撲克投資家 - 複雜系統與人工生命：十年研究概覽－鑽石舞台

作者 |Thomas McAtee、ClaudiaSzabo

來源|集智俱樂部

編輯 |撲克投資家，轉載請註明出處

導語

人工生命（artificial life）是通過仿真建模、機器技術和生物化學等方式模擬自然生命系統，進而研究生命過程及其演變的領域。針對人工生命的研究範式近年來層出不窮，但捕捉人工生命的關鍵特徵如自組織、湧現、適應、模塊化、臨界性等特徵，則需要採用複雜系統的研究範式。本文梳理了2008年-2018年上百篇複雜系統視角的人工生命研究綜述，從中提取出生物範式、社會範式、混合範式及複雜系統範式共93種，其中基於主體建模與元胞自動機是近十年主流，而最受關注的複雜系統屬性是湧現、自組織和適應。未來人工生命研究可能要在對複雜系統的理解基礎上，更關注模型的可擴展性。

正文

人工生命（Artiﬁcial Life）的模型和算法以自然和生物過程及現象為依據，特別適用於模擬大型複雜系統，如大規模的生態系統或社交網絡，其中系統實體之間的相互作用可能會產生突發行為。儘管複雜系統越來越受歡迎，而且無處不在，但在複雜系統建模中考慮人工生命方法的程度以及它們在複雜系統領域的應用仍不清楚。

為了更好地理解人工生命和複雜系統之間的重疊部分，我們對過去十年以複雜系統為重點的人工生命研究進行了系統的文獻概覽。確定了538篇初始論文，其中194篇為候選論文集，產生了115項主要研究。我們的結果顯示，最常見的三個應用領域是模擬（simulation），社會建模（social modelling）和生物建模（biological modelling）。我們發現了大量的範式，可以大致分為三個主要類別，即生物（biological）、社會（social）和混合（hybrid）。我們確定了用於生成最常見的複雜系統屬性的人工生命範式，以及對人工生命和複雜系統建模的發展至關重要的一些研究挑戰。

概述

人工生命是一套適應自然發生的現象和過程並受其啟發的模型和方法（Langton et al., 1989）。這些範式可以應用於各種問題，如生態建模（Punithan et al., 2011）、進化的人工生物（Loula et al., 2010）、戰鬥模擬（Yu and Zhao, 2010），以及對專有應用商店的應用性能進行建模（Cocco et al., 2014）。複雜系統是由具有複雜行為的自主實體組成的，它們的相互作用會導致意想不到的突發屬性（Sz- abo et al., 2014; Mittal, 2013）。複雜適應系統（Complex adaptive systems, CAS）是複雜系統的一種類型，在這種系統中，實體和環境被鼓勵去適應和相互作用，以實現預期的屬性（Holland, 2006），並提供了對現實生活場景更真實的抽象（North et al., 2013）。這樣的系統在社會網絡、供應鏈、醫療網絡、智能城市和智能電網、物聯網和互聯網本身等領域已經無處不在（North et al., 2013）。

用複雜系統的視角可以很容易地研究和分析人工生命的方法和範式，從而可以關注重要的屬性，如自組織（Holland, 2006）、湧現（Szabo et al., 2014）、適應（Holland, 2006）、模塊化（Holland, 2006）和臨界性等等。自組織（Self-organization ）發生在實體相互作用以實現一個特定的目標或使系統進入一個不同的狀態時（Holland, 2006; Mittal, 2013）。當實體組織起來集體行動時，就會出現湧現（Emergence），導致無法分解為微觀組成部分的不可預測的宏觀狀態的產生（Szabo et al., 2014）。一些系統可以在沒有自組織的情況下表現出湧現行為，比如靜止的氣體（Mittal, 2013）。在大量的系統中都觀察到了湧現，比如社會網絡中的社區形成、螞蟻群的形成和剛性的細胞結構（Birdsey et al., 2015）。當一個系統中的實體在沒有外部控制的情況下有選擇地對其環境採取行動時，就會表現出自主性（Autonomy），這是展示湧現和自組織的基礎（Froese et al., 2007）。適應性（Adaptation）指的是系統實體和環境的個別適應過程，以及系統作為一個整體的適應能力（Holland, 2006）。當採用模塊化（modularity）時，實體或環境必須由決定父實體的行為和行動的子實體組成（Holland, 2006）。臨界點（Criticality）指的是系統進入穩定、不穩定或突發狀態之前的時間段。在許多系統中，臨界點被觀察到在混亂的邊緣或作為一個決策點。

採用複雜系統的觀點並明確考慮上述屬性，將進一步促進人工生命範式對各種領域的適用性，並在複雜、大規模的情況下測試它們，從而會極大發展這一領域。同樣地，更好地理解能夠促進特定複雜系統屬性出現的人工生命範式將大大有助於其設計，比如在設計具有特定突發屬性的系統時（Mittal, 2013）。雖然大量的工作都在研究複雜系統的建模，包括人工生命範式，但其使用範圍和適用性尚不清楚。為了解決這一問題，我們對以複雜系統或複雜適應系統為重點的人工生命研究進行了系統的文獻回顧。

前人工作

儘管現有的關於單個模型（Santé et al., 2010）、複雜系統屬性（Froese et al., 2007）和人工生命範式（Emmeche, 1998）的文獻綜述，但據我們所知，還沒有綜述文章聚焦於把人工生命範式應用於複雜系統建模。下面討論幾篇專注於特定人工生命建模範式或應用的文獻綜述。

Bedau的工作（Bedau, 2003）分析了截至2003年的既定人工生命進展和範式，提供了一個人工生命發展的粗略時間表，從Langton最初的開創性工作（Langton et al., 1989）開始，一直到進化機器人、蜂群智能和進化語言建模的最新進展。Bedau確定了13個範式，包括兩個基於複雜適應系統特性的範式，即自我複製和自我組織，並討論了適應性對未來人工生命研究的潛在適用性。

Bousquet等人的研究（Bousquet and Le Page, 2004）回顧了多主體模擬（multi-agent simulations, MAS）在生態系統管理建模中的應用。他們指出，從事生態系統管理的科學家需要研究生態和社會動力學之間的相互作用，而MAS為研究這些動力學的融合效果提供了一個有用的模型。

Froese等人後來的工作（Froese等人，2007）分析了自主性（autonomy）在人工生命應用中的使用和定義。該研究指出，關於autonomy的定義沒有達成共識，並建議在行為自主性和構成性自主性之間引入一個概念性的區分。所提供的定義斷言，行為自主性與一個系統與其環境進行穩定和/或靈活互動的能力有關，而構成自主性與一個系統的自生能力有關，作者認為這具有將自主性概念限制在生物體內的不良性質。這個分類方案被用來證明在研究發表之日（2007）的系統比十年前發表的系統在自主性方面有所提高。Santé等人的一篇評論（Santé et al., 2010）關注了元胞自動機模型在現實世界城市進程模擬中的應用，如城市規劃或城市進化建模，並描述了在不同應用領域使用每種模型的優勢、缺陷和挑戰。

方法論

我們的工作旨在確定人工生命和複雜系統之間的重疊，特別是為了更好地理解在複雜系統設計、建模或分析中如何考慮人工生命方法，以及人工生命方法是否考慮了複雜系統的觀點或屬性。

只考慮2008年以來發表的，長度≥5頁的論文，排除只包含濕人工生命（whether artificial life）以及只基於硬件未包含軟件的。

從論文中提取的數據項目概述如下。

建模方法——記錄所採用的建模方法。

分析方法——記錄用於評估模型的分析類型。

採用的生命範式——記錄每篇論文中採用的人工生命範式。這些範式可能包括自然或生物行為（如覓食、捕食）、自然發生的現象（如生態系統、進化或蛋白質摺疊）或社會行為（如選舉、經濟交流或符號學）。

複雜適應系統屬性——捕捉論文作者所確定的任何CAS屬性。

進一步的應用——捕捉論文作者是否確定了該論文主題可以應用的任何其他領域。

考慮的可擴展性——捕捉論文作者是否在他們的分析中考慮了可擴展性。

挑戰與限制——捕捉論文作者所述的該方法所面臨的挑戰或限制。

挑戰類型——捕捉論文作者所確定的挑戰類型。

分析結論

我們概述了來自115項主要研究的已確定數據項，並討論了一些研究問題的答案。

應用領域

我們的分析了19個不止出現了一次的研究領域（見表1）：最常見的應用領域是模擬（占所有主要研究的13%），這些論文展示了使用人工生命範式來優化和改進現有的模擬或有關模擬的實踐。例如，Seth的工作探索了使用格蘭傑因果關係來檢測複雜系統的自治性或湧現（Seth, 2010），而Kirshenbaum等人的工作則證明了使用模擬學習群體智能來教育學生（Kirshenbaum, 2008）。社會建模（11.3%）是第二個最常使用的應用領域，其中社會結構、網絡和現狀是使用人工生命範式進行調查的。第三個最常調查的應用領域是生物建模（10.4%），其中生物過程和現象被建模和評估。例如，研究人員使用元胞自動機為癌症生長建模（Monteagudo和Santos Reyes, 2013），一些初級研究使用神經網絡和L-系統為蛋白質摺疊現象建模（Varela and Santos，2018）。

這19個領域分別是：模擬、社會建模、生物建模、機器人、語言學、優化、複雜系統分析、人工生命建模、音樂建模、疾病建模、自動化設計、市場、生態系統建模、路徑、視頻遊戲、遺傳學、軍事/戰術建模、生活史建模、模式識別和生成。

表1. 應用領域及其頻率

建模和分析方法

我們在主要研究中發現了10種獨特的建模方法。57.4%的主要研究採用基於主體的建模（ABM, Agent-based Modelling）作為建模範式。ABM模擬了自主主體的行動與互動，目的是評估這些互動的全系統結果。元胞自動機（CA, Cellular Automata）是第二種最常使用的建模方法，有45.2%的主要研究使用這種方法。元胞自動機由單元格（通常是二維）組成，每個單元格都被設定為一個特定的狀態，並能影響鄰近單元格的狀態。第三種最常用的建模方法是蟻群模型（AC, Ant Colony），它的使用率明是顯低於前兩種模型的4.3%。蟻群模型使用受蟻群啟發的方法來優化可以簡化為圖形表示的問題。

這些模型使用模擬（88.7%）、分析方法或證明（11.3%）和一次性安裝物理原型（0.87%）進行分析。

這10中主要領域分別是：基於主體的建模、元胞自動機、蟻群系統、進化算法、神經網絡、機器人學、P-系統、分析學、圖形、群體智能。

表2. 建模方法及其頻率

人工生命範式

人工生命的許多範式來自於生物和社會現象。為了更好地了解範式在我們主要研究集的論文中的分布情況，我們將93個被識別的範式分為三個主要類別，即社會型、生物型和混合型。其中相當數量的範例（60個，即64.52%）只被識別過一次，並被匯總到每個範例表底部的其他類別中。

社會型：基於社會過程或現象的範式，如社會結構、人工社會和通信。

生物型：基於生物和生理過程或現象的範式，如信息素、遺傳學和代謝。

混合型：混合型範式是社會和生物範式的綜合。該類別還包括那些不能完全歸入生物或社會分類的範式，例如群居智能，它既有社會和生物基礎，也有路徑搜索，雖然是一個自然過程，但兩者都沒有明確的基礎。

生物範式

三個最常用的生物範式是進化、捕食和信息素。進化被用作與進化建模有關的範式的總稱，或利用進化計算或進化概念（如進化動力學或形態學進化）（Joachimczak et al., 2013）。捕食指的是複雜系統中至少兩個主體種類之間的捕食關係；一個主體，捕食者，消耗獵物類的主體（Seth, 2010）。信息素範式與使用螞蟻和其他生物釋放的生物信息素風格的主體留下的痕跡有關。

進化是最常用的生物範式，33.9%的主要研究以某種形式利用了它。與所有其他範式相比，進化範式的使用頻率是不相稱的，因為在所有範式中，其次最常使用的範式是群體智能，它只在14.8%的主要研究中使用，而第三大範式（捕食）則在9.6%的主要研究中使用。其他類別涵蓋了一系列不常使用的範式，如凋亡、生物生長、適應和遺傳等等。69.57%的研究論文採用了生物範式。

生物範式：進化、捕食、信息素、再生產、覓食、人工化學、基於細菌的算法、能量流、遺傳學、代謝、形態發生、蛋白質摺疊、飢餓。

表3. 生物範式及其頻率

社會範式

社會範式與通過主體之間的直接互動而發生的現象有關。最常採用的社會範式是合作、符號學和經濟交流。合作是指主體互相幫助，以達到互利的結果，如（Oswald and Schmickl, 2017）。符號學指的是通過主體和他們的環境之間的互動而出現的語言構造（Shibuya et al.，2018）。經濟交流指的是主體之間的資源交換。21.74%的論文採用了社會範式。

社會範式：合作、符號學、經濟交流、蟻群、群體聚集、競爭、人群運動、模仿、社會行為、社交網絡。

表4. 社會範式及其頻率

混合範式

混合範式綜合了來自其他多個範式類別的品質。例如，雖然群體智能是一種社會現象，因為它在機械地依賴於主體之間的互動，但群體智能的建模傾向於利用生物力學，如信息素進行互動。

表5中列出的最常用的混合範式是群體智能、學習和種群動力學。群體智能是分散的自組織主體體的集體行為，在自然界中以螞蟻和蜜蜂的群體活動為例（von Mammen and Jacob, 2009）。學習是一種現象，主體或生物通過經驗獲得關於自身或環境的知識（Azumagakito et al., 2011）。種群動力學是指對動力系統中的種群進行研究，研究特定的子種群如何影響或影響更大的系統（Bornhofen and Lattaud, 2009）。59.13%的論文使用了混合範式。

混合範式：群體智能、學習、種群動力學、共同進化、疾病模型、神經網絡、移民、多粒子相互作用、尋路、共識主動性。

表5. 混合範式及其頻率

限制因素

34.78%的主要研究在討論其研究結果時報告了某種形式的挑戰或限制。最常報告的限制與建模有關（18.96%），論文作者提到在將人工生命範式與傳統技術（如製造方法與生物範式）相融合方面的挑戰（Leitao, 2009; Monteagudo and Santos Reyes, 2013），複雜系統的典型挑戰，如在出現時缺乏可靠性（Lopez, 2010），以及在準確和有效地模擬環境方面的挑戰（Azumagakito et al, 2011；Isidoro et al., 2011; Bornhofen and Lattaud, 2009）。第二個最常報告的限制是在分析領域（7.76%的論文），作者提到了結果或模型的可視化困難（Punithan et al., 2011），有限的分析規模（Janecek et al., 2013; Niazi, 2014），開發分析指標的困難（Taylor and Cody, 2015），以及有限的分析導致模型運作的模糊（Oswald and Schmickl, 2017）。實施和驗證同樣被報告為具有挑戰性（4.34%）。實施的挑戰導致了可擴展性的限制（Krol and Popiela, 2009）和複雜模型的參數化（Yamamoto and Miorandi, 2010）。驗證方面的挑戰導致了確保模型行為正確的困難。

歷年的範式頻率

圖1顯示了在歷年研究中，各種人工生命範式被用於模擬複雜系統的頻率。這裡只聚合了頻率大於4的範式。我們觀察到自2009年來的過去十年，進化（evolution）被經常用到。此外，信息素（pheromones）的使用頻率越來越高，直到2012年。

圖1. 範式頻率（2008年-2018年，樣本總量為115）

複雜適應系統屬性

22個複雜適應系統（CAS）屬性在研究中被識別出來。我們的分析還旨在確定用於促進特定複雜系統特性的人工生命範式，下表顯示了每種特性最常見的範式。

湧現是最常被考慮的屬性，57.39%的論文分析了湧現的屬性或被設計為實現湧現。論文報告使用了90種範式來產生湧現，大多數來自生物和混合範式類別（分別為55.56%和31.11%）。最常見的產生湧現的範式是進化（Otto and Bannenberg, 2010；von Mammen and Jacob, 2009）、捕食（Loula et al., 2010; Lopez, 2010）和群體智能（Leitao, 2009; von Mammen and Jacob, 2009）。

第二個最經常被識別的屬性是自組織，其中28.7%的人識別了由局部相互作用產生的系統秩序。它是用40種範式產生的，最常見的是生物範式和混合範式類（分別為57.5%和32.5%）。最常使用的個體範式是進化（Leitao, 2009; Otto and Bannenberg, 2010）、群體智能（von Mammen and Jacob, 2009）和選擇。

第三種最常被識別的CAS屬性是適應性，出現在18.26%的論文中。適應性是通過29種範式產生的，大部分來自生物和混合範式類（分別為15種（51.72%）和10種（34.5%））。在這些類別中，最常使用的單個範式是進化（Bornhofen and Lattaud, 2009）、學習（Fernando et al., 2009）和群體智能（Leitao, 2009）。

表6. 複雜系統範式

討論

我們的數據提取確定了93種不同的人工生命範式，這些範式主要是通過基於主體的模型（ABM）（55.65%）或元胞自動機（CA）（18.26%）進行建模。用相對簡單的實現機制來模擬複雜的生態或生物模型，占主要研究的近75%。其餘25%的論文使用了不同的建模方法--共18種不同的方法。這表明，仍有大量的研究領域使用替代的甚至是建模範式，但未來的工作對於確保它們的適用性得到充分理解是必要的。

雖然78.26%的主要研究集確定了複雜系統的屬性，但該子集的94%確定了最經常出現的前三個屬性至少一個，即湧現、自組織和適應。相比之下，只有32.17%的論文考慮了前三者之外的屬性。這種狹隘的關注表明了研究中的一個空白，即人工生命的方法和範式可以考慮更廣泛的複雜適應系統屬性，如穩定性、自主性、臨界性和自我調節等。例如，只有一項主要研究討論了自主性，重點是測量而不是生成（Seth, 2010）。另一個例子是穩定性，雖然在四項主要研究中被考慮，但通常在討論時沒有使用任何正式的衡量標準（Punithan et al., 2011）。

現有工作的這種局限性也轉化為評價的局限性，在大多數研究中，主要重點是證明所需的突發特性的發生，而沒有考慮其潛在的副作用以及複雜性的其他方面。由於缺乏對可擴展性的考慮，對現有論文的評估也受到限制，主要研究中的大多數論文（84.35%）在分析中沒有考慮可擴展性，從而可能限制了這些方法在現實生活場景中的適用性。

複雜系統無處不在，從生物或生態建模（Punithan et al., 2011）到項目管理或物流網絡設計（Otto and Bannenberg, 2010），都可以很容易地採用人工生命範式。我們的分析確定了32個獨特的應用領域，34.78%的主要研究集屬於三個最常見的應用領域：模擬（占主要研究集的13%）、社會建模（11.3%）和生物建模（10.4%）。雖然剩下的應用領域數量相當多，但很少有論文是在該特定領域內發表的，單一提及的應用領域占論文總數的11.30%。這表明，在各種應用領域中都考慮到了人工生命模式，但還需要更深入地分析人工生命在各個領域中的應用，以確定與它們的使用有關的潛在陷阱。

此外，還亟需一份全面的人工生命範式清單，該清單能夠捕捉到範式在特定應用領域的適用性，以獲得所需的屬性，並提供足夠的建模和實施細節，使其能夠被複製。我們認為這個系統的文獻綜述是實現這一目標的第一步。

總結

我們採用系統的文獻綜述方法來確定人工生命和複雜系統建模之間的重疊。我們的分析確定了93種用於複雜系統建模的人工生命範式，這些範式來自不同的應用領域。近65%的範式只被識別過一次，表明它們在不同領域的使用存在差距，值得進一步研究。22個複雜系統的特性要麼是在系統的設計中被考慮，因此由人工生命範式促進；要麼是在系統的評估中被考慮，因此可能由使用特定的人工生命範式造成。在討論複雜系統特性的論文中，只有約30%的論文考慮了最流行的集合之外的特性，包括湧現、自組織和適應，這表明需要更深入地應用複雜系統理論。最後，在可擴展性分析方面，我們發現了很大的差距，只有16%的論文在評估或設計中考慮了可擴展性（無論是實體的數量還是它們的複雜行為和相互作用）。總的來說，我們的分析表明，雖然人工生命和複雜系統理論在各種模型和領域中得到了廣泛的應用，但仍需要對人工生命模式和複雜系統的特性進行更深入的研究，以充分發掘其優勢。

參考文獻

1. Azumagakito, T., Suzuki, R., and Arita, T. (2011). Visualizinglanguage evolution as an emergent phenomenon based on biological evolution and learning. Artifificial Life and Robotics,16(3):366–372.

2. Banerjee, M., Capozzoli, M., McSweeney, L., and Sinha, D.(1999). Beyond kappa: a review of interrater agreement measures. The Canadian Journal of Statistics / La Revue Canadienne de Statistique, 27(1):3–23.

3. Bedau, M. A. (2003). Artifificial life: organization, adaptation andcomplexity from the bottom up. Trends in cognitive sciences,7(11):505–512.

4. Birdsey, L., Szabo, C., and Teo, Y. M. (2015). Twitter knows:Understanding the emergence of topics in social networks.In Proceedings of the Winter Simulation Conference, pages4009–4020.

5. Bornhofen, S. and Lattaud, C. (2009). Competition and evolutionin virtual plant communities: a new modeling approach. Natural Computing, 8(2):349–385.

6. Bousquet, F. and Le Page, C. (2004). Multi-agent simulationsand ecosystem management: a review. Ecological modelling,176(3-4):313–332.

7. Cocco, L., Mannaro, K., Concas, G., and Marchesi, M. (2014).Simulation of the Best Ranking Algorithms for an App Store.In Mobile Web Information Systems, volume 8640, pages233–247.

8. Davies, M. and Fleiss, J. L. (1982). Measuring agreement formultinomial data. Biometrics, 38(4):1047–1051.

9. de Buitleir, A., Russell, M., and Daly, M. (2012). Wains: A Patternseeking Artifificial Life Species. Artif. Life, 18(4):399–423.

10. Emmeche, C. (1998).Defifining life as a semiotic phenomenon.Cybernetics & Human Knowing, 5(1):3–17.

11. Fernando, S., Matsuzaki, S., and Marasinghe, A. (2009).Modelingtowards homeostatic plasticity in neuronal activities.Artififi-cial Life and Robotics, 14(2):262–265.

12. Froese, T., Virgo, N., and Izquierdo, E. (2007). Autonomy: a review and a reappraisal. InEuropean Conference on ArtifificialLife, pages 455–464. Springer.

13. Holland, J. H. (2006). Studying complex adaptive systems.Journalof Systems Science and Complexity, 19(1):1–8.

14. Isidoro, C., Fachada, N., Barata, F., and Rosa, A. (2011). AgentBased Model of Dengue Disease Transmission by Aedes aegypti Populations. InAdvances in Artifificial Life. DarwinMeets von Neumann, volume 5777, pages 345–352.

15. Janecek, A., Jordan, T., and de Lima-Neto, F. B. (2013). AgentBased Social Simulation and PSO. InAdvances in SwarmIntelligence, volume 7929, pages 63–73.

16. Joachimczak, M., Kowaliw, T., Doursat, R., and Wrbel, B. (2013).Evolutionary design of soft-bodied animats with decentralized control.Artifificial Life and Robotics, 18(3-4):152–160.

17. Kirshenbaum, M., Palmer, D., McCullick, P., and Vaidyanathan, R.(2008). Explaining Swarm Design Concepts using an Interactive, vBottom-up Simulation Tool. InInnovative Techniquesin Instruction Technology, E-learning, E-assessment, and Education, pages 298–303.

18. Kitchenham, B. (2004). Procedures for performing systematic reviews.Keele, UK, Keele University, 33(2004):1–26.

19. Krol, D. and Popiela, . (2009). Modelling Shortest Path SearchTechniques by Colonies of Cooperating Agents. InComputational Collective Intelligence. Semantic Web, Social Networksand Multiagent Systems, volume 5796, pages 665–675.

20. Langton, C. G. et al. (1989). Alife i. InProceedings of the fifirst international workshop of the synthesis and simulation of livingsystems.

21. Leitao, P. (2009). Holonic Rationale and Self-organization on Design of Complex Evolvable Systems. InHolonic and MultiAgent Systems for Manufacturing, volume 5696, pages 1–12.

22. Lopez, O. J. R. (2010). Self-organized and Evolvable CognitiveArchitecture for Intelligent Agents and Multi-Agent Systems.InApplications of Evolutionary Computation, volume 6024,pages 392–401.

23. Loula, A., Gudwin, R., Ribeiro, S., and Queiroz, J. (2010). OnBuilding Meaning: A Biologically-Inspired Experiment onSymbol-Based Communication. InBrain Inspired CognitiveSystems 2008, volume 657, pages 77–93.

24. Mittal, S. (2013). Emergence in stigmergic and complex adaptivesystems: A formal discrete event systems perspective.Cognitive Systems Research, 21:22–39.

25. Monteagudo, . and Santos Reyes, J. (2013). Cancer Stem CellModeling Using a Cellular Automaton. In Natural and Arti-fificial Computation in Engineering and Medical Applications,volume 7931, pages 21–31.

26. Niazi, M. A. (2014). Emergence of a Snake-Like Structure in Mobile Distributed Agents: An Exploratory Agent-Based Modeling Approach. SCIENTIFIC WORLD JOURNAL.

27. North, M. J., Collier, N. T., Ozik, J., Tatara, E. R., Macal, C. M.,Bragen, M., and Sydelko, P. (2013). Complex adaptive systems modeling with repast simphony. Complex Adaptive Systems Modeling, 1(1):3.

28. Oswald, Y. and Schmickl, T. (2017). Ultimate Ecology: How asocio-economic game can evolve into a resilient ecosystemof agents. In 2017 IEEE Symposium Series on ComputationalIntelligence (SSCI), pages 1–8.

29. Otto, S. and Bannenberg, T. (2010). Decentralized EvolutionaryAgents Streamlining Logistic Network Design. In ParallelProblem Solving from Nature, PPSN XI, pages 240–249.

30. Punithan, D., Kim, D.-K., and McKay, R. (2011). Daisyworld inTwo Dimensional Small-World Networks. In Database Theory and Application, Bio-Science and Bio-Technology, volume 258, pages 167–178.

31.Santé García, A. M., Miranda, D., and Crecente, R. (2010).Cellular automata models for the simulation of real-world urban processes: A review and analysis. Landscape and UrbanPlanning, 96(2):108–122.

32. Seth, A. K. (2010). Measuring Autonomy and Emergence viaGranger Causality. Artif. Life, 16(2):179–196.

33. Shibuya, N., Iizuka, H., and Yamamoto, M. (2018). Evolution ofCommunication Through Differentiation of Communicativeand Goal-directed Behaviors. Artif. Life Robot., 23(2):225–234.

34. Szabo, C., Teo, Y. M., and Chengleput, G. K. (2014). Understanding complex systems: Using interaction as a measure of emergence. In Proceedings of the Winter Simulation Conference,pages 207–218.

35. Taylor, C. E. and Cody, M. L. (2015). Bird song: a model complexadaptive system. Artifificial Life and Robotics, 20(4):285–290.

36. Varela, D. and Santos, J. (2018). Automatically obtaining a cellular automaton scheme for modeling protein folding using theFCC model. Natural Computing.

37. von Mammen, S. and Jacob, C. (2009). Swarming for Games:Immersion in Complex Systems. In Applications of Evolutionary Computing, volume 5484, pages 293–302.

38. Yamamoto, L. and Miorandi, D. (2010). Evaluating the Robustnessof Activator-Inhibitor Models for Cluster Head Computation.In Swarm Intelligence, volume 6234, pages 143–154.

39. Yu, Y.-M. and Zhao, G.-Q. (2010). Virtual battlefifield and combatsimulation based on Artifificial Life theory. In Proceedings 6thInternational Conference on Natural Computation, volume 6,pages 2820–2825.