Autores: Erik Cuevas y Alma Nayeli Rodríguez Vázquez
El modelaje basado en agentes (MBA) [1] es una técnica de simulación computacional que representa un sistema como un conjunto de entidades autónomas llamadas agentes, los cuales interactúan entre sí y con su entorno. Cada agente tiene comportamientos, reglas de decisión y, en algunos casos, capacidad de adaptación o aprendizaje. A diferencia de los enfoques tradicionales que modelan el sistema de forma agregada, el MBA se centra en las acciones individuales y sus efectos emergentes a nivel global. Esta metodología permite estudiar cómo el comportamiento colectivo surge de interacciones locales y se aplica especialmente en sistemas complejos donde hay múltiples componentes heterogéneos, como en ciencias sociales, economía, biología, logística, inteligencia artificial y optimización. La Figura 1 presenta una ilustración de un proceso de simulación basado en agentes.
Fig. 1. Ilustración del proceso de caracterización de un modelo basado en agentes
El modelaje basado en agentes (MBA) se aplica en aquellos casos donde es necesario representar sistemas complejos compuestos por múltiples entidades autónomas que interactúan entre sí y con su entorno [3}. Este enfoque es particularmente útil cuando el comportamiento global del sistema emerge a partir de las acciones y decisiones individuales de los agentes, los cuales pueden tener objetivos, reglas de decisión, capacidades de adaptación o aprendizaje. Se utiliza ampliamente en áreas como economía, sociología, ecología, logística, epidemiología y optimización, donde la dinámica del sistema no puede modelarse de forma efectiva mediante ecuaciones tradicionales debido a la heterogeneidad de los componentes, la interacción no lineal o la existencia de comportamientos adaptativos. El MBA permite simular escenarios realistas, explorar estrategias y predecir resultados bajo diferentes condiciones, siendo especialmente valioso cuando se busca entender fenómenos como la cooperación, competencia, difusión, resiliencia o autoorganización.
El modelaje basado en agentes (MBA) es especialmente útil para simular sistemas en los que realizar experimentos reales sería inviable debido a altos costos, riesgos significativos o consideraciones éticas. Por ejemplo, en el estudio de la propagación de enfermedades infecciosas [3], el MBA permite modelar cómo los individuos interactúan y cómo se propaga un virus en diferentes escenarios, sin necesidad de exponer a personas reales al peligro. Del mismo modo, en contextos como desastres naturales, evacuaciones masivas o dinámicas sociales conflictivas, este enfoque permite analizar comportamientos y evaluar estrategias de intervención sin poner en riesgo vidas humanas ni incurrir en costos logísticos o económicos prohibitivos. Al simular la toma de decisiones y las interacciones de cada agente en entornos controlados, el MBA proporciona una herramienta poderosa para prever consecuencias, validar hipótesis y diseñar políticas más seguras y eficaces. Fig. 2 presenta algunos ejemplos de aplicaciones del modelaje basado en agentes.
Fig. 2. presenta algunos ejemplos de aplicaciones del modelaje basado en agentes.
A diferencia de los modelos tradicionales basados en ecuaciones diferenciales o estadísticas globales, el modelaje basado en agentes (MBA) no se fundamenta en una única ecuación general que describa el sistema completo, sino en la definición explícita de reglas locales que rigen el comportamiento de cada agente. Los principios clave del MBA incluyen la autonomía (cada agente toma decisiones de forma independiente), la interacción (los agentes influyen entre sí y con su entorno) y la emergencia (el comportamiento colectivo surge de interacciones locales). En lugar de ecuaciones cerradas, se utilizan algoritmos y reglas condicionales programadas que dictan cómo los agentes perciben su entorno, procesan información y actúan. Estas reglas pueden incorporar principios de decisión racional, aprendizaje, comportamiento estocástico o adaptativo. Aunque no se basa en una formulación matemática unificada, en algunos casos pueden integrarse funciones de probabilidad, lógica difusa, teoría de juegos o autómatas celulares para modelar aspectos específicos del comportamiento. Así, el MBA ofrece una representación flexible y dinámica de sistemas complejos, en los que las leyes del comportamiento emergen de la simulación más que de ecuaciones analíticas [4].
El enfoque de modelaje basado en agentes (MBA) no es recomendable cuando el sistema a estudiar puede describirse de forma efectiva mediante modelos matemáticos agregados, como ecuaciones diferenciales, debido a su simplicidad, predictibilidad o comportamiento determinista. En situaciones donde el número de entidades es muy grande y sus comportamientos son homogéneos, o cuando las interacciones individuales no aportan significativamente al resultado global, un modelo agregado puede ser más eficiente y analíticamente manejable. Además, el MBA puede ser inadecuado si no se cuenta con suficiente información para definir las reglas de comportamiento de los agentes, o si el objetivo es obtener soluciones exactas en lugar de explorar escenarios o tendencias. También puede resultar problemático cuando se requiere una validación rigurosa y cuantitativa del modelo, ya que los sistemas basados en agentes suelen ser difíciles de calibrar y validar debido a su complejidad y naturaleza estocástica. Finalmente, el MBA puede implicar altos costos computacionales, lo que lo hace menos práctico para problemas donde se necesita rapidez o eficiencia en el procesamiento.
En conclusión, el modelaje basado en agentes (MBA) representa una poderosa herramienta para el análisis y simulación de sistemas complejos en los que las interacciones entre componentes individuales dan lugar a comportamientos colectivos emergentes. Su capacidad para capturar dinámicas no lineales, adaptativas y heterogéneas lo hace especialmente valioso en contextos donde los enfoques tradicionales resultan insuficientes o inadecuados, ya sea por limitaciones éticas, prácticas o metodológicas. Sin embargo, su aplicación debe evaluarse cuidadosamente, considerando aspectos como la disponibilidad de información sobre los agentes, la necesidad de precisión analítica y los recursos computacionales requeridos. Así, el MBA se posiciona como un enfoque flexible, intuitivo y realista, ideal para explorar, validar y diseñar estrategias en sistemas complejos, siempre que se utilice en condiciones adecuadas y con un marco metodológico sólido.
Referencias
[1] Cuevas, E., Avila, K., Toski, M. I., & Escobar, H. (2025). Agent-Based Models with MATLAB. Elsevier.
[2] Escobar, H., Cuevas, E., Toski, M. I., Ramirez, F. J. C., & Pérez-Cisneros, M. (2023). An Agent-Based Model for Public Security Strategies by Predicting Crime Patterns. IEEE Access, 11, 67070-67085.
[3] Cuevas, E. (2020). An agent-based model to evaluate the COVID-19 transmission risks in facilities. Computers in biology and medicine, 121, 103827.
[4] Ayala, E., Cuevas, E., Zaldívar, D., & Pérez, M. (2023). Image segmentation by agent-based pixel homogenization. IEEE Access, 11, 54221-54239.
