ABM 概述

一．智能体的状态、行为、环境

​ 智能体（Agent）是复杂系统研究中的基本单元，具有自治性、社会性、反应性和预动性等基本特征。智能体定义为能够自主行动并与环境及其他智能体进行交互的实体，这种实体可以是软件程序，也可以是具体的物理实体，如人、车辆或机器人[^1][^2]。

图1 多模态智能体

（一）智能体的本质特征

​ 智能体是具有自适应能力的离散个体，能够评估其环境状态、做出独立决策、执行各种行为，并与其他智能体及环境进行交互。这一定义强调了智能体的适应性和交互性，为理解复杂系统的涌现行为提供了新视角。近年来，多位学者对智能体的本质特征进行了深入研究：

1. 模块性与边界性：智能体的模块性体现在其具有清晰的边界和独特的属性集。这种模块性使得智能体能够作为独立的研究单元，同时又能与其他智能体形成复杂的交互网络[^2][^3]。

2. 自主性与决策能力：智能体的自主性体现在其能够独立做出决策，而不需要中央控制系统的直接干预。这种自主性是产生复杂系统涌现行为的关键因素[^4][^5]。

3. 适应性与学习能力：智能体的环境感知能力、学习与进化能力和策略调整能力，通过经验积累和规则演化不断提升其适应能力[^1][^3]。

（二）智能体的状态

智能体的状态是指其在特定时刻的属性和条件，这些状态决定了智能体的行为和决策。

1. 基础状态

• 身份标识属性：包括唯一标识符（ID）、类别标签等；
• 物理特征属性：包括位置坐标、几何特征、物理参数等；
• 时间属性：包括年龄、生命周期阶段、时间戳等[^1][^3]。

2.功能状态层

• 能力属性：包括行动能力、感知范围、资源获取能力等；
• 资源属性：包括能量储备、物质储备、信息储备等；
• 效用属性：包括适应度、效用函数、目标完成度等[^1][^4]。

3.社会状态层

• 关系属性：包括社会网络连接、影响力指数、信任度等；
• 角色属性：包括社会职能、组织位置、权力等级等；
• 文化属性：包括价值观、信仰体系、行为规范等[^2][^5]。

4.状态更新

​ 状态更新的触发机制可以分为三种主要类型,包括时间驱动更新、事件驱动更新和混合驱动更新。时间驱动更新基于模型的时间步长进行周期性更新，这种方法适用于需要定期评估状态的系统[^6]。事件驱动更新则依赖于特定条件或事件触发状态转换，这种机制能够更灵活地响应环境变化[^7]。混合驱动更新结合了时间和事件驱动的特点，形成一种复合更新机制，能够在复杂环境中有效运作[^8]。

​ 状态转换的约束条件主要包括三类，包括物理约束、逻辑约束和社会约束。物理约束如能量守恒和空间限制，确保智能体在执行任务时遵循自然法则。逻辑约束涉及状态之间的依赖关系和互斥关系，这些关系影响智能体的决策过程[^9]。社会约束则包括规范限制和角色要求，反映了智能体在社会环境中的行为规范[^10]。

​ 在状态动态性研究中，状态演化具有明显的时间特征，包括短期波动、中期调整和长期演进。短期波动通常由即时交互和随机因素导致，而中期调整则源于学习和适应过程，长期演进则与系统结构变化密切相关。此外，状态之间的相互依赖关系也不可忽视，包括内部依赖（不同状态变量之间的耦合关系）、外部依赖（状态与环境条件的响应关系）以及交叉依赖（状态与其他智能体状态的关联关系）。

（三）智能体的行为

​ 智能体的行为是其在环境中所采取的行动，这些行动既可以是对环境变化的响应，也可以是执行特定任务的结果。智能体的行为决策过程由三个关键要素构成：信息获取与处理、决策规则体系以及行动执行机制。

​ 首先，信息获取与处理涉及智能体如何感知环境并处理信息。感知机制包括环境信息的采集和筛选，认知处理则是对这些信息的解释和整合，而记忆机制则负责经验的存储和提取[^11][^12]。智能体通过传感器收集环境数据，并利用内部模型来分析这些数据，形成对当前状态的理解。这一过程使得智能体能够在复杂环境中做出及时而有效的决策。

​ 其次，决策规则体系是智能体在行为选择时所依据的框架。理性决策规则基于效用最大化原则，启发式决策规则则依赖于经验进行简化决策，而情感决策规则则考虑智能体的情感状态来指导直觉决策[^13][^14]。这种多样化的决策规则使得智能体能够在不同情境下灵活应对，优化其行为。

​ 最后，行动执行机制包括行动规划、资源调配和结果评估。行动规划涉及行为序列的设计与优化，资源调配则关注行动资源的分配与使用，而结果评估则是对行动效果的监测与反馈[^15][^16]。通过这些机制，智能体不仅能够实施计划，还能根据反馈不断调整其策略，以适应环境变化。

​ 在此基础上，智能体还具备行为适应与学习机制，这使其能够在复杂环境中不断优化自身行为。个体学习机制包括试错学习、规则归纳和模型学习。试错学习允许智能体通过尝试不同的行为并观察结果来进行学习，这类似于人类和动物自然学习过程[^10][^17]。规则归纳使得智能体能够从经验中提取一般性规则并应用于新情境，而模型学习则帮助智能体建立内部模型，以预测环境变化并进行有效规划。

​ 此外，社会学习机制同样重要，包括模仿学习、交互学习和集体学习。模仿学习通过观察其他成功智能体的行为来快速获得有效策略，交互学习通过信息交换促进知识共享，而集体学习则强调群体智慧，通过整合个体知识形成更高效的行为策略[^11][^12]。

​ 综上所述，通过这些适应与学习机制，智能体能够灵活调整自身行为，提高适应能力和决策水平，从而更好地实现其目标和功能。

（四）智能体的环境

​ 智能体的环境是指智能体所处的外部世界，包括物理环境和虚拟环境。智能体通过传感器感知环境，并通过执行器对环境产生影响。在传染病模拟中，智能体的任务环境可以用PEAS框架表示，即性能度量（Performance Measure）、环境（Environment）、执行器（Actuators）和传感器（Sensors）。性能度量是智能体行为成功的客观指标，环境则是智能体周围的工作条件，执行器是智能体产生结果的设备，而传感器则是智能体观察和感知环境的工具。

1.环境系统的构成要素

（1）物理环境层:在传染病模拟中，物理环境层包括空间结构和资源系统两个要素。

• 空间结构：城市的人口密度、建筑布局和交通网络等因素影响人群的移动和接触模式。例如，离散空间可以表示为城市的街区或小区，而连续空间则可以考虑为开放区域，如公园或广场。混合空间则结合了这两种形式，以更好地模拟复杂的城市环境[^18][^19]。

• 资源系统：在疫情期间，资源的获取与分布至关重要。可再生资源如医疗物资和疫苗分配，以及不可再生资源如医院床位，都需要考虑其空间和时间分布。例如，在疫情高峰期，某些地区可能会出现医疗资源短缺，而其他地区则相对充足[^20][^21]。

（2）信息环境层:信息环境层涉及信息的获取与传播。

• 信息结构：局部信息包括个体在特定区域内获取的健康状态信息，全局信息则是通过公共卫生系统共享的数据，如感染率和疫苗接种率。隐含信息可能需要通过智能体之间的交互才能获取，例如，个体对周围人群健康状况的判断[^22][^23]。

• 信息传播机制：在疫情中，信息传播至关重要。直接传播可以通过社交媒体或公共广播进行，而间接传播可能涉及通过医疗机构发布的信息。此外，噪声干扰如错误的信息传播会影响公众行为和政策执行[^24][^19]。

（3）社会环境层:社会环境层反映了制度和社会网络。

• 制度结构：正式制度包括政府发布的健康政策和防疫措施，如强制佩戴口罩、限制聚集等；非正式制度则包括公众对这些政策的接受度和遵守情况，这些因素直接影响疫情控制效果[^21][^22]。

• 社会网络：网络拓扑结构决定了个体之间的接触频率与传播路径。在疫情期间，社交网络的动态变化会影响病毒传播速度。例如，某些社交活动可能导致高风险接触，从而加速病毒扩散[^20][^18]。

2.环境智能体交互机制

（1）资源交互机制:在传染病模型中，资源交互机制包括资源获取和资源影响。

• 资源获取：智能体可能面临竞争机制，例如多个个体争夺有限的核酸检测点或疫苗接种名额。同时也存在合作机制，如社区成员共同组织疫苗接种活动，以提高接种率[^24][^21]。

• 资源影响：直接影响指的是个体在获取医疗资源后对健康状况的改善，而间接影响则可能是由于医疗资源不足导致社区传播风险增加。累积影响则是长期资源利用对公共卫生系统的整体效果，如持续监测与疫苗接种对疫情控制的长期贡献[^18][^19]。

（2）信息交互机制:信息交互机制在传染病背景下尤为重要，包括信息获取和信息反馈。

• 信息获取：智能体可以通过主动探索，例如参与社区健康调查来获取最新疫情信息；被动接收则包括从政府或媒体自动获取的信息。此外，通过社会学习，个体可以从他人处获知有效防护措施，如如何正确佩戴口罩或进行社交距离管理[^22][^23]。

• 信息反馈：即时反馈可以来自于个人健康状况变化后的自我评估，而延迟反馈则可能涉及长期行为效应，例如在实施某项公共卫生政策后观察到感染率变化。间接反馈则是通过社区成员之间的信息交流获得，例如邻里之间分享健康状况或防疫经验[^20][^24]。

​ 通过上述分析，可以看出，在传染病模拟中，智能体与其环境之间存在复杂而动态的交互关系。这些关系不仅影响个体行为，也决定了整个社会对于疫情控制措施的响应与效果。

（五）智能体三要素的整合机制

​ 智能体的三要素整合机制是理解复杂系统中行为和状态变化的重要框架。根据Anderson（1972）在其经典论文《More Is Different》中提出的涌现性原理，智能体的状态、行为和环境之间存在紧密的耦合关系。在传染病的智能体建模中，这种耦合关系尤为重要，因为它直接影响到疾病传播的动态特征和控制策略的有效性。

1.状态行为耦合:在传染病模型中，状态对行为的影响可以通过以下几个方面来理解：

• 能力约束：智能体的健康状态（如易感、感染或康复）决定了其行为能力。例如，感染者可能会限制自己的社交活动，以避免传播病毒，而易感者则可能更积极地寻求疫苗接种或检测服务[^25]。
• 动机驱动：智能体的状态会影响其行为选择倾向。例如，在疫情高峰期，感染风险高的个体可能更倾向于遵循防疫措施，如佩戴口罩和保持社交距离，以降低感染概率[^26]。
• 策略调整：随着状态的变化，智能体会调整其行为策略。例如，当社区内疫情得到控制时，个体可能会逐渐恢复正常活动，但仍保持一定的防护意识，如定期检测和接种疫苗[^27]。

反过来，行为也会改变状态：

• 直接改变：个体执行某些行为（如接种疫苗或进行核酸检测）可以立即改善其健康状态，从而影响整个群体的感染率[^27]。
• 累积效应：持续的防疫行为（如遵守社交距离）可以逐步降低社区内的传播率，促进整体健康水平的提升[^24]。
• 跃迁效应：关键行为（如实施全面封锁或大规模疫苗接种）能够触发状态的质变，例如将疫情从快速传播转变为有效控制[^25]。

2.行为环境耦合:环境对智能体行为的影响同样显著：

• 机会约束：环境条件（如医疗资源的可用性或公共卫生政策）限制了智能体的行为选择。例如，在医疗资源匮乏的地区，个体可能无法获得及时的检测和治疗，这直接影响其健康决策[^26]。

• 资源依赖：智能体在执行防疫措施时依赖于环境中的资源，例如口罩、疫苗和检测点。这些资源的分配和可及性决定了个体能否有效地参与到防疫行动中[^27]。

• 信息引导：环境中的信息（如疫情通报、公共卫生建议）指导着智能体的行为决策。及时、准确的信息能够促使个体采取适当的防护措施，从而降低感染风险[^25]。

​ 同时，智能体的行为也会对环境产生影响：

• 物理改变：个体通过遵循防疫措施（如佩戴口罩、保持社交距离）直接改变了周围环境中的病毒传播动态，从而影响整体疫情发展[^24]。

• 信息标记：个体在社会网络中的行为留下信息痕迹，这些信息可以被其他个体感知并影响他们的决策。例如，某些人群中流行的信息（如疫苗效果）可以影响更多人的接种意愿[^26]。

• 结构重构：群体行为变化（如大规模接种活动）可以改变社会结构，例如通过提高免疫率来减少病毒传播途径，从而重塑社区健康状况[^27]。

​ 综上所述，智能体三要素之间存在复杂而动态的耦合关系。在传染病建模中，这种关系不仅影响个体和群体层面的决策与行为，也决定了疫情控制策略的有效性。理解这些耦合机制有助于制定更为有效的公共卫生干预措施，以应对未来可能出现的新兴传染病挑战。

图2 元胞自动机的组成 图3 二维元胞自动机的三种网格划分（根据李才伟，1997） 图4 二维元胞自动机 图5 三维的元胞自动机模型 图6 凝聚扩散模型

二．智能体模型的历史与发展

（一）一般理论的历史与发展

​ 智能体模型的理论根源可以追溯到20世纪40年代末期。von Bertalanffy（1968）在其著作《General System Theory》中提出的一般系统论，为智能体模型的发展奠定了重要的理论基础。他强调系统的整体性原理，认为系统不仅仅是部分之和，而是具有层次性结构和特定目标的有机整体。这一思想影响了后续智能体模型中对系统性思维的构建[^28]。

​ 在控制论领域，Wiener（1948）的开创性工作提出的信息传递和反馈控制原理，为理解智能体之间的交互机制提供了基础框架[^29]。Ashby（1956）进一步发展了自组织原理和适应性调节机制，这些概念成为智能体模型中的核心要素[^30]。

​ 20世纪70年代，分布式人工智能的发展为智能体模型注入了新的活力。Hewitt（1977）提出的Actor模型开创了并发计算的新范式，通过消息传递机制实现了分布式控制[^31]。此后，Holland（1975）提出的复杂适应系统理论引入遗传算法，为智能体的学习和进化机制提供了具体实现方法[^32]。

​ 进入90年代，Epstein和Axtell（1996）提出的Sugarscape模型开创了“生成式社会科学”的研究范式，通过自下而上的建模方法研究社会现象的涌现过程。这一时期，Wilensky（1999）开发的NetLogo平台降低了建模门槛，使得智能体建模技术在教育和研究领域得到广泛应用[^33]。

​ 进入21世纪后，智能体模型的发展更加注重标准化和规范化。Grimm等（2006）提出的ODD协议显著提高了模型的可重复性和可比较性。此外，多范式整合与新技术引入，如大数据分析和机器学习，扩展了模型的应用范围[^34]。

（二）传染病智能体模型的历史与发展

​ 传染病智能体模型的发展始于20世纪90年代，当时研究者开始意识到传统流行病学模型在处理复杂人群动态时的局限性。最初，这些模型主要基于宏观层面的统计数据，而缺乏对个体行为及其相互作用的深入理解。

​ 1997年，Vespignani等人首次将智能体建模应用于流行病传播研究。他们通过模拟个体之间的接触模式，展示了如何利用智能体模型来预测疾病传播路径。这一开创性的工作为后续研究奠定了基础，使得研究者能够更好地理解个体行为如何影响疾病传播[^35]。

​ 随着计算能力的提升和建模工具的发展，2000年代初期，许多基于智能体的方法被应用于流行病学。例如，Ferguson等（2006）使用智能体模型模拟流感疫情，并评估不同干预措施（如疫苗接种和社交距离）的效果。这些研究表明，通过考虑个体行为，可以显著提高流行病学模型对疫情动态的预测能力[^36]。

​ 进入2010年代后，随着大数据技术的发展，传染病智能体模型得到了进一步增强。研究者们开始整合社交网络分析、地理信息系统（GIS）以及机器学习等技术，以提高模型的精确度和适应性。例如，在COVID19疫情期间，多项研究利用智能体模型实时模拟病毒传播，并评估政策干预效果，为公共卫生决策提供支持。

​ 未来，随着计算技术和数据分析能力的持续进步，传染病智能体模型将更加精细化，并能够实时响应疫情变化。这将有助于公共卫生部门制定更有效的干预策略，以应对未来可能出现的新型传染病挑战。

三．智能体模型的应用前景研究

​ 智能体模型在公共卫生与医疗系统中的应用，尤其是在传染病传播模拟和疫情防控决策中，发挥了至关重要的作用。新冠疫情的全球大流行进一步凸显了这一点。这些模型通过模拟个体行为和社交网络，能够准确预测疫情传播趋势并评估防控措施的效果。

1.传染病传播模型的构建

​ 以Ferguson等（2006）为例，他们利用智能体模型模拟流感疫情，分析不同干预措施（如疫苗接种和社交距离）的效果。在这一模型中，研究者定义了个体行为规则，例如感染者在特定条件下选择隔离或寻求医疗帮助，而易感者则根据周围环境和信息决定是否接种疫苗。这些规则基于历史数据和流行病学理论，使得模型能够反映现实世界中的复杂动态。具体而言，个体行为规则可能包括以下几个方面：

• 感染者行为：感染者在感染后会根据症状严重程度选择是否隔离。例如，轻症感染者可能选择居家观察，而重症感染者则寻求医疗帮助。
• 易感者行为：易感者会根据社区内的疫情信息（如确诊病例数量、政府公告等）决定是否接种疫苗或采取其他防护措施。
• 社交网络影响：个体的决策受到其社交网络中其他成员行为的影响。例如，如果周围朋友都选择接种疫苗，个体更可能也会选择接种。

2.模拟结果分析与实际数据比较

​ 模拟结果的分析通常涉及与实际疫情数据的比较。研究者通过对比模型预测的感染曲线与实际感染曲线，可以评估模型的准确性和有效性。例如，在王金恺等（2020）的研究中，他们构建了一个城市级结构化疫情预测和仿真模型（CSPE），该模型通过真实地理数据进行多层级划分，并与武汉市的实际疫情数据进行对比，结果显示其预测准确性较高[^37]。

​ 这种验证过程为政策制定提供了科学依据，使得决策者能够基于模拟结果调整公共卫生策略。例如，通过比较不同干预措施下的模拟结果，决策者可以识别出最有效的策略，从而优化资源配置和干预时间。

3.关键干预措施的考虑

​ 针对关键的干预措施，如疫苗分发策略和封锁政策，智能体模型通常会考虑多种情境。在疫苗分发策略中，模型可以模拟不同分发方案（如优先接种高风险人群与普通人群），并评估其对整体免疫覆盖率和疫情控制的影响。例如，通过模拟不同优先级接种策略下的人群免疫水平变化，研究人员能够为公共卫生部门提供合理的疫苗分发建议[^27]。

​ 在封锁政策方面，模型可以分析不同封锁强度和时长对传播速度和医疗资源需求的影响。研究表明，通过调整封锁政策的实施时间和强度，可以显著降低病毒传播率并减轻医疗系统负担。这些分析使得智能体模型成为公共卫生部门制定应对措施的重要工具。

​ 智能体模型不仅能够帮助理解传染病传播机制，还能为公共卫生部门提供实用的决策支持工具，以应对未来可能出现的新型传染病挑战。通过精确建模个体行为、社交网络及其相互作用，这些模型为有效控制疫情提供了科学依据。

图7 新冠疫情传播的ABM模型示意图

​ 除了公共卫生与医疗系统外，智能体模型在社会科学、经济金融、城市规划与交通管理、生态环境管理等领域也展现出广泛应用前景。 在社会科学领域，Epstein（2007）指出，智能体模型通过“自下而上”的建模方法揭示社会现象的涌现机制[^38]。在经济金融系统中，Farmer和Foley（2009）强调智能体模型在理解市场微观结构方面的重要性[^39]。城市规划方面，Batty（2019）探讨了智能体模型在城市发展动态模拟中的应用[^40]。 生态环境管理中，智能体模型被用于研究气候变化对生态系统的影响。随着技术的发展，智能体模型还在数字孪生技术、社会机器人与人机交互以及可持续发展规划等新兴领域展现出潜力。 例如，在数字孪生技术中，通过与物联网结合，智能体模型能够实现物理系统的实时映射和预测性分析，为智能制造和基础设施维护提供支持。 在人机交互领域，这类模型帮助开发更自然的人机交互系统，从而提升用户体验[^41]。

图8 三个基础ABM模型

​ 然而，传染病智能体模型的未来发展趋势将受到多种因素的影响，包括技术进步、数据可用性和公共卫生需求的变化。随着大数据、人工智能和生物制造等新兴科技的快速发展，智能体模型在传染病防控中的应用将变得更加广泛和深入。

（1）数据驱动的建模与实时监测

​ 未来的传染病智能体模型将更加依赖于实时数据和大数据分析。通过整合来自医疗机构、公共卫生部门和社交媒体的数据，模型能够实时更新并反映疫情动态。例如，温州市的智能监测预警系统通过云计算技术，能够实现对不同传染病趋势的实时分析，并在满足特定条件时自动发出预警[^42]。这种实时监测能力将使得公共卫生决策者能够迅速响应疫情变化，从而提高防控效果。

（2）个体行为模拟的精细化

​ 随着对人类行为理解的深入，未来的智能体模型将更加精细化地模拟个体行为。这包括对个体在不同情境下的决策过程进行建模，例如在疫苗接种、社交距离和隔离措施中的行为选择。研究表明，通过引入更复杂的个体行为规则，可以显著提高模型的预测准确性[^40][^43]。例如，刘涛等（2022）提出了一种基于小世界网络的多智能体传染病时空传播模型，该模型能够更好地捕捉个体流动和接触模式，从而提升疫情传播模拟的精度[^21]。

（3）多层级结构与空间因素的整合

​ 未来的传染病模型将更加注重多层级结构与空间因素的整合。传统模型往往忽略了人口分布和地理位置对病毒传播的影响，而新兴研究则开始关注这些因素。例如，CSPE（城市级结构化疫情预测和仿真）模型通过将研究区域划分为社区层级，结合宏观信息进行预测，以提高建模精度。这种方法能够更准确地反映不同地理区域内疫情的发展，为地方政府制定针对性的防控策略提供支持。

（4）政策干预模拟与评估

​ 智能体模型将在政策干预模拟与评估中发挥越来越重要的作用。未来研究将集中于如何通过模型评估不同防控措施（如疫苗分发策略、封锁政策等）的效果。例如，通过模拟不同疫苗分发方案，研究人员可以分析其对整体免疫覆盖率和疫情控制效果的影响[^44]。此外，模型还可以用于评估政策实施后的社会经济影响，为决策者提供全面的信息支持。

（5）人工智能与机器学习的结合

​ 随着人工智能和机器学习技术的发展，未来的传染病智能体模型将能够更好地处理复杂的数据集并进行预测。这些技术可以帮助识别潜在的传播模式、优化资源配置，并提高决策支持系统的效率。例如，在上海疫情期间，基于大数据与人工智能的平台为科学决策提供了支持，展示了新技术在公共卫生领域的重要应用前景[^44]。

​ 综上，传染病智能体模型在未来的发展中，将不断融合新技术与新方法，以提高其在公共卫生领域中的应用价值。这些进展不仅将增强对传染病传播机制的理解，还将为公共卫生部门提供更有效的决策支持工具，以应对未来可能出现的新型传染病挑战。

参考文献

1. 翟雪松, 季爽, 焦丽珍, 朱强, 王丽英. 基于多智能体的人机协同解决复杂学习问题实证研究[J]. 浙江大学教育学院, 2024.
2. 教育智能体的发展历程、应用现状与未来展望[J]. 天津师范大学, 2022.
3. 王雪, 等. 教育智能体如何影响学习者情绪与学习效果？——基于国内外39篇实验或准实验研究文献的元分析[J]. 现代教育技术, 2022.
4. 二阶线性多智能体网络平均一致问题研究[J]. 国家自然科学基金, 2024.
5. 开放环境下的协作多智能体强化学习进展综述[J]. 南京大学LAMDA实验室, 2024.
6. CSDN博客. 强化学习–稀疏奖励与约束处理原创[EB/OL]. (2023) [2024-01-13]. https://blog.csdn.net/qq_45889056/article/details/1304035.
7. CSDN博客. 多智能体强化学习—QPLEX 原创[EB/OL]. (2023) [2024-01-13]. https://blog.csdn.net/weixin_42985452/article/details/124072896.
8. 科学网. 群视角下的多智能体强化学习方法综述[EB/OL]. (2023) [2024-01-13]. https://wap.science.net.cn/blog-3472670-1422698.html
9. 自动化学报. 基于多智能体强化学习的博弈综述[J]. 2024.
10. 深空探测器多智能体强化学习自主任务规划[J]. 2024.
11. 通过强化学习对受状态约束的多智能体系统进行事件触发的最优遏制[J].
12. 李艺春, 刘泽娇, 洪艺天, 王继超, 王健瑞, 李毅, 唐漾. 基于多智能体强化学习的博弈综述[J]. 自动化学报.
13. 53AI. 重塑认知科学中的“行为”理解，提升智能体决策能力[EB/OL]. (2024) [2024-01-13]. https://www.53ai.com/news/LargeLanguageModel/2024060619835.html
14. AI百科知识. 什么是智能体（Agents）[EB/OL]. (2024) [2024-01-13]. https://ai-bot.cn/what-is-agents/
15. 百度智能云. 多智能体强化学习中的智能体决策机制[EB/OL]. (2024) [2024-01-13]. https://cloud.baidu.com/article/3372754.
16. CSDN博客. 策略：指导智能体行为的决策方案原创[EB/OL]. (2023) [2024-01-13]. https://blog.csdn.net/2301_76268839/article/details/138360782
17. 飞书文档. 智能体如何做出决策并采取行动？[2024-01-13]. https://docs.feishu.cn/v/wiki/WUZtXzNciwF1SkWlhc4Gwtnoe/aj
18. 支付宝开放平台. 利用智能体模型进行自动化决策[EB/OL]. (2024) [2024-01-13]. https://open.alipay.com/portal/forum/post/191079
19. 深空探测器多智能体强化学习自主任务规划[J]. 2024.
20. 自动化学报. 多智能体强化学习控制与决策研究综述[J]. 2024.
21. 基于小世界网络的多智能体及传染病时空传播模拟[J]. 科学通报, 2021.
22. 城市化对传染病传播影响的动态模拟——以英国南安普顿市为例[J]. 地理学报, 2021.
23. CN102129363A - 呼吸道社区传播疾病时空建模与模拟系统[P]. 2010.
24. 复杂动态系统智能理论与方法研究内容[R]. 2021.
25. 全球重大突发传染病智能化主动监测预警系统[J]. 2021.
26. 对沙特阿拉伯传染病传播影响的仿真建模[EB/OL]. (2021) [2024-01-13]. https://www.anylogic.cn/resources/case-studies/infectious-disease-modeling-in-saudi-arabia/
27. 刘涛等. 基于GIS新冠智能体仿真模型及应用——以广州市为例[J]. 地球信息科学学报, 23(2), 297-306.
28. 考虑个体运动的SIS传染模型研究[R]. 国家自然科学基金委, 2009.
29. “非常规突发事件应急管理研究”重大研究计划结题综述[R]. 北京：国家自然科学基金委员会, 2018.
30. 基于多层耦合网络的舆情传播控制研究 - 系统仿真学报. (2021).
31. 全球重大突发传染病事件演化规律建模 - 公共卫生事件与舆情事件相互诱导研究[J]. 2021.
32. 冯·贝塔兰菲，L. 一般系统理论：基础、开发、应用[M]. 乔治·巴西勒出版社, 1968.
33. 维纳，N. 控制论：或动物和机器中的控制和通信[M]. 麻省理工学院出版社, 1948.
34. 阿什比，WR. 控论导论[M]. 威利.
35. 休伊特，C. 计算的参与者模型：可扩展的稳健信息系统[M].
36. 荷兰，JH. 自然和人工系统的适应[M]. 密歇根大学出版社, 1975.
37. 爱泼斯坦，JM 和阿克斯特尔，R. 不断增长的人工社会：自下而上的社会科学[M]. 麻省理工学院出版社, 1996.
38. 美国维伦斯基（1999 年）. NetLogo：多代理模拟环境[M].
39. Vespignani，A. 等人（1997 年）. 对传染病在代理人群体中的传播进行建模[J]. 理论生物学杂志.
40. Ferguson, NM 等人（2006 年）. 缓解流感大流行的策略[J]. 自然界.
41. Ferguson, N. M., et al. (2006). Strategies for mitigating an influenza pandemic[J]. Nature.
42. 王金恺, 等. (2020). 城市级新冠肺炎(COVID-19)疫情预测和仿真模型[J].
43. Liu, T., et al. (2022). 基于小世界网络的多智能体传染病时空传播模型[J].
44. Epstein, J. M. (2007). Generative Social Science: Studies in Agent-Based Computational Modeling[M]. Princeton University Press.
45. Farmer, J. D., & Foley, D. (2009). The economy needs agent-based modeling[J]. Nature.
46. Batty, M. (2019). The New Science of Cities[M]. MIT Press.
47. Grimm, V., et al. (2020). A standard protocol for describing individual-based and agent-based models[J]. Ecological Modelling.
48. Kahn, L., et al. (2024). Digital Twin Technology: Applications and Future Directions[J].
49. Breazeal, C., & Scassellati, B. (2002). Challenges for the development of social robots[J]. Interaction Studies.