摘要：基于agent的建模与仿真（ABMS）是一种适合解决复杂性、具有鲁棒性新的管理决策方法，它建立在系统大于组成部分汇总之和的概念上，由底到顶捕捉系统的行为，发现从微观个体非线性交互作用的适应性行为到系统宏观现象的涌现，面向未来预测系统的变化趋势，通过控制、调节agent的行为进行科学决策。文章深入分析了ABMS的作用、实质，以及建模的方法与流程。
关键词：涌现；鲁棒性；仿真
一、 基于agent建模与仿真的作用与意义
随着数据库等技术的飞速发展，以及面向对象编程思想日益完善，我们对数据及信息有了新的理解，可以进一步挖掘出对决策有用的信息，在企业管理领域进行基于agent的建模与仿真已成为可能，并向企业管理者和研究人员展现了激动人心并可实际操作的决策模式。当今的企业管理日益复杂，经常涌现（Emerging）出反直观性的现象，以往优化的管理决策缺乏鲁棒性（Robustness），传统的预算、决策、控制等管理工具已捉襟见肘。基于agent的建模与仿真，即ABMS（Agent-based modeling and simulation），是一种面向未来的、适合解决复杂性、具有鲁棒性新的决策技术。针对企业的复杂决策问题，在计算机上进行建模和仿真，提前预测其变化的结果和趋势，以此进行科学决策。既解决了企业管理无法实验的现实，又大大降低了企业决策失误的成本。
2001年九月计算机芯片制造商Xilinx Inc公司的季度盈利预测与实际差了四倍，公司知道某个地方出现了严重的失误，但无论公司怎样努力也无法使他的预算满足客户的需求，制定计划和预算的首席财务官Kris Chellam说，就像飞机在夜间飞行却没有导航一样（Banham，2002）。
组织、市场、经济变得越来越复杂，以往的管理工具很难适应新的变化，难以解决如此复杂的问题。经济理论中理性人、完全竞争、垄断等假设过于简单，无法解释现实经济现象，个别经济学家只能求助于英雄式的假设。如今基于agent的建模与仿真（ABMS）可以突破这些限制，可以放宽假设，更加真实的模拟现实情况。除此之外，在数据库中存储的海量数据可以采用ABMS的方式进行挖掘并用于决策，英雄式的假设不再适用也受益于数据库等信息技术的飞速发展。许多企业和政府的领导发现他们的计划与管理工具缺乏鲁棒性（Robustness），很难对即将到来的严重事件进行预警（Banham，2002）。由于计划等管理工具的缺陷，管理者越来越难以将他们的经验转化为企业的战略解决方案。假设在傍夜你来到美国经典的小镇，这个小镇位于平原，这时洪水即将来临，你可以选择教堂的尖顶，因为这里最高。但是站在陡峭的尖顶上，暴雨和狂风很容易让你落水。一个替代的选择是站在教堂房屋的屋顶上，这里虽没有教堂的尖顶高，但却高于小镇其他的房屋并足够平坦和宽敞，并让你躲避洪水。以往的决策工具寻求最优化的结果必然是教堂的尖顶，但是微小的扰动就使企业陷入被动。教堂房屋的屋顶更具鲁棒性，这是企业管理人员真正需要的解决方案（North，M.J. & C.M.，Macal，2007）。如今基于agent的建模与仿真（ABMS）就为管理者提供了这样有用的工具。我们可以将ABMS作为制定决策的实验室，测试未来行为可能的结果，探索系统未来结果的范围。基于agent的建模与仿真（ABMS）不仅可以分析在特定商业情况下发生什么，还可以研究可能发生什么。在现实世界中根据“试错”发现意外的问题将付出很大代价，相反ABMS可以在计算机上低成本快速的发现可能发生的情况和意外。企业的决策者在决策时要综合考虑涉及的全部因素，当变量超过七个时，复杂的非线性交互作用就超出了决策者脑力的极限，凭直觉和经验做出的决策往往会给企业造成巨大的损失。或者产生“反直观性”的结果，即近期对企业有利，长期的损失却更大；表面上是好的，实质却是不利的。企业的决策者如何做出科学决策成为企业成败的关键，这时就需要切实可行有用的工具来辅助决策，基于agent在计算机上建模与仿真就为企业管理者展示了强大的功能和美好的应用前景。
二、 基于agent的建模与仿真实质
基于agent的建模与仿真（ABMS）是由底到顶（Bottom-up）的捕捉系统的行为，从微观个体的适应性行为及交互作用到系统宏观现象的涌现。如足球场每排观众依次简单的站起和坐下，就形成了整个足球场激动人心的人浪。ABMS还建立在系统、组织整体大于单个组成部分汇总之和的概念上。决策者采用ABMS这个有用的工具，系统或组织就可以被理解为相互作用的agents的集合。在复杂性科学和系统论的基础上构建agent模型并进行仿真，其目的是复制系统的行为，面向未来预测可能发生的商业结果，以此用于短期的经营决策和长期的战略决策。
基于agent的建模与仿真（ABMS）来源于复杂自适应系统（CAS－complex adaptive systems），复杂自适应系统是用来研究生物系统的适应性和涌现行为，是由相互作用的个体组成，系统会产生适应性机制，适应不断变化的外部环境。此外ABMS还吸收了系统科学、复杂性科学、计算机科学、管理科学、社会科学、传统模拟仿真的技术和知识。ABMS日益成熟已经从实验室走向了董事会，一些公司已经实际采用ABMS来解决企业存在的问题。基于agent的建模与仿真（ABMS）是一种综合的分析框架，采用综合集成的方法分析研究企业的商业过程。神经网络、遗传算法、线性规划、Swarm优化、系统分析等方法在ABMS中发挥了非常重要作用。在理性人假设的简单情况下、信息比较完备时可以优化agents的行为。如今人们认识到了有限理性（Bounded Rationality）的重要性（Simon，1982），由于有限的知识，认知的局限，收集资料的难度，决策的能力等因素，在有限理性情形下，往往达到满意的方案即可，无法达到局部进而全局最优，这样规划出鲁棒性更好的、令人满意的方案是管理者决策时真正需要的。进行有限理性的研究属于行为经济学，除了可以采用实验经济学的研究方法，更适合采用基于agent建模与仿真的方式，即研究有限理性的agents（Boundedly Rational Agents）的决策行为。
Agents是复杂自适应系统（CAS－complex adaptive systems）的决策单元。它具有适应性、自治、学习并修正行为的能力、和异质性，即一群不同的agents具有多样化的特征。它具有成套的规则和行为模式，它可以接收并加工输入的信息，产生相应交互的适应性行为，以此来影响外部的环境。基于agent的建模与仿真（ABMS）可以被理解为系统由许多交互作用的具有适应性行为的个体所组成，每个个体有自身的目的、属性、规则、适应性的行为模式，要让所有的个体达到目标一致是很难实现的，但是在系统中彼此的交互作用，个体会根据以往的行为结果和环境调整自身的行为。Casti（1997）提出agent包括两种规则，一种是基本的行为规则，即根据环境做出反应的基本规则。第二种是更高级别的规则，即更改规则的规则（Rules to Ch-ange the Rules），这反映了agent的适应性。企业中的股东、董事、监事、CEO、中层经理和一线的员工每个个体都有其目的、规则、适应性行为。比如股东与经理的目标如何协调？如何实现他们的目标一致性？他们的符合经济理论的行为规则是什么？基本的行为规则和高级的行为规则有哪些？符合这些规则的心智模型（Mental Model）是什么？个体交互的适应性行为有哪些？涌现出的企业组织宏观现象有哪些？以及他们之间是如何构建起这种动态变化的复杂关系？这些都是值得去深入研究的问题。在明确股东、董事、CEO、CFO等成员目标、规则的基础上，动态观察其适应性的交互行为，以及由此涌现的公司治理等宏观现象。 向经济学家和管理学家以及企业管理者展示了令人激动人心的新的画卷，基于agent的建模与仿真（ABMS）不仅可以用来研究公司治理问题，更广泛范围的经济问题、管理问题、社会科学的问题都可以采用这种模式，ABMS势必成为越来越多的研究人员的首选研究工具，在计算机上模拟经济、管理、社会动态变化的过程。这是传统研究模式和工具所不具备的，是一种日益重要的补充。
三、 模型构建和仿真的工具与方法
在首席专家的指导下，模型的构建和仿真就可以开始了。从简单到复杂是成功的关键。基于agent的建模与仿真（ABMS）包括三种主要类型：桌面ABMS、参与的ABMS、大规模的ABMS。桌面ABMS是个人在空闲时间在计算机上即可操作的。参与的ABMS需要一群人参与，有人机交互的过程，并经过一段时间才能完成的，类似于实验经济学的研究。大规模的ABMS需要一个团队经过相当长的时间才能完成。桌面ABMS中最简单的是ABMS原型，他具有模型的骨架，范围比较小，它的目标是直接解决核心问题而不必考虑过多的细节，这样可以节省时间和成本，为下一步更广范围更深入的研究打下基础。ABMS原型的工具有Repast Py，NetLogo，和StarLogo等软件，可以利用这些软件反复实验探索多agents交互适应性的行为。电子表格是最简单工具，例如Microsoft Excel，可以做最基本的Agent原型的实验（Bower & Bunn，2000）。参与的ABMS工具中NetLogo是做的比较好的，由真人模仿企业管理中各个角色基于agent进行参与式模拟。大规模的ABMS需要采用Repast和Swarm软件，Repast for Java是芝加哥大学的社会学教授在Swarm的基础上研发的agent软件，专门针对社会学、经济与管理学开发的工具，部分功能超过了Swarm。Swarm软件是美国圣达菲研究所研发的agent软件，是在复杂性研究做的最早也是最好的之一。有Sw-arm for C和Swarm for Java两个版本。大规模的ABMS用来进行更为复杂的系统仿真，这需要采用面向对象的编程思想。Java编程语言的许多性能超过了C语言，具有封装、继承、多态、多线程等特征，它更容易实现agents的适应性的行为。Java支持多线程，多线程就是在程序中并行实现多个任务。一个agent执行的任务就是一个线程，成百上千不同类型的agents在一起交互的适应性行为就是多线程的实现。由于Java语言的多种优点，进行agent的建模和仿真自然就由Java语言来承担。Repast Simphony软件就是基于Java语言在eclipse的基础上研发的agent专用仿真平台。
四、 建模的流程
高水平的大型ABMS的建模流程包含如下步骤。原型设计是针对特定研究问题考虑是否适合采用ABMS的研究模式，是否可以理解为多个agents交互作用的过程，以及选择哪种方法？构建设计是确定ABMS工具，确定整体的结构。确定ABMS工具包括软件工具和硬件工具。比如采用Repast for Java以及java组件进行研究。Agent和agent原则设计是在ABMS中考虑和选择包含哪些agents，以及不同agents的行为原则。Agent环境设计是考虑和选择适合的agent世界，以及适合特定agent世界的数据结构和算法。执行是根据上面确定的构建设计、agent和agent原则设计、agent环境设计等内容用软件编写代码予以实现。正确性校验是穿行测试软件是否正确运行，是否存在错误。效用检验是看软件是否反映了真实世界的问题，是否达有效。实验设计是对问题进行精炼直到能用ABMS工具有效地解决问题。例如“在成本提高25%的情形下如何采用适应性的战略提高产品的价格？”数据的收集与整理包含确定哪些数据被收集，进一步整理数据确实它足够精确满足实验要求，对数据进行格式化符合输入的要求。模型的运行通常要反复进行，看是否符合设计要求。结果分析是在专业判断的基础上对输出的原始结果进行加工。结果展示是最后的报告和展示要有效地反映出ABMS工作所获得的洞察力和结论。以上描述了模型开发和使用的核心步骤。这些步骤为ABMS项目管理提供了坚实的概念框架，但是在实际的开发和使用中，边界往往被模糊了，在各个步骤间经常有反馈和交织，反馈环经常跨越几个步骤。下面对几个关键概念进一步分析。
五、 模型的正确性校验、效用检验与数据的收集与整理
基于agent的建模与仿真要想被接受并用于决策，模型的正确性校验、效用检验（即效度）是至关重要的。要让决策者接受在计算机上的仿真，除了决策者接受过这样的教育，从内心认同这种方法外，还要让决策者相信模拟了现实世界的关键问题，模拟的结果提供了系统确切的信息。从基于agent的模拟到真实世界的实现，需要大量时间用于模型的正确性校验、效用检验、数据的收集与整理工作。这里的正确性校验是指模型是否根据设计规范按照研发者的期望予以实现，算法是否被正确的执行，编程是否正确，模型是否存在错误、遗漏和瑕疵。模型的效用检验（效度）是指模型是否代表并正确复制真实系统的行为。将模型与真实世界进行比照，模型是否解决了重要问题，是否正确反映了真实世界的运作过程。任何建模都是为了将数据和信息转化成知识和智慧，“如果输入的是垃圾，输出的也是垃圾”，由此可以看到数据的收集和整理是建模过程中至关重要的环节。基于agent建模与仿真同样需要在收集和整理数据上花费大量的时间和成本。大型的ABMS大约花费80%的成本用于数据的收集、整理、效度的分析，只有20%的成本用于建模等其他工作。对企业来说客户、销售、财务等真实数据是至关重要的，很难以研究者身份获得这些保密的数据，除非是以企业管理者的角度才能充分收集到这些有价值的数据。
六、 结果的分析与展示
从分析人员的视角，最大的挑战是用可以理解的术语将系统未来可能的行为解释给决策者。因此要让决策者理解agent微观的交互行为如何影响宏观的结果，并进一步控制和影响agent的行为。ABMS最大的优点在于鲁棒性好，模型一旦构建好，无论多个输入变量在一定范围内如何变动，迅速的就可以得出输出的结果，并用于未来的决策。这是其他方法很难实现的。在ABMS的敏感性分析时，不仅涉及输入因素的调整，有时还需要根据环境的变化增加agent的适应性行为，使ABMS更加接近真实的世界。由于采用面向对象的编程思想，只需在已有模型的基础上增加新的agent或者增加已有agent的属性和行为即可实现。这样就可以从ABMS中挖掘出对系统深刻的洞察力，但是更关键的是让决策者理解并接受ABMS的结果，除了决策者受过相应的教育从内心接受这种方法外，还需要与决策者有效地沟通与交流，以恰当的方式将结果展示给决策者。
七、 结束语
基于agent建模和仿真（ABMS）是一种新的用于企业决策的有用工具。ABMS为企业的决策者理解他所管理的企业这个复杂系统提供了深刻地洞察。它不仅用于企业决策领域，还可以用于政府决策甚至任何复杂系统的分析与决策。ABMS是建立在复杂适应性系统等理论的基础上，系统大于个组成部分简单汇总之和，各组成部分具有交互的适应性行为，由此涌现出系统宏观的现象与结果。在过去很难预测未来的情况下，系统中的组成部分在时空中动态变化的情况下，采用ABMS可以面向未来预测系统的变化趋势，通过控制、调节agent的行为进行科学决策。离散事件仿真、面向对象编程、关系型数据库、优化等技术支撑了ABMS由底致顶（bottom-up）的模拟复杂系统，使其成为正确的、有效的、可扩展的和具有鲁棒性的建模和仿真方法。从ABMS原型、参与ABMS模型到大型ABMS的构建，是从简单到复杂的过程，也是建模与仿真成功的关键。这是一个日益复杂的世界，企业的经营面临着日益复杂的情况，计划与管理工具必须能够捕捉到涌现的复杂性，基于agent建模和仿真（ABMS）就是这种有用的、可以被使用的、已经被使用的决策工具。
参考文献：
1. North, M.J., and C.M., Macal, Managing Business Complexity: Discovering Strategic Solu- tions with Agent-Based Modeling and Simulation, Oxford University Press, New York, NY USA.March,2007.
2. 方美琪，张树人.复杂系统建模与仿真.北京:中国人民大学出版社,2011.
3. Banham, R. Reality Budgeting. CIO Insight Magazine.Aug,2002.
4. Casti, J. L. Would-Be Worlds: How Simula- tion Is Changing the World of Science. New York: Wiley,1997.
5. Bower, J. and D. Bunn. Model-Based Compa- risons of Pool and Bilateral Markets for Ele- ctricity. The Energy Journal,2000,21（3）:1-29.
基金项目：国家自然科学基金（项目号：71072095；70702021;70971059）；辽宁省教育厅创新团队项目（项目号：2008T082）。
作者简介：郑毅，南开大学商学院博士生，辽宁工程技术大学工商管理学院副教授；杨韬，辽宁工程技术大学工商管理学院副教授。
收稿日期：2011-09-13。
