UK 
EnglishТипова
Polski😊 Щастя та схожі сусіди
Інтерактивний клітинний автомат: агенти переїжджають, якщо менше ніж k із 8 сусідів мають такий самий тип. Налаштуйте поріг щастя й подивіться на кластеризацію.
Про цю симуляцію
Кожен агент на сітці перевіряє своїх 8 сусідів: якщо менше ніж k з них мають такий самий тип, агент «нещасливий» і переїжджає у випадкову вільну клітинку. Подивіться, як це просте, суто локальне правило щастя породжує великі кластеризовані райони, навіть коли кожен агент був би радий жити у змішаному середовищі.
🔬 Що це демонструє
Клітинний автомат, у якому локальні мікрорішення — «чи задоволений я k із 8 своїх сусідів?» — об'єднуються в глобальні патерни кластеризації. Він ілюструє емерджентність: жоден агент не прагне створити великі однорідні райони, але вони все одно з'являються, щойно кожен нещасливий агент переїжджає.
🎮 Як користуватися
Підвищуйте поріг щастя k, щоб вимагати більше сусідів свого типу, перш ніж агент буде задоволений; знижуйте його, щоб дозволити більше змішування. Налаштуйте щільність і співвідношення Типу A / Типу B, а потім спостерігайте, як пульсуючі жовті контури позначають нещасливих агентів прямо перед тим, як вони переміщуються у вільну клітинку.
💡 Чи знали ви?
Навіть м'який поріг на кшталт k = 3 з 8 (трохи більше третини сусідів) достатній, щоб перетворити випадково перемішану сітку на сильно кластеризовані райони всього за кілька десятків поколінь — яскрава демонстрація того, як слабкі локальні переваги масштабуються в сильні глобальні патерни.
Ця симуляція моделює сітку агентів Типу A та Типу B, кожен із яких оцінює своє щастя за одним правилом: порахувати, скільки з до 8 сусідніх клітинок мають такий самий тип, і якщо це число падає нижче порогу k, переїхати у випадкову вільну клітинку. У кожному поколінні кожен нещасливий агент переїжджає, і процес повторюється, доки нещасливих агентів не залишиться зовсім мало або взагалі не залишиться. Модель тісно пов'язана зі статтею економіста Томаса Шеллінга 1971 року «Dynamic Models of Segregation» (Journal of Mathematical Sociology), яка вперше показала, що навіть м'яка індивідуальна перевага схожих сусідів — далека від активної ворожості до інших груп — може перетворити змішаний район на різко розділені кластери. Ця сторінка свідомо переформульовує цей механізм в абстрактних термінах: агенти просто мають «Тип A» і «Тип B», щастя — це числовий поріг із 8 сусідів, а акцент зроблено на динаміці локальної схожості й кластеризації, а не на груповій ідентичності чи сегрегації за расою чи класом — саме такий підхід використано в окремій моделі сегрегації Шеллінга на цьому сайті.
Базова динаміка також безпосередньо пов'язана з Першим законом географії Вальдо Тоблера (1970): «усе пов'язане з усім іншим, але близькі речі пов'язані сильніше, ніж далекі». Правило щастя буквально втілює цей закон на рівні однієї клітинки сітки — агента турбує лише його безпосереднє оточення з 8 клітинок, але сукупний ефект тисяч суто локальних рішень про переїзд — це глобально впорядкований ландшафт кластерів одного типу. Оскільки рішення про переїзд каскадуються (агент, що переїхав, може зробити своїх колишніх сусідів нещасливими, а нових — щасливішими), результуюча кластеризація дуже чутлива до порогу k: низькі значення k майже не змінюють випадкове розташування, тоді як значення на рівні або вище половини з 8 можуть спричинити майже повне розділення, ілюструючи, як невеликі зміни в суто локальному правилі можуть дати кардинально різні глобальні результати.
Часті запитання
Що означає «щасливий» у цій симуляції?
Агент щасливий, якщо кількість зайнятих клітинок у його околі Мура (до 8 навколишніх клітинок), що мають такий самий тип, як він, дорівнює принаймні порогу щастя k. Якщо сусідів свого типу менше, ніж k, агент нещасливий і позначається для переїзду у випадково обрану вільну клітинку на наступному такті. Крайові й кутові клітинки природно мають менше ніж 8 можливих сусідів, тож їхнє щастя оцінюється відносно того, скільки зайнятих сусідів їх насправді оточує.
Як користуватися цією симуляцією?
Використовуйте повзунок «Поріг щастя (k із 8)», щоб задати, скільки сусідів свого типу потрібно агенту, щоб залишитися на місці — вищий k означає, що агенти вимагають більшої схожості. Повзунок щільності контролює, яка частка сітки зайнята, а повзунок частки Типу A контролює співвідношення між двома типами. Натисніть «Перемішати», щоб згенерувати нову випадкову сітку, або «Пауза», щоб зупинити анімацію, зберігаючи поточний стан на екрані.
Що таке індекс схожості на панелі інформації?
Індекс схожості — це середнє за всіма зайнятими агентами значення частки їхніх зайнятих сусідів, які мають такий самий тип. Він коливається від 0 (кожен агент повністю оточений протилежним типом) до 1 (кожен агент повністю оточений своїм типом). Спостерігаючи, як це число зростає й виходить на плато з поколіннями, можна побачити, як сітка сходиться до стабільної кластеризованої конфігурації.
Чому навіть невеликий поріг щастя породжує сильну кластеризацію?
Цей ефект зумовлений зворотним зв'язком: коли нещасливий агент переїжджає, він зазвичай підвищує щільність свого типу навколо нового місця й знижує її навколо старого. Це робить новий район привабливішим для інших агентів такого самого типу й менш привабливим — старий, тож наступні переїзди підсилюють межу, що формується. Оскільки тисячі дрібних переїздів накопичуються з поколіннями, навіть скромна толерантність до різноманіття на одного агента (наприклад, потреба лише в 3 з 8 сусідів свого типу) породжує райони, значно більш сегреговані, ніж можна було б припустити з заявленої переваги окремого агента.
Чим це відрізняється від моделі сегрегації Шеллінга на цьому сайті?
Обидві симуляції поділяють той самий базовий механізм — агенти перевіряють своє оточення й переїжджають, якщо незадоволені — але відрізняються формулюванням і параметризацією. Модель Шеллінга на цьому сайті зазвичай подається з «відсотком толерантності» та мовою, що наголошує на расовій чи груповій динаміці сегрегації, відлунюючи історичний контекст міської соціології, у якому обговорювалася оригінальна модель Шеллінга. Ця симуляція натомість використовує абстрактну термінологію «Тип A / Тип B» і явний цілочисельний поріг (k із 8 сусідів), свідомо уникаючи формулювання групової ідентичності, щоб зосередитися на математиці локальної переваги схожості та її географічних наслідках — у дусі Першого закону Тоблера, а не саме досліджень сегрегації.
Що таке Перший закон географії Тоблера і як він тут проявляється?
Географ Вальдо Тоблер запропонував у 1970 році, що «усе пов'язане з усім іншим, але близькі речі пов'язані сильніше, ніж далекі». Ця симуляція є прямою, механістичною ілюстрацією цього принципу: щастя агента залежить лише від його безпосереднього просторового оточення, а не від усієї сітки. Оскільки рішення про переїзд ухвалюються виключно на основі локальної інформації, результуючий глобальний патерн — великі райони одного типу, розділені чіткими межами — виникає без того, щоб хоч один агент чи якийсь центральний планувальник коли-небудь розглядав сітку в цілому.
Чи завжди підвищення порогу щастя посилює кластеризацію?
Загалом так, але зв'язок не є абсолютно лінійним. За дуже низьких k (0 або 1) майже кожне розташування вже є щасливим, і сітка залишається близькою до початкового випадкового стану. Коли k зростає до 4 (половина з 8 сусідів), кластеризація різко посилюється, оскільки агенти стають набагато вибагливішими. Далі дуже високі пороги (7 або 8) можуть ускладнити або дестабілізувати сходження, оскільки агентам може бути важко знайти вільну клітинку, що задовольняє таку сувору вимогу, що призводить до постійних циклів переїздів замість стабільної рівноваги.
Які реальні явища допомагає пояснити така модель?
Окрім історичного використання в дослідженнях міського розселення, той самий механізм переїзду за локальним порогом застосовували, щоб пояснити кластеризацію в онлайн-соцмережах (користувачі мігрують до спільнот зі схожими поглядами), патерни розташування роздрібної торгівлі (схожі бізнеси кластеризуються в райони), вибір середовища існування у видів в екології та поляризацію думок у соціальних симуляціях. Загальний урок — що м'які локальні переваги можуть породжувати сильне глобальне розділення, навіть якщо ніхто цього не прагнув — це повторюваний мотив у багатьох складних системах, тому модель досі широко викладають поза її початковим контекстом міської соціології.
Чому деякі агенти постійно переїжджають, так і не осідаючи?
За високої щільності та високого порогу щастя пропозиція вільних клітинок, що задовольняють вимогу агента, може стати дефіцитною, особливо поблизу меж кластерів. Агент може переїхати в клітинку, яка виглядає задовільною в момент переїзду, але оскільки інші агенти навколо нього також переїжджають у тому самому поколінні, склад його нового оточення змінюється, і він може знову стати нещасливим на наступному такті. Це може спричинити тривалі перехідні періоди постійних переміщень, перш ніж сітка — якщо вона взагалі сходиться — встановиться у стабільний патерн із нульовою кількістю переїздів за такт.
Як у цій симуляції визначається «сходження»?
Індикатор «Зійшлося» на панелі інформації показує «так», щойно завершене покоління не дає жодного переїзду — тобто кожен зайнятий агент уже відповідає своєму порогу щастя за поточного стану сітки. Оскільки сітка скінченна, а переїзди керуються виключно локальними правилами, більшість комбінацій параметрів зрештою досягають цього стану нульових переїздів, хоча кількість необхідних поколінь зростає з вищими порогами, вищою щільністю та більш збалансованим співвідношенням Типу A / Типу B.