个体为本模型
代理人基模型(agent-based model,ABM) , 又称多智能体系统(multi-agent system, MAS),若智能体具有异质性,则称为异质智能体模型(heterogeneous agent model, HAM) ,是一种用来模拟具有自主意识的智能体(独立个体或共同群体,例如组织、团队)的行动和相互作用的计算模型,通过图像展示评估智能体在系统整体中的作用。它综合了一些其他思想,比如博弈论、复杂系统、涌现、计算社会学、多智能体系统和演化计算。采用蒙特卡洛方法产生随机性。
基于多智能体模型是一个微观模型,通过模拟多个智能体的同时行动和相互作用以再现和预测复杂现象。这个过程是从低(微观)层次到高(宏观)层次的涌现。 因此,这个模型的关键就是简单的行为规则能够产生复杂的行为结果,这便是被建模领域广泛采纳的KISS原则(Keep it simple,stupid),另一个原则是整体大于部分的总和。一般而言,独立个体是有限理性的,假设他们为个人的利益而行动,例如繁殖、积极利益或者社会地位[1] ,并且只能通过试探性的或简单的决策规则进行决策。基于智能体模型的个体可能经历学习,适应和再生产的过程。[2]
绝大多数的基于智能体模型包括:(1)大量通过各种指标(个体粒度)区分的智能体;(2)试探性决策方式;(3)学习规则或适应过程;(4)一个交流拓扑网络和(5)一个非智能体的环境。ABM主要应用于计算机仿真,一般通过专门的软件或者ABM工具包,同时这些软件也能用于测验个体行为的改变如何影响系统整体行为结果的涌现。
发展历史
代理人基建模的想法在1940年代末期是一个相对简单的概念。直到20世纪90年代才逐渐成为普遍的方法,因为它需要大量密集的计算程序。 历史可以追溯到冯·诺伊曼机(von Neumann machine),自动复制理论机器。该机器遵循精确详细指令产生本身的副本。这个概念再由冯·诺伊曼的朋友斯塔尼斯拉夫·乌拉姆(也称 斯坦尼斯瓦夫·乌拉姆)改良,他也是一个数学家; 乌拉姆建议机建造在纸面上,如同网格上的细胞集合。冯·诺依曼对此想法很感兴趣,依此创造了第一个细胞自动机(cellular automata)。另一项进展是由数学家介绍约翰·康威(John Conway)。他修建了著名的生命游戏(Game of Life)。与冯·诺依曼的机器,康威的生命游戏以简单的规则,在二维的棋盘形式运行虚拟世界。
概念上最早的ABM是托马斯·谢林的分隔模型 (Thomas Schelling's segregation model),在他的论文“分隔的动态模型”,最初,在1971年虽然没有使用电脑,谢林使用硬币和图纸,其模型体现了自主代理人在二维环境中互动、产生的突现结果,也就是ABM基本概念。
在80年代初期,罗伯特·阿克塞尔罗德(Robert Axelrod)举办一场囚徒困境的竞赛策略,并让这些策略以代理人基于的形式进行互动,以产生胜利者。阿克塞尔罗德持续发展许多ABM,观察从政治学领域的种族中心主义(ethnocentrism)到文化传播的现象。
到1980年代后期,克雷格·雷诺兹(Craig Reynolds)发展的一些鸟群模型(flocking models)[3],最早的生物ABM模式蕴含一些社会特征。他试图建构真实生物代理人,现实克里斯托弗·兰顿所称的人工生命(artificial life)。
与此同时,在80年代,社会科学家、数学家、运筹学家等研究者和其他学科的人员,发展了计算与数学组织理论(Computational and methematical organization theory)。这个领域发展成管理科学研究所(The institute of management sciences)及其他社团,美国的运筹学会(Operations research society of America)等共同兴趣的组织。
90年代是特别值得注意的是ABM在社会科学中的扩张,其中由约书亚·爱波斯坦(Joshua Epstein)和罗伯特·艾克斯蒂尔(Robert Axtell)致力发展的大规模ABM,大糖帝国(Sugarscape),最为人注目。他们模拟和探索的社会现象中的角色,如季节性迁徙、污染、繁殖、战争和疾病传播,甚至文化的传播。其他著名的发展包括卡内基·梅隆大学的凯瑟琳·卡利(Kathleen Carley)的 ABM,探索社交网络和文化的共同演化(co-evolution)。在90年代期间,奈杰尔·吉尔伯特(Nigel Gilbert)发表了关于社会模拟的第一本教科书:Social Simulation: Simulation for the social scientist (1999)[4] ,且创立模拟与社会科学期刊:the Journal of Artificial Societies and Social Simulation (JASSS)。除了JASSS,ABM相关的期刊还有SpringerOpen的Journal Complex Adaptive Systems Modeling。
90年代中期,ABM社会科学这一脉研究开始关注,有效团队的设计、了解组织效率所需要的沟通和社交网路行为等问题。 Computational and Mathematical Organization Theory (CMOT) 后来改名为 Computational Analysis of Social and Organization Systems 社会与组织系统的计算分析(CASOS) 以收录更多的代理人基建模研究。Samuelson (2000) 作了相当好的概述,Samuelson (2005) 以及 Samuelson and Macal (2006) 持续追踪后来的发展。
90年代末期,The Institute of Management Sciences (TIMS)和Operations Research Society of America (ORSA)合并形成Institute for Operations Research and the Management Sciences (INFORMS),一年召开一次会议,有助于鞭策CMOT,形成 North American Association for Computational Social and Organizational Sciences (NAACSOS)。凯瑟琳·卡利(Kathleen Carley)是主要贡献者,尤其是社会网路的模型,年会获得美国国科会资助并担任NAACSOS的第一任主席。后续由芝加哥大学和阿贡国家实验室的David Sallach,再由埃默里大学的Michael Prietula担任。大约在同一时间,European Social Simulation Association (ESSA)和Pacific Asian Association for Agent-Based Approach in Social Systems Science (PAAA) 相继成立。这三个组织的国际合作形成World Congress on Social Simulation (WCSS),两年举办一次,2012年在台北举办。
理论基础
大多数的计算模型描述系统均衡或不同均衡之间移动。代理人基建模,使用简单的规则,但可能会导致不同种类的复杂而有趣的行为。三个围绕ABM的核心观念是物件(objects)、突现(emergence)和复杂性(complexity)。ABM由基于法则的代理人动态互动。系统在它们相互作用下可产生真实世界般复杂性。通常代理人处在空间和时间中,驻留在网路或网格里。代理人和他们的反应行为皆以计算机程序的形式编码。在某些情况 下,虽然不总是,代理人可视为有智慧和有目的。在生态ABM (IBM),代理人可以是,例如,森林中树木,并无智慧,但它们可能在优化水资源存取上是有“目的”的。建模过程是最好如同归纳法(inductive)般的描述。建模者根据眼前的局势设定相关的假设,然后观察代理人互动后的现象。有时这结果是一个均衡。有时是新兴的形态。但有时,它是难以理解的乱象。
在某些方面,ABM成为传统分析方法的互补。分析方法可让人们补捉系统均衡,而ABM允许产生均衡的可能性。此贡献可能是代理人基建模主要的潜在优势。ABM可以解释高阶模式的突现。例如,恐怖组织的网路结构和网际网路、塞车、战争、股市崩盘、社会分隔的持续等规模的幂律分配。ABM也被用于识别时点,其为不同干预时间点具有不同的后果,以及区分路径依赖类型。 相较于著重稳定状态,很多模型考虑系统的稳健性是复杂系统在内部和外部的压力下,还能维持其功能的适应能力。欲跨越此复杂的任务,需要大量代理人本身的特性-包括多样性、连结性和互动的程度。
最近在复杂适应性系统的建模与模拟的研究已经显示,结合ABM和基于网路的复杂模型(complex network based models)的必要性。四个开发复杂自适应系统模型的层级的案例研究:1. 复杂网络建模层等级:使用各种系统组件的互动数据开发的模型。2. 探索代理人基建模层级:开发ABMs,以评估进一步研究的可行性。可用于开发验证概念模型,如研究补助的申请,不需要大量研究人员的学习曲线。3. 叙述性代理人基建模(DREAM): 利用样板和复杂网路模型开发叙述性ABM。建立DREAM模型允许跨学科模型比较。4. 验证代理人基建模: 开发虚拟重叠多元代理人系统(virtual overlay multiagent system)以正规方式验证和确认模型。其他DREAM方法包括程式码样板和文本(text-based)方法,如ODD(Overview, Design concepts, and Design Details) 协议。环境的角色,代理人生活的场所,包含宏观和微观,在代理人基建模和模拟中,亦是重要的因素。简单的环境能提供简单代理人,但复杂的环境将产生多样化的行为。
应用领域
生物学 ABM已经广泛使用在生物学,从分析疫情到军事应用,如疫情传播(spread of epidemics)、生物战争(biowarfare)威胁的评估。生物学和人类学应用亦常有重叠,包括人口动态、植被的生态、古代文明的成长与衰落、种族行为的演化、迁袭、语言选择动态、认知等。近代还普及到医学应用,例如,癌症和免疫系统。同时用于开发决策支援系统,例如细胞模型的追踪和治疗。ABM逐渐被用于在药物开发和早期临床研究的药理建模(pharmacological systems),帮助并深入了解过去不可能先验的生物系统。
商业、科技与网路理论 自90年代中期ABM已被用于解决各种商业和科技问题。例子包括建模组织行为和认知、团队合作、供应链优化、物流、和消费行为建模,包括口碑、社交网络的影响、分配、人力资源管理和投资组合管理。也被用于分析交通问题。最近,在资讯科学领域(期刊与会议)的影响。ABM已被用来模拟在辅助环境下之信息传递。在对等网络、点对点等自我组织和复杂的网络,ABM建模和仿真已被证明有效性。利用计算机科学为基础的规范框架,再加上无线传感器网络和ABM的仿真,为进化搜索或算法的优化问题提供了新的研究课题。
经济学和社会科学 金融危机爆发前后,ABM成为经济分析的可能工具。ABM假设经济体不一定能达成均衡,以多元(diverse)、动态(dynamic)和相依(interdependent)行为,例如从众,的代理人取代“代表性个人”。ABM采取“自下而上”的方法,可以模拟极其复杂多变的经济。ABM可表现具有非线性的崩溃和荣景性质的不稳定系统。2010年后经济学家对ABM取代DGSE模型寄以厚望。Farmer and Foley主张ABM能实现凯恩斯的复杂经济与卢卡斯构建微观模型的构想。Farmer and Foley指出已使用ABM发展经济体的一些细部,组合后可构成非常大的模型。通过复杂系统的建模基于三种行为-模仿、反模仿、和无视-可以精细的模拟金融市场。结果说明网络形态和股价之间的相关性。21世纪之初ABM已经在建筑和城市规划,以设计和模拟人流,评估城市环境。
代理人基模型的实作
许多ABM建模软体是以序列性的冯·诺伊曼计算机结构。这限制了运行速度和这些系统的扩展性。最近的发展则是大量利用图形处理单元平行算法。1990年后,随著StarLogo、Swarm、NetLogo、RePast和2000年后的AnyLogic,2007年的GAMA,建模软体广泛发展,使ABM应用于各领域。Bonabeau (2002) 曾对ABM建模工作作了当时的调查。
批评
参考资料
In-line
- ^ Agent-Based Models of Industrial Ecosystems (页面存档备份,存于互联网档案馆). Rutgers University, October 6, 2003.
- ^ Agent-based modeling: Methods and techniques for simulating human systems (页面存档备份,存于互联网档案馆). Proceedings of the National Academy of Sciences. May 14, 2002.
- ^ Reynolds, Craig W. Flocks, herds and schools: A distributed behavioral model. ACM. 1987-08. ISBN 978-0-89791-227-3. doi:10.1145/37401.37406 (英语).
- ^ Gilbert, G. Nigel; Troitzsch, Klaus G. Simulation for the social scientist. Repr. Buckingham: Open Univ. Press. 2003. ISBN 978-0-335-19745-3. 缺少或
|title=
为空 (帮助)
General
- Axelrod, Robert, The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration, Princeton: Princeton University Press, 1997, ISBN 978-0-691-01567-5
- Bonabeau, Eric, Agent-based modeling: methods and techniques for simulating human systems. Proc. National Academy of Sciences 99(3): 7280-7287, 2002.