SYMULACJA WIELOAGENTOWA W ZASTOSOWANIACH BIZNESOWYCH

Transkrypt

1 SYMULACJA WIELOAGENTOWA W ZASTOSOWANIACH BIZNESOWYCH ANNA ŁATUSZY SKA Uniwersytet Szczeci ski Streszczenie Powodzenie współczesnych przedsi biorstw jest zdeterminowane dost pno ci odpowiednich informacji, które maj decyduj ce znaczenie dla rozwoju firmy a cz sto równie i jej przetrwania. Na podstawie tych informacji podejmowane s decyzje dotycz ce przyszło ci przedsi biorstwa. Najcz ciej decyzje te s podejmowane przy u yciu intuicji i do wiadczenia lub z wykorzystaniem prostych narz dzi komputerowych w rodzaju arkuszy kalkulacyjnych. Badania dowiodły jednak, e człowiek nie jest w stanie rozpatrzy wi cej ni siedem ró norodnych scenariuszy, a współczesne systemy biznesowe s na tyle zło one, e wymagaj rozwa ania setek rozmaitych wariantów. W takich przypadkach mo na wykorzysta symulacj wieloow, która pozwala na analiz wielu mo liwych scenariuszy przyszłych wydarze w krótkim czasie. W artykule przedstawione zostały zało enia symulacji wieloowej oraz najistotniejsze zagadnienia dotycz ce ów i ich rodowiska. Omówiono równie jej genez i powi zania z innymi dziedzinami nauki, a tak e zaprezentowano zestawienie wybranych zastosowa symulacji wieloowej w biznesie. Słowa kluczowe: symulacja wieloowa, wspomaganie decyzji 1. Wprowadzenie Współczesne przedsi wzi cia biznesowe oparte s przede wszystkim na informacji. Dost pno i adekwatno informacji jest warunkiem rozwoju i przetrwania ka dej firmy, gdy na jej podstawie podejmowane s wszelkie decyzje. Najcz ciej decyzje podejmuje si korzystaj c z intuicji i do wiadczenia mened erów lub przy u yciu prostych narz dzi komputerowych w rodzaju arkuszy kalkulacyjnych. Nie s to metody, które pozwalaj na szerokie spojrzenie na problem. Dowiedziono bowiem, e człowiek nie jest w stanie rozwa y jednocze nie wi cej ni siedem ró norodnych scenariuszy. Wyra a si to klasyczn reguł siedem plus albo minus dwa, w zale no ci od indywidualnych mo liwo ci [37]. Współczesne systemy biznesowe, ze wzgl du na swoj zło ono, wymagaj rozpatrzenia setek rozmaitych wariantów, dlatego potrzebne s bardziej zaawansowane metody wspomagania decyzji. Symulacja wieloowa (ang. multi- simulation) jest jedn z nich. Umo liwia analiz wielu rozmaitych scenariuszy przyszłych wydarze daj c podstawy do podj cia decyzji. Symulacja wieloowa bazuje na modelach symuluj cych działanie i interakcje autonomicznych ów (zarówno pojedynczych, jak i zbiorowych jednostek firm i organizacji) i jest oparta na stwierdzeniu, e system (organizacja) rozpatrywany jako cało jest czym wi cej ani eli suma jego poszczególnych cz ci [38, 2.]

2 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 28, W ostatnim dziesi cioleciu modele owe zdobyły spor popularno. Przegl d publikacji z tego okresu wykazuje rosn cy trend liczby artykułów po wi conych temu zagadnieniu (rysunek 1) 24. Rysunek 1. Liczba artykułów dotycz cych symulacji wieloowej z okresu 1998 lipiec 2008 z podziałem na poszczególne lata ródło: [24]. Jak pokazano na rysunek 2, najpopularniejsze obszary zastosowa to ekonomia i nauki społeczne. Wszystkie zastosowania ł czy próba zrozumienia systemów zło onych. Symulacja wieloowa jest w tym celu bardzo przydatnym narz dziem. Przykładowe zastosowania z zakresu poszczególnych dziedzin zestawiono w tabeli 1. Rysunek 2. Dziedziny zastosowania symulacji wieloowej na podstawie przegl du literatury z lat lipiec 2008 ródło: [24].

3 162 Symulacja wieloowa w zastosowaniach biznesowych ródło: [47]. Tabela 2. Dziedziny zastosowania symulacji wieloowej Dziedzina Nauki społeczne Ekonomia Ekologia Nauki polityczne Przykład zastosowania Społeczno ci owadów, rozwój społecze stw antycznych, grupowe nauczanie, rozprzestrzenianie si epidemii Giełda, rynki samoorganizuj ce, sieci handlowe, zachowanie konsumentów Populacje poszczególnych gatunków zwierz t, zachowania stadne ryb i ptaków, wzrost lasów deszczowych Współzawodnictwo partyjne, badania opinii publicznej W artykule przedstawione zostały zało enia symulacji wieloowej oraz najistotniejsze zagadnienia dotycz ce ów i ich rodowiska. Omówiono równie jej genez i powi zania z innymi dziedzinami nauki, a tak e przedstawiono zestawienie wybranych zastosowa symulacji wieloowej w biznesie. 2. Geneza i istota symulacji wieloowej Symulacja wieloowa wi e si z wieloma dziedzinami nauki. W ród nich mo na wymieni : systemy adaptacyjne (ang. complex adaptive systems, CAS), teori zło ono ci (ang. complexity science) i teori systemów (ang. system science). Idea symulacji tego typu wywodzi si z obserwacji emergentnych i adaptacyjnych systemów biologicznych. Podwaliny dla symulacji wieloowej dały głównie badania nad systemami adaptacyjnymi 1, które wyst puj w naturze. Wła ciwo ci i mechanizmy tych systemów, zdefiniowane przez Hollanda [26] zapewniaj bardzo u yteczny szkielet do projektowania modeli opartych na ach. Obserwacja kolonii mrówek i inteligencji roju zainspirowała twórców systemów owych, by agenci na ladowali ywe organizmy w zdolno ci adaptacji do zmieniaj cych si warunków otoczenia. W formie zrozumiałej dla komputerów wyra one zostało to za pomoc automatów komórkowych, stworzonych niezale nie przez Stanisława Ulama i Johna von Neumanna w latach czterdziestych XX w. Jednak dopiero na pocz tku lat 70 tych zacz ła przybiera posta, pod któr jest znana dzisiaj. Stało si to za spraw powstania tzw. gry w ycie (ang. Game of Life), stworzonej przez Johna Conway a [18]. Jednym z najwcze niejszych modeli wieloowych był model segregacji rasowej Thomasa Schellinga [43]. Posłu ył si on monetami reprezentuj cymi ów, ale jego model wyraził główn koncepcj symulacji wieloowej opieraj cej si na autonomicznych ach działaj cych we wspólnym rodowisku. Definicja ów w obecnym kształcie pojawiła si jednak dopiero na pocz tku lat 90-tych [25]. Od tego czasu rozwój symulacji wieloowej znacznie przyspieszył. Powstały liczne programy umo liwiaj ce modelowanie (StarLogo, SWARM, NetLogo, RePast) i modele symulacyjne na wielk skal [13, 14]. 1 System adaptacyjny dynamiczna sie wielu jednostek działaj cych równolegle i oddziałuj cych na siebie; ogólne zachowanie systemu jest wynikiem wszystkich decyzji podejmowanych w ka dym momencie przez wszystkie jednostki nale ce do tego systemu [26].

4 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 28, W ostatnich latach du e znaczenie w symulacji wieloowej zyskały równie sieci. Zrozumienie ich struktury i obiegu informacji pomi dzy w złami jest niezwykle wa ne dla biznesu. Stworzenie odpowiedniej struktury poł cze pomi dzy ami ma istotny wpływ na zachowanie modelu podczas symulacji. Nauka o sieciach zapewnia wiedz i techniki do zrozumienia ł czno ci mi dzy ami i ich wzajemnych interakcji. Dodatkowo, wokół systemów ekonomicznych powstała równie nowa dziedzina komputerowa ekonomia wieloowa (ang. -based computational economics, ACE) 52. rodowisko interakcje ródło: [36]. Rysunek 3. Schemat systemu wieloowego System wieloowy, niezale nie od zastosowania, ma pewne niezmienne komponenty. Nale do nich: agenci, interakcje mi dzy nimi oraz rodowisko, w którym agenci działaj. W schematycznej formie przedstawione jest to na rysunek 3. Agenci w zło onych systemach adaptacyjnych s komponentami odpowiadaj cymi za podejmowanie decyzji. Posiadaj oni zawsze zestaw reguł lub wzorców zachowania, które pozwalaj na przyjmowanie i przetwarzanie informacji z otoczenia. Wooldridge i Jennings [55] opisuj ów jako komputerowe systemy oparte na sprz cie lub oprogramowaniu o nast puj cych wła ciwo ciach: autonomiczno agenci mog operowa bez bezpo redniej interwencji człowieka, umiej tno ci socjalne agenci oddziałuj z innymi ami (równie z lud mi), reakcyjno agenci postrzegaj swoje rodowisko i reaguj na zmiany w nim zachodz ce, proaktywno agenci działaj nie tylko w odpowiedzi na bod ce ze rodowiska, ale s w stanie podejmowa działania zorientowane na realizacj celów i przejmowa inicjatyw. Nie wszyscy agenci musz jednak posiada wszystkie wymienione cechy. Ze wzgl du na stopie skomplikowania wyró nia si dwa rodzaje ów: agenci prototypowi (proto-agenci) i agenci zło eni. Proto-agenci maj proste reguły zachowania, które nie zmieniaj si pod wpływem rodowiska brakuje im indywidualnej adaptacyjno ci. W jednym czasie wykonuj tylko jedno działanie. W przypadku, gdy proste reguły nie wystarczaj do zamodelowania okre lonego problemu, stosuje si ów zło onych. Ich wykorzystanie zwi ksza wierno i wyrazisto modelu. Struktura zło onych reguł jest podobna do struktury reguł prostych, ale znacznie bardziej wyrafinowane s warunki ich aktywacji. Typowe jest aktywowanie wielu reguł w tym samym czasie i zastosowanie reguł zagnie d onych. Przy tworzeniu reguł stosuje si nieraz bardzo skomplikowane techniki. Nale do nich metody statystyczne, metody sztucznej inteligencji (sieci

5 164 Symulacja wieloowa w zastosowaniach biznesowych neuronowe, algorytmy genetyczne, zastosowanie inteligencji roju) oraz metody optymalizacji, takie jak programowanie liniowe [38]. W zachowaniu a wyró nia si dwa poziomy reguł. Na pierwszym poziomie znajduj si reguły podstawowe, które okre laj jak odpowiada na standardowe zdarzenia. Drugi poziom obejmuje reguły zmieniaj ce reguły podstawowe. Zapewniaj one adaptacj ów do zmieniaj cych si warunków rodowiska [11]. Zachowania ów przebiegaj w trzech podstawowych krokach. Najpierw ocenia swój aktualny stan i okre la co musi zrobi w danej chwili. Nast pnie wykonuje wybrane akcje i ocenia wyniki swojego działania. Na podstawie tej oceny modyfikuje reguły, dostosowuj ce je do nowych warunków. Oprócz charakterystyk zachowania, okre laj cych co robi, agenci posiadaj równie okre lone atrybuty, które definiuj czym lub kim jest. Atrybuty mog by ró ne w zale no- ci od a. Najcz ciej, gdy agenci reprezentuj ludzi, okre la si ich przez pryzmat wieku, płci, dochodu i preferencji. Gdy agenci odpowiadaj całym organizacjom, opisuj ich ilo zasobów, wielko oraz tolerancja na ryzyko. Wiele atrybutów, zwłaszcza wyra onych w formie liczbowej jest bardzo prostych do okre lenia i zaimplementowania. Atrybuty takie jak preferencje s du o bardziej skomplikowane i musz by definiowane na wielu poziomach [38] 2. Najbardziej istotn spraw przy tworzeniu modelu wieloowego jest okre lenie reguł, jakimi b d kierowa si agenci. W tym celu stosuje si wiele ró nych metod. Istotn rol odgrywaj metody z zakresu nauk społecznych (m.in. teorii racjonalnego wyboru) i in ynierii wiedzy. W zastosowaniach biznesowych jako agenci mog by zamodelowani wszyscy uczestnicy procesu podejmowania decyzji. Wewn trz firmy mog to by mened erowie, na rynku całe organizacje. 3. Zastosowania w biznesie Dzi ki emergencji umo liwiaj cej uchwycenie nieliniowych zale no ci, symulacja wieloowa doskonale nadaje si do odwzorowywania systemów biznesowych. W odniesieniu do sfery biznesu i administracji, komputerowe modele wieloowe s szeroko konstruowane w celu rozwi zywania licznych problemów. Mog one wspomaga mi dzy innymi: projektowanie optymalnych systemów biznesowych, doskonalenie produkcji, zarz dzanie ła cuchami dostaw, przewidywanie zachowa konsumentów, prognozowanie trendów rynkowych, zwi kszanie wydajno ci rynków finansowych, nadzorowanie zachowania tłumu, rozpoznawanie wzorców w ruchu drogowym, projektowanie budynków pod wzgl dem bezpiecze stwa, tworzenie nowych protokołów komunikacji. 2 Wi cej informacji na temat zasad symulacji wieloowej i ów mo na znale m. in. w [ 2, 6, 20 i 28].

6 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 28, Uogólniaj c, mo na stwierdzi, e symulacja wieloowa ma zastosowanie wsz dzie, gdzie mo e si pojawi emergencja. W kontek cie biznesowym mo na wyró ni trzy główne obszary wyst powania tego zjawiska [4]: przepływy: ewakuacja, ruch drogowy, zachowania konsumentów, ła cuchy dostaw, rynki: giełda, symulacja strategiczna, organizacje: ryzyko organizacyjne, projektowanie organizacyjne. Wybrane przykłady artykułów opisuj cych modele symulacyjne z głównych obszarów zastosowania, wymieniono w tabeli 2. Tabela 3. Wybrane przykłady zastosowa symulacji wieloowej w biznesie Obszar zastosowania Przepływy Rynki Organizacje Przykład zastosowania Model supermarketu [6] Symulacja opinii społecznej [29] Modelowanie ła cucha dostaw [27], [39], [40], [41], [42], [43] Model podejmowania decyzji przez konsumenta [29] Modelowanie zachowa konsumentów na lokalnym rynku produktów spo ywczych w skali małego miasta [28] Symulacja wieloowa na potrzeby transportu [45] Modelowanie płatno ci mi dzybankowych [23] Pionierski model giełdy [39] Modelowanie zachowania ów na giełdzie [33] Planowanie działa na zdecentralizowanym rynku elektryczno ci [21] Analiza strategii rynkowych na rynku elektronicznym (internetowym) za pomoc symulatora wieloowego [25] Model rynku informacji dla e-biznesu [47] Mo liwo wykorzystania symulacji wieloowej do przewidywania kryzysu ekonomicznego [49] Agentowy system wspomagania decyzji dla rynku energii elektrycznej [32], [34] Symulacja rynku finansowego [33], [35] Symulacja rynku usług telekomunikacyjnych [45] symulacja organizacyjna [31] Badanie zachowania organizacyjnego w małej firmie [31] Koordynacja grupowej pracy nad projektem [45] Model ekosystemu biznesowego [46] Testowanie i optymalizacja praktyk zarz dzania [33] Modele owe w ekozarz dzaniu (badaniu wpływu przedsi biorstw na rodowisko) [31] W poł czeniu z innymi technikami modelowania i symulacji, symulacja wieloowa mo e znacznie poszerzy spektrum swoich zastosowa. Wraz z dynamik systemów, opracowan przez Jay a W. Forrester a [14], jest skuteczna w identyfikacji istotnych zmiennych systemu i tworzeniu struktury wielu aspektów rozwoju modelu [45]. W poł czeniu z symulacj typu Monte Carlo [35] mo liwe jest spojrzenie na system pod k tem procesowym [12]. Symulacja uczestnicz ca [22]

7 166 Symulacja wieloowa w zastosowaniach biznesowych pomaga w tworzeniu modelu i realistycznych reguł zachowania, zwłaszcza gdy agenci maj reprezentowa ludzi [3]. Zastosowanie symulacji wieloowej z optymalizacj pozwala na dokonanie wyboru najlepszego wariantu ze wszystkich zasymulowanych [10]. 4. Podsumowanie Z analizy przykładowych zastosowa symulacji wieloowej w biznesie wynika, ze powinna by ona u ywana, kiedy system ewoluuje w czasie w sposób niemo liwy do przewidzenia na podstawie znajomo ci zachowa indywidualnych elementów tego systemu. Symulacja wieloowa sprawdza si, gdy jest konieczno zrozumienia zachowania systemu, wynikaj cego ze zło onych interakcji jednostek. Pomaga odkry struktur systemu i pozwala na reprezentacj przestrzeni i relacji przestrzennych. Modele wieloowe zapewniaj równie platform testow do obserwacji potencjalnych konfiguracji systemu na bazie zastosowanych reguł. W oczywisty sposób symulacja wieloowa jest stosowana gdy [38]: problem ma naturaln reprezentacj w postaci współdziałaj cych ów, w systemie mieszcz si decyzje i zachowania, które mog zosta zdefiniowane w ci le ograniczonych ramach, istnieje konieczno adaptacji ów i zmian ich zachowania, istnieje konieczno zaistnienia dynamicznych relacji pomi dzy ami, problem zawiera w sobie czynnik przestrzenny, przeszło mo e stanowi niewystarczaj c przesłank do przewidywania przyszło ci, istotna jest skalowalno systemu. Przewaga symulacji wieloowej nad innymi technikami zawiera si w trzech stwierdzeniach: modelowanie wieloowe pozwala uchwyci zjawisko emergencji, zapewnia naturalny opis systemu i jest elastyczne [4]. Zastosowanie symulacji wieloowej, chocia w cz ci pozwala na przewidzenie wielu niespodzianek, które mog czeka mened era podejmuj cego decyzje w firmie, warto zatem przyjrze si dokładniej metodzie, która zapewnia tak dobre rezultaty. [1] Andrews C. J., Baptista A. I., Patton S. L.W.: Grounded Theory and Multi-Agent Simulation for a Small Firm, [w:] Agent-Based Simulation: From Modeling Methodologies to Real-World Applications (Terano T., Kita H., Kaneda T., Arai K., Deguchi H., red.), Springer, Tokio, [2] Axelrod R.: The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration, Princeton University Press, Princeton, [3] Berland M., Rand W.: Participatory Simulation as a Tool for Agent-based Simulation, International Conference on Agents and Artificial Intelligence, 2009, s [4] Bonabeau E.: Agent-based modeling: methods and techniques for simulating human systems, Proceedings of National Academy of Sciences, nr 99(3), 2002, s [5] Buchanan M.: Meltdown Modelling, Nature, nr 460, 2009, s [6] Casti, J. L.: Would-Be Worlds: How Simulation Is Changing the World of Science, Wiley, New York, 1998.

8 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 28, [7] Charro R., Santos F., Reis J.: Applying Multi-Agent Simulation to Supply Chains, The 1st ICC Workshop on Complexity in Social Systems, Lisbon Universitary Institute, Lizbona, stycznia [8] Chatfield D. C., Hayya J. C., Harrison T. P.: A multi-formalism architecture for based, order-centric supply chain simulation, Simulation Modelling Practice and Theory, nr 15, 2007, s [9] Chen Y. M., Wang B.-Y.: Towards Participatory Design of Multi- Approach to Transport Demands, International Journal of Computer Science Issues, t. 4, nr 1, [10] Davidsson P., Johansson S. J., Persson J. A. Wernstedt F.: Agent-based Approaches and Classical Optimization Techniques for Dynamic Distributed Resource Allocation: A preliminary study, AAMAS'03 workshop on Representations and Approaches for Time-Critical Decentralized Resource/Role/Task Allocation, [11] den Hartigh, E., Tol M., Wei J., Visscher W., Zhao M.: Modeling a business ecosystem: An -based simulation, European Chaos/Complexity in Organisations Network (ECCON), Elspeet, Holandia, pa dziernika [12] Dubiel B., Tsimhoni O.: Integrating based modeling into a discrete event simulation, Proceedings of the 37th conference on Winter simulation, [13] Epstein J. M., Axtell R.: Growing Artificial Societies: Social Science from the Bottom Up, MIT Press, Cambridge, [14] EURACE project, EU IST FP6 STREP grant: , , [15] Forrester J. W.: Industrial Dynamics: A Major Breakthrough for Decision Makers, Harvard Business Review, nr 36 (4), 1958, s [16] Frayret J.M., D Amours S., Rousseau A., Harvey S., Gaudreault J.: Agent-based supply-chain planning in the forest products industry, Working Paper DT-2005-JMF-1, CIRRELT, Laval University, [17] Galbiati M., Soramäki K.: A competitive multi- model of interbank payment systems, CoRR, nr abs/ , [18] Gardner, M.: The Fantastic Combinations of John Conway s New Solitaire Game Life, Scientific American, nr 223, 1970, s [19] Gazendam H.W.M.: Theories about architectures and performance of multi- systems, III European Congress of Psychology, Tampere, Finnland, [20] Gilbert N., Troitzsch K. G.: Simulation for the Social Scientist, Open University Press, Nowy Jork, [21] Gnansounou E., Pierre S., Quintero A., Dong J., Lahlou A.: A multi- approach for planning activities in decentralized electricity markets, Knowledge-Based Systems, nr 20, 2007, s [22] Guetzkow H., Kotler P., Schultz N.: Simulation in Social and Administrative Science, Prentice-Hall, Nowy Jork, [23] Hare M., Deadman P.: Further towards a taxonomy of -based simulation models in environmental management, Mathematics and Computers in Simulation, nr 64, 2004, s [24] Heath B., Hill R., Ciarallo F.: A Survey of Agent-Based Modeling Practices (January 1998 to July 2008), Journal of Artificial Societies and Social Simulation, nr 12 (4), 2009.

9 168 Symulacja wieloowa w zastosowaniach biznesowych [25] Holland J.H., Miller J.H.: Artificial Adaptive Agents in Economic Theory, American Economic Review, nr 81(2), 1991, s [26] Holland, J. H.: Hidden Order: How Adaptation Builds Complexity, Addison-Wesley, Reading, [27] Jiang C., Sheng Z.: Case-based reinforcement learning for dynamic inventory control in a multi- supply-chain system, Expert Systems with Applications, nr 36, 2009, s [28] King A. J., Streltchenko O., Yesha Y.: Using multi- simulation to understand trading dynamics of a derivatives market, Annals of Mathematics and Artificial Intelligence, nr 44, 2005, s [29] Kottonau J., Pahl-Wostl C.: Simulating political attitudes and voting behavior, Journal of Artificial Societies and Simulation, t. 7, nr 4, [30] Kwon O., Im G. P., Lee K. C.: MACE-SCM: A multi- and case-based reasoning collaboration mechanism for supply chain management under supply and demand uncertainties, Expert Systems with Applications, nr 33, 2007, s [31] Kyrylov V., Kanwal A., Kyrylova T.: Agent-Based Simulation of Telecommunications Services Market in a Metropolitan Area, Business & Industry Symposium (BizSim'04), Hyatt Regency Crystal City Arlington, Virginia, USA, [32] Labarthe O., Ferrarini A., Espinasse B., Montreuil B.: Multi-Agent Modelling for Simulation of Customer-Centric Supply Chain, Working Paper DT-2005-BM-2, CIR- RELT, Laval University, [33] LeBaron B.: Short-memory traders and their impact on group learning in financial markets, Proceedings of National Academy of Sciences, nr 99(90003), 2002, s [34] López-Sánchez M., Noria X., Rodríguez J. A., Gilbert N.: Multi-Agent Based Simulation of News Digital Markets, Published journal papers from the Department of Sociology, nr 3, [35] Metropolis N., Ulam S.: The Monte Carlo Method, Journal of the American Statistical Association, nr 44 (247), 1949, s [36] Michel F., Ferber J., Drogoul A.: Multi-Agent Systems and Simulation: A Survey from the Agent Community s Perspective, [w:] Multi-Agent Systems Simulation and Applications (Uhrmacher A. M., Weyns D., red.), CRC Press, Boca Raton, [37] Miller, G. A.: The Magical Number Seven, Plus or Minus Two: Some Limits on Our Capacity for Processing Information, Psychological Review, nr 63, 1956, s [38] North M. J., Macal C. M.: Managing Business Complexity Discovering Strategic Solutions with Agent-Based Modeling and Simulation, Oxford University Press New York, [39] Palmer R.G., Arthur W. B., Holland J. H., LeBaron B.,Tayler P.: Artificial Economic Life: A Simple Model of a Stock market, Physica D, nr 75, 1994, s [40] Praça I., Viamonte M. J., Morais H., Vale Z., Ramos C.: Multi-Agent Systems and Virtual Producers in Electronic Marketplaces, Social Networks and Multi Systems Symposium, 6 9 kwietnia 2009, Heriot-Watt University, Edynburg. [41] Praça I., Viamonte M.J., Ramos C., Vale Z.: A Multi-Agent Market Simulator to Support Negotiation Decision Making; [w:] Exploiting the Knowledge Economy: Issues, Applications, Case Studies (Cunningham P., Cunningham M., red.), IOS Press, 2006, s

10 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 28, [42] Prietula M., Gasser, L., Carley K.: Simulating Organizations: Computational Models of Institutions and Groups, MIT Press, Cambridge, [43] Schelling, T. C.: Dynamic Models of Segregation, Journal of Mathematical Sociology, nr 1, 1971, s [44] Schenk T. A., Löffler G.r, Rauh J.: Agent-based simulation of consumer behavior in grocery shopping on a regional level, Journal of Business Research, nr 60, 2007, s [45] Scholl H. J.: Agent-based and System Dynamics Modeling: A Call for Cross Study and Joint Research, Proceedings of the 34th Annual Hawaii International Conference on System Sciences, [46] Siebers P., Aickelin U., Celia H., Clegg C., Multi-Agent Simulation and Management Practices, [w:] Adam F., Humphreys P. (red.), Encyclopedia of Decision Making and Decision Support Technologies (Adam F., Humphreys P., red.), Idea Group Publishing, Pennsylvania:, [47] Siebers P.O., Aickelin U.: Introduction to Multi-Agent Simulation, [w:] Encyclopedia of Decision Making and Decision Support Technologies (Adam F., Humphreys P., red.), Idea Group Publishing, Pennsylvania:, [48] Streltchenko O., Finin T., Yesha Y.: Multi- simulation of financial markets, [w:] Formal Modeling in Electronic Commerce (Kimbrough S.O., Wu D.J., red.), Springer- Verlag, [49] Strogatz, S. H.: The Emerging Science of Spontaneous Order, Hyperion, Nowy Jork, [50] Sueyoshi T., Tadiparthi G. R.: An -based decision support system for wholesale electricity market, Decision Support Systems, nr 44, 2008, s [51] Sycara K.: Multi- systems, AI Magazine, nr 19 (2), 1998, s [52] Tesfatsion, L.: Agent-Based Computational Economics: Growing Economies from the Bottom Up, Artificial Life, nr 8(1), 2002, s [53] Wang T.W., Tadisina S. K.: Simulating Internet-based collaboration: A cost-benefit case study using a multi- model, Decision Support Systems, nr 43, 2007, s [54] Weiss G.: Multi Systems: A Modern Approach to Distributed Artificial Intelligence, MIT Press,Cambridge, [55] Wooldridge M., Jennings N. R.: Intelligent Agents: Theory and Practice, Knowledge Engineering Review, nr 10, 1995, s [56] Zhang T., Zhang D.: Agent-based simulation of consumer purchase decision-making and the decoy effect, Journal of Business Research, nr 60, 2007, s

11 170 Symulacja wieloowa w zastosowaniach biznesowych MULTI-AGENT SIMULATION IN BUSINESS APPLICATIONS Summary The prosperity of modern enterprises is determined by availability of appropriate information, which has major meaning for the company s development and survival. On the basis of this information the decisions about enterprise s future are made. Most often these decisions are made using intuition or experience. Sometimes also with simple computational tools like spreadsheet. However, the research on human brain shows that human is capable of considering only seven distant scenarios at once. Modern business systems are so complex that they need to take into account few hundreds of possibilities. In such cases, -based modeling and simulation can be used. In the article some basics assumptions about multi- simulation and s in their environment are described. Origins and context of this simulation and a compilation of most interesting applications in business are included. Keywords: multi- simulation, decision support Wydział Nauk Ekonomicznych i Zarz dzania Uniwersytet Szczeci ski ul. Mickiewicza 64, Szczecin latuszynska@gmail.com