AI-For-Beginners 实战任务：用 NetLogo 多智能体模型仿真 COVID-19 传播
AI-For-Beginners 实战任务：用 NetLogo 多智能体模型仿真 COVID-19 传播
本篇技术指南围绕 AI-For-Beginners 课程第 23 课"多智能体系统"（Multi-Agent Systems）的课后任务展开：选取 NetLogo 模型库中的现成模型，通过修改参数与逻辑模拟一个尽可能贴近现实的场景——其中最具代表性的示例，是改造"Alternative Visualizations"目录下的 Virus（病毒传播）模型，用以模拟 COVID-19 的真实扩散过程。阅读本文后，你将掌握 NetLogo 模型库的打开与运行方式、Agent/Patch/Observer 三种角色的核心概念、以及如何通过修改现有模型完成"现实问题仿真 + 视频演示交付"的完整任务闭环。
任务目标与交付标准
任务文档（法文版、英文原版）提出的要求非常清晰，分为三部分：
- 选取模型：从 NetLogo 模型库中任选一个模型，尽量忠实地用它模拟一个真实场景；
- 改造示例：官方推荐的方向是修改 Alternative Visualizations 文件夹中的 Virus 模型，验证它能否被改造成模拟 COVID-19 传播的模型——核心问题是："你能构建一个模仿真实病毒传播过程的模型吗？"；
- 成果交付：保存模型副本，并制作一段视频演示，在视频中解释该模型与现实世界的对应关系。
值得注意的是，本次任务并非凭空建模：课程正文（lessons/6-Other/23-MultiagentSystems/README.md）明确指出，多智能体建模方法曾被成功用于预测 COVID-19 在全球范围的传播，同时类似的思路也可用于城市交通建模、观察交通规则变化的影响。这说明"病毒模型改造"是一条经过验证、有真实背景支撑的建模路径，而非无根据的虚构练习。
前置知识：多智能体系统的核心概念
要完成这个任务，首先要理解任务依托的理论基础。多智能体系统诞生于 20 世纪 90 年代，是对互联网与分布式系统快速发展的回应。其核心是**涌现（emergent）或协同（synergetic）**思想：大量相对简单的个体（Agent）组合在一起，其整体行为可以涌现出更复杂、更智能的系统级行为，这在理论上被称为"元系统跃迁（metasystem transition）"。
一个 Agent 是"存在于某个环境之中、能够感知环境并作用于环境的实体"。按不同维度可以对 Agent 进行分类：
- 按推理能力：反应式（reactive） Agent 只做简单的请求-响应式行为；慎思式（deliberative） Agent 具备逻辑推理和/或规划能力；
- 按代码执行位置：静态（static） Agent 运行在专用网络节点上；移动（mobile） Agent 可以在网络节点间迁移代码；
- 按行为特征：被动（passive） Agent 没有特定目标，只对刺激做出反应；主动（active） Agent 会追求目标；认知（cognitive） Agent 涉及复杂规划与推理。
其中反应式 Agent 正是本任务的主角——NetLogo 中的个体行为本质上就是反应式的：每个个体遵循简单规则，系统整体却展现出复杂模式。这正是"涌现"最直观的演示，也是病毒传播模型能够成立的机制基础。
NetLogo 建模环境速览
从 Logo 到多智能体建模
NetLogo 是一个基于 Logo 编程语言改进版的多智能体建模环境。Logo 语言本是为向儿童教授编程概念而设计的，其标志性操作是控制一个名为 turtle（海龟） 的 Agent 移动并留下轨迹。在 NetLogo 中，你可以用 create-turtles 批量创建海龟，然后用 ask turtles 命令所有海龟执行同一动作：
create-turtles 10
ask turtles [
forward 10
]
当然，所有海龟做同样的事并不有趣，因此可以用 ask 限定特定群体（例如某个点附近的个体），也可以用 breed [cats cat] 创建不同"品种"的海龟——注意该命令要求同时给出复数形式和单数形式，因为不同命令会使用不同形式以保持语义清晰。
三种核心角色：Agent、Patch 与 Observer
NetLogo 的世界由三类对象构成，理解它们对改造病毒模型至关重要：
- Agents（海龟）：在场地中移动并执行动作的个体。通过
ask turtles [...]下发指令，方括号内的代码由所有海龟在 turtle 模式 下执行； - Patches（地块）：场地上的方形区域，Agent 生活在上面。可以引用同一地块上的所有 Agent，也可以修改地块颜色等属性，还可以
ask patches执行动作； - Observer（观察者）：控制世界的唯一 Agent，所有按钮处理函数都在 observer 模式 下执行。
✅ 多智能体环境的精妙之处在于：在 turtle 模式或 patch 模式下运行的代码，会由所有 Agent 同时并行执行。因此只需编写少量代码、定义单个 Agent 的行为，就能让整个模拟系统展现出复杂行为——这就是改造病毒模型时"改个体规则、观全局曲线"的底层原理。
主界面结构：Setup 与 Go
打开模型后进入 NetLogo 主界面，主要包含两个区域：
- Interface（界面） 区：主场地（所有 Agent 生存的方形区域）、各类控件（按钮、滑块等）、以及用于展示模拟参数的图表；
- Code（代码） 区：NetLogo 程序编辑器。
大多数模型界面都有 Setup 按钮（初始化模拟状态）和 Go 按钮（启动执行），它们对应代码中形如 to go [...] 的处理函数。
从模型库出发：挑选并改造基座模型
打开模型库
NetLogo 的最大优势之一在于内置了大量可直接运行的示例模型。操作路径为：File → Models Library，即可看到按类别组织的模型库。
模型库截图（Screenshot by Dmitry Soshnikov，来自课程 README）
以课程正文为例，打开 Biology → Flocking（鸟群聚集）即可观察涌现行为的经典演示。而针对本任务，则应定位到 Alternative Visualizations 目录下的 Virus 模型——它是改造为 COVID-19 传播仿真的推荐基座。
认识主模拟界面
打开一个基于个体（Agent）的模型后，主界面布局如下（以狼-羊-草捕食模型为例）：
主界面截图（Screenshot by Dmitry Soshnikov，来自课程 README）
界面中可以看到：setup / go 控制按钮、以滑块形式存在的模拟参数（如初始个体数量、繁殖率等）、实时数值显示框、以及记录种群数量随时间变化的时序图表。这些正是完成病毒模型改造时需要观察和调整的核心交互元素——你可以在修改代码后反复执行 setup → go，观察传播曲线是否符合真实疫情特征。
改造案例深度拆解：Virus 模型 → COVID-19 仿真
为什么选择 Virus 模型
Virus 模型是一个典型的接触传播多智能体模型：个体在场地中随机移动，健康者与感染者接触后有概率被感染，感染者经过一定时间后康复或死亡。这一机制与 COVID-19 的"飞沫/接触传播、潜伏期、康复/死亡结局"高度同构，因此只需做参数级改造即可复现真实的流行曲线（如 SIR 模型式的先上升后下降趋势）。
改造思路与参数映射
将课程正文与任务要求相结合，可以设计如下改造映射（具体参数值需根据真实疫情数据调研设定，这里给出逻辑框架）：
| 真实世界要素 | Virus 模型中的对应物 | 改造方式 |
|---|---|---|
| 易感人群数量 | 初始健康个体数 | 按目标城市/国家人口规模调整 |
| 传染概率 | 接触感染概率参数 | 依据 COVID-19 基本再生数 R0 标定 |
| 潜伏期/病程 | 感染持续 tick 数 | 对照 COVID-19 约 5~14 天潜伏期设定 |
| 康复/死亡比例 | 康复与死亡分支概率 | 参考公开的病死率数据 |
| 人群流动与接触 | 个体移动速度与感知半径 | 模拟封控、隔离等干预手段 |
任务强调的实验重点
任务文档特别提出了一个可验证的科学问题："你能构建一个模仿真实病毒传播过程的模型吗？" 这意味着交付不应停留在"模型能跑"的层面，而应通过调整参数产生可对比的传播曲线，并与真实疫情数据的形态进行对照说明——这正是视频演示需要解释的核心内容。
实验扩展：从隔离参数到干预策略
改造完成后，还可以在模型中增加"恢复后免疫""接种比例""社交距离"等参数滑块，观察不同干预强度下感染峰值的到达时间与高度。这种"改变参数 → 观察整体涌现行为"的循环，正是多智能体建模用于决策支持（如交通规则评估、疫情管控评估）的标准工作方式。
成果交付：保存副本与视频演示
按任务要求，完成改造后需要：
- 保存模型副本：通过 NetLogo 的 File → Save As 将改造后的模型另存为一个独立文件（如
covid19-spread.nlogo），保留原始模型不被破坏，便于对照与复现； - 制作视频演示：在视频中完整呈现——原始模型的行为 → 你做了哪些代码与参数改动 → 改动后如何对应现实世界的 COVID-19 传播特征（如潜伏期、接触传染、干预效果）。
一个合格的演示视频应回答三个问题：模型改了什么？改动的现实依据是什么？模拟结果如何对应真实疫情曲线？
与课程体系的衔接
本任务是第 23 课"多智能体系统"的课后实践（英文原版见 lessons/6-Other/23-MultiagentSystems/assignment.md，法文版见 translations/fr/lessons/6-Other/23-MultiagentSystems/assignment.md），课程主页还提供了课后测验入口（quiz），以及延伸挑战：思考多智能体系统如何优化校车路线、如何在面包店中运作。完成本任务后，你实际上已经走通了"反应式 Agent → 涌现行为 → 现实问题建模"的完整链路，这与课程后续"慎思式 Agent（BDI 架构）"等内容形成了自然的进阶路径。
小结
本任务的核心价值在于：用最小的建模成本，复现一个具有真实世界对应关系的复杂系统。通过改造 NetLogo 模型库中的 Virus 模型，你既能掌握多智能体仿真的完整工作流（模型库 → 界面操作 → 代码改造 → 参数标定 → 演示交付），也能直观体会到"简单个体规则通过协同效应涌现出复杂系统行为"这一多智能体系统的核心原理——这正是 AI-For-Beginners 课程中第 23 课想要传递的关键认知。