Agent-baseret Markov-model — Hybrid simulering med autonome agenter og Markov-statsovergange
Agent-baserede Markov-modeller (ABMM) er et hybridt simuleringsframework, der indlejrer Markov-kæde-statsovergangslogik inde i individuelle autonome agenter. Hver agent sampler uafhængigt sin næste tilstand fra en sandsynlighedsovergangsmatrix, hvilket gør det muligt for modellen at indfange både mikro-niveau heterogenitet på tværs af agenter og den håndterbare sandsynlighedsstruktur af Markov-kæder. Tilgangen anvendes bredt inden for sundhedsøkonomi, epidemiologi, samfundsvidenskab og operationsanalyse.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Bonabeau, E. (2002). Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences, 99(Suppl 3), 7280-7287. DOI: 10.1073/pnas.082080899 ↗
- Norris, J. R. (1997). Markov Chains. Cambridge University Press, Cambridge, UK. ISBN: 9780521633963
Sådan citerer du denne side
ScholarGate. (2026, June 3). Agent-Based Markov Model — Hybrid simulation combining autonomous agents with Markov chain state transitions. ScholarGate. https://scholargate.app/da/simulation/agent-based-markov-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Agent-baseret diskret hændelsessimuleringSimulering↔ compare
- Agent-Based Modeling (ABM)Simulering↔ compare
- Diskret-hændelsessimulering (DES)Simulering↔ compare
- MarkovmodelSimulering↔ compare
- Stokastisk Markov-modelSimulering↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →