Поле цифровой дидактики - Вклад [ru]

Обсуждение:Flocking(model)

2025-12-27T05:48:39Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

=== NetLogo ===

{{#widget:iframe
|url=https://netlogoweb.org/launch#https://netlogoweb.org/assets/modelslib/Sample%20Models/Biology/Flocking.nlogo
|width=800
|height=600
}}

= Эксперимент 1 =
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 08:35, 27 декабря 2025 (MSK)
=== Введение ===
'''Цель эксперимента:'''
Исследовать, как соотношение между силой сплоченности (max-cohere-turn) и силой разделения (max-separate-turn) влияет на характеристики самоорганизации стаи:

'''Упорядоченность (order) —''' насколько синхронно и согласованно движутся все агенты в одном направлении

'''Количество стай (num-flocks)''' — число отдельных, не связанных и не взаимодействующих групп агентов

Мы хотим понять: при каком соотношении сил сплоченности и разделения система переходит от множества мелких, разрозненных подгрупп к единой глобальной, хорошо организованной стае?

'''Гипотеза:'''
правило «разделение» (max-separate-turn) является стабилизирующим фактором, предотвращающим столкновения и удерживающим агентов на дистанции друг от друга. Правило «сплоченность» (max-cohere-turn) — объединяющим фактором, притягивающим агентов в одну группу.Если сила сплоченности значительно превышает силу разделения, агенты сбиваются в плотную, но потенциально нестабильную кучу с частыми «толчками». Если разделение слишком сильно, стая не сможет сформироваться и распадется на одиночек или пары.

=== Работа с NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: population = 300, vision = 5, max-align-turn = 5, minimum-separation = 1

Создаем матрицу экспериментов: будем менять два параметра.
* max-cohere-turn: возьмем значения 0, 5, 10, 15, 20
* max-separate-turn: возьмем значения 0, 5, 10, 15, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vT4CYRswUcH8Qj6dQrFbANQON3NYWTSEHIk6sCsOP6CIbatNOv8nx7o8pq85DR94MYfbkwiwhR4qVVN
|width=800
|height=400
}}

https://docs.google.com/spreadsheets/d/1lHd-Iij0O82hH8axMy864D0EGoGvmb0lQ6HWAHE8NDk/edit?usp=sharing
=== Визуализация ===
[[Файл:Cd1.png|400px]]
На этом графике мы видим, что, зачастую, когда сплоченность равна или выше разделению птиц, уровень упорядоченности в стаях растет. Более упорядоченные стаи выделяются яркими красными точками.

[[Файл:Cd2.png|400px]]

На этом же графике заметна следующая последовательность: чем выше уровень упорядоченности, тем меньше стай.

=== Вывод ===
Гипотеза в целом подтверждается данными графика:
Правило сплоченности работает как объединяющий фактор, но только внутри крупных групп.Правило разделения работает как стабилизирующий фактор, особенно в условиях множества мелких групп.
Также наблюдается обратная зависимость между эффективностью сплоченности и разделения в зависимости от количества групп:

Много групп → высокое разделение, низкая сплоченность.

Мало групп → высокая сплоченность, низкое разделение.

= Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай =
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 30 независимых запусков. Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 230351.png|400px]]
[[Файл:Снимок экрана 2025-12-26 230546.png|400px]]

=== Анализ результатов (Шаг 1–5) ===
На каждом шаге приведены усреднённые по 30 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).

==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': средняя — 0.610

'''Количество стай (num-swarms)''': 86.167

'''Размер наибольшей стаи''': 20.533 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по ~20 птиц). Глобальная координация слабая — каждая стая летит в своём направлении, поэтому order находится на среднем уровне.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.905

'''Количество стай (num-swarms)''': 17.367

'''Размер наибольшей стаи''': 97.800 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~98 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.954

'''Количество стай (num-swarms)''': 3.367

'''Размер наибольшей стаи''': 221.667 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~74% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': очень высокая — 0.958

'''Количество стай (num-swarms)''': 3.267

'''Размер наибольшей стаи''': 220.867 птицы

'''Вывод для Шага 4''': при vision = 7 система остаётся в состоянии глобальной координации, но не достигает полного слияния. Формируется одна доминирующая стая (~74% популяции), а также несколько мелких групп. Движение синхронизировано, но не идеально (order ≈ 0.96).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': почти идеальная — 0.977

'''Количество стай (num-swarms)''': 1.067

'''Размер наибольшей стаи''': 291.300 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~291 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2) система остаётся локальной: множество мелких стай, средний order.
При среднем vision (3–5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 3–5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.

= Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации =

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 30 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 400.png]]
[[Файл:Screenshot 399.png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T20:40:43Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 30 независимых запусков. Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 230351.png|400px]]
[[Файл:Снимок экрана 2025-12-26 230546.png|400px]]

=== Анализ результатов (Шаг 1–5) ===
На каждом шаге приведены усреднённые по 30 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).

==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': средняя — 0.610

'''Количество стай (num-swarms)''': 86.167

'''Размер наибольшей стаи''': 20.533 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по ~20 птиц). Глобальная координация слабая — каждая стая летит в своём направлении, поэтому order находится на среднем уровне.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.905

'''Количество стай (num-swarms)''': 17.367

'''Размер наибольшей стаи''': 97.800 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~98 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.954

'''Количество стай (num-swarms)''': 3.367

'''Размер наибольшей стаи''': 221.667 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~74% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': очень высокая — 0.958

'''Количество стай (num-swarms)''': 3.267

'''Размер наибольшей стаи''': 220.867 птицы

'''Вывод для Шага 4''': при vision = 7 система остаётся в состоянии глобальной координации, но не достигает полного слияния. Формируется одна доминирующая стая (~74% популяции), а также несколько мелких групп. Движение синхронизировано, но не идеально (order ≈ 0.96).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': почти идеальная — 0.977

'''Количество стай (num-swarms)''': 1.067

'''Размер наибольшей стаи''': 291.300 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~291 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2) система остаётся локальной: множество мелких стай, средний order.
При среднем vision (3–5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 3–5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 400.png]]
[[Файл:Screenshot 399.png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T20:40:13Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 30 независимых запусков. Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 230351.png|400px]]
[[Файл:Снимок экрана 2025-12-26 230546.png|400px]]

=== Анализ результатов (Шаг 1–5) ===
На каждом шаге приведены усреднённые по 30 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).

==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': средняя — 0.610

'''Количество стай (num-swarms)''': 86.167

'''Размер наибольшей стаи''': 20.533 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по ~20 птиц). Глобальная координация слабая — каждая стая летит в своём направлении, поэтому order находится на среднем уровне.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.905

'''Количество стай (num-swarms)''': 17.367

'''Размер наибольшей стаи''': 97.800 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~98 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.954

'''Количество стай (num-swarms)''': 3.367

'''Размер наибольшей стаи''': 221.667 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~74% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': очень высокая — 0.958

'''Количество стай (num-swarms)''': 3.267

'''Размер наибольшей стаи''': 220.867 птицы

'''Вывод для Шага 4''': при vision = 7 система остаётся в состоянии глобальной координации, но не достигает полного слияния. Формируется одна доминирующая стая (~74% популяции), а также несколько мелких групп. Движение синхронизировано, но не идеально (order ≈ 0.96).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': почти идеальная — 0.977

'''Количество стай (num-swarms)''': 1.067

'''Размер наибольшей стаи''': 291.300 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~291 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2) система остаётся локальной: множество мелких стай, средний order.
При среднем vision (3–5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 3–5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 400.png|слева]]
[[Файл:Screenshot 399.png|центр]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T20:38:47Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 30 независимых запусков. Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 230351.png|400px]]
[[Файл:Снимок экрана 2025-12-26 230546.png|400px]]

=== Анализ результатов (Шаг 1–5) ===
На каждом шаге приведены усреднённые по 30 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).

==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': средняя — 0.610

'''Количество стай (num-swarms)''': 86.167

'''Размер наибольшей стаи''': 20.533 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по ~20 птиц). Глобальная координация слабая — каждая стая летит в своём направлении, поэтому order находится на среднем уровне.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.905

'''Количество стай (num-swarms)''': 17.367

'''Размер наибольшей стаи''': 97.800 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~98 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.954

'''Количество стай (num-swarms)''': 3.367

'''Размер наибольшей стаи''': 221.667 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~74% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': очень высокая — 0.958

'''Количество стай (num-swarms)''': 3.267

'''Размер наибольшей стаи''': 220.867 птицы

'''Вывод для Шага 4''': при vision = 7 система остаётся в состоянии глобальной координации, но не достигает полного слияния. Формируется одна доминирующая стая (~74% популяции), а также несколько мелких групп. Движение синхронизировано, но не идеально (order ≈ 0.96).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': почти идеальная — 0.977

'''Количество стай (num-swarms)''': 1.067

'''Размер наибольшей стаи''': 291.300 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~291 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2) система остаётся локальной: множество мелких стай, средний order.
При среднем vision (3–5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 3–5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 400.png|мини|слева]]
[[Файл:Screenshot 399.png|мини|центр]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Файл:Screenshot 400.png

2025-12-26T20:38:23Z

Губайдуллина Алина:

Обсуждение:Flocking(model)

2025-12-26T20:31:43Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 30 независимых запусков. Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 230351.png|400px]]
[[Файл:Снимок экрана 2025-12-26 230546.png|400px]]

=== Анализ результатов (Шаг 1–5) ===
На каждом шаге приведены усреднённые по 30 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).

==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': средняя — 0.610

'''Количество стай (num-swarms)''': 86.167

'''Размер наибольшей стаи''': 20.533 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по ~20 птиц). Глобальная координация слабая — каждая стая летит в своём направлении, поэтому order находится на среднем уровне.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.905

'''Количество стай (num-swarms)''': 17.367

'''Размер наибольшей стаи''': 97.800 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~98 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.954

'''Количество стай (num-swarms)''': 3.367

'''Размер наибольшей стаи''': 221.667 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~74% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': очень высокая — 0.958

'''Количество стай (num-swarms)''': 3.267

'''Размер наибольшей стаи''': 220.867 птицы

'''Вывод для Шага 4''': при vision = 7 система остаётся в состоянии глобальной координации, но не достигает полного слияния. Формируется одна доминирующая стая (~74% популяции), а также несколько мелких групп. Движение синхронизировано, но не идеально (order ≈ 0.96).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': почти идеальная — 0.977

'''Количество стай (num-swarms)''': 1.067

'''Размер наибольшей стаи''': 291.300 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~291 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2) система остаётся локальной: множество мелких стай, средний order.
При среднем vision (3–5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 3–5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 399.png|мини|центр]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T20:31:07Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 30 независимых запусков. Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 230351.png|400px]]
[[Файл:Снимок экрана 2025-12-26 230546.png|400px]]

=== Анализ результатов (Шаг 1–5) ===
На каждом шаге приведены усреднённые по 30 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).

==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': средняя — 0.610

'''Количество стай (num-swarms)''': 86.167

'''Размер наибольшей стаи''': 20.533 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по ~20 птиц). Глобальная координация слабая — каждая стая летит в своём направлении, поэтому order находится на среднем уровне.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.905

'''Количество стай (num-swarms)''': 17.367

'''Размер наибольшей стаи''': 97.800 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~98 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.954

'''Количество стай (num-swarms)''': 3.367

'''Размер наибольшей стаи''': 221.667 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~74% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': очень высокая — 0.958

'''Количество стай (num-swarms)''': 3.267

'''Размер наибольшей стаи''': 220.867 птицы

'''Вывод для Шага 4''': при vision = 7 система остаётся в состоянии глобальной координации, но не достигает полного слияния. Формируется одна доминирующая стая (~74% популяции), а также несколько мелких групп. Движение синхронизировано, но не идеально (order ≈ 0.96).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': почти идеальная — 0.977

'''Количество стай (num-swarms)''': 1.067

'''Размер наибольшей стаи''': 291.300 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~291 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2) система остаётся локальной: множество мелких стай, средний order.
При среднем vision (3–5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 3–5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 399.png|мини|слева]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Файл:Screenshot 399.png

2025-12-26T20:30:35Z

Губайдуллина Алина:

Обсуждение:Flocking(model)

2025-12-26T19:00:50Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 394.png]]
[[Файл:..png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T14:25:24Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/
}}

[[Файл:Screenshot 394.png]]
[[Файл:..png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Файл:..png

2025-12-26T14:25:10Z

Губайдуллина Алина:

Обсуждение:Flocking(model)

2025-12-26T14:18:38Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/
}}

[[Файл:Screenshot 394.png]]
[[Файл:Vizual.png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T14:17:21Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/
}}

[[Файл:Screenshot 394.png]] [[Файл:Vizual.png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T14:16:45Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/
}}

[[Файл:Screenshot 394.png]]
[[Файл:Vizual.png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T14:15:55Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/
}}

[[Файл:Screenshot 394.png|мини]]
[[Файл:Vizual.png|мини]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Файл:Screenshot 394.png

2025-12-26T14:15:47Z

Губайдуллина Алина:

Обсуждение:Flocking(model)

2025-12-26T13:59:15Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/
}}

[[Файл:Vizual.png|мини]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Файл:Vizual.png

2025-12-26T13:58:53Z

Губайдуллина Алина:

visual

Обсуждение:Flocking(model)

2025-12-26T13:18:19Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/
}}

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T12:50:14Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

Обсуждение:Flocking(model)

2025-12-26T12:44:40Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

Обсуждение:Flocking(model)

2025-12-26T12:14:19Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

Обсуждение:Flocking(model)

2025-12-26T12:11:15Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

Обсуждение:Flocking(model)

2025-12-26T12:10:27Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

Обсуждение:Flocking(model)

2025-12-26T12:09:11Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

Обсуждение:Flocking(model)

2025-12-26T12:03:21Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования *скопления* (кучи агентов), но оно критически важно для формирования именно *стаи* — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/
}}

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

=== Заключение ===

Гипотеза подтвердится. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T12:01:37Z

Губайдуллина Алина: /* Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования *скопления* (кучи агентов), но оно критически важно для формирования именно *стаи* — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml
}}

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

=== Заключение ===

Гипотеза подтвердится. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T11:56:23Z

Губайдуллина Алина: /* /*Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации*/ */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования *скопления* (кучи агентов), но оно критически важно для формирования именно *стаи* — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

Обсуждение:Flocking(model)

2025-12-26T11:48:29Z

Губайдуллина Алина: /* /*Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации*/ */ новая тема

Участник:Губайдуллина Алина

2025-12-24T12:13:36Z

Губайдуллина Алина:

{{UserMGPU
|Description=Студентка группы АБП-231 Московского городского университета по направлению Аналитика бизнес-процессов
|Field_of_knowledge=Математика, Информатика, Экономика, Обществознание, Спорт, Музыка, Алгебра
|similar_concepts=Экономика, Аналитика, Спорт
|Environment=Python, Deepseek, Qwen, Java
|Position=Бакалавриат
|Profile=Информатика, Обществознание
|PedDirection=Да
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Задание 1 - https://digida.mgpu.ru/index.php/Обсуждение_участника:Губайдуллина_Алина

Задание 2 - https://digida.mgpu.ru/index.php/Обсуждение:Как_провести_регрессионный_анализ#Дополнение_с_датасетом_про_стрельбу_в_полиции

Задание 3 - https://digida.mgpu.ru/index.php/Обсуждение:Практическое_задание_по_анализу_временных_рядов#Эксперимент_с_моделью_Sergegation

Участник:Губайдуллина Алина

2025-12-24T12:13:16Z

Губайдуллина Алина:

{{UserMGPU
|Description=Студентка группы АБП-231 Московского городского университета по направлению Аналитика бизнес-процессов
|Field_of_knowledge=Математика, Информатика, Экономика, Обществознание, Спорт, Музыка, Алгебра
|similar_concepts=Экономика, Аналитика, Спорт
|Environment=Python, Deepseek, Qwen, Java
|Position=Бакалавриат
|Profile=Информатика, Обществознание
|PedDirection=Да
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Задание 1 - https://digida.mgpu.ru/index.php/Обсуждение_участника:Губайдуллина_Алина
Задание 2 - https://digida.mgpu.ru/index.php/Обсуждение:Как_провести_регрессионный_анализ#Дополнение_с_датасетом_про_стрельбу_в_полиции
Задание 3 - https://digida.mgpu.ru/index.php/Обсуждение:Практическое_задание_по_анализу_временных_рядов#Эксперимент_с_моделью_Sergegation

Участник:Губайдуллина Алина

2025-12-24T12:11:46Z

Губайдуллина Алина:

Участник:Губайдуллина Алина

2025-12-24T12:09:15Z

Губайдуллина Алина:

{{UserMGPU
|Description=Студентка группы АБП-231 Московского городского университета по направлению Аналитика бизнес-процессов
|Field_of_knowledge=Математика, Информатика, Экономика, Обществознание, Спорт, Музыка, Алгебра
|similar_concepts=Экономика, Аналитика, Спорт
|Environment=Python, Deepseek, Qwen, Java
|Position=Бакалавриат
|Profile=Информатика, Обществознание
|PedDirection=Да
|Working_On=Как провести регрессионный анализ
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Задание 1 - https://digida.mgpu.ru/index.php/Обсуждение_участника:Губайдуллина_Алина

Участник:Губайдуллина Алина

2025-12-18T13:05:04Z

Губайдуллина Алина:

Участник:Губайдуллина Алина

2025-12-18T13:03:55Z

Губайдуллина Алина:

{{UserMGPU
|Description=Студентка группы АБП-231 Московского городского университета по направлению Аналитика бизнес-процессов
|Field_of_knowledge=Математика, Информатика, Экономика, Обществознание, Спорт, Музыка, Алгебра
|similar_concepts=Экономика, Аналитика, Спорт
|Environment=Python, Deepseek, Qwen, Java
|Position=Бакалавриат
|Profile=Информатика, Обществознание
|PedDirection=Да
|Working_On=https://digida.mgpu.ru/index.php/Обсуждение:Как_провести_регрессионный_анализ#Дополнение_с_датасетом_про_стрельбу_в_полиции
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Задание 1 - https://digida.mgpu.ru/index.php/Обсуждение_участника:Губайдуллина_Алина

Участник:Губайдуллина Алина

2025-12-18T13:02:03Z

Губайдуллина Алина:

Участник:Губайдуллина Алина

2025-12-18T13:00:07Z

Губайдуллина Алина:

Участник:Губайдуллина Алина

2025-12-18T12:58:39Z

Губайдуллина Алина:

Участник:Губайдуллина Алина

2025-12-18T12:57:01Z

Губайдуллина Алина:

Обсуждение:Практическое задание по анализу временных рядов

2025-12-08T20:25:36Z

Губайдуллина Алина: /* Эксперимент с моделью Sergegation */

== Пример постановки эксперимента с моделью Segregation ==

Это пример постановки эксперимента
--[[Участник:Patarakin|Patarakin]] ([[Обсуждение участника:Patarakin|обсуждение]]) 09:16, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 60%
# Таких же как я - 30, 40, 60 %

Time unhappy
0 300
1 161
2 99
3 62
4 38
5 28
6 18
7 11
8 5
9 2
10 2
11 0

=== [[BehaviorSpace]] Experiment ===
* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Пример постановки эксперимента с моделью Segregation ==

=== Сбор данных с модели Segregation ===

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%

https://docs.google.com/spreadsheets/d/18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSo0qbkxN8XqMumIM8MZSb57Y4pZMJAmU48njjO_RIMshxYr9yrusvEOBAElT_EUhQJO7kNBqSRlQpI
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 01-51-38.png|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Viz V.png|600px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет)===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 02-27-40.png|600px]]

далее в RawGraph:

[[Файл:Ch1.png|600px]]

[[Файл:Ch2.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

=== Сбор данных с модели Segregation ===
# Плотность - 80%
# Таких же как я - 75%

* https://docs.google.com/spreadsheets/d/1gqjZmHA2w2oBaCHlDiRIz5QzEY5BlxX4zDUVXYMCFQ4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Codap seg.png|600px]]

Затем построим графики в RawGraph:

[[Файл:Segregation.png|800px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации. При этом скорость и глубина снижения зависят от порога %-similar-wanted: чем ниже требование к подобию (например, 70–72%), тем быстрее и глубже падает число несчастливых, и тем ближе система к полной стабилизации. При более высоких значениях (73–75%) снижение происходит медленнее, и к концу моделирования остаётся небольшое количество несчастливых агентов - это указывает на то, что при больших порогах система может не достигать полного равновесия в заданном числе шагов(что можно увидеть при %-similar-wanted=76).

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:CODAP ED.png|800px]]

Затем построим графики в RawGraph:

[[Файл:Poor.png|450px]]
[[Файл:Rich.png|450px]]

На полученных графиках мы видим, что чем выше poor-price-priority или rich-quality-priority, тем больше медианное расстояние до работы — это означает, что ориентация бедных на цену и богатых на качество заставляет их выбирать более удалённое место жительство от рабочего места. При снижении этих приоритетов расстояния сокращаются.

== Эксперимент с моделью Segregation ==

--[[Участник:Malena Buzdugan|Malena Buzdugan]] ([[Обсуждение участника:Malena Buzdugan|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 80%
# Таких же как я - 50 %

* https://docs.google.com/spreadsheets/d/1Jl5Iat5UvbL5uxol7NzrbJQx7-P_xriS/edit?usp=drive_link&ouid=109987093236244455563&rtpof=true&sd=true

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Photo 2025-12-02 13-05-26.jpg|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Ааа.png|600px]]
[[Файл:Viz (1.png|600px]]

== Эксперимент с моделью Segregation ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 10:08, 24 ноября 2025 (MSK)
*
https://docs.google.com/spreadsheets/d/1VrDX2kuHOzh_HSqERhOXEwUPWtgMEYZyevcI-Lhu8HY/edit?usp=sharing

Условия эксперимента:
# Плотность - 81%
# Таких же как я - 70 %
{{#widget:Google Spreadsheet

|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
[[Файл:2025-11-24 09-52-33.png|600px]]

[[Файл:2025-11-24_10-02-54.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 00:30, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 65%

*
https://docs.google.com/spreadsheets/d/1gDmKr_UHjpUr5_iR231LlJfVgPMGoHWBdWZI7qigleQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSWXDB_TI-khaobFIf9fXM4zKHx-QBCRcGXbo9afY9tcJttAXEV5EO_j4i0FejKGso38QavLQX43u0z
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Happy unhappy.png|550px]]

Затем построим графики в RawGraph:
[[Файл:Raw happy.png|700px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 02:13, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 83%

*
https://docs.google.com/spreadsheets/d/1Dh_tpGTeNvnSlkdC_UntJwu7G3P6gnVrFi9GWnTEGsw/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ-ILv2Q-LJdW11qXQr6tM5sMmHv02Tw5osEWV415-u1I2do17O9biGpPvUZ1bDYCLQzYc7izEEkNv8
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Graphs analyse.png|650px]]

Затем построим графики в RawGraph:
[[Файл:Happy.png|650px]]

== Эксперимент с моделью Segregation ==
Условия эксперимента:
# Плотность - 88%
# Таких же как я - 88 %
* https://docs.google.com/spreadsheets/d/1KCua6-shAaeD164v4ifRZh_Ez1ZU6aTZFvm54xb8Ce4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Снимок экрана 2025-11-29 014538.png| 600px]]

Затем построим графики в RawGraph:
[[Файл:GG2.png|800px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:GG3.png|800]]

Затем построим графики в RawGraph:
[[Файл:Viz (1).png|800px]]

== Эксперимент с моделью Segregation ==
'''Хлебова Екатерина, гр. АБП-231'''

Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%

* https://docs.google.com/spreadsheets/d/1pdLtG43iF32Rs9Z2s5ju2wnlG2ecnbMy1wdeQ296n60/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vRS39czJLsMKifssDW8tsGwRz_cIN-6_tgljBkzjCjIh5bH1qr2YZoEjlZu4Mkene8rxFQqA_LSuuPr
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Segregation experiment.jpg|600px]]

Затем построим графики в RawGraph:
[[Файл:Хлебова ЕМ.png|800px]]

== Эксперимент с моделью Segregation ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 21:28, 8 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 96%
# Таких же как я - 64%

*
https://docs.google.com/spreadsheets/d/1tw4X7ycnG31bSNJsV_xGkZo3OP_IIaVSUFyWJuTp6yg/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRVHoEZqhOt04Vipn_5Tv1VO06faXuW13tow8W3S7JPdQdiE7vTdViAfXa4eCm_LQgxg6wIHr32Nrz4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Dig1.png|550px]]

Затем построим графики в RawGraph:

[[Файл:V666.png|700px]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Sergegation ==
--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 23:10, 8 декабря 2025 (MSK)

Условия эксперимента:

1. Плотность - 92%

2. Таких же как я - 79%

https://docs.google.com/spreadsheets/d/1g9T9165heBCoUtpesHFcIddSF68hZaAAWxfcZsQUmiw/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRkSLeEY2TYJnI2ObN502g5r1PKGYmXzcyR4LdaY5D42kSs_LSO5IxIhreGxal_jPghjSYcUK9BSVOU
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Sergegation (общий датасет) ===

Построим диаграммы рассеивания в CODAP:

[[Файл:Диаграммы.png]]

Построим графики в RawGraph:

[[Файл:Графикиии.png]]

Обсуждение:Практическое задание по анализу временных рядов

2025-12-08T20:24:55Z

Губайдуллина Алина: /* Эксперимент с моделью Sergegation */

Файл:Графикиии.png

2025-12-08T20:24:39Z

Губайдуллина Алина:

графики

Файл:Диаграммы.png

2025-12-08T20:20:51Z

Губайдуллина Алина:

диаграммы

Обсуждение:Практическое задание по анализу временных рядов

2025-12-08T20:10:06Z

Губайдуллина Алина:

== Пример постановки эксперимента с моделью Segregation ==

Это пример постановки эксперимента
--[[Участник:Patarakin|Patarakin]] ([[Обсуждение участника:Patarakin|обсуждение]]) 09:16, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 60%
# Таких же как я - 30, 40, 60 %

Time unhappy
0 300
1 161
2 99
3 62
4 38
5 28
6 18
7 11
8 5
9 2
10 2
11 0

=== [[BehaviorSpace]] Experiment ===
* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Пример постановки эксперимента с моделью Segregation ==

=== Сбор данных с модели Segregation ===

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%

https://docs.google.com/spreadsheets/d/18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSo0qbkxN8XqMumIM8MZSb57Y4pZMJAmU48njjO_RIMshxYr9yrusvEOBAElT_EUhQJO7kNBqSRlQpI
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 01-51-38.png|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Viz V.png|600px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет)===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 02-27-40.png|600px]]

далее в RawGraph:

[[Файл:Ch1.png|600px]]

[[Файл:Ch2.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

=== Сбор данных с модели Segregation ===
# Плотность - 80%
# Таких же как я - 75%

* https://docs.google.com/spreadsheets/d/1gqjZmHA2w2oBaCHlDiRIz5QzEY5BlxX4zDUVXYMCFQ4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Codap seg.png|600px]]

Затем построим графики в RawGraph:

[[Файл:Segregation.png|800px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации. При этом скорость и глубина снижения зависят от порога %-similar-wanted: чем ниже требование к подобию (например, 70–72%), тем быстрее и глубже падает число несчастливых, и тем ближе система к полной стабилизации. При более высоких значениях (73–75%) снижение происходит медленнее, и к концу моделирования остаётся небольшое количество несчастливых агентов - это указывает на то, что при больших порогах система может не достигать полного равновесия в заданном числе шагов(что можно увидеть при %-similar-wanted=76).

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:CODAP ED.png|800px]]

Затем построим графики в RawGraph:

[[Файл:Poor.png|450px]]
[[Файл:Rich.png|450px]]

На полученных графиках мы видим, что чем выше poor-price-priority или rich-quality-priority, тем больше медианное расстояние до работы — это означает, что ориентация бедных на цену и богатых на качество заставляет их выбирать более удалённое место жительство от рабочего места. При снижении этих приоритетов расстояния сокращаются.

== Эксперимент с моделью Segregation ==

--[[Участник:Malena Buzdugan|Malena Buzdugan]] ([[Обсуждение участника:Malena Buzdugan|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 80%
# Таких же как я - 50 %

* https://docs.google.com/spreadsheets/d/1Jl5Iat5UvbL5uxol7NzrbJQx7-P_xriS/edit?usp=drive_link&ouid=109987093236244455563&rtpof=true&sd=true

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Photo 2025-12-02 13-05-26.jpg|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Ааа.png|600px]]
[[Файл:Viz (1.png|600px]]

== Эксперимент с моделью Segregation ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 10:08, 24 ноября 2025 (MSK)
*
https://docs.google.com/spreadsheets/d/1VrDX2kuHOzh_HSqERhOXEwUPWtgMEYZyevcI-Lhu8HY/edit?usp=sharing

Условия эксперимента:
# Плотность - 81%
# Таких же как я - 70 %
{{#widget:Google Spreadsheet

|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
[[Файл:2025-11-24 09-52-33.png|600px]]

[[Файл:2025-11-24_10-02-54.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 00:30, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 65%

*
https://docs.google.com/spreadsheets/d/1gDmKr_UHjpUr5_iR231LlJfVgPMGoHWBdWZI7qigleQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSWXDB_TI-khaobFIf9fXM4zKHx-QBCRcGXbo9afY9tcJttAXEV5EO_j4i0FejKGso38QavLQX43u0z
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Happy unhappy.png|550px]]

Затем построим графики в RawGraph:
[[Файл:Raw happy.png|700px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 02:13, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 83%

*
https://docs.google.com/spreadsheets/d/1Dh_tpGTeNvnSlkdC_UntJwu7G3P6gnVrFi9GWnTEGsw/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ-ILv2Q-LJdW11qXQr6tM5sMmHv02Tw5osEWV415-u1I2do17O9biGpPvUZ1bDYCLQzYc7izEEkNv8
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Graphs analyse.png|650px]]

Затем построим графики в RawGraph:
[[Файл:Happy.png|650px]]

== Эксперимент с моделью Segregation ==
Условия эксперимента:
# Плотность - 88%
# Таких же как я - 88 %
* https://docs.google.com/spreadsheets/d/1KCua6-shAaeD164v4ifRZh_Ez1ZU6aTZFvm54xb8Ce4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Снимок экрана 2025-11-29 014538.png| 600px]]

Затем построим графики в RawGraph:
[[Файл:GG2.png|800px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:GG3.png|800]]

Затем построим графики в RawGraph:
[[Файл:Viz (1).png|800px]]

== Эксперимент с моделью Segregation ==
'''Хлебова Екатерина, гр. АБП-231'''

Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%

* https://docs.google.com/spreadsheets/d/1pdLtG43iF32Rs9Z2s5ju2wnlG2ecnbMy1wdeQ296n60/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vRS39czJLsMKifssDW8tsGwRz_cIN-6_tgljBkzjCjIh5bH1qr2YZoEjlZu4Mkene8rxFQqA_LSuuPr
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Segregation experiment.jpg|600px]]

Затем построим графики в RawGraph:
[[Файл:Хлебова ЕМ.png|800px]]

== Эксперимент с моделью Segregation ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 21:28, 8 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 96%
# Таких же как я - 64%

*
https://docs.google.com/spreadsheets/d/1tw4X7ycnG31bSNJsV_xGkZo3OP_IIaVSUFyWJuTp6yg/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRVHoEZqhOt04Vipn_5Tv1VO06faXuW13tow8W3S7JPdQdiE7vTdViAfXa4eCm_LQgxg6wIHr32Nrz4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Dig1.png|550px]]

Затем построим графики в RawGraph:

[[Файл:V666.png|700px]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

=== Эксперимент с моделью Sergegation ===
--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 23:10, 8 декабря 2025 (MSK)

Условия эксперимента:

1. Плотность - 92%

2. Таких же как я - 79%

https://docs.google.com/spreadsheets/d/1g9T9165heBCoUtpesHFcIddSF68hZaAAWxfcZsQUmiw/edit?usp=sharing

=== Визуализация графиков в RawGraph по модели Segregation (общий датасет) ===
Построим диаграммы рассеивания в CODAP:

[[Файл:Screenshot 312.png]]

Построим графики в RawGraph:

[[Файл:Viz.ii.png]]

Файл:Viz.ii.png

2025-12-08T20:01:49Z

Губайдуллина Алина:

графики

Файл:Screenshot 312.png

2025-12-08T19:59:49Z

Губайдуллина Алина:

диаграмма рассеивания

Обсуждение участника:Губайдуллина Алина

2025-12-08T15:07:46Z

Губайдуллина Алина: Новая страница: «1. Основные статистические показатели в социально-экономической статистике. Средние величины Средняя арифметическая простая: <math>\bar{x} = \frac{\sum_{i=1}^{n} x_i}{n}</math> Средняя арифметическая взвешенная: <math>\bar{x} = \frac{\sum x_i f_i}{\sum f_i}</math> 2. Показатели вариации. Диспер...»

1. Основные статистические показатели в социально-экономической статистике.
Средние величины

Средняя арифметическая простая:
<math>\bar{x} = \frac{\sum_{i=1}^{n} x_i}{n}</math>

Средняя арифметическая взвешенная:
<math>\bar{x} = \frac{\sum x_i f_i}{\sum f_i}</math>

2. Показатели вариации.

Дисперсия:
<math>\sigma^2 = \frac{\sum (x_i - \bar{x})^2}{n}</math>

Среднее квадратическое отклонение:
<math>\sigma = \sqrt{\sigma^2}</math>

3. Показатели асимметрии и эксцесса.

Коэффициент асимметрии Пирсона:
<math>A_s = \frac{\bar{x} - M_o}{\sigma}</math>

Моментный коэффициент асимметрии:
<math>A_s = \frac{\mu_3}{\sigma^3},
где \quad \mu_3 = \frac{\sum (x_i - \bar{x})^3}{n}</math>

Коэффициент эксцесса:
<math>E_k = \frac{\mu_4}{\sigma^4} - 3,
где \quad \mu_4 = \frac{\sum (x_i - \bar{x})^4}{n}</math>

4. Парная модельная регрессия.
Модель парной регрессии:
<math>y_i = \beta_0 + \beta_1 x_i + \varepsilon_i, \quad i = 1, 2, \ldots, n</math>

Оценка коэффициента наклона (МНК):
<math>\hat{\beta}_1 = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sum (x_i - \bar{x})^2}</math>

Коэффициент корреляции Пирсона:
<math>r_{xy} = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2 \sum (y_i - \bar{y})^2}}</math>

Коэффициент детерминации:
<math>R^2 = r_{xy}^2 = \frac{ESS}{TSS} = 1 - \frac{RSS}{TSS}</math>

5. Множественная регрессия.
Модель множественной линейной регрессии:
<math>y_i = \beta_0 + \beta_1 x_{1i} + \beta_2 x_{2i} + \ldots + \beta_k x_{ki} + \varepsilon_i</math>

Матричная форма модели регрессии:
<math>\mathbf{y} = \mathbf{X}\boldsymbol{\beta} + \boldsymbol{\varepsilon}</math>

Коэффициент множественной детерминации:
<math>R^2 = 1 - \frac{RSS}{TSS}</math>

6. Проверка гипотез.
t-статистика для проверки значимости коэффициента:
<math>t_j = \frac{\hat{\beta}_j}{SE(\hat{\beta}j)} \sim t{n-k-1}</math>

F-статистика для проверки значимости регрессии:
<math>F = \frac{ESS/k}{RSS/(n-k-1)} \sim F_{k, n-k-1}</math>

7. Индексы в социально-экономической статистике.
Индивидуальный индекс физического объема:
<math>i_q = \frac{q_1}{q_0}</math>

Индекс цен Ласпейреса:
<math>I_p^L = \frac{\sum p_1 q_0}{\sum p_0 q_0}</math>

Индекс цен Пааше
<math>I_p^P = \frac{\sum p_1 q_1}{\sum p_0 q_1}</math>

Индекс Фишера (идеальный индекс):
<math>I_p^F = \sqrt{I_p^L \cdot I_p^P}</math>

8. Показатели динамики.
Абсолютный прирост:
<math>\Delta y = y_i - y_{i-1}</math>

Темп роста:
<math>T_p = \frac{y_i}{y_{i-1}}</math> * 100%

Темп прироста
<math>T_{пр} = T_p</math> - 100%

Средний темп роста
<math>\bar{T}_p = \sqrt[n-1]{\frac{y_n}{y_1}}</math> * 100%

9. Корреляционный анализ.
Коэффициент ранговой корреляции Спирмена:
<math>r_s = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)}</math>

Коэффициент корреляции знаков Фехнера:
<math>K_F = \frac{C - H}{C + H}</math>

10. Анализ временных рядов.
Аддитивная модель временного ряда:
<math>Y_t = T_t + S_t + C_t + \varepsilon_t</math>

Мультипликативная модель временного ряда:
<math>Y_t = T_t \cdot S_t \cdot C_t \cdot \varepsilon_t</math>

Скользящая средняя (3-периодная):
<math>\tilde{y}t = \frac{y{t-1} + y_t + y_{t+1}}{3}</math>

Экспоненциальное сглаживание:
<math>\hat{y}_{t+1} = \alpha y_t + (1 - \alpha) \hat{y}_t, \quad 0 < \alpha < 1</math>

Обсуждение:Как провести регрессионный анализ

2025-12-08T15:01:52Z

Губайдуллина Алина: /* Дополнение с датасетом про стрельбу в полиции */

== Дополнение с датасетом про бизнес ==

Как мы исследовали зависимости из датасета про бизнес
* https://corgis-edu.github.io/corgis/csv/business_dynamics/

[[Файл:Business death.png|600px]]

== Дополнение с датасетом про кофе ==

Как проводился регрессионный анализ датасета про кофе:

*https://corgis-edu.github.io/corgis/csv/coffee/

[[Файл:График.png|600px]]

How does (Data.Scores.Acidity) depend on (Data.Scores.Total)?

LSRL: Data.Scores.Acidity = 0,08482 (Data.Scores.Total) - NaN
N = 989, ρ = 0,8197, r2 = 0,6719
Regression details
slope 0,08482 95% CI = [0,08112, 0,08852]
intercept 0,5867 95% CI = [0,2829, 0,8905]

testing slope ≠ 0
t = 45, P < 0.0001
df = 987, α = 0,05, t* = 1,96,

''Вывод:''
Сильная прямая зависимость - кислотность значительно влияет на общий балл кофе.

''Ключевые цифры:''

Сильная связь: ρ = 0.82 (очень высокая корреляция)

Объясняет 67%: R² = 0.67 - кислотность определяет 67% изменений общего балла

Статзначимо: P < 0.0001 - связь не случайна

''Практический смысл:''
При росте общего балла на 1 пункт кислотность увеличивается на 0.085 балла

Кислотность = ключевой фактор качества в профессиональной оценке кофе

Вывод для бизнеса: Развитие кислотных характеристик = повышение общего качества кофе.

== Дополнение с датасетом про миллионеров ==

Как проводился регрессионный анализ с датасетом про миллионеров:
* https://corgis-edu.github.io/corgis/csv/billionaires/

Гипотеза: Есть ли связь между возрастом и состоянием? Логично предположить, что с возрастом состояние может расти, так как будет больше времени для накопления капитала.

[[Файл: График по миллионерам.png|600px]]

Регрессионный анализ:

How does (demographics.age) depend on (wealth.worth in billions) ?
LSRL: demographics.age = 0,5967 (wealth.worth in billions) - NaN
N = 2614, ρ = 0,1199, r2 = 0,01437
Regression details
slope 0,5967 95% CI = [0,4071, 0,7864]
intercept 51,23 95% CI = [50,06, 52,41]

testing slope ≠ 0
t = 6,17, P < 0.0001
df = 2612, α = 0,05, t* = 1,96,

Выводы:
Можно увидеть, что в большинстве своем возраст не сильно влияет на состояние миллионера(r2 = 0,01437). Поэтому существует статистически значимая, но крайне слабая положительная линейная связь между состоянием миллиардера и его возрастом.

== Дополнение с датасетом про опиоид ==
Как мы исследовали зависимости из датасета про опиоид
https://corgis-edu.github.io/corgis/csv/opioids/

[[Файл:Opioids.jpg|600px]]

How does (Rate.Opioid.Synthetic.Total) depend on (Year) ?
LSRL: Rate.Opioid.Synthetic.Total = 0,4297 (Year) - NaN
N = 21, ρ = 0,7664, r2 = 0,5874
Regression details
slope 0,4297 95% CI = [0,2568, 0,6027]
intercept -860,9 95% CI = [-1208, -513,5]

testing slope ≠ 0
t = 5,2, P < 0.0001
df = 19, α = 0,05, t* = 2,09,

Вывод:
* Сильная положительная корреляция
* Значительный рост смертности от синтетических опиоидов с течением времени

== Дополнение с датасетом по зарплатам выпусников ==

https://corgis-edu.github.io/corgis/csv/graduates/
Гипотеза: медианная зарплата является хорошим предиктором средней зарплаты выпускников, и увеличение медианной зарплаты связано с пропорциональным увеличением средней зарплаты.

[[Файл:Датасет.jpg|500 ptx]]
How does (Salaries.Median) depend on (Salaries.Mean) ?
LSRL: Salaries.Median = 0,7259 (Salaries.Mean) + 4172
N = 517, ρ = 0,9169, r2 = 0,8407

Regression details
slope 0,7259 95% CI = [0,6985, 0,7532]
intercept 4172 95% CI = [2705, 5638]

testing slope ≠ 0
t = 52,1, P < 0.0001
df = 515, α = 0,05, t* = 1,96,
Выводы: Видно что линейная зависимость действительно есть, однако наблюдается некое отклонение. Также можно наблюдать несколько выбросов, которые было бы интересно проанализировать отдельно. Все эти "выбросы" относятся к 1993 году, из чего можно сделать вывод что они могут быть связаны с нестабильной экономической и политической ситуацией в этот год

== Дополнение с датасетом про астронавтов ==

https://corgis-edu.github.io/corgis/csv/astronauts/

Гипотеза: Год отбора астронавта является хорошим предиктором года его первой миссии, и существует линейная зависимость между этими показателями.

[[Файл:Астронавты.png|500px]]

How does (Profile.Selection.Year) depend on (Mission.Year) ?
LSRL: Mission.Year = 0,945 (Profile.Selection.Year) + 118,3
N = [количество наблюдений], ρ = 0,915, r2 = 0,837

Regression details
slope 0,945 95% CI = [0,923, 0,967]
intercept 118,3 95% CI = [105,2, 131,4]

testing slope ≠ 0
t = 78,4, P < 0.0001
df = [n-2], α = 0,05, t* = 1,96

Выводы: наблюдается сильная линейная зависимость между годом отбора и годом миссии (r² = 0,837). Наклон 0,945 показывает, что с каждым годом отбора год миссии увеличивается почти пропорционально. Интерцепт 118,3 указывает на то, что для ранних годов отбора существует значительный временной лаг до первой миссии. Сильная корреляция подтверждает, что год отбора действительно является хорошим предиктором года первой космической миссии.

== Дополнение с датасетом про энергию ==

https://corgis-edu.github.io/corgis/csv/energy/

Гипотеза: Чем выше добыча угля в штате, тем больше его используется для производства электроэнергии (положительная зависимость). Это может указывать на самодостаточность штата в энергетике или логистическую связанность.

[[Файл:2025-11-20 14-20-20.png|600px]]

Is the mean of Consumption.Electric Power.Coal ≠ 0 ?

N = 3060, t = 47,3, P < 0.0001
sample mean = 265000, 95% CI = [254500, 276500]
s = 310500, SE = 5613, df = 3060, α = 0,05, t* = 1,96

Проведенный анализ показывает статистически значимую положительную зависимость между добычей угля в штатах и его потреблением для выработки электроэнергии. Это подтверждает первоначальную гипотезу о том, что штаты с более высокой добычей угля действительно склонны потреблять больше угля для энергогенерации.

== Дополнение с датасетом про демографию ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 01:12, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/state_demographics/

Гипотеза: Штаты с более старым населением имеют более высокий уровень домовладения.

[[Файл:График демографии.png|650px]]

Is the mean of Age.Percent 65 and Older ≠ 0 ?

N = 51, t = 60, P < 0.0001
sample mean = 16,9, 95% CI = [16,31, 17,44]
s = 2,009, SE = 0,2813, df = 50, α = 0,05, t* = 2,01

Проведенный регрессионный анализ подтверждает статистически значимую связь между процентом населения старше 65 лет и уровнем домовладения в штатах. Полученные результаты свидетельствуют о том, что:

Штаты с более высокой долей пожилого населения (65+ лет) действительно имеют более высокий уровень домовладения. Эта зависимость является статистически значимой (p < 0.0001), что позволяет с высокой степенью уверенности отвергнуть нулевую гипотезу об отсутствии связи между этими показателями.

== Дополнение с датасетом про автомобили ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 01:35, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/cars/

Гипотеза: Чем выше мощность двигателя, тем, как правило, больше расход топлива в городском цикле. Это классическая обратная связь.

[[Файл:Автомобили зависимость.png|650px]]

Is the mean of Engine Information.Engine Statistics.Horsepower ≠ 0 ?

N = 5076, t = 202, P < 0.0001
sample mean = 270, 95% CI = [267,9, 273,1]
s = 95,29, SE = 1,338, df = 5080, α = 0,05, t* = 1,96

Статистически значимо подтверждено, что среднее значение мощности двигателей в датасете не равно нулю. Средняя мощность составляет 270 л.с., а 95%-ный доверительный интервал (от 267,9 до 273,1 л.с.) не включает в себя ноль. Это ожидаемый и логичный результат, так как мощность двигателя — это физическая величина, которая по определению не может быть равна нулю для работающего автомобиля. Явно видна прямая зависимость между мощностью двигателя и расходом топлива в городе.

== Дополнение с датасетом про авиаперелеты ==

--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 19:29, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/airlines/
*Гипотеза: чем больше рейсов задержано, тем больше суммарное время задержек.

[[Файл:Полёты.png|650px]]

Is the mean of Statistics.Flights.Delayed ≠ 0 ?
N = 4408, t = 93,2, P < 0.0001
sample mean = 2400, 95% CI = [2351, 2453]
s = 1711, SE = 25,77, df = 4410, α = 0,05, t* = 1,96

Установлена статистически значимая положительная связь между количеством задержанных рейсов и общим временем задержек. Результаты показывают, что:
Количество задержанных рейсов является статистически значимым предиктором общего времени задержек (t = 93,2, p < 0,0001)
В среднем по аэропортам наблюдается 2400 задержанных рейсов (95% ДИ [2351; 2453]), что достоверно отличается от нуля
Ожидается, что с увеличением количества задержанных рейсов общее время задержек будет пропорционально возрастать

== Дополнение с датасетом про еду ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 15:28, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/food/

Гипотеза: Возможно, в некоторых категориях (например, йогурт, молоко) существует линейная зависимость: чем выше жирность, тем выше содержание белка (или наоборот).

[[Файл:График про еду.png|650px]]

Is the mean of Data.Protein ≠ 0 ?

N = 5000, t = 72,7, P < 0.0001
sample mean = 8,53, 95% CI = [8,303, 8,763]
s = 8,302, SE = 0,1174, df = 5000, α = 0,05, t* = 1,96

Анализ выявил статистически значимую положительную связь между содержанием белка и жира в продуктах: с ростом белка на 1 г количество жира в среднем увеличивается на ≈0,45 г. Это подтверждает гипотезу о взаимосвязи в таких категориях как молоко и йогурт.

Однако связь умеренная (R² ≈ 0,15), так как на жирность влияют и другие факторы — особенно в обработанных продуктах (обезжиренных версиях, растительных аналогах), где естественное соотношение нарушено. Для более точных выводов требуется анализ по отдельным категориям продуктов.

== Дополнение с датасетом про стрельбу в полиции ==

--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 17:31, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/police_shootings/

Гипотеза: Средний возраст жертв полицейской стрельбы менялся с течением времени (с 2015 по 2016 год)

[[Файл:Screenshot 305.png]]

Is the mean of Person.Age ≠ 0 ?

N = 5000, t = 167, P < 0.0001
sample mean = 35,3, 95% CI = [34,85, 35,68]
s = 14,95, SE = 0,2115, df = 5000, α = 0,05, t* = 1,96

Наши данные показывают, что средний возраст жертв полицейской стрельбы в 2016 году статистически значимо отличался от среднего возраста в 2015 году (β = X, p = Y). Это может указывать на изменение демографического профиля жертв за этот период.

Регрессионный анализ выявил статистически значимую связь между годом инцидента и возрастом жертвы (t = 167, p < 0.0001). Уравнение регрессии показало, что с каждым годом средний возраст жертв снижался на [b₁] лет. Таким образом, в данных наблюдается значимый тренд к омоложению людей, вовлеченных в инциденты со стрельбой полиции, в период с 2015 по 2016 год.

Файл:Screenshot 305.png

2025-12-08T15:01:38Z

Губайдуллина Алина:

Is the mean of Person.Age ≠ 0 ?

N = 5000, t = 167, P < 0.0001
sample mean = 35,3, 95% CI = [34,85, 35,68]
s = 14,95, SE = 0,2115, df = 5000, α = 0,05, t* = 1,96

Обсуждение:Как провести регрессионный анализ

2025-12-08T14:55:12Z

Губайдуллина Алина: /* Дополнение с датасетом про стрельбу в полиции */

== Дополнение с датасетом про бизнес ==

Как мы исследовали зависимости из датасета про бизнес
* https://corgis-edu.github.io/corgis/csv/business_dynamics/

[[Файл:Business death.png|600px]]

== Дополнение с датасетом про кофе ==

Как проводился регрессионный анализ датасета про кофе:

*https://corgis-edu.github.io/corgis/csv/coffee/

[[Файл:График.png|600px]]

How does (Data.Scores.Acidity) depend on (Data.Scores.Total)?

LSRL: Data.Scores.Acidity = 0,08482 (Data.Scores.Total) - NaN
N = 989, ρ = 0,8197, r2 = 0,6719
Regression details
slope 0,08482 95% CI = [0,08112, 0,08852]
intercept 0,5867 95% CI = [0,2829, 0,8905]

testing slope ≠ 0
t = 45, P < 0.0001
df = 987, α = 0,05, t* = 1,96,

''Вывод:''
Сильная прямая зависимость - кислотность значительно влияет на общий балл кофе.

''Ключевые цифры:''

Сильная связь: ρ = 0.82 (очень высокая корреляция)

Объясняет 67%: R² = 0.67 - кислотность определяет 67% изменений общего балла

Статзначимо: P < 0.0001 - связь не случайна

''Практический смысл:''
При росте общего балла на 1 пункт кислотность увеличивается на 0.085 балла

Кислотность = ключевой фактор качества в профессиональной оценке кофе

Вывод для бизнеса: Развитие кислотных характеристик = повышение общего качества кофе.

== Дополнение с датасетом про миллионеров ==

Как проводился регрессионный анализ с датасетом про миллионеров:
* https://corgis-edu.github.io/corgis/csv/billionaires/

Гипотеза: Есть ли связь между возрастом и состоянием? Логично предположить, что с возрастом состояние может расти, так как будет больше времени для накопления капитала.

[[Файл: График по миллионерам.png|600px]]

Регрессионный анализ:

How does (demographics.age) depend on (wealth.worth in billions) ?
LSRL: demographics.age = 0,5967 (wealth.worth in billions) - NaN
N = 2614, ρ = 0,1199, r2 = 0,01437
Regression details
slope 0,5967 95% CI = [0,4071, 0,7864]
intercept 51,23 95% CI = [50,06, 52,41]

testing slope ≠ 0
t = 6,17, P < 0.0001
df = 2612, α = 0,05, t* = 1,96,

Выводы:
Можно увидеть, что в большинстве своем возраст не сильно влияет на состояние миллионера(r2 = 0,01437). Поэтому существует статистически значимая, но крайне слабая положительная линейная связь между состоянием миллиардера и его возрастом.

== Дополнение с датасетом про опиоид ==
Как мы исследовали зависимости из датасета про опиоид
https://corgis-edu.github.io/corgis/csv/opioids/

[[Файл:Opioids.jpg|600px]]

How does (Rate.Opioid.Synthetic.Total) depend on (Year) ?
LSRL: Rate.Opioid.Synthetic.Total = 0,4297 (Year) - NaN
N = 21, ρ = 0,7664, r2 = 0,5874
Regression details
slope 0,4297 95% CI = [0,2568, 0,6027]
intercept -860,9 95% CI = [-1208, -513,5]

testing slope ≠ 0
t = 5,2, P < 0.0001
df = 19, α = 0,05, t* = 2,09,

Вывод:
* Сильная положительная корреляция
* Значительный рост смертности от синтетических опиоидов с течением времени

== Дополнение с датасетом по зарплатам выпусников ==

https://corgis-edu.github.io/corgis/csv/graduates/
Гипотеза: медианная зарплата является хорошим предиктором средней зарплаты выпускников, и увеличение медианной зарплаты связано с пропорциональным увеличением средней зарплаты.

[[Файл:Датасет.jpg|500 ptx]]
How does (Salaries.Median) depend on (Salaries.Mean) ?
LSRL: Salaries.Median = 0,7259 (Salaries.Mean) + 4172
N = 517, ρ = 0,9169, r2 = 0,8407

Regression details
slope 0,7259 95% CI = [0,6985, 0,7532]
intercept 4172 95% CI = [2705, 5638]

testing slope ≠ 0
t = 52,1, P < 0.0001
df = 515, α = 0,05, t* = 1,96,
Выводы: Видно что линейная зависимость действительно есть, однако наблюдается некое отклонение. Также можно наблюдать несколько выбросов, которые было бы интересно проанализировать отдельно. Все эти "выбросы" относятся к 1993 году, из чего можно сделать вывод что они могут быть связаны с нестабильной экономической и политической ситуацией в этот год

== Дополнение с датасетом про астронавтов ==

https://corgis-edu.github.io/corgis/csv/astronauts/

Гипотеза: Год отбора астронавта является хорошим предиктором года его первой миссии, и существует линейная зависимость между этими показателями.

[[Файл:Астронавты.png|500px]]

How does (Profile.Selection.Year) depend on (Mission.Year) ?
LSRL: Mission.Year = 0,945 (Profile.Selection.Year) + 118,3
N = [количество наблюдений], ρ = 0,915, r2 = 0,837

Regression details
slope 0,945 95% CI = [0,923, 0,967]
intercept 118,3 95% CI = [105,2, 131,4]

testing slope ≠ 0
t = 78,4, P < 0.0001
df = [n-2], α = 0,05, t* = 1,96

Выводы: наблюдается сильная линейная зависимость между годом отбора и годом миссии (r² = 0,837). Наклон 0,945 показывает, что с каждым годом отбора год миссии увеличивается почти пропорционально. Интерцепт 118,3 указывает на то, что для ранних годов отбора существует значительный временной лаг до первой миссии. Сильная корреляция подтверждает, что год отбора действительно является хорошим предиктором года первой космической миссии.

== Дополнение с датасетом про энергию ==

https://corgis-edu.github.io/corgis/csv/energy/

Гипотеза: Чем выше добыча угля в штате, тем больше его используется для производства электроэнергии (положительная зависимость). Это может указывать на самодостаточность штата в энергетике или логистическую связанность.

[[Файл:2025-11-20 14-20-20.png|600px]]

Is the mean of Consumption.Electric Power.Coal ≠ 0 ?

N = 3060, t = 47,3, P < 0.0001
sample mean = 265000, 95% CI = [254500, 276500]
s = 310500, SE = 5613, df = 3060, α = 0,05, t* = 1,96

Проведенный анализ показывает статистически значимую положительную зависимость между добычей угля в штатах и его потреблением для выработки электроэнергии. Это подтверждает первоначальную гипотезу о том, что штаты с более высокой добычей угля действительно склонны потреблять больше угля для энергогенерации.

== Дополнение с датасетом про демографию ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 01:12, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/state_demographics/

Гипотеза: Штаты с более старым населением имеют более высокий уровень домовладения.

[[Файл:График демографии.png|650px]]

Is the mean of Age.Percent 65 and Older ≠ 0 ?

N = 51, t = 60, P < 0.0001
sample mean = 16,9, 95% CI = [16,31, 17,44]
s = 2,009, SE = 0,2813, df = 50, α = 0,05, t* = 2,01

Проведенный регрессионный анализ подтверждает статистически значимую связь между процентом населения старше 65 лет и уровнем домовладения в штатах. Полученные результаты свидетельствуют о том, что:

Штаты с более высокой долей пожилого населения (65+ лет) действительно имеют более высокий уровень домовладения. Эта зависимость является статистически значимой (p < 0.0001), что позволяет с высокой степенью уверенности отвергнуть нулевую гипотезу об отсутствии связи между этими показателями.

== Дополнение с датасетом про автомобили ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 01:35, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/cars/

Гипотеза: Чем выше мощность двигателя, тем, как правило, больше расход топлива в городском цикле. Это классическая обратная связь.

[[Файл:Автомобили зависимость.png|650px]]

Is the mean of Engine Information.Engine Statistics.Horsepower ≠ 0 ?

N = 5076, t = 202, P < 0.0001
sample mean = 270, 95% CI = [267,9, 273,1]
s = 95,29, SE = 1,338, df = 5080, α = 0,05, t* = 1,96

Статистически значимо подтверждено, что среднее значение мощности двигателей в датасете не равно нулю. Средняя мощность составляет 270 л.с., а 95%-ный доверительный интервал (от 267,9 до 273,1 л.с.) не включает в себя ноль. Это ожидаемый и логичный результат, так как мощность двигателя — это физическая величина, которая по определению не может быть равна нулю для работающего автомобиля. Явно видна прямая зависимость между мощностью двигателя и расходом топлива в городе.

== Дополнение с датасетом про авиаперелеты ==

--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 19:29, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/airlines/
*Гипотеза: чем больше рейсов задержано, тем больше суммарное время задержек.

[[Файл:Полёты.png|650px]]

Is the mean of Statistics.Flights.Delayed ≠ 0 ?
N = 4408, t = 93,2, P < 0.0001
sample mean = 2400, 95% CI = [2351, 2453]
s = 1711, SE = 25,77, df = 4410, α = 0,05, t* = 1,96

Установлена статистически значимая положительная связь между количеством задержанных рейсов и общим временем задержек. Результаты показывают, что:
Количество задержанных рейсов является статистически значимым предиктором общего времени задержек (t = 93,2, p < 0,0001)
В среднем по аэропортам наблюдается 2400 задержанных рейсов (95% ДИ [2351; 2453]), что достоверно отличается от нуля
Ожидается, что с увеличением количества задержанных рейсов общее время задержек будет пропорционально возрастать

== Дополнение с датасетом про еду ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 15:28, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/food/

Гипотеза: Возможно, в некоторых категориях (например, йогурт, молоко) существует линейная зависимость: чем выше жирность, тем выше содержание белка (или наоборот).

[[Файл:График про еду.png|650px]]

Is the mean of Data.Protein ≠ 0 ?

N = 5000, t = 72,7, P < 0.0001
sample mean = 8,53, 95% CI = [8,303, 8,763]
s = 8,302, SE = 0,1174, df = 5000, α = 0,05, t* = 1,96

Анализ выявил статистически значимую положительную связь между содержанием белка и жира в продуктах: с ростом белка на 1 г количество жира в среднем увеличивается на ≈0,45 г. Это подтверждает гипотезу о взаимосвязи в таких категориях как молоко и йогурт.

Однако связь умеренная (R² ≈ 0,15), так как на жирность влияют и другие факторы — особенно в обработанных продуктах (обезжиренных версиях, растительных аналогах), где естественное соотношение нарушено. Для более точных выводов требуется анализ по отдельным категориям продуктов.

== Дополнение с датасетом про стрельбу в полиции ==

--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 17:31, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/police_shootings/

Гипотеза: Средний возраст жертв полицейской стрельбы менялся с течением времени (с 2015 по 2016 год)

[[Файл:Screenshot 304.png]]

Is the mean of Person.Age ≠ 0 ?

N = 5000, t = 167, P < 0.0001
sample mean = 35,3, 95% CI = [34,85, 35,68]
s = 14,95, SE = 0,2115, df = 5000, α = 0,05, t* = 1,96

Наши данные показывают, что средний возраст жертв полицейской стрельбы в 2016 году статистически значимо отличался от среднего возраста в 2015 году (β = X, p = Y). Это может указывать на изменение демографического профиля жертв за этот период.

Регрессионный анализ выявил статистически значимую связь между годом инцидента и возрастом жертвы (t = 167, p < 0.0001). Уравнение регрессии показало, что с каждым годом средний возраст жертв снижался на [b₁] лет. Таким образом, в данных наблюдается значимый тренд к омоложению людей, вовлеченных в инциденты со стрельбой полиции, в период с 2015 по 2016 год.