UK 
EnglishТипова
Polski🗳️ Модель Виборця та Сегрегація Шеллінга
Класична модель виборця на 2D сітці: агенти копіюють думку випадкового сусіда. Три режими: Voter, шумова Voter та сегрегація Шеллінга.
Про цю симуляцію
Ця ґраткова модель показує, як прості локальні правила копіювання можуть породжувати глобальний порядок або стійкий безлад. Кожна клітинка сітки має думку (синю або червону) або, в режимі Шеллінга, є порожньою. На кожному кроці агенти дивляться лише на своїх чотирьох найближчих сусідів — немає ні лідера, ні трансляції, ні центральної влади — і все ж уся сітка може або замкнутися в консенсусі, або залишатися постійно «шумною», або самоорганізуватися в сегреговані райони.
🔬 Що це показує
Три пов'язані агентні моделі: класична модель виборця (агент копіює думку випадкового сусіда на кожному кроці), шумова модель виборця (додає ймовірність випадкового «перемикання», що запобігає повному консенсусу), і сегрегація Шеллінга (агенти переміщуються в порожні клітинки, коли надто мало сусідів поділяють їхній колір). Статистика в реальному часі відстежує частку синіх, щільність меж та розмір найбільшого кластера.
🎮 Як користуватися
Оберіть режим у випадному списку моделей, а потім налаштуйте «Розмір сітки N», «Шум / ймовірність p» (випадковість для шумового виборця), «Поріг Шеллінга» (мінімальна частка схожих сусідів, перш ніж агент переїде) та «Початкову частку синіх». «Скинути» перезапускає сітку; «Пауза» зупиняє анімацію для огляду.
💡 А чи знали ви?
Звичайна модель виборця на 2D-ґратці за достатнього часу завжди зсувається до консенсусу одного кольору — стабільної змішаної рівноваги не існує, лише випадкове блукання до поглинання. Прозріння Шеллінга у 1971 році полягало в тому, що навіть слабка перевага щодо схожих сусідів (далека від активної ворожості) достатня для утворення сильно сегрегованих патернів.
Поширені запитання
У чому різниця між моделлю виборця та сегрегацією Шеллінга?
У моделі виборця агенти копіюють думку сусіда на місці, тож клітинки ніколи не рухаються — змінюються лише кольори. Натомість сегрегація Шеллінга переміщує незадоволених агентів у порожні клітинки, тож популяція фіксована, але позиції змінюються, породжуючи видиму кластеризацію, а не консенсус кольору.
Чому шумова модель виборця ніколи повністю не сходиться?
Параметр «Шум / ймовірність p» дає кожному агенту невеликий шанс прийняти випадкову думку замість копіювання сусіда. Навіть крихітне p постійно повертає незгоду, тож система встановлюється в коливний стійкий стан навколо середньої частки синіх, а не замерзає на 0% або 100%.
Що контролює поріг Шеллінга?
Він задає мінімальну частку зайнятих сусідів того самого кольору, потрібну агенту, щоб відчувати себе «задоволеним» і залишатися на місці. Низькі пороги (близько 0) рідко спричиняють переїзди, тож сітка залишається змішаною; вищі пороги змушують до більшої кількості переїздів і породжують чіткіші, більші сегреговані кластери — навіть попри те, що агенти лише слабко упереджені, а не ворожі.
Що вимірює «найбільший кластер»?
Це показує розмір найбільшої зв'язної групи клітинок одного кольору на сітці, знайденої за допомогою заливки через сусідів у чотирьох напрямках. Спостереження за її зростанням з часом показує, як локальні правила копіювання чи переїзду переростають у великомасштабні просторові патерни.
Чи змінює розмір сітки (N) результат?
Більшим сіткам потрібно більше часу для досягнення консенсусу або стабільного патерну сегрегації, оскільки інформації про колір чи вільне місце потрібно поширитися через більшу кількість клітинок, але базова динаміка — консенсус у моделі виборця, кластеризація у Шеллінга — залишається однаковою незалежно від N.