PS Angewandte Systemwissenschaften 1

Zweck als Filter

Ein Modell ohne klaren Zweck ist nutzlos. Der Zweck bestimmt, was ins Modell gehört und was nicht.

• Welches System modellieren wir?
• Welche Frage wollen wir beantworten?
• Welche Ergebnisse erwarten wir?

Skizziert den "Schlüsselgraphen" eurer Ergebnisse. Was ist auf der x-Achse? Was auf der y-Achse?

Von der Black Box zum Modell

Purpose

Eine klare, spezifische Aussage über die Frage oder das Problem, das das Modell adressiert.

• Welches System modellieren wir?
• Was wollen wir darüber lernen?
• Tipp: Benutzt das Wort "Specifically, …" früh in der Beschreibung

Wenn Designentscheidungen schwerfallen: zurück zum Purpose. Der Purpose ist der Kompass.

Patterns

Welche beobachtbaren Muster soll das Modell reproduzieren? Das sind die Kriterien, wann das Modell gut genug ist.

• Generische Modelle: allgemeine Muster (Zyklen, Gleichgewichte, räumliche Strukturen)
• Spezifische Modelle: konkrete Felddaten, Messwerte, Beobachtungen

Auch wichtig: welche Muster das Modell nicht reproduziert, kann Hinweise auf Fehlendes geben.

Entities

Die Dinge im Modell: Agenten, Umgebungszellen (Patches), die globale Umgebung.

State Variables

Beschreiben den Zustand jeder Entity. Was muss das Modell über jede Entity wissen?

Prozesse

Was tun die Entities? Jeder Prozess ist an eine Entity gebunden: Bewegen, Fressen, Verkaufen, Sterben…

Ausnahme: Observer-Prozesse sammeln Daten über das Modell (Grafiken, Statistiken, Output-Dateien).

Aus Simulationen kennt ihr das als Zeitschritte oder Ticks: in jedem Tick führen die Agenten ihre Prozesse aus.

Scheduling

Die Reihenfolge, in der Prozesse ausgeführt werden, beeinflusst das Ergebnis.

Diese Wahl ist eine Designentscheidung, die dokumentiert und begründet werden muss.

Drei Kriterien

Ein Modellergebnis ist emergent, wenn:

1. Es nicht einfach die Summe der Eigenschaften der Individuen ist
2. Es ein anderer Typ von Ergebnis ist als die Eigenschaften einzelner Agenten
3. Es nicht leicht vorhersagbar ist, nur aus den Agenteneigenschaften

Das Gegenteil: imposed (erzwungen) bedeutet, das Ergebnis folgt direkt und vorhersagbar aus den Modellregeln.

Das richtige Maß

Emergence bewegt sich auf einem Spektrum von imposed bis emergent.

Mehr Emergence ist nicht immer besser:

• Zu imposed: Das Modell ist langweilig, die Ergebnisse sind trivial vorhersagbar.
• Zu emergent: Zu viele komplexe Interaktionen machen das Modell selbst zur Black Box, die man nicht mehr versteht.

Das beste Maß ist oft intermediär: einfache Agentenregeln, die nicht-triviale Systemmuster erzeugen.

1. Purpose and Patterns

Unter welchen Bedingungen führen Hilltopping-Verhalten und Landschaftstopographie zur Entstehung von virtuellen Korridoren?

Patterns: Schmetterlinge erreichen Hügelkuppen; Bewegung hat eine starke stochastische Komponente.

2. Entities, State Variables, Scales

Zwei Typen: Schmetterlinge (nur Position) und Patches (nur Höhe). 150 × 150 Gitter, ~25 m pro Patch, 1000 Zeitschritte.

3. Process Overview and Scheduling

Ein Prozess: Bewegung. Jeder Schmetterling bewegt sich einmal pro Zeitschritt.

Reihenfolge ist egal, weil es keine Interaktion zwischen Schmetterlingen gibt.

• Basic Principles: Konzept der virtuellen Korridore
• Emergence: Korridore entstehen aus individuellem Hilltopping + Landschaft
• Adaptation: Bergauf fliegen (einfache empirische Regel)
• Sensing: Nur die 8 Nachbar-Patches (Höhe)
• Stochasticity: Parameter q steuert Wahrscheinlichkeit: bergauf vs. zufällig

• Interaction: Keine
• Collectives: Keine
• Objectives / Learning / Prediction: nicht zutreffend
• Observation: Grafische Anzeige + Korridorbreite

Einfachheit

• Das gesamte Modell passt auf eine Seite
• Ein Verhalten, ein Parameter, eine Entscheidungsregel
• Trotzdem: echte wissenschaftliche Erkenntnisse über virtuelle Korridore

Transparenz

• Jede Designentscheidung ist explizit und begründet
• Auch was weggelassen wurde, ist dokumentiert (Interaktion, Learning, Prediction)
• Man sieht direkt, wie man das in Code übersetzen kann:
  Entities → Datenstrukturen
  Prozesse → Funktionen
  Schedule → Hauptschleife

• Geringe Dichte: Free flow. Mehr Autos = mehr Durchsatz.
• Kritische Dichte: Maximaler Fluss (Kapazität).
• Hohe Dichte: Congested. Mehr Autos = weniger Durchsatz.

Aufgabe

Arbeitet in Gruppen (2-3 Personen). Schreibt ein ODD für ein Modell, das den Phantomstau auf der Kreisbahn reproduziert.

Schritte

1. Purpose and Patterns: Was soll das Modell erklären? Welche Muster reproduzieren?
2. Entities, State Variables, Scales: Was sind die Agenten? Welche Eigenschaften haben sie?
3. Process Overview & Scheduling: Was tun die Agenten? In welcher Reihenfolge?
4. Design Concepts: Geht die Checkliste durch. Was trifft zu?
5. Initialization: Wie startet die Simulation?

1. Purpose and Patterns

2. Entities, State Variables, Scales

3. Process Overview and Scheduling

Jedes Fahrzeug ist ein autonomer Agent mit vier Komponenten:

• Attribute:
• Regel:
• Umgebung:
• Interaktion:

• Basic Principles:
• Emergence:
• Adaptation:
• Sensing:
• Interaction:
• Stochasticity:
• Objectives / Learning / Prediction / Collectives:

Submodel

Initialization

Input Data

ODD als Blueprint

Nächste Woche

In Einheit 4 lernen wir Python-Grundlagen und übersetzen das Stau-ODD in funktionierenden Code.

Warum VS Code?

• Kostenlos, Open Source, plattformübergreifend
• Python-Unterstützung mit Syntax-Highlighting, Autocomplete, Debugging
• Integriertes Terminal
• Git-Integration direkt im Editor
• Extensions

Nützliche Shortcuts

• Ctrl+S Speichern
• Ctrl+P Datei suchen
• Ctrl+Shift+P Befehlspalette
• Ctrl+` Terminal ein/aus