酒吧出勤人数时间序列
预测准确率（RMSE）
活跃策略分布
有限理性与归纳推理的交互式模拟 — W. Brian Arthur（1994）El Farol 酒吧问题
1994年，W. Brian Arthur提出了一个看似简单的问题：N个人每周独立决定是否去El Farol酒吧。如果少于θ人（如100人中的60人）参加，所有人都会玩得开心。如果θ人或更多人参加，酒吧就会很拥挤。没有任何沟通或协调。每个人都能获取相同的历史出勤数据，但必须用个人的归纳策略来形成自己的预测。结果：平均出勤人数自发收敛到θ附近并持续波动——这是一个没有理性代理人、没有共享模型、没有中央计划的涌现均衡。
经典经济学假设演绎理性——代理人知道正确的模型并优化。Arthur认为这在这里是不可能的：如果所有人都认为出勤率会低于θ，所有人都会去，结果很拥挤。如果所有人都预期拥挤，就没人去，结果很空。不存在一致的理性预期。相反，代理人使用归纳推理：他们维护多个简单的预测规则（策略），并遵循最近最准确的那个。这种有限理性——从模式中学习而非从第一性原理推导——更加现实，并导致自组织协调。
最引人注目的结果：尽管个体层面不断变化，系统在统计上实现了效率（均值≈θ）。上个月有效的策略这个月可能失效，因为其他代理人已经适应了。这是一个策略生态——一个不断变化的竞争格局。出勤波动永远不会稳定到固定模式（除非策略太简单），表明均衡和效率可以与微观层面的持续非均衡共存。出勤方差取决于策略多样性：策略越多样化，方差越低（越接近θ）。
每个代理人持有S个策略。策略是将最近m个出勤值映射到下周预测出勤的函数。策略生成为线性组合：pred = w₀ + w₁·A(t-1) + w₂·A(t-2) + ... + wₘ·A(t-m)，加上常见启发式方法：(1) 镜像：pred = 2·A(t-1) - A(t-2)（线性趋势）；(2) 趋势：pred = A(t-1) + (A(t-1) - A(t-2))（动量）；(3) 均值：pred = 最近m个值的平均；(4) 周期：pred = A(t-m)（m周期循环）；(5) 逆势：pred = N - A(t-1)。每个代理人选择不同的随机权重，创造多样性。代理人使用迄今为止累积预测误差最低的策略。
每周，每个代理人：(1) 将所有S个策略与整个历史进行对比评估，计算每个策略的累积平方预测误差；(2) 选择误差最低的策略；(3) 使用最佳策略预测下周出勤；(4) 如果预测出勤 < θ，去酒吧；否则留在家中；(5) 以概率ε（噪声）随机反转决策——模拟非理性行为。决策噪声ε防止系统陷入固定循环并模拟现实世界的随机性。
向θ收敛由负反馈驱动：如果出勤持续高于θ，代理人学会预测高出勤并留在家中 → 出勤下降。如果低于θ，代理人学会预测低出勤并去 → 出勤上升。这类似于恒温器。关键洞见是这种反馈通过归纳学习（模式识别）起作用，而非理性计算。收敛的速度和稳定性取决于：(1) 策略数S——每代理人策略越多适应越快；(2) 记忆长度m——更长的记忆捕获更多模式但响应更慢；(3) 阈值θ/N——50%时最优（信息量最大的反馈）。
El Farol结构直接出现在金融市场中：交易者基于历史模式独立决定买入/卖出。如果太多人买入（拥挤交易），回报很差。如果太少人买入，逆向机会被错过。技术分析策略类似于Arthur的预测规则。由此产生的市场动态显示围绕基本面价值的均值回归，伴随投机泡沫和崩盘——正如酒吧出勤在θ附近波动。少数派博弈——El Farol的简化版本——在经济物理学中被广泛研究，用于建模市场波动和典型化事实。
通勤者选择路线面临相同结构：如果很少人使用，路线很快；如果很多人使用则很慢。GPS导航应用创造了一个实时的El Farol问题——当所有人都遵循相同"最优"路线时，该路线就会拥堵。路由算法的多样性（不同应用、不同偏好）就像多样化的策略，自然分配交通流量。这就是Braess悖论：增加一条道路可能因集中代理到"最佳"路线而使整体交通恶化。
在预测市场（选举、体育、企业预测）中，具有多样化模型和信息的参与者共同产生极其准确的聚合预测。El Farol机制解释了原因：模型错误的参与者亏损并退出，而成功的模型吸引模仿——创造了策略的进化生态。市场价格收敛到共识预测，就像出勤收敛到θ。关键要求是模型的多样性，而不是任何单个模型的准确性。
互联网流量路由、云计算负载均衡和无线频谱接入都面临El Farol类型的问题。每个用户根据观察到的延迟独立选择服务器/信道。如果太多人选择相同资源，就会出现拥塞。受少数派博弈启发的分布式算法在没有中央协调的情况下实现高效负载均衡——每个节点使用简单的强化学习来选择资源，系统自组织地将近乎最优地分配负载。