基于主体的系统动力学——混合多层模拟
- 提出者
- Borshchev, A. & Filippov, A. (hybrid formalization); Sterman, J. D. (system dynamics foundation)
- 年份
- 2000s
- 类型
- Hybrid simulation model
- 类别
- Simulation / optimization
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
基于主体的系统动力学(AB-SD)是一种混合模拟范式,它将微观层面的基于主体的建模(ABM)与宏观层面的系统动力学(SD)存量-流量结构相结合。这使得研究人员能够在单一连贯的模型中捕捉涌现的个体行为和反馈驱动的聚合动态,这对于复杂的社会经济和流行病学系统尤其有价值。
方法背后的直觉
一些现实世界的系统无法仅通过ABM或SD来充分捕捉。ABM擅长表示做出局部决策的异质行为体,但在跨越数百万实体有效地扩展反馈回路方面存在困难。SD优雅地捕捉了聚合反馈回路,但牺牲了个体层面的异质性。AB-SD弥合了这一差距:主体(人、公司、车辆)遵循行为规则,这些规则直接影响——并受到影响——宏观层面的存量和流量,如人口规模、资源可用性或感染流行度。两个层面在每个时间步长进行通信,产生任一范式都无法独立生成的动态。
历史学
系统动力学由Jay Forrester于20世纪50-60年代在麻省理工学院正式提出。基于主体的建模在20世纪90年代随着Swarm和NetLogo等平台的出现而成为主流。明确的混合方法即基于主体的系统动力学,在21世纪初得到阐述,特别是Borshchev和Filippov(2004年),并在流行病学、供应链研究和社会模拟中得到广泛应用。
何时使用
当您的研究问题同时跨越多个分析层面时,请使用AB-SD——例如,个体行为异质性如何影响群体层面的流行病、市场动态或资源枯竭级联效应。它非常适合政策分析,其中干预措施作用于微观层面(例如,行为助推),但结果在宏观层面(例如,GDP、疾病负担)进行衡量。当您的系统在单一尺度上清晰运行时,请勿使用它(纯SD足以解决聚合反馈问题;纯ABM足以解决缺乏聚合反馈的、交互丰富的微观问题)。如果计算时间受到严重限制,或者层面之间的耦合理解不充分,请避免使用AB-SD,因为错误指定的接口可能产生虚假的涌现模式。
局限与注意事项
- 比纯ABM或纯SD模型开发和验证的努力要大得多。
- 耦合决策(哪些变量跨越接口,频率如何)需要领域专业知识,并可能引入人为痕迹。
- 计算成本随主体种群规模而增加,使得大规模模型在没有并行化的情况下运行缓慢。
- 过度复杂化的风险:混合结构可能会模糊因果机制,而不是阐明它们。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 捕捉单一范式模型所忽略的跨尺度反馈,从而实现更丰富、更真实的动态。
- 在有效表示聚合反馈回路的同时,保留主体异质性(年龄、收入、偏好)。
- 在一个框架内支持个体和系统层面的政策分析。
- 在商业模拟平台(AnyLogic、NetLogo扩展)中得到广泛支持,降低了实施门槛。
- 可以在微观层面(主体轨迹)和宏观层面(存量轨迹)独立进行验证。
应用
- 流行病学建模:主体代表具有异质接触模式的个体;SD跟踪疾病类别(S、I、R)和医疗保健能力。
- 供应链管理:主体模拟公司的订购决策;SD代表聚合库存和生产流量。
- 城市规划与交通:主体模拟通勤者;SD捕捉道路容量、污染累积和土地利用反馈。
- 能源系统:主体代表采用可再生能源的家庭;SD模拟电网容量、电力价格和二氧化碳存量。
- 金融市场:具有行为偏差的主体进行交互;SD跟踪聚合信贷存量、资产泡沫和监管缓冲。
使用方式
使用方式
定义模型的两个层面:宏观层面(代表聚合数量的SD存量和流量,如易感/感染/康复人群或资本存量)和微观层面(代表具有状态变量、决策规则和交互协议的个体实体的代理)。决定哪些现象属于每个层面。
构建系统动力学层:识别存量S(t)、流量F(t)和辅助变量。编写微分方程dS/dt =流入-流出。使用领域知识或历史数据对速率常数和反馈回路进行参数化。
定义主体属性(例如,年龄、收入、健康状况)和控制转换、交互和移动的行为规则。指定聚合SD变量(例如,资源稀缺性、感染率)如何作为环境信号进入主体决策逻辑。
建立双向耦合:聚合主体统计数据(例如,平均主体状态、某类主体的数量)输入SD流量方程;SD存量值反馈给主体环境变量。同步更新计划,使两个层面在每个时间步长一致前进。
在模拟范围内执行混合模型。在每一步:更新主体状态,聚合主体输出,更新SD存量/流量,将SD输出广播回主体。通过校准(参数拟合)、敏感性分析和样本外测试来验证与经验数据的符合性。报告宏观存量的时间轨迹和主体结果的分布。
常见陷阱
- 设计不佳的接口可能导致反馈不稳定,或在层面之间引入意外的重复计算效应。
- 将宏观SD层仅仅视为平均值的容器,会忽略混合模型的价值:真正的SD反馈回路必须在结构上得到表示。
- 仅使用聚合数据对混合模型进行校准可能会掩盖微观层面的错误指定;应在两个层面进行验证。
- 假设将两个已验证的子模型结合起来就能自动得到一个有效的混合模型——涌现的耦合效应需要单独验证。
常见问题
AB-SD与纯粹的随机系统动力学模型有何不同?
随机SD向流量方程添加噪声项,但所有实体仍然是聚合的;AB-SD显式模拟个体主体,其异质决策共同决定流量,从而实现聚合噪声无法复制的涌现。
哪些软件工具原生支持基于主体的系统动力学?
AnyLogic是最广泛使用的平台,提供内置的ABM和SD库以及耦合机制。Vensim可以通过协同仿真与外部ABM引擎链接;Repast Simphony允许在主体行为中嵌入SD方程。
我应该何时使用基于主体的离散事件模拟?
当宏观行为更好地由队列和事件序列(例如,患者流经诊所)而不是连续反馈存量来表征时,选择基于主体的离散事件模拟。当宏观反馈回路(例如,资源再生、流行病势头)是研究问题的核心时,AB-SD更可取。
如何处理两个层面的时间步长同步?
一种常见的方法是共享离散时间步长,在此步长中,主体首先更新,计算其聚合统计数据,集成SD方程(例如,欧拉法或龙格-库塔法),并将更新后的存量值广播回主体。步长必须足够小,以避免SD层面的积分误差并捕捉相关的主体动态。
AB-SD是否适用于小种群(少于100个主体)?
对于非常小的种群,随机变异占主导地位,聚合SD存量可能变得不稳定或无意义。运行多次重复实验,并在应用混合方法之前考虑SD存量是否真正代表稳定的聚合数量。
相关方法
参考文献
Borshchev, A., & Filippov, A. (2004). From system dynamics and discrete event to practical agent based modeling: Reasons, techniques, tools. In Proceedings of the 22nd International Conference of the System Dynamics Society. Oxford, UK.
打开出版物文献已复制。Sterman, J. D. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. McGraw-Hill, Boston.
ISBN:9780072311358已复制。