MARC

 008250123s2024        us                              c    eng  d
■001000017160140
■00520250211150917
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798381976793
■035    ▼a(MiAaPQ)AAI30817219
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a001
■1001  ▼aHead,  Bryan.▼0(orcid)0009-0004-0332-1368
■24510▼aAgents  Modeling  Agents:  The  Design  and  Analysis  of  Multi-level  Agent-Based  Models
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a319  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-10,  Section:  B.
■500    ▼aAdvisor:  Wilensky,  Uri.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aAgent-based  modeling  (ABM)  plays  a  critical  role  in  complex  systems  research  by  allowing  researchers  to  examine  how  individual-to-individual  interactions  collectively  give  rise  to  group-level  and  system-level  behavior.  However,  fields  ranging  from  socio-environmental  systems  to  tumor  biology  to  traffic  modeling  have  increasingly  sought  to  model  interactions  between  systems  of  different  scales.  Multi-level  agent-based  modeling  (ML-ABM)  extends  classic  ABM  techniques  to  meet  this  need.  Despite  this  growing  demand,  multi-level  modeling  techniques  introduce  significant  complexity  into  the  modeling  process  and  have  yet  to  see  widespread  adoption  among  ABM  practitioners.  We  introduced  the  LevelSpace  extension  for  the  widely  used  NetLogo  ABM  platform  to  make  ML-ABM  easily  accessible  to  ABM  researchers  by  leveraging  NetLogo's  core  "low  floor,  high  ceiling"  approach.This  dissertation  builds  on  that  work,  showing  how  researchers  can  model  multi-level  phenomena  by  creating  nested  hierarchies  of  agent-based  models.  It  accomplishes  this  through  a  series  of  novel  and  illustrative  case  studies.  Each  begins  with  a  classic,  single-level  agent-based  model,  and  then  extends  it  to  a  multi-level  modeling  system.  In  each  case,  we  explore  the  different  kinds  of  relationships  that  can  connect  models,  with  a  particular  focus  on  the  amount  of  coupling  and  re-usability  of  the  component  models  involved.  We  perform  in-depth  experiments  and  analyses  of  each  model,  demonstrating  the  techniques  involved  in  analyzing  ML-ABMs,  comparing  the  behavior  of  ML-ABMs  with  single-level  ABMs,  and  gaining  new  insights  into  the  simulated  systems.  Finally,  we  demonstrate  that  ML-ABM  offers  powerful  techniques  for  defining  agent  cognition  in  particular  by  allowing  agents  to  model  their  environment  and  make  decisions  using  subordinate  ABMs.  The  case  studies  presented  in  this  dissertation  offer  thorough  yet  accessible  templates  by  which  to  guide  other  researchers  in  the  design  and  analysis  of  multi-level  agent-based  models.
■590    ▼aSchool  code:  0163.
■650  4▼aSystems  science
■650  4▼aComputer  science
■653    ▼aAgent-based  modeling
■653    ▼aComplex  systems
■653    ▼aMulti-level  modeling
■653    ▼aNetLogo
■653    ▼aMulti-level  agent-based  models
■690    ▼a0790
■690    ▼a0800
■690    ▼a0984
■71020▼aNorthwestern  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-10B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160140▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books