Module 03 · 智能体建模

个体是简单的，
涌现是复杂的。

一句话：ABM 不给系统写方程，而是给每个个体写规则——让成千上万个异质智能体在共享环境中自主感知、决策、交互，宏观模式作为计算结果「长」出来而不是被假设出来。这一页拆开 ABM 的内部构造：涌现如何发生、计算循环如何运转、以及为什么它的输出是分布而不是点。

直击核心机制数学骨架

01 · 直觉与定义

从鸟群开始：没有一只鸟知道队形，也没有指挥官。每只鸟只遵守三条局部规则——别撞上邻居、跟上方向、靠拢群体——整群的一致队形与转向便作为整体模式涌现出来。（雁阵那样整齐的 V 形排列还需要额外的气动与位置约束，这三条规则本身并不足以产生。）ABM 的世界观：宏观不是微观的平均，而是微观交互的产物；「整体行为」不需要被写进模型，它会被计算出来。

与另外两种范式的对照：DES 追踪「过程」中的实体，SD 聚合出「存量」，而 ABM 保留每一个体的完整身份——谁在哪里、记得什么、认识谁。当个体差异、局部互动和网络结构正是答案本身时（观点极化、病毒传播、市场崩盘），ABM 是三者中最能原样表达它们的范式。

自下而上的代价

ABM 换来的自由是有代价的：模型由设计者编写，规则稍改结果剧变，因此校准与验证最难；运行一次往往只是一次抽样，严谨的结论需要成百上千次蒙特卡洛重复。ABM 不是更「真实」，而是把解释责任从方程转移到了规则设计。

图中的队形不在任何一只鸟的规则里——它是个体交互的计算结果。

02 · 核心机制：感知-决策-行动循环

每个智能体在每个周期执行同一个循环：感知（读局部环境与邻居）→ 决策（按自己的规则与参数评估选项）→ 行动（移动、交易、传播、改变状态）→ 环境更新（与其他智能体的行动叠加）。数以百万计的这类循环并发运行，宏观模式在观测层浮现。

调度：同步还是异步

同步更新：所有智能体基于同一时刻的状态同时决策——秩序井然但可能产生人为的节拍。异步更新：按随机顺序逐个激活——更接近现实，但结果依赖激活顺序，需要随机化并多次重复。调度方式本身就是模型假设的一部分，必须显式声明。

时间推进通常是离散的固定步长（像 SD 的切片），但状态变化高度随机且个体化——这使 ABM 兼具 SD 的「切片时钟」与 DES 的「随机离散」两种血脉，只是通常不具备事件队列那样的时序精度（架构组成一节的调度器可改为事件驱动）。

for agent in schedule(shuffled) // 异步随机调度
  seen = perceive(local_env, neighbours)
  choice = decide(rules_i, seen, params_i)
  act(agent, choice)           // 移动/交易/传播…
end
env.update()                      // 所有行动叠加进环境
observer.record(macro_stats)      // 记录涌现指标

03 · 架构组成

一个 ABM 由六个部件构成，各司其职——它们共同回答三个问题：谁在行动？在哪里行动？按什么规则行动？

Agents

智能体

异质个体——状态、记忆、行为规则与个体参数。

Space

环境

网格、网络或连续空间——智能体栖身与交互的载体。

Rules

交互规则

局部规则——只看邻居与近邻环境，不做全局计算。

Random

随机性

可控随机源——固定种子便于复现，多 seed 支撑统计结论。

Scheduler

调度器

激活顺序——同步、随机异步或基于事件的调度。

Observer

观测器

宏观统计——把个体轨迹聚合为涌现指标与时间序列。

04 · 数学骨架：转移函数与蒙特卡洛

ABM 没有统一的全局方程，但有形式骨架：每个智能体是一个状态转移函数，宏观量是个体状态的聚合——而聚合通常不可解析，只能靠运行统计。这正是 ABM 被归入「计算方法」一类的原因：方程存在，但解只能算出来，不能推出。

a_i,t+1 = f_i(a_i,t, N_i(t), E(t), θ_i)智能体 i 的下一状态 = 决策函数 f，输入为自身状态 a、邻域 N、环境 E、个体参数 θ。

X(t) = Σ_i g(a_i,t)宏观变量是个体状态的聚合函数 g——极化指数、市场深度、感染人数皆由此而来。

E[X] ≈ 1n Σ_r=1..n X_r(T)ABM 的输出是分布不是点：同一模型跑 n 次（不同随机种子），取终值统计。

由此得到 ABM 的三条方法论纪律：一、随机种子必须固定并可复现；二、任何结论都要报告跨重复的分布（均值±区间），而不是单次轨迹；三、参数校准要面对「殊途同归」（equifinality）问题——不同规则组合可能产生相同宏观模式，需谨慎解读。

for r in 1..n:                  // n 次独立重复
  world = init(seed_r)
  while t < T: world.step()
  X[r] = observer.final(world)
report(mean(X), CI(X), hist(X))

05 · 适用与失效

它擅长

异质性主导的问题：个体差异与局部互动决定宏观结果。
涌现现象：极化、传染、聚集、时尚、迁徙、崩盘。
网络与空间结构：谁是邻居、谁认识谁至关重要。
适应性主体：学习、策略调整、机制设计实验。

它失效

需要解析洞察——「为什么」藏在规则里，不藏在闭式解里。
精确过程时序——排队、服务次序不在其表达范围。
大规模总体——百万个体千次重复，算力与时间成本陡增。
强宏观约束——总量守恒、均衡条件需要额外机制强行维持。

三个范式各有一块「别家管不了」的地盘——这正是混合仿真的存在理由。

06 · 耦合接口提示

放进混合模型时，ABM 通常承担「微观适应层」：向上把个体行为统计成宏观速率供给 SD；横向与 DES 共享资源与队列——智能体产生订单事件交给 DES 执行，DES 的处理结果再反馈回个体记忆。

三个关键技术点：聚合对齐——ABM 的统计口径必须与 SD 的流入定义一致；事件映射——智能体行动到离散事件的转换要有明确协议；分布校准——ABM 的随机性会放大上游参数的方差，需在耦合层面重做灵敏度分析。

查看完整对照表 →

ABM 在耦合中的典型分工

导出：行为统计量（速率/比例）、个体事件流、网络结构快照。
接收：宏观参数（价格/政策）、资源可用性、服务结果反馈。
同步：固定步长与 DES 时钟对齐，聚合窗口与 SD 的 dt 对齐。

个体是简单的，涌现是复杂的。