Assignment SS 2024/2025/cs

Simulace: Dynamika technického dluhu v softwarovém vývoji

Popis problému

Technický dluh v softwarovém vývoji vzniká, je a taky i bude. Jedním z důvodu vzniku je tlak na rychlost dodání, zvolení suboptimálního řešení nebo zkratky pro usnadnění práce. Tento dluh se hromadí v kódové bázi a systému a chová se podobně jako finanční dluh – s "úroky" v podobě zvýšeného úsilí na budoucí údržbu, opravy chyb ale i implementaci nových funkcí. Akumulovaný dluh tak postupně zpomaluje vývojový tým, snižuje agilitu projektu a zvyšuje celkové dlouhodobé náklady pro celou firmu.

Cíl simulace

Simulace si dává za úkol namodelovat dynamiku akumulace dluhu a jeho splácení v čase. Jaký ma vliv na produktivitu. Ale hlavně jaké různé strategie řízení dluhu jsou dlouhodobě nejefektivnejší (např. konstatní alokace času na refaktoring vs. reaktivní přístup).

Použití simulace

• Jako podpora při rozhodování projektových manažerů o prioritách (rychlost vs. kvalita).
• Může pomoci stakeholderům pochopit náklady a přínosy investic do kvality kódu (argumenty pro CIO).
• Pro strategické plánování v IT organizacích týkající se údržby a rozvoje systémů.

Použitá metoda a prostředí

• Simulace využívá metodu systémové dynamiky (System Dynamics).
• Bude použit program Vensim.

Proměnné

Definované předem:

• Počáteční úroveň technického dluhu.
• Počáteční rozsah backlogu (nesplněných požadavků).
• Velikost týmu.
• Základní produktivita týmu (bez vlivu dluhu).
• Míra alokace času na refaktoring (strategické rozhodnutí).

Náhodné:

• Tempo příchodu nových požadavků do backlogu.
• Efektivita refaktorovacích snah (malé fluktuace).
• Výskyt neočekávaných problémů vedoucích k tvorbě dluhu (např. kritické chyby).

Popřípadě další.

Data

• Produkční data budou ťežko získatelné, proto využijeme kombinaci odhadu expertů z praxe a odbornou literaturu.

• GUPTA, Kartik, 2025. Measuring the Impact of Technical Debt on Development Effort in Software Projects. arXiv [online]. [cit. 2025-05-12]. Dostupné z: https://arxiv.org/abs/2502.16277
• YLI-HUUMO, Jesse, Andrey MAGLYAS a Kari SMOLANDER, 2016. How do software development teams manage technical debt? – An empirical study. Dostupné z: doi:https://doi.org/10.1016/j.jss.2016.05.018
• TOM, Edith, Aybüke AURUM a Richard VIDGEN, 2013. An exploration of technical debt. Journal of Systems and Software. 86(6), 1498–1516. Dostupné z: doi:https://doi.org/10.1016/j.jss.2012.12.052
• HOLVITIE, Johannes, Sherlock A. LICORISH, Rodrigo O. SPÍNOLA, Sami HYRYNSALMI, Stephen G. MACDONELL, Thiago S. MENDES, Jim BUCHAN a Ville LEPPÄNEN, 2018. Technical debt and agile software development practices and processes: An industry practitioner survey. Information and Software Technology. 96, 141–160. Dostupné z: doi:https://doi.org/10.1016/j.infsof.2017.11.015

Simulant

Hrus07 (talk) 22:19, 12 May 2025 (CET)

Simulace: Útoky medvědů

Popis problému

Na Slovensku se vyskytuje velké množství medvědů, kteří ohrožují tamní obyvatele a turisty. Útoky jsou momentálně velmi časté a přibývají. Slovenská vláda schválila návrh na odstřel cca 350 jedinců. Zároveň se jedná o chráněný druh, tudíž počty by neměly být redukovány ve velké míře, ne-li vůbec.

Cíl simulace

Cílem bude simulovat ideální počet medvědů, aby se minimalizoval počet útoků medvěda a potřeba redukovat počet medvědů.

Použití simulace

• Např. pro plánování odstřelu medvědů, aby druh nebyl příliš ohrožen.
• Simulace chování medvědů v přírodě.

Použitá metoda a prostředí

Multiagentní simulace v NetLogo. Agenti budou medvědi, turisti a lovci. V prostředí se populace medvědů bude přirozeně zvyšovat. Turisté mají šanci na útěk. Lovci budou reagovat na incidenty medvědů s turisty.

Proměnné

Definované předem:

• Medvědi – pohybují se po krajině, hledají potravu a případně útočí na turisty
• Lovci – redukují počty medvědů na základě útoků a ohrožení turistů.
• Turisti – objevují tamní krajinu a lesy. Reagují na přítomnost medvědů.

Náhodné:

• Rozmístění medvědů, lovců a turistů.
• Rozmístění vegetace, lesů.

Data

• Slovenská vláda schválila odstřel medvědů [1]
• Medvěd hnědý - biotop a teritorium [2]
• Medvěd na Slovensku [3]

Simulant

Vlcj07 (talk) 19:43, 12 May 2025 (CET)

Simulace: Přemnožení divokých prasat

Popis problému

Divoká prasata jsou v České republice přemnožená – na našem území jich je v současnoti 100krát více, než je únosné. Přemnožení je zapříčeněno několika faktory. Prvním je způsob rozmnožování divokých prasat. Bachyně mívají dva vrhy ročně, přičemž v každém vrhu se vyskytuje průměrně 4-12 selat. Při přebytku potravy tak populace divokých prasat prudce roste. Druhý faktor, který zapříčiňuje přemnožení prasat, je absence přirozených predátorů těchto zvířat na našem území. Kontrolu populace pak musejí provádět myslivci, nicméně odtřel je v současné době nedostatečný.

Přemnožená prasata mají negativní dopad na vegetaci svého okolí. Jedná se například o rostlinu bleduli letní, která se v České republice řadí mezi zvláště chráněné druhy rostlin.

Cíl simulace

Cílem simulace bude simulovat ideální míru odstřelu divokých prasat, aby nedošlo ke zničení vzácné vegetace (jako je například bledule letní). V simulaci bude zobrazena součinnost několika faktorů (růst prasečí populace v závislosti na přítomnosti potravy, množství střelců nutných pro udržení populace na uzdě apod.).

Použití simulace

Kdo může simulaci použít?

• Myslivci pro informovanější plánování odstřelu prasat.
• Lesní správa, farmářský a zahradnický průmysl apod. – všechna tato odvětví jsou negativně ovlivněná přemnoženou prasečí populací.
• Simulace může problematiku přiblížit i širší veřejnosti, která tak bude lépe schopná seznat její závažnost.

Použitá metoda a prostředí

Prostředím multiagentní simulace bude NetLogo. Agenti budou divoká prasata, myslivci a vzácná vegetace. Prasata se budou množit rychlostí závislou na množství vegetace. Model bude simulovat různé počty myslivců a různé strategie střelby. Množství vegetace bude závislé na velikosti prasečí populace.

Proměnné

Definované předem:

• Rychlost množení a „žravost“ divokých prasat.
• Rychlost obnovy vegetace.
• Počet myslivců a strategie a způsob jejich odstřelování prasat.

Náhodné:

• Počáteční populace prasat (v určitém rozmezí).
• Počáteční množství vegetace (opět v určitém rozmezí).
• Rozmístění prasat.
• Rozmístění myslivců.
• Rozmístění vegetace.

Data

• Prasata devastují vzácnou zeleň. [4]
• Způsob rozmnožování divokých prasat. [5]
• Policejní odstřel divokých prasat. [6]
• Prase divoké – základní informace. [7]
• Životní cyklus divokých prasat. [8]
• Lov divokého prasete. [9]

Simulant

Petr Kalina (kalp08) (talk) 13:52, 12 May 2025 (CET)

Simulace: Šíření dezinformací na sociálních sítích

Popis problému

Simulace modeluje šíření dezinformace mezi uživateli sociální sítě. V dnešním digitálním prostoru jsou informace často sdíleny bez jejich ověřování, což přispívá k rychlému rozšiřování nepravdivých nebo manipulativních zpráv. Sociální sítě jsou hlavním kanálem pro šíření jak pravdivých, tak nepravdivých informací. Model zkoumá, jak rychle a do jaké míry se dezinformace rozšíří napříč sítí uživatelů, kteří jsou mezi sebou propojeni pomocí přátelství nebo sledujících. Ovlivňujícími faktory jsou zejména míra ochoty sdílet, schopnost rozpoznat nepravdivý obsah, struktura sítě (např. počet spojení) a chování jednotlivců. Cílem je porozumět tomu, jaké strategie mohou šíření zpomalit či omezit a jak síťová struktura ovlivňuje zranitelnost vůči dezinformacím.

Cíl simulace

Cílem simulace je odpovědět na otázku: jak ovlivňuje struktura sociální sítě, chování jednotlivých uživatelů a míra kritického myšlení rychlost a rozsah šíření dezinformací? Simulace umožní identifikovat klíčové parametry, které mohou buď přispět k virálnímu šíření, nebo ho potlačit. Výsledkem může být doporučení k edukaci uživatelů nebo návrh algoritmických opatření pro omezení dosahu problematického obsahu.

Použití simulace

Simulace má možné využití:

• Jako didaktický nástroj pro výuku mediální a digitální gramotnosti nebo informační bezpečnost
• Pro využití v akademickém výzkumu zabývajícím se šířením obsahu v online prostředí, včetně fake news a konspiračních teorií.

Výsledky mohou posloužit i jako argument pro zavedení preventivních opatření na sociálních platformách.

Použitá metoda a prostředí

Simulace je vytvořena v prostředí NetLogo. Agenti představují uživatele sociální sítě a jsou propojeni do komunikační struktury (vztahy: „sleduje“, „přátelí se“). Dezinformace se šíří po těchto spojeních. V modelu existují pravidla pro šíření dezinformace a rozhodování agentů. To znamená, že každý agent má určitou pravděpodobnost sdílení, může si informaci ověřit a tím ji zablokovat, nebo ji předat dál.

Proměnné

Definované předem:

• počet uživatelů v síti
• typ sociální sítě/síťové struktury (náhodná síť, small-world, scale-free)
• průměrný počet spojení na agenta = síťová hustota
• počet původních šiřitelů dezinformace
• pravděpodobnost sdílení dezinformace (bez ověření)
• pravděpodobnost ověření zprávy a zamezení jejího šíření

Náhodné:

• rozložení spojení v síti
• výběr původních šiřitelů
• pořadí interakcí mezi agenty (směr šíření, kdo ovlivní koho)
• individuální rozhodnutí každého agenta (na základě pravděpodobností)
• výsledný rozsah šíření (liší se běh od běhu i při stejných nastaveních)

Data

• Výzkumy behaviorální ekonomie a mediální gramotnosti – např. JIRÁK, Jan; WOOLÁK, Radim Woolák Radim. Mediální gramotnost. Praha: Radioservis, 2009.
• Analýzy šíření fake news – např. Vosoughi, Roy, Aral (2018) – „The spread of true and false news online“, Science 359(6380), 1146–1151. „The spread of true and false news online“
• Odhady pravděpodobností a struktury sítě vycházejí z běžného chování uživatelů na sociálních sítích
• Výzkumné zprávy o algoritmech šíření obsahu na platformách jako Facebook, Instagram, nebo TikTok

Simulant

macn04 (talk) 14:30, 12 May 2025 (CET)

Simulace: Evakuace šelem v pražské ZOO v případě povodně

Popis problému

Pražská zoologická zahrada se nachází v záplavovém území a v minulosti byla při povodních (např. v roce 2002 a 2013) vážně zasažena. Evakuace zvířat, zejména velkých a nebezpečných šelem, představuje logisticky i bezpečnostně náročný úkol. Zvířata musí být přepravena v co nejkratším čase, bezpečně a s minimálním stresem, zároveň je nutné chránit zaměstnance a návštěvníky. Simulace se zaměřuje na proces evakuace pavilonu šelem při náhlém zvýšení hladiny Vltavy. Výsledky mohou pomoci vedení ZOO lépe se připravit na mimořádné události.

Cíl simulace

Simulace se bude věnovat otázce: Jak rychle a efektivně lze evakuovat šelmy z ohroženého pavilonu v případě povodně? Výsledkem bude návrh optimální evakuační strategie v závislosti na různých faktorech (např. počet ošetřovatelů, kooperace zvířat, čas do zaplavení, atd.). Některá zvířata jsou více nebezpečná jiná jsou klidná.

Použití simulace

Simulace může sloužit:

• Zaměstnancům ZOO, kteří se chtějí připravit na krizové situace
• Studentům, kteří se učí o ochraně zvířat nebo krizovém řízení
• Veřejnosti, která si chce udělat představu, jak taková situace vypadá a proč je důležitá příprava

Použitá metoda a prostředí

Multiagentní simulace v NetLogo, kde agenti budou zvířata, zaměstnanci (ošetřovatelé) a povodeň. Zvířata mají různé chování, velikost, agresivitu. Ošetřovatelé jsou zkušení, ale i nováčci a je jich různý počet na směnách. Povodeň může mít různé rychlosti. Prostředím je pavilon šelem v pražské ZOO. V pavilonu jsou jednotlivé expozice podle druhu zvířete. V případě, kdy hrozí evakuace jsou všechna zvířata uvnitř pavilonu.

V případě evakuace přijdou chovatelé a evakuují zvířata. Některá musí uspat, jiná ne. Zvířata přesouvají do klecí nebo boxů a převážejí pryč cestou podle zatopení. U každého zvířete je dohledatelný

Proměnné

Definované předem:

• Počet zvířat v pavilonu, jejich velikost a druhy
• Počet evakuačních cest
• Rychlost záplav (kolik času je na evakuaci)
• Počet ošetřovatelů a jejich zkušenosti (můžou být zkušení nebo nováčci, nováčci jsou pomalejší a mají vyšší pravděpodobnost minout uspávací šipkou)

Náhodné:

• kooperace zvířete (může být klidné nebo agresivní)
• rozmístění ošetřovatelů
• minutí uspávací šipkou
• rozbitá klec

Data

• výroční zprávy ZOO Praha [10]
• mapa ZOO Praha (obrázková) [11]
• mapa ZOO Praha [12]
• přiklad info o zvířeti ZOO Praha [13]
• převoz tygrů [14]
• CITES transport guidelines [15]

Simulant

Veronika Smrčková smrv03 (talk) 11:36, 12 May 2025 (CET)

Simulace: Strategie hráčů ve hře v kostky dle pravidel hry Farkle

Popis problému

Cílem simulace je analyzovat a porovnat různé herní strategie ve hře Farkle (hazardní kostková hra). Dva hráči si během hry střídavě hází kostkami a snaží se získat co nejvíce bodů pomocí specifických kombinací (např. trojic, postupky, šest stejných hodnot apod.). Hráči však musí v každém tahu rozhodnout, zda pokračovat v házení (s rizikem ztráty aktuálního skóre) nebo se zastavit a body si uložit.

Každý hráč je reprezentován jako „persona“ s předdefinovanou strategií rozhodování – od konzervativního po extrémně rizikového přístupu. Tyto odlišné styly chování významně ovlivňují průběh hry, četnost výher i riziko prohry kvůli přehnané hamižnosti.

Cíl simulace

Cílem simulace je zjistit, jaké herní strategie (persony) jsou nejefektivnější v dosažení výhry ve hře Farkle. Zároveň zohledňuje spravedlnost (oba hráči mají stejný počet tahů) a umožňuje porovnávat strategie mezi sebou při opakovaném hraní stovek her. Výstupem je srovnání úspěšnosti jednotlivých přístupů a doporučení vhodné herní taktiky.

Použití simulace

Simulace může sloužit:

• jako model rozhodování v nejistém prostředí,
• jako prostředek pro výuku agentového modelování (např. střední školy, informatika, psychologie rozhodování),
• pro zábavné testování, která strategie by přinesla nejvíc výher v reálné hře Farkle,
• jako výchozí kostra pro složitější modely s učením, adaptivními hráči nebo evoluční optimalizací strategie,
• a v neposlední řadě, jako "engine" na testování person pro mou diplomovou práci.

Použitá metoda a prostředí

Simulace je implementována v prostředí NetLogo jako dvouagentní tahový model. Hráči se střídají v házení 6 kostek, získávají body za kombinace podle pravidel Farkle (např. trojice, čtveřice, pětice, šestice, postupky) a rozhodují se, zda budou pokračovat v tahu.

Model zahrnuje:

• různé herní strategie („persony“) – definované jako rozhodovací pravidla podle skóre, zbývajících kostek nebo náhodného faktoru,
• počítání statistik (výhry, tahy, FARKLE chyby),
• zajištění férovosti – druhý hráč má vždy možnost dokončit poslední tah, pokud první dosáhne vítězného skóre,
• export výsledků a vykreslení průběhu skóre do grafu (a jiné statistické ukazetele).

Proměnné

Definované předem:

• Cílové skóre pro výhru (např. 10 000)
• Počet simulovaných her (např. 100 až 1000)
• Herní strategie pro oba hráče:

    * conservative – ukládá body při ≥400
    * risky – ukládá body při ≥700
    * greedy – ukládá body při ≥1000
    * cautious – hraje opatrně (≥300 nebo málo kostek)
    * random – rozhoduje se náhodně
    * risk-averse – hraje opatrně jen pokud vede o >2000 bodů, jinak jako conservative
    * point-maximizer – pokračuje, dokud nedostane HOT DICE
    * combo-hunter – pokračuje po silných kombinacích (postupky, trojice a víc)

Náhodné:

• Hod šesti kostkami (1–6)
• Kombinace, které hráči získají (např. 3 stejné, postupka 1–6 atd.)
• Výsledek rozhodnutí pokračovat/zastavit u náhodné strategie

Možná rozšíření simulace:

• Evoluční vývoj nových strategií (např. pomocí genetického algoritmu)
• Paměť hráčů – učení na základě předchozích neúspěchů
• Reakce na strategii soupeře (adaptivní persona)

Data

• [16] - oficiální pravidla hry Farkle
• [17] - popis chování osob v pod tlakem a při riskování (persony)
• [18] - rozdělení person a chování v různých karetních a jiných hrách
• [19] - o strategiích rozhodování, výběru akcí, riziku a odměnách

Simulant

Jan Hlavnička hlaj13 (talk) 13:58, 8 May 2025 (CET)

Simulace: Simulace tučňáků hledajících lásku na ledové kře 🐧❤️

Popis problému

Cílem simulace je modelovat chování tučňáků během námluv na ledové kře. Tučňáci musí najít vhodného partnera pro hnízdění, přičemž čelí různým vnějším vlivům – nestabilnímu prostředí (praskající led), konkurenci ostatních tučňáků a hrozbě predátorů (např. lachtani).

Každý tučňák má specifické nastavení chování – někteří jsou spíše plachého typu, jiní jsou odvážní a aktivně oslovují potenciální partnery. Odlišný přístup k seznamování ovlivňuje jejich šanci na úspěšné spárování a přežití do hnízdní sezóny.

Cíl simulace

Simulace se zaměří na otázku: Jaký „balící styl“ (strategie chování) vede k nejvyšší šanci na nalezení partnera a založení hnízda, a jak tuto šanci ovlivňuje prostředí a přítomnost rizik? Výsledkem bude doporučení nejefektivnějších „láskových taktik“ v závislosti na kontextu (bezpečné vs. nebezpečné prostředí).

Použití simulace

Simulace může sloužit:

• jako model sociální interakce v zábavné formě,
• jako edukativní nástroj pro představení agentového modelování (např. na středních školách),
• nebo jako metaforické přiblížení seznamovacích strategií ve složitém prostředí.

Použitá metoda a prostředí

Simulace bude vytvořena v prostředí NetLogo jako multiagentní model, kde každý agent (tučňák) bude reprezentovat jiný typ chování. Prostředí bude ledová kra se zónami různé stability a výskytu predátorů.

Tučňáci budou interagovat podle jednoduchých pravidel: přiblíží se k partnerovi, pokusí se o námluvy (s pravděpodobností úspěchu ovlivněnou vlastnostmi obou), a pak spolu odcházejí hnízdit (zmizí ze scény). Mohou být také ohroženi prasknutím kry nebo útokem predátora.

Proměnné

Definované předem:

• Počet tučňáků (např. 50–100)
• Stabilita ledu (pravděpodobnost prasknutí při stání na místě)
• Výskyt predátorů (pravděpodobnost útoku při pohybu)
• Rychlost pohybu a reakce

Typ chování:

• Plachý – čeká, až ho někdo osloví
• Odvážný – aktivně balí ostatní
• Kombinovaný – střídá strategie

Náhodné:

• Rozmístění tučňáků
• Výběr preferovaného partnera (náhodně nebo podle vlastností)
• Výsledek námluv (pravděpodobnost úspěchu podle kompatibility + typu chování)
• Prasknutí ledové kry
• Útok predátora

Možná rozšíření simulace:

• Přidání „charakterových“ rysů (krása peří, zpěv, taneční dovednosti)
• Učení – tučňák se poučí z neúspěchu a změní taktiku
• Sezónnost – časový limit na nalezení partnera (jinak simulace končí smutným singl koncem)

Data

• [https://www.reuters.com/business/environment/emperor-penguins-suffered-mass-breeding-failures-2023-amid-record-low-sea-ice-2024-04-25/ Stabilita mořského ledu a úspěšnost hnízdění
• [https://www.birdsnz.org.nz/wp-content/uploads/2021/12/Rowe_67_etal_451_459.pdf Úspěšnost hnízdění u tučňáků malých
• Selwo Marina Benalmadena – Článek věnující se námluvám a párování, kde popisují darování kamínků jako součást námluv
• BBC Earth, National Geographic, Attenboroughovy dokumenty – často dobře vysvětlují typy chování, interakce a přežívání. Např. March of the Penguins

Simulant

Zuzana Plachá plaz03 (talk) 20:20, 7 May 2025 (CET)

Simulace: Simulace vojenské patroly a střetu s nepřítelem

Popis problému

Simulace se zabývá chováním malé vojenské jednotky (patroly), která operuje v nepřátelském teritoriu. Cílem patroly je bezpečný průchod zadanou trasou. V oblasti se ovšem mohou nacházet nepřátelské síly, které mají za úkol patrolu odhalit a zlikvidovat. Průběh mise ovlivňuje několik proměnných – velikost jednotky, dosah vidění, typ terénu, schopnost včasné reakce a počet a rozmístění nepřátel. Výsledky simulace umožní analyzovat účinnost různých taktik a rozhodovacích pravidel, které jednotka může použít při plnění mise. Zároveň mohou sloužit jako podpůrný nástroj při plánování operací nebo jako tréninková pomůcka pro rozhodování armády v rizikových situacích.

Cíl simulace

Simulace se bude věnovat zodpovězení otázky: jak různé faktory (velikost jednotky, rozmístění nepřátel, strategie pohybu) ovlivňují úspěšnost vojenské patroly při průchodu nebezpečným územím? Cílem je nalézt parametry a strategie, které vedou k nejvyšší pravděpodobnosti úspěšného dokončení mise bez ztrát. Výsledkem bude doporučení efektivních taktických rozhodnutí pro minimalizaci rizika při podobných operacích.

Použití simulace

Simulaci by mohli využít velitelé malých jednotek nebo vojenská akademie pro testování taktik v simulovaných prostředích. Model by jim dokázal vyhodnotit, jak různé strategie a složení jednotky ovlivňují šanci na úspěšné dokončení mise bez ztrát.

Použitá metoda a prostředí

Multiagentní simulace v NetLogo. Agenti v modelu budou reprezentovat členy vojenské patroly a nepřátelské jednotky. Prostředí bude představovat mapu oblasti s různými typy terénu - otevřený terén, les, kryt apod.

Proměnné

Definované předem:

• Počet vojáků v patrole
• Počet nepřátel
• Typ terénu (např. podíl lesů, volného prostoru)
• Trasa patroly (předem definovaná nebo generovaná)
• Dosah vidění vojáků i nepřátel
• Pravidla reakce na kontakt (útěk, útok, přivolání podpory)

Pravděpodobnosti střetu a úspěchu jsou založeny na odhadech inspirovaných vojenskými taktickými příručkami a popisech reálných situací v článcích A-Report.

Náhodné:

• Rozmístění nepřátel v terénu
• Zpozorování nepřítele (pravděpodobnost, že jednotka zahlédne protivníka)
• Výsledek střetu (založen na pravděpodobnosti úspěchu v boji)
• Chování nepřítele (např. zda se ukryje nebo přepadne)

Data

• Základní řád ozbrojených sil České republiky – řád armády ČR
• Časopis A-Report Útoku se nedalo zabránit – Úryvek ze článku věnovaný osudové chybě v boji na Balkáně
• Časopis A-Report Pod ostrou palbou – Úryvek ze článku popisující možnost simulací ve vojenském prostředí
• Vlastní odhady založené na realistických parametrech (např. efektivní dostřel, rychlost pohybu v terénu)

Simulant

Alexandr Sekera seka01 (talk) 15:33, 7 May 2025 (CET)

Simulace: Kontrola jízdenek v MHD

Popis problému

Simulace se zabývá procesem kontrol jízdenek ve veřejné dopravě (např. v systému MHD v Praze). Veřejná doprava je financována částečně z příjmů z jízdného. Cestování "načerno" představuje pro dopravní podnik zdroj ztrát. Proto revizoři od podniku provádějí kontroly platnosti jízdních dokladů. Z toho vyplývá otázka, jak často a jakým způsobem mají být dané kontroly prováděny, aby byly efektivní a ekonomicky dávaly smysl. Výsledky simulace umožní řízení MHD optimalizovat frekvenci kontrol, počet revizorů a tím zvýšit celkovou efektivitu inspekcí.

Cíl simulace

Simulace se bude věnovat zodpovězení otázky: jak ovlivňuje četnost kontrol objem vybraných pokut ve veřejné dopravě? Výsledkem bude doporučení efektivních inspekčních strategií pro maximalizaci vybraných pokut. Simulace také ukáže, kolik revizorů je potřeba pro dosažení požadované míry kontroly.

Použitá metoda a prostředí

Multiagentní simulace v Netlogo. Agenti v modelu budou reprezentovat pasažéry a revizory.

Proměnné

Definované předem:

• Počet cestujících (celkově)
• Počet revizorů
• Výše pokuty (standardní nebo menší za platbu okamžitě)
• Frekvence kontrol (počet provedených kontrol za minutu/hodinu)
• Kapacita vozidla (počet cestujících z celkového čísla, kteří jsou aktuálně v kontrolovaném prostoru)

Náhodné:

• Platnost jízdenky (zda jede pasažér "načerno")
• Zachycení černého pasažéra (zda je neplatnost jízdenky odhalena)
• Zaplacení pokuty (hned či později)

Data

DPP - pokuty a revizoři - výše jednotlivých pokut

DPP - vozový park - kapacity vozidel

Prague public transport inspectors handed out 250,000 fines last year - počty kontrol, pasažérů a revizorů, celková výše pokut, zaplacení pokut

Míra cestování "načerno" pro Prahu není zveřejněna oficiálně. Pro odhad poměru černých pasažérů se lze inspirovat jinými státy (UK, IT).

Simulant

Vladislav Sanin Sanv05 (talk) 21:15, 6 May 2025 (CET)

Simulace: Pavlovovo podmiňování v agentním modelu

Co budu simulovat

Simulace bude modelovat proces klasického (Pavlovova) podmiňování, kdy agent (představující psa) postupně spojuje neutrální podnět (zvonek) s přirozeným podnětem (jídlo). Výsledkem je, že agent začne reagovat podmíněnou reakcí (slinění) i v případě, že se později objeví pouze zvonek bez jídla.

Cíl simulace

Cílem simulace je analyzovat průběh učení podmíněné reakce a zjistit:

• kolik opakování je potřeba k vytvoření podmíněné reakce,
• jak stabilní tato reakce je v čase,
• jak rychle dochází k vyhasnutí reakce (extinkci) při absenci posílení,
• jak efektivní je opětovné učení (re-learning) po ztrátě reakce.

Obecně jde o pochopení mechanismů formování návyků a chování založeného na stimulaci a posilování.

Kdo by takovou simulaci mohl využít a jak by mu pomohla

Simulaci mohou využít například:

• psychologové zabývající se behaviorálním učením,
• učitelé při výuce základních principů behaviorismu,
• vývojáři agentních a AI modelů, kteří chtějí simulovat jednoduché učení nebo formování návyků.

Simulace jim umožní vizuálně a experimentálně sledovat proces klasického podmiňování a analyzovat vliv různých parametrů na průběh učení.

Použitá metoda a prostředí

• Metoda: Agentní simulace využívající jednoduchý model chování se stavovým automatem. Agent mění svůj vnitřní stav v závislosti na podnětech a historii posilování.
• Prostředí: NetLogo

Jaké proměnné budou v simulaci

• Počet pokusů o podmiňování
• Zpoždění mezi zvonkem a jídlem (časování podnětů)
• Frekvence posilování (např. 100 %, 75 %, 50 % případů s jídlem)
• Síla podmíněné reakce (vnitřní proměnná zvyšující se učením)
• Počet extinkčních pokusů (zvonek bez jídla)

Jaké proměnné budou náhodné

• Pravděpodobnost, zda po zvonku následuje jídlo (při částečném posilování)
• Malá náhodná odchylka v chování psa (např. reakční doba, úroveň slinění)

Na jakých datech budou proměnné založené

• Parametry vycházejí z publikovaných výsledků klasických experimentů Pavlova a dalších behaviorálních studií.
• Typické hodnoty časování a pravděpodobností pro různé typy posilování vychází z odborné literatury.
• Síla reakce bude modelována pomocí logistické funkce, která simuluje typickou křivku učení a vyhasínání reakce.
• Pavlov – Lecture 18 (Conditioned Reflexes, 1927)
• Wikipedia – Classical Conditioning
• Simply Psychology – Pavlov’s Dogs

Na jakých datech jsou založeny vzorce v simulaci (chování modelu)

Chování modelu bude založeno na Rescorla-Wagnerově modelu klasického podmiňování, který kvantifikuje změnu síly asociace mezi podmíněným podnětem a nepodmíněným podnětem během jednotlivých pokusů.

• vCalc – Rescorla-Wagner model (alpha and beta version)
• Wikipedia – Rescorla–Wagner model

Simulant

Lans06 (talk) 22:27, 6 May 2025 (CET)

Simulace: Bitva u Azincourtu v roce 1415 (Anglie vs Francie během Stoleté války)

Popis problému

V roce 1415 stála Anglie v čele se svým králem Jindřichem V. proti silám Francie, které měly velmi drtivou převahu (Anglie cca 8500 a Francie cca 15 000). I přes tuto nevýhodu dokázala Anglie vyhrát s nepatrnými ztrátami. Dle historických pramenů to bylo především díky strategickému umístění anglického vojska v úzkém prostoru mezi stromy, kde nemohly francouzské jednotky přímo naběhnout a využít drtivou sílu svých počtů bojovníků - musely postavit více řad bojovníků za sebou a nemohly anglické jednotky obklopit.

Cíl simulace

Simulace se bude věnovat otázce: Měla by Francie šanci vyhrát bitvu, kdyby se bitva odehrávala na širokém prostranství narozdíl od úzkého prostoru? Nebo by stále Anglie dokázala vyhrát, kdyby přišla o výhodu okolí?

Použití simulace

Simulace může sloužit:

• historikům - náhled do historie, kdyby měla bitva jiný průběh
• Úvaha nad historickou událostí, která ovlivnila Stoletou válku

Cíl simulace

• dokázat, jak terén může ovlivnit průběh bitvy, pokud je stanovena správná strategie
• změní se průběh bitvy a dokáže Francie vyhrát?
• jak moc účinné je zbraň Long Bow (dlouhý luk) v otevřeném terénu?

Použitá metoda a prostředí

Multiagentní simulace v NetLogo, kde agenti budou jednotky Anglie (pěšáci, střelci s Long Bow) a Francie (pěšáci, kavalérie, střelci s Long Bow, střelci s kuší).

Proměnné v simulaci

Definované předem:

• počet a rozložení jednotek anglické armády
• počet a rozložení jednotek francouzské armády

Náhodné

• pohyb jednotek (každá jednotka má své reakce a možnosti pohybu)
• střelba z Long Bow - kolik zvládne vystřelit šípů za určitý čas

Data

• https://www.stoplusjednicka.cz/bitva-u-azincourtu-stret-ktery-rozhodl-nekonecnou-valku-mezi-anglii-francii
• https://zoom.iprima.cz/historie/bitva-u-azincourtu
• vlastní poznatky z rekonstrukcí bitev

Simulant

Bilk08 (talk) 12:00, 12 May 2025 (CET)

Simulace: Phishing na hybridním pracovišti

Popis problému

Práce bude zkoumat roli hybridního (onsite & remote) pracoviště na pravděpodobnsot úspěšného phishing útoku. Remote zaměstnanci méně komunikují, než jejich onsite kolegové, což snižuje pravděpodobnost, že o podezřelém emailu někomu řeknou nebo u stolu jen prohlásí "to je divný" nebo "taky jsi dostal tenhle trenink do zitra?". Simulace bude uvažovat, že ne každý zaměstnanec má přístup ke kritickým systémům, jen někteří mohou způsobit firmě vážné škody, ale pokud se tak stane, následky jsou velké.

Cíl simulace

Simulace má za cíl zjistit, jaké budou škody s různými konfiguracemi onsite vs. remote zaměstnanců.

Kdo by takovou simulaci mohl využít a jak by mu pomohla

Jakákoli korporát/firma s kombinací onsite a remote zaměstnanců (populární po pandemii)

Použitá metoda a prostředí

• Metoda: Multi-agentní simulace
• Prostředí: NetLogo

Jaké proměnné budou v simulaci

• Deterministické:
  • Socializace (např. oběd)
  • Délka sprintu (ke konci sprintu klesá pozornost, roste zbrklost)
  • Počet zaměstnanců s kritickými přístupy
  • Počet onsite zaměstnanců
  • Počet remote zamšstnanců
  • Intervaly mezi interními phishing testy IT oddělení

• Náhodné:
  • Četnost phishing útoků
  • Základní pravděpodobnost naletění na phishing
  • Pravděpodobnost naletění po školení (efekt se bude s časem od školení snižovat)
  • Pravděpodobnost naletění po úspěšném útoku
  • Remote & onsite pravděpodobnost komunikace (při odhalení phishingu)
  • Ztráta způsobená úspěšným phishingovým útokem bez kritických přístupů
  • Ztráta způsobená úspěšným phishingovým útokem s kritickými přístupy

Data

• Vědecké články (např. psychologické studie na efekt o interních phishing testech, jak zvyšuje pracovní nápor pravděpodobnost naletění)
• Phishingové statistiky (např. četnost, úspěšnost, severita)

Simulant

Lebm05 (talk) 12:59, 12 May 2025 (CET)

Simulace: Obsazenost akutních lůžek v českých nemocnicích

Popis problému

České nemocnice disponují v průměru 4,6 akutními lůžky na 1 000 obyvatel. Při průměrné ošetřovací době, která teď činí 5,5 dne, dochází k fluktuacím mezi novými přijetími pacientů, obsazeným počtem lůžek a propouštěním pacientů. Při obsazenosti vyšší než 85 %, kvalita péče klesá, prodlužují se čekací doby a zvyšuje se riziko komplikací a nozokomiálních infekcí.

Simulace bude odhadovat vývoj obsazenosti akutních lůžek v čase a vyhodnotí dopad různých intervencí (zkrácení průměrné ošetřovací doby, navýšení kapacity, řízení fronty).

Výsledky simulace ukážou, která opatření nejvíce snižují riziko dlouhodobé obsazenosti nad 85 %, kdy už dochází k prodlužování čekacích dob a nárůstu infekcí; také mohou sloužit jako podpora rozhodování o investicích a rozdělení rozpočtu.

Cíl simulace

Cílem simulace je zodpovědět na otázku, do jaké míry a jak rychle udržení obsazenosti pod 85 % ovlivní faktory jako:

• Snížení průměrné ošetřovací doby o 10 %
• Navýšení kapacity o 10 %
• Řízená fronta (prioritizace)

Ve všech scénářích budu sledovat průměrnou denní obsazenost lůžek, maximální délku fronty, a čas, za který obsazenost překročí nebo zůstane pod hranicí 85 %.

Použití simulace

Kdo může simulaci použít? Simulace umožní vedení zdravotnických zařízení a manažérům identifikovat dlouhodobé rizikové body v lůžkové kapacitě a následně je mohou využít k optimalizaci strategických investic tak, aby udrželi kontinuitu péče a finanční udržitelnost i při demografických změnách či neočekávaných vlnách poptávky. Díky simulaci mohou předem ověřit dopad různých politik (např. zkrácení průměrné ošetřovací doby, rozšíření kapacity, prioritizace příjmu) a na základě toho nastavit robustní krizové plány a alokaci zdrojů.

Použitá metoda a prostředí

Pro tvorbu simulace využit přístup Systémové dynamiky a nástroj Vensim PLE.

Proměnné

• Počet obyvatel
• Počet hospitalizovaných pacientů (akutní lůžka)
• Počet nově hospitalizovaných pacientů
• Počet propuštěných pacientů
• Průměrná délka hospitalizace
• Míra propuštění
• Průměrné denní množství nových žádostí o hospitalizaci
• Míra hospitalizace
• Celkový počet akutních lůžek
• Míra navýšení kapacity při obsazenosti větší než 85 %
• Počet volných lůžek
• Obsazenost lůžek

Data

• Počet obyvatel v ČR. [20]
• Zdravotní péče České republiky. [21]
• Zdravotnická ročenka České republiky. [22]
• Hospitalizace v nemocnicích ČR. [23]
• Pohyb obyvatelstva - rok 2021. [24]

Simulant

Olesia Kozlova (kozo01) (talk) 16:07, 12 May 2025 (CET)

SchválenoOleg.Svatos (talk) 20:45, 12 May 2025 (CET)

Simulace: Eutrofizace vodní plochy

Popis problému

Eutrofizace vodních ploch je přírodní jev, který může být výrazně ovlivněn antropogenní činností. Jedná se zejména o jednotlivé chemické pochody, které způsobují nárůst biomasy na hladině vodní plochy. Díky tomuto růstu dochází k postupnému snižování světelných podmínek pod úrovní hladiny, což způsobuje úhyn biomasy a dochází k zvýšení rozkladných procesů, které zapříčiňují úbytek kyslíku v celé vodní nádrži. Následkem toho dochází i k úhynu vodních živočichů závislých na koncentraci kyslíku pod hladinou.

Cíl simulace

Cílem simulace je namodelovat celý proces eutrofizace, který bude ovlivněn antropogenní činností (např. splachy z polí). Zodpoví jednu z důležitých otázek: Jak antropogenní činnost urychluje eutrofizaci.

Použití simulace

• Simulace může být využita k akademickému studiu eutrofizace,
• jako podpora při legislativních rozhodnutí,
• může vylepšit strategické plánování ve vodohospodářských organizacích, nebo
• strategické plánování zemědělců.

Použitá metoda a prostředí

• Simulace využívá program Vensim, který byl vybrán na základě jeho schopnosti namodelovat toky a vazby mezi jednotlivými proměnnými ve sledovaném prostředí.

Proměnné

• Definované předem:
  • úroveň eutrofizace,
  • počáteční množství biomasy,
  • počáteční množství živočichů,
  • počáteční pH vody,
  • počáteční obsah kyslíku.

• Náhodné:
  • počasí,
  • zalévání zemědělských ploch.

Popřípadě další.

Data

• YANG, Xiao-e, Xiang WU, Hu-lin HAO a Zhen-li HE, 2008. Mechanisms and assessment of water eutrophication. Journal of Zhejiang University. Science. B [online]. 9(3), 197–209. ISSN 1673-1581. Dostupné z: doi:10.1631/jzus.B0710626

Simulant

Eliška Benešová (bene08) (talk) 16:07, 12 May 2025 (CET)

Schváleno Oleg.Svatos (talk) 20:50, 12 May 2025 (CET)

Simulace: Simulace průchodu cestujících pasovou kontrolou na letišti

Popis problému

Letiště v době dopravní špičky čelí problémům s kapacitou pasové kontroly. Nedostatečný počet otevřených přepážek vede k dlouhým frontám a nespokojenosti cestujících. Naopak příliš mnoho otevřených přepážek může znamenat neefektivní využití personálu. Proto je potřeba najít rovnováhu mezi těmito dvěma faktory.

Cíl simulace

Cílem simulace je analyzovat vliv počtu otevřených přepážek na délku fronty a maximální čekací dobu cestujících. Jedním z hlavních cílů je identifikovat maximální čekací dobu v případech, kdy nejsou otevřeny všechny dostupné přepážky, a navrhnout optimální počet přepážek pro různé scénáře zatížení.

Použití simulace

Simulaci může využít letištní management, konkrétně vedoucí směny nebo plánovači personálu, kteří rozhodují o počtu aktivních pracovníků v jednotlivých časových intervalech. Pomůže jim lépe plánovat směny a optimalizovat provoz pasové kontroly tak, aby se předešlo zbytečným zpožděním i plýtvání lidskými zdroji.

Použitá metoda a prostředí

Použiji agentní simulaci v jazyce Rust, s využitím open-source herního enginu Bevy (verze 0.13) jako vizuálního a simulačního prostředí. Každý cestující bude modelován jako agent, který dorazí, čeká ve frontě, a je odbaven u přepážky podle pravidel fronty (FIFO). Přepážky budou reprezentovány jako paralelní servery.

Proměnné

Deterministické proměnné:

• Počet otevřených přepážek
• Reálný rozvrh příletů letadel
• Počet cestujících vystupujících z každého příletu (interval 5 minut)

Náhodné proměnné:

• Interval mezi příchody cestujících (exponenciální rozdělení)
• Doba odbavení u přepážky (normální rozdělení)
• Rychlost přechodu cestujících od gate k pasové kontrole

Měřené výstupy:

• Průměrná čekací doba
• Maximální čekací doba
• Využití jednotlivých přepážek v %
• Délka fronty v čase

Data

Průměrná doba odbavení: Na základě interních dat z provozu pasové kontroly letiště.

Intenzita příchozích cestujících: Data získáná z každodenního leteckého provozu mimo sezónu a v sezóně (červen - září)

Simulant

Papd01 (talk) 17:25, 12 May 2025 (CET)

Simulace: Autobusová linka v městské dopravě

Popis problému

Simulace se zabývá provozem autobusové linky v městské dopravě. Veřejná doprava je klíčová pro fungování měst a efektivní provoz autobusových linek zajišťuje dostupnost a komfort pro cestující. V praxi dochází k problémům, jako je přetížení spojů během špičky, zpoždění, dlouhé čekací doby na zastávkách nebo nevyužité kapacity mimo špičku. Simulace umožní analyzovat, jak různé faktory (například počet autobusů, intervaly mezi spoji, kapacita vozidel nebo rozložení cestujících během dne) ovlivňují kvalitu přepravy a vytížení linky. Výsledky simulace mohou pomoci dopravcům optimalizovat jízdní řády a nasazení vozidel.

Cíl simulace

Cílem simulace je zjistit, jak různé parametry provozu autobusové linky ovlivňují:

• průměrnou dobu čekání cestujících na zastávce,
• naplněnost autobusů v různých částech trasy a v různých časech,
• identifikaci kritických zastávek s přetížením,
• doporučení pro optimalizaci jízdního řádu a kapacity linky.

Použitá metoda a prostředí

Multiagentní simulace v NetLogo. Agenty v modelu budou reprezentovat autobusy, cestující a zastávky.

Proměnné

Definované předem:

• Počet autobusů na lince
• Kapacita jednoho autobusu
• Počet zastávek a jejich rozložení na trase
• Interval mezi odjezdy autobusů
• Délka trasy a čas potřebný k projetí celé linky

Náhodné:

• Počet cestujících přicházejících na jednotlivé zastávky v čase (modeluje špičku/mimo špičku)
• Cílová zastávka každého cestujícího (kde vystupuje)
• Doba nástupu a výstupu cestujících

Data

• DPP – vozový park – kapacity autobusů, typy vozidel
• PID – jízdní řády autobusů – intervaly a rozložení spojů
• DPP – statistiky – počty cestujících, vytížení linek

Pro modelování rozložení cestujících v čase lze vycházet z běžných statistik dopravních podniků nebo využít odhadů podle typu linky (městská, příměstská, školní apod.).

Simulant

jelp05 (talk) 18:35, 12 May 2025 (CET)

Simulace: Šíření invazních druhů rostlin v krajině

Popis problému

Invazní rostliny představují závažný ekologický problém, který ohrožuje biodiverzitu, mění dynamiku ekosystémů a může způsobovat výrazné ekonomické škody. Přestože existují různé metody jejich potlačení, jejich účinnost se liší podle situace a podmínek v dané oblasti. Vzhledem k tomu, že přímé testování zásahů v reálném prostředí je nákladné a obtížně opakovatelné, bude v této práci navržena simulace, která umožní predikci vývoje a porovnání efektivity různých zásahových strategií.

Cíl simulace

Simulace bude navržena s cílem modelovat a analyzovat dynamiku šíření vybraných invazních rostlinných druhů v různých typech krajiny. Bude zohledňovat klíčové faktory ovlivňující rozšiřování – jako jsou podmínky prostředí (vlhkost, teplota, typ půdy), biologické vlastnosti rostlin (rychlost růstu, produkce a klíčivost semen) a způsoby šíření (např. pomocí větru, vody nebo lidské činnosti). Součástí modelu bude také testování různých zásahových strategií, jako je mechanická likvidace, aplikace herbicidů nebo jejich kombinace

Použití simulace

Výsledky simulace poskytnou náhled na chování invazních druhů v čase a prostoru a umožní testovat zásahy bez přímého zásahu do reálného ekosystému. Simulace bude sloužit jako nástroj pro podporu rozhodování v oblasti ochrany přírody, krajinného plánování a managementu invazních druhů. Výstupy bude možné využít například ochranářskými organizacemi nebo správci chráněných území pro návrh efektivních a šetrných zásahových postupů.

Použitá metoda a prostředí

Prostředí: NetLogo (agentní modelování)

Proměnné

Deterministické proměnné:

• Biologické vlastnosti rostlin (rychlost růstu, počet a klíčivost semen, vegetační cyklus)
• Podmínky prostředí (vlhkost, teplota, typ půdy)
• Strategické zásahy (mechanické odstraňování, chemická likvidace, kombinace metod)
• Typ krajiny (pole, louka, les, urbanizované prostředí)

Náhodné proměnné:

• Směr a dosah šíření semen
• Počáteční rozmístění rostlin
• Vliv náhodných klimatických odchylek

Data

Data pro model budou získána z databáze Agentury ochrany přírody a krajiny ČR (https://invaznidruhy.nature.cz), která poskytuje podrobné informace o biologických a ekologických vlastnostech jednotlivých invazních druhů. Další poznatky budou čerpány z odborné literatury a metodických doporučení pro boj s invazními rostlinami.

Simulant

kala13 (talk) 19:54, 12 May 2025 (CET)