Введение
Электронный бизнес качественно отличается от других типов торговли. Поэтому для моделирования электронной торговли нужен несколько иной подход, отличный от традиционного, а также своя методология. Основная цель моделирования и имитации электронной торговли заключается в том, чтобы подобрать наиболее оптимальный способ ведения торговли, подобрать соответствующие параметры для конкретной фирмы.
Применение методов агенто-ориентированного и событийного моделирования в электронном бизнесе может быть оправдано своей малой стоимостью по сравнению с реальными экспериментами с участием людей. Кроме того эти модели позволяют подбирать наиболее оптимальные параметры ведения торговли.
Подход к моделированию и имитации агенто-ориентированных систем.
Для такого моделирования необходима подробная методология, на которой основана модель. Весь подход можно разделить на три стадии: детальный план (Detailed Design), программирование (Coding) и имитация (Simulation). Модель описывается набором типов агентов (AT, от Agent Types), которые действуют в модели и предлагают сервисы, и множеством логических коммуникационных соединений (LCL, от Logical Communication Links) типов агентов, которые включают в себя взаимодействие протоколов (interaction protocols), см. рисунок 1 (Figure 1).
Детальный план
Построение плана модели основано на видимых особенностях в поведении типов агентов, которые включают в себя активность, сервисы и взаимодействие протоколов. Визуальные особенности производятся за счет DSC (Distilled StateCharts) формализма, это позволяет моделировать поведение агентов (lightweight agents).
На рисунке 2 (Figure 2) представлена стадия детального план поведения агентов (Abeh(Ati)), то есть стейтчарт состоящий из базовых состояний: начальное (Initiated), транзитное (Transit), ожидание (Waiting), приостановленный (Suspended), активный (Active) и меток перехода по событиям. Abeh(Ati) состоит из двух частей: стейтчарта (Sbeh(Ati)) активности и взаимодействий и относящихся к нему множеству событий (Ebeh(Ati)).
Программирование
В программировании используется детальный план, который обсуждался выше, а также используется Mobile Active Object Framework (MAO Framework). Более подробно см. на рисунке 3 (Figure 3).
Имитация
Имитация производится на основе дискретно-событийной модели для агенто-ориентированной системы. Используя модель, построенную выше, можно оценить ее эффективность и результаты работы, при этом, вводя необходимые меры результатов (performance measurements), см. рисунок 4 (Figure 4).
Моделирование агенто-ориентированного электронного рынка.
Разберем модель consumer-driven e-Marketplace, обмен товарами в которой происходит из-за потребителей, которые желают приобрести товар. В модели представлено два типа агентов: мобильные агенты (mobile Agents) и стационарные агенты (stationary Agents).
На рисунке 5 (Figure 5) представлены типы агентов и их логические связи LCL.
Разберем каждый тип агента более подробно.
User Assistant Agent. Помощник ассоциированный с пользователем. Его задача – поиск определенного продукта для пользователя и покупка этого продукта согласно его предпочтениям (buying policy).
Access Provider Agent. Его задача в получении запросов на покупку различными зарегистрированными UAA агентами и удовлетворение их запросов за счет генерации Mobile Consumer Agent (MCA).
Mobile Consumer Agent. Автономный мобильный агент в задачи которого входит поиск, заказ (contracting), оценка (evaluation) и оплата товара. Агент MCA располагает ограниченной суммой электронных денег (e-cash).
Vendor Agent. Продавец определенного товара.
YellowPage Agent. Т.н. агент «Желтые страницы». Содержат доступную информацию о локации и продающихся товарах. Различаются несколько типов этих агентов. Централизованный – содержит полный список всех VA агентов. One Neighbour Federated имеет в наличие список VA агентов и ссылку только на одного YPA агента (сосед). M-Neighbour Federated содержит список VA агентов и ссылку на по крайней мере M YPA агентов (соседей).
Bank Agent. Представляет собой банк для MCA и VA агентов.
Модель представляет из себя взаимодействие вышеописанных агентов по некоторым заранее заданным правилам. Приблизительно происходит следующее. Некоторый агент намерен купить определенный товар. Он передает эти сведения UAA агенту вместе с некоторыми параметрами описание продукта, Pmax (максимальная цена), SP (политика поиска), BP (политика покупки). Далее агент UAA передает запрос агенту APA, который в свою очередь создает агента MCA. Затем происходит процесс поиска нужного товара через YPA и выбор соответствующего продавца VA. После того как нужный товар найден и все условия по его покупке удовлетворены, мы переходим к следующему этапу – оплате и отчету. Не вдаваясь в более подробные детали работы системы см. рисунок 6.
Рисунок 6.
Имитация агенто-ориентированного электронного рынка.
Цель имитации состоит в том, чтобы проследить поведения каждого из агента в отдельности и их взаимоотношения друг с другом, посмотреть на поведение модели при изменении параметров системы. Следующая задача имитаций состоит в оценки различных решений модели. В частности одним из главных индексов является время затрачиваемое агентом на покупку товара. В таблице 1 представлены основные параметры изменения модели.
Таблица 1. Имитация и анализ параметров.
NVA |
Число VA агентов |
NYPA |
Число YPA агентов |
YPO |
Тип YPO (Централизованный, 1-Neighbour, 2-Neighbour, и т.д.) |
δMA |
Задержка связи между двумя соседними узлами передачи агентам |
δMSG |
Задержка связи между двумя соседними узлами передачи сообщения |
TC=TREPORT-TCREATION |
Время выполнения для MCA, где TCREATION – время создания MCA, а TREPORT – время отчета MCA. |
Некоторые результаты имитационного моделирования можно посмотреть на рисунке 7 (Figure 7). По оси абсцисс откладывается NVA, а по оси ординат оценка результата модели. Различные кривые соответствуют различным параметрам модели.
Выводы.
В рассмотренной работе были представлены агенто-ориентированная и дискретно-событийная модель в рамках анализа электронных рынков. Данные модели могут эффективно применяться в этой области для прогнозирования введения новых методов торговли, вычислении оптимальных стратегий и прочее. Несомненно, эти модели могут оказаться эффективным методом разработки стратегических решений.