Agents.jl简介

Agents.jl是一个用纯Julia语言编写的agent-based modeling (ABM)框架。Agent-based modeling是一种计算机仿真方法,通过定义自主agent的行为规则来模拟复杂系统的涌现行为。作为一个开源项目,Agents.jl由JuliaDynamics组织开发和维护,旨在为研究人员和开发者提供一个简单、高效、功能丰富的ABM工具。

Agents.jl Logo

Agents.jl的主要特点包括:

高性能:比MASON、NetLogo或Mesa等其他ABM框架更快
简单易用:学习曲线短,只需编写少量代码
功能丰富:提供了数千个开箱即用的agent行为接口
支持OpenStreetMap:可以直接在真实地图上进行仿真
灵活的时间演化:支持离散时间和基于事件队列的连续时间仿真

Agents.jl的核心组件

Agents.jl将ABM仿真结构化为三个主要组件:

AgentBasedModel实例
Space空间实例
AbstractAgent的子类型,用于定义agent

AgentBasedModel

AgentBasedModel是整个仿真模型的核心,它包含了agents、空间结构、调度器以及其他模型级属性。创建一个AgentBasedModel实例的基本语法如下:

model = AgentBasedModel(AgentType, space; 
                        scheduler = fastest,
                        properties = nothing)

其中:

AgentType是自定义的agent类型
space是空间实例,如GraphSpace、GridSpace或ContinuousSpace
scheduler决定了agents的激活顺序
properties可以添加额外的模型级属性

Space空间

Agents.jl提供了多种空间选项,主要分为离散空间和连续空间:

离散空间:

GraphSpace:基于任意图的空间
GridSpace:网格空间,可以是任意维度

连续空间:

ContinuousSpace:连续的N维空间

不同的空间类型适用于不同的建模场景,开发者可以根据需求选择合适的空间结构。

Agent定义

在Agents.jl中,所有的agent必须是AbstractAgent的可变子类型。一个典型的agent定义如下:

mutable struct MyAgent <: AbstractAgent
    id::Int  # 必须的id字段
    pos::Int  # 位置字段,类型取决于空间
    # 其他自定义属性
    weight::Float64
    status::Symbol
end

agent类型必须包含id字段,pos字段的类型取决于所选的空间类型。开发者可以根据建模需求添加其他属性。

模型演化与数据收集

步进函数

Agents.jl使用步进函数来定义模型的演化规则。通常需要定义两种步进函数:

agent_step!函数:定义单个agent的行为
model_step!函数:定义整体模型的变化

步进函数的基本结构如下:

function agent_step!(agent, model)
    # 定义agent的行为
end

function model_step!(model)
    # 定义模型级的变化
end

运行模型

使用step!函数来运行模型:

step!(model, agent_step!, model_step!, n)

这将使模型演化n个时间步。

数据收集

Agents.jl提供了强大的数据收集功能,通过run!函数可以在模型运行过程中收集数据:

agent_data, model_data = run!(model, agent_step!, model_step!, n;
                              adata = [:property1, :property2],
                              mdata = [:model_property])

adata和mdata参数指定了需要收集的agent级和模型级数据。

Agents.jl的应用示例

Agents.jl可以应用于各种复杂系统的建模,以下是一些典型的应用场景:

社会科学模型:如Schelling's segregation model
流行病学模型:如SIR模型
生态学模型:如捕食者-猎物模型
经济学模型:如财富分配模型
物理学模型:如粒子系统

以Schelling's segregation model为例,这是一个经典的社会科学ABM模型,用于研究种族隔离现象。使用Agents.jl实现该模型的核心代码如下:

using Agents, Random

@agent SchellingAgent GridAgent{2} begin
    mood::Bool
    group::Int
end

function initialize_model(; num_agents_per_group=370, griddims=(20, 20), min_to_be_happy=3)
    space = GridSpace(griddims, periodic = true)
    properties = Dict(:min_to_be_happy => min_to_be_happy)
    model = ABM(SchellingAgent, space; properties)
    
    for n in 1:(2*num_agents_per_group)
        agent = SchellingAgent(n, (1, 1), false, n ≤ num_agents_per_group ? 1 : 2)
        add_agent_single!(agent, model)
    end
    return model
end

function agent_step!(agent, model)
    minhappy = model.min_to_be_happy
    count_neighbors_same_group = 0
    for neighbor in nearby_agents(agent, model)
        if neighbor.group == agent.group
            count_neighbors_same_group += 1
        end
    end
    if count_neighbors_same_group ≥ minhappy
        agent.mood = true
    else
        agent.mood = false
        move_agent_single!(agent, model)
    end
end

model = initialize_model()
step!(model, agent_step!, 5)

这个例子展示了如何使用Agents.jl定义agent、初始化模型、设置agent行为规则以及运行仿真。