Известия Саратовского университета. Новая серия.

Серия Математика. Механика. Информатика

ISSN 1816-9791 (Print)
ISSN 2541-9005 (Online)


Образец для цитирования:

Иванко Е. М., Червинский С. М. Исследование выживаемости модельной популяции в зависимости от стратегии энергообмена между организмами // Изв. Сарат. ун-та. Нов. сер. Сер. Математика. Механика. Информатика. 2020. Т. 20, вып. 2. С. 241-256. DOI: https://doi.org/10.18500/1816-9791-2020-20-2-241-256

Опубликована онлайн: 
01.06.2020
Язык публикации: 
русский
Рубрика: 
УДК: 
519.688:519.876.5

Исследование выживаемости модельной популяции в зависимости от стратегии энергообмена между организмами

Авторы: 
Иванко Евгений Миронович, Институт математики и механики им. Н. Н. Красовского Уральского отделения РАН
Червинский Сергей Миронович, Институт математики и механики им. Н. Н. Красовского Уральского отделения РАН
Аннотация: 

В работе исследуется влияние стратегии энергообмена между организмами популяции на выживаемость данной популяции в постепенно изменяющейся внешней среде. На первом этапе вычислительных экспериментов определяется «пограничная» область в пространстве двух параметров (скорости мутации и скорости подачи энергии в систему), внутри которой выживаемость популяций с нулевым энергообменом лежит в интервале от 5 до 95% (т. е. выявляются условия эксперимента, лежащие между условиями, характернымидля вероятного вымирания, и условиями, обеспечивающими уверенное процветание популяции). На втором этапе на основе случайной выборки параметров эксперимента из пограничной области строится зависимость выживаемости модельных популяций от доли энергии, передаваемой при взаимодействии от организма с большей энергией к организму с меньшей (уровня «альтруистичности»). Проведенные эксперименты демонстрируют: 1) положительное влияние альтруистического энергообмена (организм с большей энергией выступает донором) на выживаемость популяции и 2) отсутствие существенного влияния на выживаемость популяции пропорции, в которой делится энергия между родительским и новорожденным организмом. Полученные результаты могут представлять интерес при построении искусственных популяций, например, при проектировании роев медицинских нанороботов или при разработке эволюционных метаэвристических алгоритмов для решения разнообразных оптимизационных задач.

Дата поступления: 
16.05.2019
Тип статьи для РИНЦ: 
RAR - научная статья
Финансирование: 
Работа выполнена при финансовой поддержке РФФИ (проекты № 18-07-00637, № 19-01-00573).
DOI: 
10.18500/1816-9791-2020-20-2-241-256
Библиографический список: 
  1. Lorenz E. N. Deterministic nonperiodic flow // Journal of the Atmospheric Sciences. 1963. Vol. 20, № 2. P. 130–141.
  2.  Bak P., Tang C., Wiesenfeld K. Self-organized criticality: An explanation of the 1/f noise // Phys. Rev. Lett. 1987. Vol. 59, iss. 4. P. 381–384. DOI: https://doi.org/10.1103/PhysRevLett.59.381
  3. May R. Simple mathematical models with very complicated dynamics // Nature. 1976. Vol. 261, № 5560. P. 459–467. DOI: https://doi.org/10.1038/261459a0
  4. Collier N. RePast: An extensible framework for agent simulation // Natural Resources and Environmental Issues. 2001. Vol. 8. Article 4. URL: https://digitalcommons.usu.edu/nrei/vol8/iss1/4 (дата обращения: 07.03.2019).
  5. Tisue S., Wilensky U. NetLogo: A simple environment for modeling complexity // International Conference on Complex Systems. 2004. Vol. 21. P. 16–21.
  6. Luke S., Cioffi-Revilla C., Panait L., Sullivan K., Balan G. Mason: A multiagent simulation environment // Simulation. 2005. Vol. 81, № 7. P. 517–527. DOI: https://doi.org/10.1177/0037549705058073
  7. Trevorrow A., Rokicki T., Hutton T., Greene D., Summers J., Verver M. Golly – a game of life simulator. URL: http://golly.sourceforge.net/ (дата обращения: 07.03.2019).
  8. Sayama H. PyCX: A Python-based simulation code repository for complex systems education // Complex Adaptive Systems Modeling. 2013. Vol. 1. P. 2. DOI: https://doi.org/10.1186/2194-3206-1-2
  9. Waldrop M. M. Complexity: The Emerging Science at the Edge of Order and Chaos. N. Y. : Simon & Schuster, 1992. 380 p.
  10. Sayama H. Introduction to the Modeling and Analysis of Complex Systems. N. Y. : SUNY Binghamton, 2015. 478 p.
  11. Hamann H. Swarm Robotics: A Formal Approach. N. Y. : Springer International Publishing, 2018. 210 p. DOI: https://doi.org/10.1007/978-3-319-74528-2
  12. Fitzhugh R. Impulses and Physiological States in Theoretical Models of Nerve Membrane // Biophysical Journal. 1961. Vol. 1, № 6. P. 445–466. DOI: https://doi.org/10.1016/S0006-3495(61)86902-6
  13. Drossel B., Schwabl F. Self-organized criticality in a forest-fire model // Physica A : Statistical Mechanics and its Applications. 1992. Vol. 191, № 1. P. 47–50. DOI: https://doi.org/10.1016/0378-4371(92)90504-J
  14. Strogatz S. Sync: The Emerging Science of Spontaneous Order. N. Y. : Penguin, 2004. 339 p.
  15. Wolfram S. A New Kind of Science. N. Y. : Wolfram Media, 2002. 1197 p.
  16. Bjorner A., Lovasz L., Shor P. W. Chip-firing games on graphs // European Journal of Combinatorics. 1991. Vol. 12, № 4. P. 283–291. DOI: https://doi.org/10.1016/S0195-6698(13)80111-4
  17. Clifford P., Sudbury A. A model for spatial conflict // Biometrika. 1973. Vol. 60, № 3. P. 581–588. DOI: https://doi.org/10.1093/biomet/60.3.581
  18. Kagel H. J., Roth E. A. The Handbook of Experimental Economics. N. J. : Princeton Univ. Press, 1997. 744 p.
  19. Levin S. A. Public goods in relation to competition, cooperation, and spite // PNAS. 2014. Vol. 111 (Supplement 3). P. 10838–10845. DOI: https://doi.org/10.1073/pnas.1400830111
  20. Obolski U., Lewin-Epstein O., Even-Tov E., Ram Y., Hadany L. With a little help from my friends: cooperation can accelerate the rate of adaptive valley crossing // BMC Evolutionary Biology. 2017. Vol. 17. Article 143. DOI: https://doi.org/10.1186/s12862-017-0983-2
  21. Pfeiffer T., Bonhoeffer S. An evolutionary scenario for the transition to undifferentiated multicellularity // PNAS. 2003. Vol. 100, № 3. P. 1095–1098. DOI: https://doi.org/10.1073/pnas.0335420100
  22. Kreft J.-U. Biofilms promote altruism // Microbiology. 2004. Vol. 150, iss. 8. P. 2751–2760. DOI: https://doi.org/10.1099/mic.0.26829-0
  23. Cesta A., Miceli M., Rizzo P. Coexisting agents: Experiments on basic interaction attitude // Journal of Intelligent Systems. 2001. Vol. 11, iss. 1. P. 1–42. DOI: https://doi.org/10.1515/JISYS.2001.11.1.1
  24.  Ivanko E. Is evolution always “egolution”: Discussion of evolutionary efficiency of altruistic energy exchange // Ecological Complexity. 2018. Vol. 34. P. 1–8. DOI: https://doi.org/10.1016/j.ecocom.2018.02.001
  25. Hamilton W. D. The genetical evolution of social behaviour // Journal of Theoretical Biology. 1964. Vol. 7, № 1. P. 1–52. DOI: https://doi.org/10.1016/0022-5193(64)90038-4
  26. Trivers R. L. The evolution of reciprocal altruism // The Quarterly Review of Biology. 1971. Vol. 46, № 1. P. 35–57. DOI: https://doi.org/10.1086/406755
  27. Axelrod R., Hamilton W. D. The evolution of cooperation // Science. 1981. Vol. 211, № 4489. P. 1390–1396. DOI: https://doi.org/10.1126/science.7466396
  28. Nowak M. A. Five rules for the evolution of cooperation // Science. 2006. Vol. 314, iss. 5805. P. 1560–1563. DOI: https://doi.org/10.1126/science.1133755
  29. Stuart A., West A., Griffin S., Gardner A. Evolutionary explanations for cooperation // Current Biology. 2007. Vol. 17, iss. 16. P. R661–R672. DOI: https://doi.org/10.1016/j.cub.2007.06.004
  30. Lewin-Epstein O., Aharonov R., Hadany L. Microbes can help explain the evolution of host altruism // Nature Communications. 2017. Vol. 8. Article 14040. DOI: https://doi.org/10.1038/ncomms14040
  31. Esteban-Fernandez de ´ Avila B., Angsantikul P., Ram ´ ´ırez-Herrera D. E., Soto F., Teymourian H., Dehaini D., Chen Y., Zhang L., Wang J. Hybrid biomembrane–functionalized nanorobots for concurrent removal of pathogenic bacteria and toxins // Science Robotics. 2018. Vol. 3, iss. 18, eaat0485. DOI: https://doi.org/10.1126/scirobotics.aat0485
  32. Morice C. P., Kennedy J. J., Rayner N. A., Jones P. D. Quantifying uncertainties in global and regional temperature change using an ensemble of observational estimates: The HadCRUT4 dataset // Journal of Geophysical Research : Atmospheres. 2012. Vol. 117. D08101. DOI: https://doi.org/10.1029/2011JD017187
  33. Makeham W. M. On the Law of Mortality and the Construction of Annuity Tables // The Assurance Magazine, and Journal of the Institute of Actuaries. 1860. Vol. 8, № 6. P. 301–310. DOI: https://doi.org/10.1017/S204616580000126X
  34. MacArthur R. H., Wilson E. O. The theory of island biogeography. N. J. : Princeton Univ. Press, 2001. 224 p.
  35. Aurenhammer F., Klein R., Lee D.-T. Voronoi Diagrams and Delaunay Triangulations. N. J. : World Scientific Publishing, 2013. 348 p.
  36. Uran cluster. URL: http://parallel.uran.ru/node/419 (дата обращения: 07.03.2019).
  37. Simon D. Evolutionary Optimization Algorithms. N. Y. : Wiley, 2013. 772 p.
  38. Schapire R. E., Freund Y. Y. Boosting: Foundations and Algorithms. Cambridge : The MIT Press, 2012. 544 p.
Полный текст в формате PDF:
(downloads: 16)