Las simulaciones de flujo peatonal juegan un papel fundamental en la planificación urbana, la ingeniería del transporte y la respuesta a desastres al permitir el análisis detallado de la dinámica de multitudes y el comportamiento de caminar. Si bien se han utilizado ampliamente modelos físicos como el modelo de Fuerza Social y Boids, a menudo tienen dificultades para replicar interacciones complejas entre agentes. Por otro lado, los métodos de aprendizaje por refuerzo (RL), aunque adaptativos, sufren de una interpretabilidad limitada debido a sus estructuras de políticas opacas. Para abordar estas limitaciones, este estudio propone un marco de simulación peatonal basado en el Sistema de Clasificación Anticipatoria 2 (ACS2), un modelo de aprendizaje evolutivo basado en reglas capaz de extraer reglas de comportamiento explícitas a través del aprendizaje por prueba y error. El modelo propuesto captura las interacciones entre los agentes y las características ambientales mientras preserva la interpretabilidad de las estrategias adquiridas. Los experimentos de simulación demuestran que los agentes basados en ACS2 reproducen dinámicas peatonales realistas y logran una adaptabilidad comparable a los enfoques convencionales de aprendizaje por refuerzo, como el aprendizaje Q tabular. Además, las reglas de comportamiento extraídas permiten un análisis sistemático de los patrones de movimiento, incluidos los efectos de los obstáculos y la composición de la multitud en la eficiencia del flujo y la alineación del grupo. Los resultados sugieren que el ACS2 proporciona un enfoque prometedor para construir simulaciones multiagente interpretables para entornos peatonales del mundo real.