基于agent的建模——地理计算的新发展，本文主要内容关键词为：建模论文,新发展论文,地理论文,agent论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
文章编号：1001-8166(2004)02-0305-07
中图分类号：P91文献标识码：A
20世纪90年代以来，计量地理的研究进入了地理计算(Geo-computation)的时代[1]，强调数学模型与模拟实验并重的理念，包括元胞自动机(Cellular Automata,CA)、人工神经网络(Artificial Neural Network,ANN)、遗传算法(Genetic Algorithm,GA)、人工生命(Artificial Life,A-life)等与复杂性科学相关的理论和方法逐渐被地理研究者认识和应用，并且日益成为当代跨学科研究的热点和前沿。近年来，基于agent建模(ABM)的方法在社会科学研究中逐渐受到重视，基于agent的计算经济学(Agent-based Computational Economics,ACE)、人工社会(Artificial Society)等方面的研究方兴未艾[2-4]。
Agent具有丰富的内涵，其中文名词有“主体”、“智能体”、“代理人”或“结点”等，人工智能的研究者倾向于使用智能体，而在复杂性科学理论中则更多地称之为主体。本文将着重探讨ABM在构建地理系统模型方面的理论和技术问题，同时将ABM与基于方程的连续动力学模型和基于元胞自动机(CA)的离散动力学模型进行比较，分析相互之间的区别和联系，从而体现出ABM在地理空间模拟方面的优势和潜力，最后进—步介绍了ABM在地理科学中的应用进展以及模拟系统的开发问题。
1 基于agent建模的提出
20世纪80年代，有关地理空间演化的理论和动态模型有了长足的发展，以Allen等[5,6]为代表的城市空间动力学模型进一步将许多城市和区域理论的研究成果，诸如集聚经济、市场供求、人口增长、空间相互作用等整合到统一的空间动力学框架中，并且模拟了城市和区域作为自组织系统的空间演化过程，受到广泛重视。以后，随着复杂系统研究的兴起，地理学开始应用复杂性科学的理论和方法来研究和分析地理系统的空间复杂性问题，非线性方程、分形动力学以及近年的CA等诸多领域的研究成果和分析方法为理解和认识地理时空演化的内在机制提供了崭新的思路。特别是作为天然的空间离散动力学模型，CA相对于基于非线性微分方程的空间动力学模型而言，模型的结构和表达比较简洁、自然，在模拟过程中能够动态显示地理空间的演变过程，可视化程度高，灵活性和透明度也比较好，而且是并行计算。CA的特点充分体现了复杂性科学的—个重要观点：局部规则(local rules)导致系统宏观变化(global change)，即有序行为和自组织的出现。Couclelis、Wagner、Batty等[7-9]学者在20世纪80年代都对CA在地理科学领域中的应用潜力从理论上做了比较充分的论述，基于CA的模拟在过去10年间成为利用复杂科学理论探索地理空间演化问题的理想切入点。
以非线性微分方程为代表的空间动力学模型将居住区、商业区及工业区机械地划分，其中的变量如人口密度、就业数量、商品价格、运输费用等基本上是宏观的社会经济指标，其建模策略就是通过各个变量和空间的动态关系来间接地反映空间结构的变化，只考虑系统的宏观特征，而不大处理在现实生活中大量行为个体（家庭、企业等）经常遇到的诸如获取信息、选择、交易以及空间决策等微观过程，也不能体现这些个体在互动互作过程中的学习能力和适应性。而倍受青睐的CA这类离散动力学模型虽然强调了空间的微观相互作用，但能动的微观个体在模型中似乎隔着一层面纱在起作用，空间上某个网格的状态（土地开发、居住模式、商业发展等）仅取决于邻域的状态和转化规则而不是居民、企业以及政府等的直接行为结果。那么，对空间复杂性的研究可否直接考虑模拟地理系统中大量微观能动的、具有适应性的个体的局部决策和相互作用来表达宏观空间结构的自组织过程呢？我们能否通过利用一种工具来直接模拟城市和区域中大量居民、企业等非线性互动互作的社会、经济、空间行为导致的宏观结构的演变过程以及环境、生态、社会等对人口迁移、空间集聚、城市增长等的重要影响呢？从现有的模拟技术来看，答案是肯定的。继20世纪90年代风靡一时的CA之后，基于agent的建模(ABM)也许会成为未来地理计算的主要发展方向之一。
2 基于agent建模的理论线索
从目前的研究趋势来看，关于agent的理论和模型大约有两个大的发展方向：其一是围绕分布式人工智能(Distributed Artificial Intelligence,DAl)展开的各种理论和技术，其二是以复杂适应系统、人工生命等为理论基础的ABM和模拟。
20世纪90年代初Holland和Gell-Mann等[10-12]在多年研究的基础上，提出了关于复杂适应系统(Complex Adaptive System,CAS)比较完整的理论框架，并且用CAS的观点来概括诸如细胞、人脑、免疫系统、生态系统、蚂蚁群以及人类社会中的经济、政党、组织等复杂系统的一般性特征。在CAS中，其成员被称为具有适应性的agent。尽管不同的CAS具有不同的时间尺度，但“适应”可应用于所有的agent，也就是说agent能够与环境以及其它agent相互作用，并在这个过程中“学习”和“积累经验”，还会根据学到的经验改变自身的结构和行为策略。整个系统的演变或进化，包括新层次的产生、分化和多样性的出现，新的聚合而成的或更大的agent的出现等，都是在这个基础上出现的。
ABM汲取的养分还来源于分布式人工智能(Distributed Artificial Intelligence,DAI)，特别是多agent系统(Multi-Agent System,MAS)理论。DAI的研究可以分为两个大的方向，即分布式问题求解(Distributed Problem Solving,DPS)和MAS。DPS的目标是要创建大尺度的协作群体，它们之间共同工作以对某一问题进行求解。MAS的研究涉及到在一组自主的agent之间协调其智能行为、知识、目标以及规划等以便联合起来采取行动或求解问题。我们可以从以下的框图中对ABM的理论背景和技术线索有一个比较完整的把握（图1）。
3 ageat的基本理论和技术
3.1 agent的概念和特性
虽然人们从社会智能、知识处理、拟人性等角度给予了agent不同的定义[13-15]，然而到目前为止学术界尚未给出有关agent的统一而确切的概念。尽管不同领域对agent理解存在一定的区别，但大多数研究者都认为agent是一种实体(entity)，它能够持续、自主地进行操作，具有学习能力并且与其它agent并存和相互作用。从本文所探讨的角度而言，agent代表一种存在于地理空间中的真实或抽象的实体，它们即可以相互作用又可以与环境相互作用，众多agent可以在一个环境中共同生存，每个agent都能够主动、自治地活动，它们的行为是自身感知、推理、决策、学习以及和其它agent、环境互动互作的结果。
一个agent需要具有某些特性，包括能动性(activity)、自治性(autonomy)、相互作用(interaction)、社会性(sociality)、响应性(responsiveness)、持续性(durative)、适应性(adaptability)、可移动性(mobility)等。一些学者还提出agent应具备实时性等，甚至除了以上特性外，还要拥有更为拟人的特性，诸如知识、信念、意图、承诺甚至情感等心智状态。当然，任何一个agent都不大可能具备上述全部的性质，研究者一般会根据研究目的或实际应用的需要，设计和实现相应的机能。
图1 ABM的理论背最和技术线索
Fig.1 The theoretic background and technological clew of ABM
3.2 agent的结构和内部机制
根据人类的智能的层次性，我国的史忠植[16]将agent分为反应agent、认知agent和复合agent等3类。Genesereth[17]和Nilsson曾根据生物的刺激—反应特征原理，提出了关于agent的体系结构。该结构被描述为一个六元组＜S,T,A,see,do,action＞，其中S表示外部世界状态的集合；T是对S的某种划分，描述了系统能够识别的状态；A是活动的集合；see是感知函数，表示为see：S→T，系统是通过see来认识外部世界；action是行为函数，描述为action:T→A，表示在当前状态下系统欲采取的行动；do是效果函数，它可以描述为A和S的笛卡尔积，即do:A×S→S。
在ABM中，如何构造agent的学习模型，体现出agent的知识获取能力和适应性是一个重要的问题。学习能力是智能行为的一个非常重要的特征，虽然至今对学习的机理尚不清楚，人们还是建立许多有关的模型，包括遗传算法(GA)、人工神经网络、增强学习以及归纳学习和分析学习等。值得一提的是Holland等[18]利用分类器系统(classifier system)模拟了一些具有有限推理能力的经济agent。经过演化，这些agent都发展到能根据一个简单商品市场的动向采取行动的程度。1987年，同在SFI访问的经济学家Authur等[19]利用基于遗传算法的分类器系统成功地创建了一个人工证券市场。这个模型允许经济agent在一个相当广泛的、可能的预测集中展开学习，而且具有灵活使用和忽略不同信息的能力。agent所有的交互都是通过学习产生的，没有一个集中的控制者，而整个市场的发展趋势却非常理性，显示出良好的学习效果。
在agent认知过程中的形势评估是对当前所处形势的估计以及对未来形势的预测，这些技术实现手段比较多，主要包括：产生式推理、基于范例的推理、主观Bayes方法、基于效用理论的决策等，其中随机效用模型在地理学中的应用比较普遍。
4 几种典型建模方式的比较
4.1 ABM与基于方程的建模(EBM)
传统上，地理研究者沿用的无论是概念模型还是数学模型，总是习惯于建立起因变量和自变量的某种函数关系，系统在某一个层次的表现（输出）也就自然是在相同层次上寻求一种因果驱动的解释。ABM的理念与传统的思想迥然不同，我们必须更多地考虑系统更低层次上agent的行为规则的变化，agent之间的相互作用（包括联系的方式和强度）甚至agent的适应性函数等。我们关注的是数量众多的各种agent聚集或分散而产生的突现行为，因此ABM内在地表达了系统的层次性。假如我们能够为不同的agent赋予不同的行为频率和时空尺度，那么ABM就在一定程度上表现出EBM几乎无法描述的多尺度性。表1是两种建模方式的对比。
表1 EBM与ABM的比较
Table 1 Contrast between EBM and ABM
EBMABM
层次性 趋向于大量使用宏观的可观察属性，它们往
定义与获取这些可观察属性值相关的agent行为，agent之间的交互成为系
往是系统运行的驱动力量
统运行的驱动力量
动态性 建立系统各主要参数对时间的函数关系
agent的状态属性随时间进程而改变
离散性 大多从宏观角度出发，建立连续方程，但在实 状态空间完全离散，仅在离散时刻由agent本身的运行规则或随机事件驱动
际求解中可能采用离散化方法
随机性 通过引入随机参数或随机项来改变模型的运行 通过蒙特卡洛方法(Mante Carlo)或遗传算法(GA)等
参数分布特性主要根据方程设定和求解
通过agent属性、状态来描述，因此不同类型的agent具有不同的参数分布特性
然而，ABM与EBM存在互补性，并非一种替代或竞争关系。我们在建立地理模型的过程中，没有必要选择一种而抛弃另一种模型方法。如基于非线性微分所建立的空间动力学模型就能够帮助我们辨识系统在比较高层次上的要素和规律，从而启发我们分析系统在低层次上众多个体的行为方式。
4.2 ABM与CA
ABM和CA为我们研究地理系统的空间自组织行为提供了新的模拟思想和建模工具，两者同属于自下而上的建模策略，但仍然存在许多鲜明的差异（表2）。
表2 ABM与CA的比较
Table 2 Contrast between ABM and CA
ABM
CA
面向agent
面向空间元胞(cell)
agent可以在空间（比如二维网元胞个体不能移动，只能通过
格）环境中自由移动
一定的函数规则改变自身及周
边元胞状态
空间可以连续也可以离散 空间离散
多个agent可占据相同的二维 每个网格只能拥有一个特定状
网格结点
态的元胞
能够更好地表现地理系统中经
空间演化的微观本质不直观，
济、社会、生态等的微观相互作
只能通过邻域变化体现
能够表现出经济、空间决策行
不能表达微观agent的学习能
为的学习能力和适应性
力和适应性
从技术上说，ABM比CA更具有开放性，各个领域的知识都能够以规则的形式显示或隐式地表达在agent之中，实现各种专题模型。另一方面，模型还能够集成经济、社会、地理、生态等多学科领域的知识，这样可以使我们在考察空间过程就不仅仅将目光集中在经济维度，而能够更全面地理解和认识复杂系统的演化规律。同时，agent中的规则（知识）可以灵活调整、增删，其知识表达可以是显性的（如产生式系统）也可以是隐性的（如神经元网络），或者利用Holland建立的基于遗传算法的分类器系统等。
4.3 ABM的启示
ABM关注的是地理系统中大量个体间的相互关系，我们可以通过模拟异质性的个体决策者的社会经济以及空间行为来表达宏观空间结构的总量特征。ABM可以使用某种学习算法来模拟agent的有限理性行为，某些非线型的因素，诸如政策、法规的影响也可以显性地模拟出来。因此，ABM强调进化和适应行为，主张非均衡的发展路径，我们必须为个别的决策者建立微观行为模型，并且通过观察大量的微观agent的相互作用来研究宏观上整个区域的空间演化过程。也就是说，ABM需要我们为各种agent设定相互的关联方式及强度，而不是变量之间的因果关系。因此，我们需要了解所模拟的系统中一个agent在t时刻的行为如何影响其它agent在t时刻的行为，或者t+1时刻的行为。
5 基于agent建模的地理学进展
在地理学方面，ABM的雏形要算是Schelling的分隔模型(Segregation Model)[20]。这个由棋盘所模拟的“城市”经历了一个微观互动的自组织过程，充分表明了所谓“从不稳定产生秩序”的原理。Benenson[21]根据居民主体的经济状况、房产价值变动以及文化认同性等模拟了城市空间演化的自组织现象。这一工作具有启发意义，但模型比较简单，并不能完全体现系统演化的本质内涵。Bura等[22]甚至直接将区域划分成若干网格，每一个子区域构建为独立的主体，它们之间依据内置的经济和空间规则，通过区域合作和竞争模拟了城市的起源和等级体系的发展。Otter等[23]利用ABM在探讨居民和企业的微观相互作用机制方面进行了尝试，其结论说明微观层次的空间决策规则可以产生宏观的土地利用模式。Sasaki等[24]将ABM用于古典的杜能模型中，重新诠释了在市场机制下众多农民的集体行为导致同心圆这种空间格局自发地“突现”出来。Ligtenberg等[25]还在空间规划模型中将ABM与CA两者进行整合，由若干规划者(agent)共同进行空间决策，由CA表现空间扩展。Torrens等[26]、Box[27]也都曾探讨过ABM和CA的技术整合问题，看来这是一个发展趋势。目前，英国高级空间分析中心(CASA)正与美国华盛顿大学合作开展SprawlSim研究项目，旨在开发一个虚拟实验环境以探索美国城市蔓延的成因、机制、特性及调控手段，其基本的空间模拟技术强调交通与土地利用模型、ABM、CA、3D可视化等方面的综合集成。
美国桑迪亚(Sandia)国家实验室利用ABM成功地开发完成了一套宏观经济模拟系统ASPEN[28]，其中的企业agent具备了较好的智能，可以通过经验学习改变自己的市场定价策略，遗憾的是该系统忽略了地理空间的重要意义。目前，尚缺乏一个比较完整的多agent模型来模拟地理系统中各种agent互动互作的社会、经济、空间行为导致的宏观空间结构的演变过程。因此，开展社会—经济—生态一体化的多agent模型研究具有十分重要的意义。
6 基于agent建模的模拟平台
为了支持研究者更好地利用ABM模拟和分析复杂系统的演化规律，由人工生命的提出者Longdon倡导，美国圣塔菲研究所(Santa Fe Institute,SFI)于1994年开展了一种支持ABM运行的平台Swarm。这个标准的GNU软件类库包括许多可重用的Objective C的类以支持计算机模拟实验的进程控制、参数调整、数据分析以及图形显示。用户可以更专注于具体研究领域的问题和算法，利用Swarm提供的类库构建基于agent的模拟系统。系统中的各个agent通过离散事件相互作用，相应的调度机制保证了模拟过程中各个时间步骤依次得到执行，并且支持按照随机的序列方式调用各种主体类的多个实例。Swarm在逻辑结构中的两个基本的概念是模型－Swarm(ModelSwarm)和观测员－Swarm(ObserverSwarm)，并且定义了7个核心类库用于模型模拟工作，包括defobj、collection、random、tkobjc、activity、swarmobject和simtools等。前4个是模拟系统支持库，而后3个属于Swarm的专用类库。目前，一些研究者还为Swarm进一步提供了3个重要的库：space（空间库）、ga（遗传算法库）以及neuro（神经网络库），其中空间库专门用于支持开发二维或三维的空间模拟系统。目前作者已经开发了基于Swarm的城市模拟系统UrbanSwarm，旨在探索城市中居民、企业等大量微观行为主体的非线性互作互动而导致的宏观空间结构的突现和演化过程，其研究成果将近期发表。另外，还可以在Swarm环境下利用Linux下的地理信息系统grass或者ArcInfo中的COM机制在GIS中实现基于agent的地理计算模型。
除了Swarm，另一个著名的ABM平台是美国芝加哥大学经济科学实验室开发的Repast，它提供创造模拟环境并运行、显示结果、收集数据的java类库。在很多方面，Repast继承了Swarm的功能。其它一些基于ABM软件还包括MIT的Media Lab开发的StarLogo以及NetLogo等，但功能没有Swarm强大。Swarm、Repast等模拟软件问世以来受到广泛的好评，目前已有几十个国家和地区的研究小组正在构成一个初具规模的研究者共同体，大家在各自不同的领域不断地进行二次开发，同时对系统的各类库不断地补充和完善，并且以此开展各个领域面向实际问题的应用研究。
7 结论
复杂性科学理论指出，复杂系统中大量的微观组分或者说agent之间随时间的推移互动互作能够在系统宏观尺度上突现(emergence)出新的功能和结构。然而传统的模型化方法却很难表现出地理系统宏观与微观之间的这种相互关系。随着模拟方法的进步，ABM为我们提供了一个比较好的技术实现手段，使我们有可能在计算机上建立起一个可控的人工实验环境，从更深层次的微观尺度上对地理系统的宏观演化问题进行模拟和研究。比较而言，ABM更适合于研究地理系统演化的内在机制问题，不过我们相信，整合了ABM、CA、EBM以及GIS的空间模型体系将会促进地理计算在理论和实用方面的进一步发展。
收稿日期：2002-12-23；修回日期：2003-05-09
标签：地理论文; 状态空间模型论文; 地理科学论文; 建模软件论文; 反应动力学论文; 经济模型论文; 系统学习论文; 微观经济论文; swarm论文; 动力学论文; 经济学论文; 系统论论文;