It is possible to model trust as an investment game, where a player in order to receive a reward or a better outcome, accepts a certain risk of defection by another player. Despite having achieved interesting insights and conclusions, traditional game theory does not predict the existence of trust between players who are selfish and exhibit maximizing behavior. However, experiments with these games reveal the presence of trust in player decision making. The purpose of this paper is twofold. First, it aims to build an agent-based economic model to show that trust revealed in these experiments can emerge from a simple set of dynamics. Using the generative methodology proposed by Epstein, we introduce natural selection, learning and group formation to the model to verify their impact on the emergence of trust between agents. Second, since the experiments reveal that the participants present bounded rational behavior, the paper aims to show that in an agent-based model, bounded rationality can be modelled through an artificial intelligence algorithm, the learning classifier system (LCS). As a result, we have observed that natural selection favors more selfish behavior. In addition, learning and the forming of groups increased trust in our simulations and they were able to reverse selfish behavior when introduced along with natural selection. The level of trust that emerged from the model with these three dynamics was similar to that observed in these experiments. Finally, it is possible to verify that the LCS was able to model bounded rational behavior in agents.

可以将信任建模为一种投资游戏，其中一个玩家为了获得奖励或更好的结果，接受了另一个玩家背叛的一定风险。尽管已经取得了有趣的见解和结论，但传统的博弈论并没有预测自私和表现出最大化行为的玩家之间是否存在信任。然而，对这些游戏的实验揭示了对玩家决策的信任。本文的目的是双重的。首先，它旨在建立一个基于代理的经济模型，以表明这些实验中揭示的信任可以从一组简单的动态中产生。使用 Epstein 提出的生成方法，我们将自然选择、学习和群体形成引入模型，以验证它们对代理之间信任出现的影响。第二，由于实验表明参与者表现出有限理性行为，因此本文旨在表明，在基于代理的模型中，可以通过人工智能算法学习分类器系统 (LCS) 对有限理性进行建模。结果，我们观察到自然选择有利于更自私的行为。此外，学习和群体的形成增加了对我们模拟的信任，并且当与自然选择一起引入时，他们能够扭转自私行为。从具有这三种动态的模型中产生的信任水平与在这些实验中观察到的相似。最后，可以验证 LCS 能够模拟代理中的有限理性行为。该论文旨在表明，在基于代理的模型中，可以通过人工智能算法——学习分类器系统 (LCS) 对有限理性进行建模。结果，我们观察到自然选择有利于更自私的行为。此外，学习和群体的形成增加了对我们模拟的信任，并且当与自然选择一起引入时，他们能够扭转自私行为。从具有这三种动态的模型中产生的信任水平与在这些实验中观察到的相似。最后，可以验证 LCS 能够模拟代理中的有限理性行为。该论文旨在表明，在基于代理的模型中，可以通过人工智能算法——学习分类器系统 (LCS) 对有限理性进行建模。结果，我们观察到自然选择有利于更自私的行为。此外，学习和群体的形成增加了对我们模拟的信任，并且当与自然选择一起引入时，他们能够扭转自私行为。从具有这三种动态的模型中产生的信任水平与在这些实验中观察到的相似。最后，可以验证 LCS 能够模拟代理中的有限理性行为。我们已经观察到自然选择有利于更自私的行为。此外，学习和群体的形成增加了对我们模拟的信任，并且当与自然选择一起引入时，他们能够扭转自私行为。从具有这三种动态的模型中产生的信任水平与在这些实验中观察到的相似。最后，可以验证 LCS 能够模拟代理中的有限理性行为。我们已经观察到自然选择有利于更自私的行为。此外，学习和群体的形成增加了对我们模拟的信任，并且当与自然选择一起引入时，他们能够扭转自私行为。从具有这三种动态的模型中产生的信任水平与在这些实验中观察到的相似。最后，可以验证 LCS 能够模拟代理中的有限理性行为。