这是在的NetLogo实现 艾法洛(El Farol)酒吧模型 在以前的视频描述过这个版本是一个略加修改的版本 这些都是在模型库 这就是你可以从我们的网站课程教材下载 你可以在这里看到幻灯片 用于存储的大小 记得参与者, 每个智能体有多个策略, 和过度拥挤的阈值。 让我们来设置, 因此,点击“设置” 我们可以看到,有100人 这里是艾法洛(El Farol)酒吧模型 当我们开始的这个模型, 我们会看到,如果人们打算每星期去那里。 因此,我们开始来设置存储器为'1'的大小, 我们只能记住最后一周 和策略“1”的数目: 还有每个agent只有一个策略。 点击“设置” 那么 使速度慢一点, 运行“GO”。 这红色线是设为“60”的饱和阈值, 随着时间推移 这是酒吧出席。 显示酒吧哪些天是拥挤 的百分比。 所以我们可以看到, 如果内存大小只有一个 和策略的数目是1, 事情是太可怕了。 酒吧总是人满为患。 好了,让我们试试 增加的策略的数目。 让我们来看看有没有什么帮助。 让我们来增加它到十, 做设置。 我们仍然只记得1周回来。 而现在, 我们得到这样大的波动, 我们去哪里而来,到酒吧,完全挤 到完全或几乎完全不拥挤。 拥挤天的百分比变少, 因此我们有一个改进, 但你会认为人口 将能够更好地学习 该怎么办。 因此让我们增加内存的大小。 让我们来增加到5。 做设置和运行。 所以 事情变得更好一点。 酒吧永远不会完全拥挤, 这是人们到那里的百分百。 拥挤天的百分比趋平 在约48到49%。 行 那么,如果我们增加什么, 离开这个十, 并增加容量的大小达到10, 所以要记住十次了。 让我们来看看有没有什么改进的东西。 好 所以在这里我们得到一个更好的结果 在拥挤的天的百分比而言, 而更接近出勤 只是在域值, 这是我们想要的。 所以,当我们 有足够的策略 和足够的容量 人口作为一个整体 没有沟通, 没有沟通 在代理之下, 可以得到一个状态 在那里,他们都非常接近 最优的 其中最佳的状态。 总是有一个不拥挤的酒吧, 但足够多的人,这样它的 一直到拥挤的阈值 但是不能超出它。 你可以看到它已经非常接近。 将家庭作业 让您体验在此更进一步。 让我们来回顾一下艾法洛模型是什么。 它假定有限理性 和有限的知识, 从传统的经济学不同的假设。 它包括适应, 也就是说,智能体可以从经验中学习, 使用归纳法, 他们观察过去的考勤值。 他们用它来决定用什么样的策略 在每个时间步骤。 这个学习不是很复杂, 所以你可以想象 用更复杂的学习, 人口可以做的更好, 而这个, 你可能想尝试 在家庭作业。 这个问题是:是否自发组织的效率, 这最好的局面是, 在这些条件下出现的? 好吧,我们说,所有最好的情况 是,如果酒吧永远不会人满为患, 但最大人数,即60, 每个星期都会参加。 而我们看到的,是的,在一定程度上, 一点错误, 它出现。 这是一个原则性的证明 布赖恩亚瑟建议表明 你可以得到这样的行为, 没有非常不现实的 传统的经济学的假设。 总之,艾法洛模型 已经表明自组织 合作与效率 是可能的,非完美理性, 完整的知识和演绎推理。