疫情传播预测指南：用NetLogo快速搭建病毒扩散模型的5个关键步骤

疫情传播预测实战：用NetLogo构建高保真多智能体模型的深度指南

作为一名长期关注公共卫生领域复杂系统建模的研究者，我常常需要向同行解释，为什么在面对像新冠疫情这样动态、非线性的传播现象时，传统的统计模型有时会显得力不从心。一个核心的答案是：真实世界的传播，是无数个体在特定空间、遵循特定规则进行互动的涌现结果。这正是多智能体仿真（MAS）大放异彩的领域。它不把人群看作一个均质的整体，而是将其拆解为一个个具有独立属性和行为的“智能体”，通过模拟他们之间的微观互动，来揭示宏观的传播规律。今天，我将抛开繁复的理论对比，直接切入实战，分享如何利用NetLogo这一强大且易上手的工具，从零开始搭建一个可用于疫情传播预测的多智能体模型。这个过程不仅关乎代码编写，更涉及对传播动力学的深刻理解、参数校准的艺术以及模型验证的科学。

1. 模型基石：从零搭建你的第一个传播沙盘

在开始编写任何代码之前，我们必须清晰地定义模型的边界和核心假设。一个模型不可能模拟现实世界的全部细节，我们的目标是抓住影响传播的关键因素，构建一个“足够好”的抽象。

1.1 定义智能体与世界

在NetLogo中，一切始于“海龟”（Turtles，代表智能体）和“瓦片”（Patches，代表环境）。对于疫情传播模型，我们首先需要定义两类核心智能体：人（People）和可能的病毒载体（如气溶胶云团，可选）。环境则是他们活动的空间，例如一个模拟社区、城市网格或特定建筑平面图。

我们首先需要为“人”这个智能体赋予关键的属性。这些属性将决定其状态和行为。

turtles-own [
  health-status      ; 健康状态：易感（S）、潜伏（E）、感染（I）、康复（R）
  days-infected      ; 若被感染，已感染的天数
  infection-radius   ; 个体的传染半径
  mobility           ; 移动性参数，影响移动速度和范围
  immunity-level     ; 免疫力水平，影响被感染概率和病程
]

同时，我们需要定义全局变量来控制模型的运行和核心流行病学参数：

globals [
  total-susceptible   ; 易感者总数
  total-exposed       ; 潜伏者总数
  total-infectious    ; 感染者总数
  total-recovered     ; 康复者总数
  basic-reproduction-number  ; 基本再生数 R0（实时计算值）
  transmission-rate   ; 传播率 Beta
  incubation-period   ; 平均潜伏期
  infectious-period   ; 平均感染期
  mortality-rate      ; 病死率（可选扩展）
]

注意：在模型初始化时，谨慎设置智能体的初始数量和各状态的比例。一个常见的做法是引入1-2个初始感染者，其余均为易感者，以观察疫情的自然暴发过程。

1.2 构建核心行为规则

智能体的行为规则是模型的引擎。我们需要用NetLogo代码精确地定义这些规则。

移动规则：个体的移动模式极大地影响接触网络。我们可以设计几种模式：

• 随机游走：最简单的移动方式，适用于无目的性活动。
• 有向移动：智能体朝向特定目的地（如家庭、工作地点）移动，模拟通勤行为。
• 社交引力移动：智能体倾向于向人群聚集的区域移动。

下面是一个结合了随机性和有向性的移动过程示例：

to move-people
  ask people [
    ; 以一定概率决定是随机移动还是朝向目标移动
    ifelse (random-float 1.0 < 0.7) [
      ; 有向移动：朝向“家”或“工作地”的坐标移动
      let target