Основы компьютерного моделирования (Syllabus)
Материал из Поле цифровой дидактики
| Планируемые результаты обучения (Знать, Уметь, Владеть) | |
|---|---|
| Содержание разделов курса | |
| Видео запись | |
| Среды и средства, которые поддерживают учебный курс | Netlogo, Snap!, R |
| Книги, на которых основывается учебный курс |
Подготовка курса
Карта курса
Подбор компетенций, которые уже есть на площадке
- Practice defining problems to solve by computing for data analysis, modeling or algorithmic thinking
- Simulation (the ability to interpret and construct dynamic models of real world processes)
- Владение методами моделирования
- Способность быстро разбираться, комбинировать и организовывать информацию в значимые модели
Понятия учебного курса
| Description | Environment | |
|---|---|---|
| Авторегрессионная модель | Авторегрессионная (AR-) модель (англ. autoregressive model) — модель временных рядов, в которой значения временного ряда в данный момент линейно зависят от предыдущих значений этого же ряда. | |
| Агентное моделирование | Агентное моделирование (agent-based model) (ABM)— метод имитационного моделирования, исследующий поведение децентрализованных агентов и то, как такое поведение определяет поведение всей системы в целом. В отличие от системной динамики аналитик определяет поведение агентов на индивидуальном уровне, а глобальное поведение возникает как результат деятельности множества агентов (моделирование «снизу вверх»). ABM представляют собой модели, в которых отдельные лица или агенты описываются как уникальные и автономные объекты, которые обычно взаимодействуют друг с другом и с окружающей их средой на местном уровне. Агентами могут быть организмы, люди, предприятия, учреждения и любые другие объекты, преследующие определенную цель. Когда мы даем агентам правила адаптации к изменениям в их среде и к тому, что делают другие агенты, тогда поведение каждого отдельного агента и, следовательно, поведение всей системы вытекает из этих правил, характеристик агентов и окружающей среды. Эмерджентность - это основная объясняющая концепция агентного моделирования. Эпштейн и Акстелл (1996) удачно описали этот вид объяснения своим знаменитым вопросом:
| NetLogo StarLogo Nova Scratch BehaviorSpace Snap! |
| Имитационное моделирование | Имитационное моделирование (англ. simulation modeling) — метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему (построенная модель описывает процессы так, как они проходили бы в действительности), с которой проводятся эксперименты с целью получения информации об этой системе. Такую модель можно «проиграть» во времени, как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику. Экспериментирование с моделью называют имитацией (имитация — это постижение сути явления, не прибегая к экспериментам на реальном объекте). | |
| Многоагентное моделирование | Многоагентное моделирование (ABM) — это метод компьютерного моделирования, в котором отдельные "агенты" (объекты или сущности) взаимодействуют друг с другом и с окружающей средой согласно заданным правилам. Каждый агент может принимать собственные решения и действовать независимо, что позволяет моделировать сложные системы и процессы, такие как социальное взаимодействие, экономические рынки или экосистемы. | NetLogo StarLogo Nova |
| Многоагентные модели | · Суть: Компьютерное моделирование, где множество «агентов» (виртуальных сущностей с правилами поведения) взаимодействуют друг с другом, порождая сложные системные явления на макроуровне.
· Что изучают? · Эволюция языка: Как в популяции агентов возникают и распространяются языковые конвенции, диалекты. · Распространение изменений: Моделирование диффузии инноваций или слухов в социальной сети. · Овладение языком: Имитация процессов усвоения фонетики или грамматики. · Принцип работы: · Агентам задаются правила (напр., усваивать вариант, который чаще слышишь). · Они взаимодействуют в виртуальной среде (сетке или сети). · Наблюдается глобальный результат (формирование единого языка или устойчивых диалектных зон). · Примеры моделей: · «Language Change» (Изменение языка): Моделирует конкуренцию языковых форм в популяции, показывает образование диалектов. · «Weasel»: Демонстрирует, как кумулятивный отбор может привести к быстрой «эволюции» целевой фразы.· Современные методы разработки: Интеграция больших языковых моделей (LLM, напр., GPT) в качестве «мозга» агентов для более сложного, похожего на человеческое, поведения и коммуникации. | |
| Моделирование | Моделирование — это процесс создания упрощенной репрезентации реального объекта, системы или процесса с целью анализа, понимания или предсказания их поведения. Модели могут быть физическими, математическими или компьютерными и служат инструментом для изучения сложных явлений и принятия решений. | NetLogo StarLogo Nova The model thinker: What you need to know to make data work for you |
| Модель | Моде́ль (фр. modèle от лат. modulus «мера, аналог, образец») — система, исследование которой служит средством для получения информации о другой системе; представление некоторого реального процесса, устройства или концепции. Модель есть абстрактное представление реальности в какой-либо форме (например, в математической, физической, символической, графической или дескриптивной), предназначенное для рассмотрения определённых аспектов этой реальности и позволяющее получить ответы на изучаемые. Система В является моделью системы А для активной системы Q (человека-индивида, коллектива, животного, робота и т. п.), если основанием для ее использования этой активной системой служит ее структурное сходство с моделируемой системой А. | Foldit NetLogo StarLogo Nova |
| Модель NetLogo | Модель - многоагентная симуляция какого-либо процесса, написанная на языке NetLogo. Используется в качестве социального объекта в целом ряде сетевых сообществ для взаимодействия студентов, преподавателей и исследователей. | NetLogo |
| Модель акторов | Модель а́кторов — математическая модель параллельных вычислений, строящаяся вокруг понятия актора (англ. actor «актёр; действующий субъект»), считающегося универсальным примитивом параллельного исполнения. Актор в данной модели взаимодействует путём обмена сообщениями с другими акторами, и каждый в ответ на получаемые сообщения может принимать локальные решения, создавать новые акторы, посылать свои сообщения, устанавливать, как следует реагировать на последующие сообщения. | NetLogo StarLogo Nova Scheme |
| Модель белка | Третичная структура белка, спрогнозированная на основе аминокислотной последовательности. Цель игры головоломки FoldIt состоит в поиске трёхмерной структуры определённого белка с самым низким уровнем свободной энергии | Foldit FoldIt сообщество |
| Модель данных | Модель данных — это абстрактное представление структуры информации, которое определяет, как данные организованы, связаны между собой и могут быть использованы в информационной системе. | Semantic MediaWiki |
| Модель компетенций | Модель компетенций (профиль компетенций) структурированный набор необходимых, идентифицируемых и измеряемых компетенций с индикаторами поведения | |
| Модель обеспечения качества | Система объединенных определенной точкой зрения параметров, связанных между собой и позволяющих достичь прогнозируемого результата | |
| Онтология модели пользователя | Онтология модели пользователя - ученика. В онтологии представлены его цели, действия, фиксируемые в электронной среде переменные. | VUE Protege |
| Спецификация модели | Спецификация модели — это процесс формулировки вида модели, исходя из соответствующей теории связи между переменными. | Urban Suite - Economic Disparity |
| Статистическая модель | Статистическая модель (англ. statistical model) — это математическое представление данных, которое включает набор предположений о вероятностном распределении, породившем наблюдаемые данные. статистическая модель помогает нам понять, как устроены наши данные, и делать предсказания о новых наблюдениях. | NetLogo CODAP R |
| Сценарное моделирование | Технология сценарного моделирования взаимодействия объектов различного типа была разработана Жилем Паккетом. Изначально в этой технологии разные типы знания представлены при помощи фигур разного типа. Например. Абстрактные знания, концепции, информационные источники представлены в форме прямоугольников. Процедуры и задачи представлены форме овалов. Принципы представлены в форме 6-угольников. Агенты и команды участников часто изображаются на схемах в той же форме, что и принципы, чтобы подчеркнуть то значение, которое они играют в контроле процессов. Исходные блоки этой моделирующей среды Паккет использовал и для представления связей между агентами и объектами совместной деятельности. | |
| Эконометрическая модель | Эконометрическая модель (econometric model) представляет собой статистическую модель, используемую в эконометрике для количественного описания экономических явлений и процессов. Эконометрическая модель определяет статистические взаимосвязи, которые, как предполагается, существуют между различными экономическими величинами, относящимися к конкретному экономическому феномену. В русскоязычной терминологии эконометрическая модель — это математико-статистическая модель, предназначенная для объяснения значений одной или нескольких текущих эндогенных переменных в зависимости от значений предопределенных переменных. | CODAP R Economic Disparity |
| Языковая модель | Языковая модель — это распределение вероятностей по последовательностям слов. Языковые модели генерируют вероятности путём обучения на корпусе текстов на одном или нескольких языках. Учитывая, что языки могут использоваться для выражения огромного множества верных предложений (так называемая цифровая бесконечность), языковое моделирование сталкивается с проблемой задания ненулевых вероятностей лингвистически верным последовательностям, которые могут никогда не встретиться в обучающих данных. | Java JavaScript Python Julia R |
Книги и авторы для курса
| Inventor | Description | Environment | |
|---|---|---|---|
| Agent-Based and Individual-Based Modeling: A Practical Introduction | Railsback Grimm | Подробное руководство по дизайну экспериментов в среде Netlogo с использованием BehaviorSpace и использованием ODD принципов
| NetLogo BehaviorSpace Mesa |
| An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo | Wilensky Rand | Введение в моделирование систем при помощи языка NetLogo (от создателя языка) - использование NetLogo в естественно-научном, инженерном и общественном образовании | NetLogo |
| Individual-Based Models of Cultural Evolution: A Step-by-Step Guide Using R | Acerbi | Книга показывает как создавать агентно-ориентированные модели или ABM культурной эволюции. В тексте книги используется код на языке программирования R. От очень простых моделей основных процессов культурной эволюции, таких как предвзятая передача и культурная мутация, к более сложным темам, таким как эволюция социального обучения, демографические эффекты и анализ социальных сетей. | R Ggplot |
| Modeling Social Behavior: Mathematical and Agent-Based Models of Social Dynamics and Cultural Evolution | Smaldino | Социальные, поведенческие и когнитивные науки исторически полагались на силу слова. Слова имеют силу. Богатые аналогии могут найти отклик в умах читателей и пролить свет на тайны природы. Я говорю о вербальных теориях, описательных объяснениях сложных явлений. Большинство теорий, вероятно, более точны, чем поэтичны, но они, как правило, опираются на свойство большинства языков, согласно которому фраз могут нести в себе несколько возможных импликатур — рассмотрим, например, такие слова, как «восприятие», «категория», «идентичность», «тождественность» обучение» и даже «реакция» достаточно двусмысленны, чтобы допускать множество интерпретаций. То есть язык по своей сути (и адаптивно) расплывчат и двусмыслен. В конечном счете, это проблема для ученых, потому что нам нужно предельно четко понимать, о чем мы говорим, чтобы выдвинуть полезные теории Вселенной. | NetLogo BehaviorSpace R ODD принципы Центральная предельная теорема |
| The model thinker: What you need to know to make data work for you | Page S. | The Model Thinker by Scott E. Page is a guide to thinking about complex problems. It offers practical tools for modeling and analyzing social, economic or political phenomena, and provides insights on how to make better decisions by understanding the world in a more nuanced way. Эта книга о моделях. В ней просто и понятно описываются десятки моделей и способы их применения. Модели — это формальные структуры, представленные в виде математических формул и диаграмм, которые помогают нам понять этот мир. Их освоение улучшает способность рассуждать, объяснять, разрабатывать, коммуницировать, действовать, прогнозировать и исследовать. | |
| Tidy Modeling with R | Sigle | Руководство по созданию и использованию моделей при помощи пакетов из пространства tidyverse: recipes, parsnip, workflows, yardstick, and others. | R RStudio R for Data Science |
| Turtles, termites, and traffic jams: explorations in massively parallel microworld | Resnick | Книга "Черепахи, термиты и дорожные пробки: исследования в микромире массово-параллельных вычислений" Децентрализованный подход к феноменам окружающего мира - на основе использования микромира с тысячами черепашек | NetLogo StarLogo Nova Scratch StarLogo |
| Кларин М. В. Инновационные модели обучения | Кларин М.В. | Кларин М.В. Инновационные модели обучения: Исследование мирового опыта. Монография. М.: Луч, 2016. 640 с. |
Игры
| Description | |
|---|---|
| Foldit | Фолдит — многопользовательская игра онлайн-головоломка о фолдинге белка. Игра является частью исследовательского проекта и разработана в Вашингтонском университете. Предмет игры — наилучшим образом свернуть структуру выбранных протеинов; лучшие пользовательские решения анализируются учёными, которые могут с их помощью найти решение реальных научных проблем, связанных с поиском вакцин и биологическими инновациями. |
| SimAnt | SimAnt: The Electronic Ant Colony — компьютерная игра-симулятор, созданная студией Maxis и выпущенная в 1991 году. Является третьей игрой серии Sim после SimCity и SimEarth. Игра получила премию от ассоциации программного обеспечения Codie award как лучший симулятор года. Игра создавалась при сотрудничестве Эдварда Уилсона — известного биолога, изучавшего социальное поведение муравьёв в колониях. Игра была выпущена для IBM PC, Commodore Amiga, Apple Macintosh и Super Nintendo Entertainment System. |
| SimCity | В SimCity у игрока обычно нет определённой цели, по достижении которой игра заканчивается. Играющий управляет городом, выступая в роли мэра. Ему предоставляется возможность собирать налоги, строить городские здания и прокладывать дороги. Конечно, в руках мэра далеко не все аспекты жизни города — он не может, например, приказывать, где строить частные здания, а может только планировать территорию, разделяя её на коммерческие, жилые и промышленные зоны. Эти зоны впоследствии застраиваются жителями города. В случае, если привлекательность данной зоны в глазах городских жителей низка (причиной чего могут быть высокие налоги в данной сфере или недостаточное развитие других городских зон), она не будет застраиваться. В январе 2008 года код оригинальной SimCity был открыт и теперь распространяется под лицензией GPLv3. Права на имя «SimCity» принадлежат Electronic Arts, поэтому открытый проект был переименован в Micropolis. |
| Sims | The Sims — однопользовательская видеоигра в жанре симулятора жизни, первая по счёту из серии The Sims, разработанная командой разработчиков Maxis под руководством геймдизайнера Уилла Райта и изданная компанией Electronic Arts. Игра создавалась при сотрудничестве Эдварда Уилсона — известного биолога, изучавшего социальное поведение муравьёв в колониях. Игра была выпущена для IBM PC, Commodore Amiga, Apple Macintosh и Super Nintendo Entertainment System. Когда игрок впервые играет в The Sims в рамках обучающей программы, он должен управлять семьёй молодожёнов — Ньюби (англ. Newbie), которая только переехала в город и должна освоиться в нём. Действие игры происходит в городке, где проживают пять семей. |
Модели
| Description | |
|---|---|
| Air Pollution - Buses and Cars | Когда модель работает, автобусы непрерывно следуют по дороге. В домах есть люди, которым нужно добираться на работу. Если автобус проезжает мимо дома, человек из этого дома «садится в автобус». Однако, если автобус не прибудет достаточно скоро, вместо этого человек использует личную машину, в результате чего на дороге появится машина, которой необходимо проехать определенное расстояние, прежде чем ее уберут с дороги. Автомобили выбрасывают 1 загрязнение каждые 7 «тиков». Автобусы выбрасывают одно загрязнение каждые 1 тик. Автомобили и автобусы следуют основным правилам дорожного движения: снижайте скорость, если многолюдно, и останавливайтесь, если впереди нет места для движения.
|
| Ants | Канонический пример стигмергии в NetLogo — встроенная модель Ants В ней черепахи-муравьи бродят случайно, находят еду, возвращаются в гнездо, откладывая феромон (patch-переменная chemical), который диффундирует и испаряется. Параметры evaporation-rate и diffusion-rate управляют «жизнью» следа. Колония в целом оптимально распределяет усилия — без какого-либо лидера и прямой коммуникации. В отчёте Карлтонского университета для Министерства обороны Канады указано, что именно эта модель является стандартной демонстрацией marker-based stigmergy в академическом контексте |
| Ants with Memory | Если запомненное место опустело, муравей ищет еду в радиусе 8 патчей вокруг; если не находит — забывает это место |
| Artificial Anasazi | Проект был посвящен воспроизведению древнеиндейской культуры анасази в виде цифрового искусственного общества. Была смоделирована динамика города Кайента (Аризона, США) в период с 900 по 1350 год нашей эры, после которого упомянутая цивилизация исчезла. Главный вопрос для археологов был следующий: почему так произошло? С использованием расширенной версии модели Sugarscape была создана окружающая агентов среда с учетом гидрологических особенностей территории, плодородности почвы, засушливости и других параметров. В свою очередь, расселение анасази по территории в рамках цифровой модели осуществлялось на основе данных, собранных лабораторией годичных колец Аризонского университета (Tree Ring Laboratory at the University of Arizona). Each agent represents a household of five persons. Each household makes annual decisions on where to farm and where to settle. A household has an age, and a stock of food surplus previous years. Each cell represents a 100 meter by 100 meter space. Each cell is within one of the different zones of land: General Valley Floor, North Valley Floor, Midvalley Floor, Arable Uplands, Uplands Non-Arable, Kinbiko Canyon or Dunes. These zones have agricultural productivity that is determined by the Palmer Drought Severity Index (PDSI). |
| Basketball analytics | Модель агентного моделирования (ABM) в баскетболе, разработанная согласно протоколу ODD, исследует динамику игры как сложной адаптивной системы. В ней игроки принимают решения о бросках, передачах и дриблинге, основываясь на производительности своих товарищей по команде и различных игровых условиях, таких как оставшееся время и вероятность успешного броска. Модель учитывает влияние факторов, таких как "горячая рука" (hot-hand) и вера в главного игрока команды. Игроки взаимодействуют друг с другом и с окружающей средой, что позволяет моделировать реалистичные игровые ситуации. Результаты симуляции используются для анализа статистики и проверки гипотез о когнитивных искажениях в спортивной аналитике.
|
| Bears | Bears walk and eat the growing grass |
| Big money kills | Данная модель в шутливой форме показывает, как люди, которые мечтают плавать в деньгах (из-за этого их положение не вертикальное), пропадают, как только натыкаются на огромную золотую монету. Они не сразу находят путь к монете, как и в реальной жизни, не сразу выходит получать большую прибыль. |
| BugHuntPredator | This model explores the stability of predator-prey ecosystems and how that stability is affected when new species are introduced into the ecosystem. Birds and bugs wander randomly around the landscape. Each step costs both animals energy and they must consume a food source (bugs must eat grass and birds must eat bugs & the invaders) to replenish their energy - when they run out of energy they die. To allow the population to continue, each bird or bug must have enough energy to have a litter of offspring and the offspring and parent split the energy amongst themselves. Grass grows at a fixed rate, and when it is eaten, a fixed amount of grass energy is deducted from the patch (square) where the grass was eaten. Invasive species (mice) can be introduced to this ecosystem as well. The mice are indirect competitors of the bugs. They also eat grass. They reproduce following the same rules as bugs. The eating behavior of the mice and the bugs can be adjusted. |
| Butterfly model | Эксперименты с моделью приведены в книге Agent-Based and Individual-Based Modeling: A Practical Introduction Модель Butterfly (Модель бабочек на возвышенностях) описывает поведение бабочек, которые движутся по ландшафту в поисках возвышенных участков — так называемого hilltopping Она исследует, как взаимодействие поведения бабочек и особенностей ландшафта приводит к появлению виртуальных коридоров — узких путей, по которым проходит большинство бабочек. В модели есть две сущности: бабочки и квадратные участки земли (patch) - пятна. Земля разбита на сетку 150 на 150 пятна, у каждого пятна есть только одно состояние — высота (элевация). Бабочки имеют положение — на каком пятне находятся. Каждое движение бабочек происходит по шагам: на каждом шаге бабочка либо идет на соседнее пятно с наивысшей высотой (элевацией), либо двигается случайно. Вероятность выбрать направление вверх контролируется параметром q (от 0 до 1). Если сгенерированное случайное число меньше q, бабочка поднимается вверх, иначе — двигается случайно. |
| Butterfly model new | Улучшенная модель бабочек с новой возможностью регулировки вероятности нахождения большей высоты и количества бабочек. Выводит количество бабочек, забравшихся на возвышенности (>= 350 условных единиц). |
| Central Limit Theorem | Модель "Central Limit Theorem" представляет население, распределённое по некоторой переменной (например, общие активы в тысячах долларов). Население распределено произвольно — не обязательно нормально — но выборочные средние из этой популяции тем не менее накапливаются в распределении, которое приближается к нормальной кривой. |
| Community of Practice (model) | Эта модель имитирует поведение Сообщества Практики (CoP) — группы людей, которые увлечены определенной темой и углубляют свои знания и опыт в этой области через постоянное взаимодействие. Для этого пользователи задают вопросы, а другие отвечают. Цель этой модели — понять, как пользователи взаимодействуют друг с другом. |
| Dawkins Weasel | Модель «Weasel» иллюстрирует принцип кумулятивного отбора, демонстрируя, как последовательные мутации и отбор ближайших по сходству к целевой фразе строк приводят к её быстрому «эволюционному» воспроизведению. Модель представляет нематериальный «вид» строк фиксированной длины, состоящих из заглавных букв английского алфавита и пробелов. При запуске:
|
| Density (model) |
|
| Elephants giraffes dragons | A model with giraffes, elephants, and dragons that move across the screen, where upon collision between dragons, they reproduce. When elephants and giraffes collide with dragons, their energy decreases, while energy increases when they collide with grass, and the grass disappears. If the energy of the elephants and giraffes drops below 0, they die |
| Ethnocentrism (model) | Модель "Ethnocentrism" (Этноцентризм) разработана Робертом Акселродом и Россом А. Хэммондом. Она демонстрирует, как этноцентрическое поведение — то есть предпочтение своей группе перед другими — может эволюционировать даже в условиях, когда изначально нет никаких различий между агентами и нет способа определить, кто к какой группе относится. В этой модели агенты конкурируют за ограниченное пространство, взаимодействуя друг с другом по принципу дилеммы заключенного. Эволюция происходит через механизм наследования стратегий (генетического или культурного). |
| Fire (model) |
Запустите модель Fire несколько раз. Если мы запустим его с низкой плотностью деревьев, мы увидим, как и ожидалось, очень небольшое распространение огня. Если мы запустим его с очень высокой плотностью деревьев, мы, как и ожидалось, увидим, как лес уничтожается неумолимым маршем огня. Чего ожидать при средней плотности? Многие предполагают, что если плотность установлена на 50 процентов, то вероятность того, что огонь достигнет правого края леса, будет 50 процентов. Однако если мы попробуем это сделать, то увидим, что при 50-процентной плотности огонь не распространяется сильно. Если мы увеличим его до 57 процентов, огонь горит больше, но обычно все равно не достигает другой стороны леса. Однако если мы увеличим плотность до 61 процента, то есть всего на 2 процента больше, огонь неизбежно достигнет другой стороны. Это неожиданно. Мы ожидаем, что небольшое изменение плотности окажет относительно небольшое влияние на распространение огня. Но, как выясняется, модель Fire имеет «критический параметр» 59% плотности. |
| Fireflies (model) | Модель синхронизации мигания светлячков
По ночам самцы светлячков Photinus carolinus мигают для привлечения самок. При этом вспышки отдельной особи не периодичны. Но если несколько насекомых оказываются рядом, они начинают мигать синхронно. Несколько ярких вспышек в течение пары секунд повторяются через более длительные промежутки времени. Координироваться светлячкам помогает зрение: наблюдая за миганием других особей, они начинают подстраиваться под их ритм.
|
| FishTankGeneticDrift | This is a genetic drift model that shows how gene frequencies change in a population due to purely random events. The effect of random selection of certain individuals in a population (either through death or through reproduction) and/or the effect of random selection as to which chromosome (from every chromosome pair) end up being sorted into each gamete (sex cells), results in the loss or gains of alleles in the population.
Over multiple generations this shift in gene distribution leads to alleles becoming progressively more rare or more common (or disappearing completely) in a population. This effect is called genetic drift. The underlying mechanism of random selection generates different outcomes than in natural selection (where individual traits and genes are selected for the advantages they confer on the survival and reproduction of individuals). In addition to natural selection, however, this random selection and resulting effects of genetic drift is one of the primary mechanisms, which drive evolution. It is also believed to be one of the mechanisms, which contributes to speciation. |
| Flocking (model) | Модель самопроизвольного формирования стаи в результате действий множества участников (птиц, рыб, людей). Модель формирования стаи - это классическая агентно-ориентированная модель, основанная на оригинальных моделях Рейнольдса (1987). Модель демонстрирует, что стаи птиц могут возникать даже в отсутствии специальных птиц-вожаков, которые ведут всех за собой. Скорее, каждая птица следует общему же набору правил, и из выполнения всеми простых правил появляются стаи. Каждая птица следует трем правилам: «выравнивание», «разделение» и «сплоченность».
Правило «разделения» имеет приоритет над двумя другими, что означает, что если две птицы приближаются друг к другу, они всегда будут разделяться. В этом случае два других правила отменяются до тех пор, пока не будет достигнуто минимальное разделение. Эти три правила влияют только на направление птицы. Каждая птица всегда движется вперед с одинаковой постоянной скоростью. Правила удивительно надежны и могут быть адаптированы к скоплению насекомых, стаям рыб и паттернам «V» стаи гусей (Stonedahl & Wilensky, 2010a). |
| GenderDeSegregationSchool | Модель воспроизводит изменения в проценте женщин-учителей в гимназиях федеральной земли Рейнланд-Пфальц в Германии с 1950 по 1989 год. Она начинается с данных о количестве мужчин и женщин-учителей в этих школах в 1950 году, которые считываются из файла school.txt, и отображает их на карте Рейнланд-Пфальца
|
| GenderDeSegregationSchooll | Модель воспроизводит изменения в проценте женщин-учителей в гимназиях федеральной земли Рейнланд-Пфальц в Германии с 1950 по 1989 год. Она начинается с данных о количестве мужчин и женщин-учителей в этих школах в 1950 году и отображает их на карте Рейнланд-Пфальца |
| Giraffe collecting coins | Кто-то рассыпал много монет на улице. Жираф это увидел, и пошёл их собирать. |
| Great white shark | Четыре большие белые акулы проголодались и вышли на охоту. Обнаружив косяк рыб, они мигом расправляются с ним, съев всех рыб до последней. За происходящим наблюдает ихтиолог и ведет подсчет съеденных рыб акулами за время охоты, для наглядности он составил график.
 |
| Hungry raccoon | Мама Енот выходит на лужайку в поисках морковки, чтобы накормить 100 детей. В ходе своей вылазки мама Енот ведет счет морковок, чтобы дети точно наелись.
 |
| Language Change | Модель «Language Change» (Изменение языка) представляет собой агентную симуляцию, в которой каждый агент (житель сетки) владеет одной из нескольких языковых форм (например, вариантов произношения или лексических единиц). На каждом шаге моделирования:
При этом может происходить «ошибка передачи» (мутация), когда форма изменяется случайным образом с малой вероятностью. По мере итераций формируются языковые «облака» и кластеры, отражающие процессы диалектообразования, распространения новаций и угасания старых вариантов. |
| Leaders & Followers (model) | Модель лидеров (харизматиков) и их последователей - тех, кто за ними следует и устанавливает с ними связи.
|
| Lens Psych Collab | Lens Psych Collab - This NetLogo model visualizes the evolution of scientific authorship networks using real publication data from Lens.org. The model tracks the dynamics of collaboration patterns among psychologists from major Russian academic institutions: Moscow City University (MCU), Lomonosov Moscow State University (MSU), and the Russian Academy of Sciences. The model simulates how scientific collaboration networks grow and evolve over time by processing publications chronologically, creating author agents, establishing co-authorship links, and updating network metrics in real-time. It helps researchers understand how new authors enter the scientific community, how experienced researchers maintain collaborations, and how network structure emerges from individual collaboration decisions. |
| Let' fly | Most programs are going on the ground, but dragons and birds want fly, too! Seagull small, they climb on the tree and... flies high, where hungry dragons can't eat them. But them shoud be careful, clouds will stop there beautiful flight and the back to the ground. Dragons are very heavy, so only powerful wind coul let them fly, but this power will back all birds to the ground and could destroy cloud and, maybe make more ones. Seagulls are smart birds, they lay eggs, so if you see, that our brave birds are little count, make more of them... |
| Life (model) | Модель игры в жизнь. This particular cellular automaton is called The Game of Life. A cellular automaton is a computational machine that performs actions based on certain rules. It can be thought of as a board which is divided into cells (such as square cells of a checkerboard). Each cell can be either "alive" or "dead." This is called the "state" of the cell. According to specified rules, each cell will be alive or dead at the next time step.
Эмерджентность: в модели Life (model) эмерджентные явления играют ключевую роль. Они проявляются в виде неожиданных и сложно предсказуемых паттернов поведения, возникающих из простых правил взаимодействия между агентами. Эти паттерны могут включать сложные формы социального поведения, образование колоний или даже возникновение новых видов. Адаптация: агентам в модели Life предоставляется возможность адаптироваться к меняющимся условиям среды. Это достигается путем модификации своих стратегий выживания и размножения на основе предыдущего опыта и наблюдений. Адаптации могут происходить как на уровне индивидуального агента, так и на популяционном уровне, что приводит к изменению генетической структуры популяции. Обучение: агенты в модели способны обучаться на протяжении своего жизненного цикла. Они используют алгоритмы машинного обучения для анализа прошлых событий и выработки наиболее эффективных стратегий поведения. Обучение может осуществляться как индивидуально, так и через социальное взаимодействие, когда агенты передают свой опыт другим членам сообщества. Прогнозирование: одной из ключевых функций модели является способность агентов к прогнозированию будущих состояний среды. На основании собранных данных и исторических тенденций агенты могут строить прогнозы относительно возможных изменений в среде обитания и соответствующим образом корректировать свое поведение. Ощущение: агенты обладают способностью воспринимать окружающую среду через сенсоры, которые предоставляют им информацию о температуре, влажности, наличии пищи и других факторов. Эта информация используется для принятия решений и адаптации к текущим условиям. |
| Line's dinner | There are elephants, a lion and trees in this project. The user is a lion. You can use the sliders to select the initial number of elephants and trees. Elephants can devour trees. And the lion chases elephants and, when confronted with them, absorbs them. The graph shows the change in the number of elephants and trees. The model stops moving after the lion eats 10 elephants because it has eaten too much. |
| MigrAgent (model) | В модели MigrAgent явно используется теоретическая рамка аккультурации Джона Берри, но она переписана в операциональные терминах терпимости/нетерпимости и сетевых взаимодействий между мигрантами и местными. Модель делает классический двухмерный каркас Берри («сохранение собственной культуры» и «участие в принимающем обществе») операциональным через две эмпирические величины: наличие или отсутствие фактических контактов с ingroup и outgroup. В интерфейсе модели задаются четыре ключевых параметра: численность местных, средний консерватизм местных, численность мигрантов, средний консерватизм мигрантов, а также speed_intake — скорость «приёма» мигрантов (как процент мигрантов, прибывающих за шаг). Варьируя средние значения консерватизма в каждой группе и скорость притока, авторы исследуют, при каких конфигурациях возникают разные сочетания аккультурационных исходов у подгрупп: например, как при быстром притоке и высокой нетерпимости растёт поляризация и доля маргинализации, а при медленном притоке и более либеральных установках у обеих групп повышается доля интеграции. Это напрямую соотносится с выводами Берри о том, что интеграция как стратегия ведёт к наилучшим психологическим и социокультурным исходам, тогда как маргинализация связана с наибольшим стрессом и рисками. |
| Minority Game | Модель Minority Game (Игра меньшинства) — это упрощённая модель экономического рынка, в которой агенты конкурируют, пытаясь оказаться в меньшинстве. На каждом временном шаге каждый агент выбирает одну из двух сторон (0 или 1). Побеждают те агенты, которые оказались в меньшинстве — на стороне, выбранной меньшим числом участников. За каждую победу агент получает очко. Каждый агент располагает набором предопределённых стратегий (например, пять стратегий). Стратегия — это правило, которое на основе истории прошлых результатов предсказывает, какая сторона будет в меньшинстве. Важно: агенты видят только историю победивших, а не количество агентов, выбравших каждую сторону. История прошлых выборов кодируется в двоичное число и используется как индекс для поиска в таблице стратегии. Каждая стратегия отслеживает свои собственные виртуальные очки — как она бы предсказывала на каждом шаге. Агент всегда использует стратегию с наибольшим количеством виртуальных очков. |
| Multi-mediator model | Модель позволяет проводить вычислительные эксперименты по изучению математических идей учениками средней школы. Модель посвящена проблема низкой успеваемости по математике у студентов с низким социально-экономическим статусом (SES). В Австралии 15-летние студенты с низким SES отстают на три года по уровню математической подготовки. Подобная же ситуация наблюдается и в США. Цель исследования - исследовать, может ли компьютерное моделирование помочь улучшить математическую успеваемость студентов с низким SES, чтобы преодолеть трехлетнее отставание. В модели используются данные по эффективности трех педагогических подходов из метаанализа 53 исследований (Sinha и Kapur, 2021):
|
| Mutualistic network (model) | Данная модель представляет собой агент-ориентированную реализацию концепции мутуалистических социо-семантических сетей, основанную на работе St-Onge et al. (2022) "Socio-semantic networks as mutualistic networks". В экологическом контексте пчелы посещают цветы для получения нектара, одновременно опыляя растения. В нашей модели учителя (users) выступают как "посещающие виды" (аналог пчел), образовательные сценарии (balls) - как "посещаемые виды" (аналог растений). Учителя "посещают" сценарии для использования в своей педагогической деятельности, а сценарии получают развитие через повторное использование. Модель моделирует взаимодействие между социальными сообществами (учителя) и семантическими объектами (образовательные сценарии) по аналогии с экологическими сетями опыления растений насекомыми. |
| Penguienes VS Dragons | The epic battle between penguins and dragons is a magical story of courage and bravery. A prophecy threatens the peaceful coexistence of these creatures, foretelling a great battle. As the epic battle begins, both sides show incredible determination and strength. But as the battle rages on, it becomes clear that neither side can emerge victorious without sacrificing something precious. |
| Piaget-Vygotsky (model) | Модель «обучения через игру» была создана для следующих целей:
|
| Preferential Attachment | Модель предпочтительного присоединения - Preferential Attachment - Процесс предпочтительного присоединения - это любой из классов процессов, в которых некоторое количество, обычно некоторое форма богатства или кредита распределяется между несколькими людьми или объектами в зависимости от того, сколько они уже имеют, так что те, кто уже богат, получают больше, чем те, кто не богат. «Предпочтительная привязанность» - это лишь последнее из многих названий, которые были даны таким процессам. Они также упоминаются как «богатые становятся богаче». Процесс предпочтительного присоединения генерирует распределение «с длинным хвостом » после распределения Парето или степенной закон в его хвосте. Это основная причина исторического интереса к предпочтительной привязанности: распределение видов и многие другие явления наблюдаются эмпирически, следуя степенным законам, и процесс предпочтительной привязанности является ведущим механизмом для объяснения этого поведения. Предпочтительное прикрепление считается возможным основанием для распределения размеров городов, богатства чрезвычайно богатых людей, количества цитирований, полученных научными публикациями, и количества ссылок на страницы во всемирной паутине.
 |
| Prisoner's dilemma | Дилемма заключенного - это классическая задача в теории игр, которую можно использовать для преподавания вычислительной истории, иллюстрируя динамику сотрудничества и конкуренции в исторических контекстах. Дилемма заключенного может быть включена в вычислительную историю несколькими способами: 1) Моделирование исторических взаимодействий: Дилемма заключенного может быть использована в качестве основы для моделирования взаимодействия между историческими акторами, такими как отдельные люди, группы или государства. Моделируя решения и выплаты этих субъектов в различных сценариях, учащиеся могут получить представление о факторах, повлиявших на сотрудничество или конкуренцию в исторических событиях. 2) Изучение возникновения норм и институтов: Дилемма заключенного может быть использована для изучения возникновения социальных норм и институтов в исторических обществах. Например, учащиеся могут создать агентные модели, которые имитируют взаимодействие людей, следующих правилам дилеммы заключенного, а затем проанализировать, как различные стратегии, такие как tit-for-tat (око за око) или "всегда сотрудничать", приводят к развитию норм сотрудничества или к его разрушению. |
| Random Basic Advanced | Модель "Random Basic Advanced" исследует влияние размера выборки на распределение выборочного среднего. При каждом запуске выбирается выборка случайных значений. Эти значения предаются агентам - "посланникам", каждый из которых несёт кирпичик к вершине соответствующего столбца в гистограмме. |
| Rumor Mill | Модель «Rumor Mill» (Распространение слуха) описывает, как информация (слух) распространяется в пространственной сети агентов, где близость играет ключевую роль. Каждый агент расположен на клетке (patch) в сетке. «Соседями» считаются либо четыре смежные по сторонам клетки, либо восемь (включая диагонали) — этот выбор задаёт переключатель EIGHT-MODE?. На каждом такте моделирования каждый агент, знающий слух, случайным образом выбирает одного из своих соседей и сообщает ему слух. |
| STD | Данная многоагентная модель иллюстрирует теорию самоопределения (Self-Determination Theory, SDT), согласно которой у людей есть три базовые психологические потребности: автономия, компетентность и принадлежность (связанность с другими). В модели каждая «черепашка‑участник» представляет члена команды проекта, а задачи и их требования отражают структуру проекта. |
| STiMUS | Distributed team collaboration in multi-layer digital platforms — MediaWiki, GitLab, Trello, Scratch — produces rich, machine-readable traces of coordinated activity. This paper presents a theoretical framework and an agent-based model (ABM) that integrates two complementary mechanisms — stigmergy (indirect coordination through persistent environmental traces) and mutualism (sustained mutual benefit between actors and digital artefacts) — to analyse and interpret these traces. The model, implemented in NetLogo 7, instantiates the IMOI (Input–Mediator–Output–Input) team process framework and operationalises Rubtsov's concept of exchange of action-modes as an emergent property. A critical extension of the framework addresses the growing presence of AI agents — bots, LLM-based assistants, and automated pipelines — as non-human participants in the same collaborative medium. |
| Save the forest from people | Лесорубы хотят вырубить весь лес, но медведи этому противятся и съедают их, когда встречают. Лесоруб может победить медведя только в одном случае: если он достаточно опытен, а медведь уже старый. Вопрос в том, что произойдет быстрее: лесорубы вырубят все деревья или медведи съедят каждого из них? |
| School Choice ABM | Модель "School Enrollment" представляет собой модель, которая иллюстрирует систему школьного образования в Чили, основанную на рыночных принципах. В этой модели студенты могут выбирать между различными типами школ: государственными, частными с ваучерами и частными платными. Модель изображает город, в котором расположены школы и студенты.
Есть версии, когда имеют дополнительные атрибуты, такие как географическое положение, сектор (государственная или частная), стоимость обучения, уровень достижений студентов, максимальная вместимость, год открытия и закрытия, а также вероятность того, что о ней узнают ученики. |
| School Education Competition | Модель описывает роль образования в повышении социального статуса и содействии социальной мобильности, подчеркивая, что семьи прилагают все усилия для получения лучших образовательных возможностей, особенно в странах с высокой конкурентностью в сфере образования (Китай).
 |
| Segregation (model) | Модель сегрегации
Принципы:
|
| Simple Economy | Simple Economy представляет собой базовую модель экономического обмена из второй главы учебника "Introduction to Agent-Based Modeling" Ури Виленского и Уильяма Рэнда. Это мысленный эксперимент простейшей экономической системы, где на каждом временном шаге каждый агент передает один доллар случайно выбранному другому агенту, если у него есть деньги для передачи. |
| Slime (агрегация слизевиков) | Эта модель показывает, как существа могут объединяться в кластеры без контроля со стороны клетки-лидера или пейсмейкера. Это открытие было впервые описано Эвелин Фокс Келлер и Ли Сигел в статье в 1970 году. До того, как Келлер начала свои исследования, общепринятым считалось, что рои слизевиков образуются по команде клеток-лидеров, которые приказывают другим клеткам начать агрегацию.
 |
| Small group discussion | Модель обсуждения в малой группе. Модель
|
| … следующие результаты | |
