用 NetLogo 复现 COVID-19 传播：AI-For-Beginners 多智能体建模作业实战指南

• 教程
• 人工智能
• 机器学习
• 深度学习

AI-For-Beginners 课程第 23 课围绕**多智能体系统（Multi-Agent Systems）**展开，其配套作业要求学习者在 NetLogo 模型库中选取一个现成模型，将其改造为尽可能贴近真实世界的模拟，并以"病毒传播模型模拟 COVID-19"作为官方给出的示范路径。本文以 translations/es/lessons/6-Other/23-MultiagentSystems/assignment.md 为骨架，结合 lessons/6-Other/23-MultiagentSystems/README.md 的完整知识体系，带你完成从理解涌现智能、掌握 NetLogo 基本操作，到改造 Virus 模型、录制演示视频的完整作业闭环。

作业任务速览

本作业的核心要求只有三步：

1. 选型：从 NetLogo 的模型库（Models Library）中挑选一个现成模型；
2. 改造：将它调整得尽可能贴近一个真实世界场景——官方示范是改造Alternative Visualizations文件夹下的Virus 模型，用它模拟 COVID-19 的传播动态；
3. 交付：保存一份模型副本，并录制一段演示视频，说明该模型与真实世界的对应关系。

初看简单，但要完成得漂亮，需要先理解多智能体建模的基本原理与 NetLogo 的操作机制。下面按"背景 → 工具 → 选型 → 改造 → 交付"的脉络逐步展开。

为什么用多智能体模拟真实世界：涌现智能

作业背后是课程反复强调的一个核心思想：涌现（emergent）或协同（synergetic）方法——许多相对简单的智能体（agent）组合在一起，其整体行为可以涌现出系统层面更复杂、更智能的表现。这在理论上对应集体智能、涌现论与演化控制论，即高层系统由低层系统正确组合后获得某种增量价值（元系统跃迁原则）。

多智能体系统方向于 1990 年代兴起，是对互联网与分布式系统发展的回应。其核心概念是智能体（Agent）——一个存在于某个**环境（environment）**中、能够感知环境并施加影响的实体。智能体可按三个维度分类（见 README.md）：

• 按推理能力：反应式（reactive，简单的请求-响应行为）与深思式（deliberative，具备逻辑推理或规划能力）；
• 按代码执行位置：静态（static，运行在固定网络节点）与移动（mobile，可在节点间迁移代码）；
• 按行为方式：被动（passive，无明确目标，只对外部刺激做出反应）、主动（active，有追求的目标）与认知（cognitive，涉及复杂规划与推理）。

多智能体方法在现实中已有广泛应用：游戏中大量 NPC 属于智能体；视频制作中复杂 3D 人群场景通常用多智能体仿真渲染；系统建模中多智能体方法被成功用于全球 COVID-19 疾病传播预测；复杂自动化系统中每个设备都可作为独立智能体，使整体系统更去单体化、更健壮。作业要求你把 COVID-19 传播做成可运行模型，正是对这一应用方向的直接实践。

建模工具入门：NetLogo 的三个关键概念

NetLogo 是基于 Logo 语言修改版的多智能体建模环境，本课程 lessons/6-Other/23-MultiagentSystems/README.md 给出了核心语法与对象模型。

1. 智能体：turtles（海龟）

NetLogo 中用create-turtles创建大量海龟，再用ask让它们执行动作。下面这段代码创建 10 只海龟并命令全部前进 10 步：

create-turtles 10 ask turtles [ forward 10 ]

当所有海龟都做相同动作时并无趣味，因此可以对海龟分组执行：例如只询问某个点附近的海龟；也可以用breed [cats cat]定义不同"品种"（breed）。注意这里必须同时给出单数和复数形式，因为不同命令会按清晰性要求使用不同形式。

2. 世界的三类对象

NetLogo 的"世界"由三类对象构成（README.md）：

• 智能体（turtles）：在场上移动并做事，通过ask turtles [...]下令，方括号内代码由所有海龟以海龟模式并行执行；
• 补丁（patches）：海龟所栖息的方形区域。可以引用同一补丁上的所有智能体、修改补丁颜色等属性，也可ask patches做事；
• 观察者（observer）：控制整个世界的唯一智能体，所有按钮处理器都以观察者模式运行。

这正是多智能体环境的魅力所在：海龟模式或补丁模式中的代码由所有智能体同时并行执行。只要写少量代码、定义好单个智能体的行为，就能让整个仿真系统涌现出复杂行为。

3. 界面与代码区

打开模型后进入 NetLogo 主界面，包含两大部分：

• Interface（界面）区：主仿真场（所有智能体生活的地方）、各类控件（按钮、滑杆等）、用于显示仿真参数变化的图表；
• Code（代码）区：可编写 NetLogo 程序的编辑器。

多数模型界面会提供Setup按钮（初始化仿真状态）与Go按钮（开始执行），它们由代码中类似下面的处理器负责：

to go [ ... ]

选型：从模型库出发

NetLogo 自带大量可直接运行的模型库，入口为File → Models Library。课程用Biology → Flocking（鸟群）作为教学案例：

图注：NetLogo Models Library 界面，左侧为按学科分类的模型树，右侧为选中模型的预览与说明。截图来自课程 README.md。

Flocking 是理解涌现行为的绝佳示例：鸟群飞行看似遵循某种集体算法、拥有"集体智能"，但实际上每只鸟只观察它短距离内的少数同类，并遵循三条简单规则（README.md）：

• 对齐（Alignment）：朝邻居的平均航向转向；
• 内聚（Cohesion）：朝邻居的平均位置转向（长程吸引）；
• 分离（Separation）：离其他鸟过近时试图远离（短程排斥）。

你可以调整分离程度或视距范围参数观察行为变化：把视距调到 0，所有鸟变"盲"，鸟群行为停止；把分离调到 0，所有鸟排成一条直线。切换到Code标签页，可以看到这三条规则在代码中如何实现，注意代码只引用"视野内"的智能体。

图注：NetLogo 主界面，包含 Interface 区（仿真场、setup/go 按钮、滑杆、种群图表）与 Command Center 等。截图来自课程 README.md。

除 Flocking 外，模型库还有几个与"用个体规则模拟真实场景"高度相关的备选（README.md）：

• Art → Fireworks：把烟花视为单个火焰流的集体行为；
• Social Science → Traffic Basic / Traffic Grid：1D 与 2D 网格的城市交通模型（有无红绿灯）。每辆车遵循两条规则：前方空间为空则加速（直到最大速度）；看到障碍物则刹车（可调节驾驶员视距）；
• Social Science → Party：鸡尾酒会上人群如何聚团，可寻找让群体幸福感最快上升的参数组合。

核心实战：改造 Virus 模型模拟 COVID-19 传播

作业的官方示范路径是：改造Alternative Visualizations文件夹中的 Virus 模型，演示如何用它模拟 COVID-19 的传播，并追问"你能构建一个忠实复刻真实病毒传播动态的模型吗"。这是本作业最有价值的环节，建议按以下步骤推进。

步骤一：加载并理解 Virus 模型

在File → Models Library中定位Alternative Visualizations分类下的Virus模型并打开。先不要急着改代码，先做三件事：

1. 点击Setup观察初始状态，点击Go观察传播过程；
2. 阅读界面上的滑杆参数，理解每个参数对传播的影响（如感染率、恢复周期、初始感染人数、人口密度等）；
3. 切到Code标签页，找到to go处理器与传染逻辑所在过程，弄清楚"谁感染谁""何时恢复/死亡"是如何用ask turtles实现的。

步骤二：对照真实流行病学概念改造参数

COVID-19 这类经呼吸道传播的传染病，其宏观动态通常可用 SIR（易感-感染-恢复）模型刻画。把 Virus 模型中的智能体状态与这些概念一一对应：

改造时注意保持"规则简单、参数可调"：单智能体的行为仍只是"移动 + 接触判断 + 状态转移"，但通过调整感染概率、接触半径、隔离比例等参数，就能让整体曲线逼近真实疫情数据中的"快速上升—平台期—回落"形态。

步骤三：验证模型是否"贴近真实"

评判改造成功与否的标准，是模型动态是否复刻了真实传播的典型特征，例如：潜伏期造成的传播延迟、社交距离/口罩对感染率的抑制、康复者形成的群体免疫效应。可以设计多组对照实验：

• 高接触率 vs 低接触率下的感染曲线差异；
• 加入"隔离区"（用 patch 属性或单独 breed 模拟）后峰值是否后移、降低；
• 初始感染人数从 1 变为 10 时，爆发时间如何提前。

每次实验记录图表区的曲线变化，这些对比将成为演示视频最有说服力的素材。

深挖原理：反应式与深思式智能体

改造 Virus 模型时你会意识到，模型里的海龟只根据"视野内是否有感染者"做出反应，它们属于反应式智能体（README.md）。但真实世界中还有更复杂的场景：一个个人代理接收用户"预订度假套餐"的指令后，需要联系其他互联网代理查询航班、比价酒店、谈判最优价格，再在主人确认后完成预订。这类能推理与规划的代理称为深思式（deliberative）智能体，它们需要：

• 标准知识交换语言：如 KIF（Knowledge Interchange Format）与 KQML（Knowledge Query and Manipulation Language），二者基于言语行为理论设计；
• 谈判协议：基于不同类型的拍卖机制；
• 公共本体（ontology）：确保各代理对同一概念语义一致；
• 能力发现机制：同样基于本体，让代理能发现其他代理能做什么。

深思式代理的经典架构是BDI（信念-愿望-意图）：信念构成代理对环境的知识集（可结构化为知识库或规则集）；愿望定义代理的目标（如个人助手的目标是订到行程，酒店代理的目标是利润最大化）；意图是为达成目标而规划的具体行动（通常改变环境并引发与其他代理的通信）。构建多智能体系统的可用平台包括 JADE 等，相关综述可参见课程引用的论文。理解这一层级差异，能让你在演示视频中清楚说明：你的病毒模型属于哪一层，为什么要用这种"简单规则 + 并行执行"而非"中央规划"的方式建模。

交付物：保存副本与录制演示视频

作业明确要求保存模型副本并制作演示视频，说明模型如何与真实世界情境关联。建议交付时覆盖以下内容：

1. 副本保存：在 NetLogo 中对改造后的模型执行另存（File → Save），保留一份可复现的.nlogo副本，并随手记录你改动过的参数默认值；
2. 视频结构与讲解要点：
   • 展示原始模型运行效果，与改造后模型的差异；
   • 讲解单智能体的"个体规则"（移动、接触、感染、恢复）与整体传播曲线之间的因果链，点明"复杂行为源于简单规则并行执行"这一涌现本质；
   • 演示关键参数（感染概率、接触半径、隔离措施）的敏感性实验，用图表曲线佐证模型与 COVID-19 传播的真实对应关系；
   • 诚实说明模型的简化边界：例如它未包含真实医疗资源、潜伏期或无症状传播等细节，并指出可扩展方向；
3. 技术叙事主线：沿"模型库选型 → 世界三对象（turtles/patches/observer）→ setup/go 机制 → 参数改造 → 曲线验证"的顺序讲述，正好呼应课程 README 的教学脉络。

学习资源与延伸方向

本作业相关的全部资料均可在仓库中按需查阅：

• 课程主体知识：lessons/6-Other/23-MultiagentSystems/README.md，覆盖智能体分类、NetLogo 语法、Flocking 三规则、深思式代理与 BDI 架构；
• 作业原文（英文）：lessons/6-Other/23-MultiagentSystems/assignment.md，西班牙语译本见 translations/es/lessons/6-Other/23-MultiagentSystems/assignment.md；
• 课程主界面与模型库截图：lessons/6-Other/23-MultiagentSystems/images/；
• 本节配套的课前/课后测验分别位于课程清单 README.md 与lessons/6-Other/23-MultiagentSystems/README.md中标注的 quiz 45/46。

课程最后的挑战环节还提供了两个延伸思考：多智能体系统要如何优化校车路线？面包店场景中它又该如何工作？——完成病毒模型作业后，不妨把"个体规则 → 涌现结果"的建模方法迁移到这些问题上，这正是多智能体建模的核心方法论：聚焦单个智能体的简单行为，依靠协同效应获得整个系统的复杂表现。

• 教程
• 人工智能
• 机器学习
• 深度学习