Assignment SS 2024/2025/cs

From Simulace.info
Revision as of 11:32, 14 June 2025 by Kubd06 (talk | contribs) (→‎Simulace: Chování zákazníků v supermarketu/večerce)
Jump to: navigation, search

Please, put here your assignments. Do not forget to sign them. You can use ~~~~ (four tildas) for an automatic signature. Use Show preview in order to check the result before your final sumbition.

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.

Topics on gambling, cards, etc. are not welcome.

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.

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).

  1. Is it clear from the proposed assignment how the simulation will work?
  2. Does the simulation make sense?
  3. Is the simulation model complex enough to simulate credibly the real-world phenomenon that the simulation tries to simulate?
  4. Is the data used real and relevant for the real-world phenomenon that the simulation tries to simulate?
  5. 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.

Contents

Simulace: Šíření houby Ophiocordyceps mezi mravenci

Popis problému

Model simuluje, jak parazitická houba Ophiocordyceps unilateralis infikuje kolonie mravenců a manipuluje jejich chování, až do tzv. „death grip“ fáze. V této fázi parazit manipuluje mravence tak, že vyšplhá na list nebo větev, pevně se do ní zakousne a zemře. Tím se jeho tělo dostane do výšky, kde se spory houby mohou lépe rozptýlit a dopadnout na okolní vegetaci či další mravence. BioMed Central. Počáteční kolonii představují zdraví dělníci, později nakažení jedinci, kteří šíří infekci kontaktem.

Cíl simulace

Cílem simulace je zjistit, jak se infekce houbou Cordyceps šíří v mravenčí populaci a jak různé faktory ovlivňují její rychlost a rozsah. Simulace se zaměřuje na jednoduchý model přenosu infekce prostřednictvím kontaktu se sporami a sleduje vývoj šíření v čase.

Použití simulace

  • pro ekologický výzkum – simulace může sloužit jako nástroj pro lepší porozumění tomu, jak se šíří specializovaní parazité v přirozeném prostředí
  • pro vzdělávací účely
  • prediktivní nástroj – testování hypotéz bez nutnosti zásahů do reálných populací, např. jak se změní průběh infekce při jiném mikroklimatu, nebo jak důležitá je hustota tras

Použitá metoda a prostředí

Simulace bude vytvořena v prostředí NetLogo. V tomto modelu agenti představují jednotlivé mravence a prostředí reprezentuje síť mravenčích tras v rámci kolonie a jejího okolí. Každý agent má svůj stav (zdravý, infikovaný, mrtvý) a podle toho mění své chování. Každý mravenec se v prostředí pohybuje podle jednoduchých pravidel. Pokud narazí na infekční místo, tedy místo, kde předtím zemřel jiný nakažený jedinec, může se nakazit. Po inkubační době se jeho chování změní a následně zemře, čímž vytvoří nové infekční místo. Šíření infekce je tedy zprostředkováno kontaktem zdravých jedinců s místy, kde dříve došlo k úmrtí nakaženého mravence.

Proměnné

Definované předem: 

• počet mravenců na začátku
• počet počátečních nakažených jedinců

pravděpodobnost nákazy při kontaktu se sporami 

• inkubační doba
• doba, po kterou zůstává místo infekční po smrti mravence

Náhodné: 

• umístění počátečně nakažených jedinců
• směr a trasa pohybu jednotlivých mravenců
• výsledný počet nakažených, mrtvých a zdravých mravenců (mění se mezi běhy)
• prostorový vzorec šíření infekce

Data

Simulant

macn04 (talk) 14:55, 20 May 2025 (CET)

Tento typ simulace není až tak originální, ale kvituji, že volíte zcela konkrétní situaci. Schváleno. Tomáš (talk) 07:49, 23 May 2025 (CET)

Simulace provozu čajovny s vodní dýmkou s cílem optimalizace obsluhy a nabídky

Popis problému

Simulace bude modelovat provoz specifického typu podniku – čajovny s vodní dýmkou, která má kapacitu přibližně 40 míst k sezení a funguje každý den od 16:00 do 01:00. V provozu se střídá 5 zaměstnanců, přičemž v danou chvíli jsou přítomni 1 až 3 zaměstnanci podle aktuální návštěvnosti. Cílem je optimalizovat provozní strategii čajovny, především v oblasti personálního obsazení, nabídky produktů (čaje, tabáky, doplňkové občerstvení), a doby obsluhy. Simulace pomůže lépe pochopit tok zákazníků, identifikovat špičky v návštěvnosti a navrhnout efektivnější model plánování směn i zásob.

Cíl simulace

Cílem simulace je analyzovat:

  • Kolik zaměstnanců je optimální mít přítomných v jednotlivých hodinách/dnech
  • Jaký je očekávaný zisk při různých strategiích obsazení a nabídky
  • Vliv produktového mixu (čaj, dýmky, občerstvení) na výnos
  • Identifikace hodin/dní se špičkami v návštěvnosti
  • Optimalizace času obsluhy vs. počet zákazníků na směnu

Použití simulace

  • Provozovatelem čajovny při plánování směn a zásobování
  • Potenciálními investory při zvažování rozšíření podniku nebo franšízy
  • Analytiky provozních dat pro zvýšení efektivity

Použitá metoda a prostředí

  • Monte Carlo simulace nebo systémová dynamika (např. ve Vensimu)

  • Simulační prostředí: Excel nebo Vensim (pro systémové vazby jako sklad – poptávka – personál)

Proměnné

Definované předem:


  • hour_of_day – hodina v rámci otevírací doby (16:00–01:00)

  • day_of_week – den v týdnu (některé dny mají vyšší návštěvnost)

  • seats_available – počet volných míst v daném okamžiku (max. 40)

  • employee_count – počet zaměstnanců přítomných na směně (1–3)

  • menu_items – seznam položek (čaj, dýmka, občerstvení), každá má průměrnou dobu přípravy a marži

Náhodné:


  • customer_arrival_rate – náhodný tok zákazníků podle dne a hodiny

  • stay_duration – průměrná délka pobytu zákazníka (např. 90–180 minut)

  • order_type_distribution – rozdělení typů objednávek (např. 40 % čaj + dýmka, 30 % jen dýmka, 20 % čaj, 10 % vše)

  • order_size – kolik toho skupina objedná
*satisfaction_index – míra spokojenosti zákazníků ovlivněná délkou čekání a dostupností obsluhy

Výstupní proměnné:


  • profit_per_hour – zisk za hodinu (součet tržeb – náklady na zaměstnance a suroviny)

  • average_wait_time – průměrná doba čekání na obsluhu

  • employee_utilization – míra vytíženosti zaměstnanců (např. obsluha vs. doba nečinnosti)

Data

  • Simulovaná historická data návštěvnosti podle dne a hodiny (na základě kvalifikovaného odhadu nebo rozhovoru s provozovatelem)

  • Ceník nabízených produktů a čas potřebný na jejich přípravu

  • Náklady na zaměstnance (mzda za hodinu)

  • Průměrná marže na jednotlivé položky

  • Statistické odhady délky pobytu zákazníků podle dne a hodiny

Tato simulace může být rozšířena o pokročilejší strategii, například dynamické přizpůsobení cen podle obsazenosti (happy hour), nebo zavedení rezervačního systému pro sledování předpokládané návštěvnosti.

Simulant

Isar00 (talk) 17:38, 17 May 2025 (CET)

ve Vensimu by to šlo, důležité je pak ve zprávě k simulaci uvést, jak jste k rovnicím uvedených v modelu přišel. SchválenoOleg.Svatos (talk) 05:09, 19 May 2025 (CET)

Simulace: Sebe-deportační program pro nelegální vetřelce v USA

Popis problému

Simulace bude modelovat rozhodovací proces nelegálních migrantů („illegal aliens“) v USA v rámci nového programu sebe-deportace prostřednictvím aplikace CBP Home. Tento program nabízí finanční odměnu ve výši 1 000 USD a bezplatný let „kamkoliv“ výměnou za dobrovolný odchod ze země. Pomocí této iniciativy dle slov prezidenta Trumpa ušetří daňoví poplatníci v USA „miliardy a miliardy“ dolarů.

Cíl simulace

Cílem simulace je analyzovat program sebe-deportace z hlediska:

  • Počtu migrantů, kteří se rozhodnou program využít
  • Finančních úspor pro vládu USA ve srovnání s náklady na nucené deportace
  • Klíčových faktorů ovlivňujících rozhodnutí migrantů

Použití simulace

  • Ministerstvem vnitřní bezpečnosti USA pro odhad efektivity programu a optimalizaci politiky sebe-deportace
  • Týmem Donalda Trumpa pro další predikci ohledně úspor daňových poplatníků
  • Výzkumnými institucemi pro analýzu dopadů imigračních politik na chování migrantů

Použitá metoda a prostředí

  • NetLogo
  • Každý agent bude reprezentovat jednotlivého vetřelce s vlastními atributy stanovenými pomocí níže uvedených proměnných. Na základě těchto atributů a definovaných pravidel se agenti budou rozhodovat, zda program sebe-deportace využijí. Prostředí simulace bude tvořeno mřížkou, kde jednotlivé buňky mohou reprezentovat různé geografické oblasti s odlišnou úrovní vymáhání práva. Agenti se mohou pohybovat po této mřížce.

Proměnné

Definované předem:

  • enforcement_level - úroveň vymáhání imigračního práva v daném regionu
  • incentive_amount - výše finanční pobídky za sebe-deportaci (1000 USD)
  • awareness_level - informovanost migranta existenci o programu (s časem roste)
  • time_since_policy - doba od spuštění programu

Náhodné:

  • decision_to_leave - rozhodnutí migranta odejít (ano/ne) na základě vypočtené pravděpodobnosti (ovlivněné jeho atributy)
  • risk_of_enforcement - riziko zadržení a deportace
  • trust_in_government - důvěra migranta ve vládní instituce a sliby
  • family_pressure - tlak rodiny na rozhodnutí zůstat nebo odejít

Data

Simulant

Masd04 (talk) 15:50, 13 May 2025 (CET)

Téma je bezesporu originální a oceňuji satirickou notu, kterou v něm cítím. Ale je velmi obtížně vyhodnotitelné. Pracujete s velmi měkkými veličinami, výsledky by byly nesmírně těžko prokazatelné. Popřemýšlejte o tom prosím ještě, případně navrhněte něco jiného. Tomáš (talk) 12:32, 14 May 2025 (CET)

Simulace: Bakterie na rukou

Popis problému

Bakterie, stejně jako jiné mikroorganismy, jsou přítomny kolem nás a končí pak i na našich rukou. Některé mohou být pro člověka zdrojem infekcí. Je proto důležité dbát na řádnou hygienu a umývat si ruce pečlivě.

Cíl simulace

Cílem bude simulovat množství bakterií (od virů, prvoků apod. abstrahuji pro zjednodušení) na povorchu lidské ruky (abstrahuji od rozdílu mezi dominantní a nedominantní) za běžného dne a jaký na něj vliv má četnost a kvalita mytí rukou.

Použití simulace

  • Edukativní – názorná ukázka např. dětem
  • Simulace účinku mycích prostředků

Použitá metoda a prostředí

Simulace v NetLogo. Bakterie budou existovat na povrchu ruky (respektive dlaně). S postupem času vznikají události navyšující počet bakterií (např. použití wc – bude záviset na dostupnosti dat). Události mytí rukou jejich počet naopak sníži – míra závisí na použitém přípravku (např. pouze voda, mýdlo, 70% ethanol) a kvalitě (pečlivosti) mytí. Mokré ruce na sebe nachytávají více bakterií.

Je možné, že simulace bude "interaktivní" v tom smyslu, že uživatel simulace bude mít možnost spouštět (nebo nespouštět) jednotlivé události které zvyšují počet bakterií a události mytí rukou. Tuto verzi osobně preferuji (interaktivní materiály zpravidla naučí více), nicméně ve výsledku bude záviset na možnostech NetLoga a mé schopnosti s kódem.

Proměnné

Definované předem:

  • Bakterie – pobývají na povrchu ruky
  • Účinnost přípravku – jak účinně (%) přípravek redukuje počet bakterií
  • Typ člověka – jak čistotný majitel ruky je –> jak kvalitně si myje ruce a jestli jsou suché (T/F)

Náhodné:

  • Rozmístění bakterií.
  • Příbytek bakterií (počet v rámci daného rozmezí)

Data

Věřím však, že to bude možné. Případně přizpůsobím nějaké proměnné nalezeným datům (např. pokud mi kvalitní data umožní přidat proměnné nebo nějaké nahradit), aby práce byla podložena daty.

Simulant

Jana19 (talk) 21:57, 12 May 2025 (CET)

Téma vypadá dobře, moc se mi jen nelíbí, že hlavně proměnné jsou hodně "měkké". Nejhorší v tomto smyslu je ten "typ člověka". Jak to budete hodnotit, kolik lidí kterého typu existuje - kór, když jde o kritérium binární? Zkuste to dopracovat a najít "tvrdší" charakteristiky, ke kterým data snáze najdete. Co třeba typy povrchů? Tomáš (talk) 12:39, 14 May 2025 (CET)

RE: Typ člověka není binární kritérium, binární je poze to, zda jsou ruce mokré nebo suché – tedy mokré: True/False. Což ale souvistí s tím typem člověka, který by měl popisovat, jak dobře si ruce myje a suší. Ze sušení pak vzniká ta binární proměnná. To jak kvalitně si myje ruce si představuji jako nějaký koeficient – hodnota z nějakého rozmezí, kterou bych poté vynásobila účinek mycího prostředku aby se vyhodnotil úbytek bakterií. Konkrétní pobobu toho typu člověka musím ještě promyslet, hlavně podle toho jak najdu data – pravděpodobně to bude odvozené z délky mytí rukou (kolik je potřeba a kolik tomu lidé obvykle dají). Ale jedna z možností, co mě napadla by bylo vytvoření archetypů jako "špindíra" a "poctivec", které by ten koeficient nastavili na určitou honotu. Ale mohla bych tam asi dát i možnost uživateli si jej nastait, jak chce (tedy v nějaké pro uživatele stravitelné podobě). Myslíte, že bude stačit takto ten koeficient, nebo tam budete chtít i zanést nějakou míru náhody (jako náhodnou odchylku +- xy % při akci mytí rukou)?

Tohle je právě potřeba mít promyšleno už u toho zadání. Povedlo se Vám to mezitím rozpracovat? Takhle "od boku" mi samozřejmě dává větší smysl mít tam náhodnou proměnnou z nějakého relevantního rozdělení. Tomáš (talk) 07:52, 23 May 2025 (CET)

Tak nějaké rozdělení by v tom bylo, s tím počítám. Neměla jsem čas hledat konkrétní data z nějakých odborných prací a studií apod. Ale pokud by Vám stačila data např. odsud: https://dip-slides.com/dipslide-blog/dipslide-details.php?dipslide=27 – mají uvedené počty v jednotných jednotkách a navíc v jednotkách plochy, na které bych to stejně musela převádět. Vybrala bych odtamtud několik běžných povrchů (mobilní telefon, oběživo, klávesnice,...), dohledala další data (myslím že by stálo za to dohledat data k toaletám, ať to má větší "užitečnost"). Z hodnot, co tam mají bych si udělala rozmezí +- 10 % a dala to do normálního rozdělení (respektive by bylo jednodušší si z normálního rozdělení vybrat hodnotu, kterou se hodnota z dat vynásobí), čímž by se vytvořila nějaká ta "náhoda". Takže bychom měli událost např. mobilní telefon - takže by to bylo 13.2 CFU/cm2 +- 0 až 10 % vybráno náhodně. Pokud bychom chtěli sledovat celou ruku, tak vynásobíme na správný počet cm2, ale to bych raději nedělala, protože pak se dostaneme do příliš velkých podrobností se záhyby, pozicemi, nehty… a to už by bylo zbytečně komplikované. Podobně bych to udělala i s tím mytím rukou – zavedla bych tam podobnou odchylku +- několik %, která by se vybrala náhodně z normálního rozdělení a následně by se tím vynásobil úbytek bakterií při mytí rukou, čímž by se zavedla další míra náhody.

"Nejaké rozdělení by v tom bylo..." - máte osobitý styl definice témat. Blokovat Vám to nebudu, čas běží a udělat se to takto dá, ale v řešení bych ocenil sebevědomější "jistější" formulace. Schváleno. Tomáš (talk) 14:03, 27 May 2025 (CET)

Simulace: Chování zákazníků v supermarketu/večerce

Popis problému

Supermarkety čelí výzvám při optimalizaci rozložení regálů a organizace prostoru, aby maximalizovaly zisk a zkrátily dobu nákupu tak, aby se prostory nepřeplnily. Zákazníci mají různá nákupní chování, přičemž někteří nakupují plánovaně, jiní se rozhodují impulzivně nebo reagují na nabídky slev. Tyto faktory spolu s hustotou zákazníků, pozicemi zboží a frontami mohou mít zásadní vliv na efektivitu nákupního procesu.

Cíl simulace

Cílem simulace je zjistit, jak správné rozmístění regálů napomůže efektivitě supermarketu/večerky. Toho by mělo být dosaženo zakomponováním různých faktorů, které chod ovlivňují, jako je rozložení zboží, počet zákazníků a jejich chování, slevy, Délku pobytu v obchodě, Zatížení jednotlivých uliček a zón, Pravděpodobnost impulzivního nákupu zboží, Fronty u pokladen....

Simulace by měla pomoci v návrhu efektivního rozmístění a optimalizaci nákupního procesu.

Použití simulace

Kdo může simulaci použít?

  • Marketingová oddělení
  • večerky
  • supermarkety
  • Designeři obchodních prostorů

Použitá metoda a prostředí

Simulace bude vytvořena v NetLogo, které umožní modelovat prostor supermarketu, pohyb zákazníků a jejich chování. Každý zákazník, zboží je považován za agenta, který interaguje s prostředím (supermarketem) a dalšími agenty (ostatními zákazníky). Model bude simulovat různé množství zákazníků, rozmístění zboží, slevy.

Proměnné

Definované předem:

  • Rozložení obchodu: Počet regálů, uliček,...
  • Průměrná doba strávená na pokladně
  • Počet zón v obchodě: Zóny jako ovoce, zelenina, pečivo, nápoje,...
  • Typy zboží v prodeji
  • Typ slevové akce
  •  % Impulzivní nákupy

Náhodné:

  • Typ zákazníka - plánovaný nákup, impulzivní nákup, procházející,...
  • Doba rozhodování o nákupu - např. plánovaný 5-10sec, impulzivní - x sec,...
  • Rychlost pohybu zákazníka
  • Počet zákazníků v obchodě
  • Případně umístění zboží ve slevě - v simulaci bych mohl ozkoušet i druhou verzi kdy bude umístění vždy stejné.


Data

  • Prostředí supermarketu [1]
  • Grocery layout [2]
  • Kapacita/rychlost pokladen [3]
  • Layout [4]
  • How to Create an Inviting Retail Store Layout [5]
  • How Understanding Your Grocery Store’s Layout Can Save You Money [6]
  • Typy zákazníků [7]
  • Rozložení prodejen v Čr

Simulant

Kubánek David (kubd06) (talk) 22:00, 12 May 2025 (CET)

Schváleno. Téma dobré, jen si dejte pozor na "měkké" proměnné. Třeba to striktní oddělení impulzivního/normálního nákupu není podle mě realistické a neseženete k tomu data. Raději bych pracovat s nějakou proměnnou délky strávené v prodejně. Tady hodnoty příslušného statistického rozdělení rozhodně seženete lépe. Tomáš (talk) 12:43, 14 May 2025 (CET)

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)

Schváleno Oleg.Svatos (talk) 06:29, 14 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 [8]
  • Medvěd hnědý - biotop a teritorium [9]
  • Medvěd na Slovensku [10]

Simulant

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

Dejte si opravdu pozor na zdrojová data a jejic využití. Simulace se dá provést více způsoby, pokud by to bylo příliš zjednodušené, mohlo by se to zvrhnout v banalitu (je to v podstatě varianta Predator-Prey, která byla simulována už nesčetněkrát). Provést to realisticky nebude úplně snadno. Schváleno. Tomáš (talk) 12:48, 14 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. [11]
  • Způsob rozmnožování divokých prasat. [12]
  • Policejní odstřel divokých prasat. [13]
  • Prase divoké – základní informace. [14]
  • Životní cyklus divokých prasat. [15]
  • Lov divokého prasete. [16]

Simulant

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

Jde o variantu klasické úlohy Predator-Prey, která byla řešena už mnohokrát. Chtěl bych, aby to nedopadlo klasicným rámečkem s rozmístěnými prasaty. myslivci a vegetací, takže bych doporučoval ještě rozpracovat detaily. Nicméně schváleno. Tomáš (talk) 12:54, 14 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 [17]
  • mapa ZOO Praha (obrázková) [18]
  • mapa ZOO Praha [19]
  • přiklad info o zvířeti ZOO Praha [20]
  • převoz tygrů [21]
  • CITES transport guidelines [22]

Simulant

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

Schváleno. Tomáš (talk) 08:42, 15 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

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


Simulant

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

Moc nadšený z toho tématu nejsem. Většinou tahle hazardní témata zamítáme hlavně z důvodu, že ten výsledek je obvykle bývá poměrně snadno analyticky převídatelný. Tady aspoň pracujete s porovnáváním těch strategií, budiž. Dejte prosím pozor, ať nedojdete ke zcela banálním výsledkům. Schváleno. Tomáš (talk) 08:52, 15 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


Simulant

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

OK, nezapomeňte chování jednotlivých druhů tučńáků, atd. podložit nějakými zdroji. Pozor také na relativně nízké počty. 50 výskytů nějakého jevu je skoro na hranici fungování statistiky. Schváleno. Tomáš (talk) 08:54, 15 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

Simulant

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

OK, může být. Dejte si pozor na dobré odzdrojování dat, se kterými pracujete. Schváleno. Tomáš (talk) 08:57, 15 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)

Není mi úplně jasné, jak to chcete modelovat? Půjde o pasažery přímo ve vozech? Nebo budete mít nějaký model nějaké stanice s rozmístěním revizorů nebo celé sítě MHD? Zkuste to prosím upřesnit, klidně doplňte obrázek. Taková úloha se totiž dá vypracovat řadou způsobů. Některé by byly vyloženě banální, jiné by mohly být zajímavé. Tomáš (talk) 09:01, 15 May 2025 (CET)
RE: UPŘESNĚNÍ. Představuju si to tak, že to bude jeden vůz (vyznačený prostor), kam nastoupí noví pasažéři, část ze kterých jede bez jízdenky. Během jízdy mezi zastávkami (tedy dokud nemohou vystoupit) mohou být kontrolovány revizorem, kontrola taky zabere nějaký čas. Na konci jedné jízdy (po uplynutí fixního počtů ticků, které budou reflektovat délku jízdy - tak, aby to souviselo s počtem proveditelných kontrol, tyto informace lze odvodit ze stránek PID) pasažéři vystoupí a noví nastoupí. Sanv05 (talk) 20:39, 15 May 2025 (CET)
Nevím, tak jak to navrhujete, tam nevidím optimalizaci kontrol, ale maximálně tak způsob pobíhání po voze, což bude vždy spíš do značné míry nahodilé. Protože v uzavřeném prostoru půjde víceméně jen o vzdálenost mezi stanicemi a tudíž čas, který je k dispozici. Pokud by se optimalizovaly kontroly, mělo by jít především o rozmístění revizorů v různých místech metra v různých časech s ohledem na provoz. Tam bych viděl přínos slušný. Pokud by něco takového pro Vás bylo zajímavé, pak schváleno, jinak o tom prosím ještě popřemýšlejte. Tomáš (talk) 08:02, 23 May 2025 (CET)

Simulace: Pavlovovo podmiňování

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 modelů učení v systémové dynamice – jako příklad, jak lze modelovat kognitivní nebo behaviorální procesy bez nutnosti neuronových nebo agentních struktur.

Díky možnosti měnit parametry jako α (salience), β (míra učení) nebo frekvenci posilování mohou uživatelé interaktivně zkoumat, jak se učební křivky mění v různých scénářích.

Použitá metoda a prostředí

  • Metoda: Systémová dynamika. Chování psa bude modelováno jako plynulá změna síly asociace mezi podmíněným podnětem (zvonek) a nepodmíněným podnětem (jídlo) v čase. Změna síly asociace bude řízena tokem (flow), který odpovídá učebnímu procesu, a ovlivněna parametry jako míra posilování a četnost podnětů.
  • Prostředí: Vensim

Proměnné

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)

Data

Na jakých datech budou proměnné založené

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.

Jak bude simulace realizována

Simulace bude založena na modelu systémové dynamiky. Základní proměnnou modelu bude síla asociace mezi podmíněným podnětem (zvonek) a nepodmíněným podnětem (jídlo), která se v čase mění v závislosti na přítomnosti těchto podnětů.

Model bude obsahovat:

  • stavovou proměnnou V (síla asociace),
  • tok (flow), který představuje změnu této síly v čase (učení a vyhasínání),
  • parametry α, β a λ, které určují intenzitu učení.

Proces:

  1. Když se v čase objeví současně podmíněný a nepodmíněný podnět (zvonek + jídlo), model zvyšuje hodnotu asociace V podle vzorce:
ΔV = α × β × (λ − V)
  1. Pokud dochází pouze k prezentaci zvonku bez jídla, hodnota V může postupně klesat (extinkce) – modeluje se jako negativní tok.

Celý model bude znázorněn pomocí:

  • kauzálních smyček (CLD), které zobrazí vztahy mezi podněty, učením a reakcí,
  • a tokového diagramu (SFD), kde budou znázorněny stavy a toky změn asociace v čase.

Reakce psa (např. slinění) bude vyvozena na základě aktuální hodnoty V – čím vyšší asociace, tím pravděpodobnější (a silnější) reakce.

Vizualizace chování agenta

Pro názornost bude výsledkem graf vývoje síly podmíněné reakce (slinění) v závislosti na počtu pokusů. Umožní to sledovat:

  • růst reakce při opakovaném posílení,
  • vyhasínání reakce při absenci jídla (extinkci),
  • znovuvytvoření reakce při novém cyklu posilování.

Textová reprezentace logiky modelu

Stavová proměnná:
- V (síla asociace): hodnota mezi 0 a 1

Každý krok simulace (časová jednotka):
1. Je aktivní podmíněný podnět (zvonek)?
2. Je aktivní nepodmíněný podnět (jídlo)?
3. Pokud ANO + ANO → hodnota V se zvyšuje podle vzorce:
   ΔV = α × β × (λ − V)
4. Pokud ANO + NE → model zaznamená podmíněnou reakci (např. síla slinění = V)
5. Pokud NE → žádná změna

Při dlouhodobé absenci nepodmíněného podnětu může být V snižováno – modeluje extinkci naučeného chování.

Možné rozšíření

  • více typů podnětů (např. světelný, zvukový),
  • srovnání vlivu různých hodnot parametrů α (salience) a β (míra učení) na rychlost osvojení podmíněné reakce.

Model tak umožní testovat hypotézy o učení a zapomínání v různých podmínkách.

Simulant

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

Myšlenka se mi líbí, ale úplně si na základě toho zadání nedovedu představit tu realizaci. To bude jako jeden agent nebo budete simulovat něco jako neurony toho psa? Zkuste to prosím rozvést, případně doplnit obrázek. Tomáš (talk) 09:26, 16 May 2025 (CET)
Lans06 (talk) 10:28, 16 May 2025 (CET) Přidána sekce, jak by měla být simulace realizována.
OK, ale jak to popisujete, jde o typickou úlohu pro Vensim. Netlogo na to fakt není vhodné. Tomáš (talk) 08:04, 23 May 2025 (CET)
Jako Vensim bych to schválil - co Vy na to? Oleg.Svatos (talk) 08:14, 23 May 2025 (CET)
Ano, souhlasím, upravil jsem zadání, aby odpovídalo Vensim Lans06 (talk) 09:28, 23 May 2025 (CET)
Schváleno Oleg.Svatos (talk) 05:57, 24 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

Simulant

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

Schváleno. Tomáš (talk) 09:27, 16 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)

Nápad zajímavý, ale připadá mi to velmi vágní, spousta "měkkých" faktorů. Buďto to zkuste rozpracovat do detailu, aby bylo lépe vidět, jakou cestou byste se vydal nebo zvažte jiné téma. Tomáš (talk) 09:32, 16 May 2025 (CET)
Nechavam pro archivni ucely, ale mam schvalene jine tema Lebm05 (talk) 12:22, 7 June 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. [27]
  • Zdravotní péče České republiky. [28]
  • Zdravotnická ročenka České republiky. [29]
  • Hospitalizace v nemocnicích ČR. [30]
  • Pohyb obyvatelstva - rok 2021. [31]


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)

OK, na tohle by byl ideální Simprocess, který už bohužel není k dispozici. Simulace jako taková je poměrně triviální, určitě doložte zdroje dat. Schváleno. Tomáš (talk) 09:36, 16 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

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)

OK, vyberte si prosím jednu zcela konkrétní linku. Budete to mít daleko snazší s daty. Schváleno. Tomáš (talk) 09:38, 16 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)

Máte to popsáno dost obecně. Předpokládám, že budete pracovat s konkrétními druhy, konkrétním prostředím, apod. Schváleno. Tomáš (talk) 09:40, 16 May 2025 (CET)

Simulace: Optimální nacenění zálohy na vratné kelímky na akcích

Popis problému

Organizátoři veřejných akcí jako jsou festivaly, koncerty nebo sportovní události, stále častěji přecházejí z jednorázových plastových kelímků na znovupoužitelné, aby snížili ekologickou stopu. Ovšem problém, který nastává při zavedení vratných kelímků na veřejných akcí, je správné nastavení výše zálohy a počet kelímků tak, aby se systém finančně vyplatil, návštěvníci akce jej přijali a zároveň nedošlo k nadbytečným nákladům. Výsledné náklady jsou ovlivňovány mnoho nejistými faktory – kolik lidí kelímek skutečně vrátí a kteří si jej nechají, kolik se jich ztratí nebo kolik nápojů se prodá.

Cíl simulace

Simulace má za cíl optimalizovat systém vratných kelímků – jaká je optimální výše zálohy vratného kelímku (nebo taky nulová záloha), která minimalizuje ztráty z nevrácených kelímků, ale zároveň neodradí návštěvníka od konzumace.

Použití simulace

Výsledky simulace poslouží především organizátorům akcí, kteří tak budou moct optimalizovat náklady, lépe rozhodnout o výši záloh a počtu objednaných kelímků.

Použitá metoda a prostředí

  • Metoda: Monte Carlo simulace
  • Simulační prostředí: Microsoft Excel

Proměnné

Deterministické proměnné:

  • Počet návštěvníků akce
  • Výrobní cena kelímku
  • Cena nápoje
  • Záloha

Náhodné proměnné:

  • Pravděpodobnost vrácení kelímku
  • Míra ztracených/poškozených kelímků

Data

Simulant

Phpham (talk) 22:36, 12 May 2025 (CET)

Ve zdrojích nevidím data, ze kterých byste mohla odvodit pravděpodobnostní rozdělení pro uváděné náhodné proměnné. Převzetí průměrných veličin pro MC nestačí. Oleg.Svatos (talk) 07:14, 14 May 2025 (CET)
Sestavila bych z několika reportů z festivalů, projektů a case studies dataset, ze kterého by se následně odvodilo pravděpodobnostní rozdělení, např. z:

Phpham (talk) 06:17, 20 May 2025 (CET)

OK. Leží v tom jádro celé simulace, tak si dejte na tom záležet. Schváleno. Oleg.Svatos (talk) 07:09, 20 May 2025 (CET)

Simulace: Vývoj výroby obnovitelné energie v ČR podle dat z roku 2019-2024

Popis problému

Výroba elektřiny z obnovitelných zdrojů (OZE) v České republice v roce 2019 dosáhla 8 097 GWh. Největší část tvořila biomasa, následovaná vodními a fotovoltaickými elektrárnami. Tyto poměry významně ovlivňují jak energetickou bilanci, tak environmentální cíle. Cílem simulace je analyzovat, jak by se změnila celková výroba z OZE při různých scénářích – například při nárůstu výkonu solárních elektráren o 20 % nebo poklesu vodní výroby kvůli suchu.

Cíl simulace

Cílem simulace je zodpovědět otázky:

  • Jak se změní celková výroba OZE, pokud vzroste výroba z FVE o 20 %?
  • Jak pokles výroby z vodních elektráren o 15 % ovlivní celkový objem obnovitelné energie?
  • Jaký by byl nový podíl jednotlivých zdrojů na výrobě při těchto změnách?

Použití simulace

Simulaci mohou využít energetičtí analytici, pracovníci MPO nebo regionální samosprávy jako nástroj pro plánování rozvoje obnovitelných zdrojů. Umožní jim snadno vyhodnotit, jak změny ve výkonu různých OZE typů ovlivní celkovou výrobu energie a pomůže při nastavování cílů nebo investičních priorit.

Použitá metoda a prostředí

Simulace bude provedena pomocí systémové dynamiky v prostředí Vensim PLE.

Proměnné

  • Výroba elektřiny z OZE celkem (GWh)
  • Výroba z biomasy (GWh)
  • Výroba z vody (GWh)
  • Výroba z fotovoltaiky (GWh)
  • Podíl jednotlivých zdrojů (%)
  • Změna výkonu zdrojů (%)
  • Nová celková výroba (GWh)

Data

Simulant

Oriana Lastovickova (laso00) (talk) 6:22, 13 May 2025 (CET)

Schváleno Oleg.Svatos (talk) 06:30, 14 May 2025 (CET)

Simulace: Návratnost investice do horolezecké výbavy

Popis problému

Lezení je sport, který vyžaduje specifické vybavení, jehož pořízení je finančně náročné. Alternativou je pravidelné půjčování výbavy v lezeckých centrech nebo půjčovnách. Lezci tak stojí před rozhodnutím, zda se jim vyplatí pořízení vlastní výbavy, nebo zda zůstane výhodnější pravidelné půjčování. Návratnost závisí především na počtu uskutečněných lezeckých výletů, životnosti vybavení a nákladech na jeho případnou výměnu.

Cíl simulace

Cílem simulace je zjistit, po kolika lezeckých výletech nebo letech používání se investice do vlastní výbavy finančně vyplatí ve srovnání s její pravidelnou zápůjčkou. Zároveň bude simulována pravděpodobnost, že se investice do vybavení vůbec nevrátí v definovaném časovém horizontu (např. 5 let). Výsledkem bude rozložení „bodu zlomu“ (break-even) – tedy okamžiku, kdy náklady na půjčování převýší pořizovací cenu vybavení.

Použití simulace

Výsledky simulace mohou pomoci zájemcům o lezení lépe se rozhodnout, zda investovat do vlastní výbavy. Zároveň může posloužit jako ukázka praktického využití Monte Carlo simulace pro modelování návratnosti běžných spotřebních rozhodnutí.

Použitá metoda a prostředí

Simulace bude realizována v prostředí Microsoft Excel s využitím Monte Carlo metody. V jednotlivých simulovaných scénářích budou náhodně generovány roční počty lezeckých výletů a životnost výbavy. Simulace poběží ve stovkách až tisících běhů, aby bylo možné odhadnout pravděpodobnostní rozdělení návratnosti a vizualizovat výsledky pomocí histogramu a sumárních statistik.

Proměnné

Definované předem:

  • gear_cost - celková pořizovací cena výbavy
  • rental_cost_per_trip - cena půjčení výbavy na jeden výlet
  • analysis_period_years - délka sledovaného období
  • replacement_cost - cena případné výměny části výbavy

Náhodné:

  • annual_trip - počet lezeckých výletů za rok - poissonovo rozdělení
  • gear_lifetime_years - normální rozdělení
  • replacement_event - binomické rozdělení s pravděpodobností p = 0.2
  • break_even_year - výstup simulace

Data

  • Pořizovací cena výbavy: základní sada v běžných obchodech (např. www.hudy.cz)
  • Cena půjčovného: půjčovny v lezeckých centrech (např. https://www.lezeckecentrum.cz/cs/cenik)
  • Počet výletů ročně: osobní odhad nebo dotazníky mezi lezci

Simulant

Hrui00 (talk) 16:21, 6 June 2025 (CET)

To poissonovo rozdělení, normální rozdělení a binomické rozdělení s pravděpodobností p = 0.2 u náhodných proměnných je odvozeno na základě jakých dat? Oleg.Svatos (talk) 12:42, 9 June 2025 (CET)
1) annual_trip - lambda bude odhadnuta na základě vlsatních zkušeností a dotazníku mezi lezci 2) gear_lifetime_years - někteří výrobci uvádějí životnost, například u lan je vždy informační leták který doporučuje lana vyměnit každých 5 let + https://www.monodsports.com/blogs/the-blog/when-to-retire-your-climbing-rope-a-climbers-guide-for-safe-ascends -> distribuce bude normální s parametry μ = 3 a σ = 0.5. Hodnota 3 odpovídá z grafu a směrodatná odchylka umožní, aby většina hodnot spadla přirozeně mezi 2-4 roky 3) replacement_event = pravděpodobnost je na základě doporučení výrobců a frekvenci používání = výměna jednou za pět let při občasném používání Hrui00 (talk) 15:01, 9 June 2025 (CET)
Pokud to, co je výše uvedeno jsou data na základě kterých stavíte, tak pro nějakou kalkulaci by to šlo, ale pro simulaci Monte Carlo je to nedostatečné - je třeba mít početná zdrojová data, které dokumentují jak daný fenomén realitě probíhá, tak aby zachycovaly veškerou jeho variabilitu a z nich je pak třeba analytickým postupem odvodit rozdělení a hodnotu jeho parametrů, které použijete - nemůže se jednat o střelbu od boku, jak uvádíte výše. Oleg.Svatos (talk) 15:05, 9 June 2025 (CET)

Simulace: Simulace vytížení osobních výtahů v budově

Popis problému

Výtahové systémy ve vícepodlažních budovách čelí výzvám spojeným s efektivním přepravováním cestujících mezi patry, zejména v době špičky. Doba čekání, kapacita výtahu, trasa, kterou výtah zvolí, a ochota cestujících čekat hrají klíčovou roli v celkové efektivitě přepravy. Cestující mají rozdílné chování – někteří volí výtah i pro krátké vzdálenosti, jiní raději jdou pěšky. Jejich motivace závisí mimo jiné na vzdálenosti, směru (dolů či nahoru) a době čekání. Nesprávně navržený systém může vést k přetížení výtahu, neefektivním jízdám a nespokojenosti uživatelů.

Cíl simulace

Cílem simulace je analyzovat efektivitu výtahového systému v budově na základě různých parametrů, jako je počet pater, kapacita výtahu, algoritmus řízení, frekventovanost pater v čase a chování cestujících a pomoct stanovit optimální konfiguraci pro modelovanou budovu. Simulace by měla pomoci optimalizovat provoz výtahu, snížit průměrnou čekací dobu, zvýšit propustnost systému a zohlednit realistické rozhodování cestujících (včetně volby jít po schodech). Dále bude možné testovat různé řídicí algoritmy výtahu a jejich dopad na efektivitu systému.

Použití simulace

Simulaci mohou využít:

  • Projektanti a architekti při navrhování nových výtahových systémů
  • Výrobci a dodavatelé výtahů
  • Simulační analytici pro zlepšení dopravních toků ve výškových budovách

Použitá metoda a prostředí

Simulace bude vytvořena v prostředí NetLogo, které je určeno pro agentní modelování. V modelu budou jednotlivé součásti systému – cestující, výtah a patra – reprezentovány jako agenti, kteří interagují mezi sebou a s prostředím na základě pravidel.

Simulace bude zahrnovat parametry jako kapacita výtahu, rychlost jízdy, doba otevírání dveří, algoritmus řízení a časové rozložení příchodů cestujících. Interaktivní ovládání (pomocí posuvníků a přepínačů) umožní snadné testování různých scénářů a optimalizaci výtahového systému z hlediska plynulosti a spokojenosti uživatelů.

Proměnné

Definované předem:

  • Počet pater budovy
  • Kapacita výtahu
  • Rychlost výtahu (čas mezi patry)
  • Doba zastávky výtahu (otevření, zavření dveří, nástup/výstup)
  • Algoritmus řízení výtahu (např. SCAN, nejbližší volání, kolektivní řízení)
  • Časový úsek simulace (např. ranní špička: 7:30–9:00)
  • Příslušnost cestujících k patrům a logika cesty

Náhodné / dynamické:

  • Frekvence příchodu cestujících v čase (v časech špičky vyšší) > Počet cestujících ve vstupní hale v různých časech
  • Startovní a cílové patro cestujících
  • Motivace cestujících použít schody (závisí na vzdálenosti, směru, době čekání)
  • Rozhodovací doba cestujících (jak dlouho čekají, než jdou pěšky)

Data

Simulant

pecz00 (talk) 12:22, 17 May 2025 (CET)

OK. Škoda, že už nemáme k dispozici Simprocess, to by byla úloha přesně pro něj. Ale i s Netlogem by to mělo jít. Schváleno. Tomáš (talk) 08:08, 23 May 2025 (CET)

Simulace: Možnosti využití plynových elektráren v ČR

Popis problému

Spotřeba elektřiny se během dne mění a s tím i struktura zdrojů pro výrobu elektřiny. Zemní plyn v posledních letech kvůli politickké situaci ve světě zdražil a tím pádem se změnily i náklady na provoz plynových elektráren.

Pojmy:

  • BASE LOAD (0:00 - 24:00) - zákaldní úroveň odběru po celý den
  • PEAK LOAD (8:00 - 20:00) - odběr v hodinách největší poptávky
  • OFFPEAK LOAD (0:00 - 8:00, 20:00 - 24:00) - odběr mimo největší poptávku
  • Ramp-up time - jak dlouho trvá elektrárně přechod z vypnutého stavu do plného výkonu

Typy elektráren:

  • Jaderné:
    • Drahé na výstavbu a proto běží pořád (pokrývají base load)
    • Pokrývají ~40 % produkce v ČR
  • Větrné/solární
    • Poměrně levné na výstavbu (ignorujeme životnost)
    • Generují podle počasí (pokrývají spíše peak load 8-20h)
    • Tvoří ~6,5 % produkce v ČR
    • Hyzdí krajinu a větrné produkují infrazvuk a zabíjejí zvířata
  • Uhelné
    • Levné na výstavbu
    • Velké emise
    • Tvoří ~33 % produkce v ČR
    • Generují, pokud je "dark spread" (spotová cena elekřiny - náklady na generování) kladný
      • V nákladech je schována cena uhlí, které nakoupeno dopředu a efektivita převodu
    • Ramp-up time (~4-8h)
  • Zemní plyn
    • Levné na výstavbu
    • Tvoří ~5 % produkce v ČR
    • Poměrně nízké emise (oproti uhelným)
    • Generují, pokud je "spark spread" kladný, tedy spark_spread = spot_cena_elektříny - koeficient_neefektivity_převodu * spotová_cena_plynu
    • Ramp-up time kratší oproti uhelným (~10-30 min pro rycheljší "peaking" elektrárny)
    • Efektivně jde o "binární dispatch" buďto generují maximum (krom ramp-up time), nebo nic

Cíl simulace

Zjistit které zdroje (jaké typy elektráren) by šly nahradit plynovými (a jakým počtem), jak by to ovlivnilo cenu elektřiny, případně její nedostatek. Simulace bude provedena na datech od roku 2017-2024 (včetně)

Kdo by takovou simulaci mohl využít a jak by mu pomohla

  • Investoři do energetiky a výstavby elektráren
  • Analytici energetické sítě
  • Obchodníci s energií

Použitá metoda a prostředí

Systémová dynamika v prostředí Vensim

Jaké proměnné budou v simulaci

  • Generování (MW) dle typu elektrárny v čase (použití hist. data)
    • přeneseně vliv počasí (skrytý v generování z obnovitelných zdrojů)
  • Load - spotřebovaná elektřina (použití hist. dat)
  • Spotová cena elektřiny (použití hist. dat + úpravou supply-demand modelu při vynechání určitého typu generování)
  • Spotová cena zemního plynu (použití hist. dat)
  • Výkon plynové elektrárny
  • Efektivita převodu plynu na elektřinu
  • Ramp-up time plynové elektrárny

Data

Simulant

Lebm05 (talk) 15:37, 17 May 2025 (CET)

Schváleno Oleg.Svatos (talk) 16:22, 17 May 2025 (CET)


Simulace: Vývoj hodnoty investičních portfolií v čase

Popis problému

Investoři stojí při rozhodování o alokaci kapitálu před volbou mezi různými typy aktiv, která se liší výnosem a rizikovostí. Výnosy akcií, dluhopisů i vkladových produktů se v čase mění a jsou ovlivněny řadou faktorů. Cílem této simulace je ilustrovat chování tří odlišných portfolií (konzervativní, vyvážené a dynamické), která se liší poměrem zastoupení tříd aktiv, a to v různých investičních horizontech.

Cíl simulace

Simulace bude sloužit k porovnání vývoje hodnoty jednotlivých portfolií v čase, a to na základě stochasticky generovaných výnosů jednotlivých aktiv. Důraz je kladen na znázornění, jak délka investice ovlivňuje rozptyl výsledků a stabilitu výnosů. Výstupem bude také vizualizace tzv. „tunelového grafu“, který zobrazí vývoj horního a dolního pásma dosažitelných výnosů v čase. Součástí analýzy bude i porovnání jednotlivých portfolií mezi sebou – tedy zjištění, jak často jedno portfolio překoná jiné v rámci simulovaných běhů.

Zvažovaným rozšířením simulace je také model pravidelného výběru renty – například ve výši 4 % ročně p.a.(Tržní standard). Tento scénář by měl ukázat, zda je dané portfolio schopné dlouhodobě pokrýt výběry a zůstat životaschopné v čase.

Použitá metoda a prostředí

Simulace bude realizována v prostředí Microsoft Excel. Pro výpočet jednotlivých scénářů bude využita metoda Monte Carlo, kdy budou výnosy jednotlivých aktiv generovány pomocí náhodných čísel. Parametry pro generování (střední hodnota a směrodatná odchylka) budou určeny z historických dat. Před použitím normálního rozdělení bude provedena základní kontrola tvaru datového rozdělení – zejména pomocí histogramů a porovnání průměru a mediánu. V případě výrazné odchylky bude zváženo alternativní řešení (například použití lognormálního nebo empirického přístupu).

Proměnné

Deterministické proměnné:

portfolio_composition – poměry mezi akciemi, dluhopisy a vklady

initial_investment – počáteční kapitál

investment_horizon – délka investice v letech

withdrawal_rate – roční výběr (např. 4 %, v rozšířeném scénáři)

Stochastické proměnné:

annual_return_stock – roční výnos akciové složky

annual_return_bond – roční výnos dluhopisové složky

annual_return_deposit – roční výnos vkladové složky

portfolio_result – celkový výsledek konkrétní simulace

portfolio_dominance – kolikrát jedno portfolio překonalo jiné

portfolio_survival – přežití portfolia při výběrech (v případě doplněného scénáře)

Data

Akcie (S&P 500): https://pages.stern.nyu.edu/~adamodar/New_Home_Page/datafile/spearn.htm

Státní dluhopisy (US Treasuries): tamtéž (historické výnosy dluhopisů)

Termínované vklady (EURIBOR): https://www.euribor-rates.eu/en/euribor-rates-by-year/

Simulant

Hluštík Vilém Hluv01 (talk) 08:12, 27 May 2025 (CET)

Když už dopředu víte, že "Roční výnosy budou generovány z normálního rozdělení" tak to není Monte Carlo, které je právě založené na odvození pravděpodobnostních rozdělení. Buďto specifikujte, jak budete pravděpodobnostní rozdělení z dat odvozovat, nebo zkuste něco jiného. Oleg.Svatos (talk) 05:03, 19 May 2025 (CET)
Schváleno, ale dejte pozor ať je tam to odvození pravděpodobnostního rozdělení pro generování náhodných čísel. Oleg.Svatos (talk) 17:49, 1 June 2025 (CET)
Retrieved from "http://www.simulace.info/index.php?title=Assignment_SS_2024/2025/cs&oldid=26894"