15、基于代理学习的仿真行为实现：以分类器系统为例

基于代理学习的仿真行为实现：以分类器系统为例

1. 引言

在仿真领域，基于代理的模拟为建模者提供了高度的设计自由度，例如支持异质结构和行为、适应性、多层次关系以及复杂的局部决策等。然而，这种高度的自由度也带来了挑战，由于缺乏对可形式化内容的明确约束，建模者很难确定应向特定模型添加哪些功能、需要何种细节程度以及如何处理所有参数。因此，系统的模型设计往往需要经过大量的试错过程，目前基于代理的建模缺乏严谨的建模和自动化原则，也没有通用的构建合理、设计良好模型的蓝图。

为了提高模型设计的自动化水平，一种方法是赋予代理更强的学习和适应能力，让代理在特定环境中自行发展行为。这样，建模者只需指定代理在感知、行动、反馈和环境模型方面的一般能力。使用这种方法的预期优势在于，以代理 - 环境接口和环境模型的形式设置代理行为框架，比生成完整的代理行为更容易。

作为代理设计工具的学习机制需要满足以下要求：
- 适用性 ：学习机制应能够处理复杂的环境模型，通常无需为了应用该机制而简化甚至完全重新表述问题。
- 可解释性 ：该机制应产生能够被人类建模者理解和解释的行为模型，为建模者提供灵感，并解释代理系统中涉及的过程。
- 合理性 ：学习工具中的机制应成熟且易于理解，以便能够合理地解释个体和系统整体行为的出现。

基于这些要求，我们选择了学习分类器系统（LCSs）作为代理学习的工具，并在人群模拟这一典型的基于代理的模拟场景中进行了实验。

2. 模拟环境中的学习代理

代理和多代理学习的研究自分布式人工智能诞