Simulácia rastu vápenatky mnohohlavej na mape Prahy (NetLogo)

Název simulace: Simulácia rastu vápenatky mnohohlavej na mape Prahy (NetLogo)

Autor: Bc. Samuel Mečiar, mecs01

Typ modelu: multiagent

Modelovací nástroj: NetLogo

Definice problému

V roku 2010 vyšla práca o využití vápenatky na nájdenie efektívneho spojenia medzi Tokiom a okolitými stanicami. Zistilo sa, že vápenatka dokázala vytvoriť podobnú sieť trás ako bola vytvorená človekom v tejto oblasti. Táto biologicky vytvorená trasa by mala veľmi podobnú efektivitu a náklady ako súčasne vytvorená trasa. Toto zistenie by mohlo v budúcnosti slúžiť na efektívne nájdenie trás pre výstavbu nových metrových tratí pre rozrastajúce sa mestá.

Metoda

Simulácia je vytvorená podľa štúdie vápenatky, podľa ktorej sa agenti pohybujú skoro náhodným spôsobom na vytvorenej mape Prahy, na ktorej sú znázornené stanice metra. Simulujeme teda rast vápenatky na vytvorenom prostredí, kde stanice znázorňujú potravu, ku ktorej sa snaží dostať.

Model

Prostredie

Model simulácie obsahuje plátno, na ktorom sú znázornené približné pozície staníc metra v meste Praha. Každý patch plátna má atribút „trail“, ktorý znázorňuje silu cesty agentov.

Agenti

Každý agent je rovnaký a pohybuje sa podľa určitých pravidiel. Každým tickom simulácie agent položí na plochu „trail“ a obzerá sa na 3 body pred ním vzdialené o určitú hodnotu (vision-dist). Tieto tri body, ktoré sú od seba vzdialené o určitý uhol (sensor-angle) medzi sebou porovnáva na základe hodnoty trail na danom patchi. Ak je povedzme patch napravo najsilnejší, agent sa otočí o uhol (turn-angle) a posunie sa dopredu (step-size). Medzi ďalšie nastaviteľné parametre patrí fade-rate, ktorý znázorňuje ako rýchlo sa daný trail z patchov stráca. Ďalším nastavením je možnosť výberu pozície, odkiaľ agenti začínajú. Možnosti sú len z random pozícii na plátne alebo zo stredu plátna.

Výsledky

Pre začiatok bola simulácia vyskúšaná na dvoch bodoch. Z výsledku vyzerá, že simulácia viacmenej funguje, ale vytvárajú sa v nej vetvy, ktoré by tam nemali byť.

Odskúšané boli rôzne nastavenia parametrov pre najoptimálnejšiu cestu medzi stanicami.

• Vision-dist: 15
• Turn-angle: 35
• Sensor-angle: 35
• Fade-rate: 0.7

• Vision-dist: 15
• Turn-angle: 35
• Sensor-angle: 35
• Fade-rate: 0.8

• Vision-dist: 9
• Turn-angle: 45
• Sensor-angle: 22.5
• Fade-rate: 0.9

• Vision-dist: 9
• Turn-angle: 45
• Sensor-angle: 45
• Fade-rate: 0.9; Postupné uberanie fade-rate až do hodnoty 0.03

Prvé tri simulácie boli vyhodnotené približne po 10 000 ticks. A posledné dve približne po 50 000 ticks.

Záver

Bohužiaľ sa nepodarilo dostať k úplne optimálnym výsledkom najkratšej cesty medzi stanicami. Odskúšané boli desiatky rôznych nastavení parametrov, postupné odoberanie agentov, postupné znižovanie fade-rate, zvyšovanie znižovanie vision-dist, obmedzenie agentov v priestore, ale výsledok sa nikdy nepodobal na výsledky, ktoré dosiahli na referenčných videách uvedené v zdrojoch. Pravdepodobne to má na svedomí nejaký chýbajúci parameter, ktorý by postupne zjednodušoval daný graf do požadovanej podoby. Ďalšia možnosť je primálo krokov simulácie, ale to je menej pravdepodobné.

Zdroje

• Jones Jeff: "Characteristics of Pattern Formation and Evolution in Approximations of Physarum Transport Networks.", 2010. Dostupné na: Link
• Simulation of Physarum plasmodium Slime Mold growth and adaptation on Tokyo rail network. Dostupné na: Video
• Steiner tree approximation 6 points. Dostupné na: Video 2