Российский и зарубежный опыт интеграции агент-ориентированных моделей и геоинформационных систем

В настоящее время агент-ориентиро-ванное моделирование становится достаточно популярным инструментом, применяемым как в научной сфере, так и при выработке сложных управленческих решений. Во многом это обусловлено возможностью учитывать активность элементов модели, наделения их помимо набора индивидуальных характеристик целевыми установками, посредством чего имитируется их реакция на изменения среды, в которой они функционируют. Как отмечает доктор экономических наук А.Р. Бахтизин , основная идея, лежащая в основе агент-ориентированных моделей, заключается в построении «вычислительного инструмента» (представляющего собой совокупность агентов с определенным набором свойств), позволяющего проводить симуляции реальных явлений [1]. То есть агент-ориентирован-ное моделирование используется для изучения сложных систем на макроуровне

, пространственное развитие, агент, агент-ориен- посредством динамического взаимодействия его элементов на микроуровне (метод «снизу-вверх»).

Как отмечают C. Castle и A. Crooks [14, 23], среди преимуществ агент-ориен-тированных моделей по сравнению с традиционными методами моделирования (например, нисходящие нелинейные динамические системы, дискретно-событийное моделирование, клеточные автоматы и т.д.) можно выделить три основных аспекта: 1) фиксация возникающего явления; 2) обеспечение естественной среды для изучения некоторых систем; 3) гибкость, что особенно важно при взаимодействии с геоинформационнымими системами (ГИС).

Одним из основных направлений развития агент-ориентированных моделей (АОМ) выступает разработка АОМ на базе геоинформационных систем. Многими исследователями доказывается позиция о том, что реальные пространственные данные должны не только рассматриваться внутри модели, но и стать элементами самой модели, а это предполагает как статичность и экзогенность пространственных элементов, так и их активное и взаимное участие. На первый взгляд интеграция АОМ и ГИС может показаться тривиальной задачей, однако она позволяет максимально приблизить функционирование агентов к реальным процессам и явлениям.

В статье ставилась цель систематизировать современный отечественный и зарубежный опыт интеграции агент-ориенти-рованных моделей и геоинформационных систем. Для достижения поставленной цели отражены потенциальные и реальные области применения, дан обзор наиболее востребованных платформ по их интеграции, рассмотрены наиболее успешные агент-ориентированные модели на базе ГИС.

Наряду с «агентом» как центральным термином и основной действующей единицей в теории и практике агент-ориен-тированного моделирования, важнейшим элементом АОМ выступает среда их функционирования. То есть взаимодействие агентов не осуществляется как бы в «вакууме» (где присутствуют только связи типа «агент-агент»), а происходит в заданном пространстве, которое также оказывает прямое или косвенное воздействие на принятие решений агента («агент-агент» и «агент-среда»). На рисунке 1 представлена концептуальная иллюстрация ключевых видов отношений между агентами и средой. Такое взаимодействие агентов в пространстве называется «пространственно явным», даже если при этом сам агент является статичным. В то же время агент- ориентированные модели не исключают возможности взаимодействия агентов без учёта пространственного расположения, то есть агенты «пространственно неявные» [11]. Сама среда, в которой находятся агенты, может быть представлена в виде физического или социального пространства заданной формы и размера, характеризуется возможными состояниями, сферами влияния, определенными правилами динамического измерения и многим другим [8, с. 32].

Существенным подспорьем в стремлении агент-ориентированных моделей к максимальному отражению реальности выступает представление среды функционирования агентов в виде геоинформаци-онных систем. Как отмечают академики В.Л. Макаров и В.В. Окрепилов, данная интеграция «абсолютно естественна» и существенно приближает агент-ориентирован-ные модели к близкой к действительности окружающей среде [3, с. 713].

Термин «геоинформационные системы» введен в научный оборот в 60-е годы XX века Р.Ф. Томлинсоном при создании электронной пространственной информационной системы в Канаде [6]. Это понятие соответствовало новой технологии применения ЭВМ для хранения и обработки данных, связанных в первую очередь с управлением природными ресурсами (например, картографирование старовозрастных лесов, система охраняемых природных технологий в США и т.п.). В связи с этим первоначально использовавшиеся для анализа и визуализации пространственных данных ГИС сложно было бы представить в роли инструмента динамического имитационного моделирования и тем более как самостоятельную платформу для агент-ориен-тированного моделирования [5].

Рисунок 1. Варианты взаимодействия среды и агентов: а) тождественные отношения, b) причинно-следственные связи, с) временные отношения, d) топологические отношения.

Процесс

Пространственные данные

+ 5,+5т

- Агент

- Пространственная характеристика

- Пространственные изменения

- Среда

- Время

~ - Топологические правила и пространственные отношения

• ►    - Тождественные связи

• ►    - Взаимодействие / влияние

Источник: Spatial process and data models: Toward integration of agent-based models and GIS / D.G. Brown, R. Riolo, D.T. Robinson, M. North, W. Rand // Journal of Geographical Systems. – 2005. – Vol. 7. – Pp. 25-47 (перевод авторов).

Следует отметить, что термин «геоин-формационные системы» может рассматриваться с двух позиций [2, 6]. Во-первых, ГИС – это программно-аппаратный комплекс, способный хранить и использовать данные, описывающие объекты в пространстве. Во-вторых, ГИС представляет собой информационно-справочную систему.

В настоящее время геоинформацион-ные системы обладают разнородными ин- формационными ресурсами, логически объединёнными картографической основой и используемыми для расчетов, поиска, моделирования реального мира в различных аспектах. Наиболее распространенными программными продуктами для разработки и управления ГИС выступают: семейство программных продуктов американской компании ESRI (например, Arc-GIS Online, ArcGIS for Desktop, ArcGIS for Server, ArcGIS Apps и другие); семейство программных продуктов Mapinfo GIS; ГеоГраф ГИС, разработанная Центром геоин-формационных исследований Института географии РАН; Geomedia, разработанная Intergraph Corporation и т.д.

Современные ГИС способны решать широкий спектр разнообразных задач, таких как отслеживание передвижения транспортных средств, поиск оптимального пути с учётом транспортных особенностей, прогнозирование экологической ситуации и т.д. Учитывая возрастание функциональных возможностей программного обеспечения, к стандартным функциям любой геоинформационной системы можно отнести: импорт и экспорт данных; хранение данных и управление ими; визуализация данных; обработка и анализ; моделирование.

С точки зрения исследователя интеграция АОМ и ГИС обеспечивает возможность рассматривать деятельность агентов в реальных географических координатах (в пределах отдельно взятого района, муни- ципалитета, региона, страны и т.п.). Это в свою очередь позволяет отслеживать возникновение явлений или процессов в ходе индивидуальных взаимодействий агентов в ГИС во времени и в пространстве, что даёт возможность разрабатывать различные механизмы принятия решений, будь то обоснование размещения нового торгового центра или регулирования миграционных процессов [3, 13].

В качестве примера наиболее информативного отображения интеграции АОМ и ГИС-технологий A. Crooks предлагает модель мира [13] (рис. 2) , которая представлена в виде набора слоёв и объектов различных типов (например, транспорт или люди – в качестве движимых объектов и здания или сооружения – недвижимых). Сами слои образуют искусственный мир для используемых агентов и могут представлять собой строго очерченное пространство, например дороги, при помощи которых агенты могут добираться из пункта А в пункт Б, спальные районы или место работы.

Рисунок 2. Отображение мира в качестве набора слоёв динамических и статических объектов

Мир

Нефиксированные объекты

Нефиксированные объекты ^■i ^В wNi*

Фиксированные объекты

Физическая среда

ш % ^

Источник: Brunsdon C., Singleton A.D. Geocomputation: A practical Primer. – London: SAGE Publications Inc., 2015. – Pp. 63-77 (перевод авторов).

Следующий пример (рис. 3) иллюстрирует модифицированную модель SLEUTH1, которая прогнозирует изменение масштаба роста уровня урбанизации городов. В данном случае модель запускается с определенными сценариями роста уровня урбанизации городов, рассчитанными согласно заданным коэффициентам роста. Пространственные данные позволяют производить корректировку модели, а именно ответить на вопрос: соответствуют ли действительности разработанные сценарии роста? То есть применяемые в модели коэффициенты роста могут быть откалиброваны таким образом, чтобы данные, рассчитанные на множестве агентов, совпадали с реальными данными [7]. Впоследствии соответствие модели реальной действительности позволит говорить о достоверности прогнозов.

Рисунок 3. Динамика землепользования в Санта-Фе, Нью-Мексико

Изменение землепользования

Источник: Brunsdon C., Singleton A.D. Geocomputation: A practical Primer. – London: SAGE Publications Inc., 2015. – Pp. 63-77 (перевод авторов).

Потенциальные и реальные области применения АОМ на базе ГИС

Агент-ориентированные модели предоставляют широкий спектр возможностей по осуществлению самого разнообразного круга исследований в различных пространственных и временных рамках. Рассматриваемый перечень вопросов охватывает временные диапазоны от сиюминутных решений в процессе передвижения пешеходов [16] до миграционных процессов [22], длящихся годы или даже десятилетия. Агент-ориентированные модели совместно с ГИС-технологиями успешно применяются в различных областях науки, начиная от естественных и технических и заканчивая общественными и гуманитарными. АОМ представляют собой искусственные лаборатории, своего рода искусственные общества, позволяющие осуществлять проверку идей и гипотез о явлениях, которые зачастую весьма непросто воссоздать в реальном мире2. Наглядным примером может случить моделирование эвакуации людей из здания при возникновении пожара. Воссоздание непредвиденной ситуации в искусственно заданном мире (в данном случае это здание, охваченное пожаром), населенном искусственными людьми (ими могут выступать люди, проживающие или работающие в здании), позволяет выявить потенциальные проблемы, например влияние плотности потока людей на лестницах и в коридорах на динамику выхода с этажа здания. Точность полученных моделей обеспечивается за счёт использования подтвержденных статистикой натуральных наблюдений и ранее проведенных экспериментов.

На рисунке 4 схематически изображена имитационно-стохастическая модель «Эва-тек», которая демонстрирует движение потоков, состоящих из людей различной степени мобильности. Среда функционирования заданных агентов представлена в виде двух слоёв, которые отчётливо демонстрируют скопления агентов вблизи лестниц и узких коридоров.

a

Рисунок 4. Поэтажные планы здания: а – места начального размещения людей; б – движение людей к выходам

б

Источник: Эвакуация и поведение людей при пожарах : учеб. пособие / В.В. Холщевников, Д.А. Самошин, А.П. Парфененко, И.С. Кудрин, Р.Н. Истратов, И.Р. Белосохов. – М. : Академия ГПС МЧС России, 2015. – 262 с.

Следует отметить, что данный пример весьма показателен в плане важности визуализации пространства, в котором задействованы агенты, и ни в коем случае не ограничивает область применения лишь вопросами безопасности. Агент-ориен-тированное моделирование в сочетании с геоинформационными системами позволяет решать широкий спектр задач, таких как: анализ и предотвращение заторов на дорогах в часы пик в центре города, планирование потенциального распространения болезней, оптимизация лесозаготовки, анализ уровня преступности для предотвращения будущих правонарушений.

Техническое обеспечение интеграции АОМ и ГИС

В настоящее время выделяется два способа интеграции АОМ и ГИС [5]. Первый способ заключается в создании слабых (неполных) или сильных связей между АОМ и ГИС, причем сами программные продукты работают по отдельности. Второй способ предполагает создание единой системы на базе АОМ или ГИС.

Учитывая тот факт, что «агент-ориенти-рованное моделирование не требует использования специализируемых программ, что в принципе позволяет применять средства разработки широкого профиля» [1],

Таблица 1. Современные платформы, поддерживающие интеграцию АОМ и ГИС

Название (разработчик) Год запуска продукта Язык программирования Открытый код Требуемый уровень программирования Механизм интеграции Соответствие FIPA Производительность AGLOBE (Czech Technical University) 2003 г. Java Да Базовый АОМ-центричная Частичное Высокая AnyLogic (The AnyLogic Company) 2003 г. Java, UML-RT (UML for real time) Нет Базовый АОМ-центричная Отсутствует Высокая GAMA (IRD/UPMC International Research Unit UMMISCO) 2007 г. GAML Да Базовый АОМ-центричная Частичное Выше среднего Repast (University of Chicago) 2003 г. Java, C#, C++, Lisp, Prolog, Python Да Базовый АОМ-центричная Отсутствует Высокая MASON (George Mason University) 2003 г. Java Да Базовый АОМ-центричная Отсутствует Выше среднего NetLogo (The Center for Connected Learning (CCL) and Computer-Based Modeling, Northwestern University) 1999 г. NetLogo Нет Базовый АОМ-центричная Отсутствует Выше среднего Swarm (Santa Fe Institute / SWARM Development Group, USA) 1994 г. Objective-C / Java Да Базовый АОМ-центричная Отсутствует Средняя ENVISION (Oregon State Univeristy) 1998 г. С++, Delphi, Visual Basic и др. поддерживающие COM технологии Да Продвинутый ГИС-центричная Отсутствует Средняя ArcGIS (ESRI) 1999 г. C++, Python Да Продвинутый ГИС-центричная Отсутствует Средняя Источники: составлено авторами по Kravari K., Bassiliades N. A Survey of Agent Platforms // Journal of Artificial Societies and Social Simulation. – 2015. – No. 18 (1) 11. – URL: подробнее рассмотрим современные платформы, поддерживающие создание единой системы: АОМ-центричные и ГИС-центричные системы.

В статье «A Survey of Agent Platforms» [25] K. Kravari и N. Bassiliades провели сравнительный анализ двадцати четырех наиболее перспективных платформ для агент-ориен-тированного моделирования. Отметим, что 7 из них (AGLOBE, AnyLogic, GAMA, Repast, MASON, NetLogo и Swarm) поддерживают использование ГИС-технологий, то есть представляют собой АОМ-центричные модели. Для сопоставимости рассмотрим ещё два варианта уже геоинформационных систем (ENVISION и ArcGIS), позволяющих строить агентные модели. Основные характеристики вышеуказанных платформ приведены в таблице 1 .

Классификация платформ с точки зрения языка программирования выступает крайне удобной с позиции исследователя, решившего моделировать те или иные процессы. Как можно видеть из таблицы, большая часть рассматриваемых платформ написана на языках программирования C, C++ и Java, что справедливо и в целом для АОМ.

FIPA (The Foundation for Intelligent Physical Agents) представляет собой международную организацию по стандартизации интероперабельности гетерогенных агентов в АОМ. Соответствие требованиям FIPA обеспечивает некоторое преимущество при продвижении программных продуктов за счет гарантии соблюдения архитектуры агентов и работы системы. Однако данное условие не обязательно: например, AGLOBE поддерживает только технические стандарты, связанные с коммуникационными принципами.

Применение агент-ориентированных моделей на базе ГИС в исследованиях социально-экономических процессов

Модель креативного города. В работе группы исследователей Университета Джорджа Мейсона ( A. Malic, A.Crooks. H. Root, M. Swartz ) [19] используется агент-ориентированный подход при изучении влияния творческого потенциала на развитие городов. В основе разрабатываемой модели лежит предположение о том, что ведущие города мира привлекают наиболее талантливых людей, предлагая им не только лучшие профессиональные возможности, но и высокий уровень развития культурно-досуговой сферы (например, театры, художественные галереи, выставки, концерты и т.п.) и государственных услуг (например, здравоохранение, образование и т.п.) [20]. Посредством реализации модели авторы пытаются ответить на ряд вопросов: каковы основные факторы, препятствующие появлению творческих кластеров в городах развивающихся стран мира? Какие пространственные и социально-экономические условия способствуют их появлению? Авторы делают акцент на следующих факторах, способствующих формированию креативного города: плотность населения, городская и региональная мобильность, социальная терпимость.

Модель предназначена в качестве инструмента для понимания взаимосвязи между творчеством человека и развитием города. Агенты в модели представляют людей, являются «пространственно явными» и обладают следующим набором характеристик:

• 1.    Креативность: низкая, средняя, высокая.

• 2.    Уровень образования: образованный и необразованный.

• 3.    Уровень дохода: 1000 – 35000 ед.

• 4.    Терпимость: 1 – 99%.

Ввиду повышенного внимания к мегаполисам развивающихся стран мира, в качестве среды функционирования агентов выбран город Карачи. Районирование среды производилось в соответствии с действующим местным законодательством: жилая зона (60%), коммерческая зона (10%), зелёная зона (10%), водное пространство (10%), инфраструктура (10%).

Визуальное представление среды осуществлялось при помощи Google Earth. Информационной базой для модели послужили данные социологического опроса молодежи г. Карачи [27], отражающего следующие характеристики: уровень образования, утечка умов, уровень творчества, распределение доходов, уровень терпимости. Количество агентов в модели – 2100, что составляет 0,01% населения города. Модель разработана на базе платформы NetLogo.

Поведение агентов в модели:

• 1.    Мобильность агентов. Движение агентов в модели продиктовано их желанием повысить уровень общей удовлетворенности, которое зависит от стоимости арендной платы и контроля за социальной сегрегацией.

• 2.    Распространение креативности. Развитие многофункционального проектирования (т.е. комбинирования жилого, коммерческого и других видов землепользования), транспортной доступности, пешеходной инфраструктуры, территорий общего пользования создаёт условия для привлечения талантливых, творческих людей.

• 3.    Доход и рынок аренды жилья. Повышение уровня креативности агентов (например, за счёт взаимодействия с агентами более высокого уровня креативности) приводит к увеличению уровня доходов. Агенты в модели могут также терять уровень креативности при отсутствии взаимодействия с другими агентами. Повышение

• 4.    Прирост населения и утечка умов. Определяемые пользователем темпы прироста агентов в модели оказывают воздействие на всех агентов независимо от уровня творческого потенциала. Однако утечка умов влияет лишь на низкокреативных агентов.

творческого потенциала агентов приводит и к более высоким требованиям к жилищным условиям и качеству городской среды, что, в свою очередь, увеличивает стоимость арендных платежей. Как следствие, менее обеспеченные агенты теряют доступность к высокопродуктивным творческим кластерам, что приводит к увеличению неравенства в доходах.

В конечном итоге взаимодействие агентов приводит к появлению творческих кластеров, что оказывает положительное воздействие на экономическое развитие мегаполисов (рис. 5) . Однако кластеризация порождает проблему социально-экономического неравенства.

Модель оказания гуманитарной помощи. Агент-ориентированному моделированию с использованием геоинформационных систем, изучения последствий катастрофических событий посвящена работа A. Crooks и S. Wise [18]. Авторами представлена пилотная модель, имитирующая поведение агентов в городе Порт-о-Пренс после землетрясения в январе 2010 года. Модель состоит из нескольких модулей, которые охватывают физические и социальные процессы, происходящие в процессе оказания гуманитарной помощи.

В модели присутствуют два типа агентов:

• 1)    центры оказания гуманитарной помощи (центры);

• 2)    пострадавшие.

Центры одновременно выступают и как недвижимые объекты, расположенные в среде, и как агенты, наделенные определенным количеством ресурсов, которые

Рисунок 5. Концептуальная модель креативного города

Источник: Exploring Creativity and Urban Development with Agent-Based Modeling / A. Malic, A. Crooks. H. Root, M. Swartz // Journal of Artificial Societies and Social Simulation. – 2015. – 18 (2). – URL : (перевод авторов).

они распределяют между пострадавшими. За каждым центром закреплена сеть охвата пострадавших, а также количество единиц гуманитарной помощи, оказываемой на одного пострадавшего. Цель центров заключается в предоставлении материальных ресурсов пострадавшим, то есть в удовлетворении их основной потребности – в выживании.

Пострадавшие обладают определенным энергетическим уровнем и знаниями об окружающей среде, такими как расположение собственного дома и возможное размещение центра оказания гуманитарной помощи. Ключевым атрибутом пострадавших является энергетический уровень, который характеризует их здоровье. Достижение нулевого значения означает смерть агента и удаление из модели. Первоначальный энергетический уровень агентов задаётся с учётом близости их проживания от районов бедствия.

Пострадавшие принимают решения в соответствии со своей целью – максимизировать энергетический уровень. Они выбирают одно из нескольких действий: например, добраться до центра помощи или остаться дома. Взаимодействие агентов между собой предполагает отсутствие случаев сообщения заведомо ложных сведений о расположении центров помощи, а также случаев умышленного умалчивания информации.

На рисунке 6 в детализированном виде представлена среда функционирования агентов. В качестве входных данных ис- пользуется информация об уровне разрушений (рис. 6а), о плотности населения (рис. 6b), существующих транспортных сетях и расположении центров оказания гуманитарной помощи (рис. 6c), а также о ряде вспомогательных параметров.

Авторами особо подчеркивается, что регионы, пострадавшие от стихийных бедствий, испытывают недостаток информационных ресурсов, необходимых для адекватного и своевременного реагирования. Информационная база модели сформирована посредством краудсорсинга и VGI данных (так называемая добровольная

Рисунок 6. Фрагмент ГИС г. Порт-о-Пренс

Ущерб от разрушений

Население

Кол-во. чел. на 1 кв. м

Неклассифицируемый

Неповрежденный

Явные повреждения

Неявные повреждения

Полностью уничтожено

Транспортная сеть и центры помощи

Центры помощи

______ Транспортная сеть

—               : километры

0-706

707-1,461

1,462-3.825

3.826 - 9.298

9,299- 13,701

13.702 - 19,746

19,747-30,144

30,145-41.106

41,107 -58.187

Водное пространство

• a) ущерб от разрушений; b) население; c) транспортная сеть и расположение центров гуманитарной помощи.

Источник: Crooks A., Wise S. GIS and agent-based models for humanitarian assistance // Computers, Environment and Urban Systems. – 2013. – № 41. – Pp. 100-111 (перевод авторов).

географическая информация [21]). В частности, информация о плотности населения получена из моделей распределения населения LandScan; данные об уровне повреждения взяты из G-Mosaic; для отображения транспортных сетей использовался OpenStreetMap.

Итогом модели выступает ряд статистических данных: число смертей агентов, количество единиц гуманитарной помощи, не дошедшей до пострадавших, суммарное количество затраченной энергии агентов, оставшихся в живых. Модель демонстрирует потенциал использования краудсорсинга и данных VGI в качестве источников формирования реалистичной среды функционирования агентов для имитации поведения индивидов в случае возникновения критических ситуаций. По замыслу авторов разработанная модель может быть использована в качестве инструмента поддержки при принятии решений об оказании гуманитарной помощи.

Обобщая возможности агент-ориенти-рованного моделирования на базе геоин-формационных систем, отметим, что дан- ный инструмент позволяет создавать не только максимально приближенных к действительности агентов, но и встраивать их в существующие физические и социальные пространства в реальном времени. Это, в свою очередь, говорит о перспективности использования агентного моделирования, в том числе и в выработке эффективных и своевременных управленческих решений. Однако, как отмечают ведущие российские (В.Л. Макаров, А.Р. Бахтизин) и зарубежные (A. Hep-penstall, A. Crooks, M. Batty, etc.) учёные, ключевой проблемой на данный момент выступает скорость работы агент-ориен-тированных моделей на базе ГИС, то есть возможность запускать сложные модели с тысячами пространственно осведомленных агентов. В настоящий момент решение видится, во-первых, в ограничении информативности ГИС до необходимого количества характеристик пространства, к которым обращаются агенты в процессе функционирования; во-вторых, в увеличении производительности современных процессоров.

• 1.    Бахтизин, А.Р. Агент-ориентированные модели экономики [Текст] / А.Р. Бахтизин. – М. : Экономика, 2008. – 279 c.

• 2.    Введение в геоинформационные системы [Электронный ресурс] // Географические информационные системы и дистанционное зондирование. – Режим доступа : http://gis-lab.info

• 3.    Макаров, В.Л. Принципы мониторинга качества жизни на основе агент-ориентированных моделей [Текст] / В.Л. Макаров, В.В. Окрепилов // Вестник Российской академии наук. – 2016. – № 8. – С. 711-718.

• 4.    Макаров, В.Л. Современные методы прогнозирования последствий управленческих решений [Текст] / В.Л. Макаров, А.Р. Бахтизин // Управленческое консультирование. – 2015. – № 7. – С. 12-24.

• 5.    Макаров, В.Л. Социальное моделирование – новый компьютерный прорыв (агент-ориентированные модели) [Текст] / В.Л. Макаров, А.Р. Бахтизин. – М. : Экономика, 2013. – 295 c.

• 6.    Середович, В.А. Геоинформационные системы (назначение, функции, классификация) [Текст] : монография / В.А. Середович, В.Н. Клюшниченко, Н.В. Тимофеева. – Новосибирск : СГГА, 2008. – 192 с.

• 7.    Сушко, Е.Д. Мультиагентная модель региона: концепция, конструкция и реализация [Текст] / Е.Д. Сушко : препринт # WP/2012/292. – М.: ЦЭМИ РАН, 2012. – 54 с.

• 8.    Фаттахов, М.Р. Агент-ориентированная модель социально-экономического развития Москвы [Текст] / М.Р. Фаттахов // Экономика и математические методы. – 2013. – № 2. – С. 30-43.

• 9.    Чекмарева, Е.А. Обзор российского и зарубежного опыта агент-ориентированного моделирования сложных социально-экономических систем мезоуровня / Е.А. Чекмарева // Экономические и социальные перемены: факты, тенденции, прогноз. – 2016. – № 2. – C. 225-246.

• 10.    Эвакуация и поведение людей при пожарах [Текст] : учеб. пособие / В. В. Холщевников, Д.А. Самошин, А.П. Парфененко, И.С. Кудрин, Р.Н. Истратов, И.Р. Белосохов. – М. : Академия ГПС МЧС России, 2015. – 262 с.

• 11.    Agent-based Models of Geographical Systems [Text] / A. Heppenstall, A.T. Crooks, L.M. See, M. Batty (eds.). – New York : Springer, 2012. – 746 p.

• 12.    Benenson, I. Geosimulation. Automata-based modeling of urban phenomena [Text] / I. Benenson, P. Torrens. – Chichester : Wiley, 2004. – 312 p.

• 13.    Brunsdon, C. Geocomputation: A practical Primer [Text] / C. Brunsdon, A.D. Singleton. – London. – SAGE Publications Inc, 2015. – Pp. 63-77.

• 14.    Castle, C.J.E. Principles and Concepts of Agent-Based Modelling for Developing Geospatial Simulations [Text] / C.J.E. Castle, A.T. Crooks. – Centre for Advanced Spatial Analysis (University College London) : Working Paper 110, 2006. – 62 p.

• 15.    Clarke, K.C. A Self-Modifying Cellular Automaton Model of Historical Urbanization in the San Francisco Bay Area [Text] / K.C. Clarke, S. Hoppen, L.J. Gaydos // Environment and Planning B. – 1997. – 24(2). – Pp. 247-261.

• 16.    Crooks, A. Walk This Way: Improving Pedestrian Agent-Based Models through Scene Activity Analysis [Text] / A. Crooks, A. Croitoru, X. Lu, S. Wise, J.M. Irvine, A. Stefanidis // International Journal of Geo-Information. – 2015. – 4(3). – Pp. 1627-1656.

• 17.    Crooks, A.T. Constructing and Implementing an Agent-Based Model of Residential Segregation through Vector GIS [Text] / A.T. Crooks. – Centre for Advanced Spatial Analysis (University College London) : Working Paper 133. – 2008. – 42 p.

• 18.    Crooks, A.T. GIS and Agent-Based models for Humanitarian Assistance [Text] / A.T. Crooks., S. Wise // Computers, Environment and Urban Systems, № 41. – 2013. – Pp. 100-111.

• 19.    Exploring Creativity and Urban Development with Agent-Based Modeling [Text] / A. Malic, A. Crooks. H. Root, M. Swartz // Journal of Artificial Societies and Social Simulation. – 2015. – 18 (2). – URL : http:// jasss.soc.surrey.ac.uk/18/2/12.html

• 20.    Florida, R. Cities and the Creative Class [Text] / R. Florida // City & Community. – 2003. – Vol. 2. – Pp. 3-19.

• 21.    Goodchild, M.F. Citizens as sensors: the world of volunteered geography [Text] / M.F. Goodchild // GeoJournal. – 2007. –№ 69. – Pp. 211-221.

• 22.    Gulden, T. Modeling Cities and Displacement through an Agent- based Spatial Interaction Model [Text] / T. Gulden, J.F. Harrison, A.T. Crooks // The Computational Social Science Society of America Conference. – 2011. – URL: https://www.researchgate.net/publication/267800670_Modeling_Cities_and_Displacement_ through_an_Agent_based_Spatial_Interaction_Model

• 23.    Heppenstall, A. Agent-based modeling in geographical systems [Text] / A. Heppendtall, A.T. Crooks // AccessScience, McGraw-Hill Education, Columbus. – URL: https://dl.dropboxusercontent.com/u/2696623/ Website/AccessScienceABM.pdf

• 24.    Johnston, K.M. Agent-based modeling in ArcGIS [Text] / K.M. Johnston. – California : Esri Press, 2013. – 559 p.

• 25.    Kravari, K. A Survey of Agent Platforms [Text] / K. Kravari, N. Bassiliades // Journal of Artificial Societies and Social Simulation. – 2015. – No. 18 (1) 11. – URL: http://jasss.soc.surrey.ac.uk/18/1/11.html

• 26.    Landscape Epidemiology Modeling Using an Agent-Based Model and a Geographic Information System [Text] / S.M. Niaz Arifin, R. Reaz Arifin, Dilkushi de Alwis Pitts, M. Sohel Rahman, S. Nowreen, G.R. Madey, F.H. Collins // Land. – 2015. – No. 4. – Pp. 378-412.

• 27.    Malic, A. Karachi Youth Survey: Attitudes, Ambitions and Entrepreneurial Potential of Karachi’s Youth [Text] / A. Malic, M. Karim // USIP Conference, Washington, DC. – 2012.

• 28.    Spatial process and data models: Toward integration of agent-based models and GIS [Text] / D.G. Brown, R. Riolo, D.T. Robinson, M. North, W. Rand // Journal of Geographical Systems. – 2005. – Vol. 7. – Pp. 25-47.

• 29.    Synthetic Modelling of Pedestrian Movement / Renee Puusepp, Damiano Cerrone, Martin Melioranski // SPATIAL ANALYSIS | Urban Context. – Vol. 2. – eCAADe 34. – Pp. 473-481.