5D Library › 演化博弈、直接与间接互惠及合作涌现的数学模型 · English
第五章 网络互惠:空间结构与人类网络实验
邻居是谁
前几章的模型都假设个体随机相遇。在真实的种群中,个体只与少数邻居互动:同一片草地上的植物,同一个村子里的人,同一个工作群里的同事。如果合作者的邻居更可能是合作者,合作者之间的互助就主要落在彼此身上,这与第二章的「回归亲缘系数」是同一个道理,只是这一次的关联来自空间位置,而不是血缘。
证据
空间混沌。 诺瓦克与梅 1992 年在二维方格上放置只会永远合作或永远背叛的个体。每个个体与周围 8 个邻居及自己进行一次博弈,然后每个格点在下一代被它自己与 8 个邻居中得分最高者的策略占据。这个完全确定的规则产生了不断变化的图案,合作者与背叛者在其中无限期地共存,比例围绕可以预测的长期平均值波动;对称的初始状态还会产生「动态分形」(Nowak and May 1992)。
推导
# Spatial games after Nowak & May (1992). Players sit on a 60 x 60 torus; each plays the
# one-shot game with its 8 neighbours and itself, with C vs C = 1, D vs C = T, and 0
# otherwise (a "weak" prisoner's dilemma, 1 < T < 2). Then every site, simultaneously,
# copies the strategy of the highest scorer among itself and its 8 neighbours.
# Start: 10 % defectors at random. Reported: cooperator share averaged over generations
# 150-200, in each of 3 runs. In a well-mixed population defectors take over for every
# T > 1.
import random
rng = random.Random(10)
L = 60
NB = [(dx, dy) for dx in (-1, 0, 1) for dy in (-1, 0, 1)] # includes the site itself
def step(g, T):
score = [[0.0] * L for _ in range(L)]
for i in range(L):
for j in range(L):
nc = sum(g[(i + dx) % L][(j + dy) % L] for dx, dy in NB)
score[i][j] = nc * (1.0 if g[i][j] else T)
new = [[0] * L for _ in range(L)]
for i in range(L):
for j in range(L):
best, s = g[i][j], score[i][j]
for dx, dy in NB:
a, b = (i + dx) % L, (j + dy) % L
if score[a][b] > s: s, best = score[a][b], g[a][b]
new[i][j] = best
return new
def run(T, gens=200, p_def=0.1):
g = [[0 if rng.random() < p_def else 1 for _ in range(L)] for _ in range(L)]
hist = []
for t in range(gens):
g = step(g, T)
if t >= 150: hist.append(sum(map(sum, g)) / L ** 2)
return sum(hist) / len(hist), g
if __name__ == "__main__":
print(" T cooperator share (generations 150-200, 3 runs)")
for T in (1.10, 1.30, 1.55, 1.70, 1.80, 1.90, 1.99, 2.05):
vals = [run(T)[0] for _ in range(3)]
print(f" {T:.2f} " + " ".join(f"{v:.3f}" for v in vals)
+ f" mean {sum(vals) / 3:.3f}")
# T cooperator share (generations 150-200, 3 runs)
# 1.10 0.981 0.982 0.986 mean 0.983
# 1.30 0.866 0.875 0.854 mean 0.865
# 1.55 0.794 0.824 0.829 mean 0.816
# 1.70 0.704 0.707 0.717 mean 0.709
# 1.80 0.410 0.399 0.411 mean 0.407
# 1.90 0.318 0.310 0.309 mean 0.312
# 1.99 0.313 0.311 0.322 mean 0.315
# 2.05 0.043 0.018 0.047 mean 0.036程序在 60 × 60 的环面上重现这一模型。收益采用原文的「弱囚徒困境」:双方合作各得 1,背叛者遇到合作者得 ,其余为 0,。从 10% 的随机背叛者开始, 时合作者占 98%; 增加,合作者逐步减少, 时为 71%; 越过 1.8 时急剧下降到约 40%;在 1.8 与 2 之间,合作者稳定在约 31%(三次运行为 0.318、0.310、0.309 与 0.313、0.311、0.322); 时合作者几乎消失。在随机相遇的种群中,任何 都会使合作者灭绝。
合作者能在方格上存活,是因为它们结成团块:团块内部的合作者彼此得到高收益,只有边界上的合作者被背叛者利用。图四左是 时的一个快照。
注
这个模型的特殊之处。 诺瓦克—梅模型是确定性的:每个格点总是模仿得分最高者,没有随机性、没有突变;每个个体也与自己博弈。这些设定都会影响结果,空间结构对合作的作用强烈依赖于更新规则与博弈的类型。下面的 规则给出了一个更一般、但同样有条件的答案。
b/c > k 的条件
证据
图上的简单规则。 大槻、豪尔特、利伯曼与诺瓦克 2006 年研究了任意网络上的捐献博弈。在弱选择下,若采用「死亡—出生」更新(每一步随机一个个体死亡,它的邻居按适合度竞争这个空位),当收益—代价比超过平均邻居数时,即
自然选择偏爱合作(一个合作者占领整个网络的概率高于一个背叛者)。在「出生—死亡」更新(每一步按适合度选一个个体繁殖,后代随机替换它的一个邻居)下,网络从不偏爱合作;在「模仿」更新下,条件为 (Ohtsuki et al. 2006)。
是大网络中的近似。泰勒、戴与怀尔德 2007 年对一类对称网络给出了有限规模的精确条件 (Taylor et al. 2007);陈(Yu-Ting Chen)2013 年证明它对所有每人有 个邻居的网络都成立 (Chen 2013)。艾伦等人 2017 年给出了一种对任意网络都适用的计算方法:先解一组关于随机游走「相遇时间」的线性方程,再从中算出临界的 (Allen et al. 2017)。
推导
# Critical b/c for cooperation on a given graph under death-birth updating and weak
# selection, computed exactly with the coalescence-time method of Allen et al. (2017):
# tau_ii = 0, tau_ij = 1 + (1/2) sum_k (p_ik tau_kj + p_jk tau_ik) (i != j)
# tau(n) = sum_ij pi_i p(n)_ij tau_ij, (b/c)* = tau(2) / (tau(3) - tau(1)),
# where p is the random-walk step matrix and pi its stationary distribution. Cooperation
# is favoured (fixation probability of C above that of D) iff b/c > (b/c)* when the
# denominator is positive; otherwise never. Compared with k (Ohtsuki et al. 2006, large
# N) and (N - 2)/(N/k - 2) (exact for k-regular graphs: Taylor, Day & Wild 2007 for
# transitive graphs, Chen 2013 for all regular graphs).
import random
rng = random.Random(11)
def solve(A, y):
n = len(A)
M = [row[:] + [v] for row, v in zip(A, y)]
for c in range(n):
p = max(range(c, n), key=lambda r: abs(M[r][c])); M[c], M[p] = M[p], M[c]
piv = M[c][c]; M[c] = [v / piv for v in M[c]]
for r in range(n):
f = M[r][c]
if r != c and f: M[r] = [a - f * b for a, b in zip(M[r], M[c])]
return [M[r][n] for r in range(n)]
def critical(adj):
N = len(adj)
deg = [len(a) for a in adj]
P = [[(1 / deg[i] if j in adj[i] else 0.0) for j in range(N)] for i in range(N)]
pi = [d / sum(deg) for d in deg]
pairs = [(i, j) for i in range(N) for j in range(i + 1, N)]
idx = {pr: k for k, pr in enumerate(pairs)}
key = lambda i, j: idx[(min(i, j), max(i, j))]
A = [[0.0] * len(pairs) for _ in pairs]; y = [1.0] * len(pairs)
for (i, j), r in idx.items():
A[r][r] += 1.0
for k in adj[i]:
if k != j: A[r][key(k, j)] -= 0.5 * P[i][k]
for k in adj[j]:
if k != i: A[r][key(i, k)] -= 0.5 * P[j][k]
t = solve(A, y)
tau = lambda i, j: 0.0 if i == j else t[key(i, j)]
T = [[tau(i, j) for j in range(N)] for i in range(N)]
PT = [[sum(P[i][k] * T[k][j] for k in adj[i]) for j in range(N)] for i in range(N)]
P2T = [[sum(P[i][k] * PT[k][j] for k in adj[i]) for j in range(N)] for i in range(N)]
P3T = [[sum(P[i][k] * P2T[k][j] for k in adj[i]) for j in range(N)] for i in range(N)]
t1 = sum(pi[i] * PT[i][i] for i in range(N))
t2 = sum(pi[i] * P2T[i][i] for i in range(N))
t3 = sum(pi[i] * P3T[i][i] for i in range(N))
return t2 / (t3 - t1) if t3 > t1 else float("inf")
def ring(N, k):
return [sorted({(i + d) % N for d in range(-k // 2, k // 2 + 1) if d})
for i in range(N)]
def torus(a, b):
nb = lambda i, j: [((i + 1) % a) * b + j, ((i - 1) % a) * b + j, i * b + (j + 1) % b,
i * b + (j - 1) % b]
return [sorted(set(nb(i, j))) for i in range(a) for j in range(b)]
def random_regular(N, k):
while True:
stubs = [i for i in range(N) for _ in range(k)]; rng.shuffle(stubs)
e = {(min(a, b), max(a, b)) for a, b in zip(stubs[::2], stubs[1::2]) if a != b}
if len(e) == N * k // 2:
adj = [[] for _ in range(N)]
for a, b in e: adj[a].append(b); adj[b].append(a)
return adj
N = 24
GRAPHS = [("cycle", ring(N, 2)), ("ring, 4 neighbours", ring(N, 4)),
("4 x 6 torus lattice", torus(4, 6)),
("random 4-regular", random_regular(N, 4)),
("ring, 8 neighbours", ring(N, 8)),
("star", [list(range(1, N))] + [[0] for _ in range(N - 1)]),
("complete graph", [[j for j in range(N) if j != i] for i in range(N)])]
print(f"N = {N} k exact (b/c)* (N-2)/(N/k-2) rule b/c > k")
for name, adj in GRAPHS:
k = sum(map(len, adj)) / N
crit = critical(adj)
form = (N - 2) / (N / k - 2) if N / k > 2 else float("inf")
cs = f"{crit:8.3f}" if crit < 1e6 else " never"
fs = f"{form:8.3f}" if form < 1e6 else " never"
print(f" {name:20s} {k:5.2f} {cs} {fs} {k:5.2f}")
# N = 24 k exact (b/c)* (N-2)/(N/k-2) rule b/c > k
# cycle 2.00 2.200 2.200 2.00
# ring, 4 neighbours 4.00 5.500 5.500 4.00
# 4 x 6 torus lattice 4.00 5.500 5.500 4.00
# random 4-regular 4.00 5.500 5.500 4.00
# ring, 8 neighbours 8.00 22.000 22.000 8.00
# star 1.92 never 2.091 1.92
# complete graph 23.00 never never 23.00程序对 24 个节点的七种网络用艾伦等人的方法求出精确的临界值。环(每人 2 个邻居)为 2.200,与 相同;每人 4 个邻居的三种网络(环、4 × 6 的环面方格、随机生成的 4 正则图)都是 5.500,与公式相同,也说明对每人邻居数相同的网络,结果只取决于 与 ;每人 8 个邻居时为 22.000。三种情形都明显高于 :小网络中合作更难。星形网络(一个中心连着 23 个叶子)与完全图(每人与所有人相连)上,合作在任何 下都不被偏爱。完全图就是「随机相遇」的种群;星形网络的平均邻居数不到 2,但它的结构使合作无法利用这一点,说明「平均邻居数」并不是唯一重要的量。
人类网络实验
模型说的是:在特定的更新规则下,网络结构可能帮助合作。人类在网络上的行为是否如此,需要实验来回答。
证据
静态网络没有提高合作。 格拉西亚-拉萨罗等人 2012 年组织了一次大规模实验:西班牙阿拉贡 42 所中学的 1,229 名学生,625 人在 25 × 25 的方格网络(每人 4 个邻居)上,604 人在邻居数从 2 到 16 不等的异质网络上,同时与所有邻居进行囚徒困境(双方合作各得 7,背叛合作者得 10,其余为 0),共进行 50 多轮。两种网络中的合作水平几乎相同,都从约 60% 下降并稳定在约 30%;参与者的行为更像是「条件合作」:是否合作取决于邻居上一轮的合作程度,也取决于自己上一轮是否合作(作者称之为「随情绪变化的条件合作」),而不是模仿得分高的邻居。作者的结论是,种群结构在人类中对合作几乎没有促进或抑制作用 (Gracia-Lázaro et al. 2012)。
证据
b/c > k 时网络稳定了合作。 兰德、诺瓦克、福勒与克里斯塔基斯 2014 年在实验中系统地改变收益—代价比与邻居数。他们的第二个实验在网上招募了 1,163 名参与者,把 (2、4、6)与邻居数 (2、4、6)交叉组合,进行 15 轮捐献博弈。当 时,合作在后半程保持稳定,合作者之间出现显著的聚集;当 时,合作持续下降,背叛者的收益显著高于合作者。在同样 但每轮随机打乱邻居的对照组中,合作也在下降 (Rand et al. 2014)。
两项研究之间的分歧没有完全解决。兰德等人逐一检查了此前的网络实验:按他们的换算,格鲁伊奇等人 2010 年的方格实验(每人 8 个邻居)的参数不满足 ,其中没有出现稳定的合作,这与理论一致 (Grujić et al. 2010);但他们也承认,格拉西亚-拉萨罗等人的参数满足这一条件,却同样没有出现稳定的合作。他们提出的解释是,那项实验每种网络只做了一次,中学生参与者也可能更多地「试探」(Rand et al. 2014)。这些解释尚未被直接检验。另一方面,兰德等人的阳性结果来自 15 轮的在线实验,每种处理只有 4 个场次。两者共同说明的是:静态网络本身不是合作的「保证」,模型中的条件(收益结构、更新方式)是否在人类身上起同样的作用,仍是一个开放的问题。还有一点值得注意:格拉西亚-拉萨罗等人发现,人在实验中通常不会「模仿得分最高的邻居」,而是根据邻居上一轮的行为作出条件反应 (Gracia-Lázaro et al. 2012),这与模型中的更新规则不同,所以模型的预测即使在方向上得到支持,机制也未必相同。
假说 · 尚未验证
连接密度假说(尚未确立)。作者推测,在一个以小组为单位协作的线上社群中,每个成员固定协作的伙伴越少( 越小),在协作收益相对于付出不高时,互助规范越能维持;伙伴很多时,需要更高的收益—代价比才能达到同样的效果。可以检验的预测是:在随机分配固定伙伴数(例如 2、4、8 人)的协作实验中,互助率随伙伴数的增加而下降,且下降的幅度在收益—代价比较低时更大。如果伙伴数对互助率没有影响,或者影响的方向相反,这一假说就被推翻。
本章小结
当个体只与邻居互动时,合作者可以结成团块而存活:诺瓦克—梅模型中,合作者在 时稳定在约 31%,而随机相遇时全部灭绝。大槻等人的规则 给出了「死亡—出生」更新、弱选择下网络偏爱合作的条件;有限网络的精确门槛 更高,「出生—死亡」更新下网络从不偏爱合作。人类实验中,大型静态网络没有提高合作,而在 的条件下合作保持稳定;网络能否帮助合作,取决于收益结构与人们实际的反应方式。下一章讨论一种直接改变收益的机制:惩罚。
参考文献
Fan, Y. (2026). Evolutionary Game Theory, Direct and Indirect Reciprocity and the Emergence of Cooperation: From Hamilton's Rule and Axelrod's Tournaments to Reputation and Costly Punishment, Read Beside Classical Confucian and Mohist Ethics [演化博弈、直接与间接互惠及合作涌现的数学模型] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23788551 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).