Nuevos métodos basados en soft computing para calibración de modelos basados en agentesaplicaciones en marketing y ciencias políticas

Abstract

Esta tesis doctoral trata el problema de calibrar y validar modelos basados en agentes (ABMs). En concreto, se propone mejorar las técnicas de calibración existentes utilizando metaheurísticas novedosas y proponiendo un framework integral para la calibración de modelos con múltiples indicadores de rendimiento (KPIs). Los avances propuestos se aplicaron a modelos para escenarios de ciencias políticas y de marketing. Los objetivos considerados son: 1. Construcción de ABMs para escenarios de ciencias políticas y estrategias de marketing. Se llevó a cabo el diseño e implementación de un motor de simulación para instanciar diferentes ABMs. El motor diseñado contempla la definición de modelos con cualquier número de KPIs y se validó en escenarios reales. Además, los ABMs desarrollados se utilizaron para definir un benchmark de calibración que contempla los problemas habituales en la calibración de los ABM, como una gran dimensionalidad y la interacción compleja de sus parámetros. 2. Diseño de métodos de calibración automática de ABM basados en metaheurísticas avanzadas. Los métodos de calibración desarrollados en esta etapa se concentraron en la calibración de un único KPI. Esto agrupa tanto los ABMs que consideran una única salida como aquellos en los que sus salidas pueden ser agregadas en un único valor. Los métodos desarrollados para esta etapa se probaron y validaron utilizando las instancias de ABM previamente generadas. 3. Diseño de métodos de calibración automática para ABMs con múltiples KPIs. En esta etapa se ampliaron los métodos anteriores mediante la incorporación de algoritmos evolutivos de optimización multiobjetivo (EMO). Los algoritmos EMO se consideran el mejor enfoque para la optimización multiobjetivo, ya que pueden obtener soluciones Pareto-optimales en un tiempo razonable. Por tanto, este paso de la tesis se centró en proporcionar el mejor diseño para la calibración de ABMs con múltiples KPIs y la identificación del algoritmo EMO con mejor rendimiento para el problema. Los algoritmos EMO fueron probados y validados utilizando los benchmarks con múltiples KPIs generados durante la primera etapa. 4. Propuesta de un framework integral para la calibración y validación de ABMs con múltiples KPIs. El framework diseñado combina los algoritmos de calibración diseñados para el anterior etapa (es decir, los algoritmos EMO dirigidos a la calibración de ABM con múltiples KPIs) con un método de visualización avanzado que mejore la comprensión del proceso de calibración y sus resultados. En la tesis también se muestra como el framework propuesto facilita el proceso de calibración y validación para el modelador. Estos cuatro objetivos fueron abordados con éxito. Entre las principales contribuciones podemos destacar el diseño de un motor de simulación de ABMs para escenarios de ciencias políticas y marketing, con el que se compuso un framework de calibración para ABMs. También destacamos el diseño y validación de distintos algoritmos de calibración para uno o más KPIs basados en metaheurísticas novedosas. Finalmente, destacamos también la propuesta de un framework integral para calibración y validación que combina un algoritmo EMO con una técnica de visualización avanzada basada en grafos.