En el proceso de modelación (o modelización) de fenómenos considerados complejos, principalmente se realizan dos fases; la primera, es la caracterización de los elementos u objetos; y en la segunda, se establecen las relaciones que mantienen los elementos entre ellos y con el entorno. Estas relaciones objetos-procesos se pueden definir a partir de la interacción entre sus elementos, es decir, a partir de los efectos que tiene un objeto sobre otro, las cuales se pueden medir con el intercambio de información.
Para modelar un fenómeno real se requiere conocer los objetos (agentes) que lo componen, la relación entre ellos y su entorno, y las mediciones empíricas para validarlo. Los ciclos de modelación consideran principalmente un proceso de abstracción de las variables representativas, establecer la relación entre ellas, y proponer un modelo matemático o computacional. Para plantear este propósito, se tomó como base el ciclo de modelación de Blum y Leiss (2007) ya que considera las principales etapas para realizar una modelación y la validación de los modelos; se adaptó al estudio y análisis de fenómenos desde el paradigma de los sistemas complejos, y se incluyó como parte fundamental los modelos matemáticos y computacionales, así como la simulación computacional (ver Figura 5).
Figura 5. Ciclo de modelación adaptado para la modelación basada en agentes.
El ciclo considera 7 pasos para la construcción y presentación del modelo para resolver una problemática; en 1) se estudia el fenómeno real, se trata de entender los procesos que se llevan a cabo en el sistema; en 2) se trata de ubicar las variables representativas a través de información relevante, se realizan estudios de campo con la obtención de datos para generar un conjunto de hipótesis adecuadas con la consideración de dinámicas bottom-up; 3) se establece un modelo matemático o computacional, en este caso un modelo basado en agentes, el cual se debe programar en un lenguaje computacional adecuado, además de establecer los parámetros globales y locales del modelo, se requiere de una interfaz adecuada de visualización; en 4) se realizan los análisis desde una perspectiva de sistema dinámico, ya que las simulaciones computacionales arrojan resultados en función de las condiciones iniciales y de valores de parámetros globales; en 5) se procesan los datos, se sintetizan y de manera general se muestran gráficas espacio-temporales, series de tiempo y espacios de parámetros para encontrar los regímenes dinámicos, ya que las explicaciones se dan en un contexto de cambio y de evolución de los fenómenos; en 6) se cotejan los datos experimentales o simulados con los obtenidos en el estudio de campo, a partir de las correlaciones que se exhiban se podrá argumentar que el modelo propuesto sea válido o no; para finalizar, en 7) se realiza una intervención en el sistema real para tratar de dar solución al problema con fundamento en los análisis obtenidos.
En este ciclo es de importancia especificar el alcance del modelo. Un modelo descriptivo ayuda a comprender los fenómenos una vez que han ocurrido, por otro lado, los modelos predictivos tratan de determinar el futuro de un sistema con base en su estado actual y/o pasado. Sin embargo, las interacciones que caracterizan a los fenómenos complejos limitan el horizonte de predictibilidad.
Por otro lado, existen procesos de construcción de modelos basados en agentes cuyo objetivo es estudiar fenómenos artificiales, como en el paradigma de la vida artificial inaugurado por Christopher Langton (1984, 1986, 1990) donde los modelos toman elementos inspirados en comportamientos de fenómenos reales, y cuyo objetivo, no es modelar la realidad si no realizar exploraciones y encontrar respuesta a la pregunta, “¿qué pasaría si …?”. De esta manera se han encontrado sistemas computacionales donde emergen propiedades de cómputo universal y se extienden las fronteras del conocimiento sobre la computabilidad en sistemas.
En los siguientes apartados se estudian y analizan modelos representativos del área para exhibir sus propiedades más interesantes y el lector pueda realizar exploraciones y adentrarse en la modelación basada en agentes.