¿Qué es la simulación basada en agentes?

01 · Punto de partida

Lo colectivo empieza por individuos

Un embotellamiento, una ola de contagios, un barrio segregado o una bandada de pájaros tienen algo en común: nadie los dirige desde arriba. Son el resultado de muchos individuos tomando decisiones locales al mismo tiempo.

La simulación basada en agentes (ABM, del inglés agent-based modeling) nace de esa idea: en lugar de escribir una ecuación para el tránsito, el contagio o el mercado, programamos a cada agente —cada auto, persona o pájaro— y dejamos que el fenómeno aparezca solo.

• ¿Quiénes son los individuos de este sistema?
• ¿Qué ve cada uno y qué regla usa para decidir?
• ¿En qué espacio se mueven e interactúan?
• ¿Qué patrón global esperamos ver emerger?

02 · Definición

Agentes, entorno e interacciones

Todo modelo basado en agentes combina cuatro piezas mínimas, que recorreremos en todo el curso:

El ciclo es siempre el mismo: percibir → decidir → actuar. Cada agente mira a sus vecinos y su entorno, aplica su regla y se mueve o cambia de estado. Repetimos eso cientos de pasos y medimos lo que aparece.

03 · Ubicación

¿En qué se diferencia de otros enfoques?

ABM no reemplaza a los demás paradigmas: elige cuándo conviene pensar en individuos.

04 · Ejemplos

Un mismo molde, muchos mundos

Todos estos modelos comparten el molde percibir → actuar sobre vecinos y espacio:

1. 1
   Juego de la Vida.

   Celdas-agentes que nacen, sobreviven o mueren según vecinas vivas. Aparecen naves y osciladores.

2. 2
   Schelling.

   Agentes que solo piden un 30 % de vecinos parecidos terminan creando barrios totalmente segregados.

3. 3
   Contagio.

   Personas que se mueven y contagian a vecinas cercanas generan olas epidémicas.

4. 4
   Tráfico.

   Autos que aceleran y frenan según distancia producen embotellamientos fantasma sin accidente.

5. 5
   Multitud.

   Peatones que buscan la salida y evitan choques forman carriles y arcos en la puerta.

05 · Representación en Python

Un agente es un diccionario, un mundo es una lista

En Python, el punto de partida más simple es representar cada agente con un diccionario (posición y estado) y la población con una lista. Todavía no hay entorno elegante: solo datos.

import random
random.seed(1)

agentes = [
    {"id": i, "x": random.random(), "y": random.random(), "estado": "sano"}
    for i in range(5)
]

for a in agentes:
    print(a["id"], round(a["x"], 2), round(a["y"], 2), a["estado"])

Consejo: cambiá la semilla o la cantidad de agentes y observá que ya obtuviste una población inicial distinta (Tema 40).

El corazón de ABM: el bucle por pasos

Simular es repetir percibir → decidir → actuar. Aquí cada agente da un pasito al azar (caminata aleatoria) y el entorno es un cuadrado con bordes que rebotan:

import random
random.seed(7)

def paso(agentes, velocidad=0.05):
    for a in agentes:
        a["x"] += random.uniform(-velocidad, velocidad)
        a["y"] += random.uniform(-velocidad, velocidad)
        # Bordes: el entorno devuelve al agente al mundo
        a["x"] = min(1.0, max(0.0, a["x"]))
        a["y"] = min(1.0, max(0.0, a["y"]))

poblacion = [{"id": i, "x": 0.5, "y": 0.5} for i in range(3)]
for t in range(4):
    paso(poblacion)
    print(t + 1, [(round(a["x"], 2), round(a["y"], 2)) for a in poblacion])

06 · Exploración

Laboratorio: encuentros que nadie ordenó

Movete los controles: N agentes caminan al azar durante T pasos. Cuando dos quedan cerca, dibujamos un enlace: es un encuentro. Nadie busca agruparse, pero aparecen grupos igual. Esa es la emergencia en su forma mínima.

Cada punto es un agente. Las líneas unen pares a menos del radio de encuentro. Los agentes amarillos tienen al menos un vecino; los azules están aislados. Pulsá Nueva réplica: mismos parámetros, historia distinta.

Preguntas para explorar

1. Dejá fijos los pasos y duplicá los agentes. ¿Los encuentros crecen al doble o mucho más? ¿Por qué?
2. Poné 0 pasos y luego 100. ¿El azar inicial o el movimiento genera más encuentros?
3. Pulsá Nueva réplica varias veces con los mismos valores. ¿El número de encuentros es idéntico? ¿Qué implica para experimentar?

07 · Comprensión

Confusiones frecuentes

08 · Práctica guiada

Ejercicios con Python

Ejercicio 1: crear la población

Ejecutá este código que crea 100 agentes sanos y cuenta cuántos hay. Luego cambiá el estado inicial de 5 a “enfermo”.

import random
random.seed(2)

poblacion = [{"id": i, "x": random.random(), "y": random.random(), "estado": "sano"} for i in range(100)]
poblacion[0]["estado"] = "enfermo"

sanos = sum(1 for a in poblacion if a["estado"] == "sano")
print("total:", len(poblacion), "sanos:", sanos)

Ejercicio 2: mover a todos un paso

Sin ejecutar primero: si todos parten de (0.5, 0.5) y la velocidad es 0, ¿dónde terminan tras 10 pasos? Comprobalo después.

import random
random.seed(3)

def paso(agentes, velocidad=0.05):
    for a in agentes:
        a["x"] = min(1.0, max(0.0, a["x"] + random.uniform(-velocidad, velocidad)))
        a["y"] = min(1.0, max(0.0, a["y"] + random.uniform(-velocidad, velocidad)))

grupo = [{"x": 0.5, "y": 0.5} for _ in range(4)]
for _ in range(10):
    paso(grupo, velocidad=0.0)
print([(a["x"], a["y"]) for a in grupo])

Ejercicio 3: contar encuentros

Dos agentes se “encuentran” si su distancia es menor que 0.1. Completá mentalmente y ejecutá: ¿hay encuentro entre (0.1, 0.1) y (0.15, 0.12)?

import math

def hay_encuentro(a, b, radio=0.1):
    d = math.hypot(a["x"] - b["x"], a["y"] - b["y"])
    return d < radio

a = {"x": 0.1, "y": 0.1}
b = {"x": 0.15, "y": 0.12}
print(hay_encuentro(a, b))

09 · Síntesis

Ideas para recordar

En el próximo tema estudiaremos el concepto de agente: autonomía, estado y qué lo distingue de un simple objeto o variable.