三个世界理论

[SAY683]

三世界理论动态演化模型 (RX-GML / GM4.5.2)

项目简介

本项目旨在通过一个动态演化的多主体模型，探索和可视化一个关于个体“现实”构成的理论。该理论源于一段意识流文字，其核心观点认为个体的现实是由“本然”、“应然”和“或然”三个相互作用的世界所构成。

• 本然 (The Inherent/Given)： 代表个体所拥有的客观资源、条件以及面临的限制和障碍。
• 应然 (The Ought-to-be/Normative)： 代表个体的价值观、信念、驱动力、理想和目标。
• 或然 (The Probable/Potential)： 代表个体感知的可能性、选择空间、创新能力和风险承受意愿。

模型中的每个“个体”（或称“状态点”）拥有这三大世界下的多个具体维度。这些维度值在0-10之间动态变化，其演化逻辑基于一系列内部反馈循环、对外部环境的响应、社会交互以及随机事件的影响。

本项目通过一个基于Python Dash构建的Web应用程序，将这些状态点及其演化过程在三维空间中进行可视化，并允许用户通过交互式控件调整参数、观察演化、甚至手动编辑状态点的维度。

核心特性：

• 多维度个体建模： 每个个体包含本然、应然、或然三大类下的多个细分维度。
• 动态演化算法： 复杂的内部逻辑驱动各维度随时间变化，体现了维度间的相互促进与制约。
• 深化风险与回报机制： 模拟个体在面对不确定性时的决策、投资、以及成功或失败后的连锁反应。
• 完善的“应然”世界动态： 强调价值观、驱动力和理想在指导行为、应对现实中的核心作用。
• 社会交互系统： 引入邻居网络、信任机制、信息传播、声望系统等，模拟个体间的相互影响。
• 事件系统： 随机或条件触发的全局/个体事件为模型增加不确定性和转折点。
• 全局环境因素： 模拟宏观环境对个体演化的系统性影响。
• 交互式可视化： 通过Dash在浏览器中实时展示三维演化过程和相关数据。

代码结构与说明

项目主要由一个Python脚本 (RX-GML.py 或你最终命名的文件) 构成，其中包含了以下主要部分：

1. 全局常量与辅助函数

• DIM_KEYS: 包含所有个体维度的键名列表（如 b1_resource, s1_trustworthiness 等）。
• DIMENSION_LABELS_MAP_ZH: 维度键名到中文标签的映射，用于UI显示。
• AXIS_LABELS_ZH: 坐标轴标签的中文映射。
• MAX_LOG_LINES: 事件日志显示的最大行数。
• sigmoid(x, k, x0): S型函数，用于模拟饱和效应或阈值效应。
• scale_value(value, old_min, old_max, new_min, new_max): 将值从一个范围映射到另一个范围的辅助函数。

2. WorldState 类

此类定义了模型中的核心实体——“个体”或“状态点”。

• __init__(...): 初始化个体的所有维度值（本然、应然、或然、社交维度），以及历史记录、邻居列表、信任级别字典和上一次风险结果。
• get_display_name(): 返回个体的中英文显示名称。
• get_coords_for_plot(...): 根据选择的坐标系类型（简化或综合）计算个体在三维图中的绘图坐标。
• _apply_boundary_effect(...): 内部方法，用于实现维度值在接近0或10边界时的“软边界”效应，减缓变化速度。
• _calculate_delta_X(...): 一系列内部方法，分别计算每个维度 (b1_resource, s1_trustworthiness 等) 在一个演化步骤中的变化量 (delta)。这些方法是模型核心算法的体现，包含了：
  • 维度间的内部相互作用。
  • 对风险项目结果的响应。
  • 对邻居效应的整合。
  • 对全局环境因素的考虑（间接通过 evolve 方法传递的参数）。
• _calculate_neighbor_effects(...): 计算来自邻居网络的综合影响，包括：
  • 资源竞争与合作（受信任度调节）。
  • 应然维度（Y1, Y2, Y3）的社会对齐/传染（受自身声望/自信调节）。
  • 社交维度（S1, S2）的社会规范压力。
  • 信任动态（self.trust_levels 的更新）。
  • H2（创新）的信息共享（受信任度和邻居声望调节）。
• evolve(params, all_states_objects_dict, active_event_effects_on_self, global_env_factors): 核心演化方法，执行一个时间步的逻辑：
  1. 风险项目评估与执行： 根据H3, Y2, S2等决定是否尝试风险项目，计算投资、潜力、风险，并随机生成回报结果，直接影响B1, B2，并记录 current_risk_outcome_this_step。
  2. 计算全局平均值： 如平均资源、平均可能性等，供Y3等维度参考。
  3. 计算邻居效应： 调用 _calculate_neighbor_effects。
  4. 计算各维度Deltas： 调用所有 _calculate_delta_X 方法，传入必要的参数（包括本轮的风险结果 current_risk_outcome_this_step）。
  5. 应用Deltas、噪声、事件效果、和裁剪： 更新所有维度值，应用学习率、随机噪声、来自EventManager的事件效果（考虑个体韧性），并确保值在0-10范围内。
  6. 更新 self.last_risk_outcome_factor： 为下一轮迭代做准备。
• record_history(...): 记录当前绘图坐标到历史轨迹。
• clear_history(): 清空历史轨迹。
• to_dict() / from_dict(): 用于对象的序列化和反序列化，方便在Dash的 dcc.Store 中存储和传递。

3. Event 类 和 EventManager 类

这两个类共同构成了事件系统。

• Event: 定义单个事件的属性和行为：
  • name (事件名称), trigger_type (触发类型：概率性、全局条件性、个体条件性), trigger_params (触发参数), target_selector (目标选择逻辑), effects (效果列表), duration (持续时间), one_time (是否一次性)。
  • check_trigger(...): 判断事件在本步骤是否触发（考虑全局环境对概率的修正）。
  • select_targets(...): 根据选择器逻辑从所有状态点中选出受影响的目标。
  • get_effects_for_target(): 生成将应用于目标的具体效果数据（考虑效果值的随机波动）。
• EventManager: 管理所有事件的生命周期和执行：
  • __init__(...): 加载事件定义列表。
  • reset_events(): 重置事件管理器状态（如清除已触发的一次性事件）。
  • process_step(all_states_objects_dict, global_metrics, global_env_factors): 在每个演化步骤中被调用：
    1. 检查所有已定义事件的触发条件。
    2. 为已触发的事件选择目标。
    3. 处理瞬时事件效果和持续性事件效果（通过 active_timed_effects 跟踪）。
    4. 移除已触发的一次性事件。
    5. 返回一个字典，其中包含本步骤需要应用到每个目标状态点的具体效果列表，以及事件触发的日志消息。

4. 初始化数据

此部分定义了程序启动时的初始配置：

• initial_states_templates_gm452: 包含多个预定义的状态点模板（字典列表），每个模板包含其中文名、英文ID和各个维度的初始值。
• initial_states_obj_list_gm452: 根据模板创建 WorldState 对象列表。
• neighbor_config_gm452: 定义状态点之间的初始邻居关系。
• initial_world_states_store_data_gm452: 将状态对象转换为字典，用于Dash dcc.Store 的初始数据。
• default_evolution_params_gm452: 一个包含模型所有演化参数的字典，包括：
  • 全局参数：learning_rate, noise_level, base_consumption 等。
  • 各种行为阈值：如风险尝试阈值、理想-现实差距阈值等。
  • coefficients: 一个嵌套字典，包含所有 _calculate_delta_X 方法中使用的具体系数 k 值，以及社会交互 social_interactions 的系数。这部分是模型调优的核心。
  • plot_weights: 用于计算综合坐标的绘图权重。
• global_environment_factors_gm452: 定义初始的全局环境因子。
• event_definitions_gm452: 事件定义列表，每个事件是一个字典，描述其属性。
• event_manager: EventManager 的全局实例。

5. Dash 应用布局 (app.layout)

使用 dash.dcc 和 dash.html 组件构建Web用户界面，主要包括：

• 标题和全局存储组件 (dcc.Store): 用于存储状态数据、演化参数、全局环境因子、事件日志等。
• 左侧控制面板:
  • 坐标系类型选择下拉框。
  • 状态点选择下拉框。
  • 编辑面板 (edit-panel-div): 根据选定的状态点，动态生成所有维度的滑块，允许用户手动编辑。
  • 邻居信息 (neighbor-info-div) 和信任信息 (trust-info-div) 显示区域。
  • 全局环境因子控制滑块。
  • 动态演化控制: 开始/暂停按钮、演化一步按钮、重置按钮、演化速度输入框、学习率和噪声水平滑块。
  • 迭代步数显示。
• 右侧显示面板:
  • 3D散点图 (main-3d-scatter-plot): 使用 plotly.graph_objects.Scatter3d 实时可视化所有状态点在三维空间中的位置及其历史轨迹。点的颜色和悬停文本提供额外信息。
  • 事件与状态日志文本框 (event-log-textarea): 显示事件触发信息和状态点内部的关键日志（如风险项目结果）。

6. Dash 回调函数 (@app.callback)

实现应用的交互逻辑和动态更新，主要包括：

• 更新下拉框和编辑面板: 根据 world-states-store 和用户选择动态更新。
• 响应滑块修改: 将用户对维度滑块、学习率、噪声、全局环境因子滑块的修改更新到相应的 dcc.Store。
• 演化控制: 处理开始/暂停、步进、重置按钮的点击事件。
• 核心演化循环 (run_evolution_step_advanced_gm452):
  • 由 dcc.Interval 或“演化一步”按钮触发。
  • 获取当前所有状态数据、演化参数和全局环境因子。
  • 反序列化状态数据为 WorldState 对象列表。
  • 计算全局指标。
  • 调用 event_manager.process_step 处理事件。
  • 对每个 WorldState 对象调用其 evolve 方法，传入所需参数。
  • 记录历史轨迹。
  • 将更新后的状态对象序列化回字典，并更新 world-states-store。
  • 更新UI上的迭代信息和事件日志。
• 更新3D图: 当 world-states-store 或坐标系类型变化时，重新生成并更新3D散点图。
• 更新邻居/信任信息和事件日志显示。

如何运行

1. 确保已安装必要的Python库：dash, plotly, numpy。

   pip install dash plotly numpy

2. 将代码保存为 .py 文件 (例如 RX-GML.py)。
3. 在终端中运行：

   python RX-GML.py

4. 打开浏览器，访问 Dash 应用通常运行的地址 (例如 http://127.0.0.1:8061/，端口号可能因你的运行而异，请查看终端输出)。

未来可能的扩展方向

• 更细致的演化参数UI控制（允许编辑所有k系数）。
• 动态网络结构的形成与演化。
• 更复杂的群体动力学和制度层面影响。
• 引入个体间的“记忆”机制，影响其对其他个体的信任和行为。
• 高级数据记录与离线分析功能。
• 用户自定义初始状态和事件。

贡献与反馈

欢迎对该模型提出任何改进建议、发现潜在的bug，或分享基于此模型的有趣发现。

---

希望这个模板能帮助你很好地组织项目说明！你可以根据需要添加更多细节，例如对特定算法决策的解释、参数选择的理由、或者你通过模型观察到的一些初步现象等。