9、多智能体社会模拟在社会服务设计中的应用与实践

多智能体社会模拟在社会服务设计中的应用与实践

1. 疏散计划模拟

在疏散计划模拟方面，我们使用 OACIS 的 Ruby API 实现了 NSGA - II。对于底层的遗传算法（GA），采用“模拟二进制交叉”和“多项式变异”来创建新一代，并使用帕累托排序进行选择。

当行人可以使用人行道和主干道时，实验结果如图 3 所示。横轴表示计划复杂度（总熵乘以 100），纵轴表示疏散时间，每个点的颜色表示相关的代数。从结果可以看出，随着 GA 的推进，疏散计划不断改进，疏散时间收敛到约 3000，计划复杂度收敛到约 2100。为了最小化疏散时间，需要选择复杂度约为 2200 的稍复杂计划，若进一步简化计划，疏散时间将从约 3000 急剧增加到 7000。并且，最合理的计划位于帕累托前沿的左下方。

当人们只能使用人行道时，结果如图 4 所示。此时，疏散时间的下限增加到 4500，但计划复杂度与前一种情况相似。图 3 和图 4 都表明，多目标优化的行人模拟可以清晰地展示选择疏散计划时的权衡关系。

这些权衡关系的特点因区域特征而异。例如，在西淀川区，结构形成相对尖锐的“L”形，这意味着我们可以关注图的左下方区域来找到合理的疏散计划。但对于不同的区域，可能会有不同的结构。如图 5 所示，帕累托前沿的形状更圆润，这就需要更仔细地考虑疏散计划的简单性和有效性之间的权衡。在某些区域，可能还需要引入额外的避难所来避免这种权衡。

以下是疏散计划模拟的关键步骤总结：
1. 使用 OACIS 的 Ruby API 实现 NSGA - II。
2. 采用“模拟二进制交叉”和“多项式变异”创建新一代，用帕累托排序进行选择。
3. 根据实验结果分析疏