導(dǎo)語(yǔ)

合作為何無(wú)處不在？從狼群圍獵到國(guó)際減排，從地鐵排隊(duì)到開源社區(qū)，自私的本能似乎難以阻擋集體付出的腳步。在追逐個(gè)人利益的世界里，個(gè)體為何甘愿為群體出力？演化博弈理論正如一把鑰匙，幫助研究人員破解這一古老悖論。美國(guó)數(shù)理生物學(xué)家 Martin Nowak 創(chuàng)始性地利用其揭示了群體合作的奧秘，其成果刊登在《Science》上，并在學(xué)術(shù)界引起了強(qiáng)烈反響。如今，這一研究領(lǐng)域仍在不斷拓展，其意義遠(yuǎn)超單純解釋生物行為。重要的是，演化博弈理論不僅照亮了群體行為和社會(huì)結(jié)構(gòu)的深層邏輯，還為人工智能、平臺(tái)治理乃至大國(guó)博弈等前沿領(lǐng)域提供了科學(xué)指引。

關(guān)鍵詞：演化博弈，復(fù)雜系統(tǒng)，群體行為，強(qiáng)化學(xué)習(xí)

謝凱丨作者

張江丨審校

1. “我?guī)湍悖皇且驗(yàn)槲疑怠薄献鞯你Ｕ?/strong>

你有沒(méi)有遇到過(guò)這種情況：明明是團(tuán)隊(duì)任務(wù)，大家卻一開始都按兵不動(dòng)，等著最后幾個(gè)人熬夜“背鍋”；或者你一個(gè)人精心維護(hù)共享文檔，別人卻從來(lái)不補(bǔ)充更新。

你或許也曾聽過(guò)這樣的感慨：“我這么講義氣，結(jié)果還不是被人當(dāng)冤大頭？”

但奇妙的是，在很多時(shí)候，我們確實(shí)還是會(huì)選擇合作。比如地鐵上自覺(jué)排隊(duì)、野外露營(yíng)時(shí)大家輪流做飯，甚至大到國(guó)際組織中的減排協(xié)議。并且，這種現(xiàn)象即使在生物界也屢見不鮮：狼群合作圍獵、螞蟻協(xié)作搬家、海豚集體趕魚等。可問(wèn)題是，合作意味著要付出成本，而收益往往被別人共享，這到底值不值？

這個(gè)問(wèn)題其實(shí)背后藏著一個(gè)古老又現(xiàn)代的哲學(xué)與科學(xué)謎題：為什么在自利的驅(qū)動(dòng)下，有些人（或動(dòng)物）卻依然愿意付出？演化博弈理論（Evolutionary Game Theory, EGT）就是為了回答這個(gè)問(wèn)題而誕生的——我們今天要聊的，就是它。

2. 從博弈論到達(dá)爾文：演化博弈到底是啥？

首先來(lái)破個(gè)梗：“博弈”不只是電視劇里的權(quán)謀爭(zhēng)斗，它是一種研究沖突和合作的數(shù)學(xué)方法。

傳統(tǒng)博弈論（Game Theory）由馮·諾依曼（Von Neumann) [1]和約翰·福布斯·納什（John Forbes Nash Jr) [2]等人奠基，假設(shè)玩家都是理性的，并且追求收益最大化。然而，現(xiàn)實(shí)中我們看到的往往是：

• 有人糊里糊涂參與決策；

• 有人隨波逐流看別人怎么選；

• 有人就算吃虧也愿意“做好人”。

Von Neumann（左），來(lái)源：https://en.wikipedia.org/wiki/John_von_Neumann；John Forbes Nash Jr（右），來(lái)源：https://en.wikipedia.org/wiki/John_Forbes_Nash_Jr.

這時(shí)候，生物學(xué)站了出來(lái)。查爾斯·羅伯特·達(dá)爾文（Charles Robert Darwin）的“自然選擇”曾說(shuō)：行為是否合理，不取決于是否理性，而在于是否能留下更多后代。基于此，1973年，約翰·梅納德·史密斯（John Maynard Smith）和喬治·普萊斯（George Price）開創(chuàng)性地提出 [3]：如果我們把“策略”看成一種可遺傳的行為特征，不同策略在群體中相互作用并隨時(shí)間演化，就可以用博弈模型來(lái)研究人類和動(dòng)物的行為，甚至推演文明進(jìn)化。

Charles Robert Darwin，來(lái)源：https://en.wikipedia.org/wiki/Charles_Darwin

這就是演化博弈論。它假設(shè)玩家不一定是理性的，而是帶有某種策略傾向的“個(gè)體”；策略的成功不靠深思熟慮，而是通過(guò)“適者生存”原則在群體中獲得傳播并穩(wěn)定存在。換句話說(shuō)，一個(gè)策略能否勝出，不看它理論上多“完美”，而看它在與其他策略的較量中能否“活下來(lái)”。

如何描述這種“適者生存”的過(guò)程呢？

演化博弈論引入了一個(gè)核心的數(shù)學(xué)模型——復(fù)制者動(dòng)態(tài)方程（Replicator Dynamics Equation）。它描述了策略如何隨時(shí)間變化，其基本思想非常直觀：如果一個(gè)策略的平均收益（適應(yīng)度）高于整個(gè)群體的平均收益，那么采用該策略的個(gè)體比例就會(huì)增加；反之，如果低于平均收益，則其比例會(huì)減少。例如，在一個(gè)簡(jiǎn)單的雙策略（如合作與背叛）博弈模型中，合作者比例的變化率可以表示為：

其中，x是合作者在群體中的比例，∏C是合作策略的平均收益，是整個(gè)群體的平均收益。

它和傳統(tǒng)博弈論最大的不同在于：玩家不一定理性，但“表現(xiàn)好的策略”會(huì)自然留下來(lái)，“不適應(yīng)的策略”被淘汰。

那么，為什么有人會(huì)合作？

演化博弈論的核心在于“策略的演化”。在自私的本能驅(qū)動(dòng)下，合作策略之所以能出現(xiàn)，是因?yàn)樗谀承l件下能帶來(lái)更高的生存和繁衍優(yōu)勢(shì)。比如，幫助他人可能換來(lái)回報(bào)，從而在群體競(jìng)爭(zhēng)中讓“合作者”更有生存力。這種“自然選擇下的合作”不僅解釋了生物界的互助行為，也為人類社會(huì)的合作現(xiàn)象提供了線索。

3. “合則兩利”沒(méi)那么簡(jiǎn)單：

合作涌現(xiàn)的基礎(chǔ)機(jī)制

我們現(xiàn)在知道了：演化博弈能解釋“為什么有人會(huì)合作”。但真正難的，是回答另一個(gè)問(wèn)題：在不合作更容易獲利的情況下，合作為什么還能出現(xiàn)并穩(wěn)定存在？

這就是演化博弈中的“合作難題”。

經(jīng)典例子：公共物品博弈

想象一個(gè)場(chǎng)景：每個(gè)人都能為公共項(xiàng)目出資（比如村里修水井），但也可以選擇不出錢卻享受成果。

• 大家都出資，水井修成，皆大歡喜；

• 你偷懶、別人出力，你白占便宜；

• 大家都偷懶，水井沒(méi)戲。

這就是“搭便車”問(wèn)題，也是最難解決的合作障礙之一。

來(lái)源：作者創(chuàng)作

合作機(jī)制的探索

研究者發(fā)現(xiàn)，要解決合作困境，離不開一些關(guān)鍵機(jī)制。美國(guó)數(shù)理生物學(xué)家馬丁·諾瓦克（Martin Nowak）提出的五種機(jī)制為促進(jìn)合作的涌現(xiàn)奠定了基礎(chǔ) [4]：

Martin Nowak，來(lái)源：https://en.wikipedia.org/wiki/Martin_Nowak

1）直接互惠（Direct reciprocity）：我?guī)湍阋淮危麓文阋惨獛臀摇?/p>

這種機(jī)制也被稱為“以牙還牙”。它適用于重復(fù)互動(dòng)的場(chǎng)景：我今天幫你，期待你明天回報(bào)；你若坑我，我下次就不幫你。這種機(jī)制簡(jiǎn)單高效，建立了一種“可預(yù)期的回饋體系”，特別在長(zhǎng)期關(guān)系（如合伙創(chuàng)業(yè)、科研團(tuán)隊(duì)）中能夠促進(jìn)信任與合作。

現(xiàn)實(shí)案例：朋友之間互請(qǐng)吃飯、鄰里之間輪流照看小孩，這些都是典型的直接互惠。

2）間接互惠（Indirect reciprocity）：好人出名，合作更易。

如果說(shuō)直接互惠是“你幫我，我?guī)湍恪保情g接互惠就是“你幫了他，我愿意幫你”。 這就引入了“聲譽(yù)”這個(gè)重要中介。你幫別人的行為被第三方看到并記住，他們會(huì)認(rèn)為你是個(gè)值得合作的人，從而在未來(lái)與你建立合作關(guān)系。

現(xiàn)實(shí)案例：淘寶賣家靠“五星好評(píng)”吸引顧客，求職者靠推薦信增強(qiáng)可信度，本質(zhì)上都依賴于間接互惠的傳播力。

3）空間選擇（Spatial Selection）：熟人圈里合作更穩(wěn)。

人類社會(huì)不是完全開放的，而是由小圈子構(gòu)成的“關(guān)系網(wǎng)”。在這樣的小圈子中，合作更容易維持。一方面，信息傳播更快，聲譽(yù)的反饋更直接；另一方面，背叛者更難“換馬甲”。網(wǎng)絡(luò)結(jié)構(gòu)不僅影響合作，還決定合作是“星火燎原”還是“悄然凋零”。研究顯示，在小世界網(wǎng)絡(luò)、分層社區(qū)等網(wǎng)絡(luò)結(jié)構(gòu)中，合作更易擴(kuò)散。

現(xiàn)實(shí)案例：公司之間貿(mào)易往來(lái)，往往優(yōu)先選擇與自己“關(guān)系網(wǎng)”中的企業(yè)進(jìn)行合作。

4）群體選擇（Group Selection）：群體競(jìng)爭(zhēng)促合作。

前三種機(jī)制關(guān)注個(gè)體間合作，而群體選擇著眼于群體間競(jìng)爭(zhēng)。即使個(gè)體層面合作吃虧，但合作群體若在競(jìng)爭(zhēng)中更強(qiáng)大，這種策略就能存活。這是一種“宏觀演化邏輯”：自私個(gè)體可能短期占優(yōu)，但合作群體長(zhǎng)期勝出。

現(xiàn)實(shí)案例：抗戰(zhàn)時(shí)期，團(tuán)結(jié)協(xié)作的游擊隊(duì)常能擊敗人數(shù)眾多卻無(wú)信任的軍閥部隊(duì)。

5）親緣選擇（Kin Selection）：血濃于水助合作。

在親緣關(guān)系中，個(gè)體更愿幫助血親，即使?fàn)奚约豪妗＿@是因?yàn)閹椭H屬能增加共同基因的傳播機(jī)會(huì)。親緣選擇解釋了家庭、家族或部落中合作的高頻出現(xiàn)。

現(xiàn)實(shí)案例：父母無(wú)私養(yǎng)育子女、兄弟姐妹互助，都是親緣選擇的體現(xiàn)；在動(dòng)物界，蜜蜂工蜂為保護(hù)蜂后和幼蜂而犧牲生命也是如此。

來(lái)源：https://www.science.org/doi/abs/10.1126/science.1133755#core-collateral-purchase-access

4. 演化博弈遇上AI：智能體如何學(xué)會(huì)合作？

隨著多智能體系統(tǒng)的發(fā)展（比如機(jī)器人集群、虛擬人協(xié)作、智能體博弈策略優(yōu)化等），我們?cè)絹?lái)越需要結(jié)合人工智能理解并模擬人類社會(huì)中的合作和競(jìng)爭(zhēng)行為。要做到這一點(diǎn)，僅靠傳統(tǒng)的模型和策略規(guī)則遠(yuǎn)遠(yuǎn)不夠，強(qiáng)化學(xué)習(xí)（Reinforcement Learning, RL）正逐漸成為研究“群體智能演化”的關(guān)鍵工具。

強(qiáng)化學(xué)習(xí)：智能體的“試錯(cuò)”成長(zhǎng)之路

強(qiáng)化學(xué)習(xí)讓智能體通過(guò)與環(huán)境互動(dòng)“試錯(cuò)”，學(xué)習(xí)最佳策略。簡(jiǎn)單來(lái)說(shuō)，它就像教智能體玩游戲：

1. 每一步行動(dòng)后會(huì)獲得“獎(jiǎng)勵(lì)”或“懲罰”；

2. 智能體嘗試不同策略，逐漸學(xué)會(huì)最大化長(zhǎng)期獎(jiǎng)勵(lì)；

3. 策略更新的核心在于對(duì)未來(lái)收益的估計(jì)與不斷修正。

在演化博弈中，RL被用來(lái)模擬個(gè)體如何在群體中選擇策略，比如在公共物品博弈中決定是否貢獻(xiàn)資源。簡(jiǎn)單來(lái)說(shuō)，智能體不再依賴固定規(guī)則，而是利用RL在與環(huán)境的互動(dòng)中不斷“試錯(cuò)”，根據(jù)獲得的獎(jiǎng)勵(lì)動(dòng)態(tài)調(diào)整策略。

這種方法更貼近人類在社會(huì)中的行為：我們通過(guò)經(jīng)驗(yàn)學(xué)習(xí)，逐漸找到對(duì)自己和群體最有利的選擇。這使得模擬能更真實(shí)地反映個(gè)體間的學(xué)習(xí)與適應(yīng)過(guò)程。

通過(guò)這種方式，我們不僅能觀察群體合作行為如何涌現(xiàn)，還能揭示信任、背叛等復(fù)雜行為的演化規(guī)律。

Q-learning：RL-EGT的入門算法

目前最常用于EGT研究的強(qiáng)化學(xué)習(xí)算法之一是Q-learning [5,6]，它通過(guò)學(xué)習(xí)“狀態(tài)-動(dòng)作值函數(shù)”來(lái)判斷當(dāng)前最優(yōu)策略。比如，在群體合作博弈中，Q表記錄著“合作”或“背叛”可能帶來(lái)的回報(bào)，智能體根據(jù)Q表選擇回報(bào)最高的動(dòng)作，并通過(guò)不斷更新Q表來(lái)優(yōu)化決策。然而，傳統(tǒng)Q-learning（TQL） 存在一個(gè)常見的問(wèn)題：它容易“過(guò)度樂(lè)觀”，即高估策略的預(yù)期收益。這源自其更新公式：

Q(s,a) ← Q(s,a) + α[r + γ * max Q(s',a') ? Q(s,a)]，

其中，

• Q(s,a) 表示在狀態(tài) s 下采取動(dòng)作 a 所獲得的預(yù)期回報(bào)；

• α 是學(xué)習(xí)率，表示預(yù)期回報(bào)的更新幅度；

• r 是執(zhí)行動(dòng)作后獲得的即時(shí)獎(jiǎng)勵(lì)；

• γ 是折扣因子，用于權(quán)衡當(dāng)前獎(jiǎng)勵(lì)與未來(lái)回報(bào)；

• max Q(s',a') 是在下一個(gè)狀態(tài) s' 中能獲得的最大未來(lái)收益估計(jì)。

這里的“最大值估計(jì)”（max）讓智能體既用 Q 函數(shù)來(lái)選擇動(dòng)作，又用它評(píng)估動(dòng)作價(jià)值。這種“自說(shuō)自話”的機(jī)制往往導(dǎo)致智能體過(guò)于相信某些策略的回報(bào)，學(xué)到的行為看似優(yōu)秀，實(shí)則可能偏離最優(yōu)解。

Double Q-learning：更精準(zhǔn)的選擇

最新研究中，中國(guó)學(xué)者Kai Xie與演化博弈著名學(xué)者Attila Szolnoki 教授，首次將Double Q-learning（DQL）算法引入演化模型[7]。其巧妙之處在于使用兩個(gè)獨(dú)立的 Q 表：

• 一個(gè)Q表負(fù)責(zé)選擇動(dòng)作；

• 另一個(gè)Q表負(fù)責(zé)評(píng)估該動(dòng)作的價(jià)值。

這種“雙人舞”設(shè)計(jì)避免了TQL中的“自欺欺人”現(xiàn)象——在TQL中，同一個(gè)Q表既選動(dòng)作又估價(jià)值，容易產(chǎn)生偏差。DQL的更新規(guī)則如下：

簡(jiǎn)單來(lái)說(shuō)，兩個(gè)Q表輪流更新，一個(gè)選動(dòng)作時(shí)參考另一個(gè)的價(jià)值評(píng)估，從而減少偏差，讓智能體的決策更精準(zhǔn)。

Attila Szolnoki，來(lái)源：https://ieeexplore.ieee.org/author/37090052031

研究表明，相比TQL，DQL 降低了策略偏差，讓智能體更傾向于選擇合作策略，形成穩(wěn)定的合作集群。這種改進(jìn)就像給智能體裝上了“更清晰的眼鏡”，讓它們更準(zhǔn)確地感知群體動(dòng)態(tài)。

TQL和DQL算法對(duì)比。(b)和(d) ，在關(guān)鍵參數(shù)不為0的情況下，在促進(jìn)合作水平方面，DQL整體優(yōu)于TQL算法。來(lái)源：https://www.sciencedirect.com/science/article/pii/S0960077925004114

深度強(qiáng)化學(xué)習(xí)：復(fù)雜場(chǎng)景的突破

除了 Q-learning 及其變體，與深度強(qiáng)化學(xué)習(xí)（DRL）相關(guān)的算法也開始在演化博弈中大放異彩。最具代表性的是深度Q網(wǎng)絡(luò)（Deep Q-Network, DQN），它利用深度神經(jīng)網(wǎng)絡(luò)逼近 Q 值函數(shù)，能處理高維度、復(fù)雜狀態(tài)空間的博弈場(chǎng)景。最新的研究被發(fā)表在計(jì)算機(jī)頂級(jí)會(huì)議IJCAI [8,9]。

DQN網(wǎng)絡(luò)演化博弈訓(xùn)練框架，來(lái)源：https://arxiv.org/abs/2405.02654

DQN網(wǎng)絡(luò)演化博弈訓(xùn)練框架，來(lái)源：https://arxiv.org/abs/2310.04623

從經(jīng)典的TQL算法，到有效緩解過(guò)估計(jì)問(wèn)題的DQL，再到利用神經(jīng)網(wǎng)絡(luò)處理復(fù)雜環(huán)境信息的 DQN，可以預(yù)見，深度強(qiáng)化學(xué)習(xí)與演化博弈的交叉將在未來(lái)進(jìn)一步深化。這種結(jié)合不僅僅是技術(shù)層面的融合，更是理念上的升華。我們正在見證智能體從最初專注于“如何最大化自身獎(jiǎng)勵(lì)”的階段，逐步邁向能夠理解和實(shí)踐“合作共贏”的新紀(jì)元。這意味著智能體正在從“學(xué)會(huì)贏”走向“學(xué)會(huì)共贏”。

5. 從理論走向?qū)嵺`：

演化博弈的學(xué)科交叉前景

演化博弈理論從生物學(xué)的土壤中萌芽，如今已成長(zhǎng)為一棵覆蓋心理學(xué)、人工智能、社會(huì)學(xué)、經(jīng)濟(jì)學(xué)乃至生態(tài)治理等多個(gè)領(lǐng)域的跨學(xué)科大樹。它不僅揭示了合作的深層邏輯，也為解決現(xiàn)實(shí)世界中的復(fù)雜問(wèn)題提供了實(shí)用工具。

在心理學(xué)[10]領(lǐng)域，演化博弈被用來(lái)解釋信任、利他、懲罰、共情等社會(huì)行為的起源；研究者通過(guò)構(gòu)建博弈模型，探索人類為何會(huì)“做對(duì)他人有利卻對(duì)自己不利的選擇”，甚至將其作為分析群體道德直覺(jué)的工具。

在人工智能[11]領(lǐng)域，演化博弈正逐漸成為多智能體學(xué)習(xí)中的關(guān)鍵理論框架。特別是在無(wú)人駕駛、機(jī)器人編隊(duì)協(xié)同、元宇宙社交與虛擬經(jīng)濟(jì)治理等前沿應(yīng)用中，理解如何激勵(lì)“異質(zhì)智能體”產(chǎn)生持續(xù)穩(wěn)定的合作，比單純提高算法性能更具戰(zhàn)略意義。

在政策治理[12]方面，演化博弈大有可為。在中美貿(mào)易摩擦中，演化博弈能分析關(guān)稅策略的長(zhǎng)期效應(yīng)，幫中國(guó)設(shè)計(jì)靈活應(yīng)對(duì)方案；在“一帶一路”中，它能預(yù)測(cè)沿線國(guó)家的合作意愿，助力政策精準(zhǔn)落地。面對(duì)大國(guó)博弈的“囚徒困境”，演化博弈是破解僵局的科學(xué)利器。

在生態(tài)與環(huán)境政策[13]中，它也為氣候協(xié)議、漁業(yè)保護(hù)、污染防治等全球治理難題提供了理論支持。例如，通過(guò)模擬國(guó)家之間“合作減排”與“逃避責(zé)任”的演化博弈，政策制定者能更清晰地看到激勵(lì)機(jī)制的重要性。

未來(lái)，隨著大數(shù)據(jù)、深度強(qiáng)化學(xué)習(xí)、群體智能與大模型的發(fā)展，演化博弈不僅將在理論維度不斷深化，也將在更廣泛的實(shí)踐場(chǎng)景中開枝散葉。

正如我們所見，合作從不是理所當(dāng)然，它是自然選擇下的“非理性智慧”，也是人類社會(huì)賴以運(yùn)轉(zhuǎn)的“理性幻想”。從自私基因到群體智慧，在這個(gè)智能重塑世界的時(shí)代，演化博弈用數(shù)字與人性的交融告訴我們：理解合作的本質(zhì)，才能真正設(shè)計(jì)出值得信任的世界。

參考文獻(xiàn)

[1]v. Neumann, J. (1928). Zur theorie der gesellschaftsspiele. Mathematische Annalen, 100(1), 295-320.

[2]Nash Jr, J. F. (1950). Equilibrium points in n-person games. Proceedings of the National Academy of Sciences, 36(1), 48-49.

[3]Maynard Smith, J. (1976). Evolution and the Theory of Games. American Scientist, 64(1), 41-45.

[4]Nowak, Martin A. "Five rules for the evolution of cooperation." Science 314.5805 (2006): 1560-1563.

[5]Zheng, G., Zhang, J., Deng, S., Cai, W., & Chen, L. (2024). Evolution of cooperation in the public goods game with Q-learning. Chaos, Solitons & Fractals, 188, 115568.

[6]Tamura, K., & Morita, S. (2024). Analysing public goods games using reinforcement learning: effect of increasing group size on cooperation. Royal Society Open Science, 11(12), 241195.

[7]Xie, K., & Szolnoki, A. (2025). Reputation in public goods cooperation under double Q-learning protocol. Chaos, Solitons & Fractals, 196, 116398.

[8]Ren, T., & Zeng, X. J. (2024). Enhancing cooperation through selective interaction and long-term experiences in multi-agent reinforcement learning. arXiv preprint arXiv:2405.02654.

[9]Ueshima, A., Omidshafiei, S., & Shirado, H. (2023). Deconstructing cooperation and ostracism via multi-agent reinforcement learning. arXiv preprint arXiv:2310.04623.

[10]Conroy-Beam, D., Goetz, C. D., & Buss, D. M. (2015). Why do humans form long-term mateships? An evolutionary game-theoretic model. In Advances in experimental social psychology (Vol. 51, pp. 1-39). Academic Press.

[11]Wu, Y., & Pan, L. (2024). LSTEG: An evolutionary game model leveraging deep reinforcement learning for privacy behavior analysis on social networks. Information Sciences, 676, 120842.

[12]Feng, N., & Ge, J. (2024). How does fiscal policy affect the green low-carbon transition from the perspective of the evolutionary game?. Energy Economics, 134, 107578.

[13]Tilman, A. R., Plotkin, J. B., & Ak?ay, E. (2020). Evolutionary games with environmental feedbacks. Nature Communications, 11(1), 915.

筆者（謝凱）圍繞演化博弈理論發(fā)表的論著

[1]Xie, K., & Szolnoki, A. (2025). Reputation in public goods cooperation under double Q-learning protocol. Chaos, Solitons & Fractals, 196, 116398.

[2]Xie, K., & Liu, T. (2024). The regulation of good and evi promotes cooperation in public goods game. Applied Mathematics and Computation, 478, 128844.

[3]Xie, K., Liu, Y., & Liu, T. (2024). Unveiling the masks: Deception and reputation in spatial prisoner’s dilemma game. Chaos, Solitons & Fractals, 186, 115234.

[4]Xie, K., Liu, X., Wang, H., & Jiang, Y. (2023). Multi-heterogeneity public goods evolutionary game on lattice. Chaos, Solitons & Fractals, 172, 113562.

[5]Xie, K., Liu, X., Chen, H., & Yang, J. (2022). Preferential selection and expected payoff drive cooperation in spatial voluntary public goods game. Physica A: Statistical Mechanics and its Applications, 605, 127984.

作者：

本文為科普中國(guó)-創(chuàng)作培育計(jì)劃扶持作品 作者 | 謝凱 審核 | 張江（北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院教授） 出品 | 中國(guó)科協(xié)科普部 監(jiān)制 | 中國(guó)科學(xué)技術(shù)出版社有限公司、北京中科星河文化傳媒有限公司

復(fù)雜網(wǎng)絡(luò)動(dòng)力學(xué)讀書會(huì)

集智俱樂(lè)部聯(lián)合合肥工業(yè)大學(xué)物理系教授李明、同濟(jì)大學(xué)副教授張毅超、北京師范大學(xué)特聘副研究員史貴元與在讀博士生邱仲普、張章共同發(fā)起 。本次讀書會(huì)將探討：同步相變的臨界性、如何普適地刻畫多穩(wěn)態(tài)與臨界點(diǎn)、如何識(shí)別并預(yù)測(cè)臨界轉(zhuǎn)變、如何通過(guò)局部干預(yù)來(lái)調(diào)控系統(tǒng)保持或回到期望穩(wěn)態(tài)、爆炸逾滲臨界行為的關(guān)鍵特征、不同類型的級(jí)聯(lián)過(guò)程對(duì)逾滲相變的影響有何異同、高階相互作用的影響能否等效為若干簡(jiǎn)單機(jī)制的疊加、如何有效地促進(jìn)人類個(gè)體間的合作等問(wèn)題。

讀書會(huì)計(jì)劃從3月7日開始，每周五晚19:30-21:30進(jìn)行，持續(xù)8-10周。誠(chéng)摯邀請(qǐng)領(lǐng)域內(nèi)研究者、尋求跨領(lǐng)域融合的研究者加入，共同探討。

詳情請(qǐng)見：

1.

2.

3.

4.

5.

6.