ОФИМ им. С. Л. Соболева СО РАН Лаборатория теоретико-вероятностных методов Б. Ю. Пичугин Population Modeler программа для индивидуум-ориентированного моделирования сообществ взаимодействующих особей Работа выполнена при финансовой поддержке РФФИ (проект №09-01-00098-A) и СО РАН (интеграционный проект №26) ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit План доклада 1 Базовые предположения 1.1 Переходы . . . . . . . . . . . . . . . . . . . . . . . 1.2 Взаимодействия . . . . . . . . . . . . . . . . . . . 3 4 5 2 Особенности реализации 7 3 Примеры использования 3.1 Ветвящийся процесс . . . . . . . . . . . . . . . 3.2 Модель распространения туберкулеза . . . . . . . 3.3 Модель травления сообщества . . . . . . . . . . 3.3.1 Случай 𝑐(𝑡) ≡ 0: токсичного вещества нет 3.3.2 Добавим токсичное вещество . . . . . . . . . . . . . . . . . 9 9 10 14 16 17 ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 1. Базовые предположения Программа Population Modeler предназначена для проведения численных экспериментов с моделями сообществ особей, удовлетворяющих следующим предположениям: ∙ все сообщество поделено на несколько популяций; ∙ каждая особь сообщества может быть охарактеризована набором параметров; ∙ изменение состояния сообщества происходит скачкообразно; ∙ скачки состояния сообщества могут быть вызваны переходами или взаимодействиями. Примеры параметров: пол, масса, стадия развития, ... ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 1.1. Переходы ∙ переход — это «запланированное» изменение состояния сообщества; ∙ переходы могут быть нескольких типов; ∙ моменты возникновения переходов описываются ветвящимся процессом типа Беллмана–Харриса с несколькими типами частиц, в котором тип частицы интерпретируется как тип перехода; ∙ цепь переходов может быть инициирована в момент рождения особи или в момент взаимодействия особей; ∙ распределение времени между переходами и результат перехода может зависеть от параметров особей, участвующих в переходах. Примеры: вступление в половозрелую стадию, значимое изменение массы или линейных размеров, производство потомства, гибель в результате старения, . . . ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 1.2. Взаимодействия ∙ взаимодействие — это «незапланированное» изменение состояния сообщества; ∙ взаимодействия могут быть нескольких типов; ∙ моменты возникновения взаимодействий описываются пуассоновским потоком, интенсивность которого может зависеть от времени и состояния сообщества; ∙ каждой особи может быть сопоставлен набор весов, которые характеризуют интенсивность с которой особь принимает участие во взаимодействиях; ∙ в результате взаимодействия каждый участник может изменить свои параметры, или произвести потомство, или погибнуть; ∙ в результате взаимодействия может быть инициирована цепь переходов. Примеры: конкуренция, хищничество, воздействие среды, . . . ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit В частности, при помощи данной программы можно рассчитывать реализации широкого класса ветвящихся случайных процессов с взаимодействием частиц и марковских случайных процессов как с дискретным так и с непрерывным временем. ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 2. Особенности реализации Первая версия программы ∙ http://iitam.omsk.net.ru/~pichugin/files/publication/pm.zip ∙ 2000–2006 год; ∙ С++; ∙ модель описывается на специально разработанном языке; ∙ алгоритм накопления ошибки для представления моментов времени; ∙ эффективное нахождение момента ближайшего перехода; ∙ возможность расчета сообществ в несколько сотен тысяч особей; ∙ использование мультипликативного датчика псевдослучайных чисел mod 240, с возможностью задавать начальный прыжок; ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit Вторая версия программы ∙ 2009+ год; ∙ Java ⇒ кросплатформенность; ∙ новый алгоритм поиска ближайшего момента перехода, построенный на базе алгоритма сортировки кучей; ∙ новый алгоритм выбора особи для взаимодействия, построенный на базе почти полного бинарного дерева; ∙ использование мультипликативного датчика случайных чисел mod 2128, с возможностью задавать начальный прыжок; ∙ эффективное использование памяти позволяет рассчитывать сообщества в несколько миллионов особей; ∙ программа реализована в виде библиотеки java-классов (интерфейса пользователя пока нет). ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 3. Примеры использования 3.1. Ветвящийся процесс Каждая особь 𝑥 популяции ∙ живет время ℓ𝑥 ∈ U(0; 1); ∙ в возрасте 𝑎𝑥1, 𝑎𝑥2 ∈ U( 31 ; 1) производит по одному потомку, если 𝑎𝑥𝑖 < ℓ𝑥; Известноa, что E𝑍(𝑡) ∼ 𝑒𝛼+𝛽 𝑡, 𝛼 = 0.1164, 𝛽 = −0.7181. Осредняя 𝑁 = 106 реализаций процесса 𝑍(𝑡) получили оценку E𝑍(𝑡), из которой методом МНК получили точечные оценки 𝛼* = 0.1098, 𝛽 * = −0.7185 и интервальные оценки (0.0984; 0.1213), a (−0.7193; −0.7171), 95%. Jagers P. Branching processes with biological applications. 1975. ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 3.2. Модель распространения туберкулеза переходы, обусловленные окончанием случайного времени пребывания в когорте, гибель индивидуумов в результате старения, пуассоновские потоки различной интенсивности. Н. В. Перцев, Б. Ю. Пичугин. Индивидуум-ориентированная стохастическая модель распространения туберкулеза // Сиб. журн. индустр. математики. 2008. Т. 12. № 2(38). С. 97–110. ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 720000 r t 1 710000 4 2 3 700000 690000 680000 670000 660000 0 20 40 60 80 100 120 140 160 180 t 200 Оценка средней численности популяции. ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 5000 g t 4500 4 4000 3500 2 3000 2500 1 2000 1500 3 1000 0 20 40 60 80 100 120 140 160 180 t 200 Оценка средней численности выявленных больных. ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit .012 .010 .008 .006 .006 .004 .004 .002 .002 .000 .000 .012 .010 1350 1490 1630 1770 1910 2050 2190 2330 2470 2610 2750 2890 .008 3 .012 .010 .008 .006 .006 .004 .004 .002 .002 .000 .000 1350 1490 1630 1770 1910 2050 2190 2330 2470 2610 2750 2890 .008 2 1350 1490 1630 1770 1910 2050 2190 2330 2470 2610 2750 2890 .010 1 4 1350 1490 1630 1770 1910 2050 2190 2330 2470 2610 2750 2890 .012 Гистограммы распределений численности выявленных больных в момент 𝑡 = 200. ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 3.3. Модель травления сообщества ∙ особи дают потомство с постоянной интенсивностью; ∙ особи погибают вследствие парной конкуренции с другими особями сообщества; ∙ приток особей извне и миграция особей отсутствуют; ∙ в среду обитания особей поступает токсичное вещество (ТВ): 𝑐˙ = 𝑟 − 𝛿 𝑐. ∙ интенсивность взаимодейстивия особи с ТВ пропорциональна объему ТВ; ∙ при взаимодействии особи с ТВ расходуется случайное количество ТВ и, если это количество болше некоторого порога, то особь погибает. Н. В. Перцев, Б. Ю. Пичугин, К. К. Логинов. Статистическое моделирование динамики популяций, развивающихся в условиях воздействия токсичных веществ. 2010. ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 1 x 1 x1 2 x 2 x2 11 x12 22 x 22 12 x1 x 2 21 x 1 x 2 1 x 1 c 2 x 2 c r t c c 𝑐˙ = 𝑟(𝑡) − 𝛿 𝑐(𝑡) ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit Случай 𝑐(𝑡) ≡ 0: токсичного вещества нет 3.3.1. 500 400 300 200 x 1 t x 2 t 100 0 0 2 4 6 8 10 12 14 16 Если пренебречь дисперсией и ковариацией, то математическое ожидание описывается моделью Лотки-Вольтерра {︃ 𝑥˙ 1 = 𝛽1 𝑥1 − 𝜆11 𝑥21 − 𝜆11 𝑥1 𝑥2, 𝑥˙ 2 = 𝛽2 𝑥2 − 𝜆21 𝑥1 𝑥1 − 𝜆22 𝑥22. ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 3.3.2. Добавим токсичное вещество 300 r 1−cos 2 t 200 100 r t 0 0 2 4 6 8 10 12 14 16 700 600 x 1 t 500 400 300 x 2 t 200 100 0 0 2 4 6 8 10 12 14 16 25 20 15 10 5 c t 0 0 2 4 6 8 10 12 14 16 Оценки математических ожиданий ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 700 600 x 1 t 500 400 300 200 x 2 t 100 0 0 2 4 6 8 10 12 14 16 8 10 12 14 16 800 700 x 1 t 600 500 400 300 200 x 2 t 100 0 0 2 4 6 Типичные реализации ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 250 sd x 2 t 200 150 sd x 1 t 100 50 0 0 2 4 6 8 10 12 14 16 1 0.8 0.6 P x 2 t=0 0.4 0.2 P x 1 t=0 0 0 2 4 6 8 10 12 14 16 Стандартное отклонение и вероятность вырождения ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit 700 600 x 1 t ∣x 1x 20 500 400 x 2 t ∣x 1x 2 0 300 200 100 0 0 2 4 6 8 10 12 14 16 Оценки математических ожиданий при условии невырождения ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit Спасибо за внимание. ∙First ∙Prev ∙Next ∙Last ∙Go Back ∙Full Screen ∙Close ∙Quit