多智能体系统 (MAS) 在模拟中用于对多个自主实体交互的复杂场景进行建模，使开发人员能够研究涌现行为、测试策略或优化流程。在这些系统中，每个智能体都独立运行，拥有自己的目标、决策逻辑和对环境的感知。通过模拟智能体之间的交互（例如合作、竞争或谈判），MAS 提供了对个体行为如何扩展到系统范围结果的洞察。例如，交通模拟可能会将驾驶员建模为根据拥堵情况调整路线的智能体，而流行病模型可以模拟疾病如何通过具有不同流动模式的基于智能体的“人群”传播。
从技术角度来看，MAS 框架通常依赖于分布式算法、事件驱动架构或基于规则的决策树。智能体通常通过消息传递协议（例如，发布-订阅系统）或共享环境状态进行通信。例如，在供应链模拟中，工厂智能体可能会通过拍卖协议竞标资源，而物流智能体则使用寻路算法优化交付路线。开发人员通常使用 NetLogo、Python 的 Mesa 库或基于 Java 的 Repast 等工具来制作这些系统的原型。挑战包括管理大规模模拟的计算开销并确保智能体的动作保持同步——解决方案包括从时间步进执行到使用空间划分进行并行处理以优化性能。
MAS 在模拟中的实际应用跨越各个行业。城市规划人员使用基于智能体的模型，通过模拟数千辆车辆来测试交通信号灯配置。在游戏中，非玩家角色 (NPC) 充当具有 AI 驱动行为的智能体，从而创造动态的玩家体验。军事模拟采用 MAS 来对战场场景进行建模，其中单位自主地对威胁做出反应。一个关键优势是能够安全地测试“假设”场景：例如，模拟紧急疏散以识别瓶颈，而无需承担现实世界的风险。通过将模块化智能体设计与可扩展的基础架构相结合，开发人员可以创建反映现实世界复杂性的模拟，同时保持调整规则或智能体逻辑的灵活性。