面向多重动态环境的多智能体模拟方法和系统

本发明涉及计算机软件，具体涉及一种面向多重动态环境的多智能体模拟方法和系统。

背景技术：

1、随着社交媒体的深度普及，公众意见不再围绕单一事件线性扩散，而是常常在多个热点议题并发出现的环境中快速形成、迁移和重组。不同热点共享有限的用户注意力，用户会在多个议题之间频繁切换，相关议题还可能通过情绪传导、立场联动和行为涌现相互影响。因此，面向多重动态环境精准复现社交平台中的复杂事件动态，是理解社会态势演化规律的重要课题。

2、围绕上述课题构建高保真的多热点社交网络模拟方法，具有显著的研究价值和应用价值。一方面，该方法能够为社会科学、信息科学和人工智能领域的交叉研究提供可控实验平台，用于分析信息传播机制、群体态度演化、情绪扩散和跨热点影响等复杂社会现象；另一方面，其也可服务于风险评估、品牌危机管理和事件引导策略设计等实际场景。通过在虚拟环境中模拟不同热点的演化过程和相互作用，可以提前评估潜在风险、比较不同策略的影响，并为事件处置提供辅助依据。

3、现有社交网络模拟技术主要经历了从传统基于智能体建模到大语言模型驱动模拟的发展过程。传统基于智能体的建模（agent-based modeling，abm）通常通过预设个体行为规则和局部交互机制，模拟微观行为及其涌现出的宏观群体现象，早期已被广泛用于研究群体分化、观点扩散、合作演化等社会现象。然而，该类方法高度依赖人工设定的行为规则，难以刻画真实社交平台中自然语言表达的语义丰富性、观点细微差异和开放式互动行为。近年来，大语言模型（large language models，llms）的发展为社交模拟提供了新的技术范式，使智能体能够以自然语言作为感知、推理和行动接口，生成更接近真实用户的交互行为。例如，joon sung park等人提出的生成式智能体展示了大语言模型在记忆、反思和社会交互方面的类人能力；ziyi yang等人提出的oasis将大语言模型智能体扩展到百万级开放社交交互模拟场景，用于刻画大规模社会互动过程；朴景华等人提出的agentsociety进一步面向大规模社会行为与群体现象开展模拟研究，推动了大语言模型驱动社交模拟在规模化和社会行为建模方面的发展。与此同时，个性化微调、行为轨迹对齐以及群体状态建模等方法开始被用于提升模拟结果与真实社交数据之间的一致性。总体来看，现有研究已经推动社交网络模拟从规则驱动走向语言模型驱动，并逐步提升了模拟规模、行为真实性和数据对齐能力。

4、尽管上述研究已经取得一定进展，现有技术仍难以有效适应真实社交平台中的多重动态环境。首先，当前多数大语言模型驱动的社交模拟方法仍主要面向单一热点或单一事件的时间演化过程，对多个热点之间可能存在的协同、竞争、情绪传导以及用户注意力迁移等复杂关系考虑不足，难以准确反映真实平台中多议题交织演化的事件态势。其次，现有方法在刻画群体状态时往往侧重整体层面的统计或摘要信息，缺少对单个事件内部细粒度讨论态势与跨热点宏观事件格局之间关联关系的有效组织，导致智能体在决策过程中难以同时兼顾局部讨论语境和整体事件环境。再次，多热点信息流会进一步加重大语言模型的跨热点干扰和注意力碎片化问题，使生成结果容易出现话题混淆、立场漂移和语言一致性下降。最后，预训练大语言模型与真实社交媒体行为分布之间仍存在系统性偏差，大规模多智能体交互也会带来较高计算成本，影响模拟方法在真实复杂场景中的可扩展性和稳定性。综上所述，如何在多热点并发条件下同时刻画事件内演化过程与跨热点影响关系，降低注意力碎片化和跨热点干扰，并在有限计算资源下实现与真实数据分布的高效对齐，是当前社交网络模拟亟需解决的重要技术问题。

技术实现思路

1、为了克服现有技术在仿真效率和多热点环境建模方面的局限性，本发明提出了一种面向多重动态环境的多智能体模拟方法和系统。本发明设计了一种层次化的平均场结构，通过“局部采样-全局聚合-状态更新”的自适应更新机制，将复杂的多智能体交互转化为个体与群体间高效的信息传递与动态反馈。在框架中，策略模型承担行为生成的角色，局部平均场模型负责为智能体提供单一热点内部的行为语境，全局平均场模型则在跨热点层面整合宏观舆论态势，构建层次化平均场驱动的智能体决策机制。

2、本发明将多热点社交模拟分解为局部平均场和全局平均场两个耦合层次：局部平均场用于捕捉事件内的讨论模式，包括立场分布、观点多样性、情感倾向等细粒度信息；全局平均场通过聚合所有局部平均场的信息来建模跨热点依赖关系和宏观舆论趋势。同时，本发明设计了基于信息瓶颈理论的层次联合微调策略，对局部平均场、全局平均场和策略模型进行协同优化，在保留目标预测相关信息的同时抑制跨热点干扰。

3、本发明采用如下技术方案：

4、第一方面，本发明提供了一种面向多重动态环境的多智能体模拟方法，包括：

5、初始化智能体池和多个事件：随机打乱事件顺序，初始化全局平均场和各事件的局部平均场，利用真实用户动作进行热身迭代以稳定平均场；

6、按活跃等级和上次参与间隔确定智能体的激活概率，并进行伯努利采样抽取候选智能体，对候选智能体进行多准则评分排序和大语言模型语义过滤，得到激活的智能体；

7、为每个事件构建继承前一时刻状态的局部平均场模块，以总结事件内立场、情绪和观点分布；

8、聚合所有局部平均场和上一轮全局平均场更新全局平均场模块，以进行跨热点事件联动；

9、激活的智能体根据自身状态、局部平均场和全局平均场，经策略模型生成转发或评论动作并更新智能体状态；

10、基于信息瓶颈理论，采用低秩适应技术对局部平均场模块、全局平均场模块和策略模型联合微调，保留预测相关信息并抑制跨热点干扰，协同优化至收敛。

11、在其中一个实施例中，所述初始化智能体池和多个事件，具体包括：

12、基于真实社交数据构建智能体池，为每个智能体设定多个活跃等级和多个影响力等级，随机打乱事件的呈现顺序；将全局平均场和各事件的局部平均场初始为空状态，并在热身阶段利用真实用户动作数据迭代多步，使全局平均场和各事件的局部平均场收敛至与实际讨论分布一致的状态。

13、在其中一个实施例中，所述按活跃等级和上次参与间隔确定智能体的激活概率，并进行伯努利采样抽取候选智能体，具体包括：

14、第个智能体在时刻的激活概率为：

15、；

16、其中，表示第个智能体上次参与以来的时间间隔，表示第个智能体的活跃等级，为控制概率分布平滑程度的温度参数，表示sigmoid函数；

17、基于该激活概率进行伯努利采样，得到候选智能体池。

18、在其中一个实施例中，所述对候选智能体进行多准则评分排序和大语言模型语义过滤，得到激活的智能体，具体包括：

19、第个候选智能体的评分为：

20、；

21、其中，为第个智能体上次参与以来的时间间隔，为第个智能体的影响力等级，为引入自然变异性的随机扰动，为权重系数；保留评分最高的设定数量的候选智能体；

22、将当前事件、环境背景和候选智能体的用户画像输入大语言模型，由大语言模型判断该候选智能体是否对当前事件具有真实讨论兴趣，将通过判断的候选智能体作为激活的智能体。

23、在其中一个实施例中，所述为每个事件构建继承前一时刻状态的局部平均场模块，具体包括：

24、局部平均场模块的更新公式为：

25、；

26、其中，表示局部平均场模块，为第个事件在时刻的局部平均场；为第个事件在时刻的局部平均场，即第个事件更新后的局部平均场，为对应的智能体状态序列，为对应的智能体动作序列；智能体动作包括行为类型的选择和评论内容的生成，其中行为类型为转发或评论。

27、在其中一个实施例中，所述聚合所有局部平均场和上一轮全局平均场更新全局平均场模块，具体包括：

28、全局平均场模块的更新公式为：

29、；

30、其中，表示全局平均场模块，为时刻的全局平均场，为第个事件在时刻的局部平均场，为时刻的全局平均场，即更新后的全局平均场。

31、在其中一个实施例中，所述激活的智能体根据自身状态、局部平均场和全局平均场，经策略模型生成转发或评论动作并更新智能体状态，具体包括：

32、策略模型生成的动作为：

33、；

34、其中，为第个智能体在第个事件、时刻下的状态，为时刻的全局平均场，为第个事件在时刻的局部平均场，为第个智能体在时刻针对第个事件的动作；

35、智能体状态转移为：

36、；

37、为第个事件在时刻的智能体状态序列，为第个事件在时刻的智能体状态序列，为第个事件在时刻的智能体动作序列，为第个事件在时刻的局部平均场，为状态转移方程，用于确定下一时刻的状态分布。

38、在其中一个实施例中，所述基于信息瓶颈理论，采用低秩适应技术对局部平均场模块、全局平均场模块和策略模型联合微调，具体包括：

39、局部平均场模块的损失函数的优化上界为：

40、；

41、其中，为历史轨迹，表示智能体的真实状态序列，表示智能体真实的动作序列，表示历史轨迹中的时间索引，表示当前时刻，为学习到的局部平均场表示，为先验分布，为权衡参数，为智能体数量；表示总时间步数，表示真实历史轨迹分布，表示kullback–leibler散度，表示局部平均场模块，表示策略模型，表示第i个智能体的真实动作，表示第i个智能体的真实状态；

42、全局平均场模块的损失函数的优化上界为：

43、；

44、其中，为所有事件的局部平均场集合，为第个事件在时刻的局部平均场，为事件总数；为时刻的全局平均场，为权衡参数，表示全局平均场模块；

45、策略模型的损失函数为：

46、；

47、为第个智能体在时刻针对第个事件的动作，为第个智能体在第个事件、时刻下的状态。

48、在其中一个实施例中，所述局部平均场模块和全局平均场模块均继承前一时刻状态以保持时间连贯性；全局平均场模块不依赖单个事件内的智能体交互，而是通过聚合所有局部平均场和上一轮全局平均场进行增量式更新，以累积形成整体环境认知。

49、第二方面，本发明提供了一种面向多重动态环境的多智能体模拟系统，用于实现第一方面任意一个实施例的方法，包括：

50、初始化与热身模块，用于初始化智能体池和多个事件，随机打乱事件顺序，初始化全局平均场和各事件的局部平均场，并利用真实用户动作进行热身迭代以稳定平均场；

51、智能体激活模块，用于按活跃等级和上次参与间隔确定智能体的激活概率并进行伯努利采样抽取候选智能体，对候选智能体进行多准则评分排序和大语言模型语义过滤，得到激活的智能体；

52、局部平均场更新模块，用于为每个事件构建继承前一时刻状态的局部平均场模块，以总结事件内立场、情绪和观点分布；

53、全局平均场更新模块，用于聚合所有局部平均场和上一轮全局平均场更新全局平均场模块，以进行跨热点事件联动；

54、策略模型决策模块，用于使激活的智能体根据自身状态、局部平均场和全局平均场，经策略模型生成转发或评论动作并更新智能体状态；

55、层次联合微调模块，用于基于信息瓶颈理论，采用低秩适应技术对局部平均场模块、全局平均场模块和策略模型联合微调，保留预测相关信息并抑制跨热点干扰，协同优化至收敛。

56、本发明中的系统与方法相对应，适用于方法的具体技术方案，同样适用于系统。

57、与现有技术相比，本发明的有益技术效果是：

58、多热点场景的精准建模与跨热点关联捕获：本发明通过构建局部平均场与全局平均场相结合的层次化结构，突破了现有方法仅适用于单热点场景的技术局限。局部平均场总结每个热点内部的立场分布与情感倾向，全局平均场聚合跨热点舆论联动与注意力迁移模式，使智能体能够同时感知单一事件语境与全局态势，在多热点并发环境中生成符合真实用户行为的决策。此外，该方法能够刻画协同与竞争效应，为理解跨热点舆论动力学提供了新的建模视角。

59、仿真保真度与计算效率的协同提升：本发明通过层次化平均场替代传统方法中智能体之间的显式全连接交互，将大规模多智能体的复杂交互问题转化为个体与群体统计量的高效信息传递，从根本上降低了系统的计算复杂度。通过平均场理论将群体状态压缩为局部与全局两个紧凑表示，使每个智能体仅需与平均场作用即可掌握所需的群体信息。该方法在有限资源下支撑大规模智能体的多轮动态交互，兼顾了个体行为刻画与系统可扩展性。

60、综上所述，本发明通过引入层次化平均场结构和层次联合微调策略，有效解决了现有技术在多重动态环境社交模拟领域的多个技术问题，能够在统一框架下实现群体行为建模与文本生成的一致性，为多热点社交网络中的传播建模与智能体仿真提供了一种有效的建模范式。