{正版现货新书} 基于主体与个体的建模 9787030827388 (美)史蒂文·F.雷尔斯巴克(Steven F. Railsback)，(德)沃克尔·格里姆(Volker Grimm)主编

邹松兵，兰州大学教授，九三学社中央委员会资源环境专门委员会委员，主要从事信息地理学、生态水文学与能源经济学的教学与科研工作，主持国家自然科学基金项目、甘肃省科技重大项目等多项项目，发表SCI论文30余篇，专著译著5部。

译者前言

前言

致谢

第Ⅰ部分 基于主体的建模和NetLogo基础

1 模型、基于主体的模型及建模周期

1.1 引言、动机与目标

1.2 模型

1.3 建模周期

1.4 基于主体的建模

1.5 小结与结论

1.6 练习

2 NetLogo入门

2.1 引言与目标

2.2 NetLogo快览

2.3 示例程序：蘑菇搜寻模型

2.4 小结与结论

2.5 练习

3 ABM的描述与阐述：ODD协议

3.1 引言与目标

3.2 ODD概述

3.3 ODD协议

3.4 案例：蝴蝶的虚拟廊道

3.5 小结与结论

3.6 练习

4 实现第一个基于主体的模型

4.1 引言与目标

4.2 ODD与NetLogo

4.3 蝴蝶登顶模型：从ODD到NetLogo

4.4 注释与完整程序

4.5 小结与结论

4.6 练习

5 从动画到科学

5.1 引言与目标

5.2 廊道观测

5.3 分析模型

5.4 时序结果：添加图表与文件输出

5.5 真实场景

5.6 小结与结论

5.7 练习

6 测试程序

6.1 引言与目标

6.2 常见错误类型

6.3 NetLogo程序调试和测试技术

6.4 测试文档

6.5 案例与练习：文化传播模型

6.6 小结与结论

6.7 练习

第Ⅱ部分 设计ABMs模型的概念框架

7 第Ⅱ部分的引言

7.1 第Ⅱ部分的目标

7.2 第Ⅱ部分的概述

8 涌现

8.1 引言与目标

8.2 简单涌现动态的模型

8.3 仿真实验和行为空间

8.4 复杂涌现动态的模型

8.5 小结与结论

8.6 练习

9 观察

9.1 引言与目标

9.2 通过NetLogo视图观察模型

9.3 其他界面显示

9.4 文件输出

9.5 作为输出编写器的行为空间

9.6 输入的原语和菜单命令

9.7 小结与结论

9.8 练习

10 感知

10.1 引言与目标

10.2 变量作用域

10.3 使用其他对象的变量

10.4 感知的应用：商业投资者模型

10.5 小结与结论

10.6 练习

11 适应性行为和目标

11.1 引言与目标

11.2 NetLogo中的识别和优化备选对象

11.3 商业投资者模型中的适应性行为

11.4 非优化适应性行为：一个满意度示例

11.5 目标函数

11.6 小结与结论

11.7 练习

12 预测

12.1 引言与目标

12.2 预测的示例效果：商业投资者模型的投资期限

12.3 实现和分析子模型

12.4 分析投资者效用函数

12.5 显式预测建模

12.6 小结与结论

12.7 练习

13 相互作用

13.1 引言与目标

13.2 相互作用的NetLogo编程

13.3 电话营销模型

13.4 模型的深化：全局相互作用

13.5 直接相互作用：电话营销模型中的合并

13.6 客户的反击：记住谁打过电话

13.7 小结与结论

13.8 练习

14 调度

14.1 引言与目标

14.2 NetLogo中的时间建模

14.3 小结与结论

14.4 练习

15 随机性

15.1 引言与目标

15.2 ABM中的随机性

15.3 NetLogo中的伪随机数的生成

15.4 随机过程示例：行为的经验模型

15.5 小结与结论

15.6 练习

16 集群

16.1 引言与目标

16.2 什么是集群?

16.3 NetLogo中的集群建模

16.4 示例：野狗集群模型

16.5 小结与结论

16.6 练习

第Ⅲ部分 面向模式的建模

17 第Ⅲ部分的引言

17.1 迈向结构现实模型

17.2 单模式和多模式、强模式和弱模式

17.3 第Ⅲ部分概述

18 模型结构的模式

18.1 引言与目标

18.2 POM中设计模型结构的步骤

18.3 示例：欧洲山毛榉林建模

18.4 示例：管理核算与共谋

18.5 小结与结论

18.6 练习

19 理论发展

19.1 引言与目标

19.2 虚拟实验室中的理论发展和强推理

19.3 ABM理论发展的示例

19.4 练习示例：留下还是离开?

19.5 小结与结论

19.6 练习

20 参数化和校准

20.1 引言与目标

20.2 ABM的参数化是不同的

20.3 子模型参数化

20.4 校准概念和策略

20.5 示例：林戴胜模型的校准

20.6 小结与结论

20.7 练习

第Ⅳ部分 模型分析

21 第Ⅳ部分的引言

21.1 第Ⅳ部分的目标

21.2 第Ⅳ部分的概述

22 分析和理解ABM

22.1 引言与目标

22.2 示例分析：隔离模型

22.3 用于理解ABM的其他启发式方法

22.4 数理统计对理解的作用

22.5 小结与结论

22.6 练习

23 敏感性、不确定性和稳健性分析

23.1 引言与目标

23.2 敏感性分析

23.3 不确定性分析

23.4 稳健性分析

23.5 小结与结论

23.6 练习

24 展望

24.1 引言与目标

24.2 保持动力：重新实现

24.3 从零开始您的**个模型 283

24.4 主体行为建模 284

24.5 ABM 小工具 285

24.6 作为大型模型平台的NetLogo 286

24.7 展望 287

参考文献 289

第Ⅰ部分基于主体的建模和NetLogo基础

 基于主体与个体的建模1模型、基于主体的模型及建模周期1模型、基于主体的模型及建模周期

 1.1引言、动机与目标

 学习如何构建和使用基于主体的模型（Aagent-Based Model，ABM）或某些领域的基于个体的模型（Individual-Based Model，IBM）很重要，为什么呢？简单地说，ABM可用于解决传统模型和方法因过于简单而无法处理的问题。例如，An（2001）的研究表明，一个简单的ABM模型就可以解释之前曾被误解，致多人死亡的医学综合征的机制。生态学研究人员也发现传统模型因忽略个体行为，所表达的捕食者种群与猎物种群间的基本关系不切实际，而ABM可再现传统模型所忽略的个体行为（Abrams，1993；Railsback and Harvey，2013）。还有，*典型的示例是，2008年国际金融危机部分归因于政策模型。该政策模型简化了管理系统的内在复杂性，而ABM可解决该问题（Buchanan，2009）。接下来，让我们仔细分析一个真实的模型，一起来感受ABM的魅力。

 1.1.1一个成功的案例：欧洲狂犬病的控制

 狂犬病是由病毒引起的，一种可致大量野生哺乳动物死亡的疾病，人和家畜都可能被感染。在欧洲，狂犬病主要由红狐传播。之前无狂犬病的区域（即非疫区）开始暴发狂犬病时，狂犬病以“行波”（Traveling Wave）形式传播：感染率高和低的区域交替出现。

 通过给红狐接种疫苗，可大面积**狂犬病，新疫区也得以控制。于是，欧洲各国政府通过生产狂犬疫苗，将其注入饲料，由飞机喷洒诱饵，**了中欧的狂犬病。不过，这项计划耗资巨大，且仅在发现并遏制新暴发时有效。其成本效益的关键在于：一个地区需要有多少比例的野狐接种疫苗才能消除狂犬病，以及应对狂犬病暴发的*佳策略是什么？

 长期以来，模型一直应用于野生动物以及人类的此类流行病学问题的研究中。采用**微分方程模型对欧洲狂犬病问题进行模拟，模拟结果表明至少70%的狐狸接种疫苗才能消灭狂犬病。管理人员计划采用“带状接种”策略（对包括天花在内的其他流行病非常有效）应对新疫情：疫苗接种区不是新疫区，而是其周围的带状区域，带状区域的宽度通常由疫苗应急供应的有限数量决定。70%的疫苗接种策略的确成功了。不过，狂犬病问题具有一些重要特征，即狂犬病传播在空间和时间上都存在重要模式，并受个体行为驱动（在本案例中，大多数狐狸的领地固定，而年轻狐狸则进行长距离迁徙），在此基础上，基于主体的建模方法可以精确地预测这些模式。于是，Florian Jeltsch和同事一起开发了一个简单的ABM，模拟了多个占据固定家域的狐狸家庭，以及年轻狐狸的迁徙行为（Jeltsch et al.，1997）。该模型准确模拟了狂犬病在空间和时间上的传播。

 随后，Dirk Eisinger和Hans-Hermann Thulke对ABM进行了修正，以评估疫苗诱饵在空间上的分布如何影响狂犬病的控制（Thulke and Eisinger，2008；Eisinger and Thulke，2008；Eisinger et al.，2005）。他们的ABM模拟结果表明，疫苗接种率远低于70%，就可以**狂犬病，这一结果不但可节省数百万欧元，而且已通过监测疫苗实际接种率的少量案例研究得到证实。该模型预测疫苗接种率较低的原因是狂犬病的“波形”（Wave）传播是局部传染性接触行为的涌现结果，正是这种局部传染性接触为**狂犬病提供便利。该模型还提出了一种备选方案，即围绕*初疫区进行圆形紧凑型医疗接种，比起带状接种方案，备选方案更易成功。该模型重现了真实疫情暴发的许多特征，因此其预测也易于理解，狂犬病管理者认可这项研究结果，并成功地应用了该圆形策略。

 狂犬病案例表明，基于主体的建模可为诸如环境、健康和经济等许多重要问题找到新的、更好的解决方案。事实也是如此。这些问题都出现在一个由自主“主体”组成的系统中。在该系统中，这些“主体”彼此之间及与环境之间相互作用；它们彼此不同，随时间和空间不断变化；它们具有各种行为，这些行为通常对系统如何运行至关重要。

 1.1.2目标

 本章介绍建模与基于主体的建模。*先，明晰一些有关建模的基本概念。这些内容乍看似乎并不重要，但事实上却是本课程其他所有内容的基础。

 学习目标：

 模型与建模——为什么要建模；

 建模周期——设计（Designing）、实施（Implementing）和分析（Analyzing）模型并使用它们解决科学问题的迭代过程；

 基于主体的模型——基于主体的模型与其他类型模型的区别，以及使用它们的理由。

 1.2模型

 模型是对某个真实系统的特定表达（Starfield，1990）。通过建立和使用模型，可以解决或回答一个或一类与系统相关的问题。科研中，我们通常需要去思考系统运行的原理，解释所观测到的模式，并预测系统行为对某些变化的响应。真实系统往往过于复杂或发展太慢，无法通过实验来分析。例如，仅通过实验很难去理解城市的发展和土地利用变化。因此，我们尝试运用方程或计算机程序构建系统的简化表达，随后对其进行操作和实验。（构建模型意味着需要设计其假设条件和算法。）

 真实系统（如一个城市或景观）的简化表达有许多方法。但是，如何确定真实系统的哪些方面需要在模型中表达，哪些方面需要被忽略？要回答这个问题，需要先明确建模的目的。将需要模型回答的问题作为过滤器，通过忽略或简化表达与需要模型回答的问题无关或不重要的方面，来过滤真实系统。

 下面来看一个看似简单，但很重要的示例：您是否曾在森林里找过蘑菇？您是否想过*好的搜寻策略是什么？在案例当中，假定您是一位新手，在森林里很难找到蘑菇，甚至踩到蘑菇后才会发现。即使您是一位蘑菇方面的专家，您知道如何辨识出适合蘑菇生长的环境，您也需要一个在较小范围搜寻蘑菇的策略，因为蘑菇很难被发现。

 您可能会想到几种简单的策略，因为蘑菇总是簇状生长，对一个区域先进行粗略扫描，一旦发现蘑菇，便开始集中精确搜寻。那么，如何定义“粗略”、“精确”和“扫描方式”，以及精确搜寻多久后要返回到粗略扫描？

 人类社会中，寻找与邻里和平共处的满足感也是如此。多种动物都会遇到类似问题，因此它们很可能进化出了良好的自适应搜索策略。例如，信天翁的觅食行为就像蘑菇搜寻者：线性长距离移动和精确搜寻交替进行（图1.1）。

 图1.1一只雌性漂泊信天翁（Diomedea exulans）在南印度洋觅食的飞行路线

 飞行开始和结束于克罗泽群岛的一个繁殖集居地（以星号表示）。数据由H.Weimerskirch及其同事记录，用于研究信天翁的适应性觅食行为（Weimerskirch et al.，2007）

 信天翁与蘑菇搜寻者的共同特点是，感知半径有限——只有在靠近猎物时才能探测到其存在——所以它们必须一直移动。而且，猎物通常并非随机或规则分布，而是集聚分布，因此其搜索行为应具有适应性，即一旦发现目标，搜索方式就会改变。

 为什么我们要对这个问题建模？因为即使对于这样简单的问题，我们也无法建立定量的思维模式。凭直觉，我们可以找到一个非常有效的搜寻策略，但随后会发现，其他人运用不同于我们的方法，找到了更多的蘑菇。他们只是更幸运，还是他们的搜寻策略更好？

 现在我们就能理解，构建模型之前需要明确定义目标。想象一下，有人简洁地对您说：“拜托，请您模拟一下如何在森林里找蘑菇。”这时，您应该关注什么？不同的蘑菇种类、不同类型的森林、好坏生境的识别，以及采集对蘑菇种群的影响等？然而，当以“在特定时间内，什么样的搜寻策略可以搜寻到*多的蘑菇”为目标时，我们需要知道：

 可忽略树木和植被，只需考虑蘑菇的簇状分布特征。另外，可忽略诸如地形或土壤类型等森林的其他异质性——这些或许会对搜索有一些影响，但不足以改变对问题的一般性的回答。

 用一种非常简化的方式来表示蘑菇搜寻者就足够。仅以一个移动的“点”表示，该点具有特定的感知半径，并能记录其找到的蘑菇数量，以及直到找到*后一个蘑菇时所用的时间。

 现在，我们就可以构建一个模型，该模型包括蘑菇集群以及在模型世界中搜寻蘑菇的单个“主体”。如果“主体”找到一个蘑菇，则切换到精确移动，一旦搜寻时间超出规定的阈值，则切换回直线移动，去寻找其他蘑菇。在这个模型中，假定搜寻蘑菇的能力不随移动速度变化，从而忽略搜寻速度。

 图1.2给出了上述简单的蘑菇搜寻模型的运行示例。在第2章，您将对这个小模型进行编程，开启对软件平台NetLogo的学习。

 图1.2模型主体搜寻簇状分布蘑菇的路径

 这类搜寻问题非常简单，我们很清楚什么过程和行为对建模很重要。但是，针对需要运用模型解决的问题，通常怎样才能知道某些因素是否重要？很遗憾，答案是我们无法知道！而这正是我们必须构建、实现（计算机中编程）和分析模型的原因，也只有这样，我们才可以使用数学和计算机逻辑来严格分析简化假设的后果。

 模型的*次构建必须建立在对系统的初步理解之上，即理解系统运行的基本原理、系统重要组成要素和主要过程等。这些初步想法可能基于对系统行为的一些经验知识，或解决类似问题的早期模型，也可能是基于理论，或者仅仅基于想象（如搜寻蘑菇的例子）。但是，如果不知道这个系统是如何运行的，则无法构建模型！例如，科研工作者很乐意为几乎所有的事物建立模型，但因尚不知道意识到底是什么以及它是如何产生的，所以迄今为止似乎还没有构建出人类意识显式模型（Explicit Model，对应于隐式模型Implicit Model）。

 **版模型的假设具有实验性，我们必须测试其是否合适和有用。为此，我们*先需要对真实系统进行识别和特征描述，形成模式和规则，建立标准，依据此标准判断模型是否能很好地表示真实系统。例如，股票市场模型应该表现出真实市场中所看到的价格的各种波动和趋势。通常，模型的**个版本过于简单，缺少重要的过程和结构，或与真实系统根本不一致，因此我们需要回过头来修改被简化的假设。

……

本书开篇阐释建模核心概念, 指出模型是对真实系统的有目的的简化, 旨在解决问题、解释规律与预测行为, 其构建需依据研究问题取舍系统要素, 通过方程或程序实现模拟实验。核心内容聚焦基于主体建模 (ABM) 与基于个体建模 (IBM)。ABM将系统组件抽象为具有自主性、适应性和交互性的“主体”, 通过模拟主体交互揭示宏观模式涌现机制 ; IBM则从个体层面出发, 关注个体行为及相互作用对系统整体的影响。建模实践部分, 引导读者完成从提出研究问题、收集假设、选择参数, 到运用NetLogo软件实现模型的全流程。