广义不精确邻近算法：遵循有价值变化的抗改变习惯/惯例形成

本文展示了在拟度量空间中，带有广义扰动项的不精确邻近算法如何成为行为科学（心理学、经济学、管理学、博弈论等）的良好工具。更具体地说，新的扰动项代表了抗改变指数，定义为两个连续迭代之间拟距离的“足够弯曲”函数。利用这种行为观点，本文展示了这种广义不精确邻近算法如何以显著的方式模拟习惯和惯例的形成。这一想法源于最近人类行为的“变分理性方法”，该方法将行为科学中许多不同的稳定性理论（习惯、惯例、均衡、陷阱等）和变化理论（创造、创新、学习和破坏等）与变分分析中的许多概念和算法联系起来。在这种变分背景下，扰动项代表了抗改变这一非常普遍概念的一个特定实例，即某些改变不便带来的负效用。分析的核心是“有价值变化”和“边际有价值停留”的原创变分概念。在行为层面，本文主张邻近算法非常适合模拟习惯化/惯例化人类行为的涌现。我们展示了“值得改变”的过程在何时以及以何种速度收敛到行为陷阱。