Простая лепка: Серия книг Простая лепка | издательство Карапуз

Простая модель лисы из пластилина. Слепить ее можно с детьми дошкольного возраста. Но и старших ребят такая лиса может стать интересной работой. Можно добавить мелкие детали, украсить фигурку.

Лиса из пластилина сделана из простых геометрических форм. Прежде всего – это конус, «морковка». Поэтому, эта модель прекрасный материал, чтобы отработать с малышами лепку таких конусов.

Для работы нам потребуется пластилин оранжевого цвета. И чуть-чуть черного. Белый пластилин для работы с дошкольниками не понадобиться. А для детей постарше нужен и белый, чтобы оформить кончик хвоста и оживить глазки.

Если необходимо вспомнить, как лепить из пластилина простые формы, от можно посмотреть статью «Основные приемы лепки из пластилина».

Простая лиса из пластилина. Поэтапный мастер класс. Лепка из пластилина для детей от 4 лет.

Кусок оранжевого пластилина делим на три части – самый большой для туловища и два поменьше – для хвоста и головы. Из большого кусочка и кусочка поменьше скатываем две «морковки».

Примажем головку лисички к туловищу.

Лепим хвостик. Для этого скатаем еще один конус-морковку из пластилина оранжевого цвета. Для малышей этого достаточно. Но, если вы работаете с детьми постарше, то кончик хвоста можно сделать белым. Для этого, скатаем из белого пластилина шарик, расплющим его. Налепим на кончик хвоста белую лепешку, облепим весь хвостик и размажем пластилин пальцем, делая подпалины на хвостике. Еще немного покатаем кончик хвоста, формируя красивую форму.

Примажем хвостик к фигурке и обернем вокруг основания.

Делаем ушки. Для этого скатаем шарик, расплющим его в лепешку и разрежем стекой пополам. Получилось два ушка.

Примазываем ушки. Из черного пластилина скатаем и налепим шарик носик и шарики-глазки. Лисичка из пластилина готова!

Простая лиса из пластилина. Лепка из пластилина для детей от 4 лет.

Если вы хотите слепить лису из русских народных сказок, то предлагаем вам мастер класс «Лиса — лепка из пластилина».

Простая техника лепки из марципана

Простая лепка барельефа своими руками для оформления гостиной

Барельеф — это объемный рельеф на поверхности стены, орнамент или узор, выступающий над плоскостью. С его помощью можно сделать интересный и уникальный дизайн помещения, ведь каждая работа уникальна и повторить ее в точности невозможно.

Ни один вид декора не может сравниться по эстетике с барельефом. Он буквально приковывает внимание, выглядит необычно и интересно. Да и будет несложно своими руками сделать красивую композицию. К достоинствам барельефа можно отнести:

• неповторимость и уникальность декора;
• возможность скрыть дефекты поверхностей;

• может выступить средством зонирования комнаты.

Как сделать барельеф на стене

Чтобы вылепить на всю стену барельефное украшение, необходимо обладать навыками рисования, так как его контур сначала наносится на поверхность. Также можно сделать силиконовые формы, отлить в них гипсовые украшения и наклеить их на стены.

Чтобы сделать барельеф на стене, необходимо сначала выполнить некоторые подготовительные работы: очистить, выровнять поверхность. Уже на ровной и совершенно сухой поверхности можно приступать к работе. Для большого барельефа нужно хорошо пройтись по стенам грунтовкой.

Изготовление барельефа

Прототип понравившейся выкройки можно сделать следующими способами:

• слепок из глины или глины;
• вырезать из дерева;
• перенести контуры рисунка на бумагу и придать им рельефность.

В завершение нужно нанести готовые выпуклые детали.

Материалы

Средства, которые можно порекомендовать:

1. Очень прочный и пластичный состав. Из него можно сформировать глубокий рельеф. Однако он очень дорогой.
2. Фуген. Чуть менее прочный. Намного дешевле КнауфУнифлот (почти в три раза). Также можно без проблем сделать облегчение.
3. Пуфас. Это гипсовая шпатлевка с целлюлозным волокном.На обработку требуется не меньше часа.
4. Акрил Putz (Польша). Готовая акриловая шпатлевка. Постепенно «схватывает» детали за час и больше.

Кроме того, требуется пропитка, которую подбирают исходя из исходных характеристик материала. Существуют составы, укрепляющие крошащиеся материалы. Будет полезно применить концентрат влагостойкой грунтовки Пуфас. Подходит для всех минеральных оснований, в том числе для дерева и древесных плит. Влагоизоляционный состав Аквастоп подходит для рыхлых оснований.

Этот подробный мастер-класс лепки из пластилина научит как сделать простую поделку

Современные дети очень быстро развиваются. То, что нас интересовало только к 5-6 годам, они умеют делать уже в возрасте 2-х лет.

Очень важно регулярно заниматься со своим ребенком, ведь именно от того, какие навыки маленький человечек получит в детстве, зависит то, кем он станнит во взрослой жизни.

Существует огромное количество развивающих учреждений для детей от одного года: школы для малышей, детские сады, клубы для мамочек и их детей и т. д., но не одна школа и не один детский сад не смогут привлечь ребенка к обучающим играм так, как это может сделать его родитель.

Есть масса способов, как развить своего ребенка дома, это может быть собирание пазов, чтение книг, изучение по картинкам цветов, животных, транспортных средств, строительных инструментов и одежды, рисование и раскрашивание картин, собирание конструктора и лепка из пластилина.

Именно о работе с пластилином мы поговорим в нашей сегодняшней статье.

Польза работы с пластилином

Специалисты советуют приступать к лепке из пластилина с детьми от одного года. Именно в этом возрасте ребенок может осознавать, что можно брать в рот, а что нет, и хорошо поддается обучению.

Вот несколько примеров, чем полезна работа с пластилином для детей:

• Игры с пластилином отлично развивают мелкую моторику ребенка.
• Из-за того, что отдел, отвечающий за движение пальцев, находится очень близко к речевому отделу, лепка из пластилина может существенно улучшить речь вашего чада.
• Пластилин отлично развивает творческое мышление, слепленная гусеница из пластилина в детстве может стать отличным толчком для его воображения в будущем.
• Ну и конечно, как всякие игры, проходящие за столом, лепка из пластилина хорошо способствует усидчивости и концентрации внимания вашего малыша.

В этой статье мы разберем, как слепить гусеницу из пластилина.

Другие материалы для лепки

При необходимости пластилин можно заменить и другими материалами для лепки как покупными, так и теми, что можно легко сделать в домашних условиях. Особенно важно выделить тесто для лепки, такое же удобное и практичное, как и пластилин, да и найти его гораздо проще, чем другие материалы.

1. Выбираем тесто для лепки В магазине можно приобрести специальное мягкое тесто для лепки, которое по своему составу и свойствам очень похоже на домашнее соленое тесто. Но, конечно, выбирать лучше всего качественное покупное тесто известных производителей. Оно не только подходит для самых маленьких детей (2-3 года), но также просто поражает разнообразием цветов — самостоятельно такой палитры добиться очень сложно. Правда, в отличие от пластилина, мягкое тесто очень быстро высыхает на открытом воздухе. Поэтому после работы его обязательно нужно поместить обратно в коробочку, в которой оно продавалось.
2. Делаем фигурки из соленого теста Соленое тесто — один из наиболее доступных и простых материалов для лепки. Его с легкостью можно приготовить дома, воспользовавшись одним из существующих рецептов.
   

   На заметку В самых простых рецептах достаточно смешать муку и соль из расчета два к одному (две части муки к одной части соли), после чего добавить необходимое для создания однородной массы количество воды. Подкрасить соленое тесто можно или пищевыми красителями, или натуральными соками свеклы или моркови.

3. Что можно слепить из глины. Дети старшего дошкольного и школьного возраста из глины смогут сделать не только фигурки любимых персонажей, но и самые настоящие чашки и горшочки. Тем более, что глину для лепки сегодня совсем не обязательно копать где-то в карьере, а вполне можно приобрести в магазинах для творчества. Но все-таки глина – это не пластилин, работа с ней требует некоторой сноровки и умений. Впрочем, сегодня проводится множество мастер-классов по изготовлению изделий из глины, на которые с удовольствием приходят и дети. После обжига глиняного изделия ребенок может декорировать его по своему вкусу, развивая тем самым свои творческие способности и мелкую моторику рук.
4. Используем другие материалы для лепки. Довольно необычным материалом является шариковый пластилин (легкий и непривычный, состоящий из мельчайших пенопластовых шариков, склеенных друг с другом) и так называемая «жвачка» для рук (может быть массой для лепки, основой для шарика-попрыгунчика, а может и вовсе «растечься», если ее просто так оставить на столе). Также, начиная лет с 4-5, детям уже будут интересны целые игровые наборы с «песком» для лепки, изделия из которого не высыхают, но теряют свою форму, если их не запечь.

Вообще, лепка из пластилина или из любого другого подходящего материала — прекрасное занятие для ребенка, главное — увлечь его и дать свободу фантазии и возможность выбора подходящих материалов.

Лепим из пластилина осьминога

Похожие статьи

• Метод проектов на уроке английского
• Изучение английского с помощью игр и двигательной активности
• Мелкая моторика у дошкольника
• Игры с карточками для изучения английского
• Аппликации с ребенком: весело и познавательно
• Как выучить английские названия домашних животных используя пальчиковые игры
• Готовим новогодние поделки сами
• Использование метода TPR (полного физического реагирования) на занятиях

Немного о выборе материала

Для маленьких скульпторов лучше всего выбирать массу для лепки из натуральных материалов, в противном случае слепленная вашим ребенком гусеница из пластилина принесет больше вреда, нежели пользы.

Еще одно условие – пластилин должен быстро разогреваться и хорошо мяться, иначе работа с ним превратится не в самое приятное занятие.

Если вы не доверяете магазинной продукции, то вы можете сделать подобие пластилина самостоятельно, смешав муку, соль и воду в равных пропорциях и добавив к получившейся массе пищевые красители.

Конспект занятия «Лепка — гусеница»

Государственное бюджетное общеобразовательное учреждение

Школа 601 Приморского района Санкт-Петербурга

Отделение дошкольного образования

Конспект непосредственно образовательной деятельности

во второй младшей группе с использованием игровой технологии

Образовательная область «Художественно-эстетическое развитие»

Лепка «Гусеница»

Воспитатель:

Баукова Наталья Валерьевна

Санкт-Петербург

2016

Конспект непосредственно образовательной деятельности во второй младшей группе с использованием игровой технологии

Образовательная область «Художественно-эстетическое развитие»

Лепка «Гусеница»

Программное содержание:

Цель:

Учить лепить из пластилина предметы округлой формы (шарики), и составлять из них и природного материала (каштанов) гусеницу.

Задачи по образовательным областям:

Художественно-эстетическое развитие:

• Реализация самостоятельной творческой деятельности;
• Формировать интерес к лепке;
• Воспитывать у детей эстетическое восприятие;
• Развивать чувство формы, величины и композиции;

Познавательное развитие:

• Закреплять умение работать с пластилином;
• Расширять представления о способах лепки;
• Развивать навык отделять от большого куска пластилина маленькие, и скатывать их в шарик круговыми движениями ладоней;
• Учить последовательно выполнять работу;
• Поддерживать интерес к природе;
• Развитие воображения и творческой активности;

Речевое развитие:

• Обогащать словарный запас детей словами: «гусеница»

Социально-коммуникативное развитие:

• Учить аккуратности и самостоятельности;
• Общение и взаимодействие со взрослыми и сверстниками;

Физическое развитие:

• Приобретение опыта двигательной деятельности, направленной на развитие крупной и мелкой моторики.
• Становление целенаправленности и саморегуляции;

Интеграция образовательных областей:

«Художественно-Эстетическое развитие»; «Познавательное развитие»; «Речевое развитие»; «Социально-коммуникативное развитие»; «Физическое развитие».

Тип:

Интегрирование.

Цель использования игровой технологии в дошкольном образовании:

достижение высокого уровня мотивации, осознанной потребности в усвоении знаний и умений за счет собственной активности ребенка.

Методы:

Словесный, наглядный, практический.

Приемы:

Показ с пояснением, рассматривание, беседа, лепка, игровая ситуация; сюрпризный момент (введение игрушечного персонажа — гусеницы).

Формы организации:

Групповая.

Формы НОД:

Совместная деятельность.

Возраст детей:

3-4 года (младшая группа).

Предварительная работа:

Беседа о гусеницах. Рассматривание картинок, иллюстраций и рисунков с изображением гусениц.

Словарная работа:

«насекомые», «гусеница».

Оборудование:

Игрушечная гусеница; игрушечная ворона; магнитофон; аудиозапись «Звуки природы»; пластилин, каштаны, самоклеящиеся глазки; цветной картон зеленого цвета; салфетки; воздушные шарики на каждого ребенка.

ХОД НЕПОСРЕДСТВЕННО ОБРАЗОВАТЕЛЬНОЙ ДЕЯТЕЛЬНОСТИ.

Вводная часть (2-3 минуты)

Дети сидят на ковре. Сюрпризный момент. Появление игрушечной гусеницы.

Воспитатель:

Ребята, давайте поздороваемся с гусеницей и улыбнемся друг другу.

Дети здороваются.

Воспитатель:

Сегодня вы попробуйте превратиться в гусениц. Я скажу волшебные слова: «Раз, два, три! Теперь гусеницы вы!»
Включается «Звуки природы».
Давайте вспомним, как передвигается гусеница?

Дети:

Ползает!

Воспитатель:

Представьте себе, что вы на лесной полянке, кругом зеленая трава, цветы…. Покажите мне как ползают гусеницы!
Дети ползают по ковру.
Медленно, извиваясь, пробираясь сквозь траву…Гусенички увидели друг друга, улыбнулись и легли отдохнуть!

Игра «Ворона и гусеницы!»

Как-кар! Появляется игрушечная ворона.

Прилетели вороны. Гусенички замерли, спрятались в траве, их не видно…Походили вороны, но никого не заметили и улетели. Гусеницы облегченно вздохнули, зашевелились и поползли дальше!
(Игра повторяется 2 раза).
Солнышко греет, им хорошо…
(Аудиозапись выключается.)
«Раз, два, три! А теперь ребята вы!»

Основная часть (10 мин)

Воспитатель просит детей сесть за столы. На столах на каждого лежит пластилин, каштаны по пять штук, цветной картон зеленого цвета. Затем воспитатель прикрепляет к магнитной доске картинки и фотографии гусениц.

Воспитатель:

Ребята, посмотрите внимательно на картинки. Кто попробует описать гусениц? Какие они?

Дети:

ответы

Появляется игрушечная гусеница. Она рассказывает ребятам о том, что существует много разных, непохожих гусениц. Рассказывает о их защитной и пугающей окраске. Рассматривание иллюстраций с гусеницами.

Воспитатель:

Давайте вспомним, из чего состоит гусеница?

Дети:

ответы (Из шариков)

Воспитатель:

Сколько шариков?

Дети:

ответы (Много)

Воспитатель:

А какая гусеница –короткая или длинная?

Дети:

ответы (Длинная)

Воспитатель:

А сегодня мы свами попробуем слепить гусеницу! Ведь скучно играть без друзей! Вот мы и слепим друзей для нашей гостьи гусеницы! Нам потребуется пластилин и каштаны! Перед вами на столах пластилин! Выберите себе понравившиеся цвета. Придумайте, какая у вас будет гусеница. Пугающая с яркой окраской или с защитной окраской, однотонная! Выбрали пластилин?

Дети:

Да!

Воспитатель:

Молодцы! Возьмите, пожалуйста, большой кусок пластилина, и оторвите от него маленький! Получилось?
(При необходимости помочь детям).
А теперь скатайте из кусочка шарик. Теперь берем еще кусочки и катаем много шариков. А теперь самое интересное. Будем собирать гусеницу! На цветной картон положите, пожалуйста, один каштан и соедините его с шариком из пластилина. К последнему шарику прикрепите еще каштан. Продолжайте до тех пор, пока не закончатся каштаны! Умницы! А теперь внимательно посмотрели на свои гусенички. Чего не хватает им?

Дети:

Ответы (личика, глаз)

Воспитатель:

Правильно! Сначала мы сделаем рожки нашим гусеницам. Для этого оторвите два маленьких кусочка. И скатайте две маленькие колбаски. Прикрепите к голове гусеницы. Дальше приклеиваем уже готовые самоклеящиеся глазки.
Воспитатель наблюдает и помогает.
Ура! Мы закончили! А теперь давайте поиграем!
Воспитатель хвалит детей просит их пройти на ковер!
Игра «Большая гусеница»

Воспитатель приносит воздушные шарики на каждого участника. Дети встают в колонну, кладут руки на плечи впередистоящего. Зажимают воздушный шарик между животом одного и спиной другого. Ребенок, стоящий во главе колонны, держит шарик в руках. Воспитатель просит детей представить, что все они превратились в одну большую гусеницу. На ковре ставят в ряд большие мягкие кубы. Воспитатель просит ребят пройти по комнате, огибая препятствия.

Заключительная часть (2-3 минуты)

Рефлексия.

Воспитатель:

Из чего мы сегодня делали гусеницу?

Дети:

Ответы (Из пластилина, из каштанов, из шариков)

Воспитатель:

Сколько нам понадобилось скатать шариков из пластилина?

Дети:

Ответы (Много)

Воспитатель:

Вы сегодня очень старались! У вас получились изумительно красивые гусеницы! Молодцы!

Список литературных источников:

1. Атемаскина Ю. В. Современные педагогические технологии в ДОУ: учебно-методическое пособие / Ю. В. Атемаскина, Л. Г. Богославец. — СПб. : Детство-Пресс, 2012. — 112 с.
2. Богдарин А.Ю. Знакомые насекомые Издательство: АСТ, 2014 — 8 с.
3. Колдина Д.Н. Лепка с детьми 3-4 лет Издательство М.: МОЗАИКА-СИНТЕЗ, 2011. – 50 с.
4. Лыкова И.А. Изобразительная деятельность в детском саду. Вторая младшая. Учебно-методическое пособие. – М.: Издательский дом «Цветной мир», 2020. – 152 с.

Гусеница из пластилина, как ее лепить

Прежде всего, занимаясь с ребенком, помните, что его нельзя принуждать, пусть лепка будет проходить в игровой форме. Посадите его за стол, объясните, что вы сегодня будите изготавливать и какой это веселый процесс. И тогда развитее вашего малыша будет доставлять радость и вам и ему.

• Приготовьте пластилин желтого, фиолетового, зеленого, розового, белого и синего цвета.
• Дайте ребенку помять его в ручках, помогите ему размять все кусочки.
• Оторвите от каждого цвета по кусочку размером с черешенку.
• Скатайте с ребенком пять маленьких и один немного большего розмера шариков.
• Гусеница из пластилина должна иметь голову, поэтому прилепите к большому шарику рожки (для этого попросите ребенка скатать 2 небольших палочки).
• К голове приделайте два белых глаза-лепешечки с синими зрачками.
• Слепите между собой все элементы гусеницы.

Ваша совместная поделка готова!

Гусеница из каштана и пластилина – отличная игрушка. Для ее изготовления попросите ребенка слепить между собой каштаны кусочками пластилина, а к первому каштану прилепить глазки

Поделка из пластилина по сказке про муравья Ферду

Работу «Первая весна муравья Ферды» прислали на конкурс детского творчества «Весна» Марк Нелаев (3 года) и его мама Юлия из г. Санкт-Петербурга, Россия.

Поделку сделали потому, что Марку очень нравится муравей Ферда из книги Ондржея Секоры (подробнее об этой книге ). Марк с мамой ходили в парк, собирали нужные составляющие (палочки, шишки, мох, веточки, травку). Марк помогал делать шарики, колбаски из пластилина для фигурки Ферды и его друзей.

Потом все это собрали в композицию. С этой поделкой Марк с мамой долго играли и придумывали разные истории про муравья Ферду.

Вот небольшой фрагмент их сказки:

«Лес просыпался после долгой зимы. Солнышко согревало землю своими лучами. Вместе с другими лесными созданиями проснулся муравей Ферда. Он вылез из муравейника, вытянул свои усики навстречу солнцу и почувствовал, что пришла весна.

Ах, какой холодной была эта зима! — сказал он. На полянке были все его лесные соседи. Они тоже радовались солнышку и теплу. Все поздоровались с Фердой и пожелали ему хорошего дня!…»

Приятного Вам творчества! Специально для читателей блога «MORE творческих идей для детей»

(https://сайт), с искренним уважением, Юлия Шерстюк

Всего доброго! Если статья была вам полезна, пожалуйста, помогите развитию сайта, поделитесь ссылкой на нее в соцсетях.

Размещение материалов сайта (изображений и текста) на других ресурсах без письменного разрешения автора запрещено и преследуется по закону .

• Новогодняя елочка из шишки — простая поделка…
• Кораблик из ореховой скорлупы (поделка из природных…

Такое хобби, как создание различных поделок из пластилина помогает решить ряд педагогических задач. Благодаря несложному и увлекательному занятию ребенок сможет не только развить свои творческие способности, но и освоить названия базовых геометрических форм и ознакомиться со всеми цветами и их оттенками. И в сегодняшнем уроке мы хотели бы рассказать, как слепить муравья из пластилина. Поделка имеет начальный уровень сложности, поэтому с ее созданием справиться каждый. В процессе мы будем создавать простые фигуры, которые ребенок сможет вылепить без помощи взрослого.

Для лепки понадобятся несколько инструментов и основной материал:

• пластилин коричневого, темно-коричневого, черного и белого цвета;
• зубочистка;
• шпажка;
• пластиковая стека-лопатка;
• стека с шариком на кончике.

Домашние животные из пластилина

Если ребенок любит и обожает животное, живущее у вас дома, тогда он точно придет в восторг от идеи слепить своего любимца из пластилина. К тому же для детей гораздо важнее сам процесс творчества, чем результат. Немного потренировавшись, слепить можно любое животное из пластилина:кошку, собачку, мышку, курочку, гуся, козу, корову, свинку, любую зверушку, обитающую рядом с вами.

Как слепить мышку:

1. Разогрейте пластилин в руках.
2. Скатайте 2 шарика средних размеров для туловища и головы.
3. Далее скатайте 4 маленьких шарика-лапки, соедините детали между собой.
4. Сделайте шарик-выступ на мордочке, маленький шарик-носик, 2 уха-диска расплющив 2 скатанных шара.
5. Смастерите глазки, соединив 2 маленьких шарика с 2мя шариками поменьше.
6. Соедините глаза, уши, выступ с носиком со всей конструкцией.
7. Скатайте веревочку-хвостик и присоедините к туловищу.
8. Мышка готова.

Лев из пластилина. Пошаговый урок лепки

Царь всех животных, лев из пластилина — отличный повод для детей размять свои пальчики творческим делом.

Для изготовления льва понадобиться следующее:

1. Выберите 3 кусочка пластилина разных цветов, из которых будет изготовлен лев. Например, подойдут коричневый, желтый и оранжевый.
2. Сделайте овал-туловище из желтого цвета.
3. Этим же цветом слепите 4 лапки и соедините их с туловищем.
4. Начните лепить голову: сделайте её чуть продолговатой формы. Из двух маленьких шариков желтого цвета сформируйте и прилепите щеки. Из маленького шарика коричневого цвета сделайте и прикрепите носик.

5. Сделайте львенку глаза, прикрепив коричневые или черные зрачки к белым шарикам-глазницам.
6. Оранжевую гриву сформируйте из маленьких шариков, прилепив их вокруг морды львенка. Заполните шариками-гривой всю заднюю часть львиной головы.
7. Чтобы соединить голову с туловищем, возьмите спичку и насадите на один конец готовую голову, а второй воткните в туловище, так чтобы спичка крепко в нем засела.
8. Сделайте хвостик львенку, прикрепив на его кончик оранжевую кисточку. Так же сделайте львенку оранжевые кончики лапок с тремя — четырьмя черточками-пальцами.
9. Сделайте из желтого пластилина льву круглые ушки.
10. Лев готов!

Морские животные из пластилина

Морские животные из пластилина – для детей это возможность выучить подводных обитателей.

Водный мир многообразен и интересен: там обитают не только рыбы, но и осьминоги, морские котики, раки, черепахи и дельфины.

Лепим осьминога: пошаговая инструкция

Чтобы слепить осьминога, необходимо следовать поэтапным инструкциям:

1. Сформируйте круг и несколько долгих колбасок-лапок одного цвета для тела осьминога.

2. На лапки приклейте круглые щупальца другого цвета, нарисовав на них карандашом галочки для больше соответствия живому осьминогу.
3. Сделайте глазки осьминогу из белых глазниц и черных зрачков.
4. Осьминог готов! В его руку можно вложить какой-то маленький предмет для довершения образа, например игрушечный сундучок или бутылку.

Лепка из пластилина: начало работы

Если ребенок впервые сталкивается с этим материалом, для начала нужно малыша познакомить со свойствами пластилина, показать, как с ним взаимодействовать, что из этого может получиться. В зависимости от возраста, ребенок может удерживать внимание на одном и том же деле разное количество времени. На первый раз оптимальным временем лепки или знакомства с материалом, будет 10-20 минут.

Чтобы вызвать и сохранить интерес, лучше закончить процесс чуть раньше, когда ребенок испытывает положительные эмоции и увлечение занятием, нежели позже, когда ему уже не интересно и он устал. Ведь в этом случае у ребенка останется неприятное послевкусие, и сам процесс этого творческого приятного занятия будет ассоциироваться с усталостью и скукой.

Покажите ребенку следующие манипуляции с пластилином, после чего предложите повторить их самостоятельно под вашим присмотром и готовностью прийти на помощь при надобности:

• Нагрейте пластилин в руках, продемонстрируйте, что тогда он становиться мягче и податливей, с ним легче работать.
• Помните его в руках, скатайте в шарик, расплющьте, соедините разные цвета вместе, разорвите части одного цвета на разные составляющие, сложите разные фигуры, состоящие из одного и нескольких цветов.
• Покажите, что пластилин прилипает к рукам и что его нужно смыть после роботы с помощью воды или хотя бы влажной салфетки. Продемонстрируйте, что если взяться такой рукой, например, за сухую салфетку или лист бумаги, они прилипнут. Объясните, что чтобы этого не происходило необходимо смывать остатки пластилина с кожи.
• Предложите ребенку проделать те же манипуляции под вашим присмотром.

Как лепить из пластилина пони и лошадей

Выполнение:

1. Разогрейте пластилин, скатайте из него шарик.
2. Разделите на 2 ровных части и раскатайте в длинную колбаску.
3. Теперь поделить каждую из них на 6 частей. Важно чтобы они были примерно одинаковыми.
4. Делаем голову. Для этого из одной колбаски раскатываем маленький овал, из него делаем вытянутыми вперед нос с челюстями, оставляя заднюю часть головы более массивной.

5. Из первого и второго цилиндра лепим шею в виде полумесяца.
6. 4 колбаски соединяем в одно туловище.
7. Из оставшихся 4х колбасок делаем ноги, более тонкие ближе к туловищу и толще к полу. Копыта лепим из маленьких кусочков пластилина другого цвета.
8. Крепко соединяем все части коня между собой.
9. Лепим ушки, хвост и гриву, с помощью кружочков черного и белого пластилина мастерим глаза, вырезаем стеком ноздри.
10. Прикрепляем сделанные детали к лошадке.
11. Ставим лошадь на досточку, сгибаем ей ножки, как будто бы она шагает. С помощью стека делаем полоски на гриве и хвосте, или же делаем эти части с отдельных полосок.

Свинка Пеппа из пластилина

Часто детей увлекают не только настоящие животные, но и герои мультфильмов. Поводом оторваться от экрана может быть предложение сделать своими руками из пластилина любимого героя.

Животные из пластилина для детей лепятся очень просто, при этом отлично развивают моторику ребенка.

Чтобы сотворить Свинку Пеппу необходимо выполнить следующие действия:

1. Сделайте 2 шарика: розового и красного цвета.
2. Сформируйте подол платья, приложив к досточке красный шарик и вытянув пальцами плоскую сторону.
3. Сверху сделайте маленькую ямку.
4. В розовом шарике вытянуть широкий нос, сверху приклеить глаза.
5. Пятачок и рот сделать с помощью тонких пластилиновых посол красного цвета.
6. На макушку присоединить ушки.
7. Соединить голову с туловищем.
8. Сделать ручки и присоединить их к туловищу.

Финансовое моделирование | ASimpleModel.com

Каждая тема начинается с одного и того же введения: короткого обучающего видео, в котором рассказывается, как лучше всего использовать этот веб-сайт.Однако загружаемый рабочий лист меняется для каждого вводного видеоролика и содержит примечания, относящиеся к каждому из видеороликов, следующих в серии.

Это видео знакомит с моделью LBO.Он начинается с интегрированной модели финансовой отчетности и добавляет компоненты, необходимые для анализа LBO.

Это видео демонстрирует процесс выполнения нескольких сценариев в вашей модели и использования таблиц данных для одновременного просмотра ряда возможных результатов.

Это первый из двух видеороликов, в которых объясняется чистка наличных в простой модели LBO.Это требует шести быстрых шагов, поэтому я решил зафиксировать весь процесс целиком. Преимущество неотредактированного руководства в том, что оно раскрывает небольшие привычки и уловки, которые иначе не распространяются. Надеюсь, это сделает материал более доступным.

В то время как первое видео было посвящено механике добавления развертки денежного потока, второе видео описывает, что происходит в вашей модели.Мы также будем включать примечания, объясняющие, как это решается на уровне компании.

Недавно FASB объявил об обновлении, которое требует изменения представления затрат на выпуск долговых обязательств в финансовой отчетности.Хотя я бы сказал, что старая презентация превосходит это новое требование для большинства упражнений по моделированию, важно знать все стандарты GAAP, поскольку вы столкнетесь с ними при проверке аудированной финансовой отчетности.

В этом видео мы делаем переход от построения модели на одном листе к организации информации на нескольких листах.В качестве введения в этот подход в видео рассказывается о реализованных преимуществах. Согласно комментарию в видео, примечания, связанные с этим видео, сосредоточены на анализе коэффициента долга.

В этом видео полностью показан процесс добавления привилегированных акций в модель.Будь то очередной транш долга или класс привилегированных акций, если вы строите свои собственные модели, это обычное занятие в жизни финансового аналитика.

В то время как первый видеоролик, представляющий чистку наличных средств, ограничивал необязательное погашение долга по отношению к первому долгу, в этом видеоролике рассматривается шаблон с дополнительными переключателями погашения для всех траншей долга.Финансовая модель доступна для скачивания.

В этом видео мы начинаем более детально исследовать структуру капитала и добавляем в модель обыкновенные акции класса B.В видео также представлен обзор структуры фонда прямых инвестиций.

В этом видео рассказывается о преимуществах включения привилегированных акций в структуру капитала сделки.

Стандартный водопад распределения прямых инвестиций усложняется только количеством слов, используемых для описания того, как он работает.Математика очень проста, как демонстрирует это видео.

Цель этой публикации — перевести язык, связанный с бухгалтерским учетом закупок, в финансовый шаблон с инструкциями, которые охватывают корректировки баланса для большинства контрольных операций.

Это тематическое исследование было разработано с целью выявления младших членов команды для частной инвестиционной компании.Если вы новичок, подумайте о том, чтобы построить простой пятилетний прогноз, используя сводные финансовые показатели. Если у вас есть более продвинутый набор навыков, вы можете работать с операционной моделью, чтобы построить что-то гораздо более подробное. Удачи!

Финансовое моделирование | ASimpleModel.com

Это видео представляет собой Часть 4 введения в частный капитал.Из этого видео вы узнаете больше о лицах, участвующих в процессе поиска, структурирования и закрытия транзакций. Видео знакомит с независимым спонсором (также известным как спонсор без финансирования) и объясняет определенные преимущества, которые имеют участники сделок над своими конкурентами. Заключение включает краткое сравнение структуры независимых спонсоров и структуры фонда прямых инвестиций.

НЕЗАВИСИМЫЙ СПОНСОР (AKA FUNDLESS SPONSOR)

После краткого вступления видео дает небольшую предысторию независимого спонсора (начиная с 1984 года).На первый взгляд, независимый спонсор — это физическое лицо, которое приобретает компании и привлекает средства для каждой отдельной сделки, не увеличивая при этом определенный пул капитала. Нажмите на изображение ниже, чтобы перейти к этой детали (все изображения связаны с соответствующей частью видео).

ДИЛМАКЕРЫ

В этом видео представлены три уникальных продавца. Это видео начинается с Брэдли Джейкобса, который известен своими 500 приобретениями.На его одностраничном веб-сайте:

На протяжении своей карьеры Джейкобс руководил командами, которые объединили около 500 приобретений и открыли более 250 новых объектов, привлекли более 25 миллиардов долларов заемного и акционерного капитала, включая два IPO, и создали символы передового опыта в нескольких отраслях.

Следующее видео охватывает менее обычного участника прямых инвестиций, голливудского актера Райана Рейнольдса. У Рейнольдса есть преимущество, с которым немногие могут сравниться с его мегафоном в социальных сетях.Например, когда он инвестировал в Aviation Gin, продажи, как сообщается, удвоились с 20 до 40 миллионов долларов, и Джеффрис подсчитал, что компания продала 96 000 ящиков в 2019 году. Затем в 2020 году Diageo согласился приобрести Davos Brands LLC, портфель брендов, включая Aviation Gin. , за 610 миллионов долларов.

Последний пример — Vista Equity Partners, основанная миллиардером Робертом Смитом. Vista известна тем, что превратила софтверные компании в машины для получения прибыли.Согласно статье в WSJ:

Это видео завершается кратким сравнением структуры независимого спонсора со структурой фонда прямых инвестиций. Причина, по которой знакомство с независимым спонсором помогает понять частный капитал, заключается в том, что модель независимого спонсора позволяет нам сосредоточиться на единственной первоначальной сделке. В следующих видеороликах обе эти структуры будут демонтированы и объяснены по одному компоненту за раз, и по завершении этого курса вы должны лучше понять, как работают эти два участника прямых инвестиций.

Введение в серию прямых инвестиций:

границ | Простые модели, сложные модели, полезные модели: можно ли отличить их по взмаху крыльев бабочки?

«Наша правда — пересечение независимой лжи»

Левинс (1966)

Стратегия построения научной модели — это стратегия абстракции.Абстракция предназначена для объяснения работы определенных механистических принципов, и, как субъективные конструкции, они не являются ни правильными, ни неправильными. Скорее, абстракции затемняют или освещают изучаемый процесс, создавая бесполезные или полезные модели (Levins, 2006). В процессе построения экологической модели как пути к пониманию обычно используются два противоположных подхода (Evans et al., 2013). В первом случае модель разрабатывается на основе теоретических принципов, а затем набор проверяемых прогнозов сопоставляется с данными из реальных систем.Во втором подходе именно подробное знание естественной истории конкретной системы определяет уровень сложности механистической модели, используемой для соответствия эмпирическим данным, и эта модель в дальнейшем используется для воспроизведения динамики исходной системы и, в идеале других систем. Учитывая текущие проблемы в изучении динамики населения (Oro, 2013), какая абстракция более полезна?

Статья Харрисона и др. (2011) — яркий пример второго подхода.Используя данные 17-летних временных рядов метапопуляции бархатистой бабочки Гланвилля ( Melitaea cinxia , рис. 1), обитающей на 72 лугах в Финляндии, они приспособили механистическую индивидуально-ориентированную модель (IBM) к пространственному двухгодичному учету групп личинок. С целью оценки желательности сложных моделей по сравнению с более простыми для объяснения наблюдаемой динамики метапопуляции, они также вывели более простую, стохастическую модель занятости участков (SPOM), и подогнали ее к наличию или отсутствию локальных популяций во времени и космос.Интересно, что общая подгонка обеих моделей была довольно схожей, и жирный результат одинаков для обеих моделей: изменение качества среды обитания влияло на занятость участков, главным образом, через влияние на поведение движения на краях участков. Сразу возникает вопрос: стоит ли иметь дорогие индивидуальные данные, если дешевые качественные данные о населении отлично справляются с исходным вопросом?

Рис. 1. Рябистая бабочка Гланвилля ( Melitaea cinxia ). Автор: Кристиан Фишер (CC BY-SA 3.0).

Построение моделей возрастающей сложности неизменно предполагает компромисс между общностью, точностью и реалистичностью (Levins, 1966; Reiners, Lockwood, 2010; Evans et al., 2013). Какова стратегия моделирования Харрисона и др. (2011), однако, демонстрирует, что четких определений простоты или общности на самом деле не существует (Evans et al., 2013). Их стратегия моделирования одновременно содержит несколько уровней простоты и сложности: хотя экологический механизм расселения как фактор, связывающий множество пространственно распределенных популяций, относительно прост (Hanski, 1999), математическая основа построения моделей довольно сложна.Кроме того, в соответствии с современными стратегиями экологического моделирования (Lavine, 2010) их байесовская формулировка пространства состояний включала одновременную статистическую оценку сотен параметров, некоторые из которых не поддаются идентификации, и авторы признали, что значительное количество параметров время было потрачено на доработку и доводку схемы фитинга.

Итак, к чему их привели эти усилия? Что ж, удивительно, хотя их подход основан на надежных знаниях о биологии и естественной истории рябчиковой бабочки Гланвилля, накопленных за последние два десятилетия, с использованием независимых данных, как IBM, так и SPOM постоянно переоценивают вероятность заселения участков в пейзаж.Здесь есть еще один важный урок. Мантра Поппера «Мы учимся на своих ошибках» лежит в основе современной философии науки (например, Mayo, 1996; Reiners and Lockwood, 2010). Проще говоря, это означает, что из неудач точки зрения можно получить больше знаний, чем из ее успеха. Тот факт, что и IBM, и SPOM соглашаются не только в своих прогнозах, но и в своих неверных прогнозах, является важным, поскольку он предполагает фундаментальное несоответствие между архитектурой модели и реальностью: ключевые экологические компоненты пока отсутствуют.Причины этого несоответствия не ясны, но это указывает на области, где дальнейшие улучшения модели очевидны. В рамках стратегии обучения путем неудач модели Harrison et al. (2011), таким образом, не являются ни правильными, ни неправильными: они принципиально полезны.

Таким образом, в статье Harrison et al. (2011) — смелая работа. Это ведущее упражнение по развитию сложного математического языка, прочно основанного на надежных экологических знаниях. Вот уже более 20 лет проект «Рябистая бабочка» в Гланвилле дает фундаментальные уроки о том, как построить конкретный экологический рассказ с помощью элегантного сочетания математического моделирования и ориентированной на вопросы полевой работы (Hanski, 1999).Это прекрасный пример того, как стратегию построения сложных моделей в экологии можно рассматривать как первый шаг в стратегии построения более простых, но эффективных. Этот путь от простых к сложным моделям и обратно к более простым, движимый смелыми вопросами, вероятно, станет путем для экологических исследований в будущем, и он еще раз показывает, что ложных моделей следует рассматривать как средство более верные теории (Wimsatt, 2007).

Заявление о конфликте интересов

Автор заявляет, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Список литературы

Эванс, М. Р., Гримм, В., Йост, К., Кнууттила, Т., де Ланге, Р., Лесселлс, К. М. и др. (2013). Приводят ли простые модели к общности в экологии? Тренд. Ecol. Evol . 28, 578–583. DOI: 10.1016 / j.tree.2013.05.022

Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

Ганский, И. (1999). Экология метапопуляции . Нью-Йорк, Нью-Йорк: Издательство Оксфордского университета.

Харрисон П. Дж., Хански И. и Оваскайнен О.(2011). Байесовское моделирование динамики метапопуляции в граничной бабочке Гланвилля в пространстве состояний. Ecol. Моног . 81, 581–598. DOI: 10.1890 / 11-0192.1

CrossRef Полный текст

Левинс Р. (1966). Стратегия построения моделей в популяционной биологии. Am. Sci . 54, 421–431.

Левинс Р. (2006). Стратегии абстракции. Biol. Филос . 21, 741–755. DOI: 10.1007 / s10539-006-9052-8

CrossRef Полный текст

Майо, Д.(1996). Ошибка и рост экспериментальных знаний . Чикаго, Иллинойс: Издательство Чикагского университета.

Оро, Д. (2013). Грандиозные проблемы в динамике населения. Фронт. Ecol. Evol . 1: 2. DOI: 10.3389 / fevo.2013.00002

CrossRef Полный текст

Райнерс, У. А., и Локвуд, Дж. А. (2010). Философские основы экологической практики . Нью-Йорк, Нью-Йорк: Издательство Кембриджского университета.

Wimsatt, W. C. (2007). Философия реинжиниринга для ограниченных существ: кусочные приближения к реальности .Кембридж, MS: Издательство Гарвардского университета.

Ключевые слова: моделирование и симуляция, байесовский вывод, динамика метапопуляции, эволюционная экология, философия науки

Образец цитирования: Almaraz P (2014) Простые модели, сложные модели, полезные модели: можем ли мы отличить их по взмаху крыльев бабочки? Фронт. Ecol. Evol . 2 : 54. DOI: 10.3389 / fevo.2014.00054

Поступила: 29.06.2014 г .; Документ ожидает публикации: 18 июля 2014 г .;
Дата принятия: 13 августа 2014 г .; Опубликовано онлайн: 29 августа 2014 г.

Отредактировал:

Авторские права © 2014 Almaraz. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License (CC BY). Использование, распространение или воспроизведение на других форумах разрешено при условии указания автора (авторов) или лицензиара и ссылки на оригинальную публикацию в этом журнале в соответствии с принятой академической практикой. Запрещается использование, распространение или воспроизведение без соблюдения этих условий.

* Для переписки: [email protected]

Простых моделей ·

Мой первый инстинкт, когда я имею дело с новой проблемой, — это попытаться найти сложную технику для ее решения. Однако я почти всегда считал более полезным начать с простой модели, прежде чем пробовать что-то более сложное. Вы многое выиграете, попробовав простые модели, а стоимость невысока. Даже если их недостаточно для решения проблемы (а это может быть именно так), они часто предоставляют много информации о проблеме, которая настраивает вас на дальнейшие методы.

Всегда стоит начинать с самой простой из возможных моделей, чтобы получить хотя бы базовый уровень проблемы. Я видел людей, которых впечатлила сложная система, которая дает точность 90%, тогда как постоянная модель находится в диапазоне 80%; и вопрос должен заключаться в том, приводят ли дополнительные 10 процентных пунктов к значительно лучшим решениям. Если вы столкнулись с проблемой кластеризации, начните со всего в одном кластере или со всего в другом кластере. Если вы можете четко ответить, почему простейшая модель недостаточно хороша, это большой шаг к оценке более сложных моделей (что часто бывает сложнее, чем их построение).

Раньше я пробовал начинать с техники большого черного ящика, такой как случайные леса, но обнаружил, что затем трачу значительное количество времени, пытаясь получить все данные и спроектировать функции в столбчатом формате; например, последовательные данные сложно кодировать. Затем, когда модель не подошла особенно хорошо, я застрял, пытаясь понять, что делать дальше. Если бы я попробовал это снова, я бы начал с использования знаний в предметной области, чтобы получить несколько наиболее вероятных функций и построить на их основе более простую модель, и постепенно выстроить понимание проблемы, прежде чем вкладывать средства в сбор большого количества данных.Я думаю, что все еще есть место для такого рода моделей и методов, таких как важность характеристик для открытия новых углов подхода к проблеме, но сначала стоит исключить более простые подходы.

На самом деле невероятно большое количество бизнес-задач может быть адекватно решено с помощью правильной средней или линейной модели. Их дешево внедрять, объяснять и поддерживать, и они надежны в своей области. В основных областях бизнеса с высокой долей заемных средств, где небольшое улучшение увеличивает ценность бизнеса, обычно стоит улучшить их с помощью более сложных методов.Но они будут сопряжены с гораздо более высокими текущими затратами на внедрение, запуск, проверку и поддержку.

Имейте в виду, что «простой» зависит от вашего опыта и предметной области. Для задачи классификации изображений простейшей разумной моделью после постоянной модели, вероятно, является какая-то нейронная сеть. Но даже Андрей Карпати рекомендует потратить много времени на изучение ваших данных и получение глупых исходных данных с крошечными моделями, прежде чем добавлять ResNet.

На самом деле, я думаю, что большая ценность начала с простых моделей заключается в том, что основное внимание уделяется данным и текущей проблеме, а не сложному моделированию или инженерным вопросам, и поэтому вы получаете гораздо более четкое представление о том, что, вероятно, будет работать и в чем заключаются проблемы.В любой ситуации вы, вероятно, получите неверные данные, и это часто выделяется при тщательном изучении данных.

Учебники по 3D-моделированию в Blender для начинающих: The Ultimate Collection

Обучение моделированию имеет решающее значение для любого, кто пытается освоить Blender.Моделирование, являющееся основой всего в трехмерной графике, является необходимым препятствием, которое необходимо преодолеть каждому учащемуся.

К счастью, в Интернете есть масса помощи, чтобы научиться моделировать.

Одна из лучших особенностей Blender — это большое сообщество, стоящее за ним. За эти годы они создали множество учебных ресурсов, и это руководство предлагает лучшее из лучшего, что касается моделирования в Blender.

Независимо от вашего бюджета или текущего набора навыков, этот список обязательно поможет.

Бесплатные уроки

Учебное пособие по моделированию для начинающих (составное)

Ознакомьтесь с этим учебным пособием

Blender Guru — один из самых популярных инструкторов по Blender на YouTube.

Я часто рекомендую студентам на эти уроки, когда они только начинают работать с Blender в целом.

В этой серии статей Blender Guru обучает основам моделирования. Но вместо того, чтобы делать машину или персонажа, ученики научатся моделировать средневековую кузнечную наковальню.

Почему?

Потому что моделирование более сложных объектов может быть трудным для новичков. Скорее всего, они столкнутся с проблемами и сдадутся. Blender Guru утверждает, что для изучения принципов 3D-моделирования лучше начать с чего-то более простого, например, наковальни.

Моделирование персонажей

Ознакомьтесь с этим учебным пособием

После того, как вы изучите основы, пора попробовать персонажа.

Поскольку персонажи — это хлеб с маслом для большинства 3D-графики, неплохо взяться за эту тему на раннем этапе и продолжать практиковаться.

Эта серия из 10 частей шаг за шагом проведет вас через процесс моделирования в Blender. Он охватывает все, от моделирования лица персонажа до рук и ног.

В этой серии вы получите подробный обзор — первых шагов, необходимых для создания персонажей с высоким разрешением для видеоигр или фильмов. Это базовые навыки, необходимые для преуспевания в компьютерной графике, поэтому этот урок важен для всех новичков.

Моделирование Charmander

Ознакомьтесь с этим учебным пособием

В этом уроке 3D-художника Артурса Луксиса вы увидите рабочий процесс создания персонажа в Blender.

Более конкретно, вы можете создать любимого персонажа покемона с нуля с большим количеством инструкций.

Начиная с низкополигональной модели, художник продолжает создание персонажа с высоким разрешением, а также текстурирование, риггинг, рисование веса и анимацию.

Из этого туториала Вы узнаете весь рабочий процесс моделирования персонажей в Blender. Это действительно мощная демонстрация инструментов и функций Blender.

Star Wars Tie Fighter

Ознакомьтесь с этим учебным пособием

Сосредоточившись на моделировании твердых поверхностей, лучший талантливый YouTube компьютерщик CG Geek демонстрирует процесс создания Tie Fighter в высоком разрешении из вселенной «Звездных войн».

CG Geek покажет вам, как вывести свои навыки моделирования на новый уровень с помощью модификатора зеркала для достижения идеальной симметрии.

Добавьте модификатор subdivision поверхности Blender, чтобы усилить детализацию без потери исходной геометрии. Работа таким неразрушающим способом добавит гибкости вашему рабочему процессу.

Приемы, описанные в этом видео, хорошо подходят для других объектов с твердой поверхностью, таких как автомобили и самолеты, где угловая точность и жесткая геометрия являются ключевыми.

Пистолет для моделирования твердой поверхности

Ознакомьтесь с этим учебным пособием

С этим видео о моделировании Oranhunter у вас будет возможность еще больше развить свои навыки моделирования твердых поверхностей, создавая оружие.

В частности, вы будете делать оружие из блокбастера Blizzard Overwatch .

Этот учебник предлагает несколько советов и приемов, как уменьшить количество полигонов без ущерба для деталей.

Сосредоточившись на сохранении хороших четырехугольников (четырехсторонних многоугольников), легче разработать чистую модель с нуля.Это будет важно позже, когда дело доходит до текстурирования и анимации объекта.

Oranhunter Modeling сочетает в себе модификатор зеркала и модификатор подповерхности для получения точности, скорости и детализации.

Комбинирование этих двух модификаторов — обычная техника, используемая многими художниками Blender.

Создайте любое низкополигональное животное

Ознакомьтесь с этим учебным пособием

Низкополигональные сцены по-прежнему в моде, и создавать их в Blender очень просто, как только вы научитесь основам.

В этом видео вы познакомитесь с некоторыми простыми приемами создания низкополигональных моделей, даже если вы никогда этого не делали раньше.

Грант Эббитт — суперзвезда обучающих программ YouTube, предлагающая короткие видеоролики и непринужденный стиль преподавания. В этом 10-минутном руководстве Эббит проведет вас через процесс низкополигонального моделирования с пошаговыми инструкциями.

Если вам нужны дополнительные пояснения по темам, затронутым в этом руководстве по моделированию, например, по модификатору зеркала, проверьте ссылки в описании, где есть еще больше руководств Abbit.

Моделирование игровых активов

Ознакомьтесь с этим учебным пособием

Это расширенное руководство по Blender от 3D-художника AlienMinefield предназначено для тех, кто уже знаком с моделированием в Blender.

Вы должны знать основы моделирования и текстурирования, прежде чем углубляться в них, так как это может быть сложным предметом.

Но эта серия, состоящая из нескольких частей, обучает рабочему процессу создания игровых ресурсов, включая моделирование объектов, UV-развертку и UV-упаковку.

Создать сложную модель сложно, но планирование может избавить вас от неприятностей в будущем. Художники часто моделируют объект таким образом, чтобы было легче добавлять материалы, и это именно то, что вы здесь узнаете.

Художники, желающие работать в играх, захотят ознакомиться с этим руководством по Blender. Навыки, используемые для создания промышленных ящиков, легко пригодятся для других объектов, которые вы найдете в производственном процессе.

Blender Hair Tutorial

Ознакомьтесь с этим учебным пособием

Создание волос в любой 3D-программе — задача не из легких.Но Назар Нощенко проведет вас через создание реалистичных волос с использованием систем частиц в Blender.

Укладывая системы частиц и медленно поднимая голову от основания шеи, 3D-художник Назар Норщенко достигает очень скульптурной и реалистичной фигуры со стильной прической.

Это довольно кропотливая техника, но результаты говорят сами за себя.

Если вы хотите добиться высокого разрешения прически для своих персонажей, вам необходимо работать с системой частиц и настройками прически Blender.Это видео предлагает фантастическое введение в тему.

После моделирования волос вы узнаете, как сделать еще один шаг вперед и визуализировать окончательное изображение, добавив цвет и другие эффекты.

Blender имеет полностью оборудованные функции освещения и рендеринга, которые можно использовать для создания практически любого желаемого эффекта.

Создание сцены природы

Ознакомьтесь с этим учебным пособием

Это замечательное руководство от Wayward Art Company предлагает пошаговое руководство по созданию сложной сцены природы в Blender.

Начав с травинки, инструктор покажет вам, как создать вдохновляющий живописный вид с деревьями, горами и облаками. В этой 45-минутной демонстрации Blender не упущено ни одной детали.

Вы даже узнаете, как использовать системы частиц для добавления мха к деревьям и камням.

После того, как вы создали элементы декора и добавили источники света, создание интересных изображений превращается в простой вопрос размещения камеры и настройки сцены.

Blender дают вам множество возможностей для изучения.Часто выполняйте рендеринг и соответствующим образом корректируйте

Простые деревья

Ознакомьтесь с этим учебным пособием

Это 15-минутное обучающее видео от Toxicity Game Dev учит новичков простому методу создания неограниченного количества низкополигональных деревьев. Всего за несколько минут у вас будет готов низкополигональный лес.

Этот учебник, предназначенный для разработки игр, покажет вам, как максимально эффективно использовать Blender при создании игровых ресурсов.

Один полезный трюк — установить исходную точку объекта на его основание.

Он не только масштабируется по плоскости земли, но и игровые движки, такие как Unreal и Unity, ищут начало координат при создании экземпляров объектов в сцене. Это упрощает их размещение при построении игровых уровней.

Использование этих методов упростит работу с вашими моделями в любом современном игровом движке.

Моделирование ракетного самолета

Ознакомьтесь с этим учебным пособием

В этом получасовом видео рассказывается о множестве полезных инструментов для моделирования в Blender.

Например: вы узнаете, как сделать ракетоплан времен Второй мировой войны, в качестве простого введения в моделирование твердых поверхностей. Этот пошаговый процесс может многому научить, поэтому лучше действовать медленно и осторожно.

Это хорошее руководство для художников, желающих отточить свои навыки в создании транспортных средств для игр.

3D изометрические игровые плитки

Ознакомьтесь с этим учебным пособием

Вот забавное руководство, которое научит вас создавать милые и красочные плитки для изометрической сцены.

Проследите за временной задержкой, чтобы увидеть, как художник создает низкополигональные модели и применяет материалы для создания окончательного вида.

Играя с материалами, относительно легко получить эффекты для грязи, травы и воды. Добавление камней и отдельных травинок придает сцене высококачественный вид.

Создайте реалистичный город

Ознакомьтесь с этим учебным пособием

Blender создало несколько фантастических надстроек, которые могут быть чрезвычайно полезными.

Одним из них является надстройка Open Street Map, которая может быстро создавать реальные здания и схемы улиц.

Посетив главный веб-сайт Blender, художники могут экспортировать карту любого города по своему желанию. После установки надстройки и включения ее в Blender можно легко импортировать данные и создать копию карты со зданиями и реальными городскими макетами.

Open Street Map поддерживается сообществом картографов с открытым исходным кодом, которые предоставляют данные об улицах, зданиях и многом другом.

Объединив это дополнение с инструментами рендеринга Blender, вы можете следовать этому руководству, чтобы создать красивый городской пейзаж всего за один час.

Потрясающие хаки для моделирования

Ознакомьтесь с этим учебным пособием

Захариас Рейнхардт предлагает список из 14 советов, которые помогут вам улучшить работу с Blender. В описании также есть ссылки на курсы моделирования для тех, кто хочет улучшить свою игру.

Это несколько очень полезных советов, которые сэкономят ваше время и избавят от нервотрепки.Blender — настолько большая программа, что может потребоваться много времени, чтобы обнаружить все скрытые ярлыки и специальные функции.

Все в этом списке полезно, но мне больше всего нравится комбинировать модификаторы поверхности bevel и subdivision для получения четких высокополигональных моделей. И сброс положения ключевых кадров с помощью скрытого ярлыка.

Премиум-курсы

Premium разработана для ускорения вашего развития за счет обучения из высококачественных источников.

Профессиональные инструкторы и учебники большого формата предлагают лучший подход для большинства людей, попадающих в мир 3D.

Итак, независимо от того, являетесь ли вы полным новичком или просто хотите поднять свои навыки на новый уровень, следующие курсы — идеальное место, чтобы начать учиться создавать потрясающие изображения Blender.

Введение в моделирование в Blender

Посмотрите этот курс

Это руководство для начинающих научит вас всему, что нужно для начала работы в Blender.

3D-художник Джастин Маршалл обучает некоторым навыкам, которые позволили ему устроиться на работу в Sony Imageworks в Лос-Анджелесе.

Эта серия фокусируется на базовых знаниях , которые будут использоваться все время по мере вашего продвижения в Blender.

После ознакомления с основной информацией о геометрии многоугольника инструктор знакомит со всеми инструментами, необходимыми для моделирования в Blender.

Однако в этой серии используется несколько иной подход, чем в других учебных пособиях для начинающих.Вместо того, чтобы охватить все варианты моделирования в Blender, Джастин Маршалл сузил фокус только на самых полезных инструментах.

Создание активов

Посмотрите этот курс

В этой серии руководств художника Марка Мастерс вы узнаете, как создать актив в Blender от начала до конца.

Вы начнете с базовой модели, а затем перейдете к UV-развертке и созданию материала.

Masters проведет вас через процесс создания реалистичной бутылки из-под газировки с помощью Blender 2.77.

На протяжении всей серии вы найдете советы экспертов по набору инструментов Blender для создания безупречных профессиональных ресурсов. Идеально подходит для тех, кто хочет работать в 3D в качестве карьеры.

К концу этого курса у вас будут все навыки, необходимые для того, чтобы в полной мере воспользоваться конвейером создания ресурсов Blender и воплотить свои собственные идеи в жизнь.

Разработка и моделирование научно-фантастической опоры

Посмотрите этот курс

Художник по 3D-окружению Денис Османбегович много рассказывает в этой серии, а также делится некоторыми навыками, благодаря которым он получил работу художника в Halo 5.

Из этого курса вы узнаете, как создать научно-фантастический 3D-реквизит для игры или фильма с нуля.

Прежде чем переходить к формированию базового объекта, вы начнете с того, что научитесь настраивать параметры Blender, чтобы получить максимальную отдачу от инструментов моделирования. Затем вы узнаете, как применять материалы и освещение для создания визуализированного изображения.

Османбеговича — научить вас эффективно использовать Blender , чтобы вы могли работать более продуктивно, продолжая учиться.

Создание персонажа в мультяшном стиле

Посмотрите этот курс

Эта длинная серия статей от Pluralsight учит основам создания персонажей в Blender.

Изучая различные техники моделирования, инструктор Костас Фрост учит вас, как работать самостоятельно, и призывает всех экспериментировать с набором инструментов Blender.

В этом видеокурсе большое внимание уделяется циклическому рендерингу и циклам материалов. К концу вы получите твердое представление о рабочем процессе моделирования персонажей в Blender.

Разработка низкополигональной игровой среды

Посмотрите этот курс

Возвращаясь к низкополигональной работе, у нас есть эта невероятная серия, созданная специально для художников по окружению.

Любой, кто хочет работать в сфере разработки мобильных игр или фрилансером, захочет пройти этот курс Жанно Ландри.

Создание игрового контента — одна из самых распространенных профессий внештатных 3D-художников. В этой серии статей о Blender вы познакомитесь с некоторыми методами создания низкополигональных сред, идеально подходящих для мобильных игр.

Вы также изучите конвейер для рисования вручную активов и создания среды с помощью Blender. К концу этой серии у вас должно быть достаточно знаний, чтобы создавать свои собственные игровые ресурсы и приступить к созданию трехмерного портфолио.

Автор: Джош Петти

Джош — художник и разработчик игр, специализирующийся на научной фантастике, фэнтези и абстрактном искусстве. В его работах используются яркие цвета и сочетаются элементы глитч-арта, бега, ретро-гейминга, неогео и концептуального искусства.Прежде чем заняться 3D-моделированием, анимацией и программированием, он учился на масляного художника. Сейчас он руководит Brain Jar, небольшой студией по разработке игр, которая специализируется на экспериментальном содержании, основанном на повествовании. Вы можете узнать больше на сайте или в Twitter @brainjargames.

Агентное моделирование: методы и методы моделирования человеческих систем

Abstract

Агентное моделирование — это мощный метод имитационного моделирования, который за последние несколько лет нашел применение в ряде приложений, включая приложения для решения реальных бизнес-задач.После краткого ознакомления с основными принципами агентного моделирования обсуждаются четыре области его применения с использованием реальных приложений: имитация потока, организационная симуляция, рыночная симуляция и диффузионная симуляция. Для каждой категории описывается и анализируется одно или несколько бизнес-приложений.

При моделировании на основе агентов (ABM) система моделируется как совокупность автономных субъектов, принимающих решения, называемых агентами. Каждый агент индивидуально оценивает свою ситуацию и принимает решения на основе набора правил.Агенты могут выполнять различные действия, соответствующие системе, которую они представляют, например, производить, потреблять или продавать. Повторяющиеся конкурентные взаимодействия между агентами — это особенность агентно-ориентированного моделирования, которое опирается на возможности компьютеров для исследования динамики, недоступной для чистых математических методов (1, 2). На простейшем уровне агент-ориентированная модель состоит из системы агентов и отношений между ними. Даже простая агентно-ориентированная модель может демонстрировать сложные модели поведения (3) и предоставлять ценную информацию о динамике реальной системы, которую она имитирует.Кроме того, агенты могут развиваться, позволяя проявиться непредвиденному поведению. Сложная ABM иногда включает нейронные сети, эволюционные алгоритмы или другие методы обучения, чтобы обеспечить реалистичное обучение и адаптацию.

ABM — это больше мышление, чем технология. Образ мышления ABM состоит из описания системы с точки зрения составляющих ее единиц. Ряд исследователей считают, что альтернативой ABM является традиционное моделирование дифференциальными уравнениями; это неверно, поскольку набор дифференциальных уравнений, каждое из которых описывает динамику одной из составляющих системы, является агентно-ориентированной моделью.Синонимом ABM может быть микроскопическое моделирование, а альтернативой — макроскопическое моделирование. Поскольку образ мышления ABM начинает пользоваться значительной популярностью, сейчас хорошее время, чтобы пересмотреть, почему он полезен и когда следует использовать ABM. Это вопросы, которые рассматриваются в данной статье: сначала анализируется и классифицируется преимущества ABM, а затем приводится ряд примеров, в которых преимущества будут четко описаны. Что читатель сможет унести домой, так это четкое представление о том, когда и как использовать ПРО.Одна из причин, лежащих в основе популярности ABM, — это простота реализации: действительно, если кто-то услышал об ABM, легко запрограммировать агентную модель. Поскольку эту технику легко использовать, можно ошибочно думать, что ее легко освоить. Но хотя ABM технически проста, она также глубока в концептуальном плане. Эта необычная комбинация часто приводит к неправильному использованию ПРО.

Преимущества агентного моделирования.

Преимущества ABM по сравнению с другими методами моделирования можно описать в трех утверждениях: ( i ) ABM фиксирует возникающие явления; ( ii ) ABM обеспечивает естественное описание системы; и ( iii ) ABM гибкая.Однако ясно, что способность ABM справляться с возникающими явлениями — вот что движет другими преимуществами.

ABM фиксирует возникающие явления.

Эмерджентные явления возникают в результате взаимодействия отдельных сущностей. По определению, они не могут быть сведены к частям системы: целое больше, чем сумма ее частей из-за взаимодействия между частями. Возникающее явление может иметь свойства, не связанные со свойствами детали. Например, пробка, которая возникает в результате поведения и взаимодействия отдельных водителей транспортных средств, может двигаться в направлении, противоположном направлению движения автомобилей, которые ее вызывают.Эта характеристика эмерджентных явлений затрудняет их понимание и предсказание: эмерджентные явления могут быть нелогичными. Многочисленные примеры нелогичных эмерджентных явлений будут описаны в следующих разделах. ABM по самой своей природе является каноническим подходом к моделированию эмерджентных явлений: в ABM один моделирует и моделирует поведение составляющих единиц системы (агентов) и их взаимодействия, фиксируя возникновение снизу вверх при запуске симуляции.

Вот простой пример возникающего явления с участием людей. Это игра, в которую легко играть с группой от 10 до 40 человек. Один просит каждого члена аудитории случайным образом выбрать двух человек, человека A и человека B. Затем один просит их двигаться, чтобы они всегда держали A между собой и B, чтобы A был их защитником от B. казалось бы, случайная мода, и скоро начнут спрашивать, зачем они это делают. Затем их просят переместиться так, чтобы они оставались между A и B (они — Защитники).Результаты поразительны: почти мгновенно вся комната взорвется, и все сгруппируются в тугой узел. Этот пример показывает, как простые индивидуальные правила могут привести к согласованному групповому поведению, как небольшие изменения в этих правилах могут иметь драматическое влияние на групповое поведение и как интуиция может быть очень плохим руководством к результатам, выходящим за пределы очень ограниченного уровня сложности. Коллективное поведение группы — явление возникающее. Используя простое моделирование на основе агентов (доступно на сайте www.icosystem.com/game.htm), в котором каждый человек моделируется как автономный агент, следующий правилам, можно фактически предсказать возникающее коллективное поведение. Хотя это простой пример, когда индивидуальное поведение не меняется со временем, ABM позволяет иметь дело с более сложным индивидуальным поведением, включая обучение и адаптацию.

Кто-то может захотеть использовать ABM, когда есть потенциал для эмерджентных явлений, например, когда:

• Индивидуальное поведение нелинейно и может быть охарактеризовано порогами, правилами «если-то» или нелинейной связью.С помощью дифференциальных уравнений сложно описать прерывистость в индивидуальном поведении.

• Индивидуальное поведение проявляет память, зависимость от пути и гистерезис, немарковское поведение или временные корреляции, включая обучение и адаптацию.

• Взаимодействия агентов неоднородны и могут создавать сетевые эффекты. Уравнения совокупного потока обычно предполагают глобальное однородное перемешивание, но топология сети взаимодействия может привести к значительным отклонениям от прогнозируемого поведения агрегата.

• Средние не подойдут. Агрегированные дифференциальные уравнения имеют тенденцию сглаживать флуктуации, а не ABM, что важно, потому что при определенных условиях флуктуации могут усиливаться: система линейно устойчива, но нестабильна по отношению к большим возмущениям.

Интересно, что поскольку ABM порождает эмерджентные явления снизу вверх, возникает вопрос о том, что составляет объяснение такого явления. Более широкая повестка дня сообщества ABM состоит в том, чтобы отстаивать новый подход к социальным явлениям, не с точки зрения традиционного моделирования, а с точки зрения полного переопределения научного процесса.Согласно Эпштейну и Акстеллу (1), «[ABM] может изменить то, как мы думаем об объяснении в социальных науках. Что составляет объяснение наблюдаемого социального явления? Возможно, однажды люди интерпретируют вопрос «Можете ли вы объяснить это?» Как вопрос: «Можете ли вы вырастить это?» ».

ABM обеспечивает естественное описание системы.

Во многих случаях ABM наиболее естественен для описания и моделирования системы, состоящей из «поведенческих» сущностей. Пытаетесь ли вы описать пробку, фондовый рынок, избирателей или то, как работает организация, ABM приближает модель к реальности.Например, более естественно описать, как покупатели перемещаются в супермаркете, чем придумывать уравнения, которые управляют динамикой плотности покупателей. Поскольку уравнения плотности являются результатом поведения покупателей, подход ABM также позволит пользователю изучать совокупные свойства. ABM также позволяет реализовать весь потенциал данных, которые компания может иметь о своих клиентах: панельные данные и опросы клиентов предоставляют информацию о том, что на самом деле делают реальные люди.Знание фактической корзины покупок клиента позволяет создать виртуального агента с этой корзиной для покупок, а не с плотностью людей с синтетической корзиной для покупок, вычисленной на основе усреднения данных о покупках.

Разница между бизнес-процессами и действиями — еще один пример того, насколько естественнее ABM. Бизнес-процесс — это абстракция, иногда полезная, с которой людям внутри организации часто трудно понять. ABM смотрит на организацию с точки зрения не бизнес-процессов, а деятельности, то есть того, что на самом деле делают люди внутри организации (рис.1).

Иллюстрация бизнес-процесса и представлений агентов о бизнесе.

Эти два описания, конечно, должны быть взаимно согласованными. Описание бизнес-процесса фактически предоставляет разработчику модели полезную проверку согласованности. Однако когда дело доходит до заполнения, проверки и калибровки модели, сотрудникам организации легче отвечать на вопросы о своей деятельности: они могут относиться к модели, потому что модели описывают их действия.

Можно использовать ABM, когда описание системы с точки зрения деятельности составляющих ее единиц является более естественным, например, когда:

• Поведение людей не может быть четко определено с помощью совокупных скоростей перехода.

• Индивидуальное поведение сложно. В принципе, с помощью уравнений можно сделать все, но сложность дифференциальных уравнений экспоненциально возрастает по мере увеличения сложности поведения. Описание сложного индивидуального поведения с помощью уравнений становится трудноразрешимым.

• Действия — более естественный способ описания системы, чем процессы.

• Проверка и калибровка модели на основе экспертной оценки имеет решающее значение. ABM часто является наиболее подходящим способом описания того, что на самом деле происходит в реальном мире, и эксперты могут легко «подключиться» к модели и получить чувство «собственности».

• Стохастичность применяется к поведению агентов. С помощью ABM источники случайности применяются в нужных местах, в отличие от шумового члена, добавляемого более или менее произвольно к совокупному уравнению.

ABM гибкий.

Гибкость ABM можно наблюдать во многих измерениях. Например, в агентную модель легко добавить больше агентов. ABM также обеспечивает естественную основу для настройки сложности агентов: поведения, степени рациональности, способности учиться и развиваться, а также правил взаимодействия. Еще одним аспектом гибкости является возможность изменять уровни описания и агрегации: можно легко играть с агрегированными агентами, подгруппами агентов и отдельными агентами, с разными уровнями описания, сосуществующими в данной модели.Кто-то может захотеть использовать ABM, когда соответствующий уровень описания или сложности неизвестен заранее, и его поиск требует некоторых усилий.

Области применения.

Примеры возникающих явлений изобилуют социальными, политическими и экономическими науками. Постепенно стало общепризнанным, что некоторые явления трудно предсказать или даже противоречить здравому смыслу. В контексте бизнеса ситуации, представляющие интерес, когда могут возникать новые явления, можно разделить на четыре области:

1. Потоки: эвакуация, движение и управление потоками клиентов.

2. Рынки: фондовый рынок, торговые роботы и программные агенты, а также стратегическое моделирование.

3. Организации: операционный риск и организационная структура.

4. Распространение: распространение инноваций и динамика внедрения.

Остальная часть статьи построена вокруг этих областей применения.

Потоки

Откачка.

Паническое бегство толпы, вызванное паникой, часто приводит к гибели людей, когда людей раздавливают или топчут.Такие явления могут возникать в опасных для жизни ситуациях, таких как пожары в многолюдных зданиях, или могут возникать из-за спешки за сиденьями, а иногда и без всякой причины. Недавние примеры включают панику в Хараре, Зимбабве, и на рок-концерте в Роскилле в Дании. Частота таких бедствий, по-видимому, увеличивается, поскольку растущая плотность населения в сочетании с более легким транспортом приводит к более масштабным массовым мероприятиям, таким как поп-концерты, спортивные мероприятия и демонстрации. Паникующие люди одержимы краткосрочными личными интересами, не контролируемыми социальными и культурными ограничениями.Снижение внимания в ситуациях страха также приводит к тому, что такие альтернативы, как боковые выходы, по большей части игнорируются. Кроме того, существует социальная инфекция, то есть переход от индивидуальной психологии к массовой, при которой люди передают контроль над своими действиями другим, что приводит к конформизму. Такое нерациональное пастушеское поведение часто приводит к плохим общим результатам, таким как опасная перенаселенность и более медленный побег, увеличение смертности или, в более общем плане, ущерба. С точки зрения агентов, коллективное паническое поведение — это возникающее явление, которое является результатом относительно сложного поведения на индивидуальном уровне и взаимодействий между людьми (гипнотический эффект, взаимное возбуждение изначального инстинкта, круговые реакции и социальная помощь).ПРО кажется идеально подходящей для получения ценной информации о механизмах и предпосылках паники и помех из-за несогласованности действий. Результаты моделирования (4, 5) предлагают практические способы минимизации вредных последствий таких событий и существования оптимальной стратегии ухода. Например, рассмотрим ситуацию пожарной лестницы в замкнутом пространстве: кинотеатр или концертный зал. Предположим, что доступен один выход. Как увеличить отток людей? Сужая проблему, можно спросить: каков эффект от установки колонны (столба) непосредственно перед выходом, слегка асимметрично (например, слева от выхода), примерно в 1 м от выхода? Интуитивно можно было подумать, что колонна замедлит отток людей.Однако ABM, подкрепленная реальными экспериментами, показывает, что колонка регулирует поток, что приводит к уменьшению количества травмированных людей и значительному увеличению потока, особенно если предположить, что травмированные люди не могут двигаться и препятствовать потоку (4). Этот результат является примером противоречивого следствия возникающего явления: кому придет в голову поставить колонну перед аварийным выходом? ABM естественным образом фиксирует это возникающее явление (рис. 2).

Агентное моделирование эвакуации при пожаре (живое моделирование доступно на сайте www.helbing.org). Люди представлены кружками, зелеными кружками — раненые. В симуляциях предполагается, что в комнате находится 200 человек. ( a ) Без столбца. ( b ) С колонкой, через 10 с. ( c ) С колонкой, через 20 с. При отсутствии колонны 44 человека убегают и 5 получают ранения через 45 с; с колонны сбегают 72 человека, и через 45 с никто не пострадал. После Helbing et al. (4).

Управление потоками.

Очевидным приложением ABM для управления потоками является трафик.Один из самых амбициозных проектов моделирования в этой области уже несколько лет осуществляется в Лос-Аламосской национальной лаборатории (LANL) (transims.tsasa.lanl.gov). Команда подразделения LANL по оценке технологий и безопасности разработала пакет программного обеспечения для моделирования дорожного движения для создания продуктов, которые можно использовать в городских агентствах по планированию по всей стране. Пакет ABM TRansportation ANalysis SIMulation System (TRANSIMS) предоставляет планировщикам синтетические модели повседневной активности населения (например, поездки на работу, в магазин, отдых и т. Д.)), моделирует движение отдельных транспортных средств в региональной транспортной сети и оценивает выбросы загрязняющих веществ в атмосферу, создаваемые движением транспортных средств. Информация о поездках извлекается из фактических данных переписи и обследований для конкретных районов в целевых городах, что дает более точное представление о передвижениях и распорядке дня реальных людей, когда они проводят целый день с различными доступными для них вариантами транспорта. TRANSIMS основан на (и вносит свой вклад в дальнейшее развитие) передовых программ компьютерного моделирования, разработанных Ливерморской национальной лабораторией для военных приложений.Модели TRANSIMS создают виртуальный мегаполис с полным представлением людей региона, их деятельности и транспортной инфраструктуры. Поездки планируются таким образом, чтобы удовлетворить потребности людей в активности. Затем TRANSIMS моделирует движение людей по транспортной сети, включая использование ими транспортных средств, таких как автомобили или автобусы, на посекундной основе. Этот виртуальный мир путешественников имитирует путешествия и поведение реальных людей в этом регионе.Взаимодействие отдельных транспортных средств создает реалистичную динамику движения, на основе которой аналитики, использующие TRANSIMS, могут оценить выбросы транспортных средств и оценить общую производительность транспортной системы. В предыдущем планировании перевозок люди опрашивались об элементах их поездок, таких как пункты отправления, назначения, маршруты, время и используемые виды транспорта или виды транспорта. TRANSIMS начинает с данных о деятельности людей и поездках, которые они совершают для выполнения этой деятельности, а затем строит модель спроса со стороны домохозяйств и видов деятельности.Модель прогнозирует, как изменения в транспортной политике или инфраструктуре могут повлиять на эти действия и поездки. TRANSIMS пытается уловить все важные взаимодействия между подсистемами путешествий, такие как индивидуальные планы действий и загруженность транспортной системы. Например, когда поездка занимает слишком много времени, люди находят другие маршруты, пересаживаются с машины на автобус или наоборот, , уезжают в разное время или решают не заниматься определенной деятельностью в данном месте.Кроме того, поскольку TRANSIMS отслеживает отдельных путешественников — места, маршруты, используемые виды транспорта и насколько хорошо выполняются их планы поездок, — он может оценивать альтернативы транспортировки и надежность, чтобы определить, кто может выиграть, а кто может пострадать от изменений в транспорте. В первоначальных тематических исследованиях часть региона Даллас / Форт-Уэрт площадью 25 квадратных миль использовалась для демонстрации первой версии TRANSIMS. Используя существующие зональные данные о производстве / достопримечательностях Далласа / Форт-Уэрта, мероприятия и планы на ≈3.5 миллионов путешественников были сгенерированы на часы с 5:00 до 10:00. Из этих планов те, кто попадает в исследуемый регион площадью 25 квадратных миль, использовались в качестве входных данных для модуля моделирования для сравнения двух изменений инфраструктуры в отношении того, как каждый помогли облегчить заторы. Хотя обе альтернативы улучшили перегруженность и поток вдоль автострады, неожиданным результатом стало то, что альтернатива улучшения местных артерий превосходила альтернативу добавлению полос на автостраду с точки зрения надежности сети.Надежность сети — это мера ежедневной изменчивости времени в пути путешественников. Другими словами, если поездка на работу занимает от 10 до 30 минут, надежность сети низкая; если на это уходит от 10 до 12 минут, надежность сети высока. Команда недавно смоделировала столичный регион Портленд, штат Орегон, модель, которая требует 120 000 ссылок и 1,5 миллиона путешественников, что на порядок больше, чем моделирование Далласа / Форт-Уэрта из 10 000 ссылок и 200 000 путешественников.Преимущества подхода ABM очевидны: лучшее и более эффективное планирование инфраструктуры, включая не только лучшую пропускную способность, но и соответствие требованиям с точки зрения выбросов, благодаря способности ABM улавливать и воспроизводить возникающие явления движения.

Еще одно приложение ABM для управления потоками — моделирование поведения клиентов в тематическом парке или супермаркете. Коллективные шаблоны, генерируемые тысячами клиентов, могут быть чрезвычайно сложными по мере их взаимодействия: например, время ожидания у аттракциона в тематическом парке зависит от выбора других людей.Крупная курортная компания тематических парков думала о том, как улучшить адаптируемость графика работы, но знала, что это зависит от знания об оптимальном балансе вместимости и спроса. Акстелл и Эпштейн разработали ResortScape (13), агентную модель парка, которая дает целостную картину окружающей среды и всех взаимодействующих элементов, которые вступают в игру на таком курорте. Модель in silico позволяет менеджерам быстро определять, настраивать и наблюдать за воздействием любого количества рычагов управления, таких как:

• Когда и нужно ли выключить конкретную поездку.

• Как распределить аттракционы на душу населения по территории парка.

• Каков допустимый уровень времени ожидания.

• Когда продлить часы работы.

В моделировании агенты представляют реалистичное и изменчивое сочетание элементов предложения (аттракционы, магазины, пункты питания) и спроса (посетители с разными предпочтениями) дня в парке. Используя существующие ресурсы и данные, такие как опросы клиентов, исследования сегментации, таймеры очередей, счетчики посетителей, оценки посещаемости и показатели емкости, модель генерирует информацию о потоке гостей.Пользователи могут разрабатывать и запускать бесконечное количество сценариев для изучения динамики парковочного пространства, проверки эффективности различных управленческих решений и отслеживания удовлетворенности посетителей в течение дня.

ABM особенно полезен в этом контексте, потому что отображение между предпочтениями и поведением агентов, с одной стороны, и производительностью парка (с точки зрения среднего времени ожидания, количества посещенных достопримечательностей, общего пройденного расстояния и т. Д.) На другой слишком сложен, чтобы его можно было решить с помощью математических методов и чисто статистического анализа данных.Почему отображение слишком сложное? Потому что, например, время ожидания данного клиента у данного аттракциона зависит от того, что делают другие клиенты, как они реагируют на различные условия парка, каков их список желаний и т. Д. Поток клиентов в парке и деньги, которые они тратят, представляют собой «возникающие» свойства взаимодействия между клиентами и пространственной планировкой парка. Поэтому моделирование работы парка с заданной планировкой кажется единственным решением.ABM — самый естественный и простой способ описания системы, потому что действующими лицами этой системы являются клиенты (и влечения) с собственным поведением. Например, время ожидания в аттракционе тематического парка является результатом взаимодействия многих поведенческих единиц: клиентов. Наконец, данные, доступные разработчику моделей, естественно структурированы для ABM: доступные данные представляют собой описание желаний и поведения ряда клиентов.

В том же духе Бильге, Венейблс и Касти разработали агентную модель супермаркета (www.simworld.co.uk) (6). SimStore — это модель настоящего британского супермаркета, магазина Sainsbury’s в Южном Руислипе в Западном Лондоне. Агенты в SimStore — это покупатели программного обеспечения, вооруженные списками покупок. Они ходят по кремниевому магазину, собирая товары с полок в соответствии с такими правилами, как принцип ближайшего соседа: «Где бы вы ни были, идите туда, где находится ближайший товар в вашем списке покупок». Используя эти правила, SimStore генерирует пути, по которым идут клиенты, на основе которых он может рассчитать плотность клиентов в каждом месте.

Также можно связать все точки, которые посетили, скажем, не менее 30% клиентов, чтобы сформировать наиболее популярный путь. Затем алгоритм оптимизации может изменить расположение различных товаров в супермаркете и, таким образом, минимизировать или максимизировать длину среднего пути совершения покупок. Покупатели, конечно, не хотят терять время, поэтому им нужен кратчайший путь. Но менеджер магазина хотел бы, чтобы они проходили почти мимо каждой полки, чтобы стимулировать импульсивные покупки. Таким образом, существует динамическое напряжение между минимальной и максимальной траекториями покупок.Первоначально эта модель была нацелена на то, чтобы помочь Sainsbury’s модернизировать свои магазины, чтобы увеличить поток покупателей, сократить запасы и сократить время, в течение которого продукты находятся на полках.

Macy’s — это сеть универмагов, использующая ABM (7). В 1997 году Macy’s East обратилась в PricewaterhouseCoopers со следующим вопросом: «Как мы узнаем, что у нас есть нужное количество продавцов в торговом зале?» По мнению ветеранов отрасли, розничный бизнес — это бизнес средних, где анализ проводится в виде таблиц.Это бизнес, в котором объем продаж в час является определяющим фактором при распределении продавцов, а количество продавцов, размещаемых в торговом зале, основывается на скорости продаж, прогнозируемой на конкретный день. И все же реальное поведение — это результат взаимодействия между людьми, а не усредненных значений. С помощью ABM у Macy’s появилась возможность использовать визуализацию для просмотра данных таким образом, чтобы они становились информативными и приводили к решениям. Средние значения данных электронной таблицы можно использовать для оценки распределения индивидуального поведения, поэтому отдельные агенты в моделировании согласуются с доступными реальными данными.Но поскольку агенты представляют людей, реальный ход их поведения может быть гораздо более реалистичным и информативным. Таким образом, вместо того, чтобы делать оценки сверху вниз, Macy’s может наблюдать, как объем на самом деле происходит снизу вверх. Виртуальный магазин может быть изменен с точки зрения планировки (полки, позиции кассовых аппаратов, ворот и т. Д.) И количества сотрудников в каждом отделе, чтобы увидеть, как эти изменения влияют на эмоциональное состояние большого количества агентов. Затем можно исследовать пространство рычагов, чтобы максимально рентабельно увеличить количество довольных клиентов.Результаты модели включают наблюдение «микровзрывов» спроса, когда клиенты могут делать «покупки в рамках проекта» (например, покупают одежду и затем дополняют ее), важность близости к предметам (физическое размещение, а также привязанность к бренду. ), что помогает стимулировать импульсивные покупки.

Рынки

Динамика фондового рынка является результатом поведения многих взаимодействующих агентов, приводя к возникающим явлениям, которые лучше всего понять, используя восходящий подход — ABM.В последние несколько лет наблюдается всплеск интереса к агентным моделям рынков, стимулируемый новаторской работой Артура и его коллег (8, 9). Одно коммерческое приложение было разработано Bios Group для фондовой биржи Национальной ассоциации торговцев ценными бумагами (NASDAQ) (www.cbi.cgey.com/journal/issue4/features/future/future.pdf). В 1997 году фондовый рынок NASDAQ собирался осуществить серию, по-видимому, небольших изменений: уменьшение размера тика с 1/8 до 1/16 и так далее до гроша.NASDAQ очень внимательно рассматривает изменения в торговой политике: NASDAQ может очень много потерять, если новое правило вызовет негативный отклик со стороны инвесторов, маркет-мейкеров и эмитентов в масштабах всей сети. В прошлом руководители NASDAQ анализировали финансовый рынок с помощью экономических исследований, финансовых моделей и отзывов участников рынка. Комитет по качеству рынка устанавливает правила в значительной степени благодаря вкладу экономистов, юристов, лоббистов и политиков.

Чтобы оценить влияние сокращения размера тиков, NASDAQ использовала агентную модель, которая имитирует влияние регуляторных изменений на финансовый рынок в различных условиях.Модель позволяет регулирующим органам тестировать и прогнозировать эффекты различных стратегий, наблюдать за поведением агентов в ответ на изменения и отслеживать развитие событий, обеспечивая заблаговременное предупреждение о непредвиденных последствиях недавно введенных правил быстрее, чем в реальном времени, и не рискуя ранними испытаниями в реальном времени. рынок. В агентской модели NASDAQ маркет-мейкер и агенты инвесторов (институциональные инвесторы, пенсионные фонды, дневные трейдеры и случайные инвесторы) покупают и продают акции, используя различные стратегии.Доступ агентов к информации о ценах и объемах примерно такой же, как на реальном рынке, и их поведение варьируется от очень простых до сложных стратегий обучения. Нейронные сети, обучение с подкреплением и другие методы искусственного интеллекта использовались для создания стратегий для агентов. Этот творческий элемент важен, потому что регуляторы NASDAQ особенно заинтересованы в стратегиях, которые еще не были обнаружены участниками реального рынка, чтобы снова приблизиться к своей цели по разработке регулирующей структуры с как можно меньшим количеством лазеек, чтобы предотвратить злоупотребления со стороны коварных игроков.

Модель дала неожиданные результаты. В частности, моделирование предполагает, что уменьшение размера тика рынка может снизить способность рынка выполнять определение цены, что приводит к увеличению спреда спроса и предложения. Увеличение спреда в ответ на уменьшение размера тика противоречит здравому смыслу, поскольку размер тика является нижней границей спреда. Первоначально считалось, что внедрение десятичной дроби будет способствовать более узкому спреду, уменьшая расхождение между заявками и ценами предложения.В целом десятичное представление считалось очень эффективным и действенным. Среди профессионалов рынка бытует мнение, что обеспечение большей детализации ценового обозначения полезно для инвесторов, поскольку оно способствует конкуренции между покупателями и продавцами, которые могут вести переговоры более точными условиями, и, таким образом, снижает спрэд рынка, что приводит к лучшим ценам на инвесторы. Эту мудрость трудно проверить эмпирически: сложность рыночного поведения делает выделение причины и следствия весьма проблематичным.Без компьютерного моделирования разработчики правил вынуждены прибегать к интуитивному и недостаточно детальному аргументу, оценивая взаимодействие на рынке только по одному критерию: конкуренции (и, следовательно, по цене). Остались без внимания и другие аспекты проблемы: если доступны более выгодные цены, выиграют ли только мелкие инвесторы или крупные инвесторы тоже выиграют? Сделают ли меньшие размеры тиков рынок более нервным и нестабильным?

Табличная модель или даже системная динамика (10) (популярный метод бизнес-моделирования, использующий наборы дифференциальных уравнений) не смогли бы дать такого же глубокого понимания, как ABM, потому что поведение рынка возникает из взаимодействия игроков, которые, в свою очередь, могут изменить свое поведение в ответ на изменения на рынке.Взаимодействие между инвесторами, маркет-мейкерами и правила работы фондовой биржи NASDAQ затрудняют понимание динамики всей системы. Прогнозирование того, как это изменится в соответствии с новым набором операционных правил, не может основываться на интуиции или классических методах моделирования, потому что они не подходят для описания сложности поведения агентов фондового рынка. Например, соотношение между размером тика и спредом можно понять, только приняв во внимание детали поведения инвесторов и маркет-мейкеров для моделирования процесса определения цены.

Фондовые рынки — не единственные рынки, которые можно лучше понять с помощью ABM. Например, такой подход может принести пользу аукционам. Действительно, электронные двойные аукционы с использованием интеллектуальных агентов сегодня имеют множество применений. eBay использует интеллектуальных агентов, позволяющих клиентам автоматизировать процесс торгов, но их можно было бы сделать гораздо более сложными, используя ABM для тестирования различных поведений роботов. Разработка интеллектуальных агентов, обладающих желаемыми совокупными свойствами, может оказаться «приложением-убийцей», которое сделает кибер-мир предпочтительной средой для экономических транзакций.Shopbots — это интернет-агенты, которые автоматически ищут информацию, относящуюся к цене и качеству товаров и услуг. По мере того, как распространенность торговых роботов в электронной коммерции увеличивается, результирующее сокращение экономических трений из-за снижения затрат на поиск может кардинально изменить поведение рынка. Некоторые предсказывают, что интеллектуальные агенты в конечном итоге преобразуют наш мир, а это значит, что они могут торговать информацией, собирать информацию, переводить информацию и проводить для нас всевозможные переговоры в будущем.В конечном итоге транзакции между экономическими программными агентами будут составлять существенную и, возможно, даже доминирующую часть мировой экономики. Заманчиво предположить, что те же механизмы могут успешно применяться к программным агентам. Но нужно быть очень осторожным с внедрением агентской технологии, поскольку агенты ведут себя так, как это все еще плохо изучено. Например, на аукционе с участием всех агентов цены имеют тенденцию расти, достигают пика, а затем внезапно резко падают, прежде чем тот же процесс начнется снова.Кепхарт из IBM и его коллеги изучают потенциальное влияние торговых роботов на динамику рынка, моделируя и анализируя агентную модель экономики торговых роботов, которая включает представления покупателей и продавцов программным агентом (11). Их модель похожа на те, которые изучаются экономистами, интересующимися, например, феноменом разброса цен, с различными исходными допущениями и методологией: здесь цель спроектировать экономических программных агентов, а не «просто» объяснить человеческие экономические факторы. поведение.В частности, они изучали агентскую экономику, в которой (–) затраты на поиск нелинейны; ( ii ) некоторая часть покупателей не использует поисковые механизмы; и ( iii ) торговые роботы экономически мотивированы, они стратегически оценивают свои информационные услуги так, чтобы максимизировать свою прибыль. В этих условиях они обнаружили, что рынки могут демонстрировать множество ранее не наблюдаемых динамических поведений, включая сложные лимитные циклы и сосуществование нескольких стратегий поиска покупателей.Робот-бот, взимающий с покупателей плату за информацию о ценах, может манипулировать рынками в своих интересах, иногда непреднамеренно принося пользу покупателям и продавцам.

Те же методы ABM, которые используются для изучения фондового рынка или коллективного поведения торговых роботов, могут применяться в ситуациях, когда есть много агентов, играющих в экономические игры. Это «теория игр без теории». Теория игр — отличная основа, но теоретики игр страдают от наложенных на себя ограничений: способность доказывать теоремы накладывает серьезные ограничения на то, что возможно.В частности, любая реальная ситуация может оказаться за пределами досягаемости теории. Аксельрод (2) утверждает, что агентно-ориентированная теория игр — единственный путь вперед.

Команда Icosystem Corporation смоделировала рынок интернет-провайдеров (ISP) с помощью ABM (www.icosystem.com). Агенты используются для представления как интернет-провайдеров, так и их клиентов. Каждый интернет-провайдер является агентом, а каждый клиент — агентом. Предложения интернет-провайдеров соответствуют потребностям и ожиданиям клиентов; клиенты принимают решения (принять, уйти или переключиться) в зависимости от соответствия между их профилями и профилями интернет-провайдеров.Одним из атрибутов интернет-провайдеров, среди многих других, является то, сколько они ежемесячно взимают за свои услуги. Интернет-провайдеры, которые не зарабатывают достаточно денег, устраняются в соответствии с «эволюционной» динамикой; те, которые успешны, порождают подражателей (то есть интернет-провайдеров с аналогичными бизнес-моделями), а также тонко настраивают свои собственные бизнес-модели. ABM дала два важных результата: ( i ). Она открыла для себя бизнес-модель бесплатного интернет-провайдера (без ежемесячной платы). ( ii ) Он предсказал нестабильность бизнес-модели бесплатного интернет-провайдера: первый бесплатный интернет-провайдер, который появляется в симуляции, отличается от пакета тем, что предоставляет услуги без взимания ежемесячной платы и зарабатывает деньги на рекламе.Эти два свойства возникают из динамики взаимодействия между интернет-провайдерами через рынок. Поскольку интернет-провайдеры учатся и развиваются, было бы трудно получить это понимание с помощью других методов моделирования.

Организации

Перспективной областью применения ABM является организационное моделирование (12). Совершенно очевидно, что можно смоделировать возникающее коллективное поведение организации или части организации в определенном контексте или на определенном уровне описания.По крайней мере, процесс моделирования дает ценную качественную информацию. Но в некоторых случаях можно также генерировать полуколичественные идеи. Хорошей иллюстрацией этого является агентная модель операционного риска (www.businessinnovation.ey.com/events/pubconf/2000–04-28/ec5transcripts/BonabeauNivollet.pdf) (13).

Человеческая организация часто подвержена операционному риску. Рассмотрим финансовые учреждения. Операционный риск возникает из-за того, что неадекватные информационные системы, операционные проблемы, нарушения внутреннего контроля, мошенничество или непредвиденные катастрофы приведут к непредвиденным убыткам.Согласно Базельскому комитету по банковскому делу, операционный риск включает сбои во внутреннем контроле и корпоративном управлении, которые могут привести к финансовым потерям из-за ошибок, мошенничества или несвоевременной работы или стать причиной ущемления интересов банка в каких-либо других сферах. таким образом, например, его дилерами, кредитными сотрудниками или другим персоналом, превышающим свои полномочия, или ведением бизнеса неэтичным или рискованным образом. Это все чаще рассматривается как самый важный риск, с которым сталкиваются банки.Примеры крупных операционных убытков включают Daiwa, Sumitomo, Barings, Salomon, Kidder Peabody, Orange County, Jardine Fleming, а в последнее время — NatWest Markets, Common Fund или Yamaichi. Хотя большинство банков разработали эффективные, а иногда и изощренные способы борьбы с рыночным риском и, в значительной степени, с кредитным риском, они все еще находятся на ранних этапах разработки системы измерения и мониторинга операционного риска. В отличие от рыночного и кредитного риска, факторы операционного риска в значительной степени являются внутренними для организации, и четкой математической или статистической связи между отдельными факторами риска и размером и частотой операционных убытков не существует.Опыт с крупными убытками встречается нечасто, и многим банкам не хватает временных рядов исторических данных об их собственных операционных убытках и их причинах. Неопределенность в отношении того, какие факторы являются важными, возникает из-за отсутствия прямой связи между обычно определяемыми факторами риска (измеряемыми с помощью рейтингов внутреннего аудита, самооценки внутреннего контроля на основе таких показателей, как объем, текучесть, уровень ошибок и волатильность доходов) и размер и частота убытков. Это контрастирует с рыночным риском, когда изменения цен оказывают легко вычисляемое влияние на стоимость торгового портфеля банка, и с кредитным риском, когда изменения кредитного качества заемщика часто связаны с изменениями в разнице процентных ставок по обязательствам заемщика. по безрисковой ставке.Очевидно, что с учетом всех характеристик операционного риска его количественно оценить сложно. Операционные исторические данные настолько скудны, что невозможно надежно и эффективно распределить капитал, и невозможно получить хорошие оценки VAR (стоимость с учетом риска) и RAROC (доходность капитала с поправкой на риск). Распределение капитала важно, потому что оно дает менеджерам стимул держать операционный риск под контролем. Тем не менее, финансовые учреждения испытывают растущее давление с целью количественной оценки операционного риска таким образом, чтобы убедить как инвесторов (эффективное распределение капитала), так и регулирующие органы (риск под «контролем»).Точнее, финансовое учреждение должно иметь возможность количественно оценивать операционный риск в надежных рамках, чтобы иметь возможность держать риск под контролем, оптимизировать распределение экономического капитала и определять свои потребности в страховании.

Учитывая характеристики операционного риска, восходящее моделирование в масштабах всего предприятия выглядит многообещающим подходом (к низкочастотному высокому операционному риску). Что необходимо, так это структура, которая включает возможность нелинейных эффектов из-за взаимодействий между субъединицами и каскадных событий.Фреймворк должен уметь работать с ограниченными данными. Отсюда идея моделирования операций снизу вверх для создания большого искусственного набора данных, который включает в себя большие события. Затем искусственно созданные данные можно использовать для применения классических методов распределения капитала. Bios и Cap Gemini Ernst & Young (13) применили методы ABM для измерения и управления операционным риском в Société Générale Asset Management (SGAM). Была разработана имитационная модель деятельности бизнес-единицы, начиная с моделирования бизнес-процессов и идентификации рабочих процессов.Затем с помощью модели бизнес-процессов и рабочих процессов были идентифицированы «агенты» банка и смоделированы их действия, а также их взаимодействие с другими агентами и факторы риска, которые могут повлиять на их деятельность. Чтобы сделать инструмент управляемым, в конечном итоге действия должны были быть смоделированы достаточно подробно, чтобы охватить «физику» банка, но не слишком подробно. Факторы риска были связаны с прибылью и убытками банка через потенциально сложные пути в организации, например, от поручения клиента до обнаружения торговой ошибки в бэк-офисе.Затем была смоделирована среда банка — рынки, клиенты, регулирующие органы и т. Д. Запуская модель, можно сгенерировать искусственное распределение доходов, используемое для оценки потенциальных убытков и их вероятности. Например, банк может рассчитать свою «прибыль с риском», то есть минимальную прибыль, которая может быть получена в течение одного года в банке с уровнем уверенности 95%. Выгода для банка: его распределение экономического капитала подкреплено моделированием того, как работает организация, а не каким-то странным сочетанием отраслевых исторических данных и бухгалтерской магии.Если модель хороша, регулирующие органы с большей легкостью ее примут, и банку не придется откладывать в 10 раз больше экономического капитала, в котором он действительно нуждается. Для бизнеса по управлению активами экономический капитал — это часть активов под управлением. Уменьшение доли всего на 0,01% означает миллионы долларов. Однако измерения — это только первый шаг. Дополнительным преимуществом моделирования является то, что можно определить, откуда происходят потери, и протестировать процедуры смягчения последствий.

Принимая решение смоделировать банк с помощью ABM, нельзя принимать произвольное решение по моделированию.Один из них моделирует банк таким образом, который естественен для практиков, потому что он моделирует деятельность банка, глядя на то, что делает каждый участник. Если вместо этого моделировать процессы банка, людям будет труднее понять модель, потому что деятельность одного человека охватывает множество процессов. Это имеет важные последствия, когда дело доходит до заполнения, проверки и калибровки модели. Если люди «подключаются» к имитационной модели в том смысле, что они распознают и понимают, что делает модель, они могут улучшить ее, упростить количественную оценку того, что необходимо количественно оценить, и т. Д.Поскольку они глубоко понимают факторы риска, связанные с их собственной деятельностью, их легче включить в модель. После того, как у них есть свои действия и соответствующие факторы риска в модели, они могут предложить процедуры контроля и смягчения последствий и протестировать их с помощью инструмента моделирования. Другими словами, ABM — это не только инструмент моделирования; это естественно структурированный репозиторий для самооценки и идей по реорганизации организации.

ABM идеально подходит не только для управления операционным риском в финансовом учреждении, но и для моделирования риска в целом.Моделирование риска в организации с использованием ABM — это правильный подход к моделированию риска, потому что чаще всего риск является свойством действующих лиц в организации: события риска влияют на деятельность людей, а не на процессы. Например, более естественно сказать, что кто-то из бухгалтеров допустил ошибку (отправил неправильный счет покупателю), чем сказать, что на процесс дебиторской задолженности повлияло событие ошибки в подпроцессе выставления счета. ABM произведет революцию в сфере консультационных услуг по бизнес-рискам, поскольку представляет собой смену парадигмы от моделей, основанных на таблицах, и моделей, ориентированных на процессы.Заполнение, проверка и калибровка агентной модели риска на порядок проще и имеет гораздо больше смысла, чем другие модели. Агент-ориентированная модель также упрощает разработку стратегий смягчения последствий. В течение 3–6 лет ABM следует регулярно использовать в аудите.

То, на что намекнул пример Société Générale Asset Management, — это идея использования ABM для создания лучших организаций (12). Действительно, получив надежную модель организации, можно поиграть с ней, изменить некоторые организационные параметры и измерить, как производительность организации меняется в ответ на эти изменения.Показатели эффективности могут варьироваться от скорости распространения информации в организации до того, насколько хорошо организация коллективно выполняет свою задачу — изобретает новые продукты, продает или управляет дебиторской задолженностью.

Распространение

В контексте этого раздела ABM применяется к случаям, когда на людей влияет их социальный контекст, то есть то, что делают другие вокруг них. Хотя этому предмету уделяется много академического внимания, бизнес-приложений очень мало, возможно, из-за «мягкой» природы переменных и сложности измерения параметров.Социальное моделирование в бизнесе до сих пор не было очень успешным, потому что упор делался на его использование как инструмент прогнозирования, а не как инструмент обучения. Например, менеджер может лучше понять свой рынок, играя с его агентной моделью. Тогда, конечно, сложно количественно оценить ощутимые выгоды от чего-то нематериального, и менеджер не может утверждать, что сэкономил X миллионов долларов, играя с моделированием своих клиентов. Тем не менее, использование социального моделирования в бизнес-контексте имеет большую ценность.Фаррелл и его команда разработали синтетический мир, населенный виртуальными агентами, чтобы попытаться предсказать, как (и когда) происходят попадания (7). Работая на Twentieth Century Fox, они смоделировали, как такие фильмы, как «Титаник» или «Проект ведьм из Блэр» могут стать хитами, но их модель не имела большого успеха. Прогнозирование совпадений может оказаться самой сложной задачей; понимание того, как происходят совпадения, — лучшее использование модели.

Давайте рассмотрим простую модель принятия продукта, чтобы проиллюстрировать ценность ABM в моделировании распространения в социальных сетях.Этот пример также покажет, почему и когда необходим ABM, и подчеркнет взаимосвязь между ABM и более традиционной моделью агрегированной системной динамики (10). Предположим, что ценность нового продукта V зависит от количества его пользователей, N , в общей популяции N _T потенциальных потребителей, в соответствии со следующей функцией, где ρ — доля населения, которая принял продукт, θ — характеристическое значение (здесь θ = 0.4), а d — показатель степени, определяющий крутизну функции (здесь d = 4). V ( N ) равно 0, когда нет пользователя, и является максимальным (= 1), когда все население приняло продукт. Наконец, θ действует как порог: когда пользовательская база приближается к 40% населения, кривая ценности взлетает. Предположим для простоты, что функция ценности одинакова для всех пользователей. Далее предположим, что степень принятия определяется оценкой потенциальных клиентов в против .Действительно, клиенты могут не знать точное количество людей, принявших эту технологию в населении, но они могут оценить долю пользователей в их социальном окружении. Если мы предположим, что каждый человек связан с n другими людьми в популяции, мы можем определить оценку пользователем k доли пользователей во всем населении как ρ̂ _k = n _k / n , где n _k — это количество соседей k , которые приняли продукт.Значение V̂ _k продукта, по оценке человека k , затем определяется как Если человек k подключен ко всем остальным, V̂ _k идентичен V . Однако это маловероятно. Подход системной динамики к проблеме будет моделировать поток людей от непользователей к пользователям, при этом каждый человек в популяции воспринимает одинаковую среднюю долю усыновителей ρ = N / N _T и, следовательно, ту же воспринимаемую ценность: Получающееся в результате дифференциальное уравнение эквивалентно: Здесь мы предполагаем, что единица времени составляет 10 дней.Рис. 3 a показывает, как ρ и V меняются во времени, когда начальное количество пользователей равно 5% от совокупности.

( a ) Результаты дифференциального уравнения. ( b ) Агентно-ориентированная модель среднего поля.

Давайте теперь рассмотрим, как агентный подход решит эту проблему. Первое преобразование — от главного уравнения (то есть уравнения, описывающего динамику общего числа пользователей) к индивидуальным вероятностям перехода, где каждый агент имеет вероятность перехода, заданную скоростью главного уравнения.Другими словами, для каждого агента, который еще не является пользователем, вероятность стать им равна V (ρ) в единицу времени. Смысл этой модели в том, что каждый агент действует индивидуально, но прекрасно знает, сколько пользователей в популяции. На рис. 3 b показано, как доля пользователей увеличивается со временем для популяции из 100 агентов. Эта кривая в среднем почти неотличима от кривой, полученной с помощью подхода системной динамики, за исключением случаев, когда начальная популяция пользователей очень мала, и в этом случае взлет может быть значительно медленнее в агентном описании в некоторых моделированиях из-за значительных колебаний в ранняя часть симуляции.Эти колебания отражают индивидуальные решения, принимаемые агентами, в отличие от среднего глобального потока. Тем не менее, в среднем получается такая же динамика, как и в модели потока. Однако все становится совсем иначе, если исходить из предположения, что агенты оценивают долю пользователей от доли своих соседей, которые являются пользователями. Предположим, что у каждого человека в популяции ровно n = 30 соседей. Давайте теперь рассмотрим два случая:

1. Эти 30 соседей выбираются случайным образом из популяции.

2. В топологии социальных взаимодействий существует кластеризация, в которой соседом соседа, скорее всего, будет сосед. Для определенности предположу, что популяция делится на две равные по размеру субпопуляции. Вероятность того, что две особи из одной субпопуляции являются соседями, равна P = 0,5, а вероятность того, что две особи из разных субпопуляций являются соседями, равна 0,1. В популяции из 100 агентов среднее общее количество соседей любого заданного узла равно 0.5⋅50 + 0,1⋅50 = 30. Мы предполагаем, что начальные 5% пользователей относятся к одной из субпопуляций.

Второй случай вводит локализацию в динамику: человек взаимодействует только со своими соседями, и здесь мало дальнодействующих взаимодействий и мало глобального перемешивания. В первом случае можно было ожидать увидеть динамику, аналогичную модели системной динамики, тогда как во втором случае динамика могла быть совершенно иной. Похоже, что даже в первом случае результирующая динамика отличается от динамики среднего поля (рис.4 a ), но второй случай приводит к потенциально совершенно другим результатам, как видно на рис. 4 b . Внедрение продукта происходит намного быстрее с кластеризацией, даже если начальная группа пользователей находится полностью в одном кластере.

( a ) Сто агентов, 30 случайных соседей. ( b ) Сто агентов, соседи по кластеру (два кластера, распространение начинается в одном кластере).

Этот простой пример показывает не только то, насколько полезна ABM при работе с неоднородными популяциями и сетями взаимодействия, но и то, как перейти от модели дифференциального уравнения к модели на основе агентов — обычно используется противоположное преобразование, где дифференциальное Модель уравнений — это аналитически управляемая (но обманчиво) версия агентно-ориентированной модели для среднего поля.Что полезно в этом «обратном» преобразовании, так это то, что оно ясно показывает, что агент-ориентированная модель становится все более необходимой по мере увеличения степени неоднородности моделируемой системы.

Обсуждение

Когда пригодится ПРО?

Из примеров, представленных в этой статье, должно быть ясно, что ABM может принести значительные преимущества при применении к человеческим системам. На этом этапе полезно подвести итог, когда лучше всего использовать ABM:

• Когда взаимодействия между агентами являются сложными, нелинейными, прерывистыми или дискретными (например, когда поведение агента может резко измениться, даже периодически, другими агентами).Пример: все примеры, описанные в этой статье.

• Когда пространство критически, а позиции агентов не фиксированы. Пример: пожарная лестница, тематический парк, супермаркет, движение.

• Когда популяция неоднородна, когда каждый человек (потенциально) индивидуален. Пример: практически каждый пример в этой статье.

• Когда топология взаимодействий неоднородна и сложна. Пример: когда взаимодействия однородны и глобально смешиваются, нет необходимости в агентном моделировании, но социальные сети редко бывают однородными, они характеризуются кластерами, что приводит к отклонениям от среднего поведения.

• Когда агенты демонстрируют сложное поведение, включая обучение и адаптацию. Пример: NASDAQ, интернет-провайдеры.

Проблемы с ABM.

Есть некоторые вопросы, связанные с применением ПРО в социальных, политических и экономических науках. Одна проблема является общей для всех методов моделирования: модель должна служить цели; универсальная модель не может работать. Модель должна быть построена на нужном уровне описания, с достаточным количеством деталей, чтобы служить ее цели; это остается скорее искусством, чем наукой.

Другая проблема связана с самой природой систем, моделируемых с помощью ABM в социальных науках: чаще всего в них задействованы человеческие агенты с потенциально иррациональным поведением, субъективным выбором и сложной психологией — другими словами, мягкие факторы, сложно количественно оценить, откалибровать, а иногда и оправдать. Хотя это может стать основным источником проблем при интерпретации результатов моделирования, справедливо будет сказать, что в большинстве случаев ПРО — это просто единственная игра в городе, которая имеет дело с такими ситуациями.Сказав это, следует быть осторожным в том, как использовать ABM: например, нельзя принимать решения на основе количественного результата моделирования, который следует интерпретировать исключительно на качественном уровне. Из-за разной степени точности и полноты входных данных для модели (данные, опыт и т. Д.) Характер выходных данных также варьируется, начиная от чисто качественной информации и кончая количественными результатами, используемыми для принятия решений и выполнение.

Последняя серьезная проблема в ABM — практическая проблема, которую нельзя упускать из виду. По определению ABM рассматривает систему не на агрегированном уровне, а на уровне составляющих ее единиц. Хотя совокупный уровень, возможно, можно описать всего несколькими уравнениями движения, описание нижнего уровня включает в себя описание индивидуального поведения потенциально многих составляющих единиц. Моделирование поведения всех модулей может быть чрезвычайно затратным по вычислениям и, следовательно, отнимать много времени.Хотя вычислительная мощность по-прежнему растет впечатляющими темпами, высокие вычислительные требования ABM остаются проблемой, когда дело доходит до моделирования больших систем.

Сноски

• ↵ * Электронная почта: eric {at} icosystem.com.

• Этот документ является результатом коллоквиума Артура М. Саклера Национальной академии наук «Адаптивные агенты, интеллект и новые человеческие организации: определение сложности с помощью агент-ориентированного моделирования», состоявшегося 4–6 октября 2001 г. Центр Арнольда и Мейбл Бекман Национальной академии наук и инженерии в Ирвине, Калифорния.

Сокращения

• ABM, моделирование на основе агентов

• NASDAQ, Национальная ассоциация дилеров по ценным бумагам Автоматизированное котирование

• ISP, провайдер интернет-услуг

• © Национальная академия 2002,
• Sciences

Простая динамическая модель объясняет разнообразие островных птиц во всем мире