3.2.1策略
模型設定，每個個體所使用的策略都是同一種的，皆是利用過去的經驗來進 行預測，我們的策略設定延續過去酒吧模型採用的方法，將策略與過去記憶相加 乘就可計算出本回合各選項被加入的個體數，來判斷本回合要加入那一選項。
策略被賦予的數值分為兩個方面，第一，一個介於0 ∼ 1區間的基準權重，
將此基準權重乘上選項的配額𝒞𝒞，當成是我們的基準值；第二，對於記憶範圍內 的每一個資訊賦予一個介於−1 ∼ 1值，為各資訊的在意程度，也就是對於各資 訊的權重，每一權重分別乘上對應的記憶資訊，代表必須在基準值上增加或減少 多少個體才是該選項本回合加入的個體數。最後，將所有數值相加成為本次的預 測結果，為了避免預測的值超出合理範圍（0～𝒞𝒞），各策略的所有值相加必須介 於0 ∼ 1間。假設目前個體的記憶容量𝓂𝓂 = 5，則我們就必須建構一長度為 6 的 策略，如：
偏差權重
對於每𝓶𝓶次資訊所賦予的比重
第前 1 次 第前 2 次 第前 3 次 第前 4 次 第前 5 次
策略 1 0 0 1 0 0 0
策略 2 0.5 0.1 0.1 0.1 0.1 0
策略 3 0.5 -0.5 0 0 0 0
表 8. 實際策略範例
策略 1：只在乎第前 2 次的資料，其他資料都不予理會；且基準值為 0。意 思是個體猜測此回合選擇該選項的個體數和前 2 次是一樣的。
策略 2：前四次的資料的權重皆相同為 0.1，但有偏差權重 0.5。意思是我們 猜測本回合基本上會有有𝒞𝒞 × 0.5個體加入此選項，必且因為前四回 合的資訊使得基準值必須再加上此四回合中各 0.1 比例的個體。
策略 3：此策略中一樣有基準值𝒞𝒞 × 0.5，但給予第前一次資訊一個負的權重 -0.5，這並非代表對於該次資訊不予理會，而是指我們考慮當次的
31
資訊會使得基準值中的部份個體不加入該選項，而減少的個體數就 是第前一次加入該選項的 0.5 比例個體數。
3.2.2個體
我們設定每個個體皆擁有𝓈𝓈條各自由系統策略池隨機挑選而來的策略和𝓂𝓂 大小的記憶容量，可以記住最近𝓂𝓂回合所蒐集的資訊，並且利用自身的策略與記 憶進行決策。
在初始階段時，個體會從系統策略池的𝒮𝒮條策略中隨機挑選出𝓈𝓈條策略，每 個人所選擇的策略都只是策略池中的一個子集，𝓈𝓈 ≤ 總策略數𝒮𝒮。個體將所選擇 的策略進行複製並且放入如圖 25 的個體策略集合，同時建構一個策略評分表，
在每一次使用策略之後，對於策略實施的結果好壞進行評分，若是策略的分數過 低，個體就將該策略淘汰，再從策略池中隨機挑選新的策略進行決策。
圖 25 個體所擁有的參數
此外，個體還擁有一記憶矩陣如圖 25，在初始階段，記憶矩陣中的值都是 空值，但個體會將自己計算出來同時加入相同選項的個體數或是經由朋友傳遞得 到的其他選項同時加入個體數蒐集起來，存入此矩陣。矩陣中表列出前面第幾次 有多少個體加入某個選項，隨著執行回合數增加，個體自己計算出來的訊息或透
32
過社會網路蒐集來的資訊逐漸填滿記憶矩陣，如在圖 25 中，此個體蒐集到上一 次有 32 個個體加入選項 2、上上一次 57 個個體加入選項 3…等的資訊。由此可 知，傳播次數越多或是個體的朋友數越多就有越高的機會可將記憶矩陣填滿，個 體就可用較完整的資訊進行預測。但個體只擁有𝓂𝓂大小的記憶容量，故記憶矩陣 只能紀錄最近𝓂𝓂回合的資訊，在𝓂𝓂回合以前的記憶就選擇遺忘。
3.2.3選項
對於每個選項來說，都有一個固定且有限的配額𝒞𝒞，並且每個選項皆有一個 最適合比例ℒ，此比例是個體覺得最適合的同時加入個體數比例，也是系統管理 者所設定收支最好的比例。
而此資訊是屬於個體的全域資訊。在執行的初始階段，個體都會被告知每一 個選項的配額以及其最適合被選擇的比例，因每個個體皆不希望加入同一選項的 個體數太多，多餘ℒ過多，或是加入同一選項的個體數太少，低餘ℒ過多。故個 體每一次在進行決策時，如同前兩小節所說明的會先猜測本次的每個選項可能各 有多少人同時選擇。若是猜測本次共同選項𝒾𝒾的個體數太多，超過該選項的最適 合個體數（𝒫𝒫𝒾𝒾(𝓉𝓉) > 𝐶𝐶 × 𝐿𝐿），個體就會不會選擇該選項𝒾𝒾。
對於系統管理者來說同一選項加入的個體數過多或過少都是不好的。管理者 也瞭解個體最喜歡加入同一選項的個體數符合𝐿𝐿，故將支出最好的比例也設定為𝐿𝐿。
若是有一選項同時加入的個體數比例超出ℒ代表目前提供的資源無法滿足加入 的個體，個體選擇此選項常常無法得到資源，就可能有個體逐漸不加入此選項的 危機；而加入的個體數比例低於ℒ就是系統管理在在此選項付出過多的資源，造 成支出大於收入的情形。所以站在管理者個觀點，我們必須盡量保持每個選項加 入的個體數符合最適合比例。
以上是整個模型的架構介紹，最後，表 9 整體出本模型上的各個參數，並且 說明其代表意義，其中上述已經有所介紹，另外一些會在之後提出。
33
34