40行Python代碼實現一個簡單的演化過程

Python部落(python.freelycode.com)組織翻譯，禁止轉載，歡迎轉發。

在納米比亞的 PyCon 會議上，我發表了一篇名為 《使用 Python 解決「升級版的剪刀石頭布」》（Rock, Paper, Scissors, Lizard, Spock with Python ）的文章。在這篇文章中，介紹到用Nashpy 來計算兩個玩家的平衡是很簡單的事情，但是其中只是涉及了一點點演化穩定性的內容。 在這篇博文中，我將闡述一下如何在 Python + Numpy 環境下，使用大概 40 行代碼來建立一個簡單的演化過程模型。

我想講的第一個遊戲是「旅行者困境」問題。這裡給出一個簡化的版本：

我不想過多的講解這個遊戲的數學模型如何建立。在建模後，我們只需要知道一件事情，那就是我們有兩個玩家：

1. 行玩家：選擇我們處於哪一行；

2. 列玩家：選擇我們處於哪一列。

如果，行玩家選擇的是第二行，列玩家選擇的是第三列，則得分為：5,1。即行玩家得 5 分，而列玩家得 1 分。這個時候列玩家可能會傾向於選擇第一列，這樣的話得分就是0,4了。

下面，我們可以使用 Nashpy 來計算這個遊戲的平衡位置。

我們可以看到，納什平衡是由兩個向量組成的單個集合，向量表明了玩家應該如何玩這個遊戲：

1. 行玩家應該按照 [1,0,0] 來玩

2. 列玩家也應該按照 [1,0,0] 來玩

在這裡，[1,0,0] 是概率向量，表示一個玩家的遊戲策略的概率。所以，在這種情況下，兩位玩家都應該選擇第一個選擇，這樣的話得分為 2,2。這位置稱為納什平衡，因為所有玩家都不能偏離這個點（一旦偏離，就可能得到比別人低的分數）。

我們可以對「升級版的剪刀石頭布」這個遊戲進行同樣的建模，其數學模型如下：

接下來，使用如下的程序計算其納什平衡：

我們可以看到每個位置都是 1/5 的概率，所以兩位玩家可以隨意的選擇。這完全可以憑藉個人直覺，因為當兩位玩家都這麼做的時候，實際上就是隨機不可預測的。

所有結果都很合理。納什平衡是博弈論中一個很有用且很重要的概念，但是當我們以演化的視角看這些遊戲的時候，會發生什麼呢？

如果我們有一大群人，並且這群人總是會選擇與他們人數相同的多種選擇。他們每個都和另外一大群人玩這個遊戲，如果他們比對手得分要高，他們繼續。反之則他們的對手繼續。

下面是我們使用 Python 和 Numpy 來進行模擬的代碼。

首先，得到一個隨機的人數：

然後開始遊戲：

接下來進行變化（將那些獲勝的策略進行匯總）：

最後將上面的這些進行匯總，給定一個遊戲的迭代次數，重複的運行 mutate 函數：

下面讓我們看看最後畫出來的曲線圖（點擊這裡下載 Jupyter notebook）

首先我們看看玩「旅行者困境」這個遊戲時會發生什麼（回顧上面講的納什平衡，兩位玩家應該選擇第一種策略）：

我們可以看到，人群中的玩家很快都選擇了第一種策略。當然這也可能是我們使用了特定的隨機數種子所引起的人為結果。下面的圖片展示了使用不同的隨機數種子所得到的結果圖片。

他們的初始條件皆不相同但是結果相同：人群中的人們使用都是納什平衡策略。

接下來的是比較酷的一部分了，讓我們看看在「升級版的剪刀石頭布」的曲線圖中會發生了什麼：

我們可以看到結果不是很穩定。下面的圖片顯示了不同隨機數種子的結果：

關於兩者穩定性的差異有個直觀的解釋：在「旅行者困境」遊戲中納什平衡策略是非常強的：如果每個人都按照納什平衡來決策，我們就沒法作出改變，我們只能跟別人一樣。在「升級版的剪刀石頭布」遊戲中：如果每個人都是隨機的玩，或者所謂的人群是由玩家或者策略進行隨機的組合，你就很有可能碰見那些戰勝你的人。

從這篇文章中，我們有兩點需要注意：

1. 這只是使用 Python 模擬一個簡單的演化過程。

2. 人數的動態變化為這個遊戲添加了一個迷人的維度。我在這裡使用的演化過程非常的簡單，一般情況都是使用馬爾科夫隨機過程來研究這類問題。你也可以使用 Python 的庫來研究這類「囚徒困境」問題，使用的庫的鏈接為： axelrod.readthedocs.io/en/latest/tutorials/getting_started/moran.html

英文原文：http://vknight.org/unpeudemath/mathematics/2017/03/08/simple-evolutionary-process.html
譯者：無

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！