代理模型：从个体规则到群体行为
如何用计算机模拟复杂系统——NetLogo、ABM 与涌现的计算实验
预计时间：25 分钟读 + 10 分钟做习题 = 35 分钟。
本课方法论承诺
读完这节课，你将掌握：① 代理模型（ABM）的基本框架——大量自治代理遵循简单规则；② 经典的 ABM 案例——Schelling 隔离模型/交通模型/蚂蚁觅食；③ ABM 的优势与局限——"生成式解释" vs 分析解。
一、核心概念定义
代理模型（Agent-Based Model, ABM）
定义：计算机模拟，其中大量自治代理遵循简单局部规则，观察群体层面的涌现行为。
核心思想：
- 自顶向下（传统模型）：从整体方程推导 → 预测个体行为
- 自底向上（ABM）：从个体规则模拟 → 观察群体行为
经典 ABM 案例
Schelling 隔离模型（1971）：
- 规则：每个代理如果邻居中同类型 < 阈值 → 移动
- 结果：即使阈值很低（如 30%），宏观上出现高度隔离
- 涌现：个体微弱的偏好 → 宏观高度隔离（「总体的意外」）
蚂蚁觅食（Deneubourg 等）：
- 规则：蚂蚁随机移动，发现食物 → 释放信息素 → 其他蚂蚁跟随信息素浓度高的路径
- 结果：最短路径涌现（信息素正反馈）
交通模型（Nagel-Schreckenberg）：
- 规则：每辆车加速/减速/随机慢化
- 结果： phantom 交通堵塞涌现（即使无事故，前方车辆刹车 → 后方连锁反应）
二、学科直觉
- ABM 的核心价值是「生成式解释」：传统模型说「因为 X 所以 Y」；ABM 说「从规则 X 可以生成 Y」。这种「生成」能力是解释涌现的核心——你无法从宏观方程推导出涌现，但可以从微观规则模拟出涌现。
- 「微观简单 → 宏观复杂」是 ABM 的核心洞察：Schelling 模型中，每个代理只有一条简单规则（「邻居同类型不足就搬」），但宏观产生高度隔离。这意味着宏观现象不需要微观复杂性——简单规则 + 大量互动 = 复杂行为。
- ABM 的局限是「没有分析解」：ABM 通过模拟得到结果，不是数学推导 → 难以得到「一般性定理」。但复杂系统本身就没有一般性定理（非线性）→ ABM 是唯一可用的方法。
三、跨学科应用
城市规划：Schelling 隔离模型的启示
城市种族/经济隔离：
- 即使个体只有轻微偏好（「不想是少数」），宏观产生高度隔离
- 政策启示：仅靠反歧视法不够——需要物理整合（混合住房）才能打破隔离的动态
ABM 的政策价值
ABM 的价值是"政策实验室"——可以在计算机上测试政策（如住房补贴/税收/教育投入）对宏观结果的影响，而不需要在真实社会中冒险。但 ABM 的预测依赖模型假设（代理规则）——如果规则错了，结果没用。
交通规划： phantom 堵塞
高速公路 phantom 堵塞：
- 无事故、无施工，但出现「幽灵堵塞」
- 原因：前车轻微刹车 → 后车过度反应（减速太多）→ 连锁反应 → 后方完全停止
- 解决方案：自动驾驶汽车（统一反应规则 → 减少过度反应）
练习题
单选题
1
代理模型（ABM）的核心是？
2
Schelling 隔离模型的启示是？
3
蚂蚁觅食的信息素机制是？
4
phantom 交通堵塞的原因是？
5
ABM 的「生成式解释「是？
6
ABM 的核心局限是？
7
NetLogo 是？
案例分析
C1
C1. 案例：某城市推出「鼓励拼车「政策，但实际道路上车辆数量没有减少。用 ABM 分析？
反事实思考题
T1
T1. 反事实：如果城市交通完全由中央计算机控制（每辆车实时接收最优路线）。对 phantom 堵塞的影响？