Tuning Agent-Based Predator-Prey Models Toward Lotka-Volterra Dynamics

技术摘要：将基于智能体的捕食者-猎物模型调优至 Lotka-Volterra 动力学

问题陈述
近期计算能力的提升使得使用大规模基于智能体模型（ABM）来模拟复杂自适应系统成为可能。然而，一个核心难点在于，ABM 通常包含大量的局部规则和参数，微小的调整就可能导致失控行为、种群崩溃或人工饱和。挑战在于如何约束这些动力学过程，使其产生稳定的、具有意义的种口水平结构，同时又不消除产生复杂性的局部交互作用。具体而言，作者研究了是否可以通过调优连续捕食者-猎物系统的微观参数，使生成的宏观种群动力学呈现出类似于经典的、平滑振荡的 Lotka-Volterra (LV) 方程。

方法论
本研究采用了一个连续的二维捕食者-猎物系统，其中绵羊（猎物）和狼（捕食者）被建模为自驱动活跃智能体。该系统使用 ABMax 实现，这是一个基于 JAX 的框架，能够通过硬件加速器（NVIDIA A100 GPU）进行高效的批处理模拟。

• 智能体动力学： 智能体拥有内部能量、局部感知能力（带有遮挡效应的射线投射）并由基于现代 Wilson-Cowan 解释的连续时间循环神经网络（CTRNN）控制。智能体在笛卡尔平面内移动，通过中央草地块（绵羊）获取能量或通过捕食（狼）获取能量，同时承担代谢成本。
• 种群更替： 出生与死亡基于阈值。如果能量超过阈值持续一定时间且有可用空位，智能体就会繁殖；如果能量低于阈值持续一定时间，则会死亡。后代继承控制器的参数以及父代一半的能量。
• 优化策略： 优化过程分为两个截然不同的阶段：
  1. 控制器优化： 使用协方差矩阵自适应进化策略（CMA-ES），作者首先分别对绵羊和狼的神经网络控制器进行优化。狼针对随机绵羊控制器进行训练，反之亦然，以建立稳健的局部行为。
  2. ABM 层级调优： 在固定控制器（使用进化后的版本或随机初始化版本）后，作者优化生态参数（例如，摄食率、捕食转移率、代谢成本以及出生/死亡阈值）。
• 目标函数： 调优目标是一个旨在强制执行 LV 类动力学的特征化损失函数。损失函数 ($L$) 是几个组成部分的加权和：
  • 相关性损失 ($L_{corr}$)： 使用皮尔逊相关系数来奖励猎物与捕食者种群之间的相位滞后（猎物领先于捕食者）以及它们增长/下降斜率的一致性。它还编码了局部 LV 压力（高猎物丰度驱动捕食者增长，反之亦然）。
  • 稳定性损失： 包括防止灭绝 ($L_e$)、防止在人工上限处饱和 ($L_c$)、确保足够的振荡幅度 ($L_a$)、强制非单调轨迹 ($L_t$)、强制轨迹频繁穿越其均值的频率 ($L_{cross}$)，以及最小化种群均值的长期漂移 ($L_d$)。

关键结果

• 向 LV 动力学收敛： 优化成功地引导 ABM 参数进入了表现出绵羊和狼种群之间持续耦合振荡的机制。损失函数显著下降，尤其是使用进化后的控制器相比于随机控制器时。
• 控制器的影响：
  • 进化后的控制器： 产生了“噪声更大”且不太理想化的振荡，但这些振荡保持良好边界且避免了极端饱和。这表明，当学习到的局部行为与调优后的生态参数相结合时，会产生更具行为基础的动力学。
  • 随机控制器： 产生了更平滑、更规则的振荡，但倾向于接近人工种群上限，这表明在缺乏学习到的行为约束时，系统高度依赖调优的参数来维持稳定性。
• 空间组织： 当进行可视化时，进化的智能体展现出清晰的空间结构：狼聚集在草地块附近（此处猎物密度较高），而绵羊则更广泛地分散。作者指出，这种空间行为是从控制器优化中产生的，而 ABM 层级的调优则通过平衡能量流，确保了这种行为在长时程内的可行性。

意义与主张
本文声称，期望的宏观生态机制（Lotka-Volterra 动力学）可以作为搜索微观基于智能体模型参数空间的显式自上而下优化目标。作者强调，他们的工作并不意味着 ABM 会自动发现 LV 动力学，也不意味着可以从单一的宏观轨迹推导出唯一的微观模型。

相反，其意义在于证明了宏观约束可以用于识别那些使复杂个体化系统保持动态稳健的参数机制。研究强调了行为结构（由局部控制器优化生成）与种群层面稳定化（通过调优全局生态参数实现）之间的区别。这种方法提供了一种研究开放式多智能体系统的方法，即利用生态约束使系统保持在可行范围内，同时保留非平凡的涌现动力学。该工作也验证了 ABMax 框架在并行化和优化大规模智能体模拟方面的效用。