مقایسه دو کتابخانه mesa و Agentpy

[vc_row][vc_column][vc_column_text]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:

1. 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.
2. 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.
3. 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.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column width=”1/2″][vc_column_text]

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()

[/vc_column_text][/vc_column][vc_column width=”1/2″][vc_column_text]

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()

[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]جدول زیر مقایسه ای از ویژگی های اصلی هر فریم ورک را ارائه می دهد.[/vc_column_text][ultimate_info_table design_style=”design04″ color_scheme=”blue”]

[/ultimate_info_table][vc_column_text]منبع: https://agentpy.readthedocs.io/en/latest/comparison.html[/vc_column_text][/vc_column][/vc_row]