[论文解读] Environmental policy in the context of complex systems: Statistical optimization and sensitivity analysis for ABMs

Dylan Munson, Arijit Dey+1 more|arXiv (Cornell University)|Feb 19, 2026

Complex Systems and Time Series Analysis被引用 0

一句话总结

该论文开发了一个以机器学习为驱动的框架，通过高斯过程敏感性测试和贝叶斯优化，在成本高昂的基于代理的模型(ABMs)中加速策略优化，并在Sugarscape上证明可快速获得可解释的策略。

ABSTRACT

Coupled human-environment systems are increasingly being understood as complex adaptive systems (CAS), in which micro-level interactions between components lead to emergent behavior. Agent-based models (ABMs) hold great promise for environmental policy design by capturing such complex behavior, enabling a sophisticated understanding of potential interventions. One limitation, however, is that ABMs can be computationally costly to simulate, which hinders their use for policy optimization. To address this, we propose a new statistical framework that exploits machine learning techniques to accelerate policy optimization with costly ABMs. We first develop a statistical approach for sensitivity testing of the optimal policy, then leverage a reinforcement learning method for efficient policy optimization. We test this framework on the classic ``Sugarscape'' model, an ABM for resource harvesting. We show that our approach can quickly identify optimal and interpretable policies that improve upon baseline techniques, with insightful sensitivity and dynamic analyses that connect back to economic theory.

研究动机与目标

• 在复杂自适应系统下，推动使用ABMs进行环境政策制定。
• 开发一个统计框架，测试最优策略对系统状态变量的敏感性。
• 实现基于ML的加速（高斯过程）用于敏感性测试与贝叶斯优化用于策略搜索。
• 在Sugarscape ABM上演示该框架，以高效地识别最优策略。
• 通过可解释性和动态分析将政策发现与经济理论关联起来。

提出的方法

• 将ABM响应 G(x,θ) 建模为具有策略 x 与状态 θ 输入的随机函数。”
• 使用高斯过程模型测试 f(x,θ) 的可加性，并进行似然比检验以评估最优解对 θ 的敏感性。
• 将 f(x,θ) = Ψ{G(x,θ)} 形式化并通过优化最小化，注意成本高昂的ABM评估。
• 对固定 θ 采用带有预期改进(EI)的贝叶斯优化，以高效搜索策略空间，使用ABM运行来更新GP。
• 通过 EI 计算采集函数以在探索与利用之间取得平衡，并迭代至收敛。

Figure 2: Distribution of pollution, $t$ = 0

实验结果

研究问题

• RQ1 最优策略 x*(θ) 是否对状态变量 θ 敏感？
• RQ2 与基线相比，贝叶斯优化在成本高昂的ABM评估下能否高效识别最优策略？
• RQ3 目标函数 f(x,θ) 是否具有可加性，表示 θ 对策略不敏感？
• RQ4 在 Sugarscape ABM 上，该框架在速度和可解释性方面的表现如何？
• RQ5 敏感性与动态分析是否产生与经济理论一致的洞见？

主要发现

• 该框架能快速识别出改进基线技术的最优且可解释的策略。
• 敏感性测试揭示最优策略是否依赖状态变量，从而实现有针对性的政策优化。
• 带有高斯过程的贝叶斯优化在成本高昂的ABM评估下加速了策略搜索。
• 该方法提供具有洞察力的敏感性与动态分析，可以与经济理论相关联。
• 该方法论可扩展到 Sugarscape 示例之外的广泛ABMs。

Figure 3: Distribution of pollution, $t$ = 500