基于代理的建模 (ABM) 是一种计算方法，用于模拟系统中自主代理之间的交互。 每个代理独立运行，遵循预定义的规则，它们的集体行为会产生系统层面的涌现模式。 例如，代理可以代表人群中的个体、交通中的车辆或生物系统中的细胞。 目标是观察局部交互和决策如何导致全局结果，而这些结果可能无法通过传统的分析方法来预测。 ABM 对于研究个体变异性和自适应行为很重要的复杂系统特别有用。
ABM 的一个关键方面是其自下而上的结构。 模型不是依赖于自上而下的方程或聚合统计数据，而是为各个代理定义规则，并让系统在离散的时间步长内演化。 例如，在交通模拟中，每辆车（代理）可能遵循诸如保持速度、避免碰撞或变换车道等规则。 当数千个这样的代理交互时，像交通拥堵或流量优化这样的模式自然而然地出现。 像 NetLogo、Mesa (Python) 或 Repast 这样的工具为构建此类模型提供了框架，允许开发人员专注于代理逻辑而不是低级模拟机制。 ABM 与系统动力学或基于方程的模型不同，因为它强调异质性——代理可以具有独特的属性，例如不同的决策策略或资源限制。
实施 ABM 的开发人员经常面临与可扩展性和验证相关的挑战。 例如，实时模拟数百万个代理需要高效的代码，有时需要利用并行计算或优化的数据结构。 验证包括确保代理规则与现实世界的行为相符，这可能涉及使用经验数据校准参数。 一个实际用例是模拟疾病传播：代理代表具有不同移动模式、接触率和健康状况的人。 通过调整诸如戴口罩依从性或疫苗接种率等规则，开发人员可以测试政策变化如何影响感染曲线。 ABM 的灵活性使其成为探索从经济学到生态学的各个领域中的“假设”场景的强大工具，前提是该模型的假设和局限性得到清楚的理解。