1. 课程导入与随机游走全景

想象你站在一个广场中央，每一步都随机选择方向：向前、向后、向左或向右，步长相同，方向完全由抛硬币决定。走了一百步之后，你会在哪里？这个问题看似简单，却牵出了一个横跨物理学、金融学、计算机科学与认知科学的强大模型——随机游走。本课程将围绕随机游走模型及其在行为仿真中的应用展开，而这一节，我们先建立全景认知：它从哪里来、核心机制是什么、能解决什么问题，以及整门课的知识地图如何铺开。

一、从布朗运动到随机游走：一个模型的两次“转身”

1827年，植物学家布朗在显微镜下观察到花粉颗粒在水中不停做无规则抖动，这就是布朗运动。1905年，爱因斯坦给出解释：颗粒受到大量水分子不平衡碰撞，其位移在统计上服从正态分布，均方位移与时间成正比。1923年，维纳将其严格化为数学对象——维纳过程，它是连续时间、连续状态下的随机游走极限。

而“随机游走”这个离散版本更早出现在1905年皮尔逊的提问中：醉汉每一步方向随机，若干步后离出发点多远？答案不是“零”，而是均方位移随步数线性增长。设每步长度为 \(a\)，共走 \(n\) 步，则均方位移为 \(n a^2\)，典型离原点距离约为 \(a\sqrt{n}\)。这个 \(\sqrt{n}\) 规律是随机游走最核心的“指纹”：步数翻四倍，典型距离才翻一倍。它解释了为什么扩散很慢，也解释了为什么随机性在累积中反而产生了可预测的统计结构。

二、随机游走为什么值得单独学

随机游走的价值在于它是“最简单的非平凡随机过程”。它足够简单，可以用几行代码实现；又足够丰富，能衍生出马尔可夫链、扩散模型、布朗桥、带漂移的随机游走等一整套工具。更重要的是，它提供了一个思维范式：当个体行为不可精确预测时，我们转而研究其统计规律与群体涌现。这正是行为仿真的底层逻辑——我们不去预测某一个人下一步往哪走，而是设定其决策规则中的随机成分，然后观察大量个体叠加后呈现出什么模式。

在行为仿真中，随机游走常被用作“零模型”或基线：如果真实行为数据与随机游走产生的统计特征没有显著差异，说明观察到的模式可能只是随机性所致；反之，偏离随机游走的程度，恰恰度量了行为中的结构性偏好。因此，学会构造、运行和判读随机游走，是后续所有行为建模工作的参照系。

三、本课程的知识框架

整门课围绕四条主线展开，它们彼此衔接而非孤立：

• 模型基础线：一维/二维随机游走的定义、步长与方向分布、均方位移推导、维纳过程极限，建立“离散—连续”的对应关系。
• 实现与实验线：用代码实现单次轨迹与多次重复实验，掌握随机种子、步数、重复次数等参数对结果的影响，学会用统计量而非单条轨迹下结论。
• 行为建模线：在纯随机基础上加入偏好、惯性、边界约束、群体交互，把“醉汉”变成“有行为规则的个体”，观察参数如何改变宏观模式。
• 分析与判读线：通过分布直方图、均方位移曲线、首次到达时间等指标判断模型行为是否符合预期，识别常见误区。

四、先跑一次：建立直觉的最小实验

在深入理论前，建议先动手建立直觉。下面是一段二维随机游走的示例代码（Python，示例参数，非实测结果）：

import numpy as np

rng = np.random.default_rng(seed=42)   # 固定种子，保证可复现
n_steps = 1000                          # 步数
step_len = 1.0                          # 每步长度
theta = rng.uniform(0, 2*np.pi, n_steps)  # 每步方向均匀随机
dx = step_len * np.cos(theta)
dy = step_len * np.sin(theta)
x = np.concatenate([[0], np.cumsum(dx)])
y = np.concatenate([[0], np.cumsum(dy)])
print("终点:", x[-1], y[-1])
print("离原点距离:", np.hypot(x[-1], y[-1]))

运行后你会得到一条弯弯曲曲的轨迹。关键不是看终点在哪，而是做重复实验：把上述过程独立重复 500 次，记录每次的终点距离，你会看到距离的分布集中在 \(a\sqrt{n}\) 附近（本例约 31.6），少数轨迹跑得很远。这正是随机游走的典型特征——单条轨迹不可预测，但距离的分布高度稳定。若把步长改为 2、步数改为 250，均方位移仍为 \(n a^2 = 1000\)，典型距离不变，这说明起决定作用的是“步数×步长平方”这一组合量。

五、学习目标与使用建议

完成本课程后，你应当能够：独立写出可复现的随机游走仿真；解释均方位移与步数、步长的关系并做量纲检查；在纯随机模型上叠加行为规则并说明每条规则的建模动机；用分布和统计指标而非单条轨迹来判读仿真结果；识别“把随机当无序”“用一次运行下结论”等典型错误。

学习时请把握一个原则：先让模型跑起来，再追问它为什么这样跑。随机游走的很多性质（如 \(\sqrt{n}\) 规律、返回原点的概率、边界对分布的影响）在纸面上推导容易抽象，但一旦你亲手改一个参数、看一次分布变化，理解会牢固得多。接下来的章节将从最基础的一维模型开始，逐步把这条“醉汉的路径”扩展成能够刻画真实行为的多层次仿真框架。