Simulace.info - User contributions [en]

Simulation of traffic flow efficiency on highway D1

2025-01-17T15:05:54Z

Sedp11: /* Model */

=Introduction=
This simulation si modelling highway (HW) traffic and how much number of restrictions and density of cars on highway effect time of arrival (delay).

=Problem definition=
Highways (especially D1) are known for have delays and I wanted to find out if number of restrictions can have some impact on it.

=Method=
Simulation is created in NetLogo. This software was chosen because NetLogo is designed to work witch multi-agents simulations and it enables us to make dynamic interactions between them.

Basic mathematical equations were used, such as:

Calculation of speed - v=s/t

Setup of restictions (start point of each restiction) - max length of HW * (restriction sequence / (number of restrictons + 1))

=Model=

'''Patches'''

Highway is created by 5 lines (0-4 x coordination - xcor in shot). 1, 2 and 3 xcors are lanes. length of HW is by length (km) input, which is multiplied by 50, it means that one patch represents 20 metres in real life.
Grey patches are "normal" lanes. Yellow are resticted (slower traffic). Red are closed (in repair, cars cannot go here). Blue are "bumpers" (info about incoming repairs and cars try to change lane).

'''Agents'''

Every simulation has atleast one turtle (car), this turtle is observed and calculations are made on it.

Other turtles (cars)can be put to simulate HW flow and they are not observed for calculations.
Turtles are consited of cars and truck. Truck are slower compared to cars.
Each turtle is either agressive (faster), normal or slow. Agressive percentage can be input. Slow percentage is 35 % and rest are normal.
Base speed (jump 1 in code) is compared to 100 km/h in real life.

'''Inputs (Parametres) '''

All-cars - number of cars on HW

Truck-percentage - percentage of trucks form all cars

Agressive-percentage - percentage (approximate) of fast moving cars

D-length - length of HW (in KM)

'''Observed turtle'''

Speed - 1.3

Ticks - how long simulation goes

Distance - how far turtle went

XYcoord - 1 2

'''Turtles logic'''

Turtles are distinguished to cars and truck.
Turtles speed has random variable (0.2) so each type of turtles (e.g. normal) dont move with exact same speed.
Cars are moving only in lane 2 and 3. Trucks are moving only in lanes 1 and 2.
Each turtle is trying to move in lower lane, so the upper lane can be used for faster turtles. If they encounter slower car or bumper/closed area, they try to move to faster lane or they stop.
In restriction area all turtles slow down to constant speed (cars-0.8, trucks 0.65).

'''UI'''

HW is created based on number of length (1km = 50 pixels), same goes for restrictions.
Setup button resets all previous informations and creates cars. Forever GO button starts simulation and keeps it going till simulated car reaches end. Other GO button makes simulation for one tick.

Ticks monitor: shows time (ticks), Sim stopped monitor: shows if simulation stopped, Delay (ticks/minutes) because of only restrictions monitors: show time difference (ticks/minutes) if car went with his regullar speed (1.3) all the length, Delay (ticks/minutes) because of only traffic monitors: show time difference (ticks/minutes) if car wasnt stopped by some traffic.

[[File:UI - HW simulation.png]]

'''Limitations'''

I dont recomend to use many cars, because it will slow down simulation rapidly (800 and more).

=Results=
'''Density of cars on HW'''

HW D1 between Prague and Brno has aproximatelly 200 km. If we assume that average speed is 100 km/h, trasit time is 2 hours. Based on data from RSD (https://www.rsd.cz/silnice-a-dalnice/scitani-dopravy#zalozka-celostatni-scitani-dopravy-2020) average 50,000 vehicles pass through section per day, that means 2083 vehicles per hour. And if vehicle spends 2 hours on road, it means that 4166 cars are on HW at one time. Density of cars on 1 km is 20.

'''Simulated data'''

Because of simulation limits (extremely long simulation time), I couldnt make simulation on whole length of HW. So simulations were made with the following base dates.

All-cars: 800

Truck percentage: 28

Agressive percentage 5

Length of HW (km): 40

Each set of dates will be tested 5 times and I will show only they're average numbers.

'''1st Simulation '''

Does different number of restrictions of same total length (km) change delay time (because of traffic)?

Length of restrictions (all): 10

Average delay for each number of restrictions (minutes):

1 ... 0,8 ; 2 ... 0,61 ; 3 ... 0,68 ; 4 ... 0,78

'''2nd Simulation '''

Length of restrictions (all): 20

Average delay for each number of restrictions (minutes):

1 ... 0,7 ; 2 ... 0,74 ; 3 ... 0,66 ; 4 ... 0,7

'''3rd Simulation '''

Length of restrictions (all): 20 ; All-cars: 1200

Average delay for each number of restrictions (minutes):

1 ... 1,42 ; 2 ... 1,64 ; 3 ... 1,37 ; 4 ... 1,4

=Conclusion=

As we can see for each total length of restrictions, number of restrictions had almost zero effect on delay and traffic jams.

If we increased total count of cars, delays obviously increased as well. But It's not as dramatic as one would expect. I assume that it's because simulated cars "behave" and dont speed up crazilly and try to stay in slower lane.

=Code=
[[File:HW_simulation.nlogo]]

WS 2024/2025

2025-01-17T15:05:22Z

Sedp11:

Semestral papers from winter term 2023/2024. Please, put here links to the pages with your paper. First you need to have your [[Assignments WS 2024/2025|assignment approved]]<br>

==Simulations==

--[[User:Filip Simulátor|Filip Simulátor]] ([[User talk:Filip Simulátor|talk]]) 21:37, 3 January 2025 (CET) Lightning Network Channel Dynamics Simulation (NetLogo): [[Lightning Network Channel Dynamics Simulation (NetLogo)]]

--[[User:Matj27|Matj27]] ([[User talk:Matj27|talk]]) 16:06, 2 January 2025 (CET) Performance of Solar Power Plant Based on ERA5 Data: [[Performance of Solar Power Plant Based on ERA5 Data]]

--[[User:Cesj05|Cesj05]] ([[User talk:Cesj05|talk]]) 11:05, 1 January 2025 (CET) Garden simulation:[[Garden simulation]]

--[[User:Tara04|Tara04]] ([[User talk:Tara04|talk]]) 20:24, 9 January 2025 (CET) Hybrid Work Dynamics: [[Hybrid Work Dynamics]]

--[[User:Omaj01|Omaj01]] ([[User talk:Omaj01|talk]]) 20:55, 9 January 2025 (CET) Simulation of pension reform in the Czech Republic: Analysis of long-term sustainability: [[Pension System Czech Republic]]

-- [[User:Sim timm03|Sim timm03]] ([[User talk:Sim timm03|talk]]) 19:36, 10 January 2025 (CET) Traffic Accident Risk Analysis: [[Traffic Accident Risk Analysis]]

-- [[User:Stej34|Stej34]] ([[User talk:Stej34|talk]]) 20:46, 10 January 2025 (CET) Urban Traffic Flow Optimization: [[Urban Traffic Flow Optimization]]

--[[User:Lozd00|Lozd00]] ([[User talk:Lozd00|talk]]) 20:57, 10 January 2025 (CET) Bee Foraging Behavior: [[Bee Foraging Behavior]]

-- [[User:Holp11|Holp11]] ([[User talk:Holp11|talk]]) 22:46, 10 January 2025 (CET) Simulation of Security Efficiency in a Store: Analyzing Optimal Guard Allocation Based on Obstruction and Escape Dynamics : [[Simulation of Security Efficiency in a Store: Analyzing Optimal Guard Allocation Based on Obstruction and Escape Dynamics]]

-- [[User:Misd01|Misd01]] ([[User talk:Misd01|talk]]) 22:14, 10 January 2025 (CET) Birds Beahvior Simulation [[Birds behavior]]

-- [[User:Rysc00|Rysc00]] ([[User talk:Rysc00|talk]]) 23:04, 10 January 2025 (CET) Supermarket checkout process simulation [[Supermarket checkout process simulation]]

-- [[User:Lanm14|Lanm14]] ([[User talk:Lanm14|talk]]) 0:40, 11 January 2025 (CET) Snowing simulation [[Simulace zasněžování]]

-- [[User:Spis03|Spis03]] ([[User talk:Spis03|talk]]) 22:11, 11 January 2025 (CET) Ant Colony simulation: [[Ant Colony]]

-- [[User:Sedp11|Sedp11]] ([[User talk:Sedp11|talk]]) 16:05, 17 January 2025 (CET) Simulation of traffic flow efficiency on highway D1: [[Simulation of traffic flow efficiency on highway D1]]

File:HW simulation.nlogo

2025-01-17T15:03:32Z

Sedp11: Sedp11 uploaded a new version of File:HW simulation.nlogo

Simulation of traffic flow efficiency on highway D1

2025-01-17T14:51:11Z

Sedp11: /* Code */

=Introduction=
This simulation si modelling highway (HW) traffic and how much number of restrictions and density of cars on highway effect time of arrival (delay).

=Problem definition=
Highways (especially D1) are known for have delays and I wanted to find out if number of restrictions can have some impact on it.

=Method=
Simulation is created in NetLogo. This software was chosen because NetLogo is designed to work witch multi-agents simulations and it enables us to make dynamic interactions between them.

Basic mathematical equations were used, such as:

Calculation of speed - v=s/t

Setup of restictions (start point of each restiction) - max length of HW * (restriction sequence / (number of restrictons + 1))

=Model=

'''Patches'''

Highway is created by 5 lines (0-4 x coordination - xcor in shot). 1, 2 and 3 xcors are lanes. length of HW is by length (km) input, which is multiplied by 50, it means that one patch represents 20 metres in real life.
Grey patches are "normal" lanes. Yellow are resticted (slower traffic). Red are closed (in repair, cars cannot go here). Blue are "bumpers" (info about incoming repairs and cars try to change lane).

'''Agents'''

Every simulation has atleast one turtle (car), this turtle is observed and calculations are made on it.

Other turtles (cars)can be put to simulate HW flow and they are not observed for calculations.
Turtles are consited of cars and truck. Truck are slower compared to cars.
Each turtle is either agressive (faster), normal or slow. Agressive percentage can be input. Slow percentage is 35 % and rest are normal.
Base speed (jump 1 in code) is compared to 100 km/h in real life.

'''Inputs (Parametres) '''

All-cars - number of cars on HW

Truck-percentage - percentage of trucks form all cars

Agressive-percentage - percentage (approximate) of fast moving cars

D-length - length of HW (in KM)

'''Observed turtle'''

Speed - 1.3

Ticks - how long simulation goes

Distance - how far turtle went

XYcoord - 1 2

'''Turtles logic'''

Turtles are distinguished to cars and truck.
Turtles speed has random variable (0.2) so each type of turtles (e.g. normal) dont move with exact same speed.
Cars are moving only in lane 2 and 3. Trucks are moving only in lanes 1 and 2.
Each turtle is trying to move in lower lane, so the upper lane can be used for faster turtles. If they encounter slower car or bumper/closed area, they try to move to faster lane or they stop.
In restriction area all turtles slow down to constant speed (cars-0.8, trucks 0.65).

'''UI'''

HW is created based on number of length (1km = 50 pixels), same goes for restrictions.
Setup button resets all previous informations and creates cars. Forever GO button starts simulation and keeps it going till simulated car reaches end. Other GO button makes simulation for one tick.

Ticks monitor: shows time (ticks), Sim stopped monitor: shows if simulation stopped, Delay (ticks/minutes) because of only restrictions monitors: show time difference (ticks/minutes) if car went with his regullar speed (1.3) all the length, Delay (ticks/minutes) because of only traffic monitors: show time difference (ticks/minutes) if car wasnt stopped by some traffic.

[[File:UI - HW simulation.png]]

'''Limitations'''

I dont recomend to use many cars, because it will slow down simulation rapidly (600 and more).

=Results=
'''Density of cars on HW'''

HW D1 between Prague and Brno has aproximatelly 200 km. If we assume that average speed is 100 km/h, trasit time is 2 hours. Based on data from RSD (https://www.rsd.cz/silnice-a-dalnice/scitani-dopravy#zalozka-celostatni-scitani-dopravy-2020) average 50,000 vehicles pass through section per day, that means 2083 vehicles per hour. And if vehicle spends 2 hours on road, it means that 4166 cars are on HW at one time. Density of cars on 1 km is 20.

'''Simulated data'''

Because of simulation limits (extremely long simulation time), I couldnt make simulation on whole length of HW. So simulations were made with the following base dates.

All-cars: 800

Truck percentage: 28

Agressive percentage 5

Length of HW (km): 40

Each set of dates will be tested 5 times and I will show only they're average numbers.

'''1st Simulation '''

Does different number of restrictions of same total length (km) change delay time (because of traffic)?

Length of restrictions (all): 10

Average delay for each number of restrictions (minutes):

1 ... 0,8 ; 2 ... 0,61 ; 3 ... 0,68 ; 4 ... 0,78

'''2nd Simulation '''

Length of restrictions (all): 20

Average delay for each number of restrictions (minutes):

1 ... 0,7 ; 2 ... 0,74 ; 3 ... 0,66 ; 4 ... 0,7

'''3rd Simulation '''

Length of restrictions (all): 20 ; All-cars: 1200

Average delay for each number of restrictions (minutes):

1 ... 1,42 ; 2 ... 1,64 ; 3 ... 1,37 ; 4 ... 1,4

=Conclusion=

As we can see for each total length of restrictions, number of restrictions had almost zero effect on delay and traffic jams.

If we increased total count of cars, delays obviously increased as well. But It's not as dramatic as one would expect. I assume that it's because simulated cars "behave" and dont speed up crazilly and try to stay in slower lane.

=Code=
[[File:HW_simulation.nlogo]]

Simulation of traffic flow efficiency on highway D1

2025-01-17T14:50:50Z

Sedp11: /* Code */

=Introduction=
This simulation si modelling highway (HW) traffic and how much number of restrictions and density of cars on highway effect time of arrival (delay).

=Problem definition=
Highways (especially D1) are known for have delays and I wanted to find out if number of restrictions can have some impact on it.

=Method=
Simulation is created in NetLogo. This software was chosen because NetLogo is designed to work witch multi-agents simulations and it enables us to make dynamic interactions between them.

Basic mathematical equations were used, such as:

Calculation of speed - v=s/t

Setup of restictions (start point of each restiction) - max length of HW * (restriction sequence / (number of restrictons + 1))

=Model=

'''Patches'''

Highway is created by 5 lines (0-4 x coordination - xcor in shot). 1, 2 and 3 xcors are lanes. length of HW is by length (km) input, which is multiplied by 50, it means that one patch represents 20 metres in real life.
Grey patches are "normal" lanes. Yellow are resticted (slower traffic). Red are closed (in repair, cars cannot go here). Blue are "bumpers" (info about incoming repairs and cars try to change lane).

'''Agents'''

Every simulation has atleast one turtle (car), this turtle is observed and calculations are made on it.

Other turtles (cars)can be put to simulate HW flow and they are not observed for calculations.
Turtles are consited of cars and truck. Truck are slower compared to cars.
Each turtle is either agressive (faster), normal or slow. Agressive percentage can be input. Slow percentage is 35 % and rest are normal.
Base speed (jump 1 in code) is compared to 100 km/h in real life.

'''Inputs (Parametres) '''

All-cars - number of cars on HW

Truck-percentage - percentage of trucks form all cars

Agressive-percentage - percentage (approximate) of fast moving cars

D-length - length of HW (in KM)

'''Observed turtle'''

Speed - 1.3

Ticks - how long simulation goes

Distance - how far turtle went

XYcoord - 1 2

'''Turtles logic'''

Turtles are distinguished to cars and truck.
Turtles speed has random variable (0.2) so each type of turtles (e.g. normal) dont move with exact same speed.
Cars are moving only in lane 2 and 3. Trucks are moving only in lanes 1 and 2.
Each turtle is trying to move in lower lane, so the upper lane can be used for faster turtles. If they encounter slower car or bumper/closed area, they try to move to faster lane or they stop.
In restriction area all turtles slow down to constant speed (cars-0.8, trucks 0.65).

'''UI'''

HW is created based on number of length (1km = 50 pixels), same goes for restrictions.
Setup button resets all previous informations and creates cars. Forever GO button starts simulation and keeps it going till simulated car reaches end. Other GO button makes simulation for one tick.

Ticks monitor: shows time (ticks), Sim stopped monitor: shows if simulation stopped, Delay (ticks/minutes) because of only restrictions monitors: show time difference (ticks/minutes) if car went with his regullar speed (1.3) all the length, Delay (ticks/minutes) because of only traffic monitors: show time difference (ticks/minutes) if car wasnt stopped by some traffic.

[[File:UI - HW simulation.png]]

'''Limitations'''

I dont recomend to use many cars, because it will slow down simulation rapidly (600 and more).

=Results=
'''Density of cars on HW'''

HW D1 between Prague and Brno has aproximatelly 200 km. If we assume that average speed is 100 km/h, trasit time is 2 hours. Based on data from RSD (https://www.rsd.cz/silnice-a-dalnice/scitani-dopravy#zalozka-celostatni-scitani-dopravy-2020) average 50,000 vehicles pass through section per day, that means 2083 vehicles per hour. And if vehicle spends 2 hours on road, it means that 4166 cars are on HW at one time. Density of cars on 1 km is 20.

'''Simulated data'''

Because of simulation limits (extremely long simulation time), I couldnt make simulation on whole length of HW. So simulations were made with the following base dates.

All-cars: 800

Truck percentage: 28

Agressive percentage 5

Length of HW (km): 40

Each set of dates will be tested 5 times and I will show only they're average numbers.

'''1st Simulation '''

Does different number of restrictions of same total length (km) change delay time (because of traffic)?

Length of restrictions (all): 10

Average delay for each number of restrictions (minutes):

1 ... 0,8 ; 2 ... 0,61 ; 3 ... 0,68 ; 4 ... 0,78

'''2nd Simulation '''

Length of restrictions (all): 20

Average delay for each number of restrictions (minutes):

1 ... 0,7 ; 2 ... 0,74 ; 3 ... 0,66 ; 4 ... 0,7

'''3rd Simulation '''

Length of restrictions (all): 20 ; All-cars: 1200

Average delay for each number of restrictions (minutes):

1 ... 1,42 ; 2 ... 1,64 ; 3 ... 1,37 ; 4 ... 1,4

=Conclusion=

As we can see for each total length of restrictions, number of restrictions had almost zero effect on delay and traffic jams.

If we increased total count of cars, delays obviously increased as well. But It's not as dramatic as one would expect. I assume that it's because simulated cars "behave" and dont speed up crazilly and try to stay in slower lane.

=Code=
[[HW_simulation.nlogo]]

File:HW simulation.nlogo

2025-01-17T14:50:37Z

Sedp11:

Simulation of traffic flow efficiency on highway D1

2025-01-17T14:49:41Z

Sedp11: /* Model */

=Introduction=
This simulation si modelling highway (HW) traffic and how much number of restrictions and density of cars on highway effect time of arrival (delay).

=Problem definition=
Highways (especially D1) are known for have delays and I wanted to find out if number of restrictions can have some impact on it.

=Method=
Simulation is created in NetLogo. This software was chosen because NetLogo is designed to work witch multi-agents simulations and it enables us to make dynamic interactions between them.

Basic mathematical equations were used, such as:

Calculation of speed - v=s/t

Setup of restictions (start point of each restiction) - max length of HW * (restriction sequence / (number of restrictons + 1))

=Model=

'''Patches'''

Highway is created by 5 lines (0-4 x coordination - xcor in shot). 1, 2 and 3 xcors are lanes. length of HW is by length (km) input, which is multiplied by 50, it means that one patch represents 20 metres in real life.
Grey patches are "normal" lanes. Yellow are resticted (slower traffic). Red are closed (in repair, cars cannot go here). Blue are "bumpers" (info about incoming repairs and cars try to change lane).

'''Agents'''

Every simulation has atleast one turtle (car), this turtle is observed and calculations are made on it.

Other turtles (cars)can be put to simulate HW flow and they are not observed for calculations.
Turtles are consited of cars and truck. Truck are slower compared to cars.
Each turtle is either agressive (faster), normal or slow. Agressive percentage can be input. Slow percentage is 35 % and rest are normal.
Base speed (jump 1 in code) is compared to 100 km/h in real life.

'''Inputs (Parametres) '''

All-cars - number of cars on HW

Truck-percentage - percentage of trucks form all cars

Agressive-percentage - percentage (approximate) of fast moving cars

D-length - length of HW (in KM)

'''Observed turtle'''

Speed - 1.3

Ticks - how long simulation goes

Distance - how far turtle went

XYcoord - 1 2

'''Turtles logic'''

Turtles are distinguished to cars and truck.
Turtles speed has random variable (0.2) so each type of turtles (e.g. normal) dont move with exact same speed.
Cars are moving only in lane 2 and 3. Trucks are moving only in lanes 1 and 2.
Each turtle is trying to move in lower lane, so the upper lane can be used for faster turtles. If they encounter slower car or bumper/closed area, they try to move to faster lane or they stop.
In restriction area all turtles slow down to constant speed (cars-0.8, trucks 0.65).

'''UI'''

HW is created based on number of length (1km = 50 pixels), same goes for restrictions.
Setup button resets all previous informations and creates cars. Forever GO button starts simulation and keeps it going till simulated car reaches end. Other GO button makes simulation for one tick.

Ticks monitor: shows time (ticks), Sim stopped monitor: shows if simulation stopped, Delay (ticks/minutes) because of only restrictions monitors: show time difference (ticks/minutes) if car went with his regullar speed (1.3) all the length, Delay (ticks/minutes) because of only traffic monitors: show time difference (ticks/minutes) if car wasnt stopped by some traffic.

[[File:UI - HW simulation.png]]

'''Limitations'''

I dont recomend to use many cars, because it will slow down simulation rapidly (600 and more).

=Results=
'''Density of cars on HW'''

HW D1 between Prague and Brno has aproximatelly 200 km. If we assume that average speed is 100 km/h, trasit time is 2 hours. Based on data from RSD (https://www.rsd.cz/silnice-a-dalnice/scitani-dopravy#zalozka-celostatni-scitani-dopravy-2020) average 50,000 vehicles pass through section per day, that means 2083 vehicles per hour. And if vehicle spends 2 hours on road, it means that 4166 cars are on HW at one time. Density of cars on 1 km is 20.

'''Simulated data'''

Because of simulation limits (extremely long simulation time), I couldnt make simulation on whole length of HW. So simulations were made with the following base dates.

All-cars: 800

Truck percentage: 28

Agressive percentage 5

Length of HW (km): 40

Each set of dates will be tested 5 times and I will show only they're average numbers.

'''1st Simulation '''

Does different number of restrictions of same total length (km) change delay time (because of traffic)?

Length of restrictions (all): 10

Average delay for each number of restrictions (minutes):

1 ... 0,8 ; 2 ... 0,61 ; 3 ... 0,68 ; 4 ... 0,78

'''2nd Simulation '''

Length of restrictions (all): 20

Average delay for each number of restrictions (minutes):

1 ... 0,7 ; 2 ... 0,74 ; 3 ... 0,66 ; 4 ... 0,7

'''3rd Simulation '''

Length of restrictions (all): 20 ; All-cars: 1200

Average delay for each number of restrictions (minutes):

1 ... 1,42 ; 2 ... 1,64 ; 3 ... 1,37 ; 4 ... 1,4

=Conclusion=

As we can see for each total length of restrictions, number of restrictions had almost zero effect on delay and traffic jams.

If we increased total count of cars, delays obviously increased as well. But It's not as dramatic as one would expect. I assume that it's because simulated cars "behave" and dont speed up crazilly and try to stay in slower lane.

=Code=

File:UI - HW simulation.png

2025-01-17T14:48:42Z

Sedp11: UI of HW Simulation

== Summary ==
UI of HW Simulation

Simulation of traffic flow efficiency on highway D1

2025-01-17T14:44:30Z

Sedp11: /* Results */

=Introduction=
This simulation si modelling highway (HW) traffic and how much number of restrictions and density of cars on highway effect time of arrival (delay).

=Problem definition=
Highways (especially D1) are known for have delays and I wanted to find out if number of restrictions can have some impact on it.

=Method=
Simulation is created in NetLogo. This software was chosen because NetLogo is designed to work witch multi-agents simulations and it enables us to make dynamic interactions between them.

Basic mathematical equations were used, such as:

Calculation of speed - v=s/t

Setup of restictions (start point of each restiction) - max length of HW * (restriction sequence / (number of restrictons + 1))

=Model=

'''Patches'''

Highway is created by 5 lines (0-4 x coordination - xcor in shot). 1, 2 and 3 xcors are lanes. length of HW is by length (km) input, which is multiplied by 50, it means that one patch represents 20 metres in real life.
Grey patches are "normal" lanes. Yellow are resticted (slower traffic). Red are closed (in repair, cars cannot go here). Blue are "bumpers" (info about incoming repairs and cars try to change lane).

'''Agents'''

Every simulation has atleast one turtle (car), this turtle is observed and calculations are made on it.

Other turtles (cars)can be put to simulate HW flow and they are not observed for calculations.
Turtles are consited of cars and truck. Truck are slower compared to cars.
Each turtle is either agressive (faster), normal or slow. Agressive percentage can be input. Slow percentage is 35 % and rest are normal.
Base speed (jump 1 in code) is compared to 100 km/h in real life.

'''Inputs (Parametres) '''

All-cars - number of cars on HW

Truck-percentage - percentage of trucks form all cars

Agressive-percentage - percentage (approximate) of fast moving cars

D-length - length of HW (in KM)

'''Observed turtle'''

Speed - 1.3

Ticks - how long simulation goes

Distance - how far turtle went

XYcoord - 1 2

'''Turtles logic'''

Turtles are distinguished to cars and truck.
Turtles speed has random variable (0.2) so each type of turtles (e.g. normal) dont move with exact same speed.
Cars are moving only in lane 2 and 3. Trucks are moving only in lanes 1 and 2.
Each turtle is trying to move in lower lane, so the upper lane can be used for faster turtles. If they encounter slower car or bumper/closed area, they try to move to faster lane or they stop.
In restriction area all turtles slow down to constant speed (cars-0.8, trucks 0.65).

'''UI'''

HW is created based on number of length (1km = 50 pixels), same goes for restrictions.
Setup button resets all previous informations and creates cars. Forever GO button starts simulation and keeps it going till simulated car reaches end. Other GO button makes simulation for one tick.

Ticks monitor: shows time (ticks), Sim stopped monitor: shows if simulation stopped, Delay (ticks/minutes) because of only restrictions monitors: show time difference (ticks/minutes) if car went with his regullar speed (1.3) all the length, Delay (ticks/minutes) because of only traffic monitors: show time difference (ticks/minutes) if car wasnt stopped by some traffic.

'''Limitations'''

I dont recomend to use many cars, because it will slow down simulation rapidly (600 and more).

=Results=
'''Density of cars on HW'''

HW D1 between Prague and Brno has aproximatelly 200 km. If we assume that average speed is 100 km/h, trasit time is 2 hours. Based on data from RSD (https://www.rsd.cz/silnice-a-dalnice/scitani-dopravy#zalozka-celostatni-scitani-dopravy-2020) average 50,000 vehicles pass through section per day, that means 2083 vehicles per hour. And if vehicle spends 2 hours on road, it means that 4166 cars are on HW at one time. Density of cars on 1 km is 20.

'''Simulated data'''

Because of simulation limits (extremely long simulation time), I couldnt make simulation on whole length of HW. So simulations were made with the following base dates.

All-cars: 800

Truck percentage: 28

Agressive percentage 5

Length of HW (km): 40

Each set of dates will be tested 5 times and I will show only they're average numbers.

'''1st Simulation '''

Does different number of restrictions of same total length (km) change delay time (because of traffic)?

Length of restrictions (all): 10

Average delay for each number of restrictions (minutes):

1 ... 0,8 ; 2 ... 0,61 ; 3 ... 0,68 ; 4 ... 0,78

'''2nd Simulation '''

Length of restrictions (all): 20

Average delay for each number of restrictions (minutes):

1 ... 0,7 ; 2 ... 0,74 ; 3 ... 0,66 ; 4 ... 0,7

'''3rd Simulation '''

Length of restrictions (all): 20 ; All-cars: 1200

Average delay for each number of restrictions (minutes):

1 ... 1,42 ; 2 ... 1,64 ; 3 ... 1,37 ; 4 ... 1,4

=Conclusion=

As we can see for each total length of restrictions, number of restrictions had almost zero effect on delay and traffic jams.

If we increased total count of cars, delays obviously increased as well. But It's not as dramatic as one would expect. I assume that it's because simulated cars "behave" and dont speed up crazilly and try to stay in slower lane.

=Code=

Simulation of traffic flow efficiency on highway D1

2025-01-17T14:43:24Z

Sedp11: /* Results */

=Introduction=
This simulation si modelling highway (HW) traffic and how much number of restrictions and density of cars on highway effect time of arrival (delay).

=Problem definition=
Highways (especially D1) are known for have delays and I wanted to find out if number of restrictions can have some impact on it.

=Method=
Simulation is created in NetLogo. This software was chosen because NetLogo is designed to work witch multi-agents simulations and it enables us to make dynamic interactions between them.

Basic mathematical equations were used, such as:

Calculation of speed - v=s/t

Setup of restictions (start point of each restiction) - max length of HW * (restriction sequence / (number of restrictons + 1))

=Model=

'''Patches'''

Highway is created by 5 lines (0-4 x coordination - xcor in shot). 1, 2 and 3 xcors are lanes. length of HW is by length (km) input, which is multiplied by 50, it means that one patch represents 20 metres in real life.
Grey patches are "normal" lanes. Yellow are resticted (slower traffic). Red are closed (in repair, cars cannot go here). Blue are "bumpers" (info about incoming repairs and cars try to change lane).

'''Agents'''

Every simulation has atleast one turtle (car), this turtle is observed and calculations are made on it.

Other turtles (cars)can be put to simulate HW flow and they are not observed for calculations.
Turtles are consited of cars and truck. Truck are slower compared to cars.
Each turtle is either agressive (faster), normal or slow. Agressive percentage can be input. Slow percentage is 35 % and rest are normal.
Base speed (jump 1 in code) is compared to 100 km/h in real life.

'''Inputs (Parametres) '''

All-cars - number of cars on HW

Truck-percentage - percentage of trucks form all cars

Agressive-percentage - percentage (approximate) of fast moving cars

D-length - length of HW (in KM)

'''Observed turtle'''

Speed - 1.3

Ticks - how long simulation goes

Distance - how far turtle went

XYcoord - 1 2

'''Turtles logic'''

Turtles are distinguished to cars and truck.
Turtles speed has random variable (0.2) so each type of turtles (e.g. normal) dont move with exact same speed.
Cars are moving only in lane 2 and 3. Trucks are moving only in lanes 1 and 2.
Each turtle is trying to move in lower lane, so the upper lane can be used for faster turtles. If they encounter slower car or bumper/closed area, they try to move to faster lane or they stop.
In restriction area all turtles slow down to constant speed (cars-0.8, trucks 0.65).

'''UI'''

HW is created based on number of length (1km = 50 pixels), same goes for restrictions.
Setup button resets all previous informations and creates cars. Forever GO button starts simulation and keeps it going till simulated car reaches end. Other GO button makes simulation for one tick.

Ticks monitor: shows time (ticks), Sim stopped monitor: shows if simulation stopped, Delay (ticks/minutes) because of only restrictions monitors: show time difference (ticks/minutes) if car went with his regullar speed (1.3) all the length, Delay (ticks/minutes) because of only traffic monitors: show time difference (ticks/minutes) if car wasnt stopped by some traffic.

'''Limitations'''

I dont recomend to use many cars, because it will slow down simulation rapidly (600 and more).

=Results=
'''Density of cars on HW'''

HW D1 between Prague and Brno has aproximatelly 200 km. If we assume that average speed is 100 km/h, trasit time is 2 hours. Based on data from RSD (https://www.rsd.cz/silnice-a-dalnice/scitani-dopravy#zalozka-celostatni-scitani-dopravy-2020) average 50,000 vehicles pass through section per day, that means 2083 vehicles per hour. And if vehicle spends 2 hours on road, it means that 4166 cars are on HW at one time. Density of cars on 1 km is 20.

'''Simulated data'''

Because of simulation limits (extremely long simulation time), I couldnt make simulation on whole length of HW. So simulations were made with the following base dates.

All-cars: 800

Truck percentage: 28

Agressive percentage 5

Length of HW (km): 40

Each set of dates will be tested 5 times and I will show only they're average numbers.

'''1st Simulation '''

Does different number of restrictions of same total length (km) change delay time (because of traffic)?

Length of restrictions (all): 10

Average delay for each number of restrictions (minutes):

1 ... 0,8 ; 2 ... 0,61 ; 3 ... 0,68 ; 4 ... 0,78

Length of restrictions (all): 20

Average delay for each number of restrictions (minutes):

1 ... 0,7 ; 2 ... 0,74 ; 3 ... 0,66 ; 4 ... 0,7

Length of restrictions (all): 20 ; All-cars: 1200

Average delay for each number of restrictions (minutes):

1 ... 1,42 ; 2 ... 1,64 ; 3 ... 1,37 ; 4 ... 1,4

=Conclusion=

As we can see for each total length of restrictions, number of restrictions had almost zero effect on delay and traffic jams.

If we increased total count of cars, delays obviously increased as well. But It's not as dramatic as one would expect. I assume that it's because simulated cars "behave" and dont speed up crazilly and try to stay in slower lane.

=Code=

Simulation of traffic flow efficiency on highway D1

2025-01-17T14:42:58Z

Sedp11: /* Model */

=Introduction=
This simulation si modelling highway (HW) traffic and how much number of restrictions and density of cars on highway effect time of arrival (delay).

=Problem definition=
Highways (especially D1) are known for have delays and I wanted to find out if number of restrictions can have some impact on it.

=Method=
Simulation is created in NetLogo. This software was chosen because NetLogo is designed to work witch multi-agents simulations and it enables us to make dynamic interactions between them.

Basic mathematical equations were used, such as:

Calculation of speed - v=s/t

Setup of restictions (start point of each restiction) - max length of HW * (restriction sequence / (number of restrictons + 1))

=Model=

'''Patches'''

Highway is created by 5 lines (0-4 x coordination - xcor in shot). 1, 2 and 3 xcors are lanes. length of HW is by length (km) input, which is multiplied by 50, it means that one patch represents 20 metres in real life.
Grey patches are "normal" lanes. Yellow are resticted (slower traffic). Red are closed (in repair, cars cannot go here). Blue are "bumpers" (info about incoming repairs and cars try to change lane).

'''Agents'''

Every simulation has atleast one turtle (car), this turtle is observed and calculations are made on it.

Other turtles (cars)can be put to simulate HW flow and they are not observed for calculations.
Turtles are consited of cars and truck. Truck are slower compared to cars.
Each turtle is either agressive (faster), normal or slow. Agressive percentage can be input. Slow percentage is 35 % and rest are normal.
Base speed (jump 1 in code) is compared to 100 km/h in real life.

'''Inputs (Parametres) '''

All-cars - number of cars on HW

Truck-percentage - percentage of trucks form all cars

Agressive-percentage - percentage (approximate) of fast moving cars

D-length - length of HW (in KM)

'''Observed turtle'''

Speed - 1.3

Ticks - how long simulation goes

Distance - how far turtle went

XYcoord - 1 2

'''Turtles logic'''

Turtles are distinguished to cars and truck.
Turtles speed has random variable (0.2) so each type of turtles (e.g. normal) dont move with exact same speed.
Cars are moving only in lane 2 and 3. Trucks are moving only in lanes 1 and 2.
Each turtle is trying to move in lower lane, so the upper lane can be used for faster turtles. If they encounter slower car or bumper/closed area, they try to move to faster lane or they stop.
In restriction area all turtles slow down to constant speed (cars-0.8, trucks 0.65).

'''UI'''

HW is created based on number of length (1km = 50 pixels), same goes for restrictions.
Setup button resets all previous informations and creates cars. Forever GO button starts simulation and keeps it going till simulated car reaches end. Other GO button makes simulation for one tick.

Ticks monitor: shows time (ticks), Sim stopped monitor: shows if simulation stopped, Delay (ticks/minutes) because of only restrictions monitors: show time difference (ticks/minutes) if car went with his regullar speed (1.3) all the length, Delay (ticks/minutes) because of only traffic monitors: show time difference (ticks/minutes) if car wasnt stopped by some traffic.

'''Limitations'''

I dont recomend to use many cars, because it will slow down simulation rapidly (600 and more).

=Results=
'''Density of cars on HW'''

HW D1 between Prague and Brno has aproximatelly 200 km. If we assume that average speed is 100 km/h, trasit time is 2 hours. Based on data from RSD (https://www.rsd.cz/silnice-a-dalnice/scitani-dopravy#zalozka-celostatni-scitani-dopravy-2020) average 50,000 vehicles pass through section per day, that means 2083 vehicles per hour. And if vehicle spends 2 hours on road, it means that 4166 cars are on HW at one time. Density of cars on 1 km is 20.

'''Simulated data'''

Because of simulation limits (extremely long simulation time), I couldnt make simulation on whole length of HW. So simulations were made with the following base dates.

All-cars: 800

Truck percentage: 28

Agressive percentage 5

Length of HW (km): 40

Each set of dates will be tested 5 times and I will show only they're average numbers.

'''1st Simulation '''
Does different number of restrictions of same total length (km) change delay time (because of traffic)?

Length of restrictions (all): 10

Average delay for each number of restrictions (minutes):

1 ... 0,8 ; 2 ... 0,61 ; 3 ... 0,68 ; 4 ... 0,78

Length of restrictions (all): 20

Average delay for each number of restrictions (minutes):

1 ... 0,7 ; 2 ... 0,74 ; 3 ... 0,66 ; 4 ... 0,7

Length of restrictions (all): 20 ; All-cars: 1200

Average delay for each number of restrictions (minutes):

1 ... 1,42 ; 2 ... 1,64 ; 3 ... 1,37 ; 4 ... 1,4

=Conclusion=

As we can see for each total length of restrictions, number of restrictions had almost zero effect on delay and traffic jams.

If we increased total count of cars, delays obviously increased as well. But It's not as dramatic as one would expect. I assume that it's because simulated cars "behave" and dont speed up crazilly and try to stay in slower lane.

=Code=

Simulation of traffic flow efficiency on highway D1

2025-01-17T14:42:26Z

Sedp11: Created page with "=Introduction= This simulation si modelling highway (HW) traffic and how much number of restrictions and density of cars on highway effect time of arrival (delay). =Problem..."

=Introduction=
This simulation si modelling highway (HW) traffic and how much number of restrictions and density of cars on highway effect time of arrival (delay).

=Problem definition=
Highways (especially D1) are known for have delays and I wanted to find out if number of restrictions can have some impact on it.

=Method=
Simulation is created in NetLogo. This software was chosen because NetLogo is designed to work witch multi-agents simulations and it enables us to make dynamic interactions between them.

Basic mathematical equations were used, such as:

Calculation of speed - v=s/t

Setup of restictions (start point of each restiction) - max length of HW * (restriction sequence / (number of restrictons + 1))

=Model=

'''Patches'''

Highway is created by 5 lines (0-4 x coordination - xcor in shot). 1, 2 and 3 xcors are lanes. length of HW is by length (km) input, which is multiplied by 50, it means that one patch represents 20 metres in real life.
Grey patches are "normal" lanes. Yellow are resticted (slower traffic). Red are closed (in repair, cars cannot go here). Blue are "bumpers" (info about incoming repairs and cars try to change lane).

'''Agents'''

Every simulation has atleast one turtle (car), this turtle is observed and calculations are made on it.

Other turtles (cars)can be put to simulate HW flow and they are not observed for calculations.
Turtles are consited of cars and truck. Truck are slower compared to cars.
Each turtle is either agressive (faster), normal or slow. Agressive percentage can be input. Slow percentage is 35 % and rest are normal.
Base speed (jump 1 in code) is compared to 100 km/h in real life.

'''Inputs (Parametres) '''

All-cars - number of cars on HW

Truck-percentage - percentage of trucks form all cars

Agressive-percentage - percentage (approximate) of fast moving cars

D-length - length of HW (in KM)

'''Observed turtle'''

Speed - 1.3

Ticks - how long simulation goes

Distance - how far turtle went

XYcoord - 1 2

'''Turtles logic'''

Turtles are distinguished to cars and truck.
Turtles speed has random variable (0.2) so each type of turtles (e.g. normal) dont move with exact same speed.
Cars are moving only in lane 2 and 3. Trucks are moving only in lanes 1 and 2.
Each turtle is trying to move in lower lane, so the upper lane can be used for faster turtles. If they encounter slower car or bumper/closed area, they try to move to faster lane or they stop.
In restriction area all turtles slow down to constant speed (cars-0.8, trucks 0.65).

'''UI'''

HW is created based on number of length (1km = 50 pixels), same goes for restrictions.
Setup button resets all previous informations and creates cars. Forever GO button starts simulation and keeps it going till simulated car reaches end. Other GO button makes simulation for one tick.

Ticks monitor: shows time (ticks), Sim stopped monitor: shows if simulation stopped, Delay (ticks/minutes) because of only restrictions monitors: show time difference (ticks/minutes) if car went with his regullar speed (1.3) all the length, Delay (ticks/minutes) because of only traffic monitors: show time difference (ticks/minutes) if car wasnt stopped by some traffic.

'''Limitations'''

I dont recomend to use many cars, because it will slow down simulation rapidly (600 and more).

=Results=
'''Density of cars on HW'''

HW D1 between Prague and Brno has aproximatelly 200 km. If we assume that average speed is 100 km/h, trasit time is 2 hours. Based on data from RSD (https://www.rsd.cz/silnice-a-dalnice/scitani-dopravy#zalozka-celostatni-scitani-dopravy-2020) average 50,000 vehicles pass through section per day, that means 2083 vehicles per hour. And if vehicle spends 2 hours on road, it means that 4166 cars are on HW at one time. Density of cars on 1 km is 20.

'''Simulated data'''

Because of simulation limits (extremely long simulation time), I couldnt make simulation on whole length of HW. So simulations were made with the following base dates.

All-cars: 800

Truck percentage: 28

Agressive percentage 5

Length of HW (km): 40

Each set of dates will be tested 5 times and I will show only they're average numbers.

'''1st Simulation '''
Does different number of restrictions of same total length (km) change delay time (because of traffic)?

Length of restrictions (all): 10

Average delay for each number of restrictions (minutes):

1 ... 0,8 ; 2 ... 0,61 ; 3 ... 0,68 ; 4 ... 0,78

Length of restrictions (all): 20

Average delay for each number of restrictions (minutes):

1 ... 0,7 ; 2 ... 0,74 ; 3 ... 0,66 ; 4 ... 0,7

Length of restrictions (all): 20 ; All-cars: 1200

Average delay for each number of restrictions (minutes):

1 ... 1,42 ; 2 ... 1,64 ; 3 ... 1,37 ; 4 ... 1,4

=Conclusion=

As we can see for each total length of restrictions, number of restrictions had almost zero effect on delay and traffic jams.

If we increased total count of cars, delays obviously increased as well. But It's not as dramatic as one would expect. I assume that it's because simulated cars "behave" and dont speed up crazilly and try to stay in slower lane.

=Code=

WS 2024/2025

2025-01-14T16:20:54Z

Sedp11: /* Simulations */

Semestral papers from winter term 2023/2024. Please, put here links to the pages with your paper. First you need to have your [[Assignments WS 2024/2025|assignment approved]]<br>

==Simulations==

--[[User:Filip Simulátor|Filip Simulátor]] ([[User talk:Filip Simulátor|talk]]) 21:37, 3 January 2025 (CET) Lightning Network Channel Dynamics Simulation (NetLogo): [[Lightning Network Channel Dynamics Simulation (NetLogo)]]

--[[User:Matj27|Matj27]] ([[User talk:Matj27|talk]]) 16:06, 2 January 2025 (CET) Performance of Solar Power Plant Based on ERA5 Data: [[Performance of Solar Power Plant Based on ERA5 Data]]

--[[User:Cesj05|Cesj05]] ([[User talk:Cesj05|talk]]) 11:05, 1 January 2025 (CET) Garden simulation:[[Garden simulation]]

--[[User:Tara04|Tara04]] ([[User talk:Tara04|talk]]) 20:24, 9 January 2025 (CET) Hybrid Work Dynamics: [[Hybrid Work Dynamics]]

--[[User:Omaj01|Omaj01]] ([[User talk:Omaj01|talk]]) 20:55, 9 January 2025 (CET) Simulation of pension reform in the Czech Republic: Analysis of long-term sustainability: [[Pension System Czech Republic]]

-- [[User:Sim timm03|Sim timm03]] ([[User talk:Sim timm03|talk]]) 19:36, 10 January 2025 (CET) Traffic Accident Risk Analysis: [[Traffic Accident Risk Analysis]]

-- [[User:Stej34|Stej34]] ([[User talk:Stej34|talk]]) 20:46, 10 January 2025 (CET) Urban Traffic Flow Optimization: [[Urban Traffic Flow Optimization]]

--[[User:Lozd00|Lozd00]] ([[User talk:Lozd00|talk]]) 20:57, 10 January 2025 (CET) Bee Foraging Behavior: [[Bee Foraging Behavior]]

-- [[User:Holp11|Holp11]] ([[User talk:Holp11|talk]]) 22:46, 10 January 2025 (CET) Simulation of Security Efficiency in a Store: Analyzing Optimal Guard Allocation Based on Obstruction and Escape Dynamics : [[Simulation of Security Efficiency in a Store: Analyzing Optimal Guard Allocation Based on Obstruction and Escape Dynamics]]

-- [[User:Misd01|Misd01]] ([[User talk:Misd01|talk]]) 22:14, 10 January 2025 (CET) Birds Beahvior Simulation [[Birds behavior]]

-- [[User:Rysc00|Rysc00]] ([[User talk:Rysc00|talk]]) 23:04, 10 January 2025 (CET) Supermarket checkout process simulation [[Supermarket checkout process simulation]]

-- [[User:Lanm14|Lanm14]] ([[User talk:Lanm14|talk]]) 0:40, 11 January 2025 (CET) Snowing simulation [[Simulace zasněžování]]

-- [[User:Spis03|Spis03]] ([[User talk:Spis03|talk]]) 22:11, 11 January 2025 (CET) Ant Colony simulation: [[Ant Colony]]

-- [[User:Sedp11|Sedp11]] ([[User talk:Sedp11|talk]]) 17:19, 14 January 2025 (CET) Simulation of traffic flow efficiency on highway D1: [[Simulation of traffic flow efficiency on highway D1]]

Assignments WS 2024/2025

2024-12-10T15:41:32Z

Sedp11:

{{Ambox
| text = <div>
Please, put here your assignments. Do not forget to sign them. You can use <nowiki>~~~~</nowiki> (four tildas) for an automatic signature. Use Show preview in order to check the result before your final sumbition.
</div>
}}

{{Ambox
| text = <div>
Please, strive to formulate your assignment carefully. We expect an adequate effort to formulate the assignment as it is your semestral paper. Do not forget that your main goal is a research paper. It means your simulation model must generate the results that are specific, measurable and verifiable. Think twice how you will develop your model, which entities you will use, draw a model diagram, consider what you will measure. No sooner than when you have a good idea about the model, submit your assignment. And of course, read [[How to deal with the simulation assignment|How to deal with the simulation assignment]].
</div>
}}

{{Ambox
| text = <div>
Topics on gambling, cards, etc. are not welcome.
</div>
}}

{{Ambox
| type = content
| text = <div>
In order to avoid possible confusion, please, check if you have added '''approved''' in bold somewhere in our comment under your submission. If there is no '''approved''', it means the assignment was not approved yet.
</div>
}}

{{Ambox
| text = <div>
'''Criteria for evaluation of the simulation proposal'''

The proposal must contain:
*What you will simulate
*The goal of the simulation (what you analyze - i.e. not "to simulate balloon factory", but what problem should the simulation solve).
*Who would actually use such simulation (example of such user) and how would it help him
*What method and simulation environment you plan to use. Choose only from the development environments that we have used in the course.
*What variables will be incorporated
*What variables will be random
*What exact data you will base values of your variables on
*(In case of Monte Carlo) What exact data you will base your determination of probability distribution of your random variables on
*What exact data you will base your formulas in the simulation (simulation behavior) on

'''If any of the above points are missing from the simulation proposal, the proposal is considered incomplete. Unless the proposal contains all of the above points it will not be evaluated at all (and therefore cannot be approved).'''

# Is it clear from the proposed assignment how the simulation will work?
# Does the simulation make sense?
# Is the simulation model complex enough to simulate credibly the real-world phenomenon that the simulation tries to simulate?
# Is the data used real and relevant for the real-world phenomenon that the simulation tries to simulate?
# Is the simulation feasible? (in given time by the course)

'''If the answer to any of the above points is no, you need to improve your proposal. Don't wait for us to tell you so - you're wasting your time.'''

</div>
}}

==Ant Colony==

'''What will be simulated:'''
*Ant colony growth

'''Goal of the simulation:'''
*The simulation aims to demonstrate how the complex, organized behaviors of an ant colony emerge from simple, decentralized rules followed by individual ants.

'''Who would use the simulation and how it helps them:'''
*There is a diverse list of potential users of this simulation.
**Biologists can use the simulation to study and analyze the behavior of individual ants, their collective actions, and the emergent behavior of the ant colony.
**Biology educators can use this simulation as an engaging, interactive tool to demonstrate how the complex, organized behaviors of an ant colony emerge from simple, decentralized rules followed by individual ants.
**Exotic cuisine chefs can use this simulation to predict and optimize ant colony growth. This allows them to manage colonies sustainably and maximize the yield of their unique ingredient.

'''Method and simulation environment:'''
*Method: Multiagent simulation
*Simulation environment: NetLogo

'''Variables in the model:'''
*Deterministic Variables:
**Queen's Egg-Laying Rate
**Egg Development Time
**Worker Task Allocation
**Environmental Constants
*Random Variables:
**Egg Survival Rate
**Worker Behavior
**Worker Lifespan
**Environmental Threats

'''Data sources:'''
*Observational data
*Research articles

[[User:Spis03|Spis03]] ([[User talk:Spis03|talk]]) 14:33, 9 December 2024 (CET)

----

'''Assignment Proposal (Draft) Title:'''
*Simulation of pension reform in the Czech Republic: Analysis of long-term sustainability

'''What will be simulated:'''
*A system dynamics model of the Czech pension system that simulates the long-term financial sustainability under varying demographic, economic, and policy scenarios. The simulation will project future balances of the pension system, incorporating the flows of revenues (social insurance contributions) and expenditures (pension payouts)

'''Goal of the simulation (What problem should the simulation solve):'''
*The main goal is to analyze how different pension reform strategies (e.g., adjusting retirement age, altering contribution rates, changing the indexation formula of pensions) will affect the long-term stability of the Czech pension system. The simulation aims to identify specific policy levers and thresholds that ensure the pension system’s financial equilibrium over a multi-decade horizon, despite changing demographic and economic conditions.

'''Who would use the simulation and how it helps them:'''
*The potential users include not only the Ministry of Finance, the Ministry of Labour and Social Affairs, but also the general public and the media. Although the model does not simulate the pension system in complete detail, it provides a general overview and helps users understand the basic mechanisms and trends that will shape the future of the pension system. In this way, users can:
**Gain a preliminary orientation and inspiration: By experimenting with simple scenarios (e.g., raising the retirement age or altering contribution rates), users can gain a clearer picture of how different reform steps could influence the stability of the pension system.
**Provide context for public debate: The model can assist citizens, journalists, and non-profit organizations in better understanding the issues surrounding pension reform. This allows them to critically evaluate political proposals or expert recommendations.
**Lead to more informed decision-making: While this is not a tool for detailed macroeconomic forecasting, the simulation provides a general insight into potential long-term trends. This can contribute to a broader understanding of the necessity for reforms and their impact on future generations.

'''Method and simulation environment:'''

*Method: System Dynamics
*Simulation environment: Vensim PLE (freely available for academic use)

'''Variables in the model (deterministic and random):'''

*Core Population Variables:
**Number of children (new entrants to future workforce)
**Number of working-age population (workers contributing to the system)
**Number of pensioners (beneficiaries)

*Policy Variables:
**Statutory retirement age
**Contribution rate to social insurance (percentage of wage)
**Pension benefit formula and indexation mechanism

*Economic Variables:
**Average wage (influences contributions)
**Inflation rate (influences indexation of pensions and wage growth)

*Fiscal Variables:
**Total contributions collected (based on number of workers, contribution rate, and average wage)
**Total pension expenditure (based on number of pensioners and average pension)
**Pension system reserve fund (if applicable) and its depletion or accumulation

*Random Variables:
**The model will incorporate stochastic elements through probability distributions derived from historical data and OECD/EUROSTAT projections to reflect uncertainty in:
***Fertility rate (affects future workforce size; random from projected distribution)
***Mortality rate / Life expectancy changes (stochastic variation around central OECD forecasts)
***Inflation rate (stochastic variation around central forecast from CNB/OECD data)
***Retirement rate (number of people retire each year +-)

'''Data sources (for deterministic baseline and to derive distributions):'''
*Czech Statistical Office (ČSÚ) for historical demographic data
*OECD demographic and economic projections for Czech Republic
*Eurostat long-term demographic projections for EU countries

'''Formulas in the simulation (examples):'''
*Pension Expenditure: Total Pension Expenditure = Number of Pensioners * Average Pension
*Average Pension Calculation: Average Pension(t+1) = Average Pension(t) * (1 + InflationIndex)
*Contribution Revenue: Total Contributions = Number of Workers * Average Wage * Contribution Rate
*System Balance: Annual Balance = Total Contributions - Total Pension Expenditure
*Accumulation or depletion of the pension reserve fund is then modeled as a stock: Reserve(t+1) = Reserve(t) + Annual Balance.

'''Model complexity and data linking:'''
*'''Causal loop diagrams (CLD):''' Will illustrate feedback loops such as how employment and wage growth influence contributions, and how demographic changes influence the ratio of workers to retirees.
*'''Stock and Flow Diagrams:''' Will detail population stocks (children, workers, retirees), and financial stocks (pension fund reserves), along with flows (entrants to workforce, retirees, death rates, pension contributions, and payouts).

'''Specific, measurable, and verifiable results:'''
*Specificity: The model will project the pension system’s financial status from year X to year X+50 under various reform scenarios, providing exact quantitative outcomes (e.g., fund balance in billions CZK, pension-to-wage ratio).

*Measurable metrics:
**Dependency ratio (number of pensioners per 100 workers)
**Pension system annual balance (CZK) and cumulative reserves over time
**Average replacement rate (pension/average wage ratio)
**Sensitivity of sustainability gap to changes in retirement age or contribution rate

*Verifiability: The initial model run will be calibrated against historical data for the past decade. Adjustments to parameters and comparison with known OECD and ČSÚ forecasts will verify the model’s credibility.

[[User:Omaj01|Omaj01]] ([[User talk:Omaj01|talk]])
::'''APPROVED'''[[User:Oleg.Svatos|Oleg.Svatos]] ([[User talk:Oleg.Svatos|talk]]) 17:57, 6 December 2024 (CET)

----

''' Simulation concept – Invasive Plant Species vs. Native Plants vs. Herbivores Jan César (cesj05) '''

''' Objectives: '''

Understand the dynamics of competition between invasive plant species and native plants in a shared environment

Explore the conditions under which either the invasive species dominates, coexists, or fails to establish.

''' Environment: '''

Each patch represents a piece of land that can grow either a natrive or invasive plant (or remain empty)

Plants compete for resources on each path

''' Agents: '''

Native Plants: Slower growth but more resistant to herbivores or harsh conditions.

Invasive Plants: Faster growth and higher seed dispersal rate but less resistant to herbivores.

Herbivores: Agents that eat plants, with a preference for invasive or native species (modifiable by the user).

''' Methods '''

Initialization:

Randomly populate the grid with a mix of invasive and native plants.

Set up resource levels for each patch.

Place herbivores randomly across the grid.

''' Simulation Steps (Turtles/Agents): '''

Each plant (agent) checks:

Whether it has resources to grow or reproduce.

If conditions are favorable, it spreads seeds to nearby patches.

Herbivores move and consume plants on the patches they visit.

Competition between plants on shared patches determines which survives.

''' Interaction Dynamics: Modify the probability of herbivory or the effectiveness of seed dispersal as sliders to explore different scenarios.

The simulation will be done in NetLogo, as for the data, it will not be used from real world, but it will be set up, so the behaviour of agents will be as close as it can to real life.

Used studies for setting up the behaviour of plants and herbivores will be:
https://www.mdpi.com/1424-2818/16/6/317
https://academic.oup.com/jpe/article/17/2/rtae007/7589693

If needed, more studies will be used.

This simulation can be used by gardeners trying to maintain their garden. [[User:Cesj05|Cesj05]] ([[User talk:Cesj05|talk]]) 17:53, 6 December 2024 (CET)
----
== Simulation Concept – Traffic Accident Risk Analysis ==

=== Objectives ===
* Understand the dynamics of traffic accidents based on road conditions, traffic density, and driver behavior.
* Explore the conditions under which accidents become frequent, and how they impact overall traffic flow.
* Test mitigation strategies like improved road quality or stricter speed limits.

=== Environment ===
* '''Patches''': Represent road segments and intersections, each with a defined condition:
** '''Good''': Low accident probability.
** '''Bad''': Increased accident probability.
** '''Under Construction''': High accident probability and slower movement for cars.
* '''Road Network''': A grid-based layout with straight roads and intersections where traffic can flow.

=== Agents ===
# '''Cars (Turtles):'''
## Each car has a speed, a destination, and a probability of making a driving error.
## Movement is influenced by traffic density and road conditions.
# '''Accidents:'''
## Simulated as blocked road segments.
## Cause delays and force cars to reroute.
# '''Traffic Lights (Optional):'''
## Located at intersections to control flow.
## Can be toggled on/off to explore their impact on accidents.

=== Methods ===
==== Initialization ====
* Randomly distribute cars across the road network with initial speeds and destinations.
* Assign random conditions (good, bad, under construction) to road segments based on user input.

==== Simulation Steps (Turtles/Agents) ====
# '''Movement:'''
## Cars follow road segments, moving faster on good roads and slower on bad/under-construction ones.
# '''Accident Risk:'''
## Probability of an accident increases with:
### Poor road conditions.
### High speed.
### High traffic density.
# '''Accident Handling:'''
## If an accident occurs, the road segment is temporarily blocked.
## Cars reroute to avoid the blocked segment, increasing congestion elsewhere.
# '''Recovery:'''
## Accidents are cleared after a set duration, restoring traffic flow.

==== Interaction Dynamics ====
* '''User Controls:'''
** Traffic density, road condition distribution, speed limits, and driver error probabilities can be adjusted with sliders.
* '''Scenarios:'''
** Test high traffic density with poor roads versus low traffic density with good roads.
** Simulate stricter traffic laws by reducing driver errors and imposing speed limits.

=== Simulation Details ===
* '''Platform''': NetLogo.
* '''Data Source''': Synthetic data will be used to mimic real-world traffic dynamics based on studies and assumptions.
* '''Behavior Setup''': Modeled on findings from traffic and safety research:
** [https://www.tandfonline.com/doi/full/10.1080/13669877.2010.547259 Study 1]
** [https://www.tandfonline.com/doi/pdf/10.1080/23311916.2020.1834659 Study 2]
** [https://www.tandfonline.com/doi/pdf/10.1080/16483840.2003.10414070 Study 3]
* Additional studies will be incorporated if needed to refine parameters.
[[User:Sim timm03|Sim timm03]] ([[User talk:Sim timm03|talk]]) 16:11, 7 December 2024 (CET)

= Assignment Proposal (Draft) =

== Title ==
'''Simulation of Security Efficiency in a Store: Analyzing Optimal Guard Allocation Based on Obstruction and Escape Dynamics'''

== What will be simulated ==
*A simulation of a store environment where security guards patrol to prevent thieves from stealing goods and escaping through designated exits. The store layout includes customizable obstacles (regals), guards, and thieves. The simulation focuses on the limited visibility due to obstacles and models the dynamic interaction between guards and thieves, exploring how the required number of guards changes based on the number of thieves.*

== Goal of the simulation (What problem should the simulation solve) ==
*The simulation aims to determine the optimal number of guards needed to secure a store effectively under varying conditions of thief count. The ultimate goal is to provide recommendations for store security design based on quantitative analysis.*

== Who would use the simulation and how it helps them ==
*Store Managers and Security Companies*: Helps in designing security layouts and determining the number of security guards needed to maximize efficiency and minimize theft.
*Students*: Offers insights into visibility-limited environments and agent-based modeling techniques.

== Method and simulation environment ==
* '''Method''': Agent-based modeling
* '''Simulation environment''': NetLogo

== Variables in the model (deterministic and random) ==

=== Deterministic Variables ===
* Number of guards
* Number of thieves
* Number of regals (obstacles): Fixed positions
* Store size:
* Guard and thief placement: Guards are placed on opposite sides of the store to maximize coverage; thieves are placed randomly.

=== Random Variables ===
* Movement paths: Thieves and guards move dynamically based on patrol or escape strategies.
* Thief behavior: Randomized target selection for obstacles and exits.
* Guard patrol patterns: Random movement within patrol zones unless a thief is spotted.

== Formulas in the simulation (examples) ==
* '''Guard visibility''':
* \( \text{Visible range} = d \), where \( d \) is the number of unobstructed cells (line of sight blocked by obstacles).
* '''Thief capture condition''':
* A thief is captured if a guard moves onto the same cell.
* '''Escape success''':
* A thief escapes if it reaches an exit before being captured.
* '''Capture efficiency''':
* \( \text{Efficiency} = \frac{\text{Captured thieves}}{\text{Total thieves}} \)

== Model complexity and data linking ==
* '''Guard and thief dynamics''':
* Guards patrol predefined zones or reactively chase thieves if spotted.
* Thieves move toward regals to "steal" and then to exits to escape.
* '''Obstacle placement''':
* Regals are fixed in predefined locations that block visibility and movement.
* '''Outputs''':
* Capture success rate
* Number of escaped thieves
* Guard efficiency metrics

== Specific, measurable, and verifiable results ==
* '''Specificity''':
* The model provides quantitative insights into the number of guards needed to maintain security across various scenarios.
* '''Measurable metrics''':
* Capture rate (% of thieves caught)
* Escape rate (% of thieves successfully escaped)
* Average patrol effectiveness (distance covered by guards and time to interception).

== Key questions the simulation will answer ==
# How does the number of guards required to secure the store change with varying numbers of thieves?
# What are the most effective patrol strategies for guards in a fixed environment with limited visibility?
# How does the coordination or randomness of thieves’ behavior influence the effectiveness of the store's security?

[[User:Holp11|Holp11]] ([[User talk:Holp11|talk]]) 21:06, 7 December 2024 (CET)

<h1>Customers at traditional and self-service checkouts</h1>

<h3>Topic</h3>
<p>Simulation of the customer check-in process at the checkout, including incoming customers, their checkout selection (including self-service options), queuing, and service. The model reflects different service speeds, customer behavior (e.g., transitioning between checkouts), and satisfaction levels.</p>

<h3>Problem</h3>
<p>The supermarket lacks rules for opening and closing checkouts, resulting in either excessive staff costs or low customer satisfaction. Data-based rules for checkout operations can optimize efficiency and satisfaction.</p>

<h3>Goal</h3>
<p>Establish optimal rules for opening and closing checkouts to maintain customer satisfaction above 70%.</p>

<h3>Simulation Stakeholders</h3>
<ul>
<li><strong>HR Managers:</strong> Determine employee requirements per shift.</li>
<li><strong>Shift Leaders:</strong> Establish rules for opening new checkouts.</li>
<li><strong>Financial Manager:</strong> Optimize employee costs.</li>
</ul>

<h2>Method</h2>
<ul>
<li><strong>Platform:</strong> NetLogo</li>
<li><strong>Method:</strong> Agent-based simulation</li>
</ul>

<h2>Requirements</h2>
<h3>Reality Abstraction Plan</h3>

<h4>Customers</h4>
<ul>
<li><strong>Number of Items in Purchase:</strong> Lognormal distribution (µ=3, σ=0.3).</li>
<li><strong>Checkout Type Preference:</strong>
<ul>
<li>Items > 20: Preference = 1 (regular checkouts only).</li>
<li>Items > 10: Lognormal distribution on scale 1-100 (µ=2.8, σ=0.7).</li>
<li>Items ≤ 10: 100 - (Lognormal distribution on scale 1-100, µ=2.8, σ=0.7).</li>
</ul>
</li>
<li><strong>Willingness to Switch Checkouts:</strong> Lognormal distribution on scale 1-100 (µ=2.9, σ=0.4). Drops to half after switching.</li>
<li><strong>Satisfaction:</strong> Depends on waiting time, switching, and checkout type.
<ul>
<li>Initial value: Normal distribution (mean=95, std=5).</li>
<li><strong>Waiting Time:</strong>
<ul>
<li>≤ 3 min: No change.</li>
<li>> 3 min: Decreases logarithmically: <code>S(t) = 100 − 10 * ln(1 + (t − 3))</code>.</li>
</ul>
</li>
<li><strong>Switching Checkouts:</strong>
<ul>
<li>Willingness > 80: No change.</li>
<li>Willingness ≤ 80: Decreases by a range (e.g., 1-5 points for willingness ≤ 80 & > 60).</li>
</ul>
</li>
<li><strong>Checkout Type:</strong> Satisfaction changes based on preference and actual service type (e.g., increases by 5-10 points if preference > 60 and served at self-checkout).</li>
<li>Satisfaction cannot be negative.</li>
</ul>
</li>
<li><strong>Goal:</strong> Leave the supermarket as satisfied as possible.</li>
</ul>

<h4>Checkouts</h4>
<ul>
<li><strong>Regular Checkouts (Count: 6):</strong>
<ul>
<li><strong>Service Speed:</strong>
<ul>
<li>Payment: Normal distribution (mean=1 min, std=0.2).</li>
<li>Marking Items: 80% EAN-coded items (mean=0.02 min, std=0.01); 20% non-EAN (mean=0.03 min, std=0.01).</li>
</ul>
</li>
<li><strong>Checkout Error:</strong> 0.1% probability; solving time = Normal distribution (mean=0.5 min, std=0.1).</li>
</ul>
</li>
<li><strong>Self-Service Checkouts (Count: 12):</strong>
<ul>
<li><strong>Service Speed:</strong>
<ul>
<li>Payment: Normal distribution (mean=1.2 min, std=0.3).</li>
<li>Marking Items: 80% EAN-coded items (mean=0.03 min, std=0.01); 20% non-EAN (mean=0.04 min, std=0.01).</li>
</ul>
</li>
<li><strong>Checkout Error:</strong> 1% probability; solving time = Normal distribution (mean=0.5 min, std=0.1).</li>
</ul>
</li>
</ul>

<h3>Simulation Rules</h3>
<ul>
<li><strong>Operating Hours:</strong> 8:00-20:00 (1 average day).</li>
<li><strong>Customer Arrivals:</strong>
<ul>
<li>Peak Hours (8:00-10:00 & 16:00-18:00): Normal distribution (mean=4, std=1).</li>
<li>Non-Peak Hours (10:00-16:00 & 18:00-20:00): Normal distribution (mean=2, std=1).</li>
</ul>
</li>
<li><strong>Goal of Checkouts:</strong> Maintain customer satisfaction above 70% with minimal open regular checkouts.</li>
<li>The simulation will not address scenarios outside the checkout area.</li>
<li>One customer corresponds to one purchase.</li>
</ul>

[[User:Rysc00|Rysc00]] ([[User talk:Rysc00|talk]]) 13:23, 08 December 2024 (CET)

== What you will simulate: ==
# I will simulate the process of artificially snowing a ski slope, including the operation of snow cannons, and the influence of temperature, humidity, and wind on snow production and the maintenance of a snow cover.

== The goal of the simulation: ==
# The objective is to optimize the snowmaking process to achieve the desired snow cover height at the lowest possible energy and water costs, while accounting for changing weather conditions.

== Who would actually use such simulation and how: ==
# A typical user might be a ski resort manager or the operator of snowmaking equipment. The simulation would help them plan and optimize their snowmaking strategy in advance, reduce operational costs, and ensure quality snow conditions for skiers.

== What method and simulation environment: ==
# Multi-agent simulation in NetLogo

== What variables will be incorporated: ==
# Deterministic variables: the placement of snow cannons, the energy demands of the snow cannons, and the target snow cover height.
# State variables: the current snow depth on the slope, and the current water and energy consumption.

== What variables will be random: ==
# Weather conditions (temperature, humidity, wind, and any natural snowfall) will be generated with random fluctuations within the range of observed real-world values.

== What exact data you will base values of your variables on: ==
# The values for weather and the performance of snow cannons will be based on literature and technical specifications from manufacturers (average seasonal temperatures, typical humidity ranges, average efficiency of snow cannons).

[[User:Lanm14|Lanm14]] ([[User talk:Lanm14|talk]]) 15:00, 08 December 2024 (CET)

<h1>Lightning Network Channel Dynamics Simulation</h1>

<p>The Lightning Network represents a promising solution to Bitcoin's scalability challenges, enabling fast and low-cost transactions. In the Czech Republic, it's gaining practical adoption with merchants like Alza.cz, Rohlik.cz and payment processors like Qerko and GoPay.</p>
<p> The network consists of payment channels, direct connections between two participants. Each channel has a fixed capacity, representing the total funds locked in for transactions. This capacity is shared between the two participants, with each holding a portion of the total on his side of the channel. Payments update the balance distribution within the channel. If two participants don’t have a direct channel, the network routes payments through connected channels, relying on intermediary nodes with enough capacity to complete the transfer. </p>
<h2>What will be simulated:</h2>

<p>A NetLogo agent-based simulation of Lightning Network payment channels that models:</p>
<ul>
<li>Nodes (merchants, customers, routing nodes) as agents with defined balances and behaviors</li>
<li>Payment channels as links between nodes with specific capacities</li>
<li>Transaction routing through the network</li>
<li>Channel balance changes and payment success/failure dynamics</li>
</ul>

<h2>Goal of the simulation:</h2>

<p>To analyze how different network configurations affect payment success rates and channel efficiency, specifically:</p>
<ul>
<li>Identify optimal channel capacity distribution for maximizing successful payments</li>
<li>Determine relationship between node connectivity and network reliability</li>
<li>Find bottlenecks in payment routing that cause transaction failures</li>
</ul>

<h2>Who would use the simulation and how it helps them:</h2>

<p>Primary users:</p>
<ol>
<li>New merchants considering Lightning Network adoption:
<ul>
<li>Understand required number of payment channels</li>
<li>Plan initial channel capacity requirements</li>
<li>Estimate liquidity needs</li>
</ul>
</li>
<li>Lightning Network node operators:
<ul>
<li>Optimize channel configurations</li>
<li>Understand routing effectiveness</li>
<li>Plan capital allocation</li>
</ul>
</li>
</ol>

<h2>Method and simulation environment:</h2>

<ul>
<li>Method: Agent-based modeling</li>
<li>Environment: NetLogo</li>
</ul>

<h2>Variables incorporated:</h2>

<h3>Deterministic Variables:</h3>
<ol>
<li>Number of nodes (N):
<ul>
<li>Initial setup: 100-200 nodes</li>
<li>Based on small subset of real network for feasibility</li>
<li>Can be adjusted via interface slider</li>
</ul>
</li>
<li>Initial channel capacity (C):
<ul>
<li>Range: 0.001 - 0.1 BTC per channel</li>
<li>Based on average values from 1ML.com statistics</li>
<li>Set at channel creation time</li>
</ul>
</li>
<li>Node types:
<ul>
<li>Merchant: 20% of nodes</li>
<li>Customer: 70% of nodes</li>
<li>Routing-node: 10% of nodes</li>
<li>Proportions based on network analysis papers</li>
</ul>
</li>
<li>Base fee per transaction:
<ul>
<li>Default: 1 satoshi base + 0.001% of amount</li>
<li>Based on common Lightning node configurations</li>
</ul>
</li>
<li>Network topology structure:
<ul>
<li>Average connections per node: 3-8</li>
<li>Based on observed network patterns</li>
<li>Follows power-law distribution</li>
</ul>
</li>
</ol>

<h3>Random Variables:</h3>
<ol>
<li>Transaction amounts:
<ul>
<li>Distribution: Log-normal</li>
<li>Mean: 50,000 satoshis</li>
<li>Standard deviation: 25,000 satoshis</li>
<li>Based on public Lightning Network statistics</li>
</ul>
</li>
<li>Transaction timing:
<ul>
<li>Poisson distribution</li>
<li>Mean arrival rate (λ): 0.1 transactions per node per minute</li>
<li>Can be adjusted via interface slider</li>
</ul>
</li>
<li>Channel balance fluctuations:
<ul>
<li>Random walk within channel capacity</li>
<li>Step size: Normal distribution (μ=0, σ=0.01 × capacity)</li>
<li>Updates every simulation tick</li>
</ul>
</li>
<li>Node connection preferences:
<ul>
<li>Probability of connection decreases with distance</li>
<li>Weighted by node type and existing connections</li>
<li>Uses preferential attachment model</li>
</ul>
</li>
<li>Payment success probability:
<ul>
<li>Base probability: 0.95</li>
<li>Modified by:
<ul>
<li>Channel capacity utilization</li>
<li>Path length</li>
<li>Node type</li>
</ul>
</li>
</ul>
</li>
</ol>

<h2>Data sources for variable values:</h2>

<ol>
<li>Network structure and capacities:
<ul>
<li>Public Lightning Network explorer (1ML.com):
<ul>
<li>Current number of nodes (~17,000)</li>
<li>Average channel capacity (~0.03 BTC)</li>
<li>Node distribution and connectivity patterns</li>
</ul>
</li>
<li>Mempool.space statistics:
<ul>
<li>Total network capacity</li>
<li>Channel count</li>
<li>Node count</li>
</ul>
</li>
</ul>
</li>
<li>Transaction patterns:
<ul>
<li>Public Lightning Network statistics from Bitcoin Visuals (bitcoinvisuals.com)</li>
<li>Academic research papers on Lightning Network analysis:
<ul>
<li>"Lightning Network: a second path towards centralisation of the Bitcoin economy" (Lin et al., 2020)</li>
<li>"A Quantitative Analysis of Security, Anonymity and Scalability for the Lightning Network" (Tikhomirov et al., 2020)</li>
</ul>
</li>
</ul>
</li>
</ol>

<h2>Simulation behavior formulas based on:</h2>

<ol>
<li>Payment routing:
<ul>
<li>Lightning Network specifications (BOLTs) from lightning-rfc repository</li>
<li>LND implementation documentation</li>
<li>Published research on routing behavior</li>
</ul>
</li>
<li>Channel balancing:
<ul>
<li>Lightning Network whitepaper formulas</li>
<li>Public node operation best practices</li>
<li>Academic analysis of channel dynamics</li>
</ul>
</li>
</ol>

[[User:Filip Simulátor|mikf02]] ([[User talk:Filip Simulátor|talk]]) 19:58, 8 December 2024 (CET)

= Performance of Solar Power Plant Using Monte Carlo Simulation and ERA5 Data (matj27)=

== What will you simulate? ==
The simulation will model the potential energy output of a power plant. Simulation will be based upon meteorological data from the ERA5 reanalysis dataset with panel efficiency variability to determine an energy production estimates over a year in Louny (Roughly N 50°21′00″; E 013°47′00″; ERA5 resolution is cca. 31 km - 0.25° grid (bbox: [[13.75, 50.5],[14.00, 50.5],[14.00, 50.25],[13.75, 50.25],[13.75, 50.5]])).

== Goal of the simulation ==
The goal is to analyze the impact of daily solar radiance variability and panel efficiency fluctuations on the power plant energy output.

== Users ==
Solar power plants companies and solar power plants owners to calculate financial feasibility, ROI etc.

== Methods, environment ==
'''Methods:''' Monte Carlo simulation

'''Environment:''' Python - to process ERA5 GRIB data, Excel - to run Monte Carlo simulation

== Variables incorporated ==
Solar panels power and efficiency, solar radiance from ERA5.

Historical ERA5 data will define the mean and variance of solar radiance.

Panel efficiency variability will be sourced from manufacturer specifications.

== Data for simulation behavior formulas ==
Formula to estimate the electricity generated in output of a photovoltaic system: E = A * r * H * PR

E = Energy (kWh)

A = Total solar panel Area (m2)

r = solar panel yield or efficiency (%)

H = Annual average solar radiation on tilted panels (based on solar radiance)

PR = Performance ratio, coefficient for losses (range between 0.5 and 0.9, default value = 0.75)

Based on https://photovoltaic-software.com/principle-ressources/how-calculate-solar-energy-power-pv-systems[https://photovoltaic-software.com/principle-ressources/how-calculate-solar-energy-power-pv-systems]

[[User:matj27|matj27]] ([[User talk:matj27|talk]]) 19:07, 9th December 2024 (CET)

= Simulation of traffic flow efficiency on highway D1 (based od traffic restrictions) =

== What will be simulated ==

Simulation of arrival delay based on number of traffic restrictions on highway D1. How many restrictions are "acceptable" so that there is not too much delay compared to driving without any restrictions. The user will be able to set the number of restricted kilometers and the number of restritions.

== Goal ==

Find out how many restrictions are too much and if it's better to have more smaller ones or less bigger ones.

== Usefulness ==

The simulation can show us how much delay is caused by restrictions on the highway, and whether the highway is too restricted or whether restrictions can be increased without significantly reducing travel time. It can also show us whether it is better to have more restrictions in smaller chunks or fewer restrictions over a longer stretch.

== Simulation method ==

Simulation in application NetLogo

== Variables ==
- Number of cars

- Percentage of truks (slower cars)

- Number of restricted kilometres

- Number of restrictions

- Percentage of aggresive drivers

== Radnom variables ==

- Speed of cars

- Lane changing

- Random restriction placement

== Source for data ==

https://dopravniinfo.cz/D1
https://d1.dd.cz/?direction=12

[[User:Sedp11|Sedp11]] ([[User talk:Sedp11|talk]]) 16:40, 10 December 2024 (CET) - I had this topis last year but never made it. If its not OK I will make a new one.

Assignment SS 2023/2024/cs

2024-05-30T21:50:54Z

Sedp11: /* Simulace dopravní průjezdnosti dálnice na počet omezení (zúžení) */

{{DISPLAYTITLE:Zadání LS 2023/2024}}

{{Ambox
| text = <div>
Na tuto stránku vkládejte svá zadání. Nezapomeňte se podepsat. Můžete použít <nowiki>~~~~</nowiki> (čtyři tildy) k automatickému podpisu. Používejte Ukázat náhled, abyste si prohlédli Váš výsledek před konečným odesláním.
</div>
}}

{{Ambox
| text = <div>
Prosíme, snažte se formulovat Vaše zadání pečlive. S ohledem na to, že jde o Vaši semestrální práci, očekáváme adekvátní úsilí vynaložené na zadání. Nezapomeňte, že hlavním výsledkem má být výzkumná zpráva, což znamená, že Váš simulační model musí generovat takové výsledky, které jsou konkrétní, měřitelné a ověřitelné. Pečlivě promyslete, jakým způsobem budete vyvíjet Váš model, odvoďte entity, které budete používat, nakreslete si diagram modelu, zvažte, co budete měřit. Teprve pokud máte o modelu dostatečně přesnou představu, vložte Vaše zadání. A samozřejmě, nezapomeňte si prosím přečíst [[How to deal with the simulation assignment/cs|Jak na simulace]].
</div>
}}

{{Ambox
| text = <div>
Témata na téma hazardních her, karet, vývoje cen akcií/indexů '''nejsou''' vítány. Rovněž varianty úlohy "Predator & Prey" a příkladů ze cvičení vám '''budou rozmluveny'''.
</div>
}}

{{Ambox
| type = content
| text = <div>
Abychom se vyhnuli případnému budoucímu nedorozumnění, prosíme, ověřte si, že máte tučné '''schváleno''' někde v našem komentáři pod Vaším zadání. Pokud tam není '''schváleno''', znamená to, že Vaše zadání dosud schváleno nebylo.
</div>
}}

{{Ambox
| text = <div>
'''Criteria for evaluation of the simulation proposal'''

The proposal must contain:
*What you will simulate
*The goal of the simulation (what you analyze - i.e. not "to simulate balloon factory", but what problem should the simulation solve).
*Who would actually use such simulation (example of such user) and how would it help him
*What method and simulation environment you plan to use. Choose only from the development environments that we have used in the course.
*What variables will be incorporated
*What variables will be random
*What exact data you will base values of your variables on
*(In case of Monte Carlo) What exact data you will base your determination of probability distribution of your random variables on
*What exact data you will base your formulas in the simulation (simulation behavior) on

'''If any of the above points are missing from the simulation proposal, the proposal is considered incomplete. Unless the proposal contains all of the above points it will not be evaluated at all (and therefore cannot be approved).'''

# Is it clear from the proposed assignment how the simulation will work?
# Does the simulation make sense?
# Is the simulation model complex enough to simulate credibly the real-world phenomenon that the simulation tries to simulate?
# Is the data used real and relevant for the real-world phenomenon that the simulation tries to simulate?
# Is the simulation feasible? (in given time by the course)

'''If the answer to any of the above points is no, you need to improve your proposal. Don't wait for us to tell you so - you're wasting your time.'''

</div>
}}
==Simulácia hasenia požiarov na austrálskej pevnine==

=== Popis ===
Simulácia hasenia požiarov na austrálskej pevnine sa zameriava na modelovanie a analýzu rôznych metód a stratégií boja proti lesným požiarom v podmienkach Austrálie. Táto simulácia využíva realistické dáta o type vegetácie, teréne, meteorologických podmienkach na efektívne plánovanie a vykonanie hasenia požiarov. Model zahŕňa dynamiku a správanie požiarov, reakciu hasiacich tímov, logistiku zásobovania vodou a chemickými retardérmi(spomaľovač horenia), a ich účinok na obmedzenie šírenia požiaru.

=== Cíl ===
Hlavným cieľom simulácie hasenia požiarov je optimalizovať stratégie a zdroje používané na boj proti požiarom - zistiť aká kombinácia jednotlivých použitých techník na zvládanie požiarov je účinná.

=== Užitečnost ===
-fektívne nasadenie zdrojov
-tréning a príprava - simulované scenáre poskytujú cenné tréningové prostredie pre hasičov a záchranné tímy, umožňujúce im testovať rôzne taktiky
-účinnosť hasenia - umožňuje analyzovať a porovnať účinnosť rôznych hasiacich techník a materiálov
=== Metoda a způsob simulace ===
Agentná simulácia NetLogo
=== Proměnné ===
-dostupná zásoba vody
-aplikácia chemických retardérov - typ a množstvo
-doba reakcia hasičov
-existencia protipožiarnych bariér
-dostupnosť leteckej techniky
-prístupnosť terénu

=== Náhodné proměnné ===
-vlhkosť vzduchu
-intenzita dažďa
-rýchlosť vetra
-teplota

=== Použita data pro nastavení simulace ===
Copernicus Global Land Service[https://land.copernicus.eu/en]
Australian Bureau of Meteorology[http://www.bom.gov.au]
Geoscience Australia[https://www.ga.gov.au]
Global Fire Data[https://globalfiredata.org]
Wildfires: An Australian Perspective[https://www.researchgate.net/publication/286243345_Wildfires_An_Australian_Perspective]

[[User:Ravm01|Ravm01]] ([[User talk:Ravm01|talk]]) 19:28, 10 May 2024 (CET)

: '''Schváleno''' [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 20:15, 17 May 2024 (CET)

== Simulacia urgentneho prijmu v nemocnici ==

=== Popis ===
Simulacia urgentneho prijmu v nemocnici, kde pacienti pocas dna prichadzaju v roznych casoch s roznou zavaznostou ochorenia. Pacienta najprv prijme sestra a nasledne vysetri lekar. Po vysetreni je pacient bud prepusteny alebo hospitalizovany. Myslienkou je vytvorit zjednoduseny model nemocnice s urcitou kapacitou a pozorovat ako pocet lekarov a sestier, pocet miestnosti na vysetrenie a algoritmus pre „triedenie“ / prioritizaciu pacientov na urgentnom prijme ovplyvnuje zaplnenie dostupnych lozok.

=== Cíl ===
Zistenie optimalneho poctu lekarov, sestier a miestnosti pre modelovanu nemocnicu. Testovanie roznych strategii prioritizacie pacientov.

=== Užitečnost ===
Simulacie oddeleni v nemocnici su uzitocne pre riesenie roznych problemov, napr.:

• Alokacia zdrojov

• Optimalizacia toku pacientov

• Redukcia cakania na vysetrenie a dlzky hospitalizacie

=== Metoda a způsob simulace ===
Diskretna simulacia v NetLogo alebo AnyLogic (necham si poradit)

=== Proměnné ===
• Kapacita nemocnice

• Pocet osetrujcich lekarov

• Pocet zdravotnych sestier

• Pocet miestnosti na vysetrenie

=== Náhodné proměnné ===
• Stav pacienta

• Dlzka vysetrenia

• Vysledok vysetrenia

• Prichod pacientov

• Odchod pacientov

=== Použita data pro nastavení simulace ===
Data pre konkretne zariadenia su limitovane. Cerpat je mozne z celkovych statistik zdravotnickych zariadeni v CR/SR a z existujucich studii.

Narodne Centrum Zdravotnickych Informacii, [https://www.nczisk.sk/Statisticke_vystupy/Tematicke_statisticke_vystupy/Pages/default.aspx]

Ustav Zdravotnickych Informaci a Statistiky CR, [https://www.uzis.cz/]

Modeling and simulation of patient flow at the emergency services: Case of Al-Zahraa Hospital University Medical Center in Lebanon, [https://uphf.hal.science/hal-03199182/document]

[[User:Sekp02|Sekp02]] ([[User talk:Sekp02|talk]]) 11:40, 9 May 2024 (CET)

: Je to typická diskrétní simulace, takže kdyžtak NetLogo. Problém je ale v těch datech. Jak správně píšete, budou se shromažďovat obtížně. Pokud nemáte přístup k datům z nějakého konkrétního zdravotnického zařízení, doporučuji zvážit jiné téma. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 20:18, 17 May 2024 (CET)

== Simulace tornáda ve venkovské oblasti ==

=== Popis ===
Jedná se o simulaci tornáda ve venkovské oblasti, kde může tornádo zasáhnout domy, farmy a další infrastrukturu. Obyvatelé oblasti jsou vystaveni riziku ničivých škod a je nutné zkoumat strategie předcházení a zvládání následků této katastrofy. Obyvatelé budou mít také možnost úniku do několika bunkrů.

=== Cíl ===
Cílem modelu je porozumět dopadům tornáda na venkovskou oblast a zjistit, jaká opatření mohou minimalizovat škody a zvýšit podíl přeživších. Důraz je kladen na analýzu evakuace a výstrahy.

=== Užitečnost ===
Model tornáda je užitečný pro studium a testování různých strategií řízení rizik spojených s tornády. Poskytuje prostředek pro zkoumání účinnosti evakuace, plánování obnovy a analýzu dopadů tornáda na obyvatelstvo a infrastrukturu venkovské oblasti.

=== Metoda a způsob simulace ===
Simulace je založena na agentově založeném modelu, kde každý agent představuje jednotlivého obyvatele nebo budovu v oblasti. Tornádo je modelováno jako pohybující se entita, která může způsobit škody na okolním prostředí. Interakce mezi tornádem a agenty jsou simulovány na základě pravděpodobnostních modelů. Jako nástroj pro simulaci využiji NetLogo.

=== Proměnné ===
• Typy budov a infrastruktura v oblasti

• Hustota obyvatelstva

• Rychlost a velikost tornáda

• Doba výstrahy a reakce obyvatel

=== Náhodné proměnné ===
• Umístění vzniku tornáda

• Intenzita a směr pohybu tornáda

• Reakce obyvatel na varování a evakuaci

• Škody způsobené tornádem na konkrétních místech

=== Použita data pro nastavení simulace ===
Studie od Daan Liang, Zhen Cong a Guofeng Cao https://journals.ametsoc.org/view/journals/wcas/14/2/WCAS-D-21-0089.1.xml

[[User:Javf00|Javf00]] ([[User talk:Javf00|talk]]) 12:43, 8 May 2024 (CET)

: Bude třeba, abyste si prostudoval o dynamice tornád více zdrojů. '''Schváleno'''. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 17:34, 10 May 2024 (CET)

== Simulácia evolúcie neurónovej siete, ktorej cieľom je naučiť sa hrať klasickú hru Snake ==

=== Popis ===
Práca bude simulovať evolúciu agentov, ktorí sa budú snažiť naučiť hrať klasickú hru Snake. Každý agent bude predstavovaný neurálnou sieťou, ktorá na základe aktuálneho stavu hry rozhodne ako ďalej pokračovať. Cieľom práce bude zistiť najvhodnejšie parametre pre vývoj agentov.

=== Prostredie ===
Pre simuláciu evolúcie bude potrebné simulovať viacero generácií '''E''' a v každej generácii bude populácia agentov o veľkosti '''N'''. Každý agent bude hrať samostatnú inštanciu hry Snake. Po odohraní hier agentov v danej generácii sa vypočíta fitness (skóre) najlepšieho agenta.
Podľa fitness sa vyberú jedinci pre ďalšiu generáciu (podľa miery elitizmu '''e'''). Ďalej sa generácia doplní novo vytvorenými agentami (potomkami), ktorí vzniknú krížením dvoch náhodne vybratých agentov. Potomkovia budú ešte zmutovaný podľa miery mutácie '''m'''. Ďalej bude pokračovať ďalšia novo vytvorená generácia.

=== Agenti ===
Každý agent bude pozostávať z neurónovej siete. Agent bude "vidieť" do ômych smerov (hore, dole, vľavo, vpravo, vpravo-hore, vpravo-dole, vľavo-dole, vľavo-hore) od hlavy hada. Pre každý smer uvidí vzdialenosť k stene, vzdialenosť k jablku (ak ho v daný smer vidí) a vzdialenosť ku svojemu chvostu (ak ho v daný smer vidí). Čiže na vstupnej vrstve bude mať 24 neurónov (8 smerov x 3 indikátory) + 4 neuróny predstavujúce smer do ktorého ide hlava hada. Celkovo 28 neurónov. Počet skrytých vrstiev a neurónov v nich môže byť cieľom skúmania práce. Váhy väzieb medzi neurónami budú z počiatku náhodné z uniformného rozdelenia, následne budú menené mutáciami agentov. Na výstupe neurónovej siete bude smer akým sa má had ďalej uberať, čiže 4 neuróny pre Hore, Dole, Vľavo, Vpravo.

=== Cieľ ===
Cieľom práce bude zistiť najvhodnejšie parametre pre vývoj agentov. S evolučným algoritmom mám skúsenosti - riešil som ním 3SAT problém a preto viem že výpočty môžu zabrať značnú dobu. Preto by som určil niektoré parametre, ktoré budú pevné a niektoré, ktoré budú cieľom skúmania. Tu mám 3 možnosti, ktoré by ma zaujímali. V každom prípade bude pevný parameter '''N''' (počet jedincov v populácii) a '''E''' počet generácií. Prvá možnosť by malá pevný počet skrytých vrstiev agentov s pevným počtom neurónov v nich a menila by sa miera mutácie a miera elitizmu. Druhá možnosť je podobná prvej, no počet skrytých vrstiev a neurónov v nich by sa s mutáciami agentov mohol meniť (čo je vlastne len zťaženie možnosti 1, ale asi sa to viac podobá skutočnej evolúcii). Tretia možnosť je, že miera mutácie a elitizmus budú pevné parametre a manuálne sa bude meniť počet vrstiev a neurónov (čo teraz ako to píšem sa mi úplne nezdá - malo by to hrozne veľa možností a ani sa to tak veľmi nepodobá evolúcii). V každom prípade budem porovnávať výsledky, ktoré agenti dosiahli za '''E''' generacií (najlepšie skóre, priemerné skóre, smerodajnú odchylku).

(Môj osobný cieľ bude, aby agent dosiahol aspoň 10 bodov a pritom, aby bolo vidno, že to nebola náhoda :D )

=== Nástroje ===
Python s knižnicou numpy pre prácu s maticami váh, knižnicou matplotlib pre grafické znázornenie výsledkov populácií a knižnicou tkinter pre zobrazenie hier (zobrazenie je to najmenej podstatné a pritom to najlepšie :D).

=== Autor ===
[[User:Stem45|Stem45]] ([[User talk:Stem45|talk]]) 10:18, 1 May 2024 (CET)

: Je to poměrně ambiciózní, ale slibuje to zajímavé výsledky, tak to zkusme. '''Schváleno'''. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 17:35, 10 May 2024 (CET)

== Simulace přestupu na stanici metra Můstek ==

=== Popis ===
Simulovat chci přestup z linky A na linku B a naopak. Jelikož se jedná o jednu z nejvytíženějších stanic metra v Praze zaměřím se na dobu, ve které je stanice nejvíce zatížená. Zkoumat se budou oba směry příjezdu. Simulace nebude uvažovat cestující kteří chtějí z metra vystoupit.

=== Cíl ===
Výsledkem simulace by mělo být nalezení optimální cesty pro přechod z linky A na linku B a naopak. Optimální cesta bude zahrnovat i výstup z vagonu, tedy bude záležet ze kterého vagonu agent vystoupí.
Optimálnost cesty se bude měřit podle:

1. Uražené vzdálenosti

2. Průměrném času

=== Užitečnost ===
Tato simulace poskytne jednoduchou a přímočarou odpověď do kterého vagonu nasednout a kterou cestou se vydat chceme-li co nejrychleji přestoupit na linku B či A a stihli tak navazující spoj.

=== Metoda a způsob simulace ===
Pro simulaci tohoto druhu budu volit agentní simulaci, kde agenti budou cestující metra. Jako nastroj pro simulaci využiji NetLogo.

=== Proměnné ===
• Příjezd metra

• Počet pasažérů

• Rychlost cestujícího

• Zvolena trasa přestupu

=== Náhodné proměnné ===
Vše až na “Příjezd metra”. Zbytek bude náhodně z intervalu získaného z dat nebo náhodným výběrem z několika možností.

=== Použita data pro nastavení simulace ===
Oficiální data od DPP o metru z roku 2015: https://data.pid.cz/pruzkumy/2015_METRO_sbornik.pdf

[[User:Bled09|Bled09]] ([[User talk:Bled09|talk]]) 16:25, 1 May 2024 (CET)

: '''Schváleno''' [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 20:21, 7 May 2024 (CET)

== Simulace boardingu pasažéru do letadla ==

=== Popis ===
Tato práce bude podrobně zkoumat proces nástupu cestujících do letadla a srovnávat účinnost různých metod, které se při tomto procesu používají. Bude se zabývat simulací samotného boardingu, abychom lépe porozuměli, jak různé strategie ovlivňují průběh nástupu a celkový čas potřebný k dokončení této fáze cesty.

=== Cíl ===
Cílem simulace je identifikovat nejefektivnější způsob nástupu cestujících s ohledem na minimalizaci celkové doby nástupu a maximalizaci spokojenosti cestujících. Simulace bude modelovat různé metody boardingu, jako je zónový boarding, skupinový boarding a nástup podle sedadel, a analyzovat jejich vliv na celkový čas nástupu a další relevantní faktory.

=== Užitečnost ===
Výsledky simulace poskytnou užitečné poznatky pro optimalizaci procesu boardingu letadla a zlepšení cestovního zážitku cestujících.

=== Metoda a způsob simulace ===
Pro simulaci tohoto druhu budu volit agentní simulaci, kde agenti budou cestující metra. Jako nastroj pro simulaci využiji NetLogo.

=== Proměnné ===
• Metoda boardingu

• Rozložení letadla a jeho velikost

• Časový rozvrh

• Strategie priority boardingu

=== Náhodné proměnné ===
• Chování cestujících - rychlost

• Náhodné rozložení cestujících v jednotlivých zónách

• Náhodné změny v chování cestujících

• Náhodné události

=== Použita data pro nastavení simulace ===
Vzniklá studie od Jason H. Steffen: https://www.sciencedirect.com/science/article/abs/pii/S0969699708000239

[[User:Arťom Ňorba|Arťom Ňorba]] ([[User talk:Arťom Ňorba|talk]]) 09:16, 2 May 2024 (CET)

: '''Schváleno''' [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 20:23, 7 May 2024 (CET)

== Simulace vývoje alkoholismu: Závislost, léčba a dopady na zdraví ==

=== Popis ===
Konzumace alkoholu je dlouhodobě v České republice na vysoké úrovni. Roční spotřeba alkoholu na osobu dlouhodobě dosahuje hodnoty kolem 10 litrů čistého alkoholu. Denně si alkohol dopřeje téměř 10 % dospělé populace.
Tato simulace se zaměřuje na modelování systému alkoholismu, který zahrnuje interakce mezi alkoholikem, léčbou, vyléčeným alkoholikem a genetikou. Dále zahrnuje náhodné proměnné, jako je inflace, cena alkoholu, prostředí, stres, nemoc a smrt. Simulace bude ukazovat, jak tyto faktory ovlivňují vývoj alkoholismu a účinnost léčby.

=== Cíl ===
Cílem této simulace je vytvořit model systémové dynamiky, který bude zkoumat vývoj alkoholismu u jednotlivce a jeho dopady na zdraví.

=== Užitečnost ===
Model by umožnil lépe porozumět faktorům, které přispívají k vzniku a prohlubování alkoholismu. Na základě výsledků simulace by pak mohly být navrženy a implementovány účinné politiky a programy pro prevenci a léčbu alkoholismu, které by mohly vést ke zlepšení zdraví populace a snížení nákladů spojených s alkoholismem.

=== Metoda a způsob simulace ===
Metoda a způsob simulace budou realizovány prostřednictvím nástroje Vensim, který je vhodný ke sledování změn hodnot proměnných v čase.

=== Proměnné ===
• Alkoholik
• Alkohol
• Léčba
• Vyléčený alkoholik
• Genetika

=== Náhodné proměnné ===
• Prostředí
• Cena alkoholu
• Inflace
• Stres
• Nemoc
• Smrt

=== Použitá data pro nastavení simulace ===
https://www.drogy-info.cz/zprava-o-zavislostech/souhrnna-zprava-o-zavislostech-v-cr-2022/
https://www.czso.cz/csu/czso/graf-spotreba-alkoholickych-napoju-na-1-obyvatele-v-ceske-republice

[[User:Lacb03|Lacb03]] ([[User talk:Lacb03|talk]]) 09:00, 8 May 2024 (CET)
:: '''Schváleno'''. Pozor na to, že při hodnocení bude kladen velký důraz, mimo jiné, i na komplexnost analýzy a jak byly proměnné simulace a jejich vztahy odvozeny (je třeba, aby to bylo součástí zprávy k simulaci).[[User:Oleg.Svatos|Oleg.Svatos]] ([[User talk:Oleg.Svatos|talk]]) 13:42, 9 May 2024 (CET)

== Simulace přírodního výběru - pěnkavy ==

=== Popis ===
Jako téma simulace jsem zvolil přírodní výběr pojmenovaný Charlesem Darwinem. Simulace bude představovat vývoj pěnkav v závislosti na prostředí, ačkoli reálný svět bude v rámci simulace zjednodušen.

===Cíl===
Cílem simulace je ukázat a vizualizovat, jak se budou pěnkavy vyvíjet v rámci přežití v prostředí, kde se vyskytují i ostatní jedinci. Výsledkem jsou takový jedinci, kteří mají nejvyšší šanci v daném prostředí přežít. Dále budeme sledovat, jakou silou se projevují jednotlivé vlastnosti. To bude rozdílné dle nastavení prostředí.

===Užití===
Simulaci lze použít jako důkaz přírodní selekce a její vizuální interpretaci v zjednodušeném světe. Lze jej využít jako doprovodný materiál při výuce.

===Metoda a způsob simulace===
Jako nástroj pro tvorbu modelu využiji NetLogo, protože tvořím multiagentní systém.

===Prostředí===
Prostředí je dáno čtvercovou plochou. V ploše se každé kolo generuje jídlo v podobě semínek. Jedno jídlo v ploše můžeme chápat jako hrst semínek. Semínka mají různý typ (tvrdost).

===Agenti===
Agenty této simulace jsou pěnkavy, které obstarávají jídlo. Mají hnízda po obvodu herního plánu. Pěnkavy se každé kolo snaží obstarat potravu, pokud získají jeden kus, přežijí. Pokud získají kusy 2, přežijí a rozmnoží se. Při cestě do prostoru chodí nahodile (lze aplikovat různé strategie cesty, ale není to hlavní východisko, které chci zkoumat).

Když pěnkava narazí na jídlo, tak jí nějaký čas trvá semínka posbírat či vyhrabat. To závisí na vývoji jejich pařátků. (vlastnost – pařáty)

Může se stát, že k jednomu jídlo dorazí více pěnkav. V tomto případě jídlo obdrží ta pěnkava, která je větší, protože zastraší menší pěnkavu. V simulaci k tomu využijeme specifikovaný poměr jako nastavitelnou proměnnou. (vlastnost – velikost)

Další faktor je typ semen neboli jejich tvrdost. Aby ptáci mohli jíst tvrdší semena, tak musí mít lépe uzpůsobený zobák. (vlastnost – zobák)
Poslední zkoumanou vlastností bude vývoj křídel, které prezentují rychlost pohybu v prostředí. Rychlost pohybu v prostředí nám nepomůže se získáním semen ze země či jiného zdroje, ale dostanou se k nim rychleji. (vlastnost – křídla)

Rozmnožení je zde zjednodušeno. Dojde k němu, když jedinec získá dvě jídla a bude provedeno jako vytvoření nového jedince s lehce upravenými vlastnostmi rodiče.
Vlastnosti jsem zde napsal neurčitě, ale v simulaci budou reprezentovány spojitým atributem viz. Křídla -> rychlost (double), zobák -> koeficient k snědku (double)

===Proměnné===
• Počet aktérů

• Počet generovaného jídla

• Poměr zastraření

===Náhodné proměnné===
• Původní umístění jedinců

• Umístění jídla

• Změna vlastností

===Data pro nastavení simulace===
Vzorem této práce je již zaznamená studie, která se soustředila na vlastnost zobáku a přijímání potravy. https://bio.libretexts.org/Bookshelves/Introductory_and_General_Biology/Book%3A_General_Biology_(Boundless)/18%3A_Evolution_and_the_Origin_of_Species/18.01%3A_Understanding_Evolution/18.1C%3A_The_Galapagos_Finches_and_Natural_Selection

Další zdroje:

https://evolution.berkeley.edu/teach-evolution/misconceptions-about-evolution/

https://www.khanacademy.org/science/biology/her/evolution-and-natural-selection/v/introduction-to-evolution-and-natural-selection

https://www.thoughtco.com/charles-darwins-finches-1224472

https://www.open.edu/openlearn/science-maths-technology/migration/content-section-3.4

[[User:Rubo01|Rubo01]] ([[User talk:Rubo01|talk]]) 12:06, 6 May 2024 (CET)

: Velmi obecné, konkretizujte. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 20:25, 7 May 2024 (CET)

: Pokusil jsem se zadání více konkretizovat. [[User:Rubo01|Rubo01]] ([[User talk:Rubo01|talk]]) 06:18, 9 May 2024 (CET)

:: Takhle zadáno se pohybujeme na velmi abstraktní úrovni. Měl byste problém dokázat, že Vám to dává smysluplné výsledky. Doporučuji vybrat si nějaký konkrétní např. živočišný druh, sehnat si o něm informace a udělat něco takového pro tento konkrétní druh.

Na zájladě vaší poznámky, jsem zvolil konkretní živočišný druh, konkrétně ptáky - pěnkavy [[User:Rubo01|Rubo01]] ([[User talk:Rubo01|talk]]) 18:47, 12 May 2024 (CET)

: OK, dejte pozor, aby simulace nebyla o pěnkavách jen formálně, ale mějte dobře odzdrojované nastavení parametrů modelu. '''Schváleno'''. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 20:22, 17 May 2024 (CET)

== Simulácia podkladní v supermarkete ==

=== Popis ===
Simulácia sa zameriava na skúmanie vplyvu počtu pokladní na zisk supermarketu. Cieľom je zistiť, ako množstvo pokladní má najväčší pozitívny vplyv na zisk, pričom sa berú do úvahy aj dlhé fronty, ktoré môžu odradiť zákazníkov a viesť k ich odchodu.

===Agenti===
Agenti sú jednnotlivý zákazníci.

===Cíl===
Cieľom simulácie je nájsť optimálny počet pokladní a ich rýchlosť obsluhy, ktoré zabezpečia maximálny zisk pre supermarket.
Optimálny počet pokladní a rýchlosť obsluhy budú merať podľa:

• Celkový zisk supermarketu
• Dĺžka fronty na pokladniach
• Čas, ktorý trvá zákazníkom od začiatku fronty k momentu zaplatenia

===Užitočnosť===
Táto simulácia poskytne užitočné informácie o tom, ako zlepšiť prevádzku pokladní a maximalizovať zisk. Pomôže efektívnejšie riadiť personál a prispôsobiť sa meniacim sa potrebám zákazníkov.

===Metóda a spôsob simulácie===
Ako nástroj na tvorbu modelu použijem NetLogo

===Premenné===
• Počet pokladní
• Rýchlosť obsluhy pokladní
• Počet zákazníkov

===Náhodné premenné===
Všetky premenné budú náhodné premenné.

===Dáta===
Historické údaje o príchode zákazníkov do supermarketu, vrátane "peak hours" a priemerných tokov zákazníkov. Priemerné časy obsluhy pri pokladniach založené na pozorovateľných údajoch.

[[User:Lavd01|Lavd01]] ([[User talk:Lavd01|talk]]) 16:10, 6 May 2024 (CET)

: Dokud jsme měli ještě v programu zařazené diskrétní simulace, toto byla naprosto typická úloha právě na ně (dokonce byla ve slidech) a odkázal bych Vás na Simprocess. V tomto případě Simprocess už k dispozici není, lze to řešit jinými nástroji, např. AnyLogicem, které jsme ale nedělali. Řešení v NetLogu je možné, bude ale poměrně pracné. Nicméně, pokud na tom trváte, tak '''schváleno''' a budu zvědav, jak se to bude lišit od řešení v Simprocessu. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 20:30, 7 May 2024 (CET)

== Dopad války na sklizeň obilnin a luskovin na Ukrajině ==

=== Popis ===
Simulace bude modelovat dopad války na sklizeň obilnin a luskovin na Ukrajině s ohledem na regionální variabilitu a celkový počet pracovníků v zemědělském sektoru. Analýza se zaměří na změny v oseté ploše, sklizené ploše, objemu produkce, typu zemědělských podniků (podniky, domácnosti a soukromé farmy), počtu podniků a počtu pracovníků před válkou a po jejím začátku, využívající data z Ukrajinštat a Ministerstva agrární politiky a potravinářství Ukrajiny.

=== Cíl ===
Cílem simulace je:

* Analyzovat změny v oseté ploše, sklizené ploše, objemu produkce obilnin a luskovin, typu zemědělských podniků (podniky, domácnosti, soukromé farmy), počtu podniků a počtu pracovníků před válkou a po jejím začátku.
* Prognózovat budoucí oseté a sklizené plochy, objem produkce, počet podniků a pracovníků na základě různých scénářů trvání konfliktu.

=== Užitečnost ===
Tvůrci politik, zemědělské organizace a zemědělci mohou tuto simulaci využít k plánování zemědělské produkce a k vývoji strategií ke zmírnění dopadů války na zemědělský sektor.

=== Metoda a způsob simulace ===
Simulace bude vytvořena pomocí Vensim, nástroje pro modelování dynamiky systémů.

=== Proměnné ===
* Osetá plocha: Celková osetá plocha obilnin a luskovin v jednotlivých regionech.
* Sklizená plocha: Celková sklizená plocha obilnin a luskovin v jednotlivých regionech.
* Objem produkce: Celkový objem produkce obilnin a luskovin v jednotlivých regionech.
* Typ zemědělských podniků: Typy zemědělských podniků (podniky, domácnosti, soukromé farmy).
* Počet podniků: Počet podniků, domácností a soukromých farem v zemědělství v jednotlivých regionech.
* Počet pracovníků: Celkový počet pracovníků v zemědělství na Ukrajině.
* Množství obilí určeného k setí: Celkové množství obilí použitého k setí.
* Odbyt obilí: Celkový odbyt obilí.
* Trvání války: Délka konfliktu, považovaná za fixní scénář.
* Narušení zemědělské produkce: Faktor reprezentující narušení zemědělské produkce kvůli válce.

=== Vztahy ===

* Osetá plocha, sklizená plocha a objem produkce: Tato data umožní identifikovat historické trendy a vztahy mezi osetou plochou, sklizenou plochou a objemem produkce.
* Počet podniků, domácností a soukromých farem: Tyto údaje pomohou definovat, jak různé typy zemědělských podniků přispívají k celkové produkci.
* Počet pracovníků v zemědělství: Tato data nám umožní odhadnout vliv dostupné pracovní síly na zemědělskou produkci.
* Množství obilí určeného k setí: Vypočítám z oseté plochy a průměrné spotřeby osiva na hektar, což umožní modelovat potřebu osiva pro budoucí sezóny.
* Narušení zemědělské produkce bude odvozeno z poklesu hodnot (Osetá plocha, Sklizená plocha, Objem produkce, Odbyt obilí, Počet podniků, Počet pracovníků) v důsledku války, přičemž faktor narušení bude odhadnut na základě dostupných zpráv a analýz.

=== Náhodné proměnné ===
V této simulaci nebudou použity náhodné proměnné. Scénáře trvání války budou fixní (např. 1 rok, 3 roky, 5 let).

=== Dáta ===
Historická data z Ukrajinštat - https://www.ukrstat.gov.ua/
Data o exportu z Ministerstva agrární politiky a potravinářství Ukrajiny - https://bogdantymkiv.com/country/UA/

: Není mi úplně jasné, jak by měla taková simulace vypadat. Můžete konkretizovat? Ideálně i s obrázky, [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 20:30, 7 May 2024 (CET)
: 1. Vizuální Představení: V NetLogo bude scéna připomínat třídu s 30 studenty (agenti), kde každý student bude reprezentován jako agent s unikátním ID.
: 2. Nastavení Atributů: V levém panelu bude možné pomocí sliderů a vstupních polí měnit atributy každého studenta.
: 3. Interaktivní Úpravy: Uživatelé budou moci dynamicky upravovat tyto atributy a okamžitě vidět, jak se změny promítnou do inicializace agentů v modelu.
: 4. Modelování Úspěšnosti: Po nastavení atributů a spuštění modelu se pro každého studenta vypočítá hodnota úspěšnosti. Tento výpočet bude založen na předem definovaném modelu, který zahrne : kombinaci významných atributů a jejich vliv na akademický výkon
: 5. Bez Dynamických Interakcí: Vzhledem k absenci časových a interakčních dat bude simulace provádět jednorázový výpočet úspěšnosti bez sledování dynamických změn v čase.
: 6. Zobrazení Úspěšnosti: Po dokončení modelování bude každý student v třídě (scéně) mít přiřazenou hodnotu úspěšnosti, která bude zobrazena vedle jeho ikony nebo v datové tabulce pod : : scénou.
: 7. Statistické Grafy: Pod vizualizací třídy budou prezentovány různé statistické grafy, včetně:
: * Distribuce Úspěšnosti: Histogram nebo boxplot ukazující rozložení úspěšnosti mezi studenty.
: * Distribuce Motivace: Podobné grafy pro motivaci a další číselné atributy.
: * Korelační Grafy: Scatter ploty nebo jiné grafy zobrazující korelace mezi úspěšností a jednotlivými atributy, aby bylo možné identifikovat faktory s největším vlivem.
: 8. Plánované Rozšíření Modelu: Po prvotní analýze a identifikaci významných korelací plánuju rozšířit model o další zajímavé atributy, které mohou mít vliv na úspěšnost studentů: Počet : hodin strávených studiem, Počet absencí, Konzumace alkoholu,a další relevantní faktory zahrnuté v datasetu

:: U simulací pracujících s měkkými parametry bývá problém v tom, že jsou zpravidla nereplikovatelné a tudíž netestovatelné. Tady Vám to může vyjít prakticky jakkoliv a nikdo nebude schopen říci, jestli je to dobře nebo špatně. Doporučuji reformulaci a zapojení nějakých tvrdších faktorů. Popř. vysvětlit, jakým způsobem budete smysluplnost modelu testovat. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 17:41, 10 May 2024 (CET)

:: Dataset ma nekolik tvrdych parametru jako počet studovaných hodin, počet předchozích neúspěchů ve třídě a průběžné známky, což umožňuje přesnější a konzistentnější analýzu vlivu těchto faktorů na akademický výkon, tak ze bych je pouzila. Updatovala jsem parametry ve zadani

::: Úplně nerozumím, proč tam máte model třídy plné studentů, ale budete u nich generovat nějaká čísla. Veskrze stále platí mé předchozí výtky: je to plné měkkých parametrů a velmi obtížně se Vám bude prokazovat kontakt s realitou. Silně doporučuji zvolit jiné téma. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 21:11, 17 May 2024 (CET)

:: '''Schváleno''' [[User:Oleg.Svatos|Oleg.Svatos]] ([[User talk:Oleg.Svatos|talk]]) 17:44, 20 May 2024 (CET)

== Odlesňovanie Amazónie==

=== Popis ===
Simulácia odlesňovania v Amazónii v NetLogo zahŕňa modelovanie ťažby lesa a premeny lesnej pôdy, ale aj vplyv týchto činností na zvieraciu populáciu v oblasti. Simulácia bude zahŕňať parametre ako miera ťažby dreva, miera premeny lesnej pôdy na poľnohospodársku pôdu, miera regenerácie lesa a interakcie medzi lesom a zvieratami. A taktiež ako tieto vplyvy pôsobia na teplotu v oblasti.

===Agenti===
1. Lesníci: Agenti zodpovední za rozhodovanie o odlesňovaní

2. Pôda: farba reprezentujúca jeho stav (zelená = les, hnedá = vykácená pôda, žltá = zemedelská pôda)

3. Zvieratá: Pohybujú sa po lese, hľadajú potravu a útočisko. Zvieratá môžu prežiť iba na lesných patches.

3. Senzor: Agenti sledujúci teplotu v rôznych častiach oblasti.

=== Cíl ===
1. Sledovať, ako sa mení pokrytie lesa v priebehu času pri rôznych mierach ťažby, premeny pôdy a regenerácie.

2. Sledovať populáciu zvierat a zistiť, ako tieto zmeny v lesnom pokrytí ovplyvňujú ich prežitie a pohyb.

3. Cieľom simulácie je analyzovať, ako rôzne úrovne odlesňovania ovplyvňujú teplotu.

=== Užitečnost ===
Táto simulácia môže slúžiť ako nástroj pre environmentálnych výskumníkov a politikov na pochopenie dôsledkov odlesňovania a na lepšie plánovanie ochrany prírody. Môže tiež slúžiť ako vzdelávací nástroj pre študentov a verejnosť, aby porozumeli dôležitosti lesov pre ekosystém.

=== Metoda a způsob simulace ===
Simulácia bude používať agent-based modelovanie NetLogo, kde jednotlivé entity (agenti) budú reagovať na zmeny vo svojom prostredí a vykonávať určité akcie na základe stanovených pravidiel.

1. Inicializácia: Na začiatku simulácie sa definuje topografia, rozmiestnenie stromov a miesto lesníkov.

2. Krok simulácie: Niektoré lesné patches sú vyrúbané (deforestácia).Niektoré lesné patches sú premenené na poľnohospodársku pôdu. Niektoré ne-lesné patches regenerujú späť na les. Zvieratá sa pohybujú po lese, hľadajú potravu a útočisko a ich počet sa mení podľa dostupnosti lesa.

3. Vyhodnotenie: Po určenom počte krokov sa vyhodnotia zmeny v teplote ako aj celkové zhodnotenie miery odlesňovania a mieru straty populácie zvierat.

=== Proměnné ===
• Lesná plocha: Miera lesného porastu v oblasti simulácie, môže byť vyjadrená ako počet stromov alebo pomer lesného pokrytia vzhľadom na celkovú plochu.

• Miera regenerácie lesa

• Miera zemedelskej plochy

• Miera straty populácie zvierat

• Teplota v oblasti

=== Náhodné proměnné ===
• Počet lesníkov

• Počet senzorov

• Náhodný pohyb zvierat

=== Dáta ===
• Global Forest Watch (https://www.globalforestwatch.org/): Poskytuje dáta o odlesňovaní a lesných pokryvkách z celého sveta, vrátane histórie odlesňovania a zmeny lesných ploch.

• NASA Earth Observing System Data and Information System (EOSDIS) (https://earthdata.nasa.gov/): NASA ponúka širokú škálu dát o poveternostných podmienkach, teplotách, vlhkosti a ďalších environmentálnych faktoroch pomocou svojich satelitných misií.

• WorldClim (https://www.worldclim.org/): Poskytuje voľne dostupné globálne klimatické dáta, vrátane teploty, zrážok a iných klimatických premenných, ktoré môžu byť použité na simuláciu klimatických podmienok v rôznych oblastiach.

• Food and Agriculture Organization of the United Nations (FAO) (http://www.fao.org/faostat/en/#data): FAO poskytuje štatistické dáta o lesníctve a odlesňovaní, vrátane údajov o množstve odlesnených ploch v rôznych krajinách a regiónoch.

[[User:Drgv00|Drgv00]] ([[User talk:Drgv00|talk]]) 15:44, 7 May 2024 (CET)

: Mě tam vychází, že je tam vlastně jen jeden skutečný parametr, to je intenzita těžby a tn má (možná) vliv na oteplování. Za mě spíš na systémovou dynamiku, ale i tam mi to připadá velmi jednoduché. Zkuste to vymyslet nějak jinak. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 17:46, 10 May 2024 (CET)

: Dobrý deň, ďakujem za zhodnotenie. Simuláciu som rozšírila o ďalšie parametre a to mieru regenerácie pôdy a mieru zemedelskej pody ako aj populáciu zvierat, ktorá je ovplyvňovaná celkovým odlesňovaním. Bola by prosím v takomto stave simulaciu možné spracovaváť? Vopred ďakujem za opätovné zhodnotenie. [[User:Drgv00|Drgv00]] ([[User talk:Drgv00|talk]]) 9:22, 19 May 2024 (CET)

:: Vidím tam problémy hlavně v dostupnosti některých parametrů, které budete muset hodně odhadovat. Dejte si pozor na to, jak ty odhady obhájíte. Jinak asi i vzhledem na běžící čas '''schváleno'''. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 13:49, 30 May 2024 (CET)

== Simulace plastového znečištění oceánů ==

=== Popis ===
Simulace se zaměřuje na aktuální problém znečištění oceánů plastem. Oceány se neustále znečišťují, ale je i vynaložené úsilí toto znečištění mitigovat. Tato simulace reflektuje oba aspekty problematiky. Simulace ukáže interakci úklidových lodí a hromadícího se plastu v oblasti Great Pacific Garbage Patch.

=== Cíl ===
Cílem simulace je zkoumat mitigační schopnosti úklidových lodí v oblasti Great Pacific Garbage Patch a navrhnout hrubý plán projektu, který by symbolizoval optimální počet nasazených úklidových lodí pro efektivní odbyt plastu a hlavní faktory příspívající do navyšujícího se znečištění.

=== Užitečnost ===
Výsledky této simulace mohou bý užitečné jak pro laiky, kterým přehledně vizualizuje akutní problematiku z hlediska znečištění oceánů, tak pro experty, kteří na základě výsledků mohou sledovat trendy znečištění na základě zkoumaných faktorů - zda je možné nalézt řešení, které vyústí v rychlejší odbyt plastu v oceánech, než jeho přísun. Též je vhodné identifikovat faktory, které nejvíce přispívají znečištění.

=== Metoda a způsob simulace ===
Nejsem si jistý, zda vytvářím moc komplikovaný návrh, tak rozděluji agenty na kategorie co si myslím, že by bylo zásadní, a co naopak dodatečné.

Základ:

Simulace bude modelována jakožto agentní simulace pomocí nástroje NetLogo. Mezi agenty lze řadit úklidové lodě a samotné plastové částice.

Rozšíření:

Autora napadlo přidat i lodě, které naopak znečištění způsobují (cca 70% odpadu v mořích způsobují právě lodě). Též je jedním z nápadů přidat jako agenta mořského živočicha, který by přílišnou vysokou koncentrací znečištění "trpěl", a dostatečnou mitigací znečištění naopak mohl existovat relativně bez problému.

=== Proměnné ===
Nejsem si jistý, zda vytvářím moc komplikovaný návrh, tak rozděluji proměnné na kategorie co si myslím, že by bylo zásadní, a co naopak dodatečné.

Základ:

• Množství vypouštěného plastu

• Koncentrace plastu na km^2

• Kapacita úklidové lodě

• Rychlost úklidové lodě

• Rychlost oceánských proudů (přísun plastu)

Rozšíření:

• Velikost plastu (mikroplast, mesoplast, makroplast, megaplast)

• Kategorie plastu (Typ H, N, P, F)

• Persistence plastu (schopnost přetrvávat na jednom místě)

• Geografická lokalizace vypouštění plastu

• Vertikální pozice plastu (pokud se plast objeví, jestli je moc hluboko na zachycení lodí)

=== Náhodné proměnné ===
• Události (katastrofy, dobrovolnické akce pro sběr plastu)

• Počasí (povětrnostní podmínky)

• Lidská činnost (změna legislativy, spotřeba plastových výrobků)

=== Použitá data pro nastavení simulace ===
• Především: https://theoceancleanup.com/great-pacific-garbage-patch/

• https://powerknot.com/2023/02/20/how-ships-are-fueling-the-global-plastic-pollution-crisis/

• https://www.earthdata.nasa.gov/learn/articles/ocean-plastic

• https://marine.copernicus.eu/explainers/phenomena-threats/plastic-pollution/from-plastic-marine-pollution

• https://www.geographyrealm.com/how-ocean-currents-move-pollution-around-the-world/

• https://theoceancleanup.com/ocean-plastic/

[[User:Kovs04|Kovs04]] ([[User talk:Kovs04|talk]]) 21:52, 7 May 2024 (CET)

: Pokud se na ten model budete dívat staticky, tedy, že plast jen uklízíte, ale žádný nový tam nepřibývá (a netvrdím, že to je špatně), je třeba to náležitě zargumentovat. '''Schváleno'''. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 17:49, 10 May 2024 (CET)

Děkuji za schválení, model nebyl zamýšlen staticky, plast určitě přibývá, a některé lokality mají tendence plast shlukovat (například lokace, kterou jsem vybral). Cílem je zachytit jak úklid, tak přibývání plastů, a dospět do situace, kdy bude úklid natolik efektivní, že bude oblast dostatečně čistá. To je nicméně moje dosavadní vize, pokud narazím na překážky, kontaktuji Vás.
[[User:Kovs04|Kovs04]] ([[User talk:Kovs04|talk]]) 18:54, 10 May 2024 (CET)

== Simulácia: predikcia počtu obyvateľov Slovenskej republiky ==

=== Popis ===

Práca bude simulovať vývoj počtu obyvateľov Slovenska do budúcna. Do úvahy sa bude brať viacero faktorov, ktoré můžu ovplyvňovať vývoj počtu obyvateľov, preto sa budem snažiť o čo najprenejšie výsledky a aby simulácia zohľadňovala dostatočné mnžostvo faktorov a bola komplexná. Simulácia bude založená iba na reálnych dostupných štatistických dátach a nebude obsahovať žiadne náhodné premenné.

=== Prostredie ===
Simulácia bude prebiehať v prostredí Vensim.

=== Cieľ ===
Predpovedať a graficky znázorniť dlhodobý vývoj počtu obyvateľov SR (napríklad 150 rokov dopredu). Popísať trend rastu/poklesu obyvateľov. Projekcia pôrodnosti, úmrtnosti. Aký faktor ovplyňuje vývoj populácie najviac? Akú rolu v tomto hrajú ostatné faktory?

=== Premenné ===

• počet obyvateľov

• prírastok

• úbytok

• imigrácia

• emigrácia

• úmrtnost

• porodnosť

• a ďalšie podľa potreby

=== Dáta ===
Vstupné dáta budú podľa najlepšieho formátu vybrané z:

https://www.statista.com/statistics/1009083/total-population-slovakia-1950-2020/.

https://www.worldometers.info/world-population/slovakia-population/.

https://worldpopulationreview.com/countries/slovakia-population

[[User:Simon kavicky|Simon]] ([[User talk:Simon kavicky|talk]]) 11:06, 8 May 2024 (CET)
:: '''Schváleno'''. Pozor na to, že při hodnocení bude kladen velký důraz, mimo jiné, i na komplexnost analýzy a jak byly proměnné simulace a jejich vztahy odvozeny (je třeba, aby to bylo součástí zprávy k simulaci).[[User:Oleg.Svatos|Oleg.Svatos]] ([[User talk:Oleg.Svatos|talk]]) 13:47, 9 May 2024 (CET)

== Simulace profitability nových finančních produktů při zohlednění rizika nedobytnosti pohledávek a ceny zdrojů ==

=== Cíl ===
Cílem je vytvořit nástroj pro podporu prvnotního nastavení RPSN (poplatku a/nebo sazby) nově nabízeného finančního produktu podle míry rizika nedobytnosti pohledávek a ceny zdrojů za účelem zajištění profitability. Nástroj by měl být parametrizovatelný na základě potřeb finanční organizace, včetně možnosti upravit simulaci podle analýzy vlastních historických dat z již nabízených produktů – viz část o datech níže.

=== Využití ===
Uživateli by měli být pracovníci z oddělení finančních institucí zodpovění za pricing produktů a služeb. Protože se jedná o netechnické uživatele s vysokou úrovní kvalifikace v jiném oboru, měla by být simulace spustitelná z "frontendu" – úvodní obrazovky, která umožňuje zadat finanční nebo statistické vstupy popisující historická data a cenu zdrojů. V případě nezadání některé z hodnot se použijí rozumné předdefinovnaé hodnoty.

=== Metoda a prostředí simulace ===
Monte Carlo, Excel. Záměrem je vytvoření rozsáhlejší a vícekrát iterované simulace pro zajištění kvalitního výsledku na základě statistických informací o historických datech na již spuštěných, podobných typech produktů.

=== Proměnné ===
Vzhledem ke zvolené metodě budou generovány řádově stovky záznamů o fiktivních úvěrech, jejichž parametry budou odpovídat statisticky určeným rozdělením na základě vstupního datasetu popsaného níže. Zásadní je přitom informace, zda úvěrový produkt "defaultoval" – zda byl nebo nebyl splacen ze strany klienta. Jedná se o binární závislou proměnnou, určenou na základě výše úvěru, příjmu klienta a případně dalších vybraných veličin dostupných v datech, jejichž hodnota bude určována na základě zjištěného rozdělení pravděpodobnosti. Sledovaná závislá proměnná bude určena na základě překročení prahové hodnoty váženým součtem ostatních veličin, přičemž správnost stanovení prahové hodnoty a vah bude ověřena vůči vstupnímu datasetu.
Na vstupu se bude očekávat parametr ceny zdrojů a případně statistické informace.
Výstupním parametrem bude "break-even" RPSN, nad kterou by již měl být produkt profitabilní. U skutečných produktů by bylo nutné určit sazbu, poplatek nebo jejich kombinaci; jedná se nicméně o ryze obchodní rozhodnutí, protože sazby a poplatky jsou typicky technicky převeditelné.

=== Data využitá pro přípravu simulace ===
Využití skutečných dat je problematické z hlediska regulací, kterým bankovní instituce podléhají. Bude proto statisticky zpracován vstupní dataset [https://app.datacamp.com/learn/courses/credit-risk-modeling-in-python] z výukové aplikace, ale uživatel bude mít také možnost zadat jiné statistické informace na základě vlastní analýzy (nebo informací od příslušného oddělení).

[[User:Budj07|Budj07]] ([[User talk:Budj07|talk]]) 20:17, 9 May 2024 (CET)

:: '''Schváleno'''.[[User:Oleg.Svatos|Oleg.Svatos]] ([[User talk:Oleg.Svatos|talk]]) 10:37, 10 May 2024 (CET)

== Simulace implementace SW projektu pro potřeby projektového řízení ==

=== Cíl ===
Cílem této simulace je vytvořit model systémové dynamiky softwarového projektu, který zohlední známé proměnné i prvek náhody a pomůže zkoumat vliv jednotlivých faktorů a vzájemné ovlivňování v důležitých parametrech projektu

=== Využití ===
Model by mohl být použit při naceňování, stanovení termínu dodání, nebo odhadu míry rizika. Mohl by být použit i na modelování důsledků změn v projektu.

=== Metoda a prostředí simulace ===
Simulace bude realizována prostřednictvím nástroje Vensim.

=== Proměnné ===
. Scope
. Costs
. Time
. Resources
. Quality
. Risk

=== Náhodné proměnné ===

nemoc výpověď dovolená chyba v analýze

=== Zdroje ===

LI, Suinan. A generic model of project management with Vensim. 2008. Master's Thesis. Universiteteti Agder/Agder University.
https://uia.brage.unit.no/uia-xmlui/bitstream/handle/11250/137043/Suinan_Li.pdf?sequence=1

BESTEIRO, Élen Nara Carpim; DE SOUZA PINTO, Jefferson; NOVASKI, Olívio. Success factors in project management. Business management dynamics, 2015, 4.9.
https://web.archive.org/web/20180420205905id_/http://bmdynamics.com/issue_pdf/bmd110530a-%2019-34.pdf

[[User:Pavl11|Pavl11]] ([[User talk:Pavl11|talk]]) 20:30, 9 May 2024 (CET)

:: '''Schváleno.''' Pozor na to, že při hodnocení bude kladen velký důraz, mimo jiné, i na komplexnost analýzy a jak byly proměnné simulace a jejich vztahy odvozeny (je třeba, aby to bylo součástí zprávy k simulaci).[[User:Oleg.Svatos|Oleg.Svatos]] ([[User talk:Oleg.Svatos|talk]]) 10:38, 10 May 2024 (CET)

== Simulace dopravní průjezdnosti dálnice na počet omezení (zúžení) - NOVÉ téma ==

=== Popis ===

Simulace bude řešit problém zúžení vozovky na dva jízdní pruhy na dálnici D1 (Praha-Brno). Kolik zúžení je "přijatelných", aby nebylo příliš velké zpoždění vůči průjezdu bez žádného omezení. Uživatel si bude moci nastavit počet omezených kilometrů a počet zúžení.

=== Cíl ===
Zjistit kolik omezení je již příliš a jestli je lepší mít více menších omezení nebo méně větších.

=== Užitečnost ===

Simulace nám může ukázat, jak moc velké zpoždění způsobují omezení na dálnici, a zda neni dálnice příliš omezovaná či se mohou omezení ještě navýšit, aniž by to přílišně omezilo dobu dojezdu. Taktéž nám může ukázat, jestli je lepší mít více omezení po menších kouscích nebo méně omezení s delším úsekem.

=== Metoda a způsob simulace ===

Simulace v aplikaci NetLogo

=== Proměnné ===
- Počet aut na dálnici

- Procento kamionů z aut na dálnici

- Počet omezených kilometrů

- Počet zúžení

- Procento aut příliš překračující rychlost

=== Náhodné proměnné ===

- Rychlost aut

- Předjíždění aut

- Náhodné rozmístění zúžení

=== Použitá data pro nastavení simulace ===

https://dopravniinfo.cz/D1
https://d1.dd.cz/?direction=12

[[User:Sedp11|Sedp11]] ([[User talk:Sedp11|talk]]) 11:45, 10 May 2024 (CET)

: V uplynulých letech bylo něco takového zpracováno mnohokrát. Upřímně doporučuji vymyslet něco jiného. Jednak budete mít problém přidat další přidanou hodnotu, jednak toto téma má problém na jedné straně s tím, že aby to bylo realistické, jsou ty modely dost složité a na druhé straně, pokud se náležitě zjednoduší, jsou zpravidla k ničemu. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 17:52, 10 May 2024 (CET)

[[User:Sedp11|Sedp11]] ([[User talk:Sedp11|talk]]) 22:50, 30 May 2024 (CET) - Zadáno nové téma

== Simulace evakuace při zemětřesení v Japonsku ==

=== Popis ===
V této práci se pokusím nasimulovat evakuaci osob při zemětřesení v Japonsku, konkrétně v centru města Nagoya.

=== Cíl ===
Hlavním účelem je zachytit takový scénář, který bude dále možné využít k analýze dopadů na infrastrukturu a obyvatelstvo po zemětřesení. Dále by mohlo být možné identifikovat ideální trasy k evakuaci či naopak oblasti, kterým se vyhnout.

=== Metoda a způsob simulace ===
Plánuji použít nástroj NetLogo, mělo by se jednat o multiagentní simulaci.

=== Agenti ===
Osoby/Budovy/Úkryty

=== Proměnné ===
• Rozložení úkrytů
• Zalidnění oblasti
• Stav osoby
• Rychlost osoby
• Stav budovy
• Kapacita úkrytu

=== Náhodné proměnné ===
• Rozhodnutí k evakuaci
• Síla zemětřesení
• Úroveň paniky

=== Data ===
• https://www.city.nagoya.jp/bosaikikikanri/cmsfiles/contents/0000154/154013/06_english_jishin_naka.pdf: mapa znázorňující umístění evakuačních úkrytů, očekávanou intenzitu zemětřesení a pravděpodobnost ztekucení/sesuvu půdy

• https://www.citypopulation.de/en/japan/nagoya/23106__naka_ku/: zalidnění oblasti, věkové rozložení obyvatelstva

• https://www.jstage.jst.go.jp/article/jnds/34/1/34_41/_pdf/-char/ja: studie pro inspiraci

[[User:Helm07|Helm07]] ([[User talk:Helm07|talk]]) 12:25, 10 May 2024 (CET)

: '''Schváleno''' [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 17:53, 10 May 2024 (CET)

== Simulace natural selection ==

=== Popis ===
Darwin tvrdil, a to se následně potvrdilo, že primárním mechanismem evoluční změny je proces přirozeného výběru. Problém je v tom, že za většiny podmínek je tento proces relativně pomalý a probíhá po mnoho generací. Naštěstí s pomocí simulace můžeme v relativně krátké době studovat, jak přirozený výběr funguje. Inspirací pro simulaci mi byla desková hra od Roberta P. Gendrona, která se tento proces snaží zobrazit.

=== Cíl ===

Hra obsahuje i zadání, tedy otázky, které si pomocí tohoto experimentu lze ověřit.
# Zvýšila se nebo se snížila průměrná kamufláž a zraková ostrost? o kolik?
# Pravděpodobně jste si všimli, že v této simulaci je prvek náhody, který může způsobit nepravidelné kolísání průměrného skóre. Vysvětlete a uveďte dva příklady náhodných událostí, které by mohly ovlivnit průběh evoluce v přírodě.
# Pokud by počáteční velikost každé populace byla mnohem větší (např. 1000 místo 16), byl by vliv náhodných událostí na evoluci více či méně důležitý?
# Někdy v těchto simulacích populace vyhyne. Je vyhynutí pravděpodobnější pro malou nebo velkou populaci? Proč?
# Změnila se během simulace velikost populace kořisti a predátorů? Jak a proč?

=== Metoda a způsob simulace ===
Plánuji použít nástroj NetLogo, mělo by se jednat o multiagentní simulaci.

=== Agenti ===
Lovci/Kořist

=== Proměnné ===
* Počet lovců a kořistí
* Průměrná kamufláž kořisti
* Průměrná vize lovce

=== Náhodné proměnné ===
* Výběr druhého rodiče při páření
* Rozložení turles na mapě
* Vize/kamufláž dítěte

=== Zdroje ===
* https://evolution.berkeley.edu/wp-content/uploads/2021/10/Simulating_Selection.pdf - zmiňovaná hra
* https://evolution.berkeley.edu/teach-evolution/misconceptions-about-evolution/#a2 - dokument, který mi pomohl "nastavit" hru, například upravit způsob dědění vlastností u dětí, že jsem nezvolil náhodné číslo, ale kombinaci vlastností rodičů + náhody
* https://www.youtube.com/watch?v=0ZGbIKd0XrM - pokus simulace natural selection jako reference

[[User:Bohr03|Bohr03]] ([[User talk:Bohr03|talk]]) 13:03, 10 May 2024 (CET)

: Jak prokážete, že Vám model funguje? [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 17:54, 10 May 2024 (CET)

'''Zadání upraveno.''' Protože se jedná o simulaci, ve které porovnávám dvě strategie, tak funkčnost modelu prokáži pomocí vysokého počtu simulací, na základě kterých vyhodnotím výsledky.
[[User:Bohr03|Bohr03]] ([[User talk:Bohr03|talk]]) 08:32, 16 May 2024 (CET)

:: Helejte, oceňuji kreativitu, ale žádná fantasy témata jaksi logicky nejsou testovatelná. Zkuste vymyslet něco reálného, prosím. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 21:15, 17 May 2024 (CET)

== Simulace spotřeby a emisí v dopravě ==

=== Popis ===
Jelikož jsme si mohli všimnout, že se v České republice děly protesty proti aktuálnímu limitu rychlosti 50 km/h, kde skupina "30 pro Prahu" bojuje za to, aby byly nastaveny limity na 30 km/h. Jedním z jejich cílů je snížení emisí. Rozhodl jsem se tedy sestavit simulaci, která znázorňuje jak by v aktuální dopravě vypadaly emise, kdyby byla nastavena maximální rychlost na 30 oproti 50 km/h. Budu porovnávat, zda jet pomaleji, spotřebovávat méně a generovat méně emisí je výhodnější oproti vyšší rychlosti, spotřebě a emisím.

=== Cíl ===
Cílem je vytvořit simulaci, která bude počítat průměrně strávený čas vozidla v dopravě pomocí kterého vypočítám spotřebované palivo a vytvořené emise. Dopravu nasimuluji tak, že vytvořím grid několika silnic a několika křižovatek se semafory. Semafory budou periodicky měnit barvy mezi červenou a zelenou. Simulace bude zobrazovat zácpy v rush-hour a v normální dobu. Při zácpě bude vozidlo stát, ale nebude mít vypnutý motor, tudíž bude stále generovat emise jen nižší než při jízdě.

Výsledkem simulace bude verdikt, zda je výhodnější jízda při 50km/h nebo 30 km/h.

=== Metoda a způsob simulace ===
Plánuji použít nástroj NetLogo, mělo by se jednat o multiagentní simulaci.

=== Agenti ===
Vozidlo

=== Proměnné ===
* Průměrná spotřeba vozidla/100km
* Rychlostní limit
* Rychlost přepínání semaforů
* Počet vozidel při rush hour
* Velikost dopravního pole a křižovatek

=== Náhodné proměnné ===
* Spawn vozidla
* Počet vozidel

=== Zdroje ===
* https://30proprahu.cz/mytyafakta/
* https://www.tomtom.com/traffic-index/prague-traffic/

[[User:Bohr03|Bohr03]] ([[User talk:Bohr03|talk]]) 19:29, 26 May 2024 (CET)

: '''Schváleno'''. Zkuste se držet reálných dat. [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 13:51, 30 May 2024 (CET)

== Simulace vývoje korálových útesů ==

=== Popis ===
Korálové útesy představují jedny z nejcennějších ekosystémů naší planety, ale v posledních desetiletích jsou vystaveny značnému tlaku způsobenému lidskou činností a změnami životního prostředí.

=== Cíl ===
Cílem této simulace je zkoumat komplexní interakce, které ovlivňují zdraví a stabilitu korálových útesů.

=== Užitečnost ===
Model umožní lépe porozumět faktorům, které přispívají k zániku korálových útesů a které faktory na korálové útesy mají jen minimální dopad.

=== Metoda a způsob simulace ===
Metoda a způsob simulace budou realizovány prostřednictvím nástroje Vensim.

=== Proměnné ===
• Velikost korálového útesu
• Teplota vody
• Míra rybolovu
• Kyselost moří
• Znečištění

=== Náhodné proměnné ===
• Přirozená teplota vody
• Přírodní katastrofy
• Ekonomické trendy
• Politické změny

=== Použitá data pro nastavení simulace ===
https://www.climatefoundation.org/reversing-coral-bleaching.html?gad_source=1&gclid=CjwKCAjwi_exBhA8EiwA_kU1Mn29cECn6ZAe5bbSqClNxABvD8Ic7PTnx93Z5tGExSb2kSquoM8LpBoCkQ8QAvD_BwE
https://climate.nasa.gov/explore/ask-nasa-climate/3290/vanishing-corals-part-two-climate-change-is-stressing-corals-but-theres-hope/

[[User:Osis02|Osis02]] ([[User talk:Osis02|talk]]) 14:54, 10 May 2024 (CET)

::'''Schváleno.''' Pozor na to, že při hodnocení bude kladen velký důraz, mimo jiné, i na komplexnost analýzy a jak byly proměnné simulace a jejich vztahy odvozeny (je třeba, aby to bylo součástí zprávy k simulaci) [[User:Oleg.Svatos|Oleg.Svatos]] ([[User talk:Oleg.Svatos|talk]]) 14:26, 11 May 2024 (CET)

== Vesmírné smetí: simulátor kolizí satelitů a vesmírného smetí ==
=== Popis ===
* Chtěl bych simulovat pohyb satelitů a vesmírného odpadu (tzv. vesmírného smetí) v dílčí části zemské oběžné dráhy (reprezentované jako 2D rovina), kde se satelity pohybují po předem určených trajektoriích, ale pohyb smetí je poněkud náhodný. Pokud se smetí srazí s jiným smetím, změní směr a vytvoří o něco více smetí, pokud se smetí srazí se satelitem, satelit je zničen a vznikne velké množství smetí.
=== Cíl ===
Instance simulace, by vypočítala časový odstup mezi srážkami na základě výchozích podmínek, jako je počet družic, hustota trosek a násobení trosek (kolik kusů dalších trosek srážky vytvoří).
=== Užitečnost ===
* Kosmický odpad představuje významný problém kvůli rostoucímu množství vyřazených družic, vyhořelých raketových stupňů a úlomků na oběžné dráze Země. Rostoucí množství odpadu zvyšuje riziko kolize, což ohrožuje operující družice a budoucí vesmírné mise. Tento problém ohrožuje vesmírnou infrastrukturu, zhoršuje zahlcení oběžné dráhy a vyvolává hrozbu vzniku ještě většího počtu fragmentů v důsledku srážek, což může vést k vytvoření samoudržujícího se cyklu šíření vesmírného odpadu. Řešení tohoto problému má zásadní význam pro zajištění udržitelnosti kosmických aktivit a předcházení dlouhodobým důsledkům pro orbitální prostředí Země a výzkum vesmíru. Navrhovaný simulátor by mohl pomoci ukázat a vypočítat podmínky, za kterých takové samoudržující se šíření kosmického odpadu vzniká; i když se zjednodušeným modelem, a snad i poučit o výše uvedeném problému.
=== Metoda a způsob simulace ===
* NetLogo - agent based modeling (dva typy agentů: satelity (družice) a vesmírné smetí)
** Při zpracování modelu použiji nádledující zjednodušení:
*** budu modelovat pouze dílčí část oběžné dráhy Země, která bude znázorněna jako 2D "mapa" pevné velikosti (pixelů/čtverečků) tvořící mřížku,
*** objekty (satelity a smetí) se mohou na mapě pohybovat pouze v 8 různých směrech,
*** všechny objekty se pohybují stejnou rychlostí (jeden pixel/čtvereček za tah),
*** objekty jsou čtverce; minimální velikost je 1x1 pixel/čtvereček, pak 2x2 pixely/čtverečeky atd...
*** při srážce objektů je výsledný počet trosek (smetí) náhodné celé číslo mezi 1 a součtem velikostí (pixelů) kolidujících objektů,
*** hmotnost objektů je úměrná jejich velikosti, tj. 1 (pixel) = 1 jednotka hmotnosti,
*** všechny objekty se řídí Newtonovými pohybovými zákony.
=== Proměnné ===
* Proměnné pro výchozí podmínky
** velikost mapy
** počet satelitů
** počet smetí
** výchozí poloha a směr objektů
* Proměnné agentů (satelity a smetí)
** velikost
** hmotnost
** směr pohybu
=== Použitá data pro nastavení simulace ===
* Za účelem simulace realistických scénářů - budou získány údaje z NASA a dalších relevantních studií týkající se hustoty úlomků a počtu družic na oběžné dráze, které budou sloužit jako výchozí podmínky navrhovaného modelu. Konkrétně plánuji použít údaje získané a zveřejněné na:
**[https://orbitaldebris.jsc.nasa.gov/|NASA ORBITAL DEBRIS PROGRAM OFFICE]
**[https://platform.leolabs.space/visualization|LEOLABS Low Earth Orbit Visualization]
[[User:Vala18|Vala18]] ([[User talk:Vala18|talk]]) 17:30, 10 May 2024 (CET)
: '''Schváleno''' [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 17:27, 10 May 2024 (CET)

== Simulace emisí CO2 z elektromobilů a ze spalovacích automobilů ==
=== Popis ===
Tato simulace bude porovnávat emise CO2 během celého životního cyklu spalovacího automobilu a elektromobilu. Oproti spalovacím autům mají elektromobily větší emisní zátěž při výrobě, nicméně obecně menší během jejich provozu (samozřejmě záleží na výrobním zdroji elektrické energie). Tato rozdílnost bude podstatou celé simulace.

Uživatel si nastaví počet aut a poměr mezi elektrickými a spalovacími auty. Auta se vytvoří v továrně, během svého života se budou pohybovat ve městě nebo přejíždět mezi městy. Po specifikovaném kilometrovém nájezdu se auta zlikvidují. Emise CO2 spalovacích aut bude řešena lokálně, u elektromobilů bude realizována prostřednictvím elektrárny.
=== Cíl ===
Hlavním cílem této simulace je kvantifikace a porovnání celkových emisí CO2 z elektromobilů a spalovacích automobilů v čase. Druhotným cílem je vizualizace emisí CO2 (město/meziměsto/elektrárna).
=== Metoda a způsob simulace ===
Pro účely simulace využiji NetLogo.
=== Agenti ===
* Spalovací auta
* Elektroauta
=== Náhodné proměnné ===
* Rozhodnutí, zda automobil uskuteční cestu po městě nebo mezi městy
* Vzdálenost ujetá mezi městy
* Vzdálenost ujetá ve městě
=== Zdroje ===
* https://www.mpo.gov.cz/cz/energetika/statistika/elektrina-a-teplo/emisni-faktor-co2-z-vyroby-elektriny-za-leta-2010_2023--280262/
* https://www.mdpi.com/1996-1073/15/7/2703
* https://www.volvocars.com/images/v/-/media/Project/ContentPlatform/data/media/sustainability/volvo_ex30_carbonfootprintreport1.pdf
* https://www.volvocars.com/images/v/-/media/market-assets/intl/applications/dotcom/pdf/c40/volvo-c40-recharge-lca-report.pdf
* https://www.mpo.gov.cz/assets/cz/energetika/strategicke-a-koncepcni-dokumenty/narodni-akcni-plan-pro-chytre-site/2022/2/Elektromobilita_predikce-do-2045.pdf
[[User:Nonm00|Nonm00]] ([[User talk:Nonm00|talk]]) 10:50, 24 May 2024 (CET)

: '''Schváleno''' [[User:Tomáš|Tomáš]] ([[User talk:Tomáš|talk]]) 13:54, 30 May 2024 (CET)

== Simulace efektivity investice do solárních panelů ==

=== Popis ===
Fotovoltaika je moderní technologií, ale je těžké odhadnout, zda se investice do fotovoltaiky vyplatí. Pro simulaci budeme uvažovat domácí fotovoltaickou elektrárnu s virtuální baterií.

=== Cíl ===
Cílem simulace je analyzovat, zda se investice do domácí fotovoltaické elektrárny vyplatí, to se dvěmi možnostmi - s dotacemi a bez dotací. Poté se investice srovná s jinými investicemi, pro vyhodnocení, zda se investice opravdu vyplatí.

=== Užitečnost ===
Simulace pomůže udělat si představu o užitečnosti a finanční schůdnosti investice do domácí fotovoltaické elektrárny. Proměnné budou editovatelné, aby mohl uživatel simulaci aplikovat na svojí domácnost.

=== Metoda a způsob simulace ===
Simulace bude provedena v programu MS Excel aplikací Montecarlo.

=== Proměnné ===
* Roční spotřeba domácnosti
* Cena panelu za kWp
* Cena virtuální baterie
* Životnost panelů
* Výše dotace
* Cena montáže
* Životnost měniče
* Cena měniče
* Instalace kWp (počet)
* Obchodní cena eletřiny
** Roční cena (dané domácnosti bez FVE)
** Cena celkem (za období životnosti panelů)
** Celková cena - hardware a práce sníženo o dotaci
** Celková cena - hardware a práce bez dotace
** Roční rozdíl mezi spotřebou a výrobou
** Cena chybějící energie za celé období
** Cena virtuální baterie za celé období

=== Náhodné proměnné ===
* Průměrný roční kWh/kWp
** Roční tvorba elektrárny v kWh

=== Použitá data pro nastavení simulace ===
* E.ON. (b.r.). E.ON. Získáno 25. květen 2024, z https://www.eon.cz/radce/energie/solarni-energie/kolik-stoji-solarni-panely/
* Štoss, F., Ilios, & s.r.o, I. (2023, květen 6). Virtuální baterie versus solární baterie | Ilios.cz. ILIOS. https://ilios.cz/virtualni-baterie-versus-solarni-baterie/
* Ušetřeno.cz. (b.r.). Získáno 25. květen 2024, z https://www.usetreno.cz/energie-elektrina/cena-za-1-kwh/
* www.benes-michl.cz, B. & M. (b.r.). 2023: Jak získáte dotace na fotovoltaiku? Získáno 26. květen 2024, z https://www.pesekmudra.cz/blog-o-solarech/jak-dosahnout-na-dotace-k-fotovoltaice-na-rodinny-dum/
* Pro získání dat o kWh/kWp, cenách a životnostech součástí získám data od firem v oblasti FVE.

[[User:Ciba00|Ciba00]] ([[User talk:Ciba00|talk]]) 12:48, 26 May 2024 (CET)

Aby to bylo alespoň trochu reálné, bylo třeba to simulovat alespoň po měsících, půjde to? [[User:Oleg.Svatos|Oleg.Svatos]] ([[User talk:Oleg.Svatos|talk]]) 12:56, 27 May 2024 (CET)

Dobrý den, při použití virtuální baterie je reálné simulovat po letech. Virtuální baterie funguje tak, že se do ní ukládá vygenerovaná energie v průběhu roku a v průběhu roku se z ní čerpá. Bilance virtuální baterie může jít do plusu i mínusu, tedy ze začátku roku (leden-duben přibližně) se z ní čerpá více, než se do ní ukládá, přes teplejší měsíce se zůstatek přehoupne zpět do plusu a dále roste, ke konci roku se zůstatek zase dočerpá. V případě, že není zůstatek na konci roku dostatečný, zaplatí spotřebitel za energii, tak aby bilanci "dorovnal", pokud je tam naopak přebytek, propadá.
Je tedy možné simulovat po roce, nebo by se vám to zdálo nedostatečné? Děkuji [[User:Ciba00|Ciba00]] ([[User talk:Ciba00|talk]]) 16:25, 27 May 2024 (CET)

::OK. '''Schváleno.''' [[User:Oleg.Svatos|Oleg.Svatos]] ([[User talk:Oleg.Svatos|talk]]) 13:56, 30 May 2024 (CET)

Assignment SS 2023/2024/cs

2024-05-10T10:46:04Z

Sedp11:

Talk:Assignment SS 2023/2024/cs

2024-05-10T10:44:02Z

Sedp11: Blanked the page

Talk:Assignment SS 2023/2024/cs

2024-05-10T10:42:35Z

Sedp11: /* Simulace účinnosti očkování na šíření nákazy */

== Simulace účinnosti očkování na šíření nákazy ==

=== Popis ===

Simulace bude řešit problematiku očkování a její účinnosti proti agresivní nákaze. Bude možné si nastavit počet obyvatel (hustotu zalidnění), počáteční počet očkovaných lidí, agresivitu a dobu nakaženosti (tedy možného úmrtí a přenosu).

=== Cíl ===

Poukázat na fakt, že očkování má velký dopad na boj proti agresivním a rychle se šířícím nákazám.

=== Užitečnost ===

Simulace nám může ukázat, jak se nákazy šíří a jak moc velký vliv má proočkovanost lidí na šíření nemoci.

=== Metoda a způsob simulace ===

Simulace v aplikaci NetLogo

=== Proměnné ===
- Počet obyvatel v oblasti

- Počet počátečně očkovaných lidí

- Počet počátečně nakažených lidí

- Pravděpodobnost nákazy při kontaktu

- Pravděpodobnost úmrtí na nákazu

- Doba nakažení (nemoci)

- Účinnost očkování (pravděpodobně by to chtělo taky zahrnout)

- Při jakém procentu se lidi začnou hromadně očkovat a míra, kolik lidí se nechá očkovat

- Umístění vzniku tornáda

=== Náhodné proměnné ===

- Síla imunity

- Rychlost, směr a obecně kontakty agentů

- Přenos nákazy

=== Použitá data pro nastavení simulace ===

Data si bude moci člověk pomocí posuvníků nastavit sám. Pokud bude potřeba nastavit počáteční hodnoty dle nějaké konkrétní nemoci, data ještě dodám.

[[User:Sedp11|Sedp11]] ([[User talk:Sedp11|talk]]) 11:42, 10 May 2024 (CET)