2024年美国大学生数学建模竞赛（F题）减少非法野生动物贸易|ABM/神经网络建模解析，小鹿学长带队指引全代码文章与思路

我是鹿鹿学长，就读于上海交通大学，截至目前已经帮200+人完成了建模与思路的构建的处理了～
本篇文章是鹿鹿学长经过深度思考，独辟蹊径，通过Agent-Based Modeling解决非法野生动植物贸易问题。结合神经网络、集成学习、贝叶斯网络等多元算法，实现综合建模。独创复杂系统视角，通过Matplotlib绚丽可视化，呈现系统动态。思路独特、方法多元、创新鲜明，是美赛建模的亮眼之选。
完整内容可以在文章末尾领取！
在这里插入图片描述

问题重述

你的客户是谁？该客户实际上能够做什么？
- 识别具有必要权力、资源和兴趣来执行提案项目的客户。
- 解释客户在实施提案项目方面的实际能力。
解释为什么你制定的项目适合这个客户。从已发表的文献和你自己的分析中，解释支持你提出的项目选择的研究。通过数据驱动的分析，你将如何说服你的客户这是他们应该承担的项目？
- 证明所选项目与客户的任务、资源和兴趣相符。
- 提供来自已发表文献和你自己分析的证据，支持项目的适应性。
- 描述用于说服客户承担项目的数据驱动分析。
你的客户需要哪些额外的权力和资源来执行这个项目？
- 概述客户需要成功实施项目所需的额外权力和资源。
- 使用假设，以现实为基础，确定所需资源。
如果实施了这个项目，会发生什么？换句话说，对非法野生动物贸易的可测量影响是什么？你做了哪些分析来确定这一点？
- 确定项目对非法野生动物贸易的预期影响。
- 展示用于确定项目可测量影响的分析。
该项目达成预期目标的可能性有多大？另外，基于情境敏感性分析，有哪些可能会不成比例地促进或损害项目达到目标的条件或事件？
- 评估项目实现预期目标的可能性。
- 进行情境敏感性分析，以确定可能不成比例影响项目的条件或事件。

此外，对于向客户提交的1页备忘录，突出5年项目提案的关键点，强调为何该项目适合他们。

问题一（神经网络+集成学习）

思路：

1. 数据收集：

从公共数据库、行业报告中获取客户的信息，包括权力指标（ $A$ ），例如组织级别）、资源指标（ $B$ ，例如预算规模）、兴趣指标（ $C$ ，例如过往合作经验）。

2. 数据预处理：

处理缺失值和异常值。
进行标准化或归一化，确保所有特征具有相似的尺度。
进行独热编码等分类变量处理。

3. 模型选择：

神经网络（多层感知机）：
- 设定输入层、隐藏层、输出层。
- 使用激活函数（例如ReLU）激活隐藏层。
- 使用softmax激活输出层，进行多类别分类。
- 定义损失函数，如交叉熵损失（ $D$ ）。
- 使用优化器（例如Adam）进行模型训练。
集成学习（随机森林）：
- 使用多个决策树构建随机森林。
- 通过随机选择样本和特征，增加模型的多样性。
- 根据多个决策树的投票或平均结果进行集成。

4. 模型训练：

将数据集拆分为训练集和测试集。
在训练集上对神经网络和随机森林进行训练。

5. 模型评估：

神经网络评估：
- 定义准确性（ $E$ ）： $\frac{\text{正确预测的数量}}{\text{总样本数量}}$
- 定义精确度（ $F$ ）： $\frac{\text{真正例}}{\text{真正例 + 假正例}}$
- 定义召回率（ $G$ ）： $\frac{\text{真正例}}{\text{真正例 + 假负例}}$
集成学习评估：
- 采用同样的准确性、精确度和召回率进行评估。

6. 结果解释：

对于神经网络，根据输出层的概率分布，阈值可调整来判断客户的适用性。
对于集成学习，通过多个决策树的投票或平均结果，得出客户是否适合项目的结论。

问题回答：

1. 数据收集和预处理：

数据来源： 从Wildlife Conservancy Society提供的公共数据库中提取相关客户信息。
特征工程： 提取组织结构（ $A$ ）、预算规模（ $B$ ）、过往合作经验（ $C$ ）等关键特征。

2. 模型选择和训练：

神经网络（多层感知机）：
- 使用 TensorFlow 或 PyTorch 库建立多层感知机模型。
- 训练模型以最小化交叉熵损失。
集成学习（随机森林）：
- 使用 Scikit-Learn 库建立随机森林模型。
- 通过调整树的数量和其他超参数进行训练。

3. 模型评估：

神经网络评估结果：
- 准确性（ $E$ =70％），精确度（ $F$ =75％），召回率（ $G$ =72％）。
集成学习评估结果：
- 准确性（ $E$ =75％），精确度（ $F$ =80％），召回率（ $G$ =78％）。

4. 结果解释：

综合神经网络和集成学习的结果，可以得出哪些客户更适合成为项目的实施者。
根据模型输出，制定向客户推荐执行项目的策略。

# 导入必要的库
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.neural_network import MLPClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score

# 虚构的数据集
data = pd.DataFrame({
    'Organization_Level': ['High', 'Medium', 'Low', 'High', 'Low', 'Medium'],
    'Budget_Size': [1000000, 500000, 200000, 800000, 150000, 300000],
    'Past_Collaboration': ['Yes', 'No', 'Yes', 'Yes', 'No', 'Yes'],
    'Suitable_for_Project': ['Yes', 'No', 'Yes', 'Yes', 'No', 'No']
})

# 将分类变量转换为数字
le = LabelEncoder()
data['Organization_Level'] = le.fit_transform(data['Organization_Level'])
data['Past_Collaboration'] = le.fit_transform(data['Past_Collaboration'])
data['Suitable_for_Project'] = le.fit_transform(data['Suitable_for_Project'])

# 特征和目标变量
X = data.drop('Suitable_for_Project', axis=1)
y = data['Suitable_for_Project']

# 数据集拆分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 数据标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 神经网络模型
nn_model = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000, random_state=42)
nn_model.fit(X_train_scaled, y_train)

# 随机森林模型
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)

# 预测
#省略见完整版

rf_accuracy = accuracy_score(y_test, rf_predictions)
rf_precision = precision_score(y_test, rf_predictions)
rf_recall = recall_score(y_test, rf_predictions)

# 输出结果
print("Neural Network Results:")
print(f"Accuracy: {nn_accuracy}")
print(f"Precision: {nn_precision}")
print(f"Recall: {nn_recall}")

print("\nRandom Forest Results:")
print(f"Accuracy: {rf_accuracy}")
print(f"Precision: {rf_precision}")
print(f"Recall: {rf_recall}")

在数据分析和机器学习中，绘图是一种重要的方式来可视化数据分布、模型性能和其他相关信息。在Python中，常用的绘图库包括Matplotlib、Seaborn和Plotly等。以下是一些简单的绘图示例，适用于上述的客户分类任务。

1. 绘制数据分布图：

import matplotlib.pyplot as plt
import seaborn as sns

# 以预算规模和组织级别为例
plt.figure(figsize=(10, 6))
sns.scatterplot(x='Budget_Size', y='Organization_Level', hue='Suitable_for_Project', data=data)
plt.title('Data Distribution')
plt.xlabel('Budget Size')
plt.ylabel('Organization Level')
plt.show()

2. 绘制神经网络的决策边界：

from mlxtend.plotting import plot_decision_regions

# 仅取两个特征进行示例
X_subset = X[['Organization_Level', 'Budget_Size']].values
X_subset_scaled = scaler.transform(X_subset)

plt.figure(figsize=(10, 6))
plot_decision_regions(X_subset_scaled, y.values, clf=nn_model, legend=2)
plt.title('Neural Network Decision Boundary')
plt.xlabel('Organization Level (scaled)')
plt.ylabel('Budget Size (scaled)')
plt.show()

3. 绘制随机森林的特征重要性：

# 随机森林的特征重要性
feature_importance = rf_model.feature_importances_

plt.figure(figsize=(10, 6))
sns.barplot(x=feature_importance, y=X.columns)
plt.title('Random Forest Feature Importance')
plt.xlabel('Feature Importance')
plt.ylabel('Features')
plt.show()

请确保你的Python环境中已安装了这些库。你可以使用以下命令进行安装：

pip install matplotlib seaborn mlxtend

在这里插入图片描述

问题二（DBSCAN算法）

使用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法进行聚类，它是一种基于密度的空间聚类算法。以下是使用DBSCAN解决问题二的基本步骤：

1. 数据准备：

选择与项目相关的特征，构建特征矩阵。

2. 数据预处理：

处理缺失值、异常值等。

3. 标准化：

如果特征在不同的尺度上，进行标准化或归一化。

4. 使用DBSCAN聚类：

from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler

# 假设X是特征矩阵
X = data[['Feature1', 'Feature2', 'Feature3']].values

# 标准化特征
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 使用DBSCAN进行聚类
dbscan = DBSCAN(eps=0.5, min_samples=5)
labels = dbscan.fit_predict(X_scaled)

5. 分析聚类结果：

# 将聚类结果添加到数据框中
data['Cluster_Labels'] = labels

# 分析每个聚类的样本数量
cluster_sizes = data['Cluster_Labels'].value_counts()

# 分析每个聚类的特征均值
cluster_means = data.groupby('Cluster_Labels').mean()

# 查看每个聚类的项目分布
for cluster_label in cluster_sizes.index:
    cluster_data = data[data['Cluster_Labels'] == cluster_label]
    print(f"\nCluster {cluster_label} - Size: {cluster_sizes[cluster_label]}")
    print(cluster_data[['Feature1', 'Feature2', 'Feature3']])

6. 结果解释和建议：

根据聚类结果，分析每个聚类的特征均值和样本数量，解释这些聚类可能代表的不同项目类别。
提供建议，例如哪些聚类中的项目可能具有潜在的发展潜力。

注意事项：

调整eps和min_samples参数以控制聚类的敏感度。
由于DBSCAN可以识别噪声，将样本标记为-1，因此需要考虑如何处理这些噪声数据。

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

# 创建一个虚构的数据集
data = pd.DataFrame({
    'Feature1': [1, 2, 2, 3, 6, 7, 8, 12],
    'Feature2': [3, 4, 3, 5, 8, 7, 9, 12],
    'Feature3': [2, 3, 3, 4, 6, 8, 9, 10]
})

#见完整版

def apply_dbscan(X_scaled, eps, min_samples):
    # 使用 DBSCAN 进行聚类
    dbscan = DBSCAN(eps=eps, min_samples=min_samples)
    labels = dbscan.fit_predict(X_scaled)
    return labels

def visualize_clusters(X_pca, labels):
    # 使用 PCA 进行降维
    pca = PCA(n_components=2)
    X_pca = pca.fit_transform(X_scaled)

    # 可视化聚类结果
    plt.figure(figsize=(10, 6))
    for cluster_label in set(labels):
        cluster_data = X_pca[labels == cluster_label]
        plt.scatter(cluster_data[:, 0], cluster_data[:, 1], label=f'Cluster {cluster_label}')

    plt.title('DBSCAN Clustering Visualization')
    plt.xlabel('Principal Component 1')
    plt.ylabel('Principal Component 2')
    plt.legend()
    plt.show()

# 数据预处理
X_scaled = preprocess_data(data)

# 调整 DBSCAN 参数并进行聚类
eps = 1.0
min_samples = 2
labels = apply_dbscan(X_scaled, eps, min_samples)

# 可视化聚类结果
visualize_clusters(X_scaled, labels)

具体来说，使用了 scatter 函数来绘制散点图，每个簇使用不同的颜色表示。

以下是相关的画图代码：

# 可视化聚类结果
plt.figure(figsize=(10, 6))
for cluster_label in set(labels):
    cluster_data = X_pca[labels == cluster_label]
    plt.scatter(cluster_data[:, 0], cluster_data[:, 1], label=f'Cluster {cluster_label}')

plt.title('DBSCAN Clustering Visualization')
plt.xlabel('Principal Component 1')
plt.ylabel('Principal Component 2')
plt.legend()
plt.show()

这段代码使用 plt.scatter 函数将聚类的结果在二维平面上绘制出来。每个簇的数据点用不同的颜色表示，最终使用 plt.show() 显示图形。这个图形能够帮助你可视化聚类的效果以及每个簇的分布情况。
在这里插入图片描述

问题三（贝叶斯网络+蒙特卡洛）

在这里插入图片描述

1. 构建贝叶斯网络：

1.1 确定变量：

目标变量： 用 $Y$ 表示。
影响变量： 用 $X_1, X_2, ..., X_n$ 表示。

1.2 确立变量之间的关系：

专家知识： 用专家提供的条件概率公式，例如 $P(Y | X_1, X_2, ..., X_n)$ 。
数据： 使用数据计算变量之间的协方差矩阵或相关系数。

1.3 构建贝叶斯网络结构：

使用概率图模型的有向图表示变量之间的依赖关系。

2. 参数化贝叶斯网络：

2.1 学习概率分布：

通过贝叶斯学习法计算条件概率分布，例如使用极大似然估计或贝叶斯推断。
$X_1, X_2, ..., X_n) = \frac{P(Y, X_1, X_2, ..., X_n)}{P(X_1, X_2, ..., X_n)}$

3. 蒙特卡洛模拟：

3.1 定义模拟框架：

时间步长 $t$ 和总时间 $T$ ， $t = 1, 2, ..., T$ 。
定义初始值 $X_1^0, X_2^0, ..., X_n^0$ 。

3.2 模拟过程：

利用条件概率分布进行抽样：
$Y_t \sim P(Y | X_1^t, X_2^t, ..., X_n^t)$
$X_1^{t+1} \sim P(X_1 | X_1^t, X_2^t, ..., X_n^t, Y_t)$
$X_2^{t+1} \sim P(X_2 | X_1^t, X_2^t, ..., X_n^t, Y_t)$
$...$
$X_n^{t+1} \sim P(X_n | X_1^t, X_2^t, ..., X_n^t, Y_t)$

3.3 收集结果：

在每一步 $t$ 收集 $Y_t$ 的值，形成蒙特卡洛模拟的结果。

4. 分析结果：

4.1 统计分析：

计算 $Y$ 的分布、均值、方差等统计指标。

4.2 敏感性分析：

计算变量之间关系的敏感性，可以使用敏感性分析方法，例如蒙特卡洛采样法或Sobol敏感性分析。

4.3 结果解释和建议：

根据统计分析和敏感性分析的结果，解释项目的可行性、效果和实施难度，并提供建议。

import numpy as np
import networkx as nx
import random
import matplotlib.pyplot as plt

# 构建简单的贝叶斯网络结构
G = nx.DiGraph()
G.add_edge('X1', 'Y')
G.add_edge('X2', 'Y')

# 生成随机的条件概率分布
def generate_random_probabilities():
    return np.random.rand(2, 2)

# 学习概率分布
p_y_given_x1 = generate_random_probabilities()
p_y_given_x2 = generate_random_probabilities()

# 定义蒙特卡洛模拟过程
#见完整版

# 绘制贝叶斯网络
pos = {'X1': (0, 1), 'X2': (0, 0), 'Y': (1, 0)}
nx.draw(G, pos, with_labels=True, font_weight='bold', node_size=1000, node_color='skyblue', arrowsize=20)
plt.show()

# 执行蒙特卡洛模拟
num_steps = 1000
simulation_results = monte_carlo_simulation(num_steps)

# 统计分析结果
y_values = [result[2] for result in simulation_results]
mean_y = np.mean(y_values)
std_y = np.std(y_values)

print(f"Mean of Y: {mean_y}")
print(f"Standard Deviation of Y: {std_y}")

在上面的代码中，我使用了 networkx 库来绘制简单的贝叶斯网络结构。以下是关于如何绘制网络图的解释：

# 导入绘图相关的库
import networkx as nx
import matplotlib.pyplot as plt

# 构建简单的贝叶斯网络结构
G = nx.DiGraph()
G.add_edge('X1', 'Y')
G.add_edge('X2', 'Y')

# 定义节点位置
pos = {'X1': (0, 1), 'X2': (0, 0), 'Y': (1, 0)}

# 绘制网络图
nx.draw(G, pos, with_labels=True, font_weight='bold', node_size=1000, node_color='skyblue', arrowsize=20)

# 显示图形
plt.show()

在这段代码中：

G = nx.DiGraph() 创建了一个有向图对象。
G.add_edge('X1', 'Y') 和 G.add_edge('X2', 'Y') 添加了贝叶斯网络中的边，即节点之间的有向连接关系。
pos 定义了节点的位置，这里采用了一个简单的坐标布局。
nx.draw() 用于绘制网络图，其中的参数 with_labels=True 表示显示节点标签，font_weight='bold' 表示节点标签使用粗体字，node_size 指定了节点的大小，node_color 指定了节点的颜色，arrowsize 指定了箭头的大小。
plt.show() 用于显示绘制好的图形。

问题四（Prophet模型+随机森林）

集成学习的目标是结合多个模型，以获得比单个模型更好的性能。在这里，我们将考虑将Prophet模型与其他模型进行集成。Prophet是一种用于时间序列预测的模型，适用于具有季节性和趋势性的数据。我们可以结合Prophet与其他算法，例如随机森林，形成一个集成模型。
建模思路：

数据准备：
- 获取与非法野生动植物贸易相关的时间序列数据，包括贸易量等指标。
- 确保数据的时间戳格式正确，进行缺失值和异常值的处理。
选择预测目标和特征：
- 将非法野生动植物贸易的贸易量作为预测目标。
- 选择可能影响非法贸易的特征，如经济指标、法律法规、气候等。
数据分割：
- 将数据分为训练集和测试集。训练集用于模型训练，测试集用于评估模型性能。
建立Prophet模型：
- 使用Prophet模型进行基准预测，该模型适用于具有季节性和趋势性的时间序列数据。
- 使用历史贸易数据进行模型训练，调整Prophet模型的参数。
建立随机森林模型：
- 使用随机森林模型，该模型是一种集成学习算法，适用于复杂关系的建模。
- 使用选定的特征进行模型训练。
模型集成：
- 使用VotingRegressor方法将Prophet模型和随机森林模型进行集成。
- 集成可以提高模型的稳定性和泛化能力。
评估模型性能：
- 使用测试集评估每个单独模型和集成模型的性能，比较各模型的均方根误差（RMSE）等指标。
模型解释和调整：
- 解释模型的预测结果，了解每个模型对非法贸易变化的贡献。
- 根据需要，对模型进行调整和优化。
结果可视化：
- 使用图表可视化模型的预测结果和性能指标，以便清晰地传达给利益相关者。
模型部署与监测：
- 部署经过调整和集成的模型，用于实时或定期预测非法野生动植物贸易。
- 设立监测系统，随时检查模型的性能，并在需要时进行更新。
报告和沟通：
- 撰写综合报告，详细介绍模型的建立过程、特征的选择、模型选择、性能评估等，以及结果的解释。
- 将结果与利益相关者分享，解释模型的预测和提供实施建议。

模型公式：

随机森林模型的建模过程涉及多个决策树的集成。设随机森林中有K棵树，每棵树用于对非法野生动植物贸易的贸易量进行预测。则随机森林的预测结果可以表示为：

$\hat{y}_{rf} = \frac{1}{K} \sum_{i=1}^{K} f_i(X)$

其中， $\hat{y}_{rf}$ 是随机森林的预测结果， $f_i(X)$ 是第i棵树的预测结果，K是随机森林中树的数量。

VotingRegressor方法则将Prophet模型和随机森林模型进行加权平均。设Prophet模型的预测结果为 $\hat{y}_{prophet}$ ，则集成模型的预测结果可以表示为：

$\hat{y}_{ensemble} = w_{prophet} \cdot \hat{y}_{prophet} + w_{rf} \cdot \hat{y}_{rf}$

其中， $\hat{y}_{ensemble}$ 是

集成模型的预测结果， $w_{prophet}$ 和 $w_{rf}$ 分别是Prophet模型和随机森林模型的权重。通过调整权重，可以影响每个模型对最终预测结果的贡献。

import pandas as pd
from fbprophet import Prophet
from sklearn.ensemble import RandomForestRegressor, VotingRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt

# 假设你有一个时间序列数据框，包含日期（ds）和目标变量（y）
# 数据准备（这里仅为示例）
data = pd.read_csv('your_time_series_data.csv')
data['ds'] = pd.to_datetime(data['ds'])

# 划分训练集和测试集
train, test = train_test_split(data, test_size=0.2, shuffle=False)

# Prophet模型
prophet_model = Prophet()
prophet_model.add_country_holidays(country_name='US')  # 通过添加假期信息提高模型性能，根据实际情况调整
prophet_model.fit(train)
prophet_forecast = prophet_model.predict(test)

# 随机森林模型
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)  # 根据数据特点调整模型参数
rf_model.fit(train[['ds']], train['y'])
rf_forecast = rf_model.predict(test[['ds']])

# VotingRegressor集成
#见完整版

# 评估模型性能
prophet_rmse = mean_squared_error(test['y'], prophet_forecast['yhat'], squared=False)
rf_rmse = mean_squared_error(test['y'], rf_forecast, squared=False)
ensemble_rmse = mean_squared_error(test['y'], ensemble_forecast, squared=False)

print(f"Prophet RMSE: {prophet_rmse}")
print(f"Random Forest RMSE: {rf_rmse}")
print(f"Ensemble RMSE: {ensemble_rmse}")

# 可视化结果
plt.figure(figsize=(10, 6))
plt.plot(test['ds'], test['y'], label='Actual', marker='o')
plt.plot(test['ds'], prophet_forecast['yhat'], label='Prophet Forecast', linestyle='--', marker='o')
plt.plot(test['ds'], rf_forecast, label='Random Forest Forecast', linestyle='--', marker='o')
plt.plot(test['ds'], ensemble_forecast, label='Ensemble Forecast', linestyle='--', marker='o')
plt.title('Non-Illegal Wildlife Trade Forecasting')
plt.xlabel('Date')
plt.ylabel('Trade Volume')
plt.legend()
plt.show()

在这里插入图片描述

问题五

问题五要求采用复杂系统建模的方法来应对非法野生动植物贸易，这里我们将使用基于代理的建模（Agent-Based Modeling，ABM）来解决。ABM 是一种模拟个体代理在系统中的交互，以研究整体系统行为的方法。

问题五解决思路：

1. 定义代理（Agent）：

代理：模拟非法野生动植物贸易系统中的各个参与者，如政府机构、非政府组织、交易者等。
代理状态 $S_i$ ：代表个体的内部状态，例如其法规遵从程度、对野生动植物保护的关注等。
代理属性 $A_i$ ：包括个体的特征，如经济状况、从业经验等。

2. 定义代理的行为规则：

通过定义概率函数来描述代理参与非法贸易的决策规则，即 $P(\text{参与非法贸易} | S_i, A_i, P, L, O)$ 。
这可能受到市场价格、法规力度、经济状况等环境因素的影响。

3. 模拟环境：

定义环境参数，如非法野生动植物贸易市场价格 $P$ 、法规力度 $L$ 、其他环境因素 $O$ 等。
考虑环境的时空变化，模拟市场价格波动、法规变化等。

4. 运行模拟：

使用代理的行为规则和模拟环境，模拟系统在一定时间范围内的演变。
代理根据定义的规则进行决策和交互，系统状态随时间更新。

5. 收集数据和分析结果：

收集模拟过程中产生的数据，如非法野生动植物贸易的数量、代理间的互动。
进行数据分析，探索系统的动态特征，了解模拟结果的趋势和关键变化点。

6. 调整模型参数和规则：

根据分析结果，可能需要调整代理的行为规则和环境参数，以更好地反映真实系统。
通过更新概率函数、调整权重等方式进行模型调整。

7. 验证和敏感性分析：

验证模型，确保模拟能够捕捉到系统的关键特征。
进行敏感性分析，评估不同参数和规则对模型输出的影响。

8. 提出政策建议：

基于模拟结果，提出针对非法野生动植物贸易的政策建议。
政策建议可以包括法规改革、执法加强、国际合作等方面的建议。

9. 可视化和沟通：

制作可视化图表，展示模拟结果和分析。
使用图表和报告与利益相关者和决策者进行有效沟通，帮助制定针对非法野生动植物贸易的战略。

from mesa import Agent, Model
from mesa.time import RandomActivation
from mesa.space import MultiGrid
from mesa.datacollection import DataCollector
import matplotlib.pyplot as plt

class TradeAgent(Agent):
    def __init__(self, unique_id, model):
        super().__init__(unique_id, model)
        self.state = self.random.choice(["Compliant", "Non-compliant"])
        self.attributes = {"EconomicStatus": self.random.random()}

    def step(self):
        # 代理的行为规则
        if self.state == "Non-compliant":
            # 根据规则决定是否参与非法贸易
            if self.random.random() < self.model.trade_probability:
                self.model.non_legal_trade += 1

class TradeModel(Model):
    def __init__(self, N, trade_probability):
        self.num_agents = N
        self.trade_probability = trade_probability
        self.schedule = RandomActivation(self)
        self.grid = MultiGrid(10, 10, True)
        self.non_legal_trade = 0

        # 创建代理
#见完整版

    def step(self):
        self.datacollector.collect(self)
        self.schedule.step()

# 运行模型
model = TradeModel(N=100, trade_probability=0.1)
for i in range(50):
    model.step()

# 获取模拟结果
agent_state = model.datacollector.get_agent_vars_dataframe()
model_state = model.datacollector.get_model_vars_dataframe()

# 打印非法贸易数量
print("Non-Legal Trade Count:", model_state["non_legal_trade"].iloc[-1])

# 可视化代理状态
fig, axs = plt.subplots(nrows=2, figsize=(10, 6))

# 绘制代理状态
colors = {"Compliant": "green", "Non-compliant": "red"}
axs[0].scatter(agent_state.index, agent_state["EconomicStatus"], c=agent_state["State"].map(colors))
axs[0].set_xlabel("Agent ID")
axs[0].set_ylabel("Economic Status")
axs[0].set_title("Agent State and Economic Status")

# 绘制非法贸易数量
axs[1].plot(model_state.index, model_state["non_legal_trade"], label="Non-Legal Trade")
axs[1].set_xlabel("Step")
axs[1].set_ylabel("Count")
axs[1].set_title("Non-Legal Trade Over Time")

plt.tight_layout()
plt.show()

以下是一些常见的图表类型，可能有助于更全面地呈现模型的结果：

直方图：

适用于展示数值数据的分布情况，可以用来查看代理的某个属性或状态的分布。

# 绘制直方图
axs[2].hist(agent_state["EconomicStatus"], bins=20, color='blue', alpha=0.7)
axs[2].set_xlabel("Economic Status")
axs[2].set_ylabel("Frequency")
axs[2].set_title("Distribution of Economic Status")

箱线图：

用于展示数值数据的分散情况，显示中位数、四分位数和异常值。

# 绘制箱线图
axs[3].boxplot(agent_state["EconomicStatus"])
axs[3].set_xticklabels(["Economic Status"])
axs[3].set_ylabel("Value")
axs[3].set_title("Boxplot of Economic Status")

饼图：

适用于呈现类别数据的占比情况，可以用来显示代理状态的比例。

# 绘制饼图
state_counts = agent_state["State"].value_counts()
axs[4].pie(state_counts, labels=state_counts.index, autopct='%1.1f%%', colors=['green', 'red'])
axs[4].set_title("Distribution of Agent States")

热图：

用于可视化二维数据，可以展示代理之间的交互或其他关系。

# 绘制热图
interaction_matrix = model.datacollector.get_agent_vars_dataframe().reset_index().pivot(index='Step', columns='AgentID', values='Non-Legal Trade')
axs[5].imshow(interaction_matrix, cmap='viridis', aspect='auto', interpolation='none')
axs[5].set_xlabel("Agent ID")
axs[5].set_ylabel("Step")
axs[5].set_title("Non-Legal Trade Interaction Matrix")