit të firmës kontrollon të gjitha aksionet e firmës. Opsioni tjetër i radhës që mund

të kryejë agjenti individ nëse ka pasuri të mjaftueshme është investimi. Në këtë opsion,

agjenti kontrollon çmimet e aksioneve në treg dhe vlerëson aksionet e firmave të

ndryshme. Pas këtij vlerësimi ai blen aksione nga agjenti firmë të zgjedhur prej tij dhe

shtohet në listën e aksionarëve të agjentit firmë. Opsioni i depozitimit ka të bëjë me

veprimet që individi kryen me agjentin bankë, ku fillimisht mbledh të dhënat e

interesave të bankave dhe më pas zgjedh se në cilën bankë të krijojë depozitën bankare.

Opsioni i katërt është rasti kur individi nuk ka para të mjaftueshme dhe kërkon të tërheq

para nga banka. Në këtë rast ai thërret metodën “withdraw()” te agjenti bankë dhe pas

117

llogaritjes së parave që ndodhen në të ai tërheq paratë që i nevojiten. Rasti tjetër është

shitja e aksioneve që agjenti individ ka në një firmë të caktuar. Në këtë rast thirret

metoda “sellShares()” e agjentit firmë e cila bën shitjen e aksioneve duke hequr agjentin

individ nga lista e aksionarëve dhe duke ndryshuar çmimin e aksioneve. Rasti i fundit

është kur agjenti individ nuk ka para në bankë apo aksione dhe kërkon të marrë hua nga

agjenti bankë. Në këtë rast thirret metoda “amountToBorrow()” e cila merr

informacione mbi interesat e huamarrjes nga bankat dhe më pas zgjedh bankën me të

cilën krijo një hua.

Figura 7-9 Diagrami sekuencë për veprimet e depozitimit dhe huamarrjes

Në figurën 7-9 paraqitet diagrami sekuencë për veprimet e depozitimit dhe huamarrjes

nga agjenti individë drejt bankës. Siç vërejmë nga ky diagram, në momentin e thirrjes

së metodës që krijon depozitë në bankë, agjenti bankë krijon një depozitë duke thirrur

metodën “createDep()” të objektit depozita. Në të agjenti bankë vendos atributet e

depozitës si interesi, shuma dhe periudha e depozitës. Në mënyrë të njëjtë veprohet

edhe në rastin e krijimit të një huamarrjeje.

Në vazhdimësi, kur thirren veprimet ditore të agjentit bankë, ai fillimisht thërret

metodën “adjustDeposit()” e cila kontrollon periudhat e depozitave dhe më pas nëse

depozita është maturuar kthen paratë te agjenti individ. Më pas, agjenti thërret metodën

“adjustLoan()” që kontrollon periudhat e huamarrjeve. Në qoftë se ka kaluar periudha

118

e huamarrjes, agjenti bankë thërret metodën “payLoan()” që merr pagesën nga agjenti

individ. Të njëjta procedura ndiqen edhe për rastet kur klient i bankës është agjenti

firmë.

7.5.2. Detajimi teknik për realizimin e simulimit

Bazuar mbi veçoritë e mjedisit zhvillues dhe përshkrimeve të modelit të ekonomisë

artificiale, në këtë pjesë diskutojmë mbi detajet teknike të ndërtimit të mjedisit simulues

të këtij modeli. Në figurën e mëposhtme shfaqet diagrami klasë i modelit, pas

interpretimeve të marra nga analiza dhe projektimi i ndërveprimeve midis agjentëve.

Figura 7-10 Diagrami klasë i modelit të ekonomisë artificiale

Duke pasur parasysh mënyrën e krijimit të agjentëve, shohim te diagrami i figurës 7-10

se të gjithë klasat që paraqesin agjentët e modelit zgjerojnë klasën ReLogoTurtle.

Normalisht kjo klasë është edhe treguesi për agjentët në mjedisin e simulimit të Repast.

Në të treja klasat që paraqesin agjentët janë paraqitur të gjitha gjendjet, tashmë të

quajtura si variabla, dhe metodat që paraqesin veprimet e agjentëve. Në veçanti nga

klasat e tjera të agjentëve, klasa Bank që paraqet agjentin e bankës përdor dy lista me

objekte të tipit depozitë dhe huaje. Për këtë arsye në diagram përfshihen klasat Deposit

dhe Loan të lidhura ngushtësisht me klasën e bankës, nga ku kuptohet se një agjent

bankë mund të ketë shumë objekte të tipit depozitë apo huaje. Një klasë tjetër e

rëndësishme e paraqitur në këtë diagramë është edhe klasa UserObserver, e cila është

119

edhe inicializuesi i mjedisit të simulimit që në këtë rast ofrohet nga vetë mjedisi i

zhvillimit Repast. Bazuar mbi kërkesat e ndryshme të programimit të funksioneve të

shpërndarjeve probabilitare, është paraqitur edhe një klasë e quajtur Randomize. Kjo

klasë thirret nga inicializuesi i mjedisit të simulimit për të inicializuar disa nga gjendjet

fillestare të agjentëve në simulim. Për shembull, inicializimi i agjentëve firmë me vlerën

fillestare të firmës, çmimin e produktit, inventarin, e tjerë, duke përdorur metodat

përkatëse në klasën Randomize. Gjithashtu në lidhje me agjentin individ, këtu të

paraqitur me klasën Person, mund të bëhet krijimi i këtij agjenti duke përdorur metodën

“personBorn()” e cila gjatë hapave të simulimit aktivizon mjedisin simulues për të

krijuar një agjent të ri individ në simulim. Në lidhje me agjentin bankë, kjo klasë vendos

vlerën e likuiditeteve dhe normat e interesit. Klasa Randomize thirret drejtpërdrejt edhe

nga agjentët e modelit gjatë simulimit për tu përdorur në disa prej funksioneve

vendimmarrëse të tyre. Agjentët individ mund ta përdorin si vendimmarrje për

depozitim në bankë apo investimin në firmat e ndryshme. Agjentët firmë e përdorin në

vendimmarrjet e tyre të prodhimit të ardhshëm bazuar edhe në kërkesat e

konsumatorëve.

7.6. Ndërtimi i mjedisit simulues të ekonomisë artificiale

Bazuar mbi elementët e diskutuar në pjesën e veçorive të mjetit të zhvillimit Repast, në

këtë pjesë diskutojmë gjerësisht ndërtimin e simulatorit nga elementët bazë të agjentëve

deri në paraqitjen grafike të tij. Elementi kryesor nga ku fillon edhe ndërtimi i

simulatorit është vetë agjenti. Për këtë arsye bazuar edhe mbi diagramin klasë është

bërë deklarimi i variablave dhe metodave të përcaktuara në të. Duhet thënë se

funksionalitetet e metodave të ndryshme kanë ndryshuar në mënyrë ciklike deri në

versionin përfundimtar për çdo agjent. Më pas është bërë deklarimi i vendosjeve të

mjedisit të simulimit, ku fillimisht është vendosur mënyra e inicializimit të agjentëve

dhe më pas vazhdueshmëria e simulimit. Më pas është vendosur edhe një panel nga i

cili merren të dhënat fillestare të simulimit nga përdoruesi i tij. Dhe në fund janë bërë

konfigurimet e bazës së dhënave që merren nga simulimi dhe paraqitja në kohë reale

në grafikët përkatës të simulimit.

Duke iu referuar përshkrimit të mësipërm, në një këndvështrim më të gjerë të ndërtimit

të simulatorit të bazuar në agjentë, ne do të shtjellojmë elementët përbërës të tij si

ndërtimi i panelit, krijimi i agjentëve dhe vazhdueshmëria e tyre, veprimet e agjentëve

dhe ndërfaqja grafike.

7.6.1. Ndërtimi i panelit

Në fillim konsiderojmë pikërisht ndërtimin e panelit nga ku merren të dhënat fillestare

nga përdoruesi, kodi i të cilit shfaqet në listën 7-3.

120

Lista 7-3: Përcaktimi i të dhënave hyrëse në panelin e përdoruesit

Siç tregohet nga lista 7-3, brenda metodës ‘addGlobalsAndPanelComponents()’

vendosen variablat global dhe elementët grafik të cilët mundësojnë marrjen e të

dhënave nga përdoruesit. Në të shfaqen si të dhëna kryesore që merren nga përdoruesi,

si;

numri i popullsisë, që simbolizon numrin e agjentëve individ në simulim dhe ky

numër mund të jetë 500 si vlerë fillestare, por që mund të ndryshojë nga 100

deri në 1000 individ,

numri i bankave, me vlerë fillestare 5 por që ndryshon brenda kufijve të 1 deri

në 10 banka,

numri i firmave, që tregon numrin e firmave pa vendosur llojin e tyre dhe ka si

vlerë fillestare 20 të tilla, me ndryshim minimal nga 3 deri në 100 firma,

mundësia për prodhim T1, T2, T3, që tregon se çfarë sasie mund të prodhoj një

punëtor sipas llojit të produktit

kostoja ditore, simbolizon pagën minimale të vendosur gjatë simulimit për një

punëtor, në bazë të saj kryen veprimet e tjera të vendosjes së pagës, vlera

fillestare e saj është 200 njësi dhe mund të ndryshojë nga vlera minimale 1 deri

në 1000 njësi.

Gjithashtu në këtë panel vendosim edhe vlera monitoruese nga simulimi si numri i

ofertave të punës që përbën numrin e personave që kërkojnë punë, vende pune dhe të

punësuar. Këto vlera merren në çdo cikël të simulimit nga metodat përkatëse në klasën

UserObserver. Një shembull i këtyre metodave gjendet në listën 7-4, ku paraqitet

metoda ‘getExtraLaborSupply()’ e cila kontrollon për çdo agjent individ nëse po

kërkojnë për punë dhe i shton ato në një numërues të tyren. Kjo vlerë më pas

përditësohet edhe në panelin e përdoruesit.

Lista 7-4: Monitorimi i kërkuesve të punës nga klasa UserObserver

7.6.2. Krijimi i agjentëve dhe vazhdueshmëria e tyre

Në pjesën e vendosjeve të mjedisit simulues, përkatësisht në metodën ‘setup()’ të klasës

UserObserver krijohen edhe agjentët bashkë me vlerat fillestare të tyre.

1 public class UserGlobalsAndPanelFactory extends AbstractReLogo...{

2 public void addGlobalsAndPanelComponents(){

3 addGlobal("personID")

4 addSliderWL("numPopulation", "Numri i Popullsise", 100,1,1000,500)

5 addSliderWL("numBanks","Numri i Bankave",1,1,10,5)

6 addSliderWL("numFirms","Number of Firms",3,1,100,20)

7 addSliderWL("c1","Mundesia per prodhim T1",1,1,500,50)



10 addSliderWL("WG","Kostoja Ditore",1,1,1000,200)

11 addMonitorWL("getExtraLaborSupply","Kerkues Pune" , 1)

12 addMonitorWL("getExtraLaborDemand", "Vende Pune",1)

13 addMonitorWL("employeed", "Te punesuar",1)

14 }

15 }

1 def getExtraLaborSupply(){

2 def count = 0

3 persons().each{

4 if ((it.hired==false) && (it.jobSearching==true)) count=count+ 1

5 }

6 return count

7 }

121

Lista 7-5: Krijimi i agjentëve në metodën ‘setup()’ të klasës UserObserver

Në listën 7-5, paraqiten krijimi i individëve, firmave dhe bankave. Në krijimin e tyre

shohim se të dhënat e marra nga përdoruesi të ruajtura përkatësisht në variablat

‘numPopulation’, ‘numBanks’ dhe ‘numFirms’, përdoren në krijimin e agjentëve

përkatës në listën e mësipërme. Ndryshim bëhet për agjentin firmë, i cili krijon

fillimisht tre llojet e firmave dhe më pas për firmat e tjera zgjedh llojin e firmës në bazë

të metodës ‘randomCategory()’ të klasës Randomize. Kjo metodë përdor një funksion

shpërndarjeje të rastit uniforme që mund të bazohet mbi shpërndarjen e llojeve të

firmave në një ekonomi reale. Në këtë rast, si ndërtuesit e kësaj klase mund të

ndryshojmë parametrat në bazë të dhënave statistikore të ekonomisë së një vendi të

caktuar. Pas përcaktimi të llojit, thirret metoda ‘init()’ e klasës së agjentit firmë, ku

inicializohen edhe parametrat e tjerë të firmës siç është shpjeguar në pjesën 7.2.2 për

inicializimin e gjendjeve. Çdo agjenti gjatë krijimit i vendoset një identifikues i cili

gjatë krijimit ndryshon me një vlerë më tepër. Gjithashtu për këto agjentë vendoset edhe

një pozicion në mjedisin e simulues, që simbolizon vendndodhjen e agjentit. Në

shembullin e listës 5, kjo paraqitet në rreshtat 16,39,87, ku shihet se është i njëjti kod

por që gjeneron pozicione të ndryshme në mjedis. Në shembullin e krijimit të agjentëve

individ, të simbolizuar me termin ‘person’, ne përdorim një klasë me emrin

WageSampling për të marrë vlerën e të ardhurave që ky agjent ka në fillim të simulimit.

Kjo klasë gjithashtu përdor një shpërndarje të ardhurash për individët të marra nga të

dhëna reale statistikore të ekonomisë të cilat mund të shkruhen në një dosje bashkë me

denduritë në përqindje të këtyre të ardhurave. Në rastin tonë u përdor një shpërndarje e

të ardhurave bazuar mbi statistikat globale të kësaj shpërndarjeje. Gjithashtu me

variabëlin ‘HP’ në agjentin individ simbolizohet energjia që ky agjent ka, vlera e të cilit

është shtytësi kryesor në konsumin e produkteve. Pra sa më e vogël të jetë kjo vlerë aq

më shumë nevojë për konsum të produkteve ka agjenti individ. Për agjentin individ

1 def setup(){

2 Randomize r = new Randomize()

.. ...

14 createPersons(numPopulation){

15 setID(++prsid)

16 setxy(rndXcor(),rndYcor()) //position

17 WageSampling ws = new WageSampling()

18 income = ws.returnWage()

20 cash = income

21 HP=r.minmax(5, 80)

22 experience = r.rndExperience()

23 }

.. ...

37 createFirmss(numFirms-3){

38 ID = ++IDFirms

39 setxy(rndXcor(),rndYcor())

40 commodityType = r.rndCategory()

41 init()

42 }

.. ...

84 setDefaultShape(Banks,"triangle")

85 createBankss(numBanks){

86 IdBank=++IDBank

87 setxy(rndXcor(),rndYcor())

88 interestLoans = r.rndInterestLoan()

89 interestSavings = r.rndInterestDeposit()

90 moneyAvailable=r.rndtreasure(100000,(numPopulation/numBanks)*10000)

91 }

92 }

122

nevojitet edhe vendosja fillestare e vlerave të eksperiencës që ai ka. Kjo kryhet

nëpërmjet metodës ‘randomExperience()’, e cila vendos vlerat e eksperiencës në një

ose dy prej llojeve të firmave për çdo agjent individ, të gjeneruara në bazë të një

funksioni probabilitare me shpërndarje uniforme. Në mënyrë të ngjashme krijohen edhe

agjentët e bankave të cilat inicializojnë interesat dhe paratë që ato disponojnë në bazë

të funksioneve probabilitare.

Lista 7-6 Thirrja e agjentëve nga metoda ‘go()’ e klasës UserObserver

Në listën 7-6 shfaqet pjesë nga kodi i metodës ‘go()’ të klasës UserObserver. Kjo

metodë tregon vazhdimësinë e simulimit hap pas hapi, dhe veprimet që lidhen me çdo

hap të saj. Në të vërehet lehtësisht se radha e veprimeve fillon me agjentët individ,

pastaj firmë dhe në fund agjentët banka. Në të tre këto agjentë thirret metoda ‘step()’

që aktivizon veprimet apo sjelljet ditore të këtyre agjentëve. Një element tjetër i

rëndësishëm është edhe krijimi i agjentëve individ në mënyrë të rastësishme sipas rritjes

normale të popullsisë. Në këtë rast, personi i shtuar vjen pa eksperienca pune, dhe

simbolizon fuqinë punëtore të re në moshë që shtohet në treg.

7.6.3. Veprimet e agjentëve

Veprimet apo sjelljet e agjentëve në lidhje me mjedisin dhe agjentët e tjerë janë

shpjeguar më së miri gjatë pjesës së analizës dhe projektimit të modelit. Në listën 7-7

të shfaqur më poshtë tregohet një pjesë kodi nga agjenti individ i quajtur Person në

modelin e ndërtuar. Në metodën “step()” paraqiten hapat e agjentit nëpërmjet metodave

të përcaktuara në të. Këto metoda ekzekutohen sipas rendit të vendosur të veprimeve

duke përcaktuar edhe sjelljet e këtij agjenti.

101 def go(){

102 tick()

103 Randomize x=new Randomize()

104 if(x.personBorn(numPopulation))

105 createPersons(1){

.. ...

117 }

118 ask (persons()){ step() }

119 ask (firmss()){ step() }

120 ask (bankss()){ step() }

.. ...

132 }

123

Lista 7-7: Hapat e sjelljeve të agjentit Person dhe kontrolli i pagës më të mirë në

klasën “Person.groovy”

Në metodën “checkBetterwage()” të klasës Person, kryen veprimet për gjetjen e një

vendi pune me pagë më të mirë se ajo që agjenti disponon. Në këtë rast, kontrollojmë

fillimisht që agjenti është i punësuar dhe ka energji fizike për të punuar. Më pas

llogarisim një vlerë monetare, bazuar mbi pagën aktuale, distancën nga firma ku agjenti

është i punësuar dhe kontrollojmë të gjitha firmat nëse e kanë pagën më të lartë se paga

e agjentit. Pas kësaj kontrollohet edhe nëse firma ka kërkesë për punonjës, nëse ka

atëherë punëtori bën kërkesë për të ikur nga puna aktuale dhe aplikon për punë në

firmën që ka një pagë më të lartë. Në këtë shembull shohim se me anë të librarive të

gatshme të mjetit Repast, ne mund të aksesojmë në mënyrë të drejtpërdrejt gjendjet dhe

sjelljet e agjentëve. Këtu ne përdorëm metodën “firmss()” që është një metodë e krijuar

automatikisht nga mjedisi zhvillues dhe përmban të gjithë agjentët firmë, dhe më pas

përdorim një fjalë kyç “each” për të kontrolluar të dhënat e çdo agjenti. Me anë të kësaj

metode mund të kryejmë të gjitha veprimet e mundshme mbi agjentët, në mënyrë të

njëjtë me ato që mund të kryhen mbi objektet e programuara.

7.6.4. Ndërfaqja grafike e simulimit

Ndërfaqja grafike e simulimit të modelit të ekonomisë artificiale është e bazuar mbi

ndërfaqen që vetë mjeti i zhvillimit Repast ofron. Në figurën 7-11 paraqitet ndërfaqja

grafike e simulimit tonë, i cili për arsye të shpjegimit të tij është i ndarë në 6 zona. Pjesa

kryesore e kësaj ndërfaqeje është zona numër 1, e cila përmban 5 butona. Butoni i parë

i saj mundëson inicializimin e modelit të programuar prej nesh, duke e ngarkuar atë gati

për fillimin e simulimit. Butoni i dytë është filluesi i simulimit të vazhdueshëm, ndërsa

butoni i tretë kalon vetëm një hap kohor në simulim. Butoni i katërt bën ndalimin e

simulimit dhe butoni i fundit rikthen në gjendjen fillestare të gjithë mjedisin e

1 class Person extends ReLogoTurtle {

.. ...

43 def checkBetterwage(){

44 def firm

45 if(empfirm!=null && this.HP>30){

46 def max=1.1*wage/(maxPxcor*2+distance(empfirm))

47 firmss().each {

48 if(max<(it.cLC*(1+exp[it.cT]/20)/(maxPxcor*2+distance(it)))){

49 firm=it

50 max=it.cLC*(1+exp[it.cT]/20)/(maxPxcor*2+distance(it))

51 }

52 }

53 if(firm!=null && firm.currentProduction>1.1*firm.Capacity ){

54 unhire()

55 firm.searchingForJob.add(this)

56 firm.Employ()

57 }

58 }

59 }

.. ...

121 def step(){

122 jobSearch()

123 checkBetterwage()

124 workandlive()

125 consumeandlive()

126 Adjustment()

127 checkBankorInvest()

128 }

129 }

124

simulimit. Zona numër 2 e ndërfaqes grafike të simulimit përmban panelin ku

përdoruesi mund të vendosë numrin e agjentëve për secilin lloj, mundësitë e prodhimit

dhe pagën bazë ditore të punëtorit, siç është shpjeguar edhe në pjesën e ndërtimit të

panelit të përdoruesit. Në këtë zonë shfaqen edhe të dhënat rreth numrit të punëtorëve

që kërkojnë punë, vendet e lirat të punës dhe numri i të punësuarve. Zona numër 3 shfaq

vetëm numrin e hapave kohor të simulimit të modelit duke treguar në këtë mënyrë

periudhën e kohës ku ndodhemi në simulim. Në zonën numër 4 shfaqen rezultatet e

simulimit në formë grafikësh kohor, si edhe në formë grafike apo tabelore. Për sa i

përket ndërtimit dhe konfigurimit të këtyre grafikëve, mjeti i zhvillimit Repast ofron

zonën 5 që ndihmon përdoruesin për ndërtimin e grafikëve. Kjo zonë na lejon të

krijojmë bashkësi të dhënash që i marrim nga metodat e përcaktuara në kodim, dhe me

to ndërtojmë grafikët kohor përkatës. Duhet thënë që pas krijimit dhe konfigurimit të

këtyre grafikëve, ato ruhen si dosje konfigurimi në format “.xml” dhe ngarkohen sa

herë që ne shtypim butonin e inicializimit të modelit. Në zonën numër 6 ndodhen

butonat që mundësojnë eksportimin e të dhënave të simulimit në mjete të tjera

analizuese. Kjo pjesë mund të përdoret nga studiuesit e ndryshëm për analiza më të

thelluara të rezultateve të mjedisit simulues.

Figura 7-11 Ndërfaqja grafike e simulimit

Në grafikun e dhënë të figurës 7-11, shfaqen luhatjet totale kërkesë-ofertë në modelin

e ekonomisë artificiale deri në ditën e 302-të. Siç mund të vihet re nga grafiku i

mësipërm, kërkesa është shtytësi i rritjes së prodhimit të firmave duke rritur në këtë

125

mënyrë ofertën e tregut. Në terma të një tregu real elasticiteti i kërkesës është më i madh

se sa i ofertës, dhe kjo është arsyeja pse oferta nuk është gjithmonë në të njëjtin nivel

si kërkesa, por i afrohet asaj pas një periudhe të caktuar qëndrueshmërie të saj. Në të

njëjta rezultate qëndron edhe paraqitja grafike e rezultateve ekonomike të modelit të

ekonomisë artificiale.

126

KAPITULLI 8: PROJEKTIMI DHE NDËRTIMI I NJË EKONOMIE

ARTIFICIALE ME MJETIN E ZHVILLIMIT JACAMO

8.1. Hyrje

Në këtë kapitull trajtohet projektimi dhe ndërtimi i një ekonomie artificiale bazuar mbi

të njëjtat përshkrime dhe analiza të kapitullit shtatë. Ndryshimi është që në këtë rast

mjeti i zhvillimit është JaCaMo, i cili është sugjeruar në pjesën e kapitullit pesë si mjeti

më i mirë i zhvillimit MAS. Ky mjet do të përdoret për të treguar që është e mundur

ndërtimi i një modeli simulimi të bazuar në agjentë inteligjent. Në pjesën në vazhdim

tregohen veçoritë e përdorimit të mjetit JaCaMo, duke u ndalur edhe në veçoritë e

mjeteve përbërëse të tij. Më tej do të vazhdohet me një projektim të përshtatur të

ekonomisë artificiale për këtë mjet zhvillues. Në pjesën e ndërtimit do të diskutohen

veçoritë e ndërtimit të kësaj ekonomie që përfshijnë strukturën e përdorur të simulimit

dhe specifika të tjera të saj.

8.2. Veçoritë e mjetit të zhvillimit JaCaMo

Në këtë pjesë do të diskutojmë mbi veçoritë e mjetit të zhvillimit JaCaMo. Siç është

paraqitur edhe në kapitullin e pestë, JaCaMo është një përbërje e tre mjediseve të punës,

që janë Jason, CArtAgO dhe Moise. Kombinimi i tyre ka sjellë një avantazh në

përdorimin e paradigmave të ndryshme të programimit në sistemet multi-agjent. Për të

kuptuar këto avantazhe dhe përdorimin e tyre në ndërtimin e modelit të ekonomisë

artificiale, fillimisht do të shpjegojmë këto tre mjediset e punës bashkëlidhur edhe me

llojet përkatëse të programimit. Duhet theksuar se secila prej këtyre mjediseve është i

përshtatur me llojin e caktuar të programimit. Kështu kemi mjetin e zhvillimit Jason i

cili është kryesisht i përshtatur për programimin e orientuar ndaj agjentit, mjeti

CArtAgO i cili është i përshtatur për programimin e orientuar ndaj mjedisit dhe mjeti i

zhvillimit Moise që është i përshtatur për programimin e orientuar ndaj organizimeve

të agjentëve.

8.2.1. Mjeti i zhvillimit Jason

Mjeti i zhvillimit Jason, sikurse edhe mjetet e tjera të përmendura në këtë pjesë janë të

zhvilluara mbi gjuhën e programimit Java. E veçanta e këtij mjeti është përdorimi i

arkitekturës BDI në krijimin e agjentëve. Kjo arkitekturë lejon ndërtimin e agjentëve

inteligjent ose racional në mjedise të ndryshme. Në bazë të kësaj arkitekture, Jason

ofron një interpretues të zgjeruar të gjuhës AgentSpeak për krijimin e këtyre agjentëve

inteligjent. Ajo bazohet në programimin logjik, dhe përdor një logjik të njëjtë arsyetimi

si gjuha prolog. Kjo gjuhë përcakton tre elementë bazë që janë besimi, qëllimi dhe

planet. Përveç tyre konsiderohen edhe dy elementë plotësues ngjarjet dhe synimet.

Besimet mund të konsiderohen si një bashkësi njohurish e cila ndryshon vazhdimisht.

Në përgjithësi mund të themi se besimet mund të përcaktohen si gjendjet e agjentit, ato

përfaqësojnë informacionet që agjenti ka nga mjedisi, agjentët e tjerë apo gjendja e tij.

Qëllimet përfaqësojnë gjendjet që agjenti kërkon të arrijë, ndërsa planet janë lista e

veprimeve që agjenti mund të kryej. Në mënyrë që këto veprime të kryen duhet të

ndodhin ngjarje, dhe zakonisht ngjarjet ndodhin si pasojë e ndryshimeve të besimeve

apo qëllimeve të agjentit. Synimet janë plane në veprim për të arritur disa qëllime.

Elementët kryesor të arkitekturës së agjentit janë, bashkësia e besimeve në të cilën

ruhen besimet apo gjendjet e agjentit, bashkësia e ngjarjeve ku mbahen ngjarjet që

agjenti do të trajtoj, bashkësia e planeve ku ruhen të gjitha planet që agjenti ka, dhe

bashkësia e synimeve që mban qëllimet që agjenti është i përkushtuar të arrij bashkë

me radhën e veprimeve të lidhura me to. Bazuar mbi këto që sapo thamë, logjika e

127

arsyetimit i agjentit do të fillojë me momentin e perceptimit të mjedisit rreth tij që sjell

ndryshimin e bashkësisë të besimeve të tij. Më pas, ai përpunon mesazhet e reja që vijnë

nga mjedisi rreth tij dhe zgjedh një ngjarje. Pas kësaj do të zgjedh një planet në lidhje

me këtë ngjarje dhe ndër këto plane do të zgjedhë planet e zbatueshme në bazë të

kushteve të plotësuara. Në këtë moment do të krijojë një synim, të cilin do ta zgjedhë

për ta zbatuar apo realizuar.

Sintaksa e krijimit të një besimi është emri i besimit me të vogla e ndjekur nga kllapa

me hark ku brenda tyre vendosen vlerat e tij. Një shembull i tillë paraqitet në listën 8-

1, ku në rreshtin e parë tregohet shtimi i besimit për ngjyrën blu. Besimet mund të kenë

edhe shënime ku theksohet burimi i informacionit. Gjatë kohës që sistemi multi-agjent

është në punë, besimet mund të shtohen, hiqen apo të përditësohen nëpërmjet zbatimeve

të planeve të tyre. Në shembull mund të shohim në rreshtat 8 dhe 9, heqjen dhe më pas

shtimin e besimit ngjyra, i cili kryhet nëpërmjet shenjave ‘-‘ dhe ‘+’ përpara besimeve

përkatëse. Njëkohësisht ky besim mund ti komunikohet edhe agjentëve të tjerë në

sistem, duke i shtuar këtë besim në bashkësinë e tyre të besimeve. Një veprim i

ngjashëm mund të kryhet edhe për heqjen e një besimi duke përdorur opsionin “untell”

te funksioni “.send”.

Lista 8-1: Shembull sintakse për besimet, planet dhe qëllimet në Jason

Qëllimet ndahen në lloje, qëllim arritjeje dhe qëllim testimi. Qëllimi i arritjes është

qëllimi për të bërë diçka, ndërsa qëllimi i testimit është një qëllim për të marrë një

njohuri prej saj. Këto qëllime thirren me shenjën ‘!’ për qëllimin e arritjes dhe ‘?’ për

qëllimin e testimit. Në listën 1, qëllimi i arritjes me emrin dërgo në rreshtin 5 është

synimi i agjentit e cila është dhe ngjarja aktivizuese e planit përkatës. Në rreshtin 11

paraqitet qëllimi i testimit i cili arrin të marrë njohuri mbi vlerën ‘M’ dhe më pas e

paraqet atë. Qëllimet sikurse edhe besimet mund të komunikohen te agjentët e tjerë me

anë të funksionit “.send”. Në këtë rast mundet ta shtojmë një qëllim arritjeje me

opsionin “achieve” apo ta heqim atë me opsionin e kundërt “unachieve”, ndërsa për

qëllimin e testimit mundet vetëm të shtojmë me opsionin “askHow” dhe presim

përgjigjen nga agjenti tjetër.

Planet kanë një strukturë të përgjithshme sintaksore që përfshin ngjarjen aktivizuese,

kontekstin dhe trupin e planit. Ngjarja aktivizuese tregon ngjarjen e cila do trajtohet

nga plani dhe këto ngjarje mund të jenë shtimi ose heqja e një besimi, shtimi i një

qëllimi arritjeje apo heqja ose dështimi i saj dhe e njëjta gjë për qëllimin e testimit.

Konteksti paraqet kushtet në të cilat plani mund të përdoret, ndërsa trupi i planit është

1 ngjyra(blu). //shton besimin mbi ngjyrën me vlerë blu

2 gola(sk1,2)[source(agjenti1)]. //besim nga agjenti 1

3 rregull(A,B):- gola(A,B) & B>0.//nje rregull

4 //Krijojmë një synim bazuar mbi qëllimin dergo

5 !dergo.

6 //plani i qëllimit dergo nëse ka një besim me emrin ngjyra

7 +!dergo:ngjyra(A)

8 <- .send(agjent1,tell,ngjyra(A));//shto besim te agjent1

9 -ngjyra(blu); //hiq besimin

10 +ngjyra(kuqe); //shto besimin

11 ?testo(M); //qëllim testimi

12 veprim(M,R); .print(R).

13 //Plani i dështimit të qëllimit dergo

14 -!dergo:true <- .print("nuk gjendet besimi ngjyre").

15 +?testo(X): rregull(A,C) <- X=C.

16 -?testo(X): true <- X=0. //plani i dështimit të qëllimit testues

128

lista e veprimeve që trajtojnë ngjarjen nëse konteksti besohet se është i vërtetë në kohën

e zgjedhjes së planit. Shembulli i plotë i një plani jepet në rreshtat 7 deri 12 të listës 8-

1, ku jepet shtimi i planit të qëllimit të arritjes “dërgo” i cili është dhe ngjarja

aktivizuese. Konteksti i saj është thjesht ekzistenca e besimit “ngjyra” me një vlerë

çfarëdo dhe pas shenjës “<-“ paraqitet trupi i planit me listën e veprimeve për arritjen

e qëllimit. Në rast dështimi thirret plani i heqjes së qëllimit që paraqitet në formë të

ngjashme në rreshtin 14 të listës. Përveç planeve fillestare të përcaktuara nga

programuesi, planet mund të shtohen në mënyrë dinamike duke përdorur funksionin

“.add_plan” dhe për ta hequr atë përdoret funksioni “.remove_plan”. Njëkohësisht

planet mund të komunikohen me mesazhe nga ose te agjentë të tjerë me funksionin

“.send” ku përdorim opsionet “tellHow” për shtimin dhe opsionin “untellHow” për

heqjen e planeve nga agjentët e tjerë.

Një veçori tjetër e kësaj gjuhe është mundësia për të krijuar rregulla logjike për besimet

bazë të agjentit. Këto rregulla mund të përdoren për të thjeshtuar detyra të caktuara, si

për shembull bashkimi i disa kushteve në një rregull të vetëm. Sintaksa e tyre është e

njëjtë me atë të përdorur në kontekstin e një plani, një shembull përgjithësues është

“rregull(Vlera) :- konteksti”. Në rreshtin 3 paraqitet një shembull rregulli i cili ka vlerë

të vërtetë kur kushtet në të janë të vërteta.

Lista 8-2: Shembull i veprimeve të brendshme në Jason

Normalisht gjuha e përdorur në Jason ka një mori veprimesh që mund të kryhen në të

si printimi, radhitja, veprime me lista apo vargje, ndryshimi i besimeve dhe planeve,

krijimi i agjentëve, ngjarjeve e tjera. Në pamundësi të një veprimi specifik, kjo gjuhë

lejon ndërtimin e veprimeve të brendshme. Një shembull i tillë jepet në rreshtin e 12-të

të listës 8-1, ku thërritet një funksion veprim me dy parametra. Prej saj pritet të printohet

një vlerë për ‘R’ që vjen si rezultat i saj. Në listën 8-2 shfaqet kodi në gjuhën java i këtij

funksioni i cili tashmë deklarohet si një klasë që zgjeron klasën “DefaultInternalAction”

dhe në të kryen veprimet që kanë nevojë për një përpunim më specifik.

8.2.2. Mjeti i zhvillimit CArtAgO

Mjeti i zhvillimit CArtAgO është një infrastrukturë për programimin e mjedisit dhe

ekzekutimin e tij në sistemet multi-agjent (Ricci, Piunti, & Viroli, 2011). Ideja e

përdorimit të tij është që mjedisi mund të përdoret si një shtresë që përmban

funksionalitetet dhe shërbimet që një agjent mund të përdorë gjatë ekzekutimit.

CArtAgO është i bazuar në konceptin e lidhjes agjent-artefakt (Omicini, Ricci, &

Viroli, 2008), që do të thotë se mjedisi programohet si një bashkësi dinamike pjesësh

llogaritëse që quhen artefakte, të cilat përmblidhen në hapësira pune. Në të agjentët janë

thjesht njësi pro aktive të orientuara ndaj një qëllimi dhe autonome. Ato krijojnë dhe

përdorin artefakte së bashku për të mbështetur veprimet e tyre. Ndërkohë që artefaktet

janë njësi të kontrollueshme dhe të observueshme, të orientuara ndaj funksionalitetit

dhe nuk janë autonome.

1 public class veprim extends DefaultInternalAction {

2 public Object execute(TransitionSystem ts, Unifier un, Term[] args){

3 String msg=bej(Integer.parseInt(args[0].toString()));

4 return un.unifies(args[1], new Term(msg));

5 }

6 private String bej(int k) {...} //veprimet specifike mund të kryhen këtu

7 }

129

Në përgjithësi, artefaktet mund të jenë të llojeve të ndryshme. Ato mund të jenë

individuale të projektuara për të dhënë funksionalitete vetëm një agjenti si mbajtja e të

dhënave të tij apo axhendave personale, etj. Ndërkohë mund të përdoret edhe si artefakt

shoqëror që jep funksionalitete për menaxhimin dhe strukturimin e ndërveprimeve

midis agjentëve në një sistem multi-agjent. Artefakti mund të paraqesë edhe burimet

apo shërbimet e pajisjeve të jashtme dhe është një mjet i mirë për të mundësuar

komunikimin me përdoruesit e jashtëm të sistemit.

Ky mjet mbështet komunikimin e drejtpërdrejt me mjetin e zhvillimit Jason, dhe

artefaktet e saj komunikojnë me agjentët e krijuar në Jason. Shumë prej veprimeve të

jashtme të agjentit në Jason janë të lidhura me operacionet e artefakteve. Atributet në

vëzhgim të artefakteve janë të lidhura me besimet e agjentit dhe sinjalet e artefakteve

krijojnë perceptime për ngjarjet aktivizuese të agjentit. Kjo lejon një ndërveprimin e

agjentëve me artefaktet, duke lejuar njëkohësisht edhe zgjerimin e mundësive të

përdorimit të tyre.

Lista 8-3: Shembull i ndërveprimit me artefakte në Jason

Në listën 8-3 paraqitet një shembull kodi Jason i ndërveprimit me një artefakt. Në të

fillimisht pas aktivizimit të planit “init” është thirrur plan veprimi “setup” i cili kryen

edhe lidhjen me artefaktin me emrin “ArtEnv”. Kjo lidhje kryhet nëpërmjet funksionit

“makeArtifact()” ku përcaktohet një emër lidhës, emri i artefaktit, parametrat dhe një

identifikues. Duhet përmendur se në rastet kur ky artefakt është i krijuar ai mund të

thirret me anë të funksionit “lookupArtifact()” për tu gjetur dhe përdorur më vonë

përsëri. Me njohurinë e identifikuesit të marrë nga ngjarja “setup” brenda planit “init”

bëhet fokusimi i artefaktit me funksionin “focus”, dhe më tej thirret funksioni

“artveprim” i cili është pjesë e veprimeve që bëhen në lidhje me artefaktin.

1 !init.

2 +!init:true <-

3 .my_name(Me);

4 !setup(Id);

5 focus(Id);

6 artveprim(Me,V);

7 .print("Veprimi ",V).

8 +test(P) <- .print("Veprimi i krye ",P).

9 +!setup(Id): true <- makeArtifact("fi","ArtEnv",[],Id).

10 +?check(Id):true <- lookupArtifact("fi",Id).

130

Lista 8-4: Shembull i krijimit të artefaktit “ArtEnv”

Një shembull i plotë i ndërtimit të një artefakti jepet në listën 4, ku paraqitet një

shembull kodi i artefaktit “ArtEnv”. Në këtë shembull vërehet se struktura kryesore

është e ngjashme me ndërtimin e klasave në gjuhën Java. Duhet thënë se çdo artefakt

zgjeron një klasë me emrin “Artifact” dhe në inicializimin e saj thërret metodën “init”,

për të përcaktuar gjendjet e saj fillestare. Në rreshtin 4, ne paraqesim një parametër

atribut i observueshëm me emrin “smth”, i cili është pjesë i besimeve të agjentit ndaj

artefaktit. Në lidhje me funksionin “artveprim” të thirrur nga agjenti në shembullin e

listës 3, në listën 4 ai paraqitet si metodë e klasës “ArtEnv” me shënimin

“@OPERATION” për të theksuar se është një veprim i artefaktit. Ndër parametrat që

kjo metodë merr janë emri i agjentit dhe një vlerë me kthim mbrapa që përcakton një

vlerë përgjigje e llojit “double” për agjentin. Ndër veprimet e shfaqura në këtë metodë

janë përditësimi i vlerës së parametrit “smth” me vlerën e re k pas disa veprimeve. Më

pas kryhet vendosja e vlerës kthim, e cila kalon si vlerë në listën 3 te variabli ‘V’ që

printohet më pas. Më tej kryhet një veprim kontrolli që pret deri sa metoda me emrin

“pritja” të kthejë një vlerë të vërtetësie. Kjo metodë është paraqitur më poshtë me

shënimin “@GUARD” për të përcaktuar të tilla metoda kontrolli. Në rreshtin e 11-të

paraqitet thirrja e një veprimi të brendshëm i cili mund të ndryshojë gjendje apo kryejë

veprime të ndryshme. Edhe në këtë rast metoda përkatëse paraqitet me shënimin

përpara “@INTERNAL_OPERATION” për ti treguar kompilatorit që është një veprim

i artefaktit. Ndërkohë që në rrjedhën e veprimeve të artefaktit ndaj agjentit, ai mund ta

sinjalizojë agjentin me një ndryshim gjendjeje. Kjo është e paraqitur me funksionin

“signal()”, e cila në këtë rast dërgon një sinjal me emrin “test” dhe një vlerë çfarëdo.

Kjo interpretohet si një ngjarje e ndryshimit të besimit “test” te agjenti dhe plani me të

njëjtin emër aktivizohet. Kjo është paraqitur në shembullin e listës 3 në rreshtin 8, ku

pas aktivizimit të saj printohet vlera e dërguar. Ky lloj komunikimi tashmë është

asinkron, ndërkohë mënyra e dërgimit të përgjigjes nga metoda “artveprim” është

sinkron dhe ndodh në momentin e kërkimit të saj. Një veçori tjetër interesante e

CArtAgO-s është përdorimi i shumë artefakteve nga agjentët duke përcaktuar hapësira

pune të ndryshme. Në këtë mënyrë, agjentët mund të mendojnë sikur janë në mjedise

të ndryshme në të njëjtën kohë, ashtu siç ndodh edhe në realitet. Për shkak të këtyre

veçorive, kombinimi i mjeteve Jason dhe CArtAgO i jep një avantazh goxha të madh

përdorimit të tyre në ndërtimin e sistemeve multi-agjent.

1 class ArtEnv extends Artifact {

2 private int k;

3 void init() {

4 defineObsProp("smth",0);

5 }

6 @OPERATION void artveprim(String emri, OpFeedbackParam<Double> vlera){

7 ... //veprime të ndryshme

8 getObsProperty("smth").updateValue(k);

9 vlera.set(5.2); //kthim përgjigje direkte

10 await("pritja");//veprim kontrolli deri në vërtetësi

11 execInternalOp("epo"); //thirrje e një veprimi të brendshem

12 signal("test", "një vlerë çfarëdo"); //sinjalizim kundrejt agjentit

13 }

14 @INTERNAL_OPERATION void epo() { ... } //Veprim i brendshem

15 @GUARD boolean pritja() { ... } //veprim kontrolli

16 ... //metoda të tjera në gjuhën Java

17 }

131

8.2.3. Mjeti i zhvillimit Moise

Mjeti i zhvillimit Moise është thjesht një mjet që ndihmon në përshkrimin strukturor të

organizimeve në një sistem multi-agjent. Në bazat e saj, organizata përshkruhet nga ana

strukturore nëpërmjet grupeve dhe roleve të agjentëve. Ndërkohë që nga këndvështrimi

funksional organizata shihet nëpërmjet skemave sociale, misioneve dhe qëllimeve të

agjentëve. Skema sociale është shpërbërja e strukturës së qëllimeve organizative në

nën-qëllime të cilat grupohen si misione. Në këndvështrimin normativ organizimet

shihen si norma që lidhin rolet e agjentëve me misionet e tyre, duke kufizuar kështu

sjelljet e agjentëve në lidhje me qëllimet që duhet të arrijnë kur zgjedhin grupin dhe

rolin që do kenë në të. Këto specifikime kryhen nëpërmjet një gjuhe modelimi për

organizimet e cila përshkruhet në një dosje XML. Të gjitha specifikimet trajtohen në të

në lidhje me llojet e organizimeve të agjentëve me njëri tjetrin.

8.2.4. Kombinimi i tre mjeteve

Kombinimi i tre mjeteve të zhvillimit është propozuar për herë të parë në punimin e

(Boissier, Bordini, Hübner, Ricci, & Santi, 2013), ku theksohet se ky bashkim plotëson

në mënyrë të plotë programimin e shumë aspekteve të fushës së sistemeve multi-agjent.

Në figurën 1, paraqitet ana konceptuale e këtij bashkimi. Pjesa më e rëndësishme është

pjesa e agjentëve të cilët ndërveprojnë me njëri-tjetrin duke u përfshirë në disa hapësira

mjedisore. Ato ndërveprojnë me artefaktet e shumta të këtyre mjediseve sikurse edhe

organizohen në skema të ndryshme sociale në bazë të roleve që ata kanë. Gjithashtu

mjedisi i përbërë nga artefakte, arrin të komunikojë me mjete të tjera të jashtme, të cilat

mund të jenë ndërfaqe grafike, programe të tjera apo edhe pajisje harduerike.

132

Figura 8-1 Pamja e tre dimensioneve të mjetit JaCaMo14

Me integrimin e këtyre tre mjeteve zhvilluese është synuar edhe bashkimi i koncepteve

bazë të programimit të orientuar ndaj agjentit, mjedisit, organizatave dhe

ndërveprimeve duke formuar një koncept të ri të programimit të orientuar ndaj multi-

agjentëve. Pra në këtë kontekst, AOP+EOP+OOP+IOP => MAOP. Mjedisi i zhvillimit

JaCaMo (Boissier, Hubner, & Ricci, 2016) është platforma bashkuese e këtyre mjeteve

dhe i vetmi që ka të integruar në një mjedis zhvillimi konceptet e lart përmendura të

programimit.

14 Mbështetur mbi punimin e (Boissier, Bordini, Hübner, Ricci, & Santi, 2013)

133

Figura 8-2 Struktura mjetit të zhvillimit JaCaMo15

Një lidhje tjetër është ajo e mjedisit në CArtAgo dhe organizimet në Moise që zakonisht

përdor ato që njihen si artefakte organizative. Në këto artefakte, vendosen sjelljet

organizative të përshkruara në specifikimet e organizatës. Nga këndvështrimi i agjentit

këto artefakte organizative mundësojnë veprimet që mund të përdoren duke qenë pjesë

e një organizate, grupimi apo roli të caktuar. Kjo lidhje mjedis-organizatë sjell disa

elementë të rëndësishëm nga pikëpamja e projektimit dhe programimit, siç janë:

Uniformiteti, ku i njëjti model veprimi dhe perceptimi përdoret për të mundësuar

ndërveprimin midis agjentëve dhe organizatës

Shpërndarja, ku infrastruktura e menaxhimit organizativ është e shpërndarë në

lidhje me bashkësitë e artefakteve që janë pjesë e hapësirave të ndryshme të

punës.

Dinamizmi, ku agjentët e organizuar mund të ndryshojnë në mënyrë dinamike

formën e organizatës duke vepruar mbi artefaktet organizative që përdoren prej

tyre.

Heterogjeniteti, mundësia e përfshirjes së agjentëve të tjerë nga platforma të

tjera apo të programuara ndryshe që të marrin pjesë në organizatat e JaCaMo-s,

në momentin që kanë aftësinë për të punuar me mjedise të bazuara me artefakte.

Mundësitë e ri-organizimit në nivele të larta.

Pjesa e lidhjes së agjentit me organizimet, paraqet një lidhje të drejtpërdrejtë të qëllimit

të agjentit me qëllimin e organizatës. Në këtë rast është agjenti i cili mund të zgjedhë

të ndjekë qëllimin e tij apo të përshtatë qëllimin e organizimit. Delegimi i qëllimeve

nga organizata te agjentët shprehet me detyrimet që vijnë nga normat e organizimeve.

Në këto raste agjenti, kur agjenti percepton një detyrim të tillë dhe nëse ai zgjedh ta

përshtatë atë, në këtë moment krijohet si një qëllim individual te agjenti.

15 Mbështetur mbi punimin e (Boissier, Hubner, & Ricci, 2016)

134

8.2.5. Modelimi në JaCaMo

Përgjithësisht në shembujt e gjetur në literaturë, vlerësohet metodologjia Prometheus

(Padgham & Winikoff, 2003) si mënyra më e mirë për modelimin e sistemeve me

agjentë inteligjent në MAS. Gjatë përdorimit të tij bashkë me mjetin e zhvillimit

JaCaMo, disa kërkues (Freitas, Cardoso, Vieira, & Bordini, 2016) kanë gjetur kufizime

dhe divergjenca në pjesën e modelimit, pasi kjo metodologji nuk arrin të mbulojë shumë

prej aspekteve të tij. Ky përfundim është pothuajse i njëjtë me analizën e metodologjive

në pjesën 5.3.1.7 të këtij punimi. Ndërkohë duke konsideruar praktikat më të mira të

modelimeve të bazuara në agjent në fushat e ekonomisë dhe financës (Vermeir &

Bersini, 2015), tregohet se përdorimi i gjuhës UML në të tilla modelime është goxha e

nevojshme dhe e rëndësishme. Një strukturë të ngjashme modelimi është përdorur edhe

në punimin e (Hakrama & Tabaku, 2016), që përdor specifikat e metodës me UML për

të ndihmuar në ndërtimin e një MAS. Në pjesët në vazhdim, do të tregohet një strukturë

e tillë e përdorur bashkë me mjedisin e zhvillimit JaCaMo për të ndërtuar një ekonomi

artificiale.

8.3. Projektimi i Ekonomisë artificiale

Në këtë pjesë bazohemi mbi përshkrimin dhe analizën e bërë për modelin e ekonomisë

artificiale në kapitullin e mëparshëm. Duke marrë parasysh edhe veçoritë e mjedisit të

zhvillimit, na duhet të bëjmë disa ndryshime për pjesën e projektimit të modelit.

Ndryshimi i parë është që agjentët do të ndërtohen duke marrë në konsideratë modelin

arkitekturor BDI që ofron mjedisi i zhvillimit Jason. Në bazë të kësaj arkitekture, ne

specifikojmë besimet e agjentëve si gjendjet e tyre dhe me planet si veprimet e tyre të

mundshme që drejtohen nga dëshirat e çastit. Duke konsideruar analizën e bërë për

ekonominë artificiale rreth veprimeve kryesore ditore të secilit agjent, duhet të

paraqesim këto veprimet si plan-veprime ditore në këndvështrimin e mjedisit zhvillues.

Duke pasur parasysh kërkesat e modelit për simulimin e vazhdueshëm kohor për

veprimet e çdo dite, në këtë mjet na duhet të mendojmë një zgjidhje të re me hapa kohor,

i cili do të veprojë si një planifikues kohor. Kjo do të diskutohet më tej në pjesën e

ndërtimit të simulatorit të ekonomisë artificiale.

Individi, apo personi është agjenti kryesor i modelit tonë. Plani rutinë i tij përcaktohet

si një listë plan qëllimesh që thirren në çdo hap kohor. Në planin e parë, ai duhet të

përditësojë besimet e tij bazuar në pasurinë e tij, pra ai përditëson informacionin në

lidhje me paratë që ka në dorë, paratë e depozituara dhe huaja e marra nga banka. Në

hapin e dytë agjenti person kontrollon besimin e tij të punësimit, nëse është i punësuar

vazhdon me planin e punës, përndryshe ai vë si synim planin e kërkimit të punës ku

regjistrohet si person që kërkon një punë dhe pret të punësohet nga një firmë. Kur

agjenti personi është duke ndjekur planin e punës, ai përditëson besimin e energjisë së

tij duke e ulur atë në bazë të punës që ai bën. Ky besim rritet përsëri gjatë plan-veprimit

të konsumit në varësi të produkteve të konsumuara. Më vonë gjatë planit të

rregullimeve, agjenti person bën disa arsyetime logjike që ta ndihmojë atë në

vendimmarrjet e ardhshme duke përditësuar besimet e tij. Plani i fundit i hapit kohor të

agjentit person është e lidhur me vendimet mbi menaxhimin e parave të tij.

Në planin rutinë të agjentit firmë, fillohet me planin e lajmërimit të çmimit të

produkteve te gjithë agjentët e tjerë, kjo kryhet duke përditësuar besimet e agjentëve të

tjerë me anë të dërgimit të një mesazhi. Kjo është e nevojshme pasi çmimi mund të

ndryshojë herë pas here në kushte reale. Plani i mëtejshëm është ai i llogaritjes së

pagave të hapit kohor për të gjithë punonjësit e agjentit firmë, në këtë rast bëhen

135

ndryshimet e duhura në besimin e agjentit rreth pagesave të punonjësve. Agjenti firmë

kontrollon besimin e tij për të prodhuar më shumë, dhe nëse nevojitet aktivizon plan

qëllimin e punësimit për të marrë më tepër punonjës. Në rastin kur agjenti firmë ka më

shumë punëtorë seç nevojiten për prodhim atëherë, agjenti mund të aktivizojë plan

qëllimin e heqjes nga puna. Të njëjtat arsyetime bëhen edhe në planet e mëpasshme

rreth strategjive në treg apo kërkesave për investime. Plani i fundit që aktivizohet ka të

bëjë me arsyetimet e agjentit në rastin e vendimmarrjeve mbi depozitat dhe huamarrjet

bazuar në nevojat e tij.

Plani rutinë i agjentit bankë përmban plane të lidhura me kontrollet e depozitave dhe

huave, si edhe me disa arsyetime të rëndësishme për ndryshimin e normave të interesit

bazuar mbi kërkesat dhe ofertat e parasë.

Përveç planeve rutinë të këtyre agjentëve, në to gjenden edhe plane të tjera që

aktivizohen në raste ngjarjesh të caktuara që ndodhin si pasojë e ndryshimeve të

besimeve, komunikimi midis agjentëve apo edhe perceptimeve të marra nga mjedisi ku

ndodhen. Agjentët kanë nevojë të aplikojnë këto plane në bazë të informacioneve që

ato vetë ndajnë me njëri tjetrin brenda mjediseve të tyre. Në këndvështrimin e gjerë

është e nevojshme të mendohet rreth tregjeve ku këto agjentë do të ndërveprojnë me

njëri tjetrin. Në këtë aspekt, tregjet do të jenë vendi ku agjentët do të komunikojnë duke

shpërndarë informacionin e nevojshëm rreth besimeve të tyre me njëri tjetrin. Tregjet e

menduara në këtë pjesë bazuar mbi përshkrimet e ekonomisë artificiale janë:

Tregu i mallrave, aty ku tregtohen produktet e agjentëve firmë dhe ku blihen

nga konsumatorët që janë agjentët person

Tregu i punës, është vendi ku agjentët firmë kërkojnë për punëtorë dhe ku

agjentët person kërkojnë punë

Tregu i aksioneve, është vendi ku agjentët person arsyetojnë për të investuar

dhe ku agjentët firma ofrojnë aksione për të marrë investime

Tregu bankar, ku përcaktohen normat e interesit të depozitave dhe huave për

çdo bankë.

Në këtë këndvështrim, në projektimin e zgjidhjes për ndërtimin e modelit të ekonomisë

artificiale është menduar përfshirja e artefakteve për të mundësuar operacionet e

ndryshme të tregjeve të përmendura. Në bazë të ndërveprimeve midis agjentit person

dhe firmë, është vendosur artefakti FirmEnv i cili do të kryej operacionet e rëndësishme

të tre tregjeve të para. Ndërkohë, artefakti me emrin BankEnv do të mbajë informacione

rreth tregut bankar dhe do të shërbejë si mjedisi i ndërveprimeve midis agjentit bankë

dhe agjentëve të tjerë.

136

Figura 8-3 Diagrami Sekuencë e menaxhimit të parave

Në figurën 8-3, tregohet një diagramë sekuencë e lidhur me menaxhimin e parave të

agjentit person. Agjenti person kontrollon pasurinë e tij duke dërguar një kërkesë te

artefakti BankEnv. Artefakti komunikon me bankën përkatëse që mban të dhënat rreth

depozitave dhe huave, dhe kontrollon llogaritë me identifikuesin e agjentit person.

Duke përdorur metodat “getDepsTotal()” dhe “getLoansTotal()”, banka grumbullon të

gjitha llogaritë e depozitave dhe huave të personit dhe llogarit totalin e tyre. Diferenca

e këtyre totaleve është përgjigjja që artefakti dërgon sërish tek agjenti person.

Agjenti person fillon aktivitetin i depozitimit kur ai përmbush kushtin e të pasurit më

shumë para në dorë sesa i nevojiten realisht për konsumin e përditshëm për një periudhë

të caktuar. Agjenti kërkon te artefakti BankEnv operacionin për të gjetur bankën më të

mire bazuar në interesat e depozitës dhe distancën nga agjenti. Pas gjetjes së bankës,

agjenti person dërgon një mesazh te agjenti i bankës për të krijuar një depozitë dhe të

dhënat transmetohen në objektin e bankës që zgjidhet ku edhe depozita e re krijohet.

Në të dy këto agjentë përditësohen besimet e tyre për sasinë parave në dorë dhe të

parave të depozituara. Një qasje e ngjashme ndiqet edhe për aktivitetin e huamarrjes,

ku agjenti person kur beson se ka para të pamjaftueshme i drejtohet agjentit bankë për

të marrë një hua. Në këtë rast, gjendet banka me normat më të ulëta të interesit të

huamarrjes dhe aplikohet për hua te agjenti bankë. Artefakti BankEnv, në këtë rast

137

kryen operacionet e nevojshme për krijimin e huasë dhe më pas përditësohen besimet e

agjentëve rreth parave që ata kanë në dispozicion.

Për sa i përket rastit kur agjenti person ka nevojë për para dhe ka para gjendje në bankë,

në këtë rast kryhet aktiviteti i tërheqjes së parave nga banka. Agjenti person dërgon një

mesazh aktivizues në artefaktin BankEnv ku aktivizohet operacioni i tërheqjes së parave

nga depozitat që janë në emër të tij. Në këtë rast, artefakti kryen rolin e arsyetimit të

llogarive bankare që agjenti person ka. Secila nga depozitat e gjetura me anë të këtij

artefakti i dërgohen agjentit të bankës përkatëse për të vazhduar me tërheqjen e

depozitave. Në këtë moment agjenti i bankës përditëson besimet e tij për ndryshimin e

depozitës dhe i dërgon agjentit person paratë që ai ka kërkuar të tërheqë. Agjenti person

në këtë moment përditëson besimin e tij rreth parave që ka në dorë.

Në figurën 8-4, paraqitet diagrami sekuencë për aktivitetet e tregut të punës. Në të

kryhen veprimet kryesore të agjentit person dhe atij firmë rreth punësimit. Normalisht

është agjenti person ai i cili dërgon të dhënat e tij në artefaktin FirmEnv në momentin

e kërkimit të një pune. Në këtë rast, artefakti mban një listë objektesh me emrin

JobAskers, për të mbajtur të dhënat e rëndësishme të agjentëve të cilët kërkojnë një

punë. Kur një agjent firmë kërkon punëtorë, ai dërgon një kërkesë punësimi te ky

artefakt i cili kryen operacionin e gjetjes së punëtorit duke arsyetuar në bazë të

eksperiencës dhe vendndodhjes së tij. Pas kësaj, të dhënat e punëtorit i dërgohen agjentit

firmë i cili e punëson atë duke përditësuar edhe besimin e tij dhe dërgon një mesazh

punësimi te agjenti person. Duhet thënë se në krijimin e agjentit firmë në artefakti

FirmEnv krijohet edhe një objekt Firm, e cila mban të dhënat kryesore të agjentit firmë.

Kjo na lejon që disa prej operacioneve të paraqiten paralelisht edhe në këtë objekt. Për

sa i përket të dhënave të punëtorëve, këto të dhëna tashmë ruhen në mënyrë të plot në

objektin firmë, kjo thjeshton kohën e veprimeve logjike të agjentit firmë.

138

Figura 8-4 Diagrami sekuencë i punësimit

Në raste të caktuara, agjenti person mund të kontrolloj në treg për një punë me pagë më

të mirë. Në këtë rast, agjenti person bën një kërkesë te artefakti FirmEnv për të kryer

një arsyetim mbi mundësitë e ndryshimit të vendit të punës. Nëse kushtet plotësohen

dhe gjendet një ofertë më e mirë pune, atëherë punëtori ikën nga puna aktuale, duke

dërguar një mesazh tërheqjeje nga puna te agjenti firmë dhe punësohet nga agjenti i ri

firmë. I njëjti veprim kryhet edhe në objektin Firm, ku objektet e personit hiqen nga

lista e firmës ku ndodhej dhe më pas shtohet në listën e firmës së re.

Si pjesë e lidhjeve midis agjentëve firmë dhe person, ndodhen edhe procese të tjera që

përfshijnë veprimet e tregjeve të mallrave dhe aksioneve. Për të parën mund të themi

se veprimet kryesore të saj ndodhin në plan-veprimet e agjentëve përkatës që

komunikojnë me njëri tjetrin dhe përditësojnë edhe besimet e tyre përkatëse. Ndërsa në

tregun e aksioneve, përfshirja e artefaktit FirmEnv është më e rëndësishme pasi të

dhënat e agjentëve pasqyrohen edhe në objektet përkatëse Firm dhe Owner të cilat

përfshijnë dhe procedurat e arsyetimeve të blerjes apo shitjes së aksioneve.

139

Figura 8-5 Diagrami klasë që përmbledh MAS, artefaktet me klasat mbështetëse

Në projektimin e artefakteve dhe klasave ndihmuese, paraqesim në figurën 5 diagramin

e klasës që përmbledh sistemin MAS, artefaktet dhe klasat mbështetëse të simulimit.

Në diagramin e mësipërm paraqitet fillimisht sistemi MAS i cili përbëhet nga tre

agjentët kryesor dhe i cili përdor një klasë ndihmuese me emrin rnd për të bërë

inicializimin e gjendjeve të agjentëve, sikurse përdoret edhe në vendimmarrjet e tyre.

Kjo klasë përdor metodat e gjenerimit të klasës Randomize që kanë funksione me

shpërndarje probabilitare të ndryshme sipas kushteve të kërkuara në analizë.

Të tre agjentët tanë lidhen me artefaktin e bankës, kur bëhet fjalë për operacione

financiare me bankën. Në këtë artefakt agjentët person dhe firmë konsiderohen si klient

të bankës dhe operacionet e saj thirren në mënyrë të njëjtë nga të dy këta agjentë. Në

fillim të simulimit, ky artefakt krijohet nga agjenti bankë, dhe në të njëjtën kohë ky

agjent thërret metodën e krijimit të objektit bankë me të dhënat e tij fillestare. Të gjithë

operacionet bankare të tij ndryshojnë njëkohësisht variablat e objektit Banka dhe

besimet e agjentit bankë. Në objektin Banka ruhen të dhënat e depozitave dhe të huave

të marra nga agjentët e tjerë.

Në bashkëveprimet e agjentëve firmë dhe person është e nevojshme përdorimi i

artefaktit FirmEnv, i cili paraqet edhe operacionet e ndryshme të veprimeve të

ndërsjella të agjentëve. Ky artefakt krijohet në momentin e inicializimit të agjentit

firmë, dhe në këtë moment të dhënat e këtij agjenti përdoren për krijimin e objektit

Firmë, e cila mban të dhënat kryesore të firmës dhe disa nga metodat që do të përdoren

prej operacioneve të artefaktit. Agjenti person kryen operacione të ndryshme me anë të

këtij artefakti në lidhje me agjentin firmë. Në rastin e sipër përmendur të punësimit,

agjenti person fillimisht kur ka për qëllim punësimin e tij thërret operacionin e kërkesës

së punës në artefaktin FirmEnv. Në këtë operacion krijohet edhe objekti JobAsker, i cili

140

përmban të dhënat bazë të agjentit person që i nevojiten për punësimin e tij nga agjenti

firmë. Pas krijimit të objektit, ky objekt shtohet në një listë që përmban të gjitha punë

kërkesat e punëtorëve. Agjenti firmë kontrollon këtë listë objektesh dhe pas arsyetimit

punëson punëtorët duke hequr nga lista e objekteve JobAsker dhe shtimin e tyre në

listën e punëtorëve të objektit Firm. Ky veprim teknik paraqet edhe punësimin e agjentit

person. Në mënyrë të njëjtë konsiderojmë edhe rastin e investimeve nga agjentët person

në blerjen e aksioneve të agjentit firmë. Në këtë rast, agjenti firmë e ka të publikuar

çmimin e aksionit të saj në artefaktin FirmEnv, dhe është agjenti person ai i cili në

momentin e kërkesës për investim me anë të operacionit përkatës krijon një objekt të

llojit Owner ku vendos të dhënat e tij si pronar i aksioneve të blera nga agjenti firmë.

Ky objekt ruhet në listën e pronarëve të artefaktit për aksesim më të shpejtë dhe në

listën e pronarëve të objektit Firm. Nëse i njëjti agjent më vonë kryen investime edhe

në firma të tjera, atëherë objekti Firm ruhet edhe në listën e aksioneve të objektit Owner.

Kjo mënyrë ndihmon në veprimet dhe operacionet e ndryshme të agjentëve në simulim.

8.4. Ndërtimi i ekonomisë artificiale me JaCaMo

Në pjesën e mësipërme është shpjeguar projektimi i zgjidhjes së modelit të ekonomisë

artificiale bashkë me disa detaje të lidhura me veprimet simuluese. Në këtë pjesë do të

prezantohet aplikacioni i ndërtuar me mjetin e zhvillimit JaCaMo dhe specifikat e

ndërtimit të saj. Modeli i ndërtuar në këtë punim përdor më së shumti dy nga pjesët

përbërëse më të rëndësishme të mjetit zhvillues që janë mjeti Jason dhe CArtAgO.

Figura 8-6 Struktura e ndërtimit të ekonomisë artificiale

Në figurën 8-6, paraqitet logjika e zbatuar në ndërtimin e simulatorit të ekonomisë

artificiale me agjent inteligjent. Ideja kryesore e ndërtimit të saj është që në bazë të

mjedisit simulues të vendosim një agjent koordinator i cili do të kryej detyrën e

kontrolluesit të simulimit. Ky agjent është i vetmi agjent i krijuar në mjedisin JaCaMo

141

në dosjen e konfigurimit të saj “artificial_economy.jcm” e cila është e shfaqur edhe në

listën 8-5.

Lista 8-5: Konfigurimi i mjedisit simulues në JaCaMo

Në momentin e aktivizimit të këtij agjenti, inicializohet një panel grafik i bazuar mbi

artefaktin GUIArtifact, i cili pret të dhëna nga përdoruesi i simulimit. Ky artefakt është

pjesë e mjetit CArtAgO dhe mundëson ndërfaqet e nevojshme grafike të përdoruesit që

lidhen me artefaktin e krijuar. Me anë të këtij artefakti merren disa të dhëna fillestare

për fillimin e simulimit. Këto të dhëna përfshijnë numrin e çdo lloji agjenti, mundësitë

e prodhimit të agjentëve persona për secilin lloj produkti, dhe paga bazë ditore.

Përdoruesi mund të kontrollojë më pas ecurinë e simulimit duke ndaluar dhe vazhduar

sipas kërkesave të tij me anë të butonave përkatës në panelin e konfigurimeve, siç edhe

tregohet në figurën 8-7.

Figura 8-7 Paneli i konfigurimeve në JaCaMo

Në momentin e vendosjes së konfigurimeve fillestare krijohen ngjarje të reja te agjenti

koordinator duke ndryshuar besimet e tij rreth të dhënave të vendosura. Pas shtypjes së

butonit “Fillo”, artefakti dërgon një sinjal fillimi te koordinatori, i cili krijon agjentët e

ekonomisë artificiale bashkë me kushtet fillestare të tyre. Në listën 6, shfaqet një pjesë

e kodit të koordinatori ku tregohet krijimi i artefaktit Panel, duke thirrur klasën e saj në

kodin Jason. Ky artefakt përdor një metodë sinjali për të dërguar një ngjarje aktivizuese

me shtim besimi. Kjo ngjarje aktivizon planin create(P,B,F) i cili ka si parametra

numrat e agjentëve dhe zbaton qëllimet e krijimit të tyre njëri pas tjetrit. Në rreshtat 7

deri 12 paraqitet plani i krijimit të agjentëve persona, ku vërehet përdorimi i një cikli

përsëritës që ekzekuton disa veprimet të njëpasnjëshme. Në fillim merret vlera e listës

së personave duke testuar besimin prs(X,K), më pas krijon emrin e agjentit dhe shtimin

e tij në këtë listë duke përditësuar edhe besimin, dhe në fund krijohet agjenti person

duke ndjekur rregullat e vendosura në dosjen me emrin “person.asl”. Duke përdorur të

1 mas artificial_economy {

2 agent koodinatori: coordinator.asl

3 asl-path: src/agt

4 }

142

njëjtën teknikë mund të krijohen agjentë të shumtë që janë të pavarur dhe të ndryshëm

nga njëri tjetri.

Lista 8-6: Krijimi i artefaktit “Panel” dhe arritja e krijimit të agjentëve në

agjentin koordinator

Pas arritjes së qëllimeve të krijimit të agjentëve siç tregohet edhe në listën 8-6,

vazhdohet me arritjen e qëllimit start, i cili përbën edhe fillimin e simulimit. Plani i këtij

qëllimi përmban metodikën e simulimit bashkë me modelin kohor të përcaktuar. Duke

pasur parasysh se modeli i simulimit duhet të përdorë cikle kohore të vazhduara diskrete

dhe mjeti i zhvillimit JaCaMo nuk ofron një model kohor për agjentët, në këtë plan

është programuar pikërisht ky model kohor. Agjenti koordinator tashmë shërben edhe

si kontrolluesi i hapave kohor të simulimit. Në listën 7, shfaqet pjesët e kodit të agjentit

koordinator që bëjnë të mundur planifikimin kohor dhe thirrjen e aktiviteteve ditore të

agjentëve.

Lista 8-7: Planifikimi kohor i simulimit dhe thirrja e veprimeve ditore të

agjentëve në agjentin koordinator

Në planin e qëllimit të arritjes start fillimisht shtohet një besim me emrin iteration(1)

që përcakton gjendjen e cikleve kohore përsëritëse dhe më pas thirret qëllimi iterator,

i cili kontrollon edhe hapësirat kohore midis hapave të simulimit në bazë të numrit të

agjentëve në të. Plani i qëllimit dailiyinit përmban një kusht konteksti të bazuar mbi atë

që do e quajmë si hapi kohor i modelit të simulimit. Në planin e tij fillimisht testohet

për të marrë njohuri mbi listat e agjentëve dhe më pas dërgohet nga një mesazh arritjeje

për veprimet ditore gjithë agjentëve të modelit, dhe në fund thirret qëllimi updateTick.

Ky qëllim në planin e tij bën përditësimin e kohës dhe mund të themi se është ora e

simulimit të modelit tonë. Planet e veprimeve ditore me emrin routine, që ekzekutohen

1 +!initiate <-

2 makeArtifact("Panel","artificial_economy.Panel",[],Id);

3 focus(Id).

4 +create(P,B,F)<-

5 !create_person(P); !create_bank(B); !create_firm(F);

6 !start.

7 +!create_person(N) <-

8 for(.range(I,1,N)){

9 ?prs(X,K);

10 .concat("person_",K+1,CN);

11 .concat([CN],X,Z);

12 -+prs(Z,K+1); //përditëson listën e personave

13 .create_agent(CN,"person.asl",[agentArchClass("jaca.CAgentArch")]);

14 }.

30 +!start: true <- +iteration(1); !iterator.

31 +!updateTick<- ?tick(N); -+tick(N+1); updateTime(N+1).

32 +!iterator:iteration(N)&N=1<-

33 ?prs(_,X); .wait(200);

34 if(X>10){.wait(400);}

35 if(X>100){.wait(1000);}

36 !dailyinit; !iterator.

37 @p1[atomic]

38 +!dailyinit : tick(N) <- ?prs(P,_);

39 .send(P,achieve,[updateTick(N),routine]);

40 ?t1(A,_);?t2(B,_);?t3(C,_); .concat(A,B,C,D);

41 .send(D,achieve,[updateTick(N),routine]);

42 ?bnk(J,K);

43 .send(J,achieve,[updateTick(N),routine]);

44 !updateTick.

143

në agjentët e simulimit janë të ndërtuara në bazë të përshkrimeve dhe projektimit të

tyre.

Bashkëveprimet e agjentëve ndodhin në mjedisin e tyre të përbashkët ku ata marrin dhe

dërgojnë mesazhe njëri tjetrit. Këto mjedise janë përcaktuar në bazë të veprimeve që

agjentët bëjnë në secilin prej tregjeve të përcaktuara në projektim. Artefakti BankEnv

shërben si mjedis për tregun bankar ku të gjithë agjentët përdorin operacionet e saj për

të kryer veprimet e ndryshme bankare. Ai krijohet në momentin e krijimit të agjentit të

parë bankë. Në mjedisin e këtij artefakti ruhen të dhënat e rëndësishme rreth llogarive

bankare të depozitave dhe huave të klientëve të bankës. Klientët e bankës, përkatësisht

agjentët firmë dhe person, kërkojnë të dhëna rreth llogarive të tyre duke i dërguar

kërkesat e tyre drejt artefaktit për të përditësuar besimet e tyre. Këto artefakte shihen si

lehtësues të procesit të arsyetimit të agjentit rreth të dhënave të mjedisit. Një tjetër

artefakt i rëndësishëm është FirmEnv, i cili funksionon si një mjedis i përbashkët për

agjentin firmë dhe person. Në këtë artefakt janë vendosur të gjitha ato operacione të

rëndësishme që i përkasin tregjeve të punës, mallrave dhe aksioneve. Secili agjent në

bazë të rolit që ka përdor operacionet e duhura nga artefakti.

Në listën 8-8 paraqiten dy operacione të rëndësishme të punësimit, përkatësisht metodat

“askJob()” dhe “employ()”. Bazuar në përshkrimin e figurës 5, agjenti person shton një

besim mbi kërkimin e punës, e cila aktivizon një plan që komunikon me artefaktin

FirmEnv për të thirrur operacionin “askJob()” me parametrat e agjentit person. Ky

operacion ruan të dhënat e agjentit kërkues në një listë objektesh të llojit AskJob. Në

një moment të dytë, kur agjenti firmë shton një besim punësimi si pasojë e kushteve të

caktuara, ai aktivizon planin që thërret operacionin e punësimit “employ()” te artefakti

FirmEnv me emrin e vetë agjentit që e kërkon. Në këtë stad, artefakti kryen arsyetimin

bazuar mbi listën e objekteve AskJob dhe zgjedh kandidatin më të mirë për tu punësuar

nga firma. Më pas artefakti dërgon një sinjal punësimi te agjenti firmë bashkë me pagën

që kjo firmë ofron për punëtorin. Ky veprim kryhet paralelisht me veprimin e shtimit

të punëtorit në objektin e firmës përkatëse.

144

Lista 8-8: Operacionet e punësimit në artefaktin ‘FirmEnv.java’

Këto artefakte krijojnë dhe modifikojnë objektet e pasqyruara të agjentëve të cilat

mbajnë disa nga gjendjet e marra nga besimet e agjentëve të simuluar. Këto objekte

përdoren për të ndihmuar agjentët në një proces arsyetimi më të mirë të tyren dhe për

të përdorur shumë nga përfitimet e gjuhëve të programimit me objekte. Ndër objektet

më të rëndësishme të modelit përmendim objektin e Firm, AskJob, Owner dhe Bank.

Objekti Firm përmban të dhënat e rëndësishme të agjentit firmë në lidhje me veprimet

e saj në tregjet përkatëse. Ndërkohë që objekti AskJob përfaqëson të dhënat e

rëndësishme të agjentëve person që kërkojnë punë apo janë të punësuar dhe në të janë

edhe disa metoda të lidhura me veprimet e tyre në tregun e punës. Objekti Owner

përfaqëson vetëm të dhënat e rëndësishme të agjentëve person që duan apo kanë

investuar në agjentët firmë dhe metodat që ndodhen në të përfaqësojnë sjelljet e tyre në

tregun e aksioneve. Të tre këto objekte ndodhen në formë liste në artefaktin FirmEnv.

Në artefaktin BankEnv është vetëm një objekt me emrin Bank i cili përfaqëson të dhënat

e agjentit bankë. Ndërkohë që ky artefakt përdor objektet ndihmuese Deposit dhe Loan

për të ruajtur të dhënat e depozitave dhe huave që agjentët klient kanë në agjentin bankë.

Këto objekte ruhen në listat e veçanta të çdo objekti Bank që përfaqëson agjentët bankë,

dhe mbi to kryen operacionet e shpeshta bankare.

Të gjithë agjentët e modelit të ekonomisë artificiale bashkë me agjentin koordinator

përdorin disa klasa funksionale për veprimet e tyre të brendshme brenda mjedisit MAS.

Lidhësi kryesor i këtyre klasave është një klasë me emrin DefaultInternalAction e

shpjeguar edhe në pjesën e veçorive të mjetit zhvillues JaCaMo. Këto klasa që zgjerojnë

këtë klasë ekzekutojnë disa veprime ndihmuese të vetë agjentëve pa nevojën e

operacioneve të artefakteve. Përdorimi i këtyre klasave është i domosdoshëm sidomos

kur na duhet të përdorim klasa të tjera për llogaritje. Sipas diagramit klasë të paraqitur

në figurën 6 të pjesës së projektimit të modelit, klasa Randomize është një nga klasat

që na duhet për tu përdorur në momente të ndryshme nga agjentët dhe nëpërmjet klasave

funksionale mund të aksesohet lehtësisht. Këto klasa janë të vendosura në një folder me

emrin “jia” dhe thirren në mënyrë të drejtpërdrejtë nga agjentët përkatës.

1 public class FirmEnv extends Artifact {

-- ...

5 @OPERATION void askJob(...){

6 jobaskers.add(new AskJob(...));

7 }

-- ...

23 @OPERATION void employ(String firm){

24 if(jobaskers.size()>0){

25 AskJob personToHire=jobaskers.get(0);

-- ...

32 for(int i=0;i<jobaskers.size();i++){ ... }

-- ...

49 jobaskers.remove(personToHire);

50 signal("hire",firm,personToHire.getPerson());

51 personToHire.setWage(wage);

52 for(Firm x:firms)

53 if(x.getFirm().equals(firm))

54 { x.getWorkers().add(personToHire); }

55 } else { signal("nohire",firm); }

56 }

--- ...

205 }

145

Lista 8-9: Disa nga veprimet e klasës funksionale rnd

Në listën 8-9 paraqitet pjesë nga kodi i klasës funksionale rnd që vepron brenda mjedisit

MAS ku ndodhen edhe agjentët e modelit tonë. Siç vërejmë nga kjo pjesë kodi, në të

krijojmë një objekt të llojit Randomize me anë të cilit marrim vlerat të ndryshme sipas

shpërndarjeve probabilitare të përmendura në kapitullin e mëparshëm. Në rreshtin e 4-

rt kontrollohet nëse argumenti i parë ka vlerën “randomIncome” dhe më pas merret e

ardhura fillestare e personit në bazë të një shpërndarjeje të ardhurash të krijuar prej

nesh, dhe dërgohet si vlerë te agjenti përkatës që e kërkon. Në të njëjtën mënyrë në

kushtin pasardhës kontrollohet argumenti nëse ka vlerë “Exp” dhe thirret metoda

“randomExperience()” e objektit Randomize e cila na jep një listë vlerash fillestare për

eksperiencat e agjentit. Këto vlera unifikohen në tre argumente dhe dërgohen te agjenti

që thirri këtë klasë funksionale. E njëjta gjë vazhdon edhe me kushtet e tjera pasardhëse

në këtë klasë.

Lista 8-10: Inicializimi i besimeve për secilin agjent të ekonomisë artificiale

Në listën 10 paraqiten kodet e planeve të inicializimit të besimeve të agjentëve përkatës

të modelit tonë. Këto plan qëllime thirren në momentin e krijimit të agjentëve përkatës,

dhe me anë të tyre vendosen besimet fillestare të agjentëve. Në anën e majtë paraqitet

plani inicializues i agjentit person. Në të shohim se fillimisht thirret klasa funksionale

rnd e cila gjeneron të ardhurat fillestare të agjentit siç është sqaruar më sipër. Pas

marrjes së vlerës bëhet përditësimi i besimit “income” dhe “cash” të këtij agjenti. Në

mënyrë të njëjtë ndryshohen edhe besimi i energjisë “hp”, besimi i vendndodhjes së

1 public class rnd extends DefaultInternalAction {

2 Randomize rand=new Randomize();

3 public Object execute(TransitionSystem ts, Unifier un, Term[] args) {

4 if(args[0].toString().equals("randomIncome")){

5 double res=(new WS()).returnWage();

6 return un.unifies(args[1],new NumberTermImpl(res));

7 } else if(args[0].toString().equals("Exp")){

8 double[] x=rand.randomExperience();

9 un.unifies(args[1], new NumberTermImpl(x[0]));

10 un.unifies(args[2], new NumberTermImpl(x[1]));

11 return un.unifies(args[3], new NumberTermImpl(x[2]));

12 }

.. ...

81 }

/* Agjenti Person */

+!init <-

jia.rnd(rndIncome,I);

-+income(I);

-+cash(I);

jia.rnd(HP,H);

-+hp(H);

jia.rnd(POS,Po);

-+pos(Po);

jia.rnd(Exp,

Xp1,Xp2,Xp3)

-+exp(Xp1,Xp2,Xp3);

.

/* Agjenti Firm */

+!init : .my_name(Me) <-

jia.frnd(Me,Type);

-+type(Type);

jia.frnd(INV,Me,Inv);

-+inventory(Inv);

jia.frnd(PROD,Me,Prod);

-+production(Prod);

jia.frnd(TRE,Me,Prod,Cash);

-+cash(Cash);

jia.rnd(POS,Po); -+pos(Po);

jia.frnd(PRC,Me,P);-+price(P);

jia.frnd(WAGE,W); -+wage(W);

jia.frnd(FV,Cash,Prod,P,Fv);

-+firmvalue(Fv);

!setupfirm(Id); focus(Id);

createFirm(Me,Fv,Inv,Prod,

Cash,P,Po);

?qshare(Quantity);

+shareprice(Fv/Quantity);

!employ.

/* Agjenti Bank */

+!init:

.my_name(Me)<-

jia.rnd(loan,L);

+interestLoans(L);

jia.rnd(saving,S);

+interestSavings(S);

jia.rnd(POS,Po);

-+pos(Po);

giveMeAgents(P,B,K);

jia.rnd(MA,P,B,M);

+moneyAvailable(M);

!setuptool(Id);

focus(Id);

initializeBank(Me,

L,S,M,Po);

.

146

agjentit “pos” dhe besimi i eksperiencës që ka tre vlera sipas llojit të produkteve. Në

kodin e inicializimit të besimeve të agjentit firmë, vendosen në bazë të emrit lloji i

firmës, inventari, prodhimi, paratë bazë, pozicioni, çmimi i produkteve, paga bazë dhe

vlera e firmës. Më pas vazhdohet me thirrjen e plan qëllimit “setupfirm” e cila krijon

artefaktin FirmEnv, dhe e fokuson atë për përdorim. Pas kësaj thirret operacioni

“createFirm()” me të dhënat fillestare të agjentit që krijon objektin firmë përkatëse për

këtë agjent. Në vazhdim përcaktohet vlera e çmimit të aksioneve dhe thirret plan

qëllimi “employ” për zbatimin e planit të punësimit të punëtorëve. Për agjentin bankë

në mënyrë të ngjashme inicializohen interesat e depozitës dhe huamarrjes, pozicioni i

agjentit dhe paratë që ai ka në dispozicion. Më pas agjenti krijon artefaktin BankEnv, e

fokuson atë dhe thërret operacionin “initializeBank()” me të dhënat e tij, për të krijuar

një objekt banke ku do të ruhen llogaritë e agjentëve klient dhe veprimet mbi to.

Një veçori tjetër e rëndësishme në ndërtimin e këtij simulimi është mekanizmi i

raportimit që përdor. Në fund të çdo hapi kohor, gjithë agjentët dërgojnë një mesazh

raportimi të besimeve te agjenti koordinator. Këto të dhëna mblidhen dhe përpunohen

në artefaktin Chart të krijuar nga vetë agjenti koordinator, siç paraqitet edhe në figurën

8-6. Ky artefakt përdor libraritë e hapura JFreeChart që mundësojnë ndërtimin e

grafikëve dinamik për gjendjet e agjentëve. Në këtë mënyrë arrijmë të japim një

raportim të shpejtë grafik të rezultateve të simulimit të ekonomisë artificiale. Në të

njëjtën mënyrë është përdorur për të krijuar një dosje “Excel” e cila mund të përdoret

për analiza të mëtejshme. Në këtë rast, përdoruesi mund të klikojë mbi butonin “Analizo

me Excel” në panelin e paraqitur në figurën 8-7, dhe më pas një mesazh raportimi do

të dërgohet te të gjithë agjentët të cilët do të dërgojnë besimet e tyre te agjenti

koordinator. Këto të dhëna do të dërgohen në artefaktin DataExcel, ku edhe do të

mblidhen dhe më pas eksportohen në një dosje “Excel”. Këto të dhëna mund të përdoren

nga përdoruesi më vonë për studime të mëtejshme.

147

KAPITULLI 9: ANALIZIM DHE KRAHASIM I REZULTATEVE

EKSPERIMENTALE TË EKONOMISË ARTIFICIALE

9.1. Hyrje

Në dy kapitujt e mësipërm është prezantuar modelimi, projektimi dhe ndërtimi i një

ekonomie artificiale duke përdorur dy mjete të ndryshme zhvilluese të simulimit me

agjentë inteligjent. Në këtë kapitull trajtohen fillimisht rezultatet eksperimentale të

marra nga simulimi i ekonomive artificiale të zhvilluara me mjetet RePast dhe JaCaMo,

bazuar mbi disa të dhëna fillestare. Gjatë këtij trajtimi të rezultateve analizohen edhe

ndryshimet e mundshme të tyre nën këndvështrimin ekonomik. Më pas jepen disa

përfundime të rëndësishme rreth këtyre dy zgjidhjeve të ndryshme të ekonomisë

artificiale duke pasur parasysh edhe arsyet e zgjedhjes së tyre dhe rezultatet e arritura.

9.2. Përshkrimi i të dhënave eksperimentale dhe rezultateve të marra

Në fillim të analizës së rezultateve të marra nga simulimi i ekonomisë artificiale të

ndërtuar me dy mjetet e lartpërmendura, duhet përmendur se për marrjen e rezultateve

është përdorur e njëjta njësi përpunuese kompjuterike me të dhëna të paraqitura në

tabelën 9-1.

Tabela 9-1: Të dhënat e kompjuterit

Lloji i kompjuterit Lenovo ThinkCentre M710s Desktop

Lloji Procesorit Intel Core i7-7700 i gjeneratës 7-të me 4 core dhe 8 threads

Frekuenca 3.6 GHz

Memoria RAM 16 GB (2 x 8GB DDR4-2400)

Hard disku SSD 256 GB + HDD 1TB

Kartë grafike GeForce GT 730 (2GB DDR5)

Sistemi shfrytëzimit Windows 10 me 64-bit

Të dhënat e paraqitur më sipër tregojnë një njësi normale kompjuterike që mundëson

kryerjen e eksperimenteve të ngjashme. Duhet përmendur se një njësi e tillë përpunuese

është lehtësisht e arritshme nga çdo kërkues shkencor i cili kërkon të tilla eksperimente.

Në kryerjen e eksperimenteve u vendosën disa të dhëna fillestare të ekonomisë

artificiale të përmendura me detaje në kapitujt e mësipërm. Të dhënat fillestare të marra

nga përdoruesi janë të tilla si numri i personave, firmave apo i bankave, paga bazë apo

mundësitë e prodhimit. Këto të dhëna paraqiten në tabelën 9-2 me vlerat e tyre

përkatëse.

Tabela 9-2: Të dhënat fillestare eksperimentale

Të dhënat Vlerat

Numri i personave 500

Numri i Firmave 20 (10,7,3)

Numri i Bankave 5

Mundësia për prodhim (T1,T2,T3) (50,15,2)

Kostoja Ditore (Paga) 200

Këto të dhëna u përdorën në të dy simulimet e ndërtuara të ekonomisë artificiale dhe në

bazë të rezultateve eksperimentale të tyre u përpilua një tabelë përmbledhëse si më

poshtë.

148

Tabela 9-3: Tabelë përmbledhëse rezultatesh

Simulatori Hapi Ndryshoret Testimi 1 Testimi 2 Testimi 3

Simulatori

i ndërtuar

me RePast

1000

kërkues pune 213 220 202

vende pune 0 0 0

të punësuar 266 243 280

Firma në

ekonomi 19 20 20

Ndarja [9,7,3] [10,7,3] [10,7,3]

Çmimet [7,30,466] [6,31,423] [6,32,158]

Paga [185,93,121] [168,80,102] [150,78,103]

PBB16 20.5 23.5 20.6

2000


vende pune 0 0 0


Firma në

ekonomi 14 10 17

Ndarja [4,7,3] [3,5,2] [7,7,3]

Çmimet [8,19,497] [7,18,451] [6,20,116]

Paga [174,44,121] [139,18,47] [121,86,37]

PBB 13.9 18.2 15.4

Simulatori

i ndërtuar

me

JaCaMo

1000


vende pune 0 0 1


Firma në

ekonomi 20 20 20

Ndarja [10,7,3] [10,7,3] [10,7,3]

Çmimet [6,69,515] [6,42,621] [6,64,721]

Paga [129,166,132] [139,147,131] [134,136,187]

PBB 26.5 31.3 34.9

2000


vende pune 0 0 0


Firma në

ekonomi 19 20 7

Ndarja [9,7,3] [10,7,3] [1,5,1]

Çmimet [6,99,555] [6.5,41,757] [7,77,820]

Paga [122,131,174] [133,140,131] [130,211,176]

PBB 15.9 22.2 26

Në tabelën 9-3 paraqiten në mënyrë krahasimore disa nga vlerat e marra të ekonomive

artificiale të simuluara në simulatorët e ndërtuar me anë të mjeteve të zhvillimit RePast

dhe JaCaMo. Në këto rezultate paraqiten 3 testime të këtyre ekonomive për secilin

16 PBB është i llogaritur në milion njësi paraje.

149

simulator dhe të marra përkatësisht në hapin e 1000-të dhe 2000-të të simulimit

përkatës. Rezultatet e paraqitura në këtë tabelë përfshijnë të dhënat:

e kërkesës për punë, që paraqet numrin e personave të gatshëm për punë por që

nuk janë të punësuar,

vendet e lira të punës, që paraqet numrin e kërkesave për punonjës nga firmat,

të punësuarit, që paraqet numrin e personave të punësuar

numri i firmave në ekonomi

numri i firmave të ndara sipas llojeve të firmave

çmimet mesatare të produkteve

pagat mesatare të punonjësve sipas llojeve të firmave

dhe produkti i përgjithshëm bruto i ekonomisë.

Këto të dhëna janë veç një pjesë e vogël por të rëndësishme të dhënave të gjeneruara

nga simulatorët, pasi simulatori përmban të gjitha të dhënat e përmendura në seksionin

7.3.1 të këtij punimi dhe që mund të jenë të eksportueshme nga përdoruesi i saj për

analiza më të thelluara. Në pjesën pasardhëse do të diskutohet kryesisht mbi bazën e

grafikëve përkatës që gjenerohen automatikisht nga simulatori mbi bazën e rezultateve

të saj. Në të do të vërehet dinamika e zhvillimit ekonomik brenda simulatorëve përkatës,

dhe do të analizohet ekonomia artificiale me veçantitë e saj në të dyja zhvillimet e saj.

9.3. Analiza e rezultateve të nxjerra nga simulimet

Në analizën e rezultateve të ekonomisë artificiale nga simulimet e bëra, të paraqitura

edhe në tabelën 9-3, vërejmë se këto rezultate për të njëjtat të dhëna fillestare na japin

vlera të ndryshme por brenda një kufiri të caktuar logjik. Kjo pasi të dyja modelet e

ndërtuara kanë përdorur një logjik të njëjtë të funksionimit të ekonomisë artificiale dhe

një rezultat i tillë është i pritshëm. Elementi që ndryshon në trajtimin e kësaj ekonomie

artificiale është e varur nga aftësitë e mjetit për tu përshtatur me kërkesat e modelit. Një

ndër kërkesat kryesore të modelit është autonomia dhe heterogjeniteti i agjentëve të saj.

Kjo kërkesë e veçantë është konsideruar në kapitujt e mësipërm, gjatë ndërtimit të

këtyre modeleve me agjent inteligjent, por identifikimi i mënyrës më të mirë bëhet i

vështirë në krahasimin e thjeshtë të disa rezultateve tabelore pasi duhen parë edhe

dinamikat ekonomike që çojnë drejt tyre. Për këtë arsye, në vijim do të trajtojmë

grafikët përkatës të dhënave ekonomike që paraqesin dinamikat ekonomike të

ekonomisë artificiale të ndërtuar me mjetin RePast dhe atë JaCaMo.

9.3.1 Analizë e rezultateve ekonomike me grafik nga simulimet

Në mënyrë që të kemi një analizë sa më të plotë të një ekonomie, grafiku i parë që duhet

të vështrojmë është ai i zhvillimit të produktit të brendshëm bruto (PBB) në njësi

kohore. Për këtë arsye, në figurën 9-1 paraqiten grafikët e 1000 hapave kohorë të parë

të simulimit të ekonomisë artificiale në të dy simulimet e ndërtuara. Në këtë mënyrë

paraqitet një tablo grafike e rezultateve të simulimit nga ku mund të interpretojmë këto

rezultate bashkë me dinamikën e tyre.

150

Figura 9-1 Grafikët e produktit të brendshëm bruto në ekonomitë artificiale

Në këndvështrimin ekonomik të rezultateve të shfaqura në grafikët përkatës të figurës

9-1 mund të themi se fillimisht ekonomia artificiale rritet me ritme të shpejta duke

plotësuar kështu mungesat e tregut. Një situatë e cila vazhdon kryesisht gjatë vitit të

parë kohor, pra 360 hapave të parë të simulimit. Gjatë vitit të dytë dhe të tretë kohor,

vërehet një stabilizim i produktit të brendshëm bruto me ulje-ngritje periodike që

ngjasojnë me ato të një ekonomie normale. Gjithashtu midis grafikëve të simulimeve

me mjetin RePast dhe JaCaMo nuk ekziston ndonjë ndryshim i rëndësishëm midis dy

grafikëve të paraqitur. Duhet thënë se një fenomen i tillë është i lidhur ngushtësisht me

sasinë e inventarit në ekonomi. Për këtë arsye, në figurën 9-2 shfaqen grafikët e

inventarëve për çdo lloj produkti.

Figura 9-2 Grafikët e totalit të inventarëve në ekonomitë artificiale

Edhe rezultatet e figurës 9-2 paraqesin një periudhë fillestare rritjeje prodhimi, duke

krijuar një stok të produkteve për të përballuar kërkesat e ndryshme të konsumatorëve.

Duhet thënë që është pikërisht madhësia e kësaj kërkese që do të rrisë nevojën e

prodhimit të produkteve nga firmat që ndodhen në ekonomi. Në figurën e mësipërme

shfaqen sasitë e inventarit të tre llojeve kryesore të produkteve në ekonomi, sipas

specifikimeve të bëra në kapitullin 8. Gjithashtu në to shfaqet edhe sasia totale e

inventarit të tre produkteve. Është e rëndësishme të përmendet se lloji i produktit T1,

që përbën mallrat apo shërbimet bazë të nevojshme për konsumatorin është edhe lloji i

produktit më të prodhuar në ekonomi sipas grafikëve përkatës. Në këtë grafik vërehen

disa ndryshime të vogla midis dy ekonomive artificiale të ndërtuara me mjetet RePast

151

dhe JaCaMo. Këto ndryshime janë të lidhura me përbërjen e faktorëve të tjerë që

ndikojnë në krijimin e stokut si p.sh çmimet e produkteve apo edhe efektet e brendshme

financiare të firmave.

Figura 9-3 Grafikët e të dhënave financiare të firmave në ekonomitë artificiale

Në figurën 9-3 paraqiten të dhënat financiare të firmave në vlera mesatare për të gjithë

ekonominë artificiale. Këto të dhëna përfshijnë paratë në dispozicion të firmave, vlera

e firmës që konsiderohet si vlerë financiare dhe e shëndetit ekonomik të firmës në fjalë,

të ardhurat e grumbulluara që kjo firmë kryen gjatë një viti kohor dhe pasuria që kjo

firmë ka. Paratë në dispozicion të firmave ndryshojnë në varësi të pagesave të ndryshme

që ata kryejnë ndaj punonjësve, të ardhurave të marra nga shitja e produkteve dhe

veprimeve bankare. Krijimi i një shume të caktuar parash në firmë çon në shtimin e

pasurisë së saj dhe mungesa e parave çon në uljen e kësaj pasurie. Nga ana tjetër firma

vlerësohet në bazë të kapitalit fillestar të saj dhe shtohet me rritjen e të ardhurave apo

me blerjen e aksioneve të saj. Ndërkohë që vlera e saj dobësohet apo ulet gjatë shitjes

së aksioneve të saj nga aksionarët apo humbjet e mundshme të saj. Në të dy grafikët e

prezantuar më sipër tregohet një tendencë rritjeje gjatë vitit kohor dhe në ulje në fund

të vitit kohor si pasojë e shpërndarjes së fitimeve. Duhet theksuar se në grafikun e

ekonomisë artificiale të zhvilluar me anë të mjetit JaCaMo vërehet një qëndrueshmëri

më e mirë e firmave në ekonomi. Kjo vjen për shkak të veprimeve të agjentëve të saj të

cilët kryejnë veprimet e tyre në mënyrë të pa sinkronizuar brenda një hapi kohor duke

dhënë idenë e veprimeve reale njerëzore në ekonomi. Në ekonominë artificiale të

ndërtuar me mjetin RePast, veprimet e agjentëve për shkak të kufizimeve të këtij mjeti

ndodhin në mënyrë sekuenciale brenda një hapi kohor dhe sipas një radhe të

paracaktuar, gjë e cila shkakton dhënien e prioritetit disa agjentëve ndaj të tjerëve.

Një tjetër grafik i rëndësishëm për analizimin e firmave është grafiku i ecurisë së

rendimentit mesatar të firmave. Ky lloj grafiku paraqitet në figurën 9-4.

152

Figura 9-4 Grafikët e rendimentit të firmave në ekonomitë artificiale

Në figurën e mësipërme paraqitet situata e shfrytëzimit të firmave në lidhje me

produktet e kërkuara nga konsumatorët dhe aftësisë prodhuese të saj. Në fillim të

simulimeve shohim se rendimenti fillon me një vlerë të ulët, e cila më pas rritet me

rritjen e produktivitetit të firmave. Pas një periudhe rritjeje rendimenti ulet si pasojë e

rritjes së stokut dhe nevojës për të ulur aftësinë e saj prodhuese duke hequr nga puna

punëtorë. Ky proces zgjat përgjatë një periudhe të shkurtër që çon drejt rregullimit të

tregjeve përkatëse të ofertë-kërkesës së produkteve dhe ofertë-kërkesës për punë. Nga

krahasimi i rezultateve në bazë të mjeteve zhvilluese shohim se rendimenti në firmat e

ekonomisë artificiale të ndërtuar me mjetin JaCaMo sillet më i orientuar ndaj

ndryshimeve dinamike të ekonomisë që çojnë drejt në rendimenti më të lartë të firmave.

Kjo është edhe një nga tiparet ekonomike të ekonomisë së sotme ku firmat synojnë të

optimizojnë burimet e tyre prodhuese.

Figura 9-5 Grafikët e çmimeve mesatare të produkteve në ekonomitë artificiale

Në figurën 9-5 shfaqen grafikët e dinamikës së ndryshimit të çmimeve të produkteve

në dy ekonomitë artificiale. Duhet theksuar se modeli ynë konsideron ndryshimin e

çmimeve në bazë të ekonomisë së tregut, ku çmimi i produkteve rritet me rritjen e

kërkesës apo të kostove të saj të punës dhe ulet me rritjen e ofertës nga firmat

konkurruese. Në këtë rast, ndryshimi midis ekonomive artificiale është i vogël, ku

shohim se në përgjithësi çmimet fillestare të produkteve vijnë duke u ulur në bazë të

ofertës në rritje të këtyre produkteve. Një element që mund të vërehet është

153

qëndrueshmëria e çmimeve pas vitit të parë ekonomik, e cila vërehet më tepër në

ekonominë artificiale të zhvilluar me mjetin e zhvillimit JaCaMo.

Figura 9-6 Grafikët e kërkesë-ofertës totale në ekonomitë artificiale

Në figurën 9-6 paraqiten grafikët e kërkesë-ofertës në ekonomitë artificiale. Në këtë

grafik paraqitet kërkesa totale për produkte në të gjitha firmat dhe aftësisë totale

prodhuese për të gjitha produktet për çdo hap kohor. Në grafikun e marrë nga ekonomia

artificiale të ndërtuar me mjetin RePast vërehet një aftësi prodhuese që rritet fillimisht

më shpejt se vetë kërkesa dhe më pas qëndron diku më sipër se vetë kërkesa e tregut.

Në grafikun tjetër paraqitet fillimisht një kërkesë e rritur që tërheq pas vetes rritjen e

aftësisë së prodhimit dhe më pas stabilizohet me ulje ngritje të herë pas hershme të

kërkesës konsumatore dhe aftësisë prodhuese të firmave. Normalisht në ekonominë

reale, tregu shkon drejt një ekuilibri të përgjithshëm të kërkesës konsumatore dhe

aftësisë prodhuese të firmave. Duke vështruar grafikët e mësipërm kuptohet se

ekonomia artificiale e ndërtuar me JaCaMo është më afër realitetit ekonomik.

Figura 9-7 Grafikët e pagës bazë mesatare për lloj firme në ekonomitë artificiale

Në figurën 9-7 paraqiten pagat mesatare bazë për çdo lloj firme në ekonomitë artificiale.

Në të paraqitet një tendencë rënëse të pagave pasi niveli i pagave është më i lartë se i të

ardhurave nga shitja e produkteve me çmimet e ofruara. Një gjë e tillë duhet të vazhdojë

deri në arritjen e një ekuilibri të përgjithshëm midis pagave të ofruara ndaj punëtorëve

dhe çmimeve të ofruara ndaj konsumatorëve. Në një vështrim të grafikëve të çmimeve

154

në figurën 9-5, vërejmë se ky ekuilibër arrihet në mënyrë më të mirë në grafikët e

rezultateve të ekonomisë artificiale të zhvilluar me mjetin JaCaMo.

Figura 9-8 Grafikët e të dhënave financiare të personave në ekonomitë artificiale

Në figurën 9-8 shfaqen të dhënat financiare të mesatarizuara për personat në ekonomitë

përkatëse artificiale. Në këto grafikë paraqitet paraja mesatare që personat kanë në

dispozicion në çdo moment, i cili përgjithësisht është i njëtrajtshëm në të dy këto grafikë

në bazë të kushteve të vendosura në model. Një tjetër parametër që paraqitet është

pasuria mesatare e personave e cila varet nga rritja apo ulja e parasë që personi ka, dhe

parametri i fundit që paraqitet është pasuria mesatare e ruajtur si aksione të firmave.

Parametri i pasurisë mesatare të ruajtur si aksione është i rëndësishëm pasi shfaq

pasuritë e personave pronar të firmave në ekonomi. Në një vështrim të përgjithshëm të

rezultateve në të dy zhvillimet e ekonomisë artificiale në mjetet përkatëse të zhvillimit,

shohim se mesatarja e parasë në dispozicion për çdo person qëndron e qëndrueshme

përgjatë simulimeve në të dyja simulimet. Ndërkohë që për sa i përket pasurisë mesatare

për person në ekonomitë e simuluara shohim se ai qëndron i qëndrueshëm deri në vitin

e tretë kohor të simulimit kur firma të mundshme falimentojnë, dhe firma të tjera

rivlerësohen në vlerë aksionesh më të larta. Ky efekt detyron disa prej personave të

blejnë aksione në firmat e mbetura, ndërsa aksionarët e mëparshëm të vuajnë

zhvlerësimin e aksioneve të tyre dhe uljen e pasurisë së tyre. Kjo prek përgjithësisht

pasurinë mesatare dhe pasurinë aksionare mesatare të popullatës. Duhet theksuar se në

ekonomitë artificiale e gjithë popullata fillon me një pasuri “zero” dhe me para në

dispozicion dhe secili agjent vendos në mënyrë autonome nëse do të kursej në bankë

apo të investojë duke krijuar një pasuri aksionare në firma.

Në këndvështrimin e rezultateve të simulimeve, kuptojmë se në simulimin e ndërtuar

me mjetin zhvillues JaCaMo ka një qëndrueshmëri më të madhe të rezultateve të

paraqitura. Kjo ndodh pasi veprimet e agjentëve janë të njëkohshme dhe asinkrone, dhe

kjo pjesë favorizon kryerjen e veprimeve në mënyrë më të kujdesshme nga agjentët.

Ndërkohë në simulimin tjetër, fakti që veprimet e agjentëve janë të njëkohshme dhe

sinkrone sjell ndryshime të forta në ekonominë artificiale. Këto ndryshime të tilla nuk

janë normale në ekonomitë reale pasi është e pamundur të krijohen tronditje të tilla

ekonomike ku bankat boshatisen dhe paratë e tyre kthehen të gjitha në investime. Një

fenomen i tillë nuk ndodh në simulimin e ekonomisë artificiale të ndërtuar me mjetin

JaCaMo, ku agjentët zgjedhin strategji të ndryshme në bazë të informacioneve që ata

kanë dhe kushteve të shfaqura në ekonomi.

155

Figura 9-9 Grafikët e interesave bankar në ekonomitë artificiale

Figura 9-9 paraqet një këndvështrim tjetër të ekonomisë artificiale, ku përqendrohet në

vlerat e interesave bankare të huave dhe të depozitave. Duhet pasur parasysh se

algoritmet e përdorur në ndryshimin e këtyre interesave janë plotësisht të njëjta, por në

varësi të evoluimit të ekonomisë artificiale shohim se rezultatet e tyre janë të ndryshme.

Në zhvillimin e ekonomisë artificiale të ndërtuar me mjetin JaCaMo shohim një

ekonomi më të qëndrueshme në lidhje me normat e interesave të huave dhe atyre të

depozitave.

Figura 9-10 Grafikët e likuiditetit bankar në ekonomitë artificiale

Në figurën 9-10 paraqitet likuiditeti bankar i ekonomive artificiale, i cili shpreh sasinë

e parave që bankat disponojnë në ekonomi. Paraqitja e saj në grafik tregon gjendjen e

parave përgjatë hapave kohor të zhvillimit të ekonomisë artificiale. Gjendja e parave

ndryshon në bazë të veprimeve depozituese apo tërheqëse, sikurse edhe i veprimeve

huamarrëse apo kthim huaje nga personat dhe firmat e ekonomisë. Duke ditur që në

ekonominë reale dhe të përditshme, këto veprime ndodhin në çdo ditë sipas nevojave

të ndryshme mund të themi se grafiku i nxjerrë nga simulimi i ekonomisë artificiale të

ndërtuar me mjetin zhvillues JaCaMo është më përfaqësues. Kjo është për arsyen e

thjeshtë se veprimet e ndryshme sjellin ndryshime të shpeshta të grafikut të likuiditetit.

Pasja e një vlere fikse përgjatë disa ditëve është një gjë e pazakontë në financat e

bankave.

156

9.3.2. Analiza funksionale e simulimeve

Në vlerësimin e grafikëve të mësipërm vumë re se ndërtimi i modelit të ekonomisë

artificiale në mjetin e zhvillimit JaCaMo mundësonte rezultate ekonomike të cilat ishin

më afër realitetit ekonomik, për të dhëna të njëjta fillestare. Kjo siç u arsyetua edhe në

pjesën e mëparshme vjen nga mundësimi i veprimeve të agjentëve në mënyrë

autonome, heterogjene dhe asinkrone me njëra tjetrën. Këto veti të mjedisit zhvillues

na lejojnë një imitim më të mirë të mjediseve ekonomike.

Një faktor i rëndësishëm që duhet konsideruar është koha e marrjes së rezultateve

eksperimentale nga simulimet përkatëse. Në simulimet e kryera është vërejtur se koha

e marrjes së rezultateve nga simulimet ndryshon me një diferencë të konsiderueshme.

Për këtë arsye u kryen disa eksperimente ku u mat koha e marrjes së rezultateve nga

ekonomitë artificiale në hapin e 1000-të dhe të 2000-të. Këto eksperimente u kryen me

të njëjtat të dhëna fillestare të paraqitura në tabelën 9-2 dhe në të njëjtin kompjuter me

të dhënat e paraqitura në tabelën 9-1. Në vijim u morën rezultatet kohore të paraqitura

në tabelën 9-4.

Tabela 9-4: Koha e marrjes së rezultateve të ekonomive artificiale

Mjeti zhvillues RePast JaCaMo

Hapat 1000 2000 1000 2000

Koha 120s ± 15s 240s ± 25s ~418s ~868s

Siç mund të vërejmë nga rezultatet e nxjerra në tabelën 9-4, koha e marrjes së

rezultateve nga ekonomia artificiale e ndërtuar me mjetin zhvillues RePast është më e

shpejtë. Arsyeja e këtij rezultati qëndron në faktin se ky mjet zhvillimi ka të përfshirë

një planifikues kohe që pret kryerjen e veprimeve të agjentëve dhe më pas kalon në

hapin pasardhës kohor. Në simulimin e ndërtuar me mjetin zhvillues JaCaMo, është

ndërtuar një planifikues kohe i varur nga një kohë maksimale e kryerjes së veprimeve

të agjentëve. Kjo e kufizon efiçencën kohore por mundëson veprimet asinkrone të

agjentëve. Në këtë rast kemi një kohë më të ngadaltë të marrjes së rezultateve dhe kjo

kohë është e njëtrajtshme përgjatë hapave simulues. Ndryshimi i kohës së marrjes së

rezultateve midis dy simulimeve të ekonomisë artificiale është i rëndësishëm dhe duhet

konsideruar gjatë ndryshimeve midis mjeteve zhvilluese.

Nën këndvështrimin e ndërtimit të simulimeve përkatëse, u vu re se ndërtimi i simulimit

me mjetin RePast është shumë më i thjeshtë dhe intuitiv. Në rastin e ndërtimeve të tilla

ky mjet na ndihmon të arrijmë më shpejtë në ndërtimin e simulimit, dhe për këtë arsye

do të ishte e logjikshme përdorimi i saj nga kërkues të ndryshëm në të ardhmen.

Pavarësisht kësaj duhet konsideruar rëndësia dhe kushtet e simulimit që do të ndërtohet,

dhe nëse kërkuesi do të jetë i interesuar në simulimin e sjelljeve me karakteristikat e

tyre reale atëherë ndërtimi me mjetin e zhvillimit JaCaMo do të ishte zgjedhja e duhur.

Në këtë rast do të duhej të shpenzohej pak më shumë kohë dhe mund për ndërtimin dhe

realizimin e modelit ekonomik.

9.4. Përfundime dhe krahasime

Në kapitujt shtatë dhe tetë u prezantuan dy zgjidhje të ngjashme të ndërtimit të një

mjedisi simulimi për ekonominë artificiale. Në të dy këto zgjidhje janë përdorur hapa

të ngjashëm në ndërtimin e mjedisit simulues me ndryshime kryesisht në pjesën e

projektimin. Këto ndryshime kanë lidhje me trajtimin e problemit në lidhje me veçoritë

e mjetit zhvillues.

157

Hapat kryesor të ndjekur në këto dy zgjidhje fillojnë me përshkrimin e modelit të

ekonomisë të marrë në shqyrtim. Pas këtij përshkrimi është bërë një analizë e modelit

të ekonomisë ku janë shqyrtuar specifikat e saj dhe janë analizuar me ndihmën e

diagramit me raste përdorimi dhe të aktiviteteve, pjesë e diagrameve UML. Pas kësaj

analize, është shqyrtuar përcaktimi i gjendjeve të agjentëve dhe mjedisit, ku janë

përcaktuar me detaje atributet e agjentëve bashkë me specifikat që ato do të përmbajnë.

Njëkohësisht është konsideruar edhe mjedisi në të cilin agjentët do të veprojnë dhe

specifikat e saj. Pas këtyre përcaktimeve, analiza vazhdon me vendosjet e gjendjeve

fillestare të agjentëve në fillim të simulimit të tyre. Në vazhdim përcaktojmë kërkesat

e simulimit të modelit, ku është përcaktuar modeli kohor që do të ndiqet gjatë simulimit

dhe mënyra e thirrjes së veprimeve të agjentëve. Gjithashtu janë përcaktuar edhe

faktorët të tjerë si vendosja e numrit të agjentëve dhe trajtimi i rezultateve nga

përdoruesi.

Në bazë të këtyre hapave fillestarë, në të dy kapitujt janë konsideruar dy mjete zhvillimi

të ndryshme të njohura si mjeti i zhvillimit Repast ReLogo, i cili njihet për ndërtimin e

modeleve simuluese ABM dhe mjeti i zhvillimit JaCaMo që ndihmon në simulimet me

sistemet MAS. Bazuar mbi mjetin e zhvillimit të trajtuar në secilin kapitull jepen hapat

e projektimit të modelit, ku përcaktohen me detaje veprimet e agjentëve dhe

ndërveprimet e tyre me agjentë të tjerë apo edhe me mjedisin. Në këto pjesë vërehet në

të dy zgjidhjet përdorimi i diagrameve sekuencë që paraqesin ndërveprimet e

mundshme të agjentëve. Më pas specifikohemi në detajimin teknik të ndërtimit ku edhe

është paraqitur për çdo kapitull diagrami klasë i modelit të simulimit. Në vazhdimësi

paraqiten zgjidhjet e ndërtimit të mjediseve simuluese në varësi të mjeteve të zhvillimit.

Ndryshimet themelore të këtyre dy zgjidhjeve janë të lidhura me ndryshimet midis

mjeteve të zhvillimit në lidhje me ndërtimin e mjedisit simulues dhe trajtimin e agjentit.

Bazuar mbi veçoritë e treguara në tabelat 5-1 dhe 5-3 të shfaqura në kapitullin pesë,

mund të themi se të dyja këto mjete zhvillimi, kanë një performancë, stabilitet dhe

fortësi goxha të lartë. Një ndër arsyet e zgjedhjes së këtyre dy mjeteve ishin pikërisht

këto parametra. Ndryshimi midis këtyre mjeteve është në mënyrat se si mund të

ndërtohen modelet simuluese. Për këtë arsye në tabelën 9-5, janë shfaqur ndryshimet

themelore midis këtyre mjeteve, bashkë me karakteristikat bazë që ne marrim parasysh

nga ndërtimi i modeleve të ekonomisë artificiale. Një ndryshim themelor midis tyre

është i lidhur me rolin që mjedisi ka në secilin mjet zhvillues. Në rastin e mjetit Repast,

mjedisi luan rolin e lehtësuesit të sjelljeve që agjentët kanë me njëri tjetrin. Në vetvete

ky mjeti zhvillimi, mundëson trajtimin e agjentëve si objekte dhe gjendjet e tyre si

variabla apo atribute të tyre. Kjo mënyrë e të trajtuarit mund të lejojë agjentin të ketë

njohuri të plotë mbi mjedisin, për sa kohë që vepron si objekt brenda këtij mjedisi. Pra

ky agjent mund të aksesojë çdo parametër të mjedisit, si edhe mund të komunikojë

direkt me agjentët e tjerë që janë pjesë e saj. Në rastin e mjetit të zhvillimit JaCaMo,

duhet thënë se roli i mjedisit nuk është thjesht në lehtësimin e sjelljeve që agjentët do

të kenë me njëri-tjetrin. Ky rol zgjerohet në ndihmën që artefaktet mund të japin në

veprimet apo sjelljet e agjentëve. Këto artefakte, në rastin e ekonomisë artificiale mund

të marrin rolin e tregjeve ku njësitë ekonomike veprojnë, dhe që ndihmojnë në sjelljet

racionale të tyre. Një veçori tjetër është që agjenti në këtë mjedis ka njohuri të kufizuara,

sikurse ndodh në realitet, dhe njohuritë e tij bazohen mbi besimet e krijuara nga

perceptimet e marra nga mjedisi rreth tij dhe komunikimet me agjentët e tjerë.

158

Tabela 9-5: Ndryshimet themelore midis RePast ReLogo dhe JaCaMo

Mjeti i zhvillimit RePast ReLogo JaCaMo

Problemi i

shqyrtuar Ekonomia Artificiale Ekonomia Artificiale

Roli Mjedisit Mjedisi lehtëson sjelljet e

agjentëve me njëri tjetrin

Mjedisi lehtëson sjelljet e agjentëve

me njëri tjetrin dhe ndihmon në

sjelljet e tyre në tregje

(me artefakte)

Njohuritë mbi

mjedisin

Agjenti mund të ketë njohuri

të plotë mbi mjedisin

Agjenti ka njohuri të kufizuar në

besimet e krijuara nga perceptimet

mbi mjedisin dhe artefaktet që

ndodhen në të

Aktivizimi i agjentit

Agjentët aktivizohen nga

mjedisi dhe nga komunikimi

me agjentët e tjerë

Agjentët aktivizohen nga mesazhet

vepruese nga agjentët e tjerë,

artefaktet dhe perceptimet nga

mjedisi

Vendimmarrja Në bazë të kushteve dhe

arsyetimeve racionale

Në bazë të arsyetimeve logjike dhe

racionale për të arritur qëllimin

Inteligjenca Reagime të thjeshta me

sjellje racionale

E plotë sipas konceptit BDI dhe me

sjellje racionale

Arkitektura Bazuar në OOP Hibride

Modeli Kohor I qendërzuar me kohë të

bazuar mbi ngjarje diskrete

Nuk ka, por mund të përdoren të tre

llojet (Problemi shqyrtuar përdor

model kohor diskret)

Radha e agjentëve

Me thirrje sinkrone njëri pas

tjetrit brenda hapit kohor dhe

në bazë veprimesh midis

agjentëve

Me thirrje asinkrone nga agjenti në

agjent. (Hapat në zgjidhjen tonë

përcaktohen nga një agjent që

shërben si koordinues kohor.)

Programimi Programimi i orientuar me

objekte

Bazuar në programimin logjik,

funksional, imperativ dhe

AOP, EOP,OOP,IOP (MAOP)

Ndërfaqja grafike Mundësohet bashkë me

mjedisin

Ndërtohet bashkë me mjedisin dhe

artefaktet nga zhvilluesi

Hapat e ndërtimit Në bazë të hapave të

vendosura në këtë punim

Në bazë të hapave të vendosura në

këtë punim

Një ndryshim tjetër themelor është mënyra se si e programimit të përdorur, ku mjeti

Repast përdor vetëm konceptet e objekteve te agjentët, ndërsa në mjetin e zhvillimit

JaCaMo përdoren lloje të ndryshme konceptesh. Në konceptet e përdorura në mjetin e

zhvillimit JaCaMo përmendim programimin imperativ me anë të cilit kryhet modelimi

i veprimeve, programimin funksional që ndihmon në modelimin e arsyetimit dhe

programimi logjik me anë të cilit modelojmë dijet e agjentit. Këto koncepte janë të

përfshira nën konceptin e përgjithshëm të MAOP për agjentët inteligjent, ku arrihet

programimi i orientuar ndaj agjentit, mjedisit, ndërveprimeve dhe organizimeve.

Bazuar mbi këto koncepte të përdorura në të dy mjetet themi se inteligjenca e shfaqur

e agjentit në mjetin Repast është e bazuar në reagimet e thjeshta dhe sjelljet racionale

të programuara në objektin agjent, ndërsa në mjetin JaCaMo kjo inteligjencë është e

plotë sipas logjikës së programimit të agjentëve inteligjent me anë të BDI dhe mbi të

janë shtuar edhe sjelljet racionale. Në të njëjtin këndvështrim edhe vendimmarrjet e

agjentëve merren në bazë të kushteve dhe arsyetimeve racionale te mjeti RePast, ndërsa

në mjetin JaCaMo vendimmarrja e agjentëve kryhet në bazë të arsyetimeve logjike dhe

ato racionale për të arritur qëllimin e tyre. Në rastin e dytë avantazhi qëndron në

159

strategjitë që agjentët zgjedhin në bazë të qëllimeve të tyre të ndryshme, ndërsa në rastin

e parë strategjitë varen vetëm nga kushtet e programuara në fillim.

Avantazhet kryesore të mjetit RePast ndaj mjetit JaCaMo, janë të lidhura me elementët

e gatshëm që mundësojnë krijimin më të shpejtë të modelit simulues. Më specifikisht

ndërfaqja grafike që ofron, bashkë me mundësinë e trajtimit të rezultateve me grafikë.

Në rastin e mjetit JaCaMo zhvilluesi duhet të mendojë dhe zhvillojë këto elementë.

Elementi tjetër i rëndësishëm është që mjeti RePast përdor një model kohor të

qendërzuar, i cili është i gatshëm dhe bazohet në modelin kohor me ngjarje diskrete që

do të thotë se pret që të gjithë agjentët të mbarojnë veprimet e hapit kohor dhe më pas

vazhdojnë me hapin tjetër. Meqenëse ky mjet zhvillues bazohet mbi konceptet e

orientuara ndaj objektit, edhe radha e agjentëve brenda hapit është sinkrone ku çdo

agjent thirret pasi mbaron agjenti paraardhës. Ky element vendos një kufizim për

agjentët, ku radha e veprimeve të tyre është e paracaktuar nga zhvilluesi. Në zgjidhjen

e dhënë me anë të mjetit të zhvillimit JaCaMo, ky problem është anashkaluar nëpërmjet

proceseve të vet këtij mjeti. Pasi çdo agjent i krijuar konsiderohet si një proces më vete

dhe radha e veprimeve nuk është e paracaktuar por mund të kryhen në mënyrë të

pavarur nga njëri-tjetri.

Mjeti i zhvillimit JaCaMo nuk ka një model kohor të qendërzuar, dhe për këtë shkak në

zgjidhjen tonë për ekonominë artificiale është konsideruar një agjent koordinator që

kryen rolin e kohë mbajtësit të modelit. Ai kryen thirrje asinkrone te çdo agjent i modelit

duke përdorur një kohë diskrete për çdo hap kohor.

Në tërësi pas analizimit të dy zgjidhjeve të dhëna mund të themi se të dy mjetet janë të

përshtatshme për modelime ekonomike që mund të përdoren me tej nga studiuesit e

ekonomisë. Për të dy këto mjete propozohet të ndiqen hapat e ndërtimit të modelit

ekonomik të prezantuar me detaje në këto dy kapituj. Këto hapa përfshijnë:

1. Përshkimi i modelit ekonomik

2. Analiza e modelit

2.1. Përcaktimi i gjendjeve të agjentëve dhe mjedisit

2.2. Vendosjet e gjendjeve fillestare

2.3. Kërkesat e simulimit të modelit

3. Përcaktimi i mjetit të zhvillimit

4. Projektimi i modelit ekonomik në bazë të mjetit të zhvillimit

4.1. Projektimi i veprimeve të agjentëve

4.2. Detajimi teknik

5. Ndërtimi i modelit ekonomik

5.1. Ndërtimi i mjedisit simulues

5.2. Ndërtimi i ndërfaqes së përdoruesit

5.3. Ndërtimi i paraqitjes së rezultateve

6. Eksperimentimi

7. Kthehu në hapin 4 për të përmirësuar modelin

Hapi 1 dhe 2 i ndërtimit të një modeli simulues, paraqesin punën parapërgatitore të

zhvilluesit bashkë me studiuesin e fushës ekonomike. Pas kryerjes së kësaj analize,

zhvilluesi duhet të zgjedhë mjetin e zhvillimit të përshtatshëm. Në rastin tonë, ne

sugjerojmë mjetet e përmendura si dy mjete më të mira të zhvilluara deri më sot që

plotësojnë kushtet e ndërtimit të modeleve ekonomike të bazuar në agjent inteligjent.

Në këtë hap sugjerojmë përdorimin e mjetit RePast, nëse kërkohet të ndërtohet shpejt

një model ekonomik i tillë për arsye studimore apo për të vërtetuar hipoteza të caktuara

160

pa marrë parasysh faktorë si pavarësia e agjentëve dhe mendimi logjik i tyre. Ky mjet

mbështet fort sjelljet racionale të agjentëve ekonomik, dhe është lehtësisht i përdorshëm

edhe nga përdoruesi për marrjen e rezultateve dhe grafikëve që ofron. Nëse modeli

ekonomik që kërkohet është shumë kompleks dhe kërkon një imitim të ekonomisë reale

në detaje, atëherë zgjedhja do të ishte mjeti i zhvillimit JaCaMo. Ky mjet ofron të gjithë

elementët që mund të përdoren për të ndërtuar mjedise me agjent inteligjent. Gjithashtu

mbështet edhe krijimin e organizimeve të ndryshme të këtyre agjentëve dhe lejon

ndërveprimin e tyre në mjedise të ndryshme, si p.sh në tregje të ndryshme ekonomike,

me anë të artefakteve.

Pas zgjedhjes së mjetit zhvillues në hapin 3, hapat pasardhës 4, 5 dhe 6-të duhen kryer

në mënyrë përsëritëse dhe rritëse, duke u bazuar në sugjerimet e punimit (Kamiński &

Szufel, 2013) për zhvillimin rritës dhe përsëritës, si edhe në sugjerimet për strategjitë e

projektimit të prezantuara në punimin e (Klügl, 2009). Në hapat 2 dhe 4 është e

nevojshme të përdoren edhe diagramet UML, specifikisht diagramet e aktiviteteve,

sekuencave dhe klasave pasi ndihmojnë në analizën dhe projektimin e modelit

simulues. Ndjekja e këtyre hapave është e rëndësishme në të dyja rastet pasi përmirëson

punën e zhvillimit të modeleve ekonomike të bazuara në sisteme me agjentë inteligjent.

161

KAPITULLI 10: KONKLUZIONE DHE REKOMANDIME

10.1. Përmbledhje e punës kërkimore

Në këtë punim është paraqitur një studim i plotë i modelimeve ekonomike të bazuara

në sisteme me agjentë inteligjent. Përbërja e këtij studimi e paraqitur në kapituj të

ndryshëm, paraqet punën studimore të kryer për arritjen e objektivave të vendosur të

temës në bazë të pyetjeve kërkimore të formuluara në fillim të këtij punimi, është

paraqitur një tablo e plotë e studimit të kryer.

Në këtë punim u krye fillimisht një hulumtim të gjerë të fushës së IA-së dhe ekonomisë,

ku u tregua një lidhje e ngushtë midis këtyre dy fushave. Njëkohësisht u studiua edhe

trendi i zhvillimit të këtyre fushave e cila na ndihmoi në gjetjen e mundësive në të

ardhmen për studime në lidhje me këto dy fusha. Në përfundim të kësaj faze fillestare

hulumtuese dhe në bazë të pyetjes kryesore së saj kërkimore për hapësirën për studim

u përcaktua edhe studimi i mëtejshëm i këtij punimi në lidhje me modelet ekonomike

të bazuara në sistemet me agjentë inteligjentë.

Në vazhdimësi u vazhdua me tre faza të mëtejshme hulumtimi, ku edhe u ngritën pyetje

të tjera kërkimore. Në fazën e dytë u hulumtua mbi konceptet e një fushe të re të quajtur

‘Ekonomia Artificiale’, ku paraqiten shumë prej koncepteve përbërëse të studimit tonë,

si CAS, ACE, ABM, etj. Gjithashtu janë dhënë edhe arsyet e nevojës së madhe që ka

studimi i ekonomisë me anë të modeleve të bazuara në agjentë, e cila ka lidhje me

problematikat e shumta dhe komplekse të saj. Në këtë fazë të punës kërkimore janë

identifikuar edhe nevojat për zhvillim në këtë fushë të sugjeruara nga autorë të

ndryshëm për studimin e ekonomisë me anë të modeleve me agjentë. Rëndësi ka të

theksohet se simulimi i modeleve ekonomike me anë të koncepteve të agjentit

inteligjent është e nevojshme në fushën ekonomike dhe ka nevoja për zhvillim të

mëtejshëm.

Në fazën e tretë të hulumtimit është studiuar në bazë të pyetjeve kërkimore teknikat

tradicionale të modelimit dhe simulimit dhe krahasimi i tyre me ABM-të. Gjatë këtij

hulumtimi vihet në dukje rëndësia e përdorimit të ABM-ve në zgjidhjen e problemeve

komplekse, si edhe përfshirja e metodave ekzistuese në të. Gjithashtu bashkë me

hulumtimin e kryer në fazën e dytë është e rëndësishme të theksohet se modelimi dhe

simulimi i bazuar në agjent është teknika më e mirë për trajtimin e problemeve

komplekse ekonomike.

Në vazhdim të kësaj faze u bë e mundur hulumtimi mbi konceptet kryesore të agjentit

inteligjent dhe mundësitë e përdorimit të tyre në modelet e ardhshme, në funksion të

plotësimit të nevojave të sugjeruara për zhvillim.

Në fazën e katërt dhe përfundimtare të hulumtimit në literaturë janë shqyrtuar në bazë

të pyetjeve kërkimore të ngritura hapat ekzistuese të ndërtimit të modeleve simuluese

të bazuara në agjent. Në këtë pjesë janë përcaktuar disa nga hapat e suksesshëm ku jemi

bazuar në pjesën e zhvillimit eksperimental. Duhet përmendur se nga hulumtimi i kryer

në literaturë u vu re se nuk ekziston një mënyrë e përgjithshme të ndërtimit të këtyre

modeleve dhe se nuk ka një metodikë të tillë të përcaktuar në studimin e ekonomisë.

Në këtë fazë janë trajtuar edhe mjetet ekzistuese ABM, ku janë veçuar ato mjete që

mund të zhvillojnë modele ekonomike të bazuara në agjentë. Ndërmjet tyre janë

zgjedhur pas një krahasimi të veçorive të tyre, mjetet zhvilluese NetLogo dhe RePast.

Në vazhdimësi janë trajtuar edhe metodologjitë ekzistuese të inxhinierisë së softit në

162

lidhje me ndërtimin e modeleve simuluese me agjentë. Këto metodologji paksa të

cunguara në trajtimin e problemeve ekonomike u studiuan dhe u përshtatën për një

zgjidhje të mundshme me anë të eksperimenteve të ndërtuara. Si një pjesë themelore e

studimit, në këtë fazë janë trajtuar edhe mjetet zhvilluese MAS që mund të zhvillojnë

modele të tilla të bazuara në agjentë. Në këtë stad të studimit u përzgjodhën dy mjete

zhvilluese, Jason dhe JaCaMo, të cilat plotësonin kërkesat për ndërtimin e modeleve

ekonomike të bazuara në agjentë.

Gjithashtu si pjesë e hulumtimit në literaturë u shqyrtuan dy raste studimi të ekonomisë

artificiale të arritura deri më tani. Modeli EURACE është rasti i parë i ndërtimit të

ekonomisë artificiale, i cili arriti edhe të vlerësojë nevojën e madhe të përdorimit të

këtyre metodave në studimin e ekonomisë. Ky model vërtetoi se këto modele arrijnë

një vlerësim më të mirë ekonomik se sa modelet DSGE të përdorura deri më tani si

vlerësuese më të mira të saj. Pavarësisht arritjeve të modelit EURACE dhe Jamel, u

identifikuan mangësi në lidhje me tipat e agjentëve të përdorur dhe në përdorimin e tyre

për probleme të ndryshme ekonomike.

Rezultatet e kësaj pjese hulumtuese të ndarë në katër faza, janë të përmbledhura në

kapitujt përkatës të këtij punimi. Ato përbëjnë bazën kryesore mbi të cilën bazohet ky

punim shkencor. Në vijim puna kërkimore përfshin një pjesë zhvillimore

eksperimentale, e cila është e bazuar mbi pyetjet e mëtejshme kërkimore të ngritura për

arritjen e qëllimit të punimit. Në këtë pjesë fillimisht u trajtua zhvillimi i dy

eksperimenteve të një problemi specifik në fushën ekonomike me anë të mjeteve

zhvilluese NetLogo dhe Jason.

Në eksperimentin e parë, është trajtuar modeli i terminalit detar të Durrësit ku është

kryer një eksperimentim mbi metodikat më të përshtatshme në menaxhimin e

kontejnerëve dhe vinçave. Në këtë eksperiment u vu re se mjeti zhvillues NetLogo arrin

të ndërtojë modele të tilla të thjeshta por nuk plotëson kushtet për trajtime më të

ndërlikuara me agjentë inteligjent. Për këtë arsye u krye një eksperiment i dytë me

mjetin zhvillues Jason. Në këtë eksperiment është trajtuar modeli i menaxhimit të

magazinës, ku eksperimentohen metoda të automatizuara të vendosjes dhe nxjerrjes të

mallrave në mënyrë të automatizuar. Me anë të këtij eksperimenti me një mjet MAS, u

arrit të provohej se këto mjete arrijnë të ndërtojnë mjedise simuluese për modelet

ekonomike të bazuara në agjentë, ndonëse vetëm për probleme specifike të saj.

Njëkohësisht u tregua se mund të ndërtojmë agjentë inteligjent që plotësojnë disa nga

nevojat për zhvillim të kërkuara nga komuniteti i studiuesve të ekonomisë.

Në vazhdim të kësaj pjese eksperimentale është kryer një analizë krahasuese mbi hapat

e ndërtimit të përdorur nga të dy mjetet, ku është vënë në dukje përdorimin e praktikave

më të mira të sugjeruara në fazën e katërt të hulumtimit. Gjithashtu janë paraqitur edhe

ndryshimet themelore midis këtyre dy mjeteve zhvilluese dhe sugjerimet përkatëse për

përdorim e tyre në të ardhmen. Përfundimet e këtyre dy punimeve janë të paraqitura me

detaje në pjesën 6-4 të këtij punimi.

Në vijim të këtij punimi, u ndërtua një punë eksperimentale me anë të mjetit të

zhvillimit RePast ReLogo, për të modeluar dhe ndërtuar një ekonomi artificiale.

Fillimisht jepet një përshkrim i ekonomisë që trajtohet, më pas bëhet një analizë e

modelit të propozuar ku përdoren edhe diagramet UML të llojit me raste përdorimi dhe

ai i aktiviteteve për agjentët e përdorur. Më pas bëjmë përcaktimin e gjendjeve të

agjentëve dhe mjedisit, vendosjet e gjendjeve fillestare dhe vënia në dukje e kërkesave

të simulimit. Duke u bazuar në mjetin e zgjedhur është kryer projektimi i modelit, ku

163

fillimisht jepet projektimi i veprimeve ose sjelljeve të agjentëve me anë të diagrameve

sekuencë dhe detajimi i tyre teknik me anë të diagrameve klasë të modelit. Pas tyre

jepen specifikat e ndërtimit të tyre, ndërfaqja grafike dhe shfaqja e rezultateve të

simulimeve. Nëpërmjet këtyre hapave u bë e mundur të pohojmë se modelimi dhe

ndërtimi i një ekonomie artificiale me anë të mjeteve ABM është i mundur dhe

funksional. Gjithashtu me anë të saj ne arritëm të përcaktonim disa hapa të përgjithshëm

në ndërtimin e simulimeve të ngjashme në të ardhmen.

Në vazhdimësi të punimit u arrit duke ndjekur të njëjtat hapa të mësipërme ndërtimi

eksperimental i një ekonomie artificiale me anë të mjetit të zhvillimit MAS JaCaMo.

Kjo metodikë e përdorur përbën një risi, pasi në literaturë ky mjet është trajtuar me

metodologjinë prometheus me qëllimin e përfshirjes së koncepteve të arkitekturës BDI

për agjentët inteligjent. Në pjesën e projektimit është sugjeruar përdorimi i diagrameve

UML të modifikuara që mundësojnë përfshirjen e koncepteve të agjentit inteligjent BDI

dhe përdorimin e artefakteve në to.

Në përfundim të punimit është trajtuar një analizë e rezultateve eksperimentale të marra

nga dy ekonomitë artificiale të ndërtuara. Kjo analizë konsideron ndryshimet e

gjendjeve të gjithë njësive ekonomike dhe përfundon me grafikë përmbledhës

ekonomik të rezultateve. Me anë të këtyre grafikëve vërtetohet aftësia e këtyre

modeleve për të simuluar ekonomitë reale. Në krahasimin e të dy zgjidhjeve të

ndërtuara me mjetet përkatëse, vihet re se ekonomia artificiale e ndërtuar me mjetin

JaCaMo ofron një ngjashmëri më të mirë me një ekonomi reale bazuar mbi rezultatet e

simulimeve të kryera.

10.2. Konkluzione

Krizat e shumta ekonomike dhe zhvillimet teknologjike kanë qenë arsyeja kryesore që

ka udhëhequr një punim të tillë. Ky punim analizon në detaje një qasje të re të studimit

të fushës ekonomike duke përdorur konceptet e fushës së IA-së në trajtimin e saj. Në

bazë të saj është kryer një hulumtim i detajuar në konceptet modeluese të bazuara në

agjent, dhe mundësisë së përdorimit të tyre për të simuluar situata të ndryshme

ekonomike. Gjatë këtij hulumtimi u arrit në përfundimin se një qasje e tillë është

kërkuar nga komuniteti i studiuesve të ekonomisë, duke e konsideruar atë si të

nevojshëm në trajtimin e shumë problemeve ekonomike.

Me anë të hulumtimit në literaturë u arrit identifikimi i problematikave të modelimeve

të tilla, si edhe u përcaktuan kërkesat për modelime me agjentë inteligjent. Në këtë

aspekt u analizuan risitë më të fundit të fushës së IA-së në lidhje me simulimin me anë

të MAS, ku u vu re se është e mundur të integrohen këto risi në modelimet ekonomike.

Gjithashtu u analizuan mjetet zhvilluese për këto modele dhe metodologjitë e përdorura

në ndërtimin e tyre. Në përfundim të këtyre analizave u arrit zgjedhja e mjeteve më të

mundshme për të zhvilluar këto modele, si edhe e metodologjive përkatëse për

ndërtimin e tyre.

Me anë të mjeteve zhvilluese të zgjedhura dhe bazuar mbi praktikat më të mira

zhvilluese u ndërmorën disa zhvillime eksperimentale të modeleve ekonomike. Mjeti i

parë zhvillues NetLogo, i konsideruar si një mjet zhvillimi ABM, arrin të ndërtojë

modele të thjeshta problemesh ekonomike që nuk kanë një kompleksitet të lartë në

modelimin e agjentëve. Në bazë të modelit eksperimental të ndërmarrë u vu re se ky

mjet nuk i plotëson të gjitha kushtet për trajtimin e me agjentë inteligjent. Për këtë arsye

në eksperimentin e dytë u përdor mjeti i zhvillimi Jason, i cili në mënyrë të ngjashme

164

arriti të ndërtoj një model të ngjashëm. Ky mjet i llojit MAS plotëson kushtet për

trajtimin me agjentë inteligjent. Në bazë të këtyre zhvillimeve eksperimentale të

arritura, arrijmë në përfundimin se është e mundur simulimi i problemeve specifike të

ekonomisë me anë të mjeteve të zhvillimit ABM dhe MAS. Një përfundim tjetër i

rëndësishëm është fakti që mjeti i zhvillimi Jason ofron simulimin e modeleve të

ngjashme me anë të agjentëve inteligjent, të cilët lejojnë një specifikim më real të

kushteve të mjedisit simulues.

Në zhvillimet e mëtejshme eksperimentale të këtij punimi u arrit të provohet se është e

mundur modelimi dhe ndërtimi i një ekonomie artificiale. Për këtë u përdor fillimisht

mjeti i zhvillimit RePast ReLogo, i zgjedhur ndër mjetet e zhvillimit ABM. Zhvillimi i

simulimit të kësaj ekonomie artificiale pati vështirësitë e saj, dhe për këtë u kërkuan

ndryshime në metodologjinë e zhvillimit të saj. Për këtë u përcaktuan disa hapa të

rëndësishëm për zhvillimin e modeleve të ngjashme të ekonomisë artificiale.

Duke u bazuar në hapat e përcaktuar për zhvillimin e modeleve të ekonomisë artificiale,

u zhvillua një simulator tjetër me anë të mjetit të zhvillimit JaCaMo. Me anë të këtij

mjeti MAS provuam se është e mundur ndërtimi i simulimeve të ekonomisë artificiale

me to. Gjithashtu nëpërmjet tij u arrit të provohej se hapat e përcaktuar në këtë punim

mund të na ndihmojnë në zhvillime të ngjashme në fushën e ekonomisë. Duhet

përmendur se për të arritur këtë eksperiment janë përfshirë disa ndryshime të vogla në

hapin e projektimit, duke përdorur diagrame UML të modifikuara që përfshijnë

konceptet e agjentit që ky mjet zhvillues ofron.

Këto zhvillime eksperimentale të ekonomisë artificiale na lejuan të analizojmë në detaje

avantazhet e secilit mjet zhvillimi, duke u bazuar në rezultatet e tyre eksperimentale.

Në këtë analizë të kryer vëmë në dukje se mjeti i zhvillimit JaCaMo, arrin të ndërtojë

një ekonomi artificiale me anë të hapave të përcaktuar duke pasur rezultate më të mira

se mjetet ekzistuese të modelimeve të bazuara në agjent. Ky mjet plotëson të gjitha

kushtet e kërkuara nga komuniteti i studiuesve të ekonomisë që duan të përdorin

modelimin e bazuar në agjent për studimin e saj.

Kjo përbën edhe përfundimin e këtij punimi, pra përmbushjen e qëllimit kryesor të këtij

punimi që përfshin identifikimin, studimin dhe ndërtimin e një metodike më të mirë për

modelet ekonomike të bazuara në agjent inteligjent.

10.3. Rekomandime dhe punë të mëtejshme

Bazuar mbi këtë punim rekomandohet përdorimi i hapave të paraqitura për modelimin

dhe ndërtimin e modeleve ekonomike të bazuara në sisteme me agjentë inteligjent.

Gjithashtu në bazë të vlerësimeve të kryera në këtë punim dhe në bazë të sugjerimeve

të dhëna në pjesët 6.4 dhe 9.4 të këtij punimi, do të rekomandoja përdorimin e mjeteve

përkatëse të zhvillimit në bazë të veçorive të problemeve ekonomike të marra në

shqyrtim.

Është e rëndësishme të theksohet se për ndërtimin e modeleve të tilla kërkojnë njohuri

programuese nga studiuesi dhe ekspertizë nga ndërtuesi i tyre. Për këtë arsye,

sugjerohet përfshirja në programet universitare të një lënde bazë për modelim dhe

simulim me agjentë si edhe lëndë profesionale në fushën e informatikës me njohuri të

thelluara programuese për ndërtimin e modeleve të bazuara në sisteme me agjentë

inteligjent.

Si një punë e mëtejshme e këtij punimi sugjeroj përdorimin e metodologjisë të

propozuar në këtë punim, në trajtimin e një ekonomie artificiale të bazuar mbi të dhëna

165

reale të ekonomisë shqiptare. Kjo do të mundësonte testimin e politikave të ndryshme

ekonomike, përfshirë ato fiskale dhe monetare, përpara zbatimit të tyre në ekonomi.

Një gjë e tillë do të sillte zhvillime më të qëndrueshme dhe të mirë menduara të

ekonomisë.

10.4. Kontributi i punimit

Kontributi i këtij punimi shtrihet në të dy fushat e studimit, atë të fushës së IA-së në

trajtimin e agjentëve inteligjent dhe në fushën ekonomike. Me këtë punim është arritur

përcaktimi i një metodologjie të ndërtimit të mjediseve simuluese me agjentë inteligjent

e cila mund të përdoret edhe në fusha të tjera në simulimin e fenomeneve të ndryshme

komplekse. Kjo e bazuar kryesisht mbi në mjetin e zhvillimit JaCaMo, e cila përmbledh

të gjitha avantazhet e deritanishme në literaturë.

Kontributi kryesor i këtij studimi është në përcaktimin e hapave të duhur për ndërtimin

e një ekonomie artificiale bazuar mbi teknikat e modelimeve ekonomike të bazuara në

agjentë. Ky studim përfshin sugjerime të rëndësishme mbi përdorimin e mjeteve

zhvilluese që mundësojnë ndërtimin e ekonomive artificiale dhe hapave të rëndësishme

të ndërtimit të tyre. Ndërtimi i të tilla mjeteve do të ketë një ndikim të drejtpërdrejt në

vendimmarrjet e sistemeve ekonomike, përfshirë këtu të gjithë aktorët e rëndësishëm të

një ekonomie. Ekonomistët mund të përdorin rezultatet e këtij punimi si një mjet me

një vështrim të thelluar për zgjidhjen e problemeve të ndryshme ekonomike. Politikë-

bërësit në sistemet ekonomike mund të testojnë hipotezat e tyre përpara përdorimit të

tyre si edhe përmirësimin e tyre bazuar mbi punën e bërë. Gjithashtu nëpërmjet këtyre

metodave mund të gjenden mënyra më të mira dhe të reja që sigurojnë një rezultat më

të mirë të sistemit ekonomik dhe të parandalojnë rezultatet e padëshiruara ekonomike.

166

REFERENCAT

Abdou, M., Hamill, L., & Gilbert, N. (2012). Designing and Building an Agent-Based

Model. Në A. Heppenstall, A. Crooks, L. See, & M. Batty, Agent-Based Models

of Geographical Systems (fv. 141-165). Dordrecht: Springer.

Abelson, H., Goodman, N., & Rudolph, L. (1974, 12 1). LOGO Manual. Gjetur 6 5,

2018, nga Artificial Intelligence Lab, MIT: http://hdl.handle.net/1721.1/6226

Abelson, H., Goodman, N., & Rudolph, L. (1974). LOGO Manual. Artificial

Intelligence Lab, Massachusetts Institute of Technology.

Agents of change. (2010, July 22). The Economist. Gjetur në The :

https://www.economist.com/node/16636121

Agolli, E., & Hakrama, I. (2015). The effective usage of Durres Seaport Container

Terminal capacity using an Agent-based modeling approach. Information

Systems and Technology Innovations: inducting Modern Business Solution.

Tirana.

Albin, P. S., & Foley, D. K. (2001). The Co-Evolution of Cooperation and Complexity

in a Multi-Player Local-Interaction Prisoners Dilemma. Complexity, 6(3), 54-

63.

Amblard, F., Miguel, F. J., Blanchet, A., & Gaudou, B. (2015). Preface. Advances in

Artificial Economics, Lecture Notes in Economics and Mathematical Systems

676, v-vii. doi:10.1007/978-3-319-09578-3

Andrighetto, G., Campenni, M., Conte, R., & Paolucci, M. (2007). On the Immergence

of Norms: a Normative Agent Architecture. AAAI Symposium, Social and

Organizational Aspects of Intelligence (fv. 11-18). Menlo Park, California: The

AAAI Press. Gjetur në http://www.aaai.org/Papers/Symposia/Fall/2007/FS-07-

04/FS07-04-003.pdf

Arifovic, J. (1991). Learning by Genetic Algorithms in Economic Environments. Ph.D

Thesis, University of Chicago.

Arifovic, J., & Eaton, B. C. (1994). Coordination via Genetic Learning. Computational

Economics, 8(3), 181-203.

Arora, S., Agrawal, C. P., Sasikala, P., & Sharma, A. (2012). Developmental

approaches for Agent Oriented system—A critical review. Software

Engineering (CONSEG), 2012 CSI Sixth International Conference (fv. 1-5).

IEEE.

Arthur, B. (1992). On Learning and Adaptation in the Economy. Santa Fe Economics

Research Program SFI Working Paper: 1992-07-038, 27.

Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of

Competition and Collaboration. Princeton, New Jersey: Princeton University

Press.

Backus, D. K., Gregory, A. W., & Stanley, Z. E. (1989, November). Risk Premiums in

the term Structure: Evidence from Artifical Economies. Journal of Monetary

Economics, 24(3), 371-399.

Backus, D. K., Gregory, A. W., & Telmer, C. I. (1993). Accounting for Forward Rates

in Markets for Foreign Currency. Journal of Finance, 1887-1908.

167

Batten, D. F. (2000). Artificial Economics. Në Discovering Artificial Economics: How

Agents Learn and Economies Evolve (fv. 257-259). Boulder, Colo: Westview

Press.

Bersini, H. (2012). UML for ABM. Journal of Artificial Societies and Social

Simulation, 15(1), 9. doi:10.18564/jasss.1897

Boccara, N. (2010). Modeling Complex Systems (bot. i 2nd). New York: Springer-

Verlag. doi:10.1007/978-1-4419-6562-2

Boissier, O., Bordini, R. H., Hübner, J. F., Ricci, A., & Santi, A. (2013). Multi-agent

oriented programming with JaCaMo. Science of Computer Programming, 78,

fv. 747-761. doi:10.1016/j.scico.2011.10.004

Boissier, O., Hubner, J. F., & Ricci, A. (2016). The JaCaMo Framework. Në H. e.

Aldewereld, Social Coordination Frameworks for Social Technical Systems (fv.

125-151). Switzerland: Springer. doi:10.1007/978-3-319-33570-4_7

Bordini, R. H., Hübner, J. F., & Wooldridge, M. (2007). Programming Multi-Agent

Systems in AgentSpeak using Jason. West Sussex, England: John Wiley & Sons.

Bowersox, D. J., Closs, D. J., & Cooper, M. B. (2002). Warehousing. Në Supply Chain

Logistics Management (Vëll. i 2nd Edition, fv. 212-234). New York: McGRAW

Hill.

Braubach, L., & Pokahr, A. (2013). The Jadex Project: Simulation. Multiagent Systems

and Applications. Intelligent Systems Reference Library, 45, 107-128.

Bresciani, P., Perini, A., Giorgini, P., Giunchiglia, F., & Mylopoulos, J. (2004, May).

Tropos: An Agent-Oriented Software Development Methodology. Autonomous

Agents and Multi-Agent Systems, 8(3), 203-236.

doi:10.1023/B:AGNT.0000018806.20944.ef

Broersen, J., Dastani, M., Hulstijn, J., Huang, Z., & van der Torre, L. (2001). The BOID

architecture: conflicts between beliefs, obligations, intentions and desires.

Proceedings of the fifth international conference on Autonomous agents (fv. 9-

16). ACM.

Brooks, R. A. (1991). Intelligence without reason. Proceedings of the Twelfth

International Joint Conference on Artificial Intelligence (II-CAI-91) (fv. 569-

595). Sydney, Australia: Morgan Kaufmann Publishers.

Bruun, C. (2006). Preface. Advances in Artificial Economics The Economy as a

Complex Dynamic System, Lecture Notes in Economics and Mathematical

Systems 584, V-VII.

Buchanan, B. G. (2005). A (very) brief history of artificial intelligence. AI Magazine,

26(4), 53-60.

Buchanan, B. G., Sutherland, G. L., & Feigenbaum, E. (1969). Heuristic DENDRAL:

a Program for Generating Explanatory Hypotheses in Organic Chemistry.

Machine Intelligence, 4, fv. 209-254.

Camerer, C. F., Ho, T.-H., & Chong, J.-K. (2002). Sophisticated Experience-Weighted

Attraction Learning and Strategic Teaching in Repeated Games. Journal of

Economic Theory, 104, 137-188. doi:10.1006/jeth.2002.292

168

Camerer, C., & Ho, T.-H. (1998). EWA Learning in coordination games: probability

rules, heterogeneity, and time variation. Journal of Mathematical Psychology,

42, 305-326.

Carbon, V., & Martino, M. D. (2003, October). The changing role of ports in supply-

chain management: an empirical study. Maritime Policy & Management, 305-

320.

Ceylan, A., Gunal, M. M., & Bruzzone, A. G. (2012). A new approach to simulation

modeling of unit-load warehouses. Proceedings of the 2012 Symposium on

Emerging Applications of M&S in Industry and Academia Symposium (EAIA

'12). Article 2, f. 6. San Diego, CA, USA: Society for Computer Simulation

International.

Chaib-Draa, B., Moulin, B., Mandiau, R., & Millot, P. (1992, March). Trends in

distributed artificial intelligence. Artificial Intelligence Review, 6(1), 35-66.

Chan, S. (2001). Complex Adaptive Systems. Research Semindar in Engineering

Systems, MIT. Gjetur 10 1, 2016, nga MIT:

http://web.mit.edu/esd.83/www/notebook/Complex%20Adaptive%20Systems.

pdf

Chang, M.-H., & Harrington, J. E. (2006). Agent-Based Models of Organizations. Në

L. Tesfatsion, & K. L. Judd, Handbook of Computational Economics, Vol. 2:

Agent-Based Computational Economics (fv. 1272-1337). Amsterdam,

Netherlands: North-Holland/Elsevier.

Chen, S. H. (2008). Computational Intelligence in Agent-based Computational

Economics. Studies in Computational Intelligence (SCI), 115, 517-594.

doi:10.1007/978-3-540-78293-3_13

Chen, S. H. (2008, November). Software-Agent Designs in Economics: An

Interdisciplinary Framework. IEEE Computational Intelligence Magazine, 3(4),

18-22. doi:10.1109/MCI.2008.929844

Chen, S.-H. (2008). Computational Intelligence in Agent-based Computational

Economics. Studies in Computational Intelligence (SCI), 115, 517-594.

doi:10.1007/978-3-540-78293-3_13

Chen, S.-H. (2012). Varieties of agents in agent-based computational economics: A

historical and an interdisciplinary perspective. Journal of Economic Dynamics

and Control, 36(1), 1-25. doi:10.1016/j.jedc.2011.09.003

Chen, S.-H., & Kao, Y.-F. (2016). Herbert Simon and agent-based computational

economics. Në Minds, Models and Milieux (fv. 113-144). UK: Palgrave

Macmillan.

Chen, S.-H., & Yu, T. (2011). Toward an Autonomous-Agents Inspired Economic

Analysis. ASSRU. Gjetur në

http://www.assru.economia.unitn.it/files/DP_6_2011_II.pdf

Chin, S., Worth, D., Greenough, C., Coakley, S., Holcombe, M., & Kiran, M. (2012).

The EURACE Agent-Based Economic Model: Benchmarking, Assessment and

Optimization. Harwell Oxford: Science and Technology Facilities Council.

Gjetur në http://epubs.cclrc.ac.uk/bitstream/7678/RAL-TR-2012-006.pdf

169

Cleveland, W. S. (2001). Data science: an action plan for expanding the technical areas

of the field of statistics. International Statistical Review / Revue Internationale

de Statistique, 21-26.

Cohen, P. R. (1995). Empirical Methods for Artificial Intelligence. Cambridge, MA,

USA: MIT Press.

Consiglio, A. (2007). Preface. Artificial Markets, Modeling, Methods and Applications,

Lecture Notes in Economics and Mathematical Systems 599, V-VII.

Cossentino, M. (2005). From requirements to code with the PASSI methodology.

Agent-oriented methodologies, 3690, 79-106.

Cowan, G., & Feldman, M. (1986). Preview of workshop on complex adaptive systems.

Bulletin of the Santa Fe Institute, 1(11).

Creamer, G. (2012). Model Calibration and Automated Trading Agent for Euro Futures.

Quantitative Finance, 12(4), 531-545.

Crevier, D. (1993). AI: The Tumultuous Search for Artificial Intelligence. New York,

NY: BasicBooks.

Crooks, A. T., & Heppenstall, A. J. (2012). Introduction to Agent-based Modelling. Në

Agent-based Models of Geographical Systems (fv. 85-105). London: Springer

Dordrecht Heidelberg. doi:10.1007/978-90-481-8927-4

Dahl, O.-J., & Nygaard, K. (1966). SIMULA: an ALGOL-based simulation language.

Communications of the ACM, 9(9), 671-678.

Dastani, M. (2008, June). 2APL: a practical agent programming language. Autonomous

Agents and Multi-Agent Systems, 16(3), 214-248. doi:10.1007/s10458-008-

9036-y

Dastani, M. (2014). A Survey of Multi-agent Programming Languages and

Frameworks. Në S. O., & S. A., Agent-Oriented Software Engineering (fv. 213-

233). Berlin, Heidelberg: Springer. doi:10.1007/978-3-642-54432-3_11

Dawid, H., Gemkow, S., Harting, P., Hoog, S. v., & Neugart, M. (2014). Agent-Based

Macroeconomic Modeling and Policy Analysis: The Eurace@Unibi Mode6C.

Bielefeld Working Papers in Economics and Management No. 01-2014. Gjetur

në https://ssrn.com/abstract=2384391

Deissenberg, C., Hoog, S. v., & Dawid, H. (2008). EURACE: A massively parallel

agent-based model of the European economy. Applied Mathematics and

Computation(204), 541-552. doi:10.1016/j.amc.2008.05.116

DeLoach, S. A. (2001). Analysis and Design using MaSE and agentTool. 12th Midwest

Artificial Intelligence and Cognitive Science Conference (MAICS 2001), (fv.

46-60). Oxford, Ohio.

Detty, R. B., & Yingling, J. C. (2000). Quantifying benefits of conversion to lean

manufacturing with discrete event simulation: a case study. International

Journal of Production Research, 38(2), 429-445.

Dhar, V. (2013, December). Data science and prediction. Communications of the ACM,

56(12), 64-73. doi:10.1145/2500499

170

Di Paolo, E. A., Noble, J., & Bullock, S. (2000). Simulation models as opaque thought

experiments. Artificial Life VII: Proceedings of the Seventh International

Conference (fv. 497-506). MIT Press.

Dignum, F., & Dignum, V. (2009). Emergence and enforcement of social behavior.

18th World IMACS / MODSIM09 Congress, (fv. 2942-2948). Caims, Australia.

Dilaver, Ö., Jump, R., & Levine, P. (2016). Agent-based Macroeconomics and

Dynamic Stochastick General Equilibrium Models: Where do we go from here?

Discussion Papers in Economics 0116, 1-41.

Drogoul, A., Amouroux, E., Caillou, P., Gaudoud, B., Grignarda, A., Marilleaua, N., .

. . Zucker, J.-D. (2013). GAMA: Multi-level and Complex Environment for

Agent-based Models and Simulations. Proceedings of the 12th International

Conference on Autonomous Agents and Multiagent Systems (AAMAS 2013).

Minnesota, USA.

Eberhard, J., & Tripathi, A. (2007, July). Mechanisms for object caching in distributed

applications using Java RMI. Software-Practice & Experience, 37(8), 799-831.

doi:10.1002/spe.v37:8

Edmonds, B., & Moss, S. (2004). From KISS to KIDS: An ‘Anti-simplistic’ Modelling

Approach. Multi-Agent and Multi-Agent-Based Simulation: Joint Workshop

MABS 2004, 130-144. doi:10.1007/b106991

Eilenberg, S. (1974). Automata, Languages and Machines (Vëll. i A). New York:

Academic Press.

Epstein, J. M. (2001). Learning to be Thoughtless: Social Norms and Individual

Competition. Computational Economics, 18, 9-24.

Epstein, J., & Axtell, R. (1996). Growing Artificial Societies: Social Science from the

Bottom-up. Cambridge/Washington, DC: Brookings Institution Press, MIT

Press.

Fagiolo, G., & Roventini, A. (2017). Macroeconomic Policy in DSGE and Agent-Based

Models Redux: New Developments and Challenges Ahead. Journal of Artificial

Societies and Social Simulation, 20(1). doi:10.18564/jasss.3280

Farmer, J. D., & Foley, D. (2009, August). The economy needs agent-based modelling.

Nature, 460, 685-686. doi:10.1038/460685a

Fayyad, P.-S. S. (1996). From Data Mining to Knowledge Discovery: An Overview.

Advances in Knowledge Discovery and Data Mining, 1-34.

Ferber, J. (1999). Multi-Agent System: An Introduction to Distributed Artificial

Intelligence. Harlow: Addison-Wesley Professional.

Ferguson, I. A. (1992). Touring Machines : an architecture for dynamic, rational,

mobile agents. Clare Hall, University of Cambridge, UK: PhD Thesis.

Fianyo, E., Treuil, J., Perrier, E., & Demazeau, Y. (1998). Multi-agent architecture

integrating heterogeneous models of dynamical processes: the representation of

time. Multi-Agent Systems and Agent-Based Simulation (MABS), 226-236.

doi:10.1007/10692956_16

171

Finin, T., Fritzson, R., McKay, D., & McEntire, R. (1994). KQML as an agent

communication. Proceedings of the third international conference, CIKM ’94

(fv. 456–463). New York, USA: ACM. doi:10.1145/191246

Finin, T., Fritzson, R., McKay, D., & McEntire, R. (1994). KQML As an Agent

Communication Language. Third International Conference on Information and

Knowledge Management (ICIM '94) (fv. 456-463). New York, NY, USA:

ACM. doi:10.1145/191246.191322

Fishwick, P. A. (1997). Computer simulation: growth through extension. Transactions

of the Society for Computer Simulation International, 14(1), 13-23.

Franklin, S., & Graesser, A. (1997). It is an agent, or just a program? a taxonomy for

autonomous agents. Në N. Jennings, & M. Wooldridge, Intelligent Agents (Vëll.

i III). Springer.

Freitas, A., Cardoso, R. C., Vieira, R., & Bordini, R. H. (2016). Limitations and

Divergences in Approaches for Agent-Oriented Modelling and Programming.

Workshop on Engineering Multi-Agent Systems (EMAS-16). Singapore.

Gallegati, M., Palestrini, D., Delli Gatti, D., & Scalas, E. (2006). Aggregation of

heterogeneous interacting agents: the variant representative agent framework.

Journal of Economic Interaction and Coordination, 1(1), 5-19.

Gevel, A. J., & Noussair, C. N. (2013). The Nexus Between Artificial Intelligence and

Economics, 2013, ISSN 2191-5512. New York: Springer briefs in Economics.

doi:10.1007/978-3-642-33648-5

Gigerenzer, G., & Selten, R. (2002). Bounded rationality: the adaptive toolbox,.

Cambridge, Massachusetts: MIT Press.

Glimcher, P. W., & Fehr, E. (2014). Neuroeconomics: Decision Making and the Brain

(bot. i 2nd). London: Elsevier.

Gode, D. K., & Sunder, S. (1993). Allocative Efficiency of Markets with Zero-

Intelligence Traders: Market as a Partial Substitute for Individual Rationality.

Journal of Political Economy(101), 119-137.

Gödel, K. (1931). Über formal unentscheidbare Sätze der Principia Mathematica und

verwandter Systeme (Vëll. i 38). I. Monatshefte für Mathematik und Physik.

Goertzel, B., & Pennachin, C. (2007). Artificial General Intelligence. Springer.

Gomez-Sanz, J. J., & Fuentes-Fernández, R. (2015). Understanding agent-oriented

software engineering methodologies. The Knowledge Engineering Review,

30(4), 375-393. doi:10.1017/S0269888915000053

Greenough, C., Chin, S., Worth, D., Coakley, S., Holcombe, M., & Kiran, M. (2010).

FLAME: simulating large populations of agents on parallel hardware

architectures. 9th International Conference on Autonomous Agents and

Multiagent Systems, (fv. 1633-1636). doi:10.1145/1838206.1838517

Grignard, A., Taillandier, P., Gaudou, B., Vo, D. A., Huynh, N. Q., & Drogoul, A.

(2013). GAMA 1.6: Advancing the art of complex agent-based modeling and

simulation. PRIMA 2013: Principles and Practice of Multi-Agent Systems, 117-

131. doi:10.1007/978-3-642-44927-7_9

172

Grimm, V., Kurth, W., & Thiele, J. C. (2012). Agent-Based Modelling:Tools for

linking Netlogo and R. Artificial Societies and Social Simulation.

Grobman, G. M. (2005). Complexity Theory: a new way to look at organizational

change. Public Administration Quarterly, 29(3), 350-382.

Gu, J., Goetschalckx, M., & McGinnis, L. (2007). Research on warehouse operation:

A comprehensive review. European Journal of Operational Research, 177, 1-

21.

Gu, J., Goetschalckx, M., & McGinnis, L. F. (2010). Research on warehouse design

and performance evaluation: A comprehensive review. European Journal of

Operational Research, 203, 539-549.

Hakrama, I. (2014). Artificial Economy and the usage of ACE. Information Systems

and Technology Innovations: Projecting trends to a New Economy. Tirana,

Albania.

Hakrama, I., & Frashëri, N. (2016, November). A comparison between two simulations

based on agent-based methods: NetLogo vs. Jason. International Journal of

Science, Innovation and New Technology, 1(17).

Hakrama, I., & Tabaku, R. (2016). Modelling and Implementation of a virtual

warehouse through Jason and RMI. 4th International Conference on Advanced

Technology & Sciences (ICAT'Rome), (fv. 32-37). Rome, Italy.

Halevy, A. Y., Norvig, P., & Pereira, F. (2009). The Unreasonable Effectiveness of

Data. IEEE Intelligent Systems, 24(2), 8-12.

Hebb, D. O. (1949). The Organization of Behavior: A Neuropsychological Theory. New

York: Wiley and Sons.

Helbing, D., & Balietti, S. (2011). From Social Data Mining to Forecasting Socio-

Economic Crisis. The European Physical Journal, 195(1), 3-68.

doi:10.1140/epjst/e2011-01401-8

Held, F. P., Wilkinson, I. F., Marks, R. E., & Young, L. (2014, February). Agent-based

Modelling, a new kind of research. Australasian Marketing Journal (AMJ),

22(1), 4-14. doi:10.1016/j.ausmj.2013.12.003

Hemmati, M., Nili, M., & Sadati, N. (2010). Reinforcement Learning of Heterogeneous

Private Agents in a Macroeconomic Policy Game. Progress in Artificial

Economics, 215-226. doi:10.1007/978-3-642-13947-5_18

Hernández, C., Posada, M., & López-Paredes, A. (2009). Preface. Artificial Economics,

The Generative Method in Economics, Lecture Notes in Economics and

Mathematical Systems 631, V-VII. doi:10.1007/978-3-642-02956-1

Himmelspach, J., & Uhrmacher, A. M. (2009). The JAMES II Framework for Modeling

and Simulation. International Workshop on High Performance Computational

Systems Biology, (fv. 101-102). Trento. doi:10.1109/HiBi.2009.20

Hindriks, K. V., Boer, F. S., Hoek, W. V., & Meyer, J.-J. C. (1999, November). Agent

Programming in 3APL. Autonomous Agents and Multi-Agent Systems, 2(4),

357-401. doi:10.1023/A:1010084620690

Holcombe, M., Coakley, S., & Smallwood, R. (2006). A General Framework for agent-

based modelling of complex systems. Proceedings of the 2006 European

173

conference on complex systems. 1. Paris, France: European Complex Systems

Society.

Holcombe, M., Coakley, S., Kiran, M., Chin, S., Greenough, C., Worth, D., . . . Neugart,

M. (2013). Large-Scale Modeling of Economic Systems. Complex Systems,

22(2), 175-191.

Holland, J. H. (1992). Complex Adaptive Systems. Daedalur: A new era in

computation, 121(1), 17-30. Gjetur në http://www.jstor.org/stable/20025416

Holland, J. H. (2006). Studying Complex Adaptive Systems. Journal of Systems

Science and Complexity, 19(1), 1-8. Gjetur October 1, 2016, nga

http://hdl.handle.net/2027.42/41486

Holland, J. H., & Miller, J. H. (1991). Artificial Adaptive Agents in Economic Theory.

American Economic Revew, 81(2), 365-371.

Hoog, S. v., Deissenberg, C., & Dawid, H. (2008). Production and Finance in

EURACE. Complexity and Artificial Markets, 614, 147-158. doi:10.1007/978-

3-540-70556-7_12

Hubner, J. F., Sichman, J. S., & Boissier, O. (2007). Developing organised multiagent

systems using the MOISE+ model: programming issues at the system and agent

levels. Int. J. of Agent-Oriented Software Engineering, 1(3/4), 370-395.

doi:10.1504/IJAOSE.2007.016266

Huynh, N., & Vidal, J. M. (2010). An Agent-Based Approach to Modeling Yard Cranes

at Seaport Container Terminals. Proceedings of the Symposium on Theory of

Modeling and Simulation (f. 120). Society for Computer Simulation

International.

Iba, H. (2013). Agent-Based Modeling and Simulation with Swarm. London: CRC Press

Taylor & Francis Group.

Iba, H. (2013). Multi-Agent Simulation Based on Swarm. Në Agent-based Modeling

and Simulation with Swarm (fv. 45-72). New York: CRC Press.

Islam, S., & Olsen, T. (2011). Factors affecting seaport capacity. 19th International

Congress on Modelling and Simulation, (fv. 412-418). Perth, Western Australia.

Izquierdo, L. R., & Izquierdo, S. S. (2015). Artificial Economics: What, Why and How.

Lecture Notes in Management and Industrial Engineering. Gjetur në Available

at SSRN: http://ssrn.com/abstract=2749347

Jiang, H., Vidal, J. M., & Huhns, M. N. (2007). EBDI: An Architecture for Emotional

Agents. Proceedings of the 6th International conference on Autonomous agents

and multiagent systems (AAMAS’07). Honolulu, Hawai.

Juan, T., Pearce, A., & Sterling, L. (2002). ROADMAP: extending the Gaia

Methodology for Complex Open Systems. Proceedings of the First

International Joint Conference on Autonomous Agents and Multiagent Systems:

Part 1 (AAMAS '02) (fv. 3-10). Bologna, Italy: ACM.

doi:10.1145/544741.544744

Kamiński, B., & Szufel, P. (2013). Verification of Models in Agent Based

Computational Economics: Lessons from Software Engineering. Perspectives

174

in Business Informatics Research. BIR 2013. Lecture Notes in Business

Information Processing, 158, 185-199. doi:10.1007/978-3-642-40823-6_15

Kirman, A., & Vriend, N. J. (2001). Evolving market structure: An ACE model of price.

Journal of Economic Dynamics and Control, 25, 459-502.

Klügl, F. (2006). SeSAm: implementation of agent-based simulation using visual

programming. 5th International Joint Conference on Autonomous Agents and

Multiagent Systems (AAMAS 2006), (fv. 1439-1440). Hakodate, Japan.

doi:10.1145/1160633.1160904

Klügl, F. (2009). Agent–Based Simulation Engineering. Faculty of Mathematics and

Computer Science, University of Würzburg.

Klugl, F., Fheler, M., Herrler, R., van Dyke Parunak, H., & Michel, F. (2005). About

the role of the environment in multi-agent simulations. Environment for multi-

agent systems: First International Workshop, E4MAS 2004 (fv. 127-149). New

York, NY: Springer Berlin Heidelberg. doi:10.0.1007/978-3-540-32259-7_7

Kravari, K., & Bassiliades, N. (2015). A Survey of Agent Platforms. Journal of

Artificial Societies and Social Simulation, 18(1). doi:10.18564/jasss.2661

Kyrtsou, C., & Sornette, D. (2012). New Facets of Economic Complexity in Modern

Financial Markets. The European Journal of Finance, 1-7.

doi:10.1080/1351847X.2012.723282

Ladley, D. (2012). Zero Intelligence in economics and finance. The Knowledge

Engineering Review, 27(2), 273-286. doi:10.1017/S0269888912000173

Lane, D. A. (1993). Artificial worlds and economics, part I. Journal of Evolutionary

Economics, 3(2), 89-107. doi:10.1007/BF01213828

Lane, D. A. (1993). Artificial worlds and economics, part II. Journal of Evolutionary

Economics, 3(3), 177-197. doi:10.1007/BF01200867

Langton, C. G. (1995). Artificial Life: An Overview . Cambridge, Massachusetts: MIT

Press.

Law, A. (2014). Basic Simulation Modeling. Në Simulation Modeling and Analysis

(bot. i 5th, fv. 1-151). McGraw-Hill.

Law, A. M. (2015). Simulation Modeling and Analysis (bot. i 5th). New York, NY:

McGraw-Hill.

Laycock, G. (1993). The theory and practice of specification based software testing.

Ph.D. Thesis, Department of Computer Science, University of Sheffield.

LeBaron, B. (2006). Agent-Based Computational Finance. Në L. Tesfatsion, & K. L.

Judd, Handbook of Computational Economics, Vol. 2: Agent-Based

Computational Economics (fv. 1187-1233). Amsterdam: North-

Holland/Elsevier.

Lee, T.-C., & Wong, K. (2016, November). An agent-based model for queue formation

of powered two-wheelers in heterogeneous traffic. Physica A: Statistical

Mechanics and its Applications, 461, 199-216.

doi:10.1016/j.physa.2016.05.005

Leitner, S., & Wall, F. (2014). Preface. Artificial Economics and Self Organization:

Agent-Based Approaches to Economics and Social Systems, Lecture Notes in

175

Economics and Mathematical Systems 669, v-vii. doi:10.1007/978-3-319-

00912-4

Li, H., & Tesfatsion, L. (2009, Summer). Development of Open Source Software for

Power Market Research: The AMES Test Bed. Journal of Energy Markets, 2(2),

111-128.

LiCalzi, M., Milone, L., & Pellizzari, P. (2010). Preface. Progress in Artificial

Economics: Computational and Agent-Based Models, Lecture Notes in

Economics and Mathematical Systems 645, v-vii. doi:10.1007/978-3-642-

13947-5

Liong, C. Y., & Loo, C. S. (2009). A simulation study of warehouse loading and

unloading systems using Arena. Journal of Quality Measurement and Analysis,

5(2), 45-56.

Louçã, F. (2007). The Years of High Econometrics: A short history of the generation

that reinvented economics. New York: Routledge.

Luca, R. (1972). Expectations and the Neutrality of Money. Journal of Economic

Theory, 4, 103-124. doi:10.1016/0022-0531(72)90142-1

Lucas, R. (1987). Methods and problems in business cycle theory. Studies in Business-

Cycle Theory, 271-296.

Lucas, R., & Prescott, E. (1971). Investment Under Uncertainty. Econometrica, 36(5),

659-681.

Luke, S., Cioffi-Revilla, C., Panait, L., Sullivan, K., & Balan, G. (2005). MASON: A

multiagent simulation environment. SIMULATION, 81(7), 517-527.

doi:10.1177/0037549705058073

Lungarella, M., Iida, F., Bongard, J. C., & Pfeifer, R. (2007). AI in the 21st Century -

with Historical Reflections. 50 years of Artificial Intelligence, LNAI 4850, 1-8.

doi:10.1007/978-3-540-77296-5_1

Macal, C. (2012). Agent Based Modeling and Artificial Life. Në R. (. Meyers,

Computational Complexity (fv. 39-57). New York, NY: Springer.

Macal, C. M., & North, M. J. (2013). Introductory Tutorial: Agent-based Modeling and

Simulation. Proceedings of the 2013 Winter Simulation Conference.

Washington, DC.

MacKie-Mason, J. K., & Wellman, M. (2006). Automated Markets and Trading Agents.

Në L. Tesfatsion, & K. L. Judd, Handbook of Computational Economics, Vol.

2: Agent-Based Computational Economics (fv. 1381-1431). Amsterdam: North-

Holland/Elsevier.

Maidstone, R. (2012). Discrete event simulation, system dynamics and agent based

simulation: Discussion and comparison. System, 1-6.

Mallard, G. (2016). Bounded Rationality and Behavioural Economics. New York, NY:

Routledge.

Mannila, H. (1996). Data mining: machine learning, statistics, and databases. Int'l Conf.

Scientific and Statistical Database Management. IEEE Computer Society.

176

Marey, P. S. (2000). Exchange Rate Expectations: Evidence from an Artificial

Economy. Econometric Society World Congress 2000 Contributed Papers

0665.

Marks, R. E. (1992). Breeding hybrid strategies: Optimal behaviour for oligopolists.

Journal of Evolutionary Economics, 2, 17-38.

McCarthy, J. (1958). Programs with Common Sense. Conference on the Mechanization

of Thought Processes, (fv. 1-15). Teddington.

McCarthy, J., Minsky, M., Rochester, N., & Shannon, C. (1955). A proposal for the

Dartmouth summer research project on artificial intelligence. Gjetur në

http://www.formal.stanford.edu/jmc/history/dartmouth/dartmouth.html

McCorduck, P. (2004). Machines Who Think (2nd ed.). Natick, MA: A. K. Peters, Ltd.

McCulloch, W. S., & Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in

Nervous Activity. Bulletin of Mathematical Biophysics, 5, fv. 115-133.

Michel, F., Ferber, J., & Drogoul, A. (2009). Multi-Agent Systems and Simulation: a

Survey From the Agents Community's Perspective. Në D. Weyns, & A.

Uhrmacher, Multi-Agent Systems: Simulation and Applications (fv. 3-51). CRC

Press - Taylor & Francis.

Miller, J. H., & Page, S. E. (2007). Complex Adaptive Systems: An Introduction to

Computational Models of Social Life. Princeton, New Jersey: Princeton

University Press.

Minar, N., Burkhart, R., & Langton, C. (1996). The Swarm simulation system: A toolkit

for building multi-agent simulations. Santa Fe: SFI Working Paper 96-06-042.

Müller, J. P., & Pischel, M. (1993). The Agent Architecture InteRRaP: Concept and

Application. Saarbrücken: German Research Center for Artificial Intelligence.

Nance, R. E. (1993, March). A history of discrete event simulation programming

languages. ACM SIGPLAN Notices, 28(3), 149-175.

doi:10.1145/155360.155368

Neugart, M., & Richiardi, M. (2014). Agent-Based Models of the Labor Market.

Handbook of Computational Economics and Finance.

New model army. (2013, January 19). The Economist. Gjetur në

https://www.economist.com/node/21569752

Newell, A., Shaw, J., & Simon, H. (1959). Report on a general problem-solving

program. Proceedings of the International Conference on Information

Processing, (fv. 256-264). Gjetur në http://bitsavers.informatik.uni-

stuttgart.de/pdf/rand/ipl/P-1584_Report_On_A_General_Problem-

Solving_Program_Feb59.pdf

Nikolai, C., & Madey, G. (2009). Tools of the Trade: A Survey of Various Agent Based

Modeling Platforms. Journal of Artificial Societies and Social Simulation,

12(2), 2. Gjetur në http://jasss.soc.surrey.ac.uk/12/2/2.html

North, M. J., & Macal, C. M. (2007). The Role of ABMS. Në Managing Business

Complexity: Discovering Strategic Solutions with Agent-Based Modeling and

Simulation (fv. 59-96). New York: Oxford University Press.

177

North, M. J., & Macal, C. M. (2007). The Roots of ABMS. Në Managing Business

Complexity: Discovering Strategic Solutions with Agent-Based Modeling and

Simulation (fv. 45-58). Oxford.

North, M. J., Collier, N. T., Ozik, J., Tatara, E. R., Macal, C. M., & Bragen, M. (2013).

Complex adaptive systems modeling with Repast Simphony. Complex Adaptive

Systems Modeling, 1(3). doi:10.1186/2194-3206-1-3

NRC. (1999). Developments in Artificial Intelligence. Në Funding a Revolution:

Government Support for Computing Research. National Academy Press.

Omicini, A., Ricci, A., & Viroli, M. (2008). Artifacts in the A&A meta-model for multi-

agent systems. Autonomous Agents and Multi-Agent Systems, 17(3), 432-456.

doi:10.1007/s10458-008-9053-x

Onggo, B. S., Gunal, M. M., & Maden, W. (2008). The Conceptual model of

Distribution Warehouse Simulation. Proceedings of the 4rd Operation

Research Society Simulation Workshop. SW08, fv. 129-134. Worchestershire,

UK: The Operational Research Society.

Oremland, M., & Laubenbacher, R. (2014). Optimization of Agent-Based Models:

Scaling Methods and Heuristic Algorithms. Journal of Artificial Societies and

Social Simulation, 17(6). doi:10.18564/jasss.2472

Osinga, S., Hofstede, G. J., & Verwaart, T. (2011). Preface. Emergent Results of

Artificial Economics, Lecture Notes in Economics and Mathematical Systems

645, v-vii. doi:10.1007/978-3-642-21108-9

Ozik, J., Collier, N. T., Murphy, J. T., & North, M. J. (2013). The ReLogo agent-based

modeling language. 2013 Winter Simulations Conference (WSC) (fv. 1560-

1568). Washington, DC: IEEE. doi:10.1109/WSC.2013.6721539

Padgham, L., & Winikoff, M. (2003). Prometheus: A Methodology for Developing

Intelligent Agents. Agent-Oriented Software Engineering III, Lecture Notes in

Computer Science, 2585, 174-185. doi:10.1007/3-540-36540-0_14

Palmer, R., Arthur, W. B., Holland, J. H., LeBaron, B., & Taylor, P. (1994). Artificial

economic life: a simple model of a stockmarket. Physica, 75, 264-274.

Pavón, J., & Gómez-Sanz, J. (2003). Agent Oriented Software Engineering with

INGENIAS. Multi-Agent Systems and Applications III - CEEMAS, LNCS, 2691,

394-403. doi:10.1007/3-540-45023-8_38

Poslad, S. (2007). Specifying protocols for multi-agent systems interaction. ACM

Transactions on Autonomous and Adaptive Systems (TAAS), 2(4), 15.

doi:10.1145/1293731.1293735

Raberto, M., Teglio, A., & Cincotti, S. (2011). Debt Deleveraging and Business Cycles.

An Agent-Based Perspective. Economics Discussion Paper No. 2011-31.

doi:10.2139/ssrn.1973855

Radhakrishnan, B. M., Srinivasan, D., Lau, Y. F., Parasumanna, B. G., Rathore, A. K.,

Panda, S. K., & Khambadkone, A. (2015, May). A reinforcement learning

algorithm for Agent-based Computational Economics (ACE) model of

electricity markets. 2015 IEEE Congress on Evolutionary Computation (CEC),

297-303. doi:10.1109/CEC.2015.7256905

178

Radzicki, M. J., & Taylor, R. A. (2008). Origin of System Dynamics: Jay W. Forrester

and the History of System Dynamics. U.S. Department of Energy's Introduction

to System Dynamics. Gjetur October 5, 2016, nga

http://www.systemdynamics.org/DL-IntroSysDyn/start.htm

Railsback, S. F., Lytinen, S. L., & Jackson, S. K. (2006). Agent-based Simulation

Platforms: Review and Development Recommendations. SIMULATION, 82(9),

609-623. doi:10.1177/0037549706073695

Rao, A. S. (1996). AgentSpeak (L): BDI agents speak out in a logical computable

language. European Workshop on Modelling Autonomous Agents in a Multi-

Agent World, 1038, 42-55. doi:10.1007/BFb0031845

Rao, A. S., & Georgeff, M. P. (1992). An Abstract Architecture for Rational Agents.

Proceedings of the Third International Conference (KR '92) (fv. 439-449).

Cambridge, Massachusets: M. Kaufmann.

Ricci, A., Piunti, M., & Viroli, M. (2011). Environment programming in multi-agent

systems: an artifact-based perspective. Autonomous Agents and Multi-Agent

Systems, 23(2), 158-192. doi:10.1007/s10458-010-9140-7

Ricci, A., Piunti, M., Viroli, M., & Omicini, A. (2009). Environment programming in

CArtAgO. Multi-Agent Programming: Languages, Platforms and Applications,

2, 259-288. doi:10.1007/978-0-387-89299-3

Richiardi, M. G. (2012). Agent-based computational economics: a short introduction.

The Knowledge Engineering Review, 27(2), 137-149.

doi:10.1017/S0269888912000100

Riechmann, T. (2001). Learning in Economics: Analysis and Application of Genetic

Algorithms. Physica-Verlag.

Ringler, P., Keles, D., & Fichtner, W. (2016). Agent-Based Modelling and Simulation

of Smart Electricity Grids and Markets - a Literature Review. Renewable and

Sustainable Energy Reviews, 57, 205-215. doi:10.1016/j.rser.2015.12.169

Roth, A. E. (1995). Introduction to experimental economics. Në J. H. Kagel, & A. E.

Roth, Handbook of Experimental Economics (fv. 1-109). Princeton, NJ:

Princeton University.

Rousset, A., Herrmann, B., Lang, C., & Philippe, L. (2016, November). A survey on

parallel and distributed multi-agent systems for high performance computing

simulations. Computer Science Review, 22, 27-46.

doi:10.1016/j.cosrev.2016.08.001

Russell, S., & Novig, P. (2010). Artificial Intelligence A modern approach (Vëll. i 3rd

Edition). Pearson Hall.

Saitta, L., & Zucker, J.-D. (2013). Simplicity, Complex Systems, and Abstraction. Në

Abstraction in Artificial Intelligence and Complex Systems (fv. 329-362). New

York: Springer. doi:10.1007/978-1-4614-7052-6

Schmidhuber, J. (2007). 2006: Celebrating 75 years of AI - History and Outlook: The

next 25 years. 50 years of Artificial Intelligence, LNAI 4850, 29-41.

doi:10.1007/978-3-540-77296-5_4

179

SCHMIDT, B. (2002). Modelling of human behaviour - the pecs reference model.

Proceedings 14th European Simulation Symposium and Exhibition: Simulation

in Industry. Dresden, Germany: SCS Europe BVBA.

Seiffertt, J., & Wunsch, D. C. (2012). Higher Order Neural Network Architectures for

Agent-Based Computational Economics and Finance. Në Machine Learning:

Concepts, Methodologies, Tools and Applications (fv. 219-233). USA:

Information Resources Management Association. doi:10.4018/978-1-60960-

818-7

Seppecher, P. (2012). Jamel, a Java Agent-based MacroEconomic Laboratory. Working

Papers halshs-00697225, HAL. doi:<halshs-00697225>

Seppecher, P., Salle, I., & Lang, D. (2018). Is the Market Really a Good Teacher?:

Market selection, collective adaptation and financial instability. Journal of

Evolutionary Economics, 1-37. doi:10.1007/s00191-018-0571-7

Seth Tisue, Uri Wilensky. (2004). NetLogo: A Simple Environment for Modeling

Complexity. International Conference on Complex Systems. Boston .

Shannon, C. E. (1948). A mathematical theory of communication. Bell System

Technical Journal, XXVII, 379-423.

Siebers, P. O., Macal, C. M., Garnett, J., Buxton, D., & Pidd, M. (2010). Discrete-event

simulation is dead, long live agent-based simulation! Journal of Simulation,

4(3), 204-210. doi:10.1057/jos.2010.14

Siebers, P.-O., & Ongoo, B. S. (2014). Graphical representation of agent-based models

in operational research and management science using UML. Proceedings of

the Operational Research Society Simulation Workshop 2014 (SW14), (fv. 143-

153).

Sinitskaya, E., & Tesfatsion, L. (2015). Macroeconomies as Constructively Rational

Games. Journal of Economic Dynamics and Control, 61, 152-182.

Slagle, J. R. (1963). A heuristic program that solves symbolic integration problems in

freshman calculus. J. ACM, 10(4), 507-520. doi:10.1145/321186.321193

Slanicay, M. (2014). Some Notes on Historical, Theoretical, and Empirical Background

of DSGE Models. Review of Economic Perspectives, 14(2), 145-164.

doi:10.2478/revecp-2014-0008

Smith, A. (1776). An Inquiry into the Nature and Causes of the Wealth of Nations.

London.

Smith, R. D. (1998). Simulation Article. Encyclopedia of Computer Science. Gjetur

October 4, 2016, nga http://www.modelbenders.com/encyclopedia/

Steels, L. (2006). Semiotic dynamics for embodied agents. IEEE INTELLIGENT

SYSTEMS, 21(3), 32-39. doi:10.1109/MIS.2006.58

Steels, L. (2007). Fifty years of AI: From Symbols to Embodiment - and back. 50 years

of Artificial Intelligence, LNAI 4850, 18-28. doi:10.1007/978-3-540-77296-5_3

Steels, L., & Brooks, R. (1994). The 'artificial life' route to 'artificial intelligence'.

Building Situated Embodied Agents. New Haven: Lawrence Erlbaum Ass.

180

Steels, L., & Brooks, R. (1994). The artificial life route to artificial intelligence:

Building Situated Embodied Agents. New Haven: Lawrence Erlbaum Ass.

Steels, L., & McDermott, J. (1993). The Knowledge Level in Expert Systems.

Conversations and Commentary. Boston: Academic Press.

Sturm, A., & Shehory, O. (2014). Agent-Oriented Software Engineering: Revisiting the

State of the Art. Në S. O., & S. A., Agent-Oriented Software Engineering (fv.

13-26). Berlin, Heidelberg: Springer. doi:10.1007/978-3-642-54432-3_2

Taylor, S. J. (2014). Introducing agent-based modeling and simulation. Agent-based

Modeling and Simulation, 1-10. doi:10.1057/9781137453648

Teglio, A., Alfarano, S., Camacho-Cuena, E., & Ginés-Vilar, M. (2012). Preface.

Managing Market Complexity: The Approach of Artificial Economics, Lecture

Notes in Economics and Mathematical Systems 662, v-vi. doi:10.1007/978-3-

642-31301-1

Tesfatsion, L. (2002). Agent-Based Computational Economics. Computational

Economics 0203001, EconWPA. Gjetur October 1, 2016, nga

http://econwpa.repec.org/eps/comp/papers/0203/0203001.pdf

Tesfatsion, L. (2002). Agent-based computational economics: growing economies from

the bottom up. Artificial Life, 8, 55-82.

Tesfatsion, L. (2003). Agent-based computational economics: modeling economies as

complex adaptive systems. Journal of Information Sciences, 149, 263-269.

Tesfatsion, L. (2006). Agent-Based Computational Economics: A Constructive

Approach to Economic Theory. Në L. Tesfatsion, & K. L. Judd, Handbook of

Computational Economics, Vol. 2: Agent-Based Computational Economics (fv.

831-880). Amsterdam: North-Holland/Elsevier.

Theodoropoulos, G., Minson, R., Ewald, R., & Lees, M. (2009). Simulation engines for

multi-agent systems. Në A. M. Uhrmacher, & D. Weyns, Multi-Agent Systems:

Simulation and Applications (fv. 77-108). New York, NJ: Taylor and Francis

Group.

Tinnemeier, N. A., Dastani, M. M., Meyer, J.-J. C., & Torre, L. v. (2009). Programming

Normative Artifacts with Declarative Obligations and Prohibitions. 2009

IEEE/WIC/ACM International Joint Conference on Web Intelligence and

Intelligent Agent Technology, (fv. 145-152). Milan, Italy. doi:10.1109/WI-

IAT.2009.144

Turing, A. M. (1936). On computable numbers, with an application to the

Entscheidungsproblem. Proceedings of the London Mathematical Society,

Series 2 41, fv. 230-267.

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), fv. 433-

460.

van der Aalst, W. (2016). Process Mining: Data Science in Action (bot. i 2nd).

Springer-Verlag Berlin Heidelberg. doi:10.1007/978-3-662-49851-4

van der Hoog, S. (2016, January). Deep Learning in Agent-Based Models: A

Perspective. Working Papers iin Economics and Management No. 02-2016.

181

Vermeir, A., & Bersini, H. (2015). Best practices in programming agent-based models

in economics and finance. Advances in Artificial Economics, 676, 57-68.

doi:10.1007/978-3-319-09578-3_5

Vigneron, H. (1914). Les Automates. La Nature, 56-61. Gjetur 3 30, 2014, nga

http://cyberneticzoo.com/wp-content/uploads/2011/01/Automates-La-Nature-

Torres-1914.pdf

von Neumann, J., & Morgenstern, O. (1944). The Theory of Games and Economic

Behavior. Princeton University Press.

Vriend, N. J. (1995). Self-organization of markets: An example of a computational

approach. Computational Economics, 8, 203-231.

Wagner, F. (2011). Market clearing by maximum entropy in agent models of stock

markets. Journal of Economic Interaction and Coordination, 6(2), 121-138.

doi:10.1007/s11403-011-0079-9

Weis, G. (1999). Multiagent Systems: a modern approach to distributed artificial

intelligence. Cambridge, Massachusetts: MIT Press.

Wellman, M. P. (1995). The economic approach to artificial intelligence. ACM

Computing Surveys, 360-362. doi:10.1145/212094.212128

Wilensky, U., & Evanston, I. (2011). NetLogo (4.). Evanston, IL: Center for Connected

Learning and Computer-Based Modeling, Northwestern University.

Wooldridge, M. (2009). An introduction to multiagent systems (bot. i 2nd). UK: John

Wiley & Sons.

Wooldridge, M., Jennings, N. R., & Kinny, D. (2000). The Gaia Methodology for

Agent-Oriented Analysis and Design. Autonomous Agents and Multi-Agent

Systems, 3(3), 285-312. doi:10.1023/A:1010071910869

Xhafa, F., Herrero, X., Barolli, A., Barolli, L., & Takizawa, M. (2013, November).

Evaluation of struggle strategy in Genetic Algorithms for ground stations

scheduling problem. Journal of Computer and System Sciences, 79(7), 1086-

1100. doi:10.1016/j.jcss.2013.01.023

Young, H. P. (2006). Social Dynamics: Theory and Applications. Në L. Tesfatsion, &

K. L. Judd, Handbook of Computational Economics, Vol. 2: Agent-Based

Computational Economics (fv. 1081-1108). Amsterdam: North-

Holland/Elsevier.

Zahedi, F. (1987, September). Artificial Intelligence and the Management Science

Practitioner: The economics of Expert Systems and the contribution of MS/OR.

INTERFACES, 17(5), 72-81.

182

APENDIKS / SHTOJCA

Appendix A / Shtojca A

Kodi burim i projekteve të shfaqura në kapitullin gjashtë gjendet në projektin WHJason

në github në linkun: https://github.com/testep/WHJason

Kodi burim i simulimeve të ekonomisë artificiale të ndërtuar me mjetet zhvilluese

RePast dhe JaCaMo të trajtuar në kapitujt shtatë, tetë dhe nëntë gjendet në github në

linkun: https://github.com/ihakrama/AEv1

Të gjitha materialet eksperimentale të punimit, së bashku me dosjet e ekzekutueshme

të projekteve gjenden në CD, si edhe në linkun e mëposhtëm:

http://ihakrama.epoka.edu.al/phd-appendix/

https://github.com/testep/WHJason

https://github.com/ihakrama/AEv1

http://ihakrama.epoka.edu.al/phd-appendix/

modelime ekonomike tË bazuara nË sisteme me …zhvillimet e shumta në fushën e inteligjencës...

Documents