Поле цифровой дидактики - Вклад [ru]

Обсуждение:Flocking(model)

2025-12-27T06:42:24Z

Дамдинова Кристина: /* Визуализация */

=== 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: Стабилизирующие и объединяющие факторы системы =
--[[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

{{#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 уровня разделения 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 =
--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 09:30, 27 декабря 2025 (MSK)
=== 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)

2025-12-27T06:41:45Z

Дамдинова Кристина: /* Визуализация */

=== 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: Стабилизирующие и объединяющие факторы системы =
--[[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

{{#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 разделения 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 =
--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 09:30, 27 декабря 2025 (MSK)
=== 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)

2025-12-27T06:40:19Z

Дамдинова Кристина: /* Работа с NetLogo */

=== 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: Стабилизирующие и объединяющие факторы системы =
--[[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

{{#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 =
--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 09:30, 27 декабря 2025 (MSK)
=== 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.

Участник:Дамдинова Кристина

2025-12-27T06:16:52Z

Дамдинова Кристина:

{{UserMGPU
|Description=Студентка группы АБП-231, МГПУ. Владелица добрейшей кошки Леи
|Field_of_knowledge=Экономика, Большие данные, Спорт, Статистика
|Website=https://vk.com/krstchkk
|Ancestors=Босенко Тимур Муртазович
|similar_concepts=Экономика, Аналитика, Нейросети
|Environment=Qwen, PerplexityAI, Cyberleninka
|Position=Бакалавриат
|Profile=Математика, Информатика, Экономика
|PedDirection=Нет
|Community=Roblox
|Виды_спорта=Регби, Поверлифтинг
|Working_On=Участник:Дамдинова Кристина,
Обсуждение:Как_провести_регрессионный_анализ#Дополнение_с_датасетом_про_землятресения, Обсуждение:Практическое_задание_по_анализу_временных_рядов#Эксперимент_с_моделью_Segregation,
Обсуждение:Flocking(model)
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Участник:Дамдинова Кристина

2025-12-27T06:15:32Z

Дамдинова Кристина:

{{UserMGPU
|Description=Студентка группы АБП-231, МГПУ. Владелица добрейшей кошки Леи
|Field_of_knowledge=Экономика, Большие данные, Спорт, Статистика
|Website=https://vk.com/krstchkk
|Ancestors=Босенко Тимур Муртазович
|similar_concepts=Экономика, Аналитика, Нейросети
|Environment=Qwen, PerplexityAI, Cyberleninka
|Position=Бакалавриат
|Profile=Математика, Информатика, Экономика
|PedDirection=Нет
|Community=Roblox
|Виды_спорта=Регби, Поверлифтинг
|Working_On=Участник:Дамдинова Кристина/SimpleEconomy, Обсуждение:Как_провести_регрессионный_анализ#Дополнение_с_датасетом_про_землятресения, Обсуждение:Практическое_задание_по_анализу_временных_рядов#Эксперимент_с_моделью_Segregation,
Обсуждение:Flocking(model)
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Обсуждение:Flocking(model)

2025-12-27T05:56:22Z

Дамдинова Кристина: /* Эксперимент 1 */

=== 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: Стабилизирующие и объединяющие факторы системы =
--[[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)

2025-12-27T05:41:09Z

Дамдинова Кристина: /* Описание модели */

=== 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 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)

2025-12-27T05:39:35Z

Дамдинова Кристина: /* Эксперимент 1 */

=== 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 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 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)

2025-12-27T05:35:27Z

Дамдинова Кристина: /* Эксперимент 1 */

=== 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 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 (0 = хаос, максимально разнонаправленное движение; 1 = полная согласованность, все летят в одну сторону);

'''Количество стай (num-flocks)''' — число отдельных, не связанных и не взаимодействующих групп агентов (чем больше отдельных подгрупп, тем ниже глобальная организация);

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 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)

2025-12-27T05:35:04Z

Дамдинова Кристина: /* Эксперимент 1 */

=== 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 1 =

=== 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 (0 = хаос, максимально разнонаправленное движение; 1 = полная согласованность, все летят в одну сторону);

'''Количество стай (num-flocks)''' — число отдельных, не связанных и не взаимодействующих групп агентов (чем больше отдельных подгрупп, тем ниже глобальная организация);

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 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)

2025-12-27T05:33:35Z

Дамдинова Кристина: /* Эксперимент 1 */

=== 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 1 =

=== 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 (0 = хаос, максимально разнонаправленное движение; 1 = полная согласованность, все летят в одну сторону);

'''Количество стай (num-flocks)''' — число отдельных, не связанных и не взаимодействующих групп агентов (чем больше отдельных подгрупп, тем ниже глобальная организация);

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 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)

2025-12-27T05:32:41Z

Дамдинова Кристина: /* Визуализация */

=== 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 1 =

== 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 (0 = хаос, максимально разнонаправленное движение; 1 = полная согласованность, все летят в одну сторону);

'''Количество стай (num-flocks)''' — число отдельных, не связанных и не взаимодействующих групп агентов (чем больше отдельных подгрупп, тем ниже глобальная организация);

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 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)

2025-12-27T05:20:08Z

Дамдинова Кристина: /* Эксперимент 1 */

=== 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 1 =

== 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 (0 = хаос, максимально разнонаправленное движение; 1 = полная согласованность, все летят в одну сторону);

'''Количество стай (num-flocks)''' — число отдельных, не связанных и не взаимодействующих групп агентов (чем больше отдельных подгрупп, тем ниже глобальная организация);

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]]

[[Файл:Cd2.png|400px]]

== 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.

Файл:Cd2.png

2025-12-27T05:18:47Z

Дамдинова Кристина:

упорядоченность и количество стай

Файл:Cd1.png

2025-12-27T05:18:04Z

Дамдинова Кристина:

зависимость упорядоченности

Обсуждение:Flocking(model)

2025-12-27T05:13:26Z

Дамдинова Кристина: /* Описание модели */

=== 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 1 =

== 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 (0 = хаос, максимально разнонаправленное движение; 1 = полная согласованность, все летят в одну сторону);

'''Количество стай (num-flocks)''' — число отдельных, не связанных и не взаимодействующих групп агентов (чем больше отдельных подгрупп, тем ниже глобальная организация);

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.

Настройки NetLogo:

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

https://docs.google.com/spreadsheets/d/1lHd-Iij0O82hH8axMy864D0EGoGvmb0lQ6HWAHE8NDk/edit?usp=sharing

== 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:Практическое задание по анализу временных рядов

2025-12-09T09:40:07Z

Дамдинова Кристина: /* Эксперимент с моделью Segregation */

== 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]]

== Эксперимент с моделью Segregation ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 11:34, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 99%
# Таких же как я - 19%

*
https://docs.google.com/spreadsheets/d/1RVYnlLvSdyDtDooe4mh-T0cSPFVDePH2zywlokQ1V34/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ2Eji-Josjnm2wBSKXuvkNHL6KMIOAbfVV-BnroT5yzl0ZDcMb_nLQ9vrFTCUqzTglSWFr35JYN_Hr
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Grafic.png]]

Затем построим графики в RawGraph:

[[Файл:111.png]]

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 Segregation ==

--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 12:38, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 91%
# Таких же как я - 59%

*
https://docs.google.com/spreadsheets/d/1LN5JDLVOwUvy4e5urHivpIrDHr5cg6x2ELrqEpVkDic/edit?gid=1093335053#gid=1093335053

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTtj8mx3YlVlgDJkE3eo681lK7O-yWJ-WnLySGH9wyrFZ6E8tNMUed0f-VSYqxbU7K3fOPpSGOZvuTi
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===

Начнём с построения диаграммы рассеивания в CODAP:

[[Файл:Damdi nothappy.png|600px]]

После построим графики в RawGraph:

[[Файл:Rowhappy damdinova.png|700px]]

Вывод:
Результаты моделирования соответствуют теоретическому ожиданию: на всех графиках наблюдается устойчивая тенденция к уменьшению доли несчастливых агентов с течением времени. Это является естественным следствием механизмов, заложенных в модель сегрегации.

Обсуждение:Практическое задание по анализу временных рядов

2025-12-09T09:38:50Z

Дамдинова Кристина:

== 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]]

== Эксперимент с моделью Segregation ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 11:34, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 99%
# Таких же как я - 19%

*
https://docs.google.com/spreadsheets/d/1RVYnlLvSdyDtDooe4mh-T0cSPFVDePH2zywlokQ1V34/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ2Eji-Josjnm2wBSKXuvkNHL6KMIOAbfVV-BnroT5yzl0ZDcMb_nLQ9vrFTCUqzTglSWFr35JYN_Hr
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Grafic.png]]

Затем построим графики в RawGraph:

[[Файл:111.png]]

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 Segregation ==

--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 12:38, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 91%
# Таких же как я - 59%

*
https://docs.google.com/spreadsheets/d/1LN5JDLVOwUvy4e5urHivpIrDHr5cg6x2ELrqEpVkDic/edit?gid=1093335053#gid=1093335053

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTtj8mx3YlVlgDJkE3eo681lK7O-yWJ-WnLySGH9wyrFZ6E8tNMUed0f-VSYqxbU7K3fOPpSGOZvuTi/pubhtml
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===

Начнём с построения диаграммы рассеивания в CODAP:

[[Файл:Damdi nothappy.png|600px]]

После построим графики в RawGraph:

[[Файл:Rowhappy damdinova.png|700px]]

Вывод:
Результаты моделирования соответствуют теоретическому ожиданию: на всех графиках наблюдается устойчивая тенденция к уменьшению доли несчастливых агентов с течением времени. Это является естественным следствием механизмов, заложенных в модель сегрегации.

Файл:Damdi nothappy.png

2025-12-09T09:37:38Z

Дамдинова Кристина:

построение графика по общему датасету

Файл:Rowhappy damdinova.png

2025-12-09T08:43:55Z

Дамдинова Кристина:

Готовые графики по общему датасету

Обсуждение участника:Дамдинова Кристина

2025-12-09T08:27:17Z

Дамдинова Кристина:

Обсуждение участника:Дамдинова Кристина

2025-12-09T08:24:42Z

Дамдинова Кристина:

=== Математические формулы для описания статистических характеристик выборки ===

=== Краткое описание применения формул в статистике ===

Математические формулы являются основным инструментом для формального описания статистических характеристик выборки в MediaWiki. Они позволяют точно определять меры центральной тенденции, изменчивости, формы распределения и взаимосвязи между переменными.

Основные категории статистических формул включают описательную статистику, вероятностные распределения и методы статистического вывода.

===== Меры центральной тенденции =====

; Выборочное среднее (среднее арифметическое):
<math>\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i</math>

; Медиана:
<math>\text{Med} = \begin{cases}
x_{\left(\frac{n+1}{2}\right)} & \text{если } n \text{ нечётное} \\
\frac{x_{\left(\frac{n}{2}\right)} + x_{\left(\frac{n}{2}+1\right)}}{2} & \text{если } n \text{ чётное}
\end{cases}</math>

; Мода (наиболее частое значение в выборке):
<math>\text{Mo} = \arg\max_{x} f(x)</math>

===== Меры изменчивости =====

; Выборочная дисперсия (несмещённая оценка):
<math>s^2 = \frac{1}{n-1}\sum_{i=1}^{n} (x_i - \bar{x})^2</math>

; Стандартное отклонение:
<math>s = \sqrt{s^2} = \sqrt{\frac{1}{n-1}\sum_{i=1}^{n} (x_i - \bar{x})^2}</math>

; Размах выборки:
<math>R = x_{\max} - x_{\min}</math>

; Межквартильный размах:
<math>IQR = Q_3 - Q_1</math>

===== Меры формы распределения =====

; Коэффициент асимметрии (скошенности):
<math>\gamma_1 = \frac{\frac{1}{n}\sum_{i=1}^{n}(x_i - \bar{x})^3}{s^3}</math>

; Коэффициент эксцесса (островершинности):
<math>\gamma_2 = \frac{\frac{1}{n}\sum_{i=1}^{n}(x_i - \bar{x})^4}{s^4} - 3</math>

===== Меры взаимосвязи между переменными =====

; Выборочная ковариация:
<math>\text{Cov}(x,y) = \frac{1}{n-1}\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})</math>

; Коэффициент корреляции Пирсона:
<math>r_{xy} = \frac{\text{Cov}(x,y)}{s_x s_y} = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2 \sum_{i=1}^{n}(y_i - \bar{y})^2}}</math>

===== Вероятностные распределения =====

; Нормальное распределение:
<math>f(x|\mu,\sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{(x-\mu)^2}{2\sigma^2}}</math>

; Экспоненциальное распределение:
<math>f(x|\lambda) = \lambda e^{-\lambda x}, \quad x \geq 0</math>

; Распределение хи-квадрат с k степенями свободы:
<math>f(x|k) = \frac{1}{2^{k/2}\Gamma(k/2)}x^{k/2-1}e^{-x/2}, \quad x > 0</math>

===== Статистический вывод =====

; t-статистика для проверки гипотезы о среднем:
<math>t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}}</math>

; Доверительный интервал для среднего при неизвестной дисперсии:
<math>\bar{x} \pm t_{\alpha/2, n-1} \cdot \frac{s}{\sqrt{n}}</math>

; Статистика критерия хи-квадрат:
<math>\chi^2 = \sum_{i=1}^{k} \frac{(O_i - E_i)^2}{E_i}</math>

===== Индексы и коэффициенты неравенства =====

; Коэффициент вариации:
<math>CV = \frac{s}{\bar{x}} \times 100\%</math>

; Стандартная ошибка среднего:
<math>SE_{\bar{x}} = \frac{s}{\sqrt{n}}</math>

=== Примеры применения в статистическом анализе ===

===== Описательная статистика для выборки доходов =====

Для выборки доходов <math>\{x_1, x_2, ..., x_n\}</math> можно рассчитать:

<math>
\begin{align*}
\text{Средний доход} & = \bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i \\
\text{Медианный доход} & = \text{Med}(x) \\
\text{Дисперсия доходов} & = s^2 = \frac{1}{n-1}\sum_{i=1}^{n} (x_i - \bar{x})^2 \\
\text{Коэффициент Джини} & = G = \frac{1}{2n^2\bar{x}}\sum_{i=1}^{n}\sum_{j=1}^{n}|x_i - x_j|
\end{align*}
</math>

===== Анализ взаимосвязи переменных =====

Для исследования связи между доходом (<math>X</math>) и потреблением (<math>Y</math>):

<math>
\begin{align*}
\text{Ковариация} & = \text{Cov}(X,Y) = \frac{1}{n-1}\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y}) \\
\text{Коэффициент корреляции} & = r_{XY} = \frac{\text{Cov}(X,Y)}{s_X s_Y} \\
\text{Коэффициент детерминации} & = R^2 = r_{XY}^2
\end{align*}
</math>

=== Статистический анализ в [[R]] ===

; Функция для вычисления основных статистических характеристик

<syntaxhighlight lang="R" line>
# Функция для вычисления основных статистик выборки
calculate_sample_statistics <- function(data_vector) {
n <- length(data_vector)
mean_val <- mean(data_vector, na.rm = TRUE)
median_val <- median(data_vector, na.rm = TRUE)
sd_val <- sd(data_vector, na.rm = TRUE)
var_val <- var(data_vector, na.rm = TRUE)
min_val <- min(data_vector, na.rm = TRUE)
max_val <- max(data_vector, na.rm = TRUE)
range_val <- max_val - min_val
q1 <- quantile(data_vector, 0.25, na.rm = TRUE)
q3 <- quantile(data_vector, 0.75, na.rm = TRUE)
iqr_val <- IQR(data_vector, na.rm = TRUE)
skewness_val <- moments::skewness(data_vector, na.rm = TRUE)
kurtosis_val <- moments::kurtosis(data_vector, na.rm = TRUE)

# Коэффициент вариации
cv_val <- (sd_val / mean_val) * 100

# Стандартная ошибка среднего
se_mean <- sd_val / sqrt(n)

list(
n = n,
mean = mean_val,
median = median_val,
sd = sd_val,
variance = var_val,
min = min_val,
max = max_val,
range = range_val,
Q1 = q1,
Q3 = q3,
IQR = iqr_val,
skewness = skewness_val,
kurtosis = kurtosis_val,
coefficient_of_variation = cv_val,
standard_error_mean = se_mean
)
}

# Пример использования функции
sample_data <- c(23, 45, 67, 34, 89, 56, 78, 41, 62, 55)
stats <- calculate_sample_statistics(sample_data)
print(stats)
</syntaxhighlight>

===== Функция для вычисления корреляционной матрицы =====

<syntaxhighlight lang="R" line>
# Функция для вычисления корреляционной матрицы с тестами значимости
calculate_correlation_matrix <- function(data_matrix) {
# Матрица коэффициентов корреляции Пирсона
cor_matrix <- cor(data_matrix, use = "complete.obs")

# Матрица p-значений
p_matrix <- matrix(0, nrow = ncol(data_matrix), ncol = ncol(data_matrix))
colnames(p_matrix) <- colnames(data_matrix)
rownames(p_matrix) <- colnames(data_matrix)

# Вычисление p-значений для каждой пары переменных
for (i in 1:(ncol(data_matrix)-1)) {
for (j in (i+1):ncol(data_matrix)) {
test_result <- cor.test(data_matrix[,i], data_matrix[,j])
p_matrix[i,j] <- test_result$p.value
p_matrix[j,i] <- test_result$p.value
}
}

list(
correlation_matrix = cor_matrix,
p_values_matrix = p_matrix
)
}
</syntaxhighlight>

Обсуждение:Как провести регрессионный анализ

2025-12-09T08:08:41Z

Дамдинова Кристина: /* Дополнение с датасетом про землетрясения */

== 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.

== Дополнение с датасетом про ингредиенты ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 01:25, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/ingredients/

Гипотеза: Общее содержание сахара является значимым предиктором общего количества углеводов в пищевых продуктах.

[[Файл:Ingridient.png]]

Is the mean of Data.Sugar Total ≠ 0 ?

N = 2332, t = 30,9, P < 0.0001
sample mean = 11,1, 95% CI = [10,4, 11,81]
s = 17,34, SE = 0,3591, df = 2330, α = 0,05, t* = 1,96

Анализ подтвердил гипотезу о существовании статистически значимой положительной линейной зависимости между содержанием сахара и общим количеством углеводов в исследуемых пищевых продуктах.

Коэффициент регрессии β₁ = 0.869 показывает, что при увеличении содержания сахара на 1 г/100 г продукта, общее содержание углеводов увеличивается в среднем на 0.87 г.

R² = 0.842 означает, что 84.2% вариации общего содержания углеводов объясняется вариацией содержания сахара. Это указывает на очень хорошую предсказательную силу модели.

== Дополнение с датасетом про землетрясения ==
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 11:07, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/earthquakes/

Гипотеза: Возможно, существует зависимость между глубиной эпицентра землетрясения и его магнитудой: чем глубже происходит сейсмическое событие, тем выше его магнитуда (или наоборот).

[[Файл:Землетрясения.png|700px]]

Is the mean of impact.magnitude ≠ 0 ?

N = 5000, t = 93,3, P < 0.0001
sample mean = 1,49, 95% CI = [1,461, 1,523]
s = 1,131, SE = 0,01599, df = 5000, α = 0,05, t* = 1,96

Исходя из анализа данных, мы получаем обратную связь между глубиной эпицентра и магнитудой землетрясения: с увеличением глубины на 1 км магнитуда в среднем снижается примерно на ≈0,01–0,02 балла. Это частично подтверждает гипотезу, но в обратном направлении: более глубокие землетрясения в среднем оказываются слабее (в пределах данных с магнитудой ≈1,49).

Однако связь крайне слабая (R² < 0,05), так как на магнитуду влияют множество других факторов — тип тектонического разлома, регион, энергия высвобождения.

Обсуждение:Как провести регрессионный анализ

2025-12-09T08:08:06Z

Дамдинова Кристина: /* Дополнение с датасетом про землетрясения */

== 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.

== Дополнение с датасетом про ингредиенты ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 01:25, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/ingredients/

Гипотеза: Общее содержание сахара является значимым предиктором общего количества углеводов в пищевых продуктах.

[[Файл:Ingridient.png]]

Is the mean of Data.Sugar Total ≠ 0 ?

N = 2332, t = 30,9, P < 0.0001
sample mean = 11,1, 95% CI = [10,4, 11,81]
s = 17,34, SE = 0,3591, df = 2330, α = 0,05, t* = 1,96

Анализ подтвердил гипотезу о существовании статистически значимой положительной линейной зависимости между содержанием сахара и общим количеством углеводов в исследуемых пищевых продуктах.

Коэффициент регрессии β₁ = 0.869 показывает, что при увеличении содержания сахара на 1 г/100 г продукта, общее содержание углеводов увеличивается в среднем на 0.87 г.

R² = 0.842 означает, что 84.2% вариации общего содержания углеводов объясняется вариацией содержания сахара. Это указывает на очень хорошую предсказательную силу модели.

== Дополнение с датасетом про землетрясения ==
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 11:07, 9 декабря 2025 (MSK)
https://corgis-edu.github.io/corgis/csv/earthquakes/

Гипотеза: Возможно, существует зависимость между глубиной эпицентра землетрясения и его магнитудой: чем глубже происходит сейсмическое событие, тем выше его магнитуда (или наоборот).

[[Файл:Землетрясения.png|700px]]

Is the mean of impact.magnitude ≠ 0 ?

N = 5000, t = 93,3, P < 0.0001
sample mean = 1,49, 95% CI = [1,461, 1,523]
s = 1,131, SE = 0,01599, df = 5000, α = 0,05, t* = 1,96

Исходя из анализа данных, мы получаем обратную связь между глубиной эпицентра и магнитудой землетрясения: с увеличением глубины на 1 км магнитуда в среднем снижается примерно на ≈0,01–0,02 балла. Это частично подтверждает гипотезу, но в обратном направлении: более глубокие землетрясения в среднем оказываются слабее (в пределах данных с магнитудой ≈1,49).

Однако связь крайне слабая (R² < 0,05), так как на магнитуду влияют множество других факторов — тип тектонического разлома, регион, энергия высвобождения.

Обсуждение:Как провести регрессионный анализ

2025-12-09T08:07:10Z

Дамдинова Кристина:

== 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.

== Дополнение с датасетом про ингредиенты ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 01:25, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/ingredients/

Гипотеза: Общее содержание сахара является значимым предиктором общего количества углеводов в пищевых продуктах.

[[Файл:Ingridient.png]]

Is the mean of Data.Sugar Total ≠ 0 ?

N = 2332, t = 30,9, P < 0.0001
sample mean = 11,1, 95% CI = [10,4, 11,81]
s = 17,34, SE = 0,3591, df = 2330, α = 0,05, t* = 1,96

Анализ подтвердил гипотезу о существовании статистически значимой положительной линейной зависимости между содержанием сахара и общим количеством углеводов в исследуемых пищевых продуктах.

Коэффициент регрессии β₁ = 0.869 показывает, что при увеличении содержания сахара на 1 г/100 г продукта, общее содержание углеводов увеличивается в среднем на 0.87 г.

R² = 0.842 означает, что 84.2% вариации общего содержания углеводов объясняется вариацией содержания сахара. Это указывает на очень хорошую предсказательную силу модели.

== Дополнение с датасетом про землетрясения ==
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 11:07, 9 декабря 2025 (MSK)
https://corgis-edu.github.io/corgis/csv/earthquakes/

Гипотеза: Возможно, существует зависимость между глубиной эпицентра землетрясения и его магнитудой: чем глубже происходит сейсмическое событие, тем выше его магнитуда (или наоборот).

[[Файл:Землетрясения.png|600px]]

Is the mean of impact.magnitude ≠ 0 ?

N = 5000, t = 93,3, P < 0.0001
sample mean = 1,49, 95% CI = [1,461, 1,523]
s = 1,131, SE = 0,01599, df = 5000, α = 0,05, t* = 1,96

Исходя из анализа данных, мы получаем отрицательную связь между глубиной эпицентра и магнитудой землетрясения: с увеличением глубины на 1 км магнитуда в среднем снижается примерно на ≈0,01–0,02 балла. Это частично подтверждает гипотезу, но в обратном направлении: более глубокие землетрясения в среднем оказываются слабее (в пределах данных с магнитудой ≈1,49).

Однако связь крайне слабая (R² < 0,05), так как на магнитуду влияют множество других факторов — тип тектонического разлома, регион, энергия высвобождения.

Файл:Землетрясения.png

2025-12-09T08:03:12Z

Дамдинова Кристина:

анализ землетрясений

Босенко Тимур Муртазович...

2025-12-04T19:27:20Z

Дамдинова Кристина: Новая страница: «{{Person |Description=тут ничего объяснять не нужно }}»

Участник:Дамдинова Кристина

2025-12-04T19:23:10Z

Дамдинова Кристина:

{{UserMGPU
|Description=Студентка группы АБП-231, МГПУ. Владелица добрейшей кошки Леи
|Field_of_knowledge=Экономика, Большие данные, Спорт, Статистика
|Website=https://vk.com/krstchkk
|Ancestors=Босенко Тимур Муртазович...
|similar_concepts=Экономика, Аналитика, Нейросети
|Environment=Qwen, PerplexityAI, Cyberleninka
|Position=Бакалавриат
|Profile=Математика, Информатика, Экономика
|PedDirection=Нет
|Community=Roblox
|Виды_спорта=Регби, Поверлифтинг
|Working_On=Курсовой проект по дисциплине "Распределенные системы": "Реализация распределённой системы потоковой обработки событий"
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Cyberleninka

2025-12-04T19:18:20Z

Дамдинова Кристина: Новая страница: «{{Понятие |Description=«КиберЛенинка» — российская научная электронная библиотека, построенная на концепции открытой науки. |Field_of_knowledge=Математика, Физика, Химия, Биология, Астрономия, География, Информатика, Робототехника, История, Медицина, Педагогика, Пси...»

{{Понятие
|Description=«КиберЛенинка» — российская научная электронная библиотека, построенная на концепции открытой науки.
|Field_of_knowledge=Математика, Физика, Химия, Биология, Астрономия, География, Информатика, Робототехника, История, Медицина, Педагогика, Психология, Социология, Экономика, Археология, Образование, NetSci, Лингвистика, Искусственный интеллект, Управление, Урбанистика, Культура, Литература, Интернет вещей, Мобильное обучение, Обществознание, Game design, Большие данные, Геометрия, Спорт, Игра, Картография, Статистика, Моделирование, Музыка, Философия, Мехатроника, Схемотехника, Алгебра, Филология, Инженерия, Агрономия, Коррекционная педагогика, Иностранный язык
}}
Проект направлен на распространение знаний по модели открытого доступа, обеспечивая бесплатный оперативный полнотекстовый доступ к научным публикациям.
Основные задачи библиотеки: популяризация науки и научной деятельности, общественный контроль качества научных публикаций, развитие междисциплинарных исследований, современного института научной рецензии, повышение цитируемости российской науки и построение инфраструктуры знаний.

Нейросети

2025-12-04T19:06:42Z

Дамдинова Кристина:

== Нейросети ==
'''''Нейросеть (искусственная нейронная сеть)''''' — это математическая модель машинного обучения, похожая по структуре и функциональности на биологические нейронные сети головного мозга человека. Состоит из взаимосвязанных узлов — нейронов, которые обрабатывают и передают сигналы друг другу, а также выполняют параллельные вычисления для обработки входных данных.

''Роль нейросетей в обучении''

*Подготовка текстов и конспектов — нейросеть может написать эссе, пересказ, структурировать лекцию или выделить ключевые тезисы из объёмного документа.
*Решение задач — ИИ способен не только дать ответ, но и объяснить решение пошагово.
*Изучение языков — онлайн-общение с ИИ-помощником заменяет практику с носителем языка, помогает тренировать грамматику и расширять словарный запас.
*Обучение новым навыкам, к примеру,программированию

Нейросети

2025-12-04T19:06:28Z

Дамдинова Кристина:

== Нейросети ==
'''''Нейросеть (искусственная нейронная сеть)''''' — это математическая модель машинного обучения, похожая по структуре и функциональности на биологические нейронные сети головного мозга человека. Состоит из взаимосвязанных узлов — нейронов, которые обрабатывают и передают сигналы друг другу, а также выполняют параллельные вычисления для обработки входных данных.

''Роль нейросетей в обучении''
Для студентов
*Подготовка текстов и конспектов — нейросеть может написать эссе, пересказ, структурировать лекцию или выделить ключевые тезисы из объёмного документа.
*Решение задач — ИИ способен не только дать ответ, но и объяснить решение пошагово.
*Изучение языков — онлайн-общение с ИИ-помощником заменяет практику с носителем языка, помогает тренировать грамматику и расширять словарный запас.
*Обучение новым навыкам, к примеру,программированию

Нейросети

2025-12-04T19:06:14Z

Дамдинова Кристина: Новая страница: «== Нейросети == '''''Нейросеть (искусственная нейронная сеть)''''' — это математическая модель машинного обучения, похожая по структуре и функциональности на биологические нейронные сети головного мозга человека. Состоит из взаимосвязанных узлов — нейрон...»

== Нейросети ==
'''''Нейросеть (искусственная нейронная сеть)''''' — это математическая модель машинного обучения, похожая по структуре и функциональности на биологические нейронные сети головного мозга человека. Состоит из взаимосвязанных узлов — нейронов, которые обрабатывают и передают сигналы друг другу, а также выполняют параллельные вычисления для обработки входных данных.

''Роль нейросетей в обучении'''''Полужирное начертание'''
Для студентов
*Подготовка текстов и конспектов — нейросеть может написать эссе, пересказ, структурировать лекцию или выделить ключевые тезисы из объёмного документа.
*Решение задач — ИИ способен не только дать ответ, но и объяснить решение пошагово.
*Изучение языков — онлайн-общение с ИИ-помощником заменяет практику с носителем языка, помогает тренировать грамматику и расширять словарный запас.
*Обучение новым навыкам, к примеру,программированию

Участник:Дамдинова Кристина

2025-12-04T19:01:54Z

Дамдинова Кристина:

{{UserMGPU
|Field_of_knowledge=Экономика, Большие данные, Спорт, Статистика
|similar_concepts=Экономика, Аналитика, Нейросети
|Environment=Qwen, PerplexityAI, Cyberleninka
|Position=Бакалавриат
|Profile=Математика, Информатика, Экономика
|PedDirection=Нет
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Участник:Дамдинова Кристина

2025-09-06T07:43:14Z

Дамдинова Кристина: Новая страница: «---- Категория:UserMGPU Категория:АБП-231»

----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]