复杂系统学习（六）：细胞自动机II：实现一个模型

小羊和小何

已于 2022-06-03 19:07:02 修改

阅读量1k

点赞数

分类专栏：复杂系统建模文章标签：学习

于 2022-05-06 17:22:24 首次发布

本文链接：https://blog.csdn.net/Abner98414/article/details/124602137

版权

复杂系统建模专栏收录该内容

10 篇文章 38 订阅

订阅专栏

1. 引言

2. 模型的实现

3. 应用：Lotka-Volterra

3.1 Lotka-Volterra模型的CA版本

1. 引言

细胞自动机的局限性，不能够直接分析行为。

本节的目的是：

认识到在实现CA模型时需要做出的一些关键决策
理解基于ODE模型指定CA模型所涉及的步骤
欣赏模型设计的创造性方面

2. 模型的实现

空间

我们需要思考的问题有：

空间是如何表现的？
agent 如何在空间中定位？

并且需要考虑：

离散与连续的空间
单个与多个 cells 占用
proximate 与 long-range 的相互作用

时间

我们需要考虑的问题有：

时间是如何体现的？
事件的顺序如何影响行为？

并且需要考虑：

每个单元的状态被更新的顺序

系统的每个组件都会同时更新吗？（同步更新）
还是一次一次地更新？(异步更新)
如果是异步更新，这些组件将以什么顺序被更新？

离散时间与连续时间

离散：检查每个时间步长会发生什么。
连续：接下来会发生什么事件，何时发生？

信息

我们需要考虑的问题有：

组件（cells / agents）使用什么信息？
它们是如何获得的？

并且需要考虑：

变量的范围：global、cell（patch）、agent（turtle）。
如何访问和修改这些变量
感知的（空间）范围：随着范围的扩大会发生什么？(即，什么是邻域？）

状态更新

我们需要考虑的问题有：

更新是确定性的还是随机性的？
这个决定如何影响行为？

并且需要考虑：

一个组件的未来状态是否将由其当前的输入、环境等唯一指定？(确定性更新)
还是会涉及一些随机性？(随机更新)

3. 应用：Lotka-Volterra

Lotka-Volterra模型：

猎物（兔子）： $\frac{dR}{dt}=\alpha R-\beta RF$
捕食者（红狐狸）： $\frac{dF}{dt}=\delta RF-\gamma F$

参数：

$\alpha$ $=$ 兔子数量的增长率
$\beta$ $=$ 狐狸捕食（吃）兔子的速度
$\delta$ $=$ 狐狸种群的增长率
$\gamma$ $=$ 由于死亡和迁移导致的狐狸种群的衰减率

3.1 Lotka-Volterra模型的CA版本

我们不是直接对每个人口的规模（宏观变量）进行建模，而是明确表示每个个体，然后观察（测量）人口的规模。

空间：

我们将在一个二维规则格子（网格）上表示每个个体的位置，而不是假设我们的种群混合得很好。
我们将做一个新的假设，即在任何时间点上只有一只动物可以占据一个网格空间。

时间：

我们将使用离散的时间步骤，而不是连续处理时间。

信息：

我们将假设每个动物个体只知道它的近邻。

状态更新：

我们的二维格子中的每个单元将取三个值中的一个：

$x_{i,j}=\left\{\begin{matrix} 0 & if\, site\, (i, j)\, is\, empty \\ 1&if\, site\, (i, j) \, contains\, a\, rabbit \, (prey) \\ 2& if \, site\, (i, j)\, contains \, a\, fox\, (predator) \end{matrix}\right.$

更新规则：

从我们的格子中随机挑选一个单元（A）。

随机选择A的一个邻居（B）。

更新如下：

如果A包含一只兔子，B是空的，那么，在概率为α的情况下，兔子会繁殖，B现在包含一个新的兔子——猎物繁殖

如果A中有一只狐狸，B中有一只兔子，或者如果A中有一只兔子，B中有一只狐狸，那么兔子被吃掉的概率为 $\beta$ ；并且，如果发生这种情况，以概率 $\delta$ ，原先含有兔子的细胞现在含有新的狐狸——猎物死亡和捕食者繁殖

如果A中有一只狐狸，而B为空，那么狐狸死亡的概率为 $\gamma$ ——捕食者死亡

如果A是空的，而B包含一只狐狸或一只兔子，那么相邻的动物就会从B移动到A——动物移动

4. 应用：流行病

SIR疾病模型：

$\frac{dS}{dt}=-\beta SI$
$\frac{dI}{dt}=\beta SI-\gamma I$
$\frac{dR}{dt}=\gamma I$

状态变量：

$S$ $=$ 目前易受感染的人口比例
$I$ $=$ 目前具有传染性的人口比例
$R$ $=$ 目前已康复的人口比例
注：因此， $S+I+R=1$

参数：

$\beta$ $=$ 易感者和传染者之间的有效接触率
$\gamma$ $=$ 感染者的康复率

4.1 SIR疾病模型的CA版本

我们不是直接测量每个疾病区间的人口比例（宏观变量），而是明确表示每个个体，标记他们当前的疾病状态，然后观察（测量）每个状态的人口比例。

空间：

我们不是假设我们的种群是很好的混合，而是将每个个体的位置表示在一个二维规则格子（网格）上。
我们将作出新的假设，即一个人同时占据一个网格单元，而且人们的位置在一段时间内是固定的（即他们不会移动！）。

时间：

我们将使用离散的时间步骤，而不是连续处理时间。

信息：

最初，人口中的一部分p是有传染性的，其余的人口是易受感染的。

4.1.1 SIR疾病模型的第一版CA

状态更新：

我们的二维格子中的每个单元将取三个值中的一个：

$x_{i,j}=\left\{\begin{matrix} 0 & if\, the\, person\, at\, site\, (i, j)\, is\, susceptible \\ 1&if\, the \,person \,at\,site \,(i, j) \,is \,infectious \\ 2& if \,the \,person\, at\, site\,(i, j)\, is\,recovered \end{matrix}\right.$

更新规则：

一个易感者可以被一个有传染性的邻居感染的概率为 $\beta$
一个受感染的人恢复的概率为 $\gamma$

4.1.2 SIR疾病模型的第二版CA

请注意，对于任何现实世界的系统，我们可能有多种可能的模型可供选择：

如前所述，每个站点对某种疾病可以是易感的（ $S$ ）、传染的（ $I$ ）或恢复的（ $R$ ）。现在，免疫是暂时的，人们以 $\omega$ 的速率再次易感。因此，平均而言，人们是：

感染： $q=\frac{1}{\gamma }$ 天
恢复（免疫）为： $r=\frac{1}{\omega }$ 天

状态更新：

现在每个单元格可以在 $[0, q + r]$ 范围内取值，如下所示：

$x_{i,j}=\left\{\begin{matrix} 0 & if\, the\, person\, at\, site\, (i, j)\, is\, susceptible \\ 1, . . . , q&if\, the \,person \,at\,site \,(i, j) \,is \,infectious \\ q + 1, . . . , q + r& if \,the \,person\, at\, site\,(i, j)\, is\,recovered \end{matrix}\right.$