ABM 个体仿真模型基础框架

概述

本项目提供了一个基于 Python 的抽象代理模型（Agent-Based Model, ABM）基础框架。该框架旨在模拟复杂系统中个体（Agent）之间的交互及其对宏观系统行为的影响。

核心组件

1. Agent 类: 定义个体的基本属性（如 ID、状态）和行为逻辑（状态更新规则）。
2. 环境配置: 通过字典配置仿真参数，包括个体数量、仿真步数、传播率、康复率等。
3. 网络拓扑: 支持定义个体间的连接关系（本示例采用简单的环形邻居结构）。
4. 仿真引擎: 主循环控制时间步进，驱动所有个体并行更新状态并记录历史数据。

应用场景

• 流行病传播模拟 (SIR/SEIR 模型)
• 意见动力学演化
• 交通流微观模拟
• 金融市场投资者行为分析

运行方式

直接运行 python main.py 即可在控制台查看仿真过程的统计摘要及最终结果。

结果展示说明

本模块不包含图像文件，仅通过文字描述输入与输出的对应关系，展示模型的预期行为。

场景一：标准流行病传播模拟

输入条件

• 个体总数: 100
• 初始感染数: 5
• 感染概率 (infection_rate): 0.3
• 康复概率 (recovery_rate): 0.1
• 仿真步数: 50
• 网络结构: 环形邻居（每个体左右各一个邻居）

预期输出描述

程序启动后，控制台将逐行打印每 10 个步长的状态统计。

1. 初期 (Step 0-10): 输出显示“感染”数量呈指数级缓慢上升，“易感”数量相应减少。例如：步骤 10: 易感=80, 感染=15, 康复=5。
2. 中期 (Step 11-30): 随着感染人数达到峰值，康复人数开始显著增加，新增感染速度因易感人群减少而放缓。输出显示“感染”数值达到最高点后开始下降。
3. 后期 (Step 31-50): “感染”数量逐渐归零，“康复”数量趋于稳定（接近总人口减去最终剩余易感者），“易感”数量稳定在一个较低值或零。
4. 最终输出: 程序结束时，以 JSON 格式打印最后一步的统计数据，例如：{"step": 49, "S": 2, "I": 0, "R": 98}，表明疫情已结束，绝大多数个体已康复。

场景二：低传染性情境

输入条件

• 个体总数: 100
• 初始感染数: 2
• 感染概率 (infection_rate): 0.05 (极低)
• 康复概率 (recovery_rate): 0.2
• 仿真步数: 50

预期输出描述

1. 全过程: 控制台输出的“感染”数量可能在 0 到 5 之间小幅波动，甚至可能在第 5 步之前就全部变为 0。
2. 最终输出: JSON 结果显示 "I": 0，且 "S" 的数量接近 100（例如 98 或 99），"R" 的数量极少。这表明由于传染性过低，疾病未能形成大规模爆发即自然消亡。

场景三：高康复率快速遏制

输入条件

• 个体总数: 100
• 初始感染数: 20
• 感染概率 (infection_rate): 0.4
• 康复概率 (recovery_rate): 0.8 (极高)
• 仿真步数: 20

预期输出描述

1. 初期: 尽管感染率高，但由于康复率极高，输出显示“感染”数量迅速转化为“康复”数量。
2. 趋势: “感染”曲线非常尖锐且短暂，迅速下降。
3. 最终输出: JSON 结果显示 "I": 0，"R" 占据主导地位（可能包含部分未感染的易感者，取决于传播速度是否快于康复速度）。例如：{"step": 19, "S": 40, "I": 0, "R": 60}，说明虽然初始感染多，但快速康复阻止了全群感染。