11.

11.md

@@ -77,3 +77,72 @@ zero_values = [0.4, 0.7, 0.9]
 
 这种情况下，`loc = [0, 1, 0]`的适应性是`[0.4, 0.2, 0.9]`的均值，为 0.5。
 
+## 11.3 智能体
+
+接下来我们需要智能体，这是类定义：
+
+```py
+class Agent:
+
+    def __init__(self, loc, fit_land):
+        self.loc = loc
+        self.fit_land = fit_land
+        self.fitness = fit_land.fitness(self.loc)
+
+    def copy(self):
+        return Agent(self.loc, self.fit_land)
+```
+
+智能体的属性是：
+
+`loc`：智能体在适应性景观中的位置。
+`fit_land`：`FitnessLandscape`对象的引用。
+`fitness`：智能体在`FitnessLandscape`中的适应性，表示为 0 到 1 之间的数字。
+`Agent`的这个定义提供了一种简单的`copy`方法，可以精确复制基因型；之后，我们将看到一个带有突变的版本，但突变对于进化来说不是必需的。
+
+## 11.4 模拟
+
+现在我们有了智能体和适应性景观，我将定义一个名为`Simulation`的类，用于模拟智能体的创建，繁殖和死亡。 为了避免陷入困境，我将在这里提供一个简化版本的代码；你可以在本章的笔记本上看到细节。
+
+这是`Simulation`的定义：
+
+```py
+
+class Simulation:
+
+    def __init__(self, fit_land, agents):
+        self.fit_land = fit_land
+        self.agents = agents
+```
+
+`Simulation`的属性是：
+
++   `fit_land`：`FitnessLandscape`对象的引用。
++   `agents`：`Agent`对象的数组。
+
+`Simulation`中最重要的函数是`step`，它模拟了单个时间步骤：
+
+```py
+
+# class Simulation:
+
+    def step(self):
+        n = len(self.agents)
+        fits = self.get_fitnesses()
+
+        # see who dies
+        index_dead = self.choose_dead(fits)
+        num_dead = len(index_dead)
+
+        # replace the dead with copies of the living
+        replacements = self.choose_replacements(num_dead, fits)
+        self.agents[index_dead] = replacements
+```
+
+在每个时间步骤中，一些智能体死亡，一些智能体繁殖。 `step`使用另外三个方法：
+
++   `get_fitnesses`返回一个数组，包含每个智能体的适应性，按照它们在智能体数组中出现的顺序。
++   `choose_dead`决定哪些智能体在此时间步中死亡，并返回一个数组，包含死亡智能体的索引。
++   `choose_replacements`决定哪些智能体在此时间步中繁殖，在每个智能体上调用`copy`，并返回一个新的`Agent`对象的数组。
+
+在这个版本的模拟中，每个时间步中新智能体的数量等于死亡智能体的数量，所以活动智能体的数量是恒定的。