英语原文共 27 页，剩余内容已隐藏，支付完成后下载完整资料
6.4 Repast人工生命模型
Repast已被用于各种人工生命应用。从传统的人工生命建模到社会系统仿真，都有大量的应用。选定的示例领域包括使用Repast来为人工生态系统建模、为多尺度生物系统建模和为人工社会建模。
6.4.1 人工进化与生态系统
对进化和生态系统建模有许多紧迫的原因。根据Wilke和Adami的说法[50]:
从历史上看，进化生物学一直是一门观察和理论科学。进化机制的实验验证是一项具有挑战性的工作，原因有以下几点:大多数生物体的世代相对较长;在确定重要参数方面存在困难，例如突变率或适应度值;进化中固有的巨大差异导致了平均值的统计意义很差。
Padgett, Lee和Collier的超循环模型使用Repast结合分析方法来研究复杂的相互关联的生产和消费系统的自催化协同演化[35]。超循环模型被用来研究自适应系统中经济的生产和消费的出现[35]。长期目标是对现实生产和消费系统(如文艺复兴时期的佛罗伦萨)中发现的关键特征进行建模[36]。模型如图6.9所示。
图6.9 Padgett, Lee和Collier的Repast超循环模型
超循环模型有三个组件[35]：
1. 产品在整个超循环世界中使用和交换。
2. 将产品转换为其他产品的规则。
3. Agents使用规则将产品转换为其他产品。
超循环世界是一个具有摩尔曲面细分的二维环面。摩尔曲面细分网格化创建了一个笛卡尔网格，这样每个顶点都有8个邻居。每个顶点上都有一个Agent。该Agent可以与它的八个邻居交换产品，或者将产品发布到外部环境。
规则和产品最初是在整个超循环世界中随机产生的。在每一个步骤中，Agents都要检查他们的规则，以确定他们能否将自己的产品转化为其他产品。如果可以的话，他们就会进行转化。然后，新产品被转发到Agent的八个邻居中随机选择的Agent。任何不能转化的产品都被排斥到外部世界。
在超循环模型中，规则在承载能力的约束下产生和消亡。用于转化产品的规则会被另一条被认为是准确的规则所改变。这些准确的规则允许改变。承载能力约束要求规则总数保持不变。因此，产生新规则的代价是牺牲其他随机选择的规则。随机选择的规则被扼杀并从世界上移除。最终，规则不断的消失导致一些Agents失去了所有规则。耗尽规则的Agent就会死亡并退出超循环世界。
Kampis和Gulyas正在用Repast来研究进化的出现[25-27]。他们正在利用Repast研究“如何在一个人工系统中产生持续进化”[26]。他们表示[27]：
我们利用Repast包开发了一个基于agent的仿真模型。生物体是根据其在变长数组中描述的性状，选择性地进食、繁殖和死亡的Agents。随着生物体不断的适应，新的性状集扩展了数组，因此，选择可以在交互的定义属性之间自动切换。目的是开发功能上不相交的子种群，专门使用不同的属性集。最近报道了第一个成果，显示产生新的选择效应的渐进进化的可能性，作为体现的因果原则的例证。
密歇根大学的里Riolo目前正在重现Holland Echo系统，并对其进行扩展[23, 40]。目标是使用Repast实现“Holland Echo系统,用它来重现Bedau等人的实验。是否无限的进化发生在Echo中，并且研究基本系统的变化如何影响其支持无限进化的能力(例如，如Bedau等人的措施所定义的那样)”[4, 40]。
图6.10 Repast J中的Sugarscape
６.４.２ 人工社会
Repast用于一系列的人工社会模拟。Repast部分实现了Epstein和Axtel的Sugarscape模型，如图6.10所示[16]。Sugarscape最初是使用Ascape ABMS工具包实现的[38]。在 Sugarscape 中, '基本的社会结构和群体行为产生于在人工环境中运行的Agent在规则下的交互, 这些规则只对每个Agent的信息和计算能力提出了有限的要求'[16]。
Suagrscape是一个由简单Agent组成的复杂模型。Agents生活在一个简单的环形世界里，这个世界被以不同速度生长的不同数量的甘蔗所覆盖。这些Agents具有糖类代谢速度、速度、视觉、糖类积累量等多种特性。Agents根据简单的规则生活，这些规则使他们在他们的位置收集糖，燃烧他们积累的糖，然后移动到他们的视力范围内糖分含量最高的区域。如果两个拥有足够糖分的Agent居住在同一地点，那么它们就可以繁殖。这个新Agents生来就具有父母的多种特质，并获得了一些父母的糖分。模型的不同版本包括多种外部因素，如污染、简单的社会身份、社交网络、战斗、信贷和疾病。Sugarscape成功地再现了各种社会结果，如财富分配的倾斜，如图6.10所示。
Axelrod正在利用Repast研究消费者的选择。他在适应性组织反应方面的一些其他工作在概念上也与这项研究工作有关[2]。Agents是消费者，Agents所在的环境是市场。Agents寻求最大化他们福利的可用选择。
芝加哥大学法学院的Picker利用Repast研究了社会规范的内生以及将选定的规范具体化为法律[39]。在他的内生社区和规范(ENN)模型中，每个Agent都是一个人。Agents所在的环境是agents交互的平台。这些Agents根据他们使用这些社会规范获得成功的概率来采用或改变这些规范。成功本身取决于对基本规范的采用程度。
Cederman正在利用Repast来研究国家的形成和民族主义运动[8]。在他的Repast模式中，每个Agent代表一个国家。国家可以与其他国家结盟。国家也可以试图在战斗中入侵和击败邻国。代理Agent的环境是一个网格，其中包含了可变数量的资源。
Dibble正在利用Repast研究技术和人类定居模式的空间效应。她的Agent是人，他们可以传播周围环境的各种东西，包括疾病、资源和信息。agent环境一般是由规则环组成的“小世界”图，由用少量随机连接边缘修改的规则环组成[51]。
帕克正在使用Repast来研究土地利用和土地利用变化[37]。Parker和Najlis的模拟土地利用依赖于边缘效应外部性（SLUDGE）和相关的SluGIS模型模拟抽象或真实地理区域中单个土地的使用。根据地块本身的自然特征，如大小、可达性等，模拟土地利用随时间而变化; 各地块周围土地的当前使用情况;以及内生或外生资源需求。SluGIS模型如图6.1所示。
Brantingham正在利用Repast研究古人生产的石器工具[7]:
石器组合多样性性被认为是一种可靠的自适应变异性指标。原材料的丰富性、运输距离和运输技术的特点被认为是信号（1）原料选择的变化取决于原料的质量和丰度，（2）优化从空间分散的来源采购石材的时间和能源成本，（3）规划深度，将原材料采购纳入采购活动，（4）风险最小化，即运输的材料数量和形式都非常经济，而且不太可能发生故障。本文摒弃了原物料种类和丰度在流动组织和原物料采购策略中起重要作用的假设。相反，一个行为中立的基于Agent的模型被开发，涉及一个觅食者在一个统一的环境中进行随机移动。模型中的原材料采购仅依赖于随机遇到的石材资源和移动工具包中的可用空间。
Brantingham报告说，Repast模型“丰富度-样本量关系，原材料转移频率作为距离源的函数，以及数量-距离和还原强度-距离关系在定性上与通常观察到的考古模式相似”[7]。这一成功使Brantingham获得了一些有趣的发现，其中包括“旧石器时代的行为适应有时对石器原料类型之间的差异并不像当前考古学理论所暗示的那样作出反应的可能性”。
6.4.3 人工生物系统
许多教育机构现在正在使用或使用Repast进行教育或研究。这些机构包括芝加哥大学，密歇根大学，爱荷华州立大学，瑞士苏黎世联邦理工学院，伊利诺伊理工学院和哈佛大学。特别是芝加哥大学是Repast的发源地。教育用途通常侧重于为学生提供实验环境，用于复杂系统的实验，并指导学生使用基于代理的建模概念。研究工作包括
Repast正被用于研究一系列的人工生物系统。Repast系统本身包含简单的Hexabugs模型，如图6.3所示[41]。Hexabugs模型中有一些Agents可以将不同程度的热量释放到扩散空间中。每一种Agents都有其独特的温度偏好。随着时间的推移，这些Agents向温度更接近其理想温度的区域移动。在偏好和热输出方面的简单调整可以导致聚类(图6.11，左)或agent的正向移动前沿(图6.11，右)的出现。在图中，Agents位置由突出显示的点表示。
在图6.11中，随着时间的推移，集群大致稳定，而运行前沿从上到下向前移动。
图6.11 具有聚类(左)和向前移动(右)的RepastJ Hexabugs模型。
俄亥俄州立大学医学院和公共卫生外科的Folcik和Orosz正在使用Repast来模拟人体免疫系统的抗病毒反应[17]。他们表示
免疫系统是复杂适应系统的一个主要例子，其中单个细胞遵循基于信号检测和与环境中其他细胞接触的行为规则。我们使用Repast软件框架创建了人类抗病毒免疫反应的模拟。基于Agents的模拟包括三个窗口，其代表具有被病毒感染的薄壁组织的通用组织部位，具有可被激活以对抗病毒感染的细胞的淋巴结位点，以及携带响应的免疫细胞和抗体的外周血。回到感染部位。该模拟使用七种药剂类型和二十种信号来代表实质细胞，B细胞，T细胞，巨噬细胞，树突细胞，自然杀伤细胞和病毒，以及这些细胞使用的促炎和抗炎细胞因子，趋化因子和抗体。彼此沟通。存在的Agents的数量以及存在的信号的数量和类型取决于Agent类型遵循的增殖规则和细胞因子的释放。Agents具有各种状态，从一个窗口迁移到另一个窗口，并根据其行为规则生存或死亡。
Folcik和Orosz正在利用他们的模型“探索复杂自适应系统中形成的agent行为模式，评估信息在响应演化过程中如何用于决策，以及开发生成和评估模拟器数据的方法，这些数据可用于识别当前使用的临床和实验工具的优缺点”。
North和Macal正在使用Repast J在多个同时尺度上模拟大肠杆菌(E. coli)的趋化性。趋化性是指向特定的化学物质或化学物质类移动或远离的生物学过程[5]。大肠杆菌的趋化性是生物信息处理中最典型的例子之一。在细菌趋化过程中，细胞外的信息通过信号转导网络在细胞内转化为有用的信息。信号转导网络使细胞能够对环境变化作出反应和适应。这些信号转导网络具有重要的科学意义，因为它们具有在大多数复杂生物系统中发现的关键特性。作为多尺度建模体系结构的一部分,AgentCell模拟使用Stochism模型来表示化学反应在分子水平上[32]。
AgentCell模型模拟细菌化学受体的化学性质，受体信号对细胞运动的影响以及细胞运动对种群分布的影响。AgentCell模拟单个大肠杆菌细胞内过程与细胞群行为之间的关系。每个AgentCell细胞是一个独立的Agent配备自己的趋化网络，马达，鞭毛。
游动细胞通过鞭毛在三维空间中推进，如图6.12左上角所示。当大部分鞭毛逆时针旋转时，鞭毛形成束状，细菌顺利前进;当电机顺时针旋转时，细菌会不规律地翻滚，如图6.12左下角所示。翻滚使细胞轨迹随机化。控制翻滚的数量允许细菌种群通过各自游向引诱剂或远离驱避剂来进行趋化，如图6.12的右侧所示。
AgentCell模型是在微软Windows和Linux下的个人电脑上开发的。AgentCell随后被迁移到Argonne的350节点Argonne“Jazz”Linux计算集群，没有进行任何实质性的修改。共模拟2000个细胞，每个细胞12万个时间步长。在Jazz集群上模拟花费了60个小时。每个时间步长代表10毫秒。在执行这项工作期间，Argonne Jazz集群是世界上最强大的250个计算集群之一。
图6.12 细菌结构（左上），细菌运动（左下）和群体对刺激的反应（右）
通过模拟1000多种大肠杆菌在没有引诱剂的环境中沿引诱剂线性梯度运动时的集体趋化行为，验证了AgentCell模型的有效性。按一定的时间间隔记录所有细胞的位置和方向。在每个细胞内，还记录了马达、鞭毛、受体的状态以及参与趋化网络的蛋白质的活性。模拟结果重现了Korobkova等人提出的单个大肠杆菌细胞中观察到的重要统计特征[15,28]。
单个单元的示例轨迹如图6.13所示。
25个细胞的小群体的轨迹如图6.14所示。
图6.13 单个细胞的运动轨迹
图6.14 25个细菌的模拟轨迹
6.5 总结
人工生命专注于“在计算机、机器、分子和其他替代介质中从零开始合成类似生命的行为”[29]。人工生命扩展了“生物学的经验研究视野，超越了目前我们所知的生命所局限的领域”，从而提供了“进入生命本来可以存在的领域”的途径。基于Agent的建模和仿真用于创建计算实验室，这些实验室可以复制实际或可能的复杂自适应系统的选定的真实或潜在行为。基于主体的模型可以通过揭示“可能存在的生命”的交替形式，以“我们所知的生命”的形式来逃避历史的偶然。Repast是一个免费的开源代理建模工具包。Repast的特性直接支持Holland三属性四机制复杂自适应
全文共6392字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[2579]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
