用python编译ABM（Agent-basedmodeling）模型简介

⽤python编译ABM（Agent-basedmodeling）模型简介

掌中万维⽤python编译ABM（Agent-based modeling）模型简介

ABM（Agent-based modeling）是⼀种⽤来模拟具有⾃主意识的智能体（独⽴个体或共同体，例如组织、团队）的⾏动和相互作⽤的计算模型，通过图像展⽰和评估智能体在系统整体中的作⽤。

⼀个ABM模型是⼀个计算机模拟系统，包括以下的要素 :

⼀定数量的智能体agents (属于⾃定义模型的⼀部分)

⼀定数量的智能体之间的关系

⼀个模拟智能体的⾏为和互动的框架

ABM模型的优点之⼀就是易于编译，并相对简单。使⽤基于对象的编译语⾔(OOP)，将代码分类成不同的对象，每个对象具有不同的功能，且每个对象是基于⼀个模板“类”。因此从每个类可以创建多个对象，并改变其内在状态使其具有不同的功能。这种编程语⾔尤其适合ABM模型，在ABM模型中，我们使⽤Agent class来表⽰类，并创建不同属性的Agents。

⼀个典型的ABM模型有以下部分组成：

Agentframework

⼀个agent class（类）表⽰agent的状态和属性（名字，年龄，位置，等等），以及⼀部分可运⾏的代码来指定agent的运动规则。这部分代码被定义为agent的⽅法，被写在定义agent的类中。例如，⼤多数具有位置变量的agent通常会有move的⽅法或函数。在模型运⾏时会移动agent的位置。

下⾯是⼀个agent框架的简单⽰例：

import random

#定义agent 类

class Sheep():# 使⽤ __init__函数来初始化模型

'''

⽺随机移动，吃草（环境），和其他⽺互动

常州技术师范学院

'''

#self 作为对象的初始参数

def __init__ (self, x, y, environment,agents, neighbourhood):

self.x = x #x,y坐标

self.y = y

self.store = 0

self.agents = agents #agents 列表

#使⽤randint函数创建⼀系列0到300的随机整数

if x == None:

self.x = random.randint(0,300)

else:

self.x = x

if y == None:

self.y = random.randint(0,300)

else:

self.y = y

#使agent根据⼀个随机地数字移动

def move(self):

if random.random()< 0.5:

self.x =(self.x + 1) % 300

else:

self.x =(self.x - 1) % 300

if random.random()< 0.5:

self.y =(self.y + 1) % 300

else:

self.y =(self.y - 1) % 300

def eat(self): #和环境互动（⽺吃草）

vironment[self.y][self.x]> 10:

self.store += 10

#和相邻agent交换信息

def share_with_neighbours(self,neighbourhood):

for agent in self.agents:

dist = self.distance_between(agent)#调⽤ distance_between if dist <= ighbourhood: #当距离⼩于等于neighborhood

sum= self.store + agent.store

ave =sum /2

self.store = ave #将值保存在self.store

agent.store = ave

print("sharing " + str(dist) + " " + str(ave))#to test sharing #计算当前agent和相邻agent的距离

def distance_between(self, agent):

功放摩机

return(((self.x - agent.x)**2)+((self.y - agent.y)**2))**0.5

Model

⼀个Model class模型类调⽤agent的函数来使他们⾏动。通常我们会使agent们移动⼀定的次数，然后停⽌运⾏并观察模型的状态。或者可以定义⼀个模型停⽌运⾏的条件，使模型运⾏直到某⼀条件达到

满⾜。

有上⾯两个⽂件⾜以组成⼀个简单的agent based model，agent将会依据⾃⾝定义的⾏动规则来⾏动，但⽬前它们不会进⾏互动。为了使agent互动，通常情况下会在ABM模型中设置某种环境，可以是简单的数组，或是计算机⽹络等。每个agent也会包含⼀部分能够与其互动的agent列表（neighbors），可以是全体agent，也可以是⼀部分临近位置的agent列表。

下⾯是简单模型⽰例：

import matplotlib

matplotlib.use('TkAgg')

import random

import operator

import numpy as np

import matplotlib.pyplot

from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg, NavigationToolbar2Tk

import agentframework

import requests磁卡原理

import bs4

import matplotlib.animation as animation

import tkinter

#变量初始化

num_of_agents = 10 #初始化agent的数量

num_of_wolves = 3

num_of_iterations = 50 #i初始化迭代次数

agents =[]#创建空列表

neighbourhood = 20# #初始化neighbourhood个数

#读取环境数据（可以是栅格数据）

f = open("in.txt")

environment=[]#设置空列表写⼊环境数据

for row in f:

parsed_row = str.split(row,",")#按照","分隔数据

rowlist =[]#设置新⾏

for value in parsed_row:

rowlist.append(float(value))#将字符串转化为浮点型数据

environment.append(rowlist)#将rowlist加⼊环境

f.close()

#初始化agent数据

r = ('⽹络数据来源，可以是⽮量点要素，⾯要素等')

#使⽤request获取⽹络数据

content = r.text

soup = bs4.BeautifulSoup(content, 'html.parser')#使⽤ bs4

td_ys = soup.find_all(attrs={"class":"y"})

聂华苓简介td_xs = soup.find_all(attrs={"class":"x"})

r.close

# 创建 fig和ax变量来进⾏动画展⽰

fig = matplotlib.pyplot.figure(figsize=(7, 7))

ax = fig.add_axes([0, 0, 1, 1])

龙摄天下摄影团carry_on=True

# 添加sheep类的对象

for i in range(num_of_agents):#遍历所有agent

y = int(td_ys[i].text)#将x,y坐标值赋给agent

x = int(td_xs[i].text)

agents.append(agentframework.Sheep(x, y, environment,agents, neighbourhood))

#定义update函数来进⾏可视化

def update(frame_number):

fig.clear()

global carry_on

for i in range(num_of_agents):

agents[i].eat()

agents[i].move()

agents[i].share_with_neighbours(neighbourhood)

#画出agent的散点图和环境

for i in range(num_of_agents):

matplotlib.pyplot.xlim(0, 300)

matplotlib.pyplot.ylim(0, 300)

matplotlib.pyplot.imshow(environment)

matplotlib.pyplot.scatter(agents[i].y,agents[i].x,color="white")

#print(agents[i].x,agents[i].y)

#定义模型的停⽌

def gen_function(b =[0]):

a = 0

global carry_on

while(a < num_of_iterations)&(carry_on):

yield a

a = a + 1

def run():# 定义运⾏模型的函数

animation = matplotlib.animation.FuncAnimation(fig, update, frames=gen_function, repeat=False) canvas.draw()

root = tkinter.Tk()

root.wm_title("Model")

canvas = matplotlib.backends.backend_tkagg.FigureCanvasTkAgg(fig, master=root)

canvas._tkcanvas.pack(side=tkinter.TOP, fill=tkinter.BOTH, expand=True)

menu_bar = tkinter.Menu(root)

model_menu = tkinter.Menu(menu_bar)

menu_bar.add_cascade(label="Model", menu=model_menu)

model_menu.add_command(label="Run model", command=run)

tkinter.mainloop()

本文发布于:2024-09-21 17:40:12，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/452396.html

上一篇：数据分析--分类与回归模型（一）

下一篇：『开发』网页端展示深度学习模型Gradio上手教程

标签：模型对象数据智能具有定义

留言与评论（共有 0 条评论）