Генетика та Еволюція — 3D Симуляції
🧬

Генетика та Еволюція

Від природного відбору та мутацій до рівнянь Лотки-Вольтерра — відкрийте механізми еволюції через симуляції.

6 симуляцій Canvas 2D · WebGL GA · Lotka-Volterra · Emergence

Симуляції категорії

Digital organisms, evolving populations and predator-prey ecosystems

Evolution is an algorithm — a search through fitness landscapes guided by random variation and non-random selection. Genetic algorithms borrow exactly this logic to solve optimisation problems. Predator-prey models show how populations oscillate without any central controller, driven purely by local interactions.

🔀
★★☆ Середнє
Генетичний алгоритм
A population of candidate solutions evolves via tournament selection, single-point crossover and bit-flip mutation. Watch fitness converge toward a target — adjust population size, mutation rate and crossover probability live.
Canvas 2D GA Selection Crossover
🐇
★☆☆ Beginner
Fox & Rabbits
Agent-based Lotka-Volterra: individual foxes hunt rabbits on a 2D grid. Tune birth rates, energy and carrying capacity; watch the classic predator-prey oscillation emerge from thousands of individual decisions.
Canvas 2D Agent-Based Lotka-Volterra Ecology
📉
★☆☆ Beginner
Prey-Predator ODE
The original Lotka-Volterra ODEs solved in real time with RK4. Phase-space portrait shows the closed orbit; tune α, β, γ, δ and watch the population cycle grow, shrink or collapse toward extinction.
Canvas 2D ODE Phase Space RK4
♟️
★☆☆ Beginner
Гра Конвея «Життя»
Classic cellular automaton in which four birth/survival rules drive complex emergent behaviour — gliders, oscillators, guns. Load RLE patterns from a built-in library or draw your own.
Canvas 2D Cellular Automaton Emergence Turing Complete
🌱
★★☆ Середнє
Природний відбір
Популяція істот зі спадковою швидкістю, радіусом відчуття та маскуванням. Хижаки полюють; ті, хто вижив, розмножуються. Спостерігайте, як ознаки зміщуються до ЕСС на живій гістограмі пристосованості.
Canvas 2D Спадкові ознаки ЕСС
🎲
★★☆ Середнє
Еволюційна теорія ігор
Яструб-Голуб, Дилема в’язня та КНП на просторовій сітці. Реплікаторна динаміка веде до рівноваг Неша та ЕСС в реальному часі.
Canvas 2D Реплікаторна динаміка Рівновага Неша
🧬
★★☆ Середнє Нове
Генетика Менделя
Інтерактивні квадрати Паннета для моно- та дигібридних схрещувань. Рівновага Гарді–Вайнберга з гістограмами частот алелів і симуляцією Монте-Карло нащадків.
Canvas 2D Квадрат Паннета Гарді–Вайнберг
🧬
Нове ★★ Середньо
Транскрипція ДНК
РНК-полімераза розкручує подвійну спіраль, зчитує матрицеву нитку та синтезує комплементарну мРНК нуклеотид за нуклеотидом. Спостерігайте відкриття транскрипційного пузиря та формування кодонів.
РНК-полімераза мРНК Кодон

Key Concepts

Mathematics of evolution and population dynamics

Genetic Algorithm
Encode candidates as chromosomes (bit-strings, permutations, trees). Evaluate fitness. Select fitter individuals more likely for reproduction (tournament, roulette). Crossover recombines two parent chromosomes. Mutation flips bits with probability p_m. Schema theorem: building blocks with above-average fitness grow exponentially.
Lotka-Volterra ODEs
dx/dt = αx − βxy (prey); dy/dt = δxy − γy (predator). Closed orbits in phase space: populations perpetually oscillate. Adding carrying capacity (logistic prey) allows stable spirals. Stochastic ABM version adds demographic noise — populations can go extinct.
Fitness Landscape
Map from genotype space → fitness value. Smooth landscapes are easy for gradient methods; rugged (Kauffman NK) landscapes require exploration. Evolution climbs hills but can get stuck; sexual recombination leaps across valleys. Understanding the landscape topology guides algorithm design.
Cellular Automaton
Grid of cells, each with a finite state (alive/dead). Every step: each cell counts live neighbours and applies the rule (B3/S23 for Conway). Local rules → global complexity. Wolfram classification: CA range from fixed points (Class I) to complex life-like behaviour (Class IV) to chaos (Class III).

Learning Resources

Articles on evolution and population dynamics

Article SIR Epidemic Model The same compartmental framework as Lotka-Volterra — derive the Kermack-McKendrick threshold theorem and compute R₀. → Reference Algorithms Glossary Genetic algorithm, crossover operators, mutation schedules and convergence criteria. → Article Lotka–Volterra Predator–Prey Equations ODE derivation, phase portrait, conservation law, and RK4 JavaScript implementation of the classic population model. → Article Evolutionary Algorithms — From Biology to Code Comparative survey: GA, ES, GP, DE, CMA-ES — when to use each and common pitfalls. →
All articles →

Ключові Концепції

Теми та алгоритми, які ви досліджуєте в цій категорії

Рівновага Харді-ВайнбергаСтабільність частот алелів за ідеальних умов
Генетичний ДрейфВипадкові зміни частот алелів у скінченній популяції
Природний ВідбірДиференційоване розмноження на основі пристосованості
Швидкість МутаціїЙмовірність заміни пари основ на реплікацію
Кросинговер / РекомбінаціяОбмін генетичним матеріалом між гомологами
Популяційна ГенетикаТраєкторії частот алелів через покоління

🧬 Перевір свої знання з генетики

П'ять швидких запитань для перевірки розуміння генетики та ДНК

Вікторина з генетики

Часті Запитання

Поширені запитання про цю категорію симуляцій

Що таке рівновага Харді-Вайнберга?
У нескінченно великій, випадково схрещуваній популяції без відбору, мутації чи міграції частоти алелів залишаються постійними через покоління. Рівновага передбачає частоти генотипів: p² + 2pq + q² = 1.
Як генетичний дрейф відрізняється від природного відбору?
Генетичний дрейф — випадковий: частоти алелів коливаються через скінченний розмір популяції незалежно від пристосованості. Природний відбір — спрямований: корисні алелі збільшують частоту, бо носії розмножуються більше.
Чи можна симулювати еволюцію резистентності до антибіотиків?
Так — симуляція моделює бактеріальну популяцію з випадковими швидкостями мутацій. Застосування антибіотичного 'тиску' показує, як швидко резистентність поширюється — це безпосередньо моделює глобальну кризу антибіотикорезистентності.

Про Симуляції Генетики та Еволюції

ДНК, природний добір, генетичний дрейф та ландшафти пристосованості

Симуляції генетики моделюють механізми спадковості та еволюції. Від подвійної спіралі ДНК та реплікації до природного добору та генетичного дрейфу — кожна симуляція показує, як генетична інформація передається між поколіннями.

Ландшафти пристосованості візуалізують, як популяції еволюціонують на багатовимірних поверхнях пристосування. Моделі Харді-Вайнберга показують умови генетичної рівноваги та фактори, що її порушують.

Кожна симуляція побудована з акцентом на точність. Генетичні моделі базуються на тих самих принципах популяційної генетики, що використовуються в академічних дослідженнях.

Other Categories