来源：集智俱乐部

作者：Thomas McAtee、Claudia Szabo

译者：陈翔 

审校：刘培源

编辑：邓一雪

导语

人工生命（artificial life）是通过仿真建模、机器技术和生物化学等方式模拟自然生命系统，进而研究生命过程及其演变的领域。针对人工生命的研究范式近年来层出不穷，但捕捉人工生命的关键特征如自组织、涌现、适应、模块化、临界性等特征，则需要采用复杂系统的研究范式。本文梳理了2008年-2018年上百篇复杂系统视角的人工生命研究综述，从中提取出生物范式、社会范式、混合范式及复杂系统范式共93种，其中基于主体建模与元胞自动机是近十年主流，而最受关注的复杂系统属性是涌现、自组织和适应。未来人工生命研究可能要在对复杂系统的理解基础上，更关注模型的可扩展性。

研究领域：人工生命，生命复杂性，复杂系统

人工生命（Artificial Life）的模型和算法以自然和生物过程及现象为依据，特别适用于模拟大型复杂系统，如大规模的生态系统或社交网络，其中系统实体之间的相互作用可能会产生突发行为。尽管复杂系统越来越受欢迎，而且无处不在，但在复杂系统建模中考虑人工生命方法的程度以及它们在复杂系统领域的应用仍不清楚。

为了更好地理解人工生命和复杂系统之间的重叠部分，我们对过去十年以复杂系统为重点的人工生命研究进行了系统的文献概览。确定了538篇初始论文，其中194篇为候选论文集，产生了115项主要研究。我们的结果显示，最常见的三个应用领域是模拟（simulation），社会建模（social modelling）和生物建模（biological modelling）。我们发现了大量的范式，可以大致分为三个主要类别，即生物（biological）、社会（social）和混合（hybrid）。我们确定了用于生成最常见的复杂系统属性的人工生命范式，以及对人工生命和复杂系统建模的发展至关重要的一些研究挑战。

1. 概述

人工生命是一套适应自然发生的现象和过程并受其启发的模型和方法（Langton et al., 1989）。这些范式可以应用于各种问题，如生态建模（Punithan et al., 2011）、进化的人工生物（Loula et al., 2010）、战斗模拟（Yu and Zhao, 2010），以及对专有应用商店的应用性能进行建模（Cocco et al., 2014）。复杂系统是由具有复杂行为的自主实体组成的，它们的相互作用会导致意想不到的突发属性（Sz- abo et al., 2014; Mittal, 2013）。复杂适应系统（Complex adaptive systems, CAS）是复杂系统的一种类型，在这种系统中，实体和环境被鼓励去适应和相互作用，以实现预期的属性（Holland, 2006），并提供了对现实生活场景更真实的抽象（North et al., 2013）。这样的系统在社会网络、供应链、医疗网络、智能城市和智能电网、物联网和互联网本身等领域已经无处不在（North et al., 2013）。

用复杂系统的视角可以很容易地研究和分析人工生命的方法和范式，从而可以关注重要的属性，如自组织（Holland, 2006）、涌现（Szabo et al., 2014）、适应（Holland, 2006）、模块化（Holland, 2006）和临界性等等。自组织（Self-organization ）发生在实体相互作用以实现一个特定的目标或使系统进入一个不同的状态时（Holland, 2006; Mittal, 2013）。当实体组织起来集体行动时，就会出现涌现（Emergence），导致无法分解为微观组成部分的不可预测的宏观状态的产生（Szabo et al., 2014）。一些系统可以在没有自组织的情况下表现出涌现行为，比如静止的气体（Mittal, 2013）。在大量的系统中都观察到了涌现，比如社会网络中的社区形成、蚂蚁群的形成和刚性的细胞结构（Birdsey et al., 2015）。当一个系统中的实体在没有外部控制的情况下有选择地对其环境采取行动时，就会表现出自主性（Autonomy），这是展示涌现和自组织的基础（Froese et al., 2007）。适应性（Adaptation）指的是系统实体和环境的个别适应过程，以及系统作为一个整体的适应能力（Holland, 2006）。当采用模块化（modularity）时，实体或环境必须由决定父实体的行为和行动的子实体组成（Holland, 2006）。临界点（Criticality）指的是系统进入稳定、不稳定或突发状态之前的时间段。在许多系统中，临界点被观察到在混乱的边缘或作为一个决策点。

采用复杂系统的观点并明确考虑上述属性，将进一步促进人工生命范式对各种领域的适用性，并在复杂、大规模的情况下测试它们，从而会极大发展这一领域。同样地，更好地理解能够促进特定复杂系统属性出现的人工生命范式将大大有助于其设计，比如在设计具有特定突发属性的系统时（Mittal, 2013）。虽然大量的工作都在研究复杂系统的建模，包括人工生命范式，但其使用范围和适用性尚不清楚。为了解决这一问题，我们对以复杂系统或复杂适应系统为重点的人工生命研究进行了系统的文献回顾。

2. 前人工作

尽管现有的关于单个模型（Santé et al., 2010）、复杂系统属性（Froese et al., 2007）和人工生命范式（Emmeche, 1998）的文献综述，但据我们所知，还没有综述文章聚焦于把人工生命范式应用于复杂系统建模。下面讨论几篇专注于特定人工生命建模范式或应用的文献综述。

Bedau的工作（Bedau, 2003）分析了截至2003年的既定人工生命进展和范式，提供了一个人工生命发展的粗略时间表，从Langton最初的开创性工作（Langton et al., 1989）开始，一直到进化机器人、蜂群智能和进化语言建模的最新进展。Bedau确定了13个范式，包括两个基于复杂适应系统特性的范式，即自我复制和自我组织，并讨论了适应性对未来人工生命研究的潜在适用性。

Bousquet等人的研究（Bousquet and Le Page, 2004）回顾了多主体模拟（multi-agent simulations, MAS）在生态系统管理建模中的应用。他们指出，从事生态系统管理的科学家需要研究生态和社会动力学之间的相互作用，而MAS为研究这些动力学的融合效果提供了一个有用的模型。

Froese等人后来的工作（Froese等人，2007）分析了自主性（autonomy）在人工生命应用中的使用和定义。该研究指出，关于autonomy的定义没有达成共识，并建议在行为自主性和构成性自主性之间引入一个概念性的区分。所提供的定义断言，行为自主性与一个系统与其环境进行稳定和/或灵活互动的能力有关，而构成自主性与一个系统的自生能力有关，作者认为这具有将自主性概念限制在生物体内的不良性质。这个分类方案被用来证明在研究发表之日（2007）的系统比十年前发表的系统在自主性方面有所提高。Santé等人的一篇评论（Santé et al., 2010）关注了元胞自动机模型在现实世界城市进程模拟中的应用，如城市规划或城市进化建模，并描述了在不同应用领域使用每种模型的优势、缺陷和挑战。

3. 方法论

我们的工作旨在确定人工生命和复杂系统之间的重叠，特别是为了更好地理解在复杂系统设计、建模或分析中如何考虑人工生命方法，以及人工生命方法是否考虑了复杂系统的观点或属性。

只考虑2008年以来发表的，长度≥5页的论文，排除只包含湿人工生命（whether artificial life）以及只基于硬件未包含软件的。

从论文中提取的数据项目概述如下。

• 建模方法——记录所采用的建模方法。

• 分析方法——记录用于评估模型的分析类型。

• 采用的生命范式——记录每篇论文中采用的人工生命范式。这些范式可能包括自然或生物行为（如觅食、捕食）、自然发生的现象（如生态系统、进化或蛋白质折叠）或社会行为（如选举、经济交流或符号学）。

• 复杂适应系统属性——捕捉论文作者所确定的任何CAS属性。

• 进一步的应用——捕捉论文作者是否确定了该论文主题可以应用的任何其他领域。

• 考虑的可扩展性——捕捉论文作者是否在他们的分析中考虑了可扩展性。

• 挑战与限制——捕捉论文作者所述的该方法所面临的挑战或限制。

• 挑战类型——捕捉论文作者所确定的挑战类型。

4. 分析结论

我们概述了来自115项主要研究的已确定数据项，并讨论了一些研究问题的答案。

应用领域

我们的分析了19个不止出现了一次的研究领域（见表1）：最常见的应用领域是模拟（占所有主要研究的13%），这些论文展示了使用人工生命范式来优化和改进现有的模拟或有关模拟的实践。例如，Seth的工作探索了使用格兰杰因果关系来检测复杂系统的自治性或涌现（Seth, 2010），而Kirshenbaum等人的工作则证明了使用模拟学习群体智能来教育学生（Kirshenbaum, 2008）。社会建模（11.3%）是第二个最常使用的应用领域，其中社会结构、网络和现状是使用人工生命范式进行调查的。第三个最常调查的应用领域是生物建模（10.4%），其中生物过程和现象被建模和评估。例如，研究人员使用元胞自动机为癌症生长建模（Monteagudo和Santos Reyes, 2013），一些初级研究使用神经网络和L-系统为蛋白质折叠现象建模（Varela and Santos，2018）。

这19个领域分别是：模拟、社会建模、生物建模、机器人、语言学、优化、复杂系统分析、人工生命建模、音乐建模、疾病建模、自动化设计、市场、生态系统建模、路径、视频游戏、遗传学、军事/战术建模、生活史建模、模式识别和生成。

表1. 应用领域及其频率

建模和分析方法

我们在主要研究中发现了10种独特的建模方法。57.4%的主要研究采用基于主体的建模（ABM, Agent-based Modelling）作为建模范式。ABM模拟了自主主体的行动与互动，目的是评估这些互动的全系统结果。元胞自动机（CA, Cellular Automata）是第二种最常使用的建模方法，有45.2%的主要研究使用这种方法。元胞自动机由单元格（通常是二维）组成，每个单元格都被设定为一个特定的状态，并能影响邻近单元格的状态。第三种最常用的建模方法是蚁群模型（AC, Ant Colony），它的使用率明是显低于前两种模型的4.3%。蚁群模型使用受蚁群启发的方法来优化可以简化为图形表示的问题。

这些模型使用模拟（88.7%）、分析方法或证明（11.3%）和一次性安装物理原型（0.87%）进行分析。

这10中主要领域分别是：基于主体的建模、元胞自动机、蚁群系统、进化算法、神经网络、机器人学、P-系统、分析学、图形、群体智能。

表2. 建模方法及其频率

人工生命范式

人工生命的许多范式来自于生物和社会现象。为了更好地了解范式在我们主要研究集的论文中的分布情况，我们将93个被识别的范式分为三个主要类别，即社会型、生物型和混合型。其中相当数量的范例（60个，即64.52%）只被识别过一次，并被汇总到每个范例表底部的其他类别中。

社会型：基于社会过程或现象的范式，如社会结构、人工社会和通信。

生物型：基于生物和生理过程或现象的范式，如信息素、遗传学和代谢。

混合型：混合型范式是社会和生物范式的综合。该类别还包括那些不能完全归入生物或社会分类的范式，例如群居智能，它既有社会和生物基础，也有路径搜索，虽然是一个自然过程，但两者都没有明确的基础。

生物范式

三个最常用的生物范式是进化、捕食和信息素。进化被用作与进化建模有关的范式的总称，或利用进化计算或进化概念（如进化动力学或形态学进化）（Joachimczak et al., 2013）。捕食指的是复杂系统中至少两个主体种类之间的捕食关系；一个主体，捕食者，消耗猎物类的主体（Seth, 2010）。信息素范式与使用蚂蚁和其他生物释放的生物信息素风格的主体留下的痕迹有关。

进化是最常用的生物范式，33.9%的主要研究以某种形式利用了它。与所有其他范式相比，进化范式的使用频率是不相称的，因为在所有范式中，其次最常使用的范式是群体智能，它只在14.8%的主要研究中使用，而第三大范式（捕食）则在9.6%的主要研究中使用。其他类别涵盖了一系列不常使用的范式，如凋亡、生物生长、适应和遗传等等。69.57%的研究论文采用了生物范式。

生物范式：进化、捕食、信息素、再生产、觅食、人工化学、基于细菌的算法、能量流、遗传学、代谢、形态发生、蛋白质折叠、饥饿。

表3. 生物范式及其频率

社会范式

社会范式与通过主体之间的直接互动而发生的现象有关。最常采用的社会范式是合作、符号学和经济交流。合作是指主体互相帮助，以达到互利的结果，如（Oswald and Schmickl, 2017）。符号学指的是通过主体和他们的环境之间的互动而出现的语言构造（Shibuya et al.，2018）。经济交流指的是主体之间的资源交换。21.74%的论文采用了社会范式。

社会范式：合作、符号学、经济交流、蚁群、群体聚集、竞争、人群运动、模仿、社会行为、社交网络。

表4. 社会范式及其频率

混合范式

混合范式综合了来自其他多个范式类别的品质。例如，虽然群体智能是一种社会现象，因为它在机械地依赖于主体之间的互动，但群体智能的建模倾向于利用生物力学，如信息素进行互动。

表5中列出的最常用的混合范式是群体智能、学习和种群动力学。群体智能是分散的自组织主体体的集体行为，在自然界中以蚂蚁和蜜蜂的群体活动为例（von Mammen and Jacob, 2009）。学习是一种现象，主体或生物通过经验获得关于自身或环境的知识（Azumagakito et al., 2011）。种群动力学是指对动力系统中的种群进行研究，研究特定的子种群如何影响或影响更大的系统（Bornhofen and Lattaud, 2009）。59.13%的论文使用了混合范式。

混合范式：群体智能、学习、种群动力学、共同进化、疾病模型、神经网络、移民、多粒子相互作用、寻路、共识主动性。

表5. 混合范式及其频率

限制因素

34.78%的主要研究在讨论其研究结果时报告了某种形式的挑战或限制。最常报告的限制与建模有关（18.96%），论文作者提到在将人工生命范式与传统技术（如制造方法与生物范式）相融合方面的挑战（Leitao, 2009; Monteagudo and Santos Reyes, 2013），复杂系统的典型挑战，如在出现时缺乏可靠性（Lopez, 2010），以及在准确和有效地模拟环境方面的挑战（Azumagakito et al, 2011；Isidoro et al., 2011; Bornhofen and Lattaud, 2009）。第二个最常报告的限制是在分析领域（7.76%的论文），作者提到了结果或模型的可视化困难（Punithan et al., 2011），有限的分析规模（Janecek et al., 2013; Niazi, 2014），开发分析指标的困难（Taylor and Cody, 2015），以及有限的分析导致模型运作的模糊（Oswald and Schmickl, 2017）。实施和验证同样被报告为具有挑战性（4.34%）。实施的挑战导致了可扩展性的限制（Krol and Popiela, 2009）和复杂模型的参数化（Yamamoto and Miorandi, 2010）。验证方面的挑战导致了确保模型行为正确的困难。

历年的范式频率

图1显示了在历年研究中，各种人工生命范式被用于模拟复杂系统的频率。这里只聚合了频率大于4的范式。我们观察到自2009年来的过去十年，进化（evolution）被经常用到。此外，信息素（pheromones）的使用频率越来越高，直到2012年。

图1. 范式频率（2008年-2018年，样本总量为115）

复杂适应系统属性

22个复杂适应系统（CAS）属性在研究中被识别出来。我们的分析还旨在确定用于促进特定复杂系统特性的人工生命范式，下表显示了每种特性最常见的范式。

涌现是最常被考虑的属性，57.39%的论文分析了涌现的属性或被设计为实现涌现。论文报告使用了90种范式来产生涌现，大多数来自生物和混合范式类别（分别为55.56%和31.11%）。最常见的产生涌现的范式是进化（Otto and Bannenberg, 2010；von Mammen and Jacob, 2009）、捕食（Loula et al., 2010; Lopez, 2010）和群体智能（Leitao, 2009; von Mammen and Jacob, 2009）。

第二个最经常被识别的属性是自组织，其中28.7%的人识别了由局部相互作用产生的系统秩序。它是用40种范式产生的，最常见的是生物范式和混合范式类（分别为57.5%和32.5%）。最常使用的个体范式是进化（Leitao, 2009; Otto and Bannenberg, 2010）、群体智能（von Mammen and Jacob, 2009）和选择。

第三种最常被识别的CAS属性是适应性，出现在18.26%的论文中。适应性是通过29种范式产生的，大部分来自生物和混合范式类（分别为15种（51.72%）和10种（34.5%））。在这些类别中，最常使用的单个范式是进化（Bornhofen and Lattaud, 2009）、学习（Fernando et al., 2009）和群体智能（Leitao, 2009）。

表6. 复杂系统范式

5. 讨论

我们的数据提取确定了93种不同的人工生命范式，这些范式主要是通过基于主体的模型（ABM）（55.65%）或元胞自动机（CA）（18.26%）进行建模。用相对简单的实现机制来模拟复杂的生态或生物模型，占主要研究的近75%。其余25%的论文使用了不同的建模方法--共18种不同的方法。这表明，仍有大量的研究领域使用替代的甚至是建模范式，但未来的工作对于确保它们的适用性得到充分理解是必要的。

虽然78.26%的主要研究集确定了复杂系统的属性，但该子集的94%确定了最经常出现的前三个属性至少一个，即涌现、自组织和适应。相比之下，只有32.17%的论文考虑了前三者之外的属性。这种狭隘的关注表明了研究中的一个空白，即人工生命的方法和范式可以考虑更广泛的复杂适应系统属性，如稳定性、自主性、临界性和自我调节等。例如，只有一项主要研究讨论了自主性，重点是测量而不是生成（Seth, 2010）。另一个例子是稳定性，虽然在四项主要研究中被考虑，但通常在讨论时没有使用任何正式的衡量标准（Punithan et al., 2011）。

现有工作的这种局限性也转化为评价的局限性，在大多数研究中，主要重点是证明所需的突发特性的发生，而没有考虑其潜在的副作用以及复杂性的其他方面。由于缺乏对可扩展性的考虑，对现有论文的评估也受到限制，主要研究中的大多数论文（84.35%）在分析中没有考虑可扩展性，从而可能限制了这些方法在现实生活场景中的适用性。

复杂系统无处不在，从生物或生态建模（Punithan et al., 2011）到项目管理或物流网络设计（Otto and Bannenberg, 2010），都可以很容易地采用人工生命范式。我们的分析确定了32个独特的应用领域，34.78%的主要研究集属于三个最常见的应用领域：模拟（占主要研究集的13%）、社会建模（11.3%）和生物建模（10.4%）。虽然剩下的应用领域数量相当多，但很少有论文是在该特定领域内发表的，单一提及的应用领域占论文总数的11.30%。这表明，在各种应用领域中都考虑到了人工生命模式，但还需要更深入地分析人工生命在各个领域中的应用，以确定与它们的使用有关的潜在陷阱。

此外，还亟需一份全面的人工生命范式清单，该清单能够捕捉到范式在特定应用领域的适用性，以获得所需的属性，并提供足够的建模和实施细节，使其能够被复制。我们认为这个系统的文献综述是实现这一目标的第一步。

6. 总结

我们采用系统的文献综述方法来确定人工生命和复杂系统建模之间的重叠。我们的分析确定了93种用于复杂系统建模的人工生命范式，这些范式来自不同的应用领域。近65%的范式只被识别过一次，表明它们在不同领域的使用存在差距，值得进一步研究。22个复杂系统的特性要么是在系统的设计中被考虑，因此由人工生命范式促进；要么是在系统的评估中被考虑，因此可能由使用特定的人工生命范式造成。在讨论复杂系统特性的论文中，只有约30%的论文考虑了最流行的集合之外的特性，包括涌现、自组织和适应，这表明需要更深入地应用复杂系统理论。最后，在可扩展性分析方面，我们发现了很大的差距，只有16%的论文在评估或设计中考虑了可扩展性（无论是实体的数量还是它们的复杂行为和相互作用）。总的来说，我们的分析表明，虽然人工生命和复杂系统理论在各种模型和领域中得到了广泛的应用，但仍需要对人工生命模式和复杂系统的特性进行更深入的研究，以充分发掘其优势。

参考文献

1. Azumagakito, T., Suzuki, R., and Arita, T. (2011). Visualizinglanguage evolution as an emergent phenomenon based on biological evolution and learning. Artifificial Life and Robotics,16(3):366–372.

2. Banerjee, M., Capozzoli, M., McSweeney, L., and Sinha, D.(1999). Beyond kappa: a review of interrater agreement measures. The Canadian Journal of Statistics / La Revue Canadienne de Statistique, 27(1):3–23.

3. Bedau, M. A. (2003). Artifificial life: organization, adaptation andcomplexity from the bottom up. Trends in cognitive sciences,7(11):505–512.

4. Birdsey, L., Szabo, C., and Teo, Y. M. (2015). Twitter knows:Understanding the emergence of topics in social networks.In Proceedings of the Winter Simulation Conference, pages4009–4020.

5. Bornhofen, S. and Lattaud, C. (2009). Competition and evolutionin virtual plant communities: a new modeling approach. Natural Computing, 8(2):349–385.

6. Bousquet, F. and Le Page, C. (2004). Multi-agent simulationsand ecosystem management: a review. Ecological modelling,176(3-4):313–332.

7. Cocco, L., Mannaro, K., Concas, G., and Marchesi, M. (2014).Simulation of the Best Ranking Algorithms for an App Store.In Mobile Web Information Systems, volume 8640, pages233–247.

8. Davies, M. and Fleiss, J. L. (1982). Measuring agreement formultinomial data. Biometrics, 38(4):1047–1051.

9. de Buitleir, A., Russell, M., and Daly, M. (2012). Wains: A Patternseeking Artifificial Life Species. Artif. Life, 18(4):399–423.

10. Emmeche, C. (1998). Defifining life as a semiotic phenomenon.Cybernetics & Human Knowing, 5(1):3–17.

11. Fernando, S., Matsuzaki, S., and Marasinghe, A. (2009). Modelingtowards homeostatic plasticity in neuronal activities. Artififi-cial Life and Robotics, 14(2):262–265.

12. Froese, T., Virgo, N., and Izquierdo, E. (2007). Autonomy: a review and a reappraisal. In European Conference on ArtifificialLife, pages 455–464. Springer.

13. Holland, J. H. (2006). Studying complex adaptive systems. Journalof Systems Science and Complexity, 19(1):1–8.

14. Isidoro, C., Fachada, N., Barata, F., and Rosa, A. (2011). AgentBased Model of Dengue Disease Transmission by Aedes aegypti Populations. In Advances in Artifificial Life. DarwinMeets von Neumann, volume 5777, pages 345–352.

15. Janecek, A., Jordan, T., and de Lima-Neto, F. B. (2013). AgentBased Social Simulation and PSO. In Advances in SwarmIntelligence, volume 7929, pages 63–73.

16. Joachimczak, M., Kowaliw, T., Doursat, R., and Wrbel, B. (2013).Evolutionary design of soft-bodied animats with decentralized control. Artifificial Life and Robotics, 18(3-4):152–160.

17. Kirshenbaum, M., Palmer, D., McCullick, P., and Vaidyanathan, R.(2008). Explaining Swarm Design Concepts using an Interactive, vBottom-up Simulation Tool. In Innovative Techniquesin Instruction Technology, E-learning, E-assessment, and Education, pages 298–303.

18. Kitchenham, B. (2004). Procedures for performing systematic reviews. Keele, UK, Keele University, 33(2004):1–26.

19. Krol, D. and Popiela, . (2009). Modelling Shortest Path SearchTechniques by Colonies of Cooperating Agents. In Computational Collective Intelligence. Semantic Web, Social Networksand Multiagent Systems, volume 5796, pages 665–675.

20. Langton, C. G. et al. (1989). Alife i. In Proceedings of the fifirst international workshop of the synthesis and simulation of livingsystems.

21. Leitao, P. (2009). Holonic Rationale and Self-organization on Design of Complex Evolvable Systems. In Holonic and MultiAgent Systems for Manufacturing, volume 5696, pages 1–12.

22. Lopez, O. J. R. (2010). Self-organized and Evolvable CognitiveArchitecture for Intelligent Agents and Multi-Agent Systems.In Applications of Evolutionary Computation, volume 6024,pages 392–401.

23. Loula, A., Gudwin, R., Ribeiro, S., and Queiroz, J. (2010). OnBuilding Meaning: A Biologically-Inspired Experiment onSymbol-Based Communication. In Brain Inspired CognitiveSystems 2008, volume 657, pages 77–93.

24. Mittal, S. (2013). Emergence in stigmergic and complex adaptivesystems: A formal discrete event systems perspective. Cognitive Systems Research, 21:22–39.

25. Monteagudo, . and Santos Reyes, J. (2013). Cancer Stem CellModeling Using a Cellular Automaton. In Natural and Arti-fificial Computation in Engineering and Medical Applications,volume 7931, pages 21–31.

26. Niazi, M. A. (2014). Emergence of a Snake-Like Structure in Mobile Distributed Agents: An Exploratory Agent-Based Modeling Approach. SCIENTIFIC WORLD JOURNAL.

27. North, M. J., Collier, N. T., Ozik, J., Tatara, E. R., Macal, C. M.,Bragen, M., and Sydelko, P. (2013). Complex adaptive systems modeling with repast simphony. Complex Adaptive Systems Modeling, 1(1):3.

28. Oswald, Y. and Schmickl, T. (2017). Ultimate Ecology: How asocio-economic game can evolve into a resilient ecosystemof agents. In 2017 IEEE Symposium Series on ComputationalIntelligence (SSCI), pages 1–8.

29. Otto, S. and Bannenberg, T. (2010). Decentralized EvolutionaryAgents Streamlining Logistic Network Design. In ParallelProblem Solving from Nature, PPSN XI, pages 240–249.

30. Punithan, D., Kim, D.-K., and McKay, R. (2011). Daisyworld inTwo Dimensional Small-World Networks. In Database Theory and Application, Bio-Science and Bio-Technology, volume 258, pages 167–178.

31. Santé García, A. M., Miranda, D., and Crecente, R. (2010).Cellular automata models for the simulation of real-world urban processes: A review and analysis. Landscape and UrbanPlanning, 96(2):108–122.

32. Seth, A. K. (2010). Measuring Autonomy and Emergence viaGranger Causality. Artif. Life, 16(2):179–196.

33. Shibuya, N., Iizuka, H., and Yamamoto, M. (2018). Evolution ofCommunication Through Differentiation of Communicativeand Goal-directed Behaviors. Artif. Life Robot., 23(2):225–234.

34. Szabo, C., Teo, Y. M., and Chengleput, G. K. (2014). Understanding complex systems: Using interaction as a measure of emergence. In Proceedings of the Winter Simulation Conference,pages 207–218.

35. Taylor, C. E. and Cody, M. L. (2015). Bird song: a model complexadaptive system. Artifificial Life and Robotics, 20(4):285–290.

36. Varela, D. and Santos, J. (2018). Automatically obtaining a cellular automaton scheme for modeling protein folding using theFCC model. Natural Computing.

37. von Mammen, S. and Jacob, C. (2009). Swarming for Games:Immersion in Complex Systems. In Applications of Evolutionary Computing, volume 5484, pages 293–302.

38. Yamamoto, L. and Miorandi, D. (2010). Evaluating the Robustnessof Activator-Inhibitor Models for Cluster Head Computation.In Swarm Intelligence, volume 6234, pages 143–154.

39. Yu, Y.-M. and Zhao, G.-Q. (2010). Virtual battlefifield and combatsimulation based on Artifificial Life theory. In Proceedings 6thInternational Conference on Natural Computation, volume 6,pages 2820–2825.

（参考文献可上下滑动查看）

原文地址：

https://direct.mit.edu/isal/proceedings/isal2019/31/263/99185

未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）大脑研究计划，构建互联网（城市）大脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”