在纳米比亚的 PyCon 会议上，我发表了一篇名为 《使用 Python 解决“升级版的剪刀石头布”》（Rock, Paper, Scissors, Lizard, Spock with Python ）的文章。在这篇文章中，介绍到用Nashpy 来计算两个玩家的平衡是很简单的事情，但是其中只是涉及了一点点演化稳定性的内容。 在这篇博文中，我将阐述一下如何在 Python + Numpy 环境下，使用大概 40 行代码来建立一个简单的演化过程模型。
我想讲的第一个游戏是“旅行者困境”问题。这里给出一个简化的版本：
我不想过多的讲解这个游戏的数学模型如何建立。在建模后，我们只需要知道一件事情，那就是我们有两个玩家：
行玩家：选择我们处于哪一行；
列玩家：选择我们处于哪一列。
如果，行玩家选择的是第二行，列玩家选择的是第三列，则得分为： 5,1。即行玩家得 5 分，而列玩家得 1 分。这个时候列玩家可能会倾向于选择第一列，这样的话得分就是 0,4 了。
下面，我们可以使用 Nashpy 来计算这个游戏的平衡位置。
我们可以看到，纳什平衡是由两个向量组成的单个集合，向量表明了玩家应该如何玩这个游戏：
行玩家应该按照 [1,0,0] 来玩
列玩家也应该按照 [1,0,0] 来玩
在这里，[1,0,0] 是概率向量，表示一个玩家的游戏策略的概率。所以，在这种情况下，两位玩家都应该选择第一个选择，这样的话得分为 2,2。这位置称为纳什平衡，因为所有玩家都不能偏离这个点（一旦偏离，就可能得到比别人低的分数）。
我们可以对“升级版的剪刀石头布”这个游戏进行同样的建模，其数学模型如下：
接下来，使用如下的程序计算其纳什平衡：
我们可以看到每个位置都是 1/5 的概率，所以两位玩家可以随意的选择。这完全可以凭借个人直觉，因为当两位玩家都这么做的时候，实际上就是随机不可预测的。
所有结果都很合理。纳什平衡是博弈论中一个很有用且很重要的概念，但是当我们以演化的视角看这些游戏的时候，会发生什么呢？
如果我们有一大群人，并且这群人总是会选择与他们人数相同的多种选择。他们每个都和另外一大群人玩这个游戏，如果他们比对手得分要高，他们继续。反之则他们的对手继续。
下面是我们使用 Python 和 Numpy 来进行模拟的代码。
首先，得到一个随机的人数：
然后开始游戏：
接下来进行变化（将那些获胜的策略进行汇总）：
最后将上面的这些进行汇总，给定一个游戏的迭代次数，重复的运行 mutate 函数：
下面让我们看看最后画出来的曲线图（点击这里下载 Jupyter notebook）
首先我们看看玩“旅行者困境”这个游戏时会发生什么（回顾上面讲的纳什平衡，两位玩家应该选择第一种策略）：
我们可以看到，人群中的玩家很快都选择了第一种策略。当然这也可能是我们使用了特定的随机数种子所引起的人为结果。下面的图片展示了使用不同的随机数种子所得到的结果图片。
他们的初始条件皆不相同但是结果相同：人群中的人们使用都是纳什平衡策略。
接下来的是比较酷的一部分了，让我们看看在“升级版的剪刀石头布”的曲线图中会发生了什么：
我们可以看到结果不是很稳定。下面的图片显示了不同随机数种子的结果：
关于两者稳定性的差异有个直观的解释：在“旅行者困境”游戏中纳什平衡策略是非常强的：如果每个人都按照纳什平衡来决策，我们就没法作出改变，我们只能跟别人一样。在“升级版的剪刀石头布”游戏中：如果每个人都是随机的玩，或者所谓的人群是由玩家或者策略进行随机的组合，你就很有可能碰见那些战胜你的人。
从这篇文章中，我们有两点需要注意：
这只是使用 Python 模拟一个简单的演化过程。
人数的动态变化为这个游戏添加了一个迷人的维度。我在这里使用的演化过程非常的简单，一般情况都是使用马尔科夫随机过程来研究这类问题。你也可以使用 Python 的库来研究这类“囚徒困境”问题，使用的库的链接为： axelrod.readthedocs.io/en/latest/tutorials/getting_started/moran.html
英文原文：http://vknight.org/unpeudemath/mathematics/2017/03/08/simple-evolutionary-process.html
随时随地看视频
