FJ-MM：具有记忆和高阶邻居的 Friedkin–Johnsen 观点动力学模型

Friedkin–Johnsen（FJ）模型在社会科学、系统与控制、博弈论以及算法研究中得到了广泛验证。我们提出了一种先进的推广形式——称为 FJ-MM 模型——该模型结合了记忆效应和多跳影响。这一扩展使智能体在每次迭代中能够自然地整合当前和过去的观点。我们分析了 FJ-MM 模型的稳定性和平衡特性，证明它们可以从具有经适当修正的影响矩阵的标准 FJ 模型中推导得出。我们考察了 FJ-MM 模型的收敛速度，并证明正如预期的那样，记忆和高阶邻居影响所引入的时滞会导致收敛变慢。数值结果表明，记忆和多跳影响重塑了最终的观点格局，例如通过减少极化现象。