随机网络上动力学交换意见模型中记忆与偏置的影响

在这项工作中，我们考虑了动力学交换意见模型中记忆与偏置的效应。我们提出了一个模型，其中智能体记住其与每个配对对象最后一次交互的符号。这引入了模型中的记忆效应，因为过去的交互会影响未来的交互。我们还考虑了一个参数 $p$ 的影响，该参数调节智能体改变其交互以匹配其意见的频率，从而引入交互中的偏置。对于较高的 $p$ 值，智能体更可能与持相反意见者发生负向交互，与持相同意见者发生正向交互。该模型定义在平均连通度 $\langle k \rangle$ 的随机网络之上。我们分析了 $p$ 与 $\langle k \rangle$ 对群体中有序与无序状态出现的影响。我们的结果表明了关于临界现象的丰富现象学，存在亚稳态以及序参量的非单调行为。我们展示了无序状态中中立智能体的比例随偏置 $p$ 增大而减小。