多智能体系统 (MAS) 通过模拟自主体之间的互动，并分析它们的集体行为如何产生意想不到的结果来预测涌现现象。 每个智能体都遵循预定义的规则或学习算法，并且它们的局部交互（例如，合作、竞争或通信）会产生未明确编程的模式或行为。 例如，在交通流量模拟中，遵守速度和变道规则的个体驾驶员智能体可以集体产生交通拥堵或平稳流动，具体取决于密度和智能体决策[1]。 MAS 模型通常使用基于智能体的建模 (ABM) 等计算工具来观察微观层面的决策如何导致宏观层面的现象。
为了预测涌现，开发人员通常实施三个步骤：(1) 定义智能体规则（例如，决策逻辑、环境响应），(2) 在共享环境中模拟交互（例如，机器人角色分配的改进黑板架构[1]），以及 (3) 分析聚合数据以寻找模式。 例如，在群体机器人中，个体机器人的简单避碰规则可以导致涌现的集群行为。 预测准确性取决于模型捕获真实世界智能体行为和交互动态的程度，通常通过迭代模拟进行验证。
主要挑战包括管理计算复杂性和识别驱动涌现的关键变量。 系统预测框架[5]等工具通过构建模拟和数据分析来提供帮助。 例如，在经济学中，MAS 模型通过模拟具有自适应定价策略的买方/卖方智能体来预测市场趋势，从而揭示涌现的价格均衡。 这些方法将自下而上的模拟与统计分析相结合，以预测来自去中心化交互的系统级结果。
[1] multi-agent [5] systematic_prediction