Recreation of Tuning Growth Stability in an Animat Agent Model
Contents
1. E gt Universidade do Porto Faculdade de Engenharia FEUP Relatorio Final Agentes e intelig ncia artificial distribuida Daniel Pimenta ei07020 Diogo Costa ei09116 Soraia Ferreira e109119 Resumo Este relat rio pretende documentar a replica o e parametriza o de um sistema multi agentes para a simula o de um ecossistema tendo como base o artigo C J Scogings K A Hawick and H A James Tuning Growth Stability in an Animat Agent Model Proc IASTED Int Conf on Applied Simulation and Modelling ASM 2007 Aug 29 31 2007 Palma de Mallorca Spain Este modelo simula um ecossistema de animats animal automata e estuda de que forma as interac es locais predador presa e os comportamentos emergentes associados contribuem para a estabilidade global do modelo Para implementar este modelo foi usada a framework Repast 3 Os resultados desta implementa o s o comparados com os do artigo final Conte do RECUO pssiecs sas o sspisim palio TE dndis E s nais asas E saudar Ea C Epica Agi ssa ceara sds 2 Talia fee orc apoie SS ee O nee ee eee 4 ECA AN q O a R 4 ODISCIVO amis E a eres T RAE sea Peano D E SO DEUS SR 4 ES FOU aC WG COU 8 aa 4 BTC FAO ee E E terdserseetacsteaseneteacccsavetens 5 B coe oe o Reis a c a MAR RO eer re RR a te eee ee ere eee SR eee eee ee 5 Forma Ge AV AVN AO a pee seat cccecven cases ncss geese E ISS nai di 6 ESC Ul IC Orcas acces gata OO a RE C D E ate tace dente eeacsaresace 7 AT2. do artigo Parece nos tamb m uma boa ideia substituir os factores de sobrepovoamento por relva que quando comida demore um certo tempo a crescer como naturalmente acotneceria Temos esperan as que isto tenha o mesmo efeito que o factor de sobrepovoamento na procria o pois levaria os coelhos a procurar com mais frequ ncia comida Bibliografia 1 C J Scogings K A Hawick and H A James Tuning Growth Stability in an Animat Agent Model Proc IASTED Int Conf on Applied Simulation and Modelling ASM 2007 Aug 29 31 2007 Palma de Mallorca Spain 2 Hawick K A James H A and Scogings C J A Zoology of Emergent Life Patterns in a Predator Prey Simulation Model Proc IASTED International Conference on Modelling Simulation and Optimization MSO 2006 Gabarone Botswana 3 Hawick K A Scogings C J and James H A Defensive Spiral Emergence in a Predator Prey Model In Proceedings of Complexity 2004 Cairns Australia December 2004 Edited by Russel Stonier Quinglong Han and Wei Li 4 Hawick K A Scogings C J and James H A Spatial Emergence of Genotypical Tribes in an Animat Simulation Model Computational Science Technical Note CSTN 035 www massey ac nz kahawick cstn 035 cstn 035 html February 2007 5 Tools and Techniques for Optimisation of Microscopic Artificial Life Simulation Models C J Scogings K A Hawick and H AJames Massey University Technical Note CSTN 033 April 2006 Ap ndice A Manual do
3. portanto a acharmos os Moore Neighbours desse agente A Ilustra o 2 Coelho raposa mais pr ximo Para encontrarmos o agente B mais pr ximo de A usamos a Extended Moore Neighborhood que o caso geral da Moore Neighborhood pois usado um raio para determinar a vizinhan a Figura 3 Ilustra o 3 Definimos ent o um m todo no agente que recebe um inteiro e devolve um agente Caso o inteiro seja maior que o raio m ximo retornado o valor null como resultado o que significa que n o foram encontrados agentes pr ximos Caso o raio seja inferior ao m ximo ent o procuramos na vizinhan a com esse raio por agentes caso seja encontrado pelo menos um esse imediatamente devolvido caso nenhum seja encontrado a fun o chamada recursivamente para o raio 1 De notar que tomamos esta abordagem pois os agentes n o t m obst culos e podem se movimentar livremente em qualquer direc o Caso existissem obst culos esta solu o n o seria adequada M dulos Comer coelho Este m dulo est presente nos agentes Raposa e despoletado pelas percep es e Agente tem fome e Coelho adjacente Este m dulo detecta se existe algum coelho adjacente caso n o exista o m dulo falha e n o despoletada nenhuma ac o Caso seja encontrado um coelho adjacente a raposa assinala o coelho como morto e sinaliza a sua energia com a energia m xima Aproximar Afastar de coelho raposa Estes m dulos est
4. QUICeCtura DOS OS rE EEE usaintponieeie saannnananencuneseranina sbaasvagnesaiaas 7 Estado do mundo e percep OES gigas Socata sense sarc eaalunsasuassasesolaws Sanieseaseeroraieuioeeeeetootesseeesned Giba 8 POUNDS suis irao E E E E watoereneesueeree 9 Protocolos de IMUCl AC CAO mc sagencesetetendeccanaccoanstecenanvusindectisunanteas E 10 DESENVOlVIMENTO sonsecerersnecnonsnaerucsies conven dwsauntasabennnsetaedsymeundenseaantaweneneaysadensnerecniaewieneenseatennananes 11 Framework e ferramentas usadas ccccccssssssseeeccccccaeesseeccccecesseeusseeecccesssauasseceessauaaaseeeeeess 11 Estrutura da ApIICA O asuenpoaaaianoGo na nsG sao dari anaran aeir Es rE ear ENNES ENEA E ari aai 12 BE eeke A EE ENN EIE NEE E dino serias 14 POTEC jo SRA A PADRES AD RP RPA RU RR 16 Estabilidade da po pula oO ements cuenta AOL Oo aaa ads aa Sa 16 Emergencia de DOS assicesania a andas inda id seios E 16 USO Gas FORE Ss seas Rania SSL ea E EEE EE EO EEE Esp 17 Padroes espaciais Q6 ApEn ES pisiseeni aa nae atado isa anta aa 18 ON NS OS ie EE A E E E 18 PST VOR ANI IMCS eer n E E E E A 19 EWN PAM I arr E E 20 Ap ndice A Manual do utilizador vesessatvcssstcvbovsseesecsniarbestuicndestecdsarselabseaesiadsatuntcadeaneiaasaaes 20 Introdu o Enquadramento O desenvolvimento desta aplica o surge no mbito da disciplina de Agentes e Intelig ncia Artificial Distribu da integrada no plano de estudos do Mestrado Integrado em Engenharia Inform ti
5. abalho baseia se no artigo escrito por Scogings James e Hawick 1 Este artigo relaciona a forma como interac es simples entre agentes e os fen menos emergentes associados contribuem para a estabilidade global de um modelo espec fico Este modelo espec fico trata se de um ecossistema de animats com rela es do tipo predador presa No modelo desenvolvido os animais comem ca am geram novos agentes e deslocam se em qualquer direc o num mundo plano e sem fronteiras Os tipos de agente presentes neste modelo s o as raposas predadores e os coelhos presas Na base da sobreviv ncia das raposas est uma alimenta o que consiste em comer coelhos e a sobreviv ncia dos coelhos assegurada por alimento permanentemente acess vel erva para se alimentarem O comportamento de cada animal e consequentemente as suas ac es regido por um conjunto de regras com condi es e ordem de prioridade Se as condi es da regra s o satisfeitas ent o a regra executada e mais nenhuma executada nesse momento no tempo para esse agente Se as condi es da primeira regra n o se verificam executada a segunda e assim sucessivamente Embora em modelos anteriores as prioridades das regras fossem est ticas no modelo actual a classe de agentes coelho pode ter prioridades diferentes para as primeiras 5 regras Estas prioridades s o definidas pelos genes do agente coelho Quando v rios coelhos partilham o mesmo gene ou seja a
6. ca e Computa o da Faculdade de Engenharia da Universidade do Porto O seu desenvolvimento est associado programa o de agentes distribu dos utilizando a Framework REPAST que assenta na linguagem de programa o JAVA para a simula o de sistemas multi agentes Objectivo O principal objectivo deste trabalho consiste em simular um ecossistema atrav s da implementa o de um Sistema Multi Agente com particular interesse nas estruturas espaciais dos agentes assim como a estabilidade global das popula es nosso trabalho descrever correctamente o modelo e posteriormente implementar o mesmo Desta implementa o pretendemos obter resultados semelhantes ao artigo 1 Estrutura do relat rio Este trabalho encontra se estruturado em 6 cap tulos dos quais o primeiro composto por esta introdu o No segundo cap tulo descrito o problema a resolver neste caso o trabalho subjacente ao artigo referido anteriormente a forma de avalia o do trabalho No terceiro cap tulo s o descritas as ferramentas usadas na implementa o do sistema multi agente assim como a implementa o propriamente dita No quarto e quinto cap tulo s o documentadas algumas experi ncias com o SMA implementado assim como conclus es e observa es as mesmas O ltimo cap tulo cont m as conclus es gerais deste trabalho e apresenta algumas perspectivas de desenvolvimentos futuros Enunciado Descri o do cen rio O presente tr
7. cis es baseadas no local para cada agente como por exemplo o n vel de energia ou o n mero de vizinhos etc Como tal protocolos de interac o e trocas de mensagens n o foram necess rias neste trabalho Desenvolvimento Framework e ferramentas usadas O REPAST uma ferramenta de c digo aberto que visa apoiar o desenvolvimento de modelos extremamente flex veis de agentes em sociedade Esta talvez uma das ferramentas mais utilizadas na simula o multi agente Existem outras ferramentas de simula o tamb m muito utilizadas como o caso do NetLogo Swarm AnyLogic Mason e Ascape que n o ser o usadas neste trabalho HexaBugs vio x Tick Count 1717 0 Run 1 HexaBugs Settings Heat Bugs Display Parameters gt Options Model Parameters DiffusionConstant 1 0 EvapRate 0 99 MaxidealTemp 31000 MaxOutputHeat 10000 MinidealTemp 17000 MinOutputHeat 3000 NumBugs 100 WorldXSize 100 WorldYSize 50 Inspect Model E pr ee RePast Parameters CellDepth 8 CellHeight 8 CellWidth 8 PauseAt 1 RandomSeed 1257082211162 REPAST 3 tem uma variedade de recursos onde se destacam as seguintes e Diversos modelos de agentes de exemplo e Totalmente orientado a objectos e Cont m ferramentas gr ficas e de log para os resultados de simula o e Framework Simulador Monte Carlo e Visualizador bidimensional dos agentes e Permite o acesso e mo
8. com uma idade de 0 e por cada itera o da simula o envelhece um ano eventualmente este morrer quando a sua idade for maior ou igual a uma idade parametriz vel Os coelhos t m uma idade m xima de 20 timesteps e as raposas de 50 timesteps 3 De acordo com o artigo 3 a procria o de um animat tamb m afectada pela quantidade de animats sua volta O crowding limitation limita a reprodu o a um determinado agente se a sua volta existirem outros n agentes do mesmo tipo No caso das raposas este valor de 3 e no caso dos coelhos de 5 3 Forma de avalia o Em primeiro lugar e como o nome do artigo original implica teremos de ter popula es de agentes que apesar de poderem sofrer flutua es no tempo se mantenham em grande parte est veis Esperamos tamb m que poucas tribos consigam sobreviver no longo prazo e que essas tribos mais bem sucedidas partilhem os mesmos genes das tribos mais bem sucedidas no artigo tamb m esperado que certas regras sejam cumpridas com mais frequ ncia que outras Mais uma vez usaremos o artigo 1 como refer ncia Especifica o Arquitectura dos agentes Os agentes usados neste trabalho seguem uma arquitectura reflexiva Cada agente tem um conjunto de percep es obtido a partir do estado do mundo num dado instante de tempo estas percep es s o ent o mapeadas para ac es por regras Com esta abordagem esperado que a partir de regras simples ao n ve
9. difica o das propriedades dos agentes os comportamentos e propriedades do modelo em tempo real e Inclui bibliotecas de algoritmos gen ticos redes neuronais gera o de n meros aleat rios e matem tica especializada e Modelos integrados de modelagem din mica e Ferramentas de modelagem de redes sociais e Sistema Geogr fico de Informa o GIS e totalmente implementado numa variedade de linguagens incluindo Java e C e Os modelos podem ser desenvolvidos em v rias linguas como Java NET Managed C Lisp Prolog e Python e Dispon vel em praticamente todas as plataformas incluindo Windows Mac OSX e Linux O suporte inclui tanto os computadores pessoais e em grande escala de clusters de computa o cient fica A Framework REPAST permite nos desenvolver simula es de SMA de uma maneira f cil pois grande partes das funcionalidades necess rias para tal j fazem parte do REPAST como a gera o visual dos agentes recolha de dados sobre o SMA visualiza o em gr ficos desses dados controlo temporal da simula o captura de v deo e imagens e defini o de par metros do SMA O IDE usado foi o Netbeans ambiente de desenvolvimento integrado multi plataforma que permite criar aplica es escritas em diversas linguagens entre elas JAVA e visa simplificar o desenvolvimento e aumentar a produtividade de quem desenvolve as aplica es Estrutura da aplica o 5 Renderiza o do model
10. em pela qual os agentes aplicam as suas regras nesse instante totalmente aleat ria e tamb m atrav s de uma ac o que refrescamos a visualiza o dos agentes ou os gr ficos correspondentes na interface De uma maneira simplista a aplica o semelhante ao seguinte pseudoc digo 4 Require Choose random number seed Initialise Animat Configuration Set up spatial fox pattern uniform random genes Set up spatial rabbit pattern single standard gene for each time step do if total animat extinction then break end if List current live animats for each animat in a random order do update animat according to its rules end for Add new births to live list Garbage collect dead animats Record time step statistics end for Diagrama de classes Elrabbitaverageage Attributes EfoxPopulation S actualizaAgentes aban ar ae Li J rabbitPopulation Attributes Elfoxaverageage Attributes package int rule W Attributes private int initFoxes private int initRabbits private int rabbitMaxEnergy private int foxMaxEnergy private int rabbitRadius private int foxRadius private int rabbitMaxAge private int foxMaxAge private int size private DisplaySurface dsurf private Schedule schedule private Multi2DTorus space private OpenSequenceGraph plotPopulation private OpenSequenceGraph plotRabbitRules private OpenSequenceGraph plotFoxRules private OpenSequenceGraph plotAges priva
11. em sucedidas s o 12354 Esverdeado 32541 Verde 31254 Amarelo 32451 Castanho 12345 Roxo As tribos mais bem sucedidas tem a procria o a auto preserva o e a procura de comida com prioridades muito grandes aparecendo o movimento aleat rio e a procura por companheiro na maior parte das vezes em ltimos lugares Parece ir ao encontro do que foi ilustrado no artigo original mas n o tivemos tempo para mais testes do modelo para tirar conclus es relativamente a isto Uso das regras Na nossa implementa o tivemos valores de uso das regras bastante diferentes do artigo original Ao inv s de termos as regras NOP e Random move como as mais usadas tivemos a move away from rabbit e breed como as mais frequentes nos coelhos Parece nos que estes valores fazem sentido porque as regras NOP e Random Move se aparecerem no fundo das prioridades e s v o ser executadas se todas as condi es falharem das regras anteriores falharem Melhoramentos As condi es de procria o parece nos ainda n o ser as melhores parece nos ter de existir um r cio de nascimento que interfira na probabilidade de procria o dos animats pois temos a procria o a acontecer com mais frequ ncia do que no paper 1 Se conseguirmos baixar o ritmo de nascimento e aumentarmos a energia dispon vel para os animais esperamos que estes comecem a aplicar mais as regras 5 random move e 6 nop semelhan a
12. er um conjunto de tribos que apare a sempre como dominante No entanto para espa os e popula es grandes O modelo torna se menos sens vel a estas flutua es e o mesmo conjunto de tribos aparece com mais frequ ncia Neste caso come amos com 120 tribos cada uma com 19 coelhos e temos cerca de 10 tribos apenas ao final do timestep 500 Conclus es Estabilidade da popula o Conseguimos em espa os de v rios tamanhos manter uma popula o est vel A estabilidade na nossa opini o adv m de dois aspectos cruciais no modelo ijos coelhos so podem procriar se n o tiverem fome e isto s acontece quando n o est o com excesso de popula o ii As raposas apenas comem coelhos quando tem fome De notar que parece existir uma rela o entre a popula o de presas e predadores Quando existe um acr scimo ou decr scimo de presa existe tamb m com algum atraso um acr scimo ou decr simo popula o dos predadores Isto vai ao encontro do artigo original 1 A estabilidade da popula o muito afectada tamb m pela energia m xima dos animais Se algum deles tiver uma energia m xima muito maior que o outro esse primeiro consegue reproduzir com sucesso muito mais vezes pois raramente est com fome ou leva muito tempo a ficar com fome De notar tamb m que popula es menores s o mais suscept veis de flutua es no numero de indiv duos Isto vis vel na imagem 5 Genes Na imagem 8 os genes das tribos mais b
13. imesteps num espa o de 300x300 a quantidade de tribos consideravelmente mais reduzida relativamente ao n mero inicial De notar que grande parte do ecr ocupada pela tribo esverdeada como anteriormente Uso das regras Ilustra o 7 Utiliza o de regras ao fim de 500 timesteps para um espa o 300x300 Fox Rule Usage Eat Rabbit 7 Move towards rabbit 43 Breed 10 Move towards fox 36 Move randomly 4 NOP O Tabela 2 Rabbit Rule Usage Move away from fox Move away from rabbit breed Move towards rabbit Move randomly NOP Utiliza o de regras ao fim de 1000 timesteps para um espa o de 100x100 Fox Rule Usage Eat Rabbit 8 Move towards rabbit 46 Breed 13 Move towards fox 31 Move randomly 2 NOP O Tabela 3 Rabbit Rule Usage Move away from fox Move away from rabbit breed Move towards rabbit Move randomly NOP Padr es espaciais de agentes Ilustra o 8 Conseguimos observar alguns dos padr es elaborados em 2 como por exemplo as waves blobs e spirals ou curves Emerg ncia das tribos Dos testes que corremos parece existir uma forte tend ncia para alguns genes sobreviverem mais frequentemente do que outros Comparando a imagem 6 e 7 podemos ver que em dois testes totalmente diferentes a tribo mais predominante a esverdeada No entanto em espa os muito pequenos isto depende muito da posi o inicial dos agentes e as popula es variam demasiado para hav
14. l microsc pico replicadas por diversos agentes que surjam novos comportamentos no plano macrosc pico sendo que nem sempre estas rela es s o evidentes Neste contexto existe uma hierarquia associada s regras na medida em que apenas uma pode ser executada em cada instante de tempo Isto significa que para v rias regras despoletadas simultaneamente por percep es apenas a de maior prioridade ou hierarquia vai executar e causar uma determinada ac o Na tabela 1 temos a lista de regras para cada tipo de agente no modelo Tabela 1 Coelho presa Raposa predador e Foge de raposa adjacente e Come coelho se tem fome e coelho e Foge de coelho adjacente se tem fome adjacente e Procria se n o tem fome e existe coelho Aproxima se de coelho se tem fome adjacente e Procria se nao tem fome e existe raposa e Aproxima se de coelho se nao tem adjacente fome e Aproxima se de raposa se n o tem fome e Probabilidade de 50 em mover se e Probabilidade de 50 em mover se aleatoriamente aleatoriamente e NOP e NOP Apesar de os agentes raposa terem as mesmas regras com as mesmas prioridades no caso dos coelhos todas as prioridades com excep o da regra NOP s o definidas pelos genes individuais de cada agente coelho A colec o de genes poss veis para os agentes coelho consiste numa permuta o espec fica das 5 primeiras regras Ent o sabendo que queremos permutar as 5 primeiras regras 120 combina es poss veis e sabendo o
15. lizam os valores para a representa o dos gr ficos sobre a m dia de idades dos objectos Fox e Rabbit Classes FoxPopulation e RabbitPopulation Classes que actualizam os valores para a representa o dos gr ficos sobre o n mero de objectos Fox e Rabbit popula o Interface IAnimat Esta interface define os m todos que todos os animats no modelo tem em comum como por exemplo getters e setters para as coordenadas genes idade verificar se o animat est vivo etc Classe AnimatIimpl Implementa o da interface IAnimat Esta classe implementa os m todos e atributos que sao comuns a todos os animats Energia idade genes s o apenas alguns dos atributos A classe tamb m define m todos para consulta dos vizinhos Classe Fox Este objecto cont m o corpo dos m todos para a aplica o das regras genes das raposas Esta herda do objecto Animatimepl Classe Rabbit Este objecto cont m o corpo dos m todos para a aplica o das regras genes dos coelhos Esta herda do objecto Animatimepl Experi ncias Estabilidade da popula o Popula o aos 500 e 1000 timesteps para um espa o de 300x300 e 100x100 respectivamente x104 Population Time x10 Population Time Fox Population 2 0 Population e 14 Rabbit Population X Fox Popul Rabbit Population X Ilustra o 5 Emerg ncia de tribos Tribos mais prevalentes aos 1000 timesteps para um espaco de 100x100 Ilustra o 6 Ap s 500 t
16. mesma combina o de prioridades de regras dizemos ent o que esses agentes coelho pertencem mesma tribo Estas regras usam o factor energia fome dos agentes e a localiza o dos seus vizinhos para condicionar as ac es dos mesmos Cada agente possui um inteiro que simboliza a energia do animal este valor definido com base num valor m ximo parametriz vel Se o animal n o come a energia do animal decrementada e quando este come ela retorna ao valor m ximo Considera se que um animal tem fome se o valor da energia for inferior a 1 3 da energia m xima definida e se a energia chegar a zero o animal morre de fome A reprodu o de agentes n o usa nenhuma combina o gen tica ou muta o Em vez disso para cada novo agente os seus genes s o uma r plica exacta dos genes de um dos progenitores sendo que esta escolha feita de maneira aleat ria No caso das raposas visto n o existirem diferen as de genes o resultado s o descendentes que consistem em c pias exactas de ambos os progenitores no caso dos coelhos isto j n o verdade importante referir que o modelo n o obriga ao uso exclusivo de uma c lula por apenas um agente De facto a procria o coloca um novo agente na mesma c lula que um dos seus progenitores 2 3 De referir tamb m que o espa o expandido automaticamente para evitar a interfer ncia dos limites do espa o na simula o O modelo tem tamb m o conceito de idades cada agente come a
17. n mero inicial de coelhos N ent o come aremos aproximadamente com N 120 coelhos para cada gene colocados aleatoriamente no espa o da simula o Este valor N definido pelo utilizador como par metro da simula o Na Figura 1 agrupamos as v rias tarefas em 3 grupos cada agente dever saber representar se no espa o atrav s do m dulo GUI dever tamb m de interpretar o mundo atrav s dos seus sensores e alterar o mesmo atrav s de actuadores Por fim o agente necessita de determinar que actuadores usar em que casos e de que maneira isto trabalho para os v rios m dulos existentes no agente e variam para as presas e predadores Ilustra o 1 Estado do mundo e percep es Energia Todos os agentes sem excep o competem por energia esta energia est dispon vel para as raposas sob a forma de coelhos e para os coelhos sob a forma de erva sempre dispon vel pelo mundo Todos os agentes tem uma energia m xima definida pelo utilizador no inicio da simula o e serve de limite para a energia Esta ir ser decrementada sempre que o agente n o coma Quando o agente come a energia restaurada ao m ximo Se por acaso a energia atingir o valor zero o agente morre Coelho raposa adjacente Consideramos que um agente B est adjacente a um agente A se este se encontra na mesma c lula ou numa das oito c lulas directamente adjacentes num aut mato celular de duas dimens es como o caso na Figura 2 Isto equivale
18. o 2 5 Scheduler v o lt Ilustra o 4 O sistema multi agente desenvolvido esta estruturado em 3 grandes niveis e Interface e Modelo e Agentes A interface totalmente disponibilizada pela Framework Repast e opcional respons vel por representar visualmente a informa o dos n veis inferiores modelo e agentes sob a forma de gr ficos ou de uma representa o visual da posi o informa o dos agentes O modelo desenvolvido em Java utilizando classes ou implementando interfaces do Repast e tem informa o sobre o estado do mundo agentes scheduler e ac es O modelo respons vel por criar os agentes correctamente criar um scheduler e definir ac es a serem despoletadas pelo scheduler permitir a parametriza o do modelo com base em inputs do utilizador e criar um espa o para os agentes assim como uma visualiza o associada Os agentes implementados s o definidos pelas classes Fox e Rabbit para presa e predador respectivamente Estas classes ir o encapsular os m todos para a cria o das percep es m dulos e ac es de cada tipo de agente Uma vez que o simulador discreto o modelo evolui no tempo tamb m de forma discreta atrav s do scheduler Este tem ac es associadas e em cada unidade de tempo despoleta essas ac es atrav s de uma destas ac es que todos os agentes aplicam as suas regras num dado instante no tempo de notar que garantimos que a ord
19. o presentes nos agentes Raposa e Coelho e dependendo do agente s o activados por percep es diferentes Genericamente falando o agente A descobre primeiro o agente B mais pr ximo dependendo do caso o agente A segue o vector definido pela posA posB ou pelo vector definido pela posB posA afastando se ou aproximando se de B respectivamente Apenas como nota este processo um pouco mais complexo pois temos de ter em conta que o espa o sendo um torus nem sempre o caminho mais r pido de A para B no sentido de A para B mas em alguns casos no sentido contr rio Procriar Este m dulo est presente nos agentes Raposa e Coelho e despoletado pelas percep es e Agente n o tem fome e Agente do mesmo tipo est adjacente Este m dulo extrai a sequ ncia gen tica de um dos agentes envolvidos na procria o cada um destes agentes tem 50 de hip teses de ser escolhido Quando um novo agente criado apenas tem 1 3 da energia m xima isto significa que todos os agentes tem de come ar por procurar comida Isto ajuda a evitar a perpetua o de genes devido exclusivamente procria o Mover aleatoriamente em 50 dos casos Caso este m dulo seja activado existe 50 de hip teses de o agente se mover aleatoriamente Esta regra garante que existe alguma explora o aleat ria do espa o por parte dos agentes Protocolos de interac o Neste caso o SMA n o depende da troca de mensagens entre agentes mas sim de de
20. te String genepool 0 private DataRecorder dr Attributes o package int rule ES rabbitRuleUsage agents lt lt interface gt gt to Animat A 1 i ES Animatimp Attributes protected int energy protected int maxenergy protected String genes protected int x protected int y protected Multi2DTorus space protected int raio protected Color cor protected int lastRule O protected int age protected int maxage Operations Graphics g E Operations public Rabbit String genes Multi2DTorus space int radius int maxEnergy int maxAge private boolean doRule int rule public void kill Operations public Fox String genes Multi2DTorus space int radius int maxEnergy int maxage private boolean doRule int rule private eat ic hunt Classe Model Esta classe a classe principal do projecto A mesma cont m o m todo main onde s o inicializados os objectos Fox e Rabbit Esta herda da classe SimModellmpl do Repast3 e inicializa o para simula o Classe ActualizaAgentes Esta classe tem como fun o actualizar os objectos Fox e Rabbit no modelo Tem um m todo execute que executado a cada ciclo de simula o Classe FoxRuleUsage e RabbitRuleUsage Classes que actualizam os valores para a representa o dos gr ficos sobre a percentagem das regras aplicadas para cada objecto Fox e Rabbit Classe FoxAverageAge e RabbitAverageAge Classes que actua
21. utilizador Para executar o SMA necess rio ter o java runtime instalado e executar o seguinte comando java jar AnimatGrowth jar Ao qual aparecer o interface do repast O utilizador poder ent o alterar as dimens es do espa o a energia m xima para as raposas e coelhos assim como as idades popula es iniciais e raio de vis o al gt D gt Bilo RandomSeed 1260119750962 Para correr a simula o basta carregar no bot o start b
Download Pdf Manuals
Related Search