相互作用的异质代理的全局和局部简化模型
摘要：大规模、耦合、异质智能体的集合可能展现出复杂的动态行为，这给模拟和分析带来了困难。然而，如果集体动力学存在于低维流形上，则可以通过在动力学所在的低维空间及其附近上近似原始智能体模型，得到一个简化的模型。这通常通过推导概括集体动力学的粗糙变量来实现，这些变量可以采用一组标量或连续场（例如密度）的形式，然后作为减少模型的一部分使用。在解析上确定这样的简化模型是具有挑战性的，传统上可以通过使用均场约化或Ott-Antonsen假设来完成，但有时是不可能的。 在这里，我们提出了一种基于数据驱动的粗粒化方法来发现这样的简化模型。我们考虑两种类型的简化模型：基于全局信息的模型，使用全集合的信息来预测动力学；以及基于局部信息的模型，即仅使用接近智能体的一个子集（在异质空间中接近，而不是物理空间中接近）的信息来预测智能体的动力学。对于这两种方法，我们能够直接从基于智能体系统状态的时间序列中学习控制低维流形上简化系统行为的定律。一个非平凡的结论是，无论是全对全耦合模型还是局部耦合模型，都能很好地复现动力学。
作者：Thomas N. Thiem (1), Felix P. Kemeth (2), Tom Bertalan (3), Carlo R. Laing (4), Ioannis G. Kevrekidis (5) ((1) Department of Chemical and Biological Engineering, Princeton University, USA, (2) Department of Chemical and Biomolecular Engineering, Whiting School of Engineering, Johns Hopkins University, (3) Department of Mechanical Engineering, Massachusetts Institute of Technology, USA, (4) School of Natural and Computational Sciences, Massey University, NZ, (5) Department of Applied Mathematics and Statistics, Johns Hopkins University, USA)
论文ID：2105.09398
分类：Adaptation and Self-Organizing Systems
分类简称：nlin.AO
提交时间：2021-08-11