個體為本模型粵拼go3 tai2 wai4 bun2 mou4 jing4英文agent-based modelABM)係電腦模擬上會用到嘅一種運算模型。一個 ABM 會建立一大柞虛擬嘅個體,每個個體都會跟某啲法則嚟行動,而研究者做呢種模擬嘅目的就係想測試「如果啲個體按噉噉噉嘅法則行動,佢哋整體會出現噉噉噉嘅現象」嘅假說[1][2]

大量嘅個體各自行動,形成整體嘅規律:

舉個例說明,想像家陣有位生物學家想研究一群蜜蜂之間嘅互動,佢寫個程式,個程式會[3][4]

  1. 若干()隻虛擬嘅蜜蜂個體;
  2. 設定好每個個體都會按某啲法則(用符號 代表)行事,個體之間可以有差異;
  3. 行若干時間,睇吓喺噉嘅情況下,蜜蜂群整體會唔會出現佢預想中嗰種現象,
  4. 如果會,佢就可以話「法則 能夠可以解釋呢樣蜜蜂相關嘅現象」。

ABM 呢種研究方法常用於生態學社會科學:呢啲領域研究都成日會研究一大柞嘅個體-好似係或者第啲動物呀噉-分別噉做決策,仲有係研究呢啲個體決策點樣引致一啲整體嘅現象[5],而 ABM 仲造就咗唔少重大嘅發現[6][7],例子可以睇吓重複監犯困境噉。

以下嘅內容,假設讀者已經識嗮程式編寫嗰啲基本概念。

基礎 編輯

想像家陣設定  細胞;假想啲細胞每粒都淨係按自己規律行事;隨住時間演進,佢哋整體會出現咩規律呢?
内文:電腦模擬

ABM 呢家嘢早喺 1970 年代初嗰陣已經存在[4]。喺最基本上,行 ABM 嘅程式做嘅嘢可以用以下呢幾個步驟總括[3][4]

  1. 初始化,建構   個(離散嘅)個體[e 1],當中每個個體都掕住一啲參數數值表示佢嘅個體特性[註 1]。喺實際應用上,  嘅數值通常閒閒地係幾百。
  2.   設做 0。呢個變數代表時間
  3. 喺呢個時間點  同每個個體,按呢個個體嘅行動法則同埋特性( ),計吓佢跟住落嚟嘅狀態會點變;
  4. 如果個模型涉及一啲整體嘅變數,按啲個體嘅新狀態嚟計呢啲整體變數嘅新數值;
  5. t = t + 1  數值上升 1);
  6. 一路係噉重複步驟 3 至 5,直至結束條件達到為止。

如果模擬結果係會出現研究者想要嘅某種現象,噉研究者就有理由作出一個論證,話「  嗰啲法則同特性可以解釋到嗰種現象點解會發生」-ABM 嘅最重要用途係

理解宏觀層面嘅現象點樣由微觀(個體)層面嘅行為嗰度創發[e 2]出嚟。

有關創發等概念嘅詳情,可以睇吓複雜系統等嘅概念。

生物應用 編輯

生物學係研究生命科學,成日都會用到 ABM。生物學嘅 ABM 通常都會將每隻生物當做一個個體嚟行 ABM,當中「一隻生物」可以係一隻細菌、一樖植物以至一隻動物呀噉;生物學 ABM 有陣時甚至可以將成個種群當做一個個體噉嚟分析[8][9]

有關生物學 ABM 嘅例子,可以睇埋生物學入面嘅 ABM

群動 編輯

OpenGL 整嘅群動模擬
2006 年影到嘅一大群椋鳥一齊飛嘅姿態;鳥類學家發覺,雀鳥成群飛嗰陣形成嘅姿態好多時望落都似群動出嘅圖像。
内文:群動

群動[e 3]係生物學 ABM 嘅一個出名例子,想像家陣有一大拃個體一齊移動,途中每個個體都會守三條規則[10]

  • 分隔-唔好撞到隔離嘅其他個體;
  • 順向-將自己方向對準周圍其他個體嘅平均
  • 凝聚-將自己置於周圍其他個體嘅平均嘅位置。

電腦模擬嘅話,個程式會類似噉

 物件同埋設好佢哋嘅初始位置(1)
 設  (時間)= 0;(2)
 While   未到某個值,
   Foreach 物件(3 同 4)
     計「如果呢件物件跟嗰三條法則郁,佢嘅新位置會响邊」;
   顯示出每件物件嘅新位置;
     上升 1;(5)

於是研究者就能夠知道

如果群動嗰三條法則(微觀定律)正確,啲物件郁起上嚟望落會係點嘅樣(宏觀現象)?

事實表明咗,群動模型會引起類似某啲自然現象噉嘅規律,例如某啲物種雀鳥成群一齊飛嗰陣個雀群成嘅形態噉,就俾人指望落好似群動出嘅規律(想解釋嘅現象)噉-於是研究者就可以提出個主張話「嗰三條法則能夠解釋雀群嘅形態點解會係噉嘅樣」[10][11]

生態模型 編輯

2010 年影到嘅一幅相;隻豌豆蚜將佢好似針噉嘅口器插咗入樖植物度,吸樖植物嘅汁液,會對樖植物造成破壞。
2008 年影到嘅一幅相;相入面隻瓢蟲喺度咬住隻蚜蟲-蚜蟲破壞好多農作物,瓢蟲會消滅蚜蟲,所以畀好多農夫視為益蟲
内文:生態模型

生態模型[e 4]成日都會用到 ABM:生態模型係指將生態系統想像成抽象化數學模型噉研究;生態系統本質上就係由大量嘅個體生物組成嘅系統,所以自然有可能用 ABM,將每隻生物當做一個個體噉模擬,而進階啲嘅研究仲有可能將成個種群當做一個個體[12][13]


例:2004 年蚜蟲 ABM 研究

蚜蟲[e 5]係一個超科昆蟲,包含多個唔同嘅物種,出嗮名係一啲鍾意蛀食植物嘅害蟲,會對好多農作物造成破壞。因為噉,有唔少從事昆蟲農業相關研究嘅科學家都有研究蚜蟲,想透過理解蚜蟲解答「點樣先可以有效防治蚜蟲」等嘅問題[14]

喺 2004 年,有一班英格蘭科學家針對稻麥蚜[e 6]—其中一種最常見嘅蚜蟲,英格蘭都唔少—做咗份研究,佢哋用 Java 呢隻物件導向程式語言寫咗個程式,段虛擬碼大致係噉嘅[13]:p. 3-4

  件物件,每件物件表示一隻蚜蟲,每隻蟲有以下呢啲數值:(1)
   3D 嘅位置值(position)、
   年紀值(age),數值係 0.00-2.00,當中 1.00 算係成年、
   佢過往嘅行為紀錄、
   佢獨有嘅 ID 值,方便部電腦監察住佢哋邊隻打邊隻
 設  (時間)= 0;(2)
 設定風向氣溫等嘅環境變數;
 
 While 場模擬行緊,(3 同 4)
   將氣溫等嘅環境變數,設做數據庫紀錄咗嘅數值;(班研究者事先問有關單位攞咗數據。)
   Foreach 蚜蟲個體
     age 數值升;
     if age >= 2.00
       隻蟲就死;
     隻蟲有若干機率會死; # 模擬「一隻蚜蟲就算唔老死,都有可能死於畀瓢蟲等嘅獵食者捕食」呢點,具體數值嚟自打前研究嘅估計。 
     if age >= 1.00
       隻蟲有若干機率會遷徙; # 具體數值都係嚟自打前研究嘅估計
       隻蟲有若干機率會繁殖,繁殖會產生新個體,呢啲個體 age 冚唪唥係 0.00; # 具體數值都係嚟自打前研究嘅估計
     
       # 已知蚜蟲嘅遷徙同繁殖會受氣溫等嘅環境因素影響,即係 繁殖率  環境因素 
     上升 1;(5)

班研究者睇過打前嗰啲研究,知道「蚜蟲嘅繁殖率同氣溫等嘅環境因素成咩數學關係[15]。有咗個程式,佢哋就可以教部電腦計出笪地方「每日會有幾多隻蚜蟲」,並且將呢啲數值以線噉嘅形式呈現出嚟-即係好似上圖噉 X 軸做時間 Y 軸做嗰種生物嘅個體數量;跟住佢哋攞呢啲數值同實際數據對比(打前嘅生態學家有實質噉攞數據,量度環境入面嘅蚜蟲數量)。佢哋發覺模擬得出嘅數值同實際數據嘅相當吻合,於是班研究者就可以作出噉嘅推論[13]:p. 5-6

「我哋用咗嘅嗰拃蚜蟲個體行為定律(微觀定律),可以有效解釋過往嘅蚜蟲數量變化數據(宏觀現象)。」

打後嘅研究者,知道個模型係掂(做到準確預測)嘅,仲可以攞個模型去估未來嘅蚜蟲數量變化,幫手做防治蚜蟲嘅工作[16]

醫療應用 編輯

 
流行病學研究嘅想像圖:幅圖描繪咗座城市嘅一個區,每點表示一個人;可唔可以模擬啲人嘅流動,再按佢哋嘅位置估計隻病會點喺佢哋之間傳播呢?

ABM 喺醫療相關嘅研究上都有用。

流行病學[e 7]係一門醫療領域,專研究同第啲健康相關狀態點樣喺群體當中分佈。流行病學專家會(例如)剖析傳染病點樣喺人之間傳播,用呢啲知識幫助醫療上嘅工作。運算流行病學就係指專門用運算方法(例如電腦模擬)做流行病學上嘅研究:流行病學本質上就會想知「人類(個體)嘅行為點樣影響病喺佢哋之間嘅傳播」,所以會用到 ABM [17][18]


例:2011 年傳染病 ABM 研究

醫療工作者好睇重「對疫潮做準備」呢樣工作:要為疫潮作出準備,起碼要估計應付疫潮需要幾多人力物力資源,而要準備呢啲資源,就要估計「會有幾多人惹到隻病」;流行病學專家好興用 ABM 電腦模擬[註 2],作出(簡化講)「如果每個人嘅行為係噉噉噉而隻病嘅傳染力係噉噉噉,最後會有幾多幾多人惹到隻病」噉嘅估計[19][20]

喺 2011 年,有一班科學家做咗份研究,用 2009 年嘅墨西哥 A 型 H1N1 流行性感冒病毒爆發做數據。佢哋指出,傳染病嘅傳播主要取決於人嘅流動同埋人際接觸(睇埋社會網絡嘅概念)。佢哋個模型大致係噉嘅[21]:p. 3-4

  件物件,每件物件表示一個人,每個人有以下呢啲數值:(1)
   3D 嘅位置值(position)、
   移動模型(mobility model;表示嗰個人傾向喺座城市邊個區活動-包含「喺禮拜日,呢個人會喺 A 區嘅機率」噉嘅資訊)、
   社會網絡(social network;表示嗰個人同邊啲人有密切關係-「有密切關係」表示「成日會喺同區活動,大機率會互相傳病」)、
   佢獨有嘅 ID 值,方便部電腦監察住佢哋邊個打邊個
 設  (時間)= 0;(2)
 設定隻病嘅特性(disesase model):
   個體間傳播(transmission)-反映「如果家陣有兩個人密切接觸,當中一個人有隻病,隻病會傳畀另外嗰個人嘅機率」等、
   個體內漸進(progression)-反映「如果個人惹咗隻病,喺幾耐嘅時間會冇症狀、喺幾耐嘅時間會有傳染能力...」噉嘅資訊
 
 隨機揀個人,設定佢惹到隻病
 
 While 場模擬行緊,(3 同 4)
   Foreach 人類個體
     按 mobility model 設定佢嘅位置;
   Foreach 地區
     計出佢有冇受感染嘅人喺入面;
   Foreach 有感染力嘅人類個體 i
     搵出佢身處嗰區入面嗰啲可以受感染嘅個體;
     Foreach 可以受感染嘅個體 j
       按社會網絡計出 j 同 i 密切接觸嘅機率;
       按密切接觸嘅機率同 transmission,計出 j 畀 i 惹到嘅機率;
     
     按 progression 更新 i 嘅狀態(例如由「有感染力」演變成「好返嗮」);
     # transmission 同 progression 入面嗰啲具體數值,可以由打前嘅研究度得知。
   
     上升 1;(5)

班研究者睇過打前嗰啲研究,知道「如果家陣有兩個人密切接觸,當中一個人有隻病,隻病會傳畀另外嗰個人嘅機率」等嘅資訊。然後佢哋就攞咗 2009 年嘅墨西哥 H1N1 爆發嘅數據嚟睇,用手機數據估計啲人嘅移動模型同社會網絡,並且進行模擬,計吓「喺每點時間,會有幾多人惹到隻病」(想像畫幅圖,X 軸做時間 Y 軸做惹到隻病嘅人嘅數量)。佢哋嘅模擬顯示,政府下令限制啲人嘅流動(睇埋 lockdown 嘅概念)令惹到隻病嘅人數下降咗成 10% 咁多[21]。喺呢個過程裏面,班研究者做到[21]「考慮個體人嘅流動同埋人際接觸(微觀因素),估計個群體入面有幾多 % 嘅人惹咗隻病(整體現象)」。

 
2021 年香港一場 lockdown;ABM 研究顯示,好似噉嘅 lockdown 能夠明顯減低惹到隻病嘅人嘅數量。

社科應用 編輯

 
管理學者:家陣班員工辦公室裏面做嘢;佢哋入面發生緊咩事?呢樣嘢會點影響佢哋表現

個體為本社會模擬[e 8]係指用 ABM 研究社會社會科學係研究人類社會嘅科學,包括心理學社會學經濟學呀噉,所以自然會關注「個體人類嘅活動,會點樣引致社會現象?」噉嘅問題[22][23]。社會科學當中嘅 ABM 通常會係用個體人類做個模型當中嘅個體,亦有部份模型會將成個組織當係一個個體噉分析[24][25]

例子可以睇吓重複監犯困境[e 9]相關嘅研究,或者有關工作團隊管理學 ABM 研究[26][27]

例:2018 年火燭疏散 ABM 研究

緊急疏散要點做?」係唔少社會科學家關注嘅一個課題。緊急疏散定義係指「喺一笪地方有危險嘢(例如火燭或者有毒氣體泄漏呀噉)嗰陣,要笪地方嘅人有咁快得咁快移去安全地方」嘅相關工作,對建築設計嘅安全考量嚟講好重要。社會科學家好興用 ABM 研究人緊急疏散嗰陣嘅行為-佢哋會將每個人視為一個個體,當佢哋傾向會按某啲法則郁動,並且行個 ABM 睇吓「如果啲人按噉噉噉嘅法則郁動,佢哋走起火警上嚟會出現點嘅情況」[28][29]

喺 2018 年,有班科學家就做咗份研究,模擬一棟建築物火燭嗰時啲人嘅疏散情況,用 GAMA 平台嚟做模擬,個模型大致係噉嘅[30]:p. 3-7

  個人(evacuee),每個都具有:(1)[30]:Table 2
   位置值
   行為模型,個模型包括「聽到火警鐘響就會開始疏散」等嘅多條法則,仲有搵路演算法教佢郁動
   個值表示生命(potency),如果佢掂到火或者濃煙,生命值會跌,生命值變 0 佢就會死
   個值表示佢走得有幾快(speed)
   如果個人離開咗棟建築物,佢就算係安全
 設   個火頭,每個都具有:
   (初始化嗰陣係隨機設定嘅)位置值
   個值表示佢擴散得幾快(propagation speed)
 設   股濃煙,每個都具有:
   位置值
   會由火度產生出嚟
 設  火警鐘,每個都具有:
   位置值
   一個範圍,一旦有火或者濃煙進入佢嘅範圍,佢就會響
   個持久值,表示個鐘會響幾耐
 
 設  (時間)= 0;(2)
 
 While 場模擬行緊,(3 同 4)
   Foreach 個體(包括人、火頭、濃煙同火警鐘)
     按個個體啲法則,更新佢嘅狀態
     上升 1;(5)
 
一棟建築物嘅平面圖;想像棟建築物入面每個人都係幅平面圖上面嘅一點,識得按某啲法則郁動,噉火燭起上嚟啲人能唔能夠及時逃生呢?

有咗好似上述噉嘅模型,研究者就可以攞住好多唔同嘅建築物平面圖,試行個模型,解答「如果棟建築物嘅設計係噉噉噉,(假設啲人冚唪唥都會跟住啲法則疏散)火燭嗰陣會有幾多人死?」噉嘅問題。然後佢哋仲會同建築師等嘅人員合作-例如想像有班建築師要設計一棟建築物,佢哋諗咗好幾個方案出嚟,跟住就需要決定採用邊個方案;佢哋可以同每個方案都行一次模擬,模擬嗰套方案有幾安全—安全係指火燭嗰陣死得人少,就可以幫手決定「邊套方案比較好」[30]

理論思考 編輯

睇埋:複雜系統創發

理論上,ABM 最大嘅功用係可以用嚟剖析由多個有自主能力嘅個體(睇埋智能體嘅概念)組成嘅複雜系統[31]

响廿一世紀初,好似 ABM 噉嘅電腦模擬係應對複雜系統嘅一種常用技術[32]。如果想像成數學模型(用數學方程式表示啲變數之間嘅關係)嘅話,複雜系統特徵係變數多。而家想像一個得 3 個變數   嘅簡單系統,研究者淨係需要計[33]

time 1: x1, x2, x3
time 2: x1, x2, x3
time 3: x1, x2, x3

... 如此類推,當中 time n 係指「第 n 點時間」,就做到可以大致想像個系統「跟住會點變化」;但想像如果變數嘅數量係(例如)10,000,條數就撈絞到冇可能齋靠人手計-所以科學家研究複雜系統嗰陣,就要用到電腦幫手計數,而 ABM 正正就可以用嚟研究由好多個個體組成嘅複雜系統,包括生態系統社會呀噉。

ABM 裏面嘅個體可以有呢啲特徵[34][35][36]

  • 決策:ABM 個體可以識得各自噉(唔會話由一個集體心靈一嘢操縱嗮)做資訊處理,再按某啲法則做獨自決策,例如睇返上面火燭模擬嘅例子噉,啲個體識得做「if 聽到火警鐘嘅聲,就疏散;否則繼續做自己嘢」噉嘅決策[30];進階啲嘅模型,仲可以教啲個體跟更加複雜嘅法則行事,例子可以睇吓電子遊戲人工智能有限理性方面嘅內容;
  • 個體差異:ABM 入面嘅個體可以好似現實世界嘅生物噉,有個體差異-喺現實世界,人之間可以喺好多方面有差異,例如模擬火燭嗰陣,研究者可以設成唔同人行路嘅速度唔同,而模擬火燭嘅模型需要考慮埋呢點,做出「多數人行路速度,起碼係 x 咁多,但如果有啲人(因為殘障等嘅原因)行路速度慢過 x,佢哋嚟唔嚟得切疏散呢?」噉嘅思考[30];呢點令 ABM 個體有異於(例如)物理學化學粒子-同類嘅粒子之間粒粒都係一個板嘅。
  • 學習:ABM 個體可以好似現實嘅生物噉曉學習-喺編程上,一個個體學習可以想像成「佢內部啲參數起變化」,例如一個個體從來都未學過有關火警鐘嘅嘢,佢可能會唔知「聽到火警鐘響就要疏散」呢點(想像一班幼稚園細路,從來未學過火警鐘嘅嘢),而模擬火燭嘅 ABM 模型有陣時要考慮埋「啲人係咪個個都識火警鐘表示嘅嘢」呢點[37]。睇埋複雜適應系統機械學習嘅概念。

... 呀噉。

公開模型 編輯

AI 概念 編輯

睇埋 編輯

註解 編輯

  1. 呢點令 ABM 當中嘅個體同物理學上成日研究嘅粒子唔同-同一種類嘅粒子粒粒都一個板,但 ABM 裏面嘅個體彼此之間可以有差異。
  2. 廿世紀尾嘅研究表明,齋靠「將人類群體想像成幾個子群體」唔能夠準確噉模擬傳染病嘅傳播。

文獻 編輯

引咗 編輯

篇文用咗嘅行話或者專有名詞英文名如下:

  1. agent / individual
  2. emerge
  3. flocking
  4. ecosystem model
  5. aphid;學名Aphidoidea
  6. 學名:Rhopalosiphum padi
  7. epidemiology
  8. agent-based social simulation,ABSS
  9. iterated prisoner's dilemma

篇文引用咗以下呢啲文獻網頁

  1. Grimm, Volker; Railsback, Steven F. (2005). Individual-based Modeling and Ecology. Princeton University Press. p. 485.
  2. Niazi, Muaz; Hussain, Amir (2011). "Agent-based Computing from Multi-agent Systems to Agent-Based Models: A Visual Survey" (PDF). Scientometrics. 89 (2): 479-499.
  3. 3.0 3.1 Shoham, Yoav; Leyton-Brown, Kevin (2009). Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge University Press.
  4. 4.0 4.1 4.2 Schelling, T. C., (1971). "Dynamic Models of Segregation 互聯網檔案館歸檔,歸檔日期2021年6月5號,. (PDF)," Journal of Mathematical Sociology, 1: 143–186.
  5. Heckbert, S., Baynes, T., & Reeson, A. (2010). Agent‐based modeling in ecological economics 互聯網檔案館歸檔,歸檔日期2021年12月6號,. (PDF). Annals of the New York Academy of Sciences, 1185(1), 39-53.
  6. Beaufils, B., Delahaye, J. P., & Mathieu, P. (1997, July). Our meeting with gradual, a good strategy for the iterated prisoner's dilemma. In Proceedings of the Fifth International Workshop on the Synthesis and Simulation of Living Systems (pp. 202-209). MIT press.
  7. Wallace, H. M., Exline, J. J., & Baumeister, R. F. (2008). Interpersonal consequences of forgiveness: Does forgiveness deter or encourage repeat offenses?. Journal of Experimental Social Psychology, 44(2), 453-460.
  8. Zhang, B., & DeAngelis, D. L. (2020). An overview of agent-based models in plant biology and ecology. Annals of Botany, 126(4), 539-557.
  9. Ch'ng, E. (2011). An artificial life-based vegetation modelling approach for biodiversity research. In Green Technologies: Concepts, Methodologies, Tools and Applications (pp. 418-465). IGI Global.
  10. 10.0 10.1 Reynolds, Craig W. (1987). "Flocks, herds and schools: A distributed behavioral model.". ACM SIGGRAPH Computer Graphics. 21. pp. 25-34.
  11. An, G., Mi, Q., Dutta‐Moscato, J., & Vodovotz, Y. (2009). Agent‐based models in translational systems biology. Wiley Interdisciplinary Reviews: Systems Biology and Medicine, 1(2), 159-171.
  12. Murphy, K. J., Ciuti, S., & Kane, A. (2020). An introduction to agent‐based models as an accessible surrogate to field‐based research and teaching. Ecology and evolution, 10(22), 12482-12498.
  13. 13.0 13.1 13.2 Parry, H., Evans, A. J., & Morgan, D. (2004). Aphid population dynamics in agricultural landscapes: an agent-based simulation model (PDF).
  14. Piper, Ross (2007). Extraordinary Animals: An Encyclopedia of Curious and Unusual Animals. Greenwood Press. pp. 6-9.
  15. Morgan, D. (2000). Population dynamics of the bird cherry‐oat aphid, Rhopalosiphum padi (L.), during the autumn and winter: a modelling approach. Agricultural and Forest Entomology, 2(4), 297-304.
  16. Thornley, J. H., & Newman, J. A. (2022). Climate sensitivity of the complex dynamics of the green spruce aphid—Spruce plantation interactions: Insight from a new mechanistic model. Plos one, 17(2), e0252911.
  17. Hunter, E., Mac Namee, B., & Kelleher, J. D. (2017). A taxonomy for agent-based models in human infectious disease epidemiology. Journal of Artificial Societies and Social Simulation, 20(3).
  18. Barrett, C. L., Bisset, K. R., Eubank, S. G., Feng, X., & Marathe, M. V. (2008, November). Episimdemics: an efficient algorithm for simulating the spread of infectious disease over large realistic social networks 互聯網檔案館歸檔,歸檔日期2022年9月29號,. (PDF). In SC'08: Proceedings of the 2008 ACM/IEEE Conference on Supercomputing (pp. 1-12). IEEE.
  19. Epstein, J. M., Goedecke, D. M., Yu, F., Morris, R. J., Wagener, D. K., & Bobashev, G. V. (2007). Controlling pandemic flu: the value of international air travel restrictions. PloS one, 2(5), e401.
  20. Adam, D. (2020). Special report: The simulations driving the world's response to COVID-19. Nature, 580(7802), 316-319.
  21. 21.0 21.1 21.2 FRIÁS-MARTÍNEZ, E., Williamson, G. & Friás-Martínez, V. (2011). An agent-based model of epidemic spread using human mobility and social network information (PDF). IEEE Conference on Social Computing.
  22. Gallegati, M., & Kirman, A. (2012). Reconstructing economics: Agent based models and complexity. Complexity Economics, 1(1), 5-31.
  23. Stefan, F. M., & Atman, A. P. F. (2015). Is there any connection between the network morphology and the fluctuations of the stock market index?. Physica A: Statistical Mechanics and its Applications, 419, 630-641.
  24. Li, Xiaochen; Mao, Wenji; Zeng, Daniel; Wang, Fei-Yue (2008). "Agent-Based Social Simulation and Modeling in Social Computing". Lecture Notes in Computer Science. 5075/2008: 401-412.
  25. Hughes, H. P. N.; Clegg, C. W.; Robinson, M. A.; Crowder, R. M. (2012). "Agent-based modelling and simulation: The potential contribution to organizational psychology". Journal of Occupational and Organizational Psychology. 85 (3): 487-502.
  26. Fan, X., & Yen, J. (2004). Modeling and simulating human teamwork behaviors using intelligent agents. Physics of life reviews, 1(3), 173-201.
  27. Crowder, R. M., Robinson, M. A., Hughes, H. P., & Sim, Y. W. (2012). The development of an agent-based modeling framework for simulating engineering team work (PDF). IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 42(6), 1425-1439.
  28. Kuligowski, E. D., Peacock, R. D., & Hoskins, B. L. (2005). A review of building evacuation models. Gaithersburg, MD: US Department of Commerce, National Institute of Standards and Technology.
  29. Aguirre, B. E., El-Tawil, S., Best, E., Gill, K. B., & Fedorov, V. (2011). Contributions of social science to agent-based models of building evacuation (PDF). Contemporary Social Science, 6(3), 415-432.
  30. 30.0 30.1 30.2 30.3 30.4 Kasereka, S., Kasoro, N., Kyamakya, K., Goufo, E. F. D., Chokki, A. P., & Yengo, M. V. (2018). Agent-Based Modelling and Simulation for evacuation of people from a building in case of fire. Procedia Computer Science, 130, 10-17.
  31. Crooks, A. T., & Heppenstall, A. J. (2012). Introduction to agent-based modelling (PDF). In Agent-based models of geographical systems (pp. 85-105). Springer, Dordrecht
  32. Winsberg, E. (2001). Simulations, models, and theories: Complex physical systems and their representations (PDF). Philosophy of Science, 68(S3), S442-S454.
  33. Winsberg, E. (2003). Simulated experiments: Methodology for a virtual world (PDF). Philosophy of science, 70(1), 105-125.
  34. Franklin, S., & Graesser, A. (1996). Is it an agent, or just a program?: A taxonomy for autonomous agent. In Proceedings of the Third International Workshop on Agent Theories, Architectures, and Languages (pp. 21-35). Springer.
  35. Epstein, J. M. (1999). Agent-based computational models and generative social science. Complexity, 4 (5), 41-60.
  36. Macal, C. M., & North, M. J. (2005). Tutorial on agent-based modelling and simulation. In M. E. Euhl, N. M. Steiger, F. B. Armstrong & J. A. Joines (Eds.), Proceedings of the 2005 Winter Simulation Conference (pp. 2-15), Orlando.
  37. Holland, J. H. (1995). Hidden order: How adaptation builds complexity. Reading: Addison-Wesley.
  38. Collier, N., & North, M. (2013). Parallel agent-based simulation with repast for high performance computing. Simulation, 89(10), 1215-1235.

編輯