مقایسه دو کتابخانه mesa و Agentpy

ابزارهای مدل‌سازی و شبیه‌سازی متعددی برای مدلسازی عامل بنیان یا ABM‌ها وجود دارد که هر کدام تمرکز و سبک خاص خود را دارند (یک نمای کلی را در اینجا بیابید). سه ویژگی اصلی متمایز کننده Agentpy عبارتند از:

Agentpy وظایف متعدد مدل‌سازی مبتنی بر عامل – طراحی مدل، شبیه‌سازی تعاملی، آزمایش‌های عددی و تجزیه و تحلیل داده‌ها – را در یک محیط واحد ادغام می‌کند و برای محاسبات تعاملی با IPython و Jupyter بهینه شده است.
Agentpy برای استفاده علمی با آزمایش های چندگانه طراحی شده است. ابزارهایی برای نمونه‌گیری پارامتر (شبیه به فضای رفتاری NetLogo)، آزمایش‌های مونت کارلو، فرآیندهای تصادفی، محاسبات موازی و تحلیل حساسیت ارائه می‌کند.
Agentpy به زبان Python نوشته شده است، یکی از محبوب ترین زبان های برنامه نویسی جهان که تعداد زیادی ابزار و کتابخانه را برای استفاده علمی ارائه می دهد. همچنین برای سازگاری با بسته‌های موجود مانند numpy، scipy، networkx، pandas، ema_workbench، seaborn و SALib طراحی شده است.

جایگزین اصلی agentpy در پایتون Mesa است. برای مقایسه نحو، در اینجا دو مثال برای یک مدل ساده از انتقال ثروت آورده شده است که هر دو دقیقاً عملیات مشابهی را انجام می دهند. اطلاعات بیشتر در مورد دو مدل را می توان در مستندات هر چارچوب (Agentpy & Mesa) یافت.

Agentpy

import agentpy as ap





class MoneyAgent(ap.Agent):

    def setup(self):
        self.wealth = 1

    def wealth_transfer(self):
        if self.wealth == 0:
            return
        a = self.model.agents.random()
        a.wealth += 1
        self.wealth -= 1



class MoneyModel(ap.Model):

    def setup(self):
        self.agents = ap.AgentList(
            self, self.p.n, MoneyAgent)

    def step(self):
        self.agents.record('wealth')
        self.agents.wealth_transfer()










# Perform single run
parameters = {'n': 10, 'steps': 10}
model = MoneyModel(parameters)
results = model.run()

# Perform multiple runs
variable_params = {
    'n': ap.IntRange(10, 500), 
    'steps': 10
}
sample = ap.Sample(variable_params, n=49)
exp = ap.Experiment(
    MoneyModel,
    sample,
    iterations=5,
    record=True
)
results = exp.run()

Mesa

from mesa import Agent, Model
from mesa.time import RandomActivation
from mesa.batchrunner import BatchRunner
from mesa.datacollection \
    import DataCollector

class MoneyAgent(Agent):

    def __init__(self, unique_id, model):
        super().__init__(unique_id, model)
        self.wealth = 1

    def step(self):
        if self.wealth == 0:
            return
        other_agent = self.random.choice(
            self.model.schedule.agents)
        other_agent.wealth += 1
        self.wealth -= 1

class MoneyModel(Model):

    def __init__(self, N):
        self.running = True
        self.num_agents = N
        self.schedule = \
            RandomActivation(self)
        for i in range(self.num_agents):
            a = MoneyAgent(i, self)
            self.schedule.add(a)

        self.collector = DataCollector(
            agent_reporters={
                "Wealth": "wealth"})

    def step(self):
        self.collector.collect(self)
        self.schedule.step()

# Perform single run
model = MoneyModel(10)
for i in range(10):
    model.step()

# Perform multiple runs
variable_params = {
    "N": range(10, 500, 10)}

batch_run = BatchRunner(
    MoneyModel,
    variable_params,
    iterations=5,
    max_steps=10,
    agent_reporters={"Wealth": "wealth"}
)

batch_run.run_all()

جدول زیر مقایسه ای از ویژگی های اصلی هر فریم ورک را ارائه می دهد.

Feature	Agentpy	Mesa
Containers	Sequence classes like AgentList and AgentDList	Scheduler classes for different activation orders
Topologies	Spatial grid, continuous space, network	Spatial grid, continuous space, network
Data recording	Recording methods for variables of agents, environments, and model; as well as reporters	DataCollector class that can collect variables of agents and model
Parameter sampling	Classes for sample generation and different types of parameter ranges
Multi-run experiments	Experiment class that supports multiple iterations, parameter samples, randomization, and parallel processing	BatchRunner class that supports multiple iterations and parameter ranges
Output data	DataDict class to store, save, load, and re-arrange output data	Methods to generate dataframes
Visualization	Gridplots, animations, and interactive visualization within Jupyter Notebooks	Plots and interactive visualization in a separate web-server
Analysis	Tools for data arrangement and sensitivity analysis

منبع: https://agentpy.readthedocs.io/en/latest/comparison.html

مقایسه دو کتابخانه mesa و Agentpy

دیدگاهتان را بنویسید لغو پاسخ

با ما در ارتباط باشید …