Cheatsheet
Теория сложных систем — all topics on one page
Введение в теорию сложных систем
Основные понятия, эмерджентность и нелинейная динамика
Определение сложной системы → Ключевые свойства сложных систем → Примеры сложных систем → Инструменты изучения → Численный пример: модель Шеллинга
Почему экономика не поддаётся точному прогнозу? Почему муравьи строят сложные колонии без архитекторов? Почему небольшие изменения в климате могут повлечь непредсказуемые последствия? Ответ на все эти вопросы лежит в области теории сложных систем — одной из самых молодых и революционных областей ...
Сложная система — система из множества взаимодействующих компонентов, поведение которой нельзя свести к сумме свойств отдельных частей. Формальные критерии сложности:
Многочисленность агентов: система содержит большое число (часто — тысячи и миллионы) элементов (агентов, компонентов). Головной мозг: 86 млрд нейронов. Интернет: 5 млрд пользователей. Экономика: 8 млрд людей.
Нелинейные взаимодействия: связи между элементами нелинейны. Удвоение одной переменной не приводит к удвоению эффекта. Взаимодействия порождают новые, непредсказуемые состояния.
Фазовое пространство и аттракторы → Аттрактор Лоренца и детерминированный хаос → Бифуркации: качественные изменения поведения → Размерность Хаусдорфа и фракталы → Численный пример: логистическое отображение
Definitions
- •x — интенсивность конвективного потока
- •y — разность температур между восходящим и нисходящим потоком
- •z — отклонение вертикального температурного профиля от линейного
- •σ (Прандтль) = 10 — отношение вязкости к теплопроводности
- •ρ (Рэлей) = 28 — тепловой градиент
- •β = 8/3 — геометрический параметр
- •x₁ = 3.9 × 0.2 × 0.8 = 0.624
- •x₂ = 3.9 × 0.624 × 0.376 = 0.916
- •x₃ = 3.9 × 0.916 × 0.084 = 0.300
Детерминированная система с простыми нелинейными правилами может вести себя непредсказуемо — это открытие середины XX века полностью изменило наше понимание природы. Хаос — не беспорядок, а детерминированная непредсказуемость, вызванная чувствительностью к начальным условиям.
Фазовое пространство: пространство всех возможных состояний системы. Для системы с переменными x₁,...,xₙ — это ℝⁿ. Траектория системы — кривая в фазовом пространстве.
Аттрактор: множество состояний, к которому стремятся все близкие траектории. Типы:
*Точечный аттрактор:* система стремится к стационарному состоянию. Математический маятник с трением: стремится к положению покоя x=0.
Основные характеристики сетей → Феномен малого мира (Watts & Strogatz, 1998) → Безмасштабные сети (Barabási & Albert, 1999) → Уязвимость и устойчивость сетей → Численный пример: интернет-граф
- •WWW: L ≈ 19 (Barabási, 1999)
- •Нейронная сеть C. elegans: L = 2.65, C = 0.28 (vs случайный граф L = 2.25, C = 0.05)
- •Соавторство учёных: L = 4.79, C = 0.43
Многие сложные системы лучше всего описываются не уравнениями, а сетями — графами, где узлы — агенты, а рёбра — взаимодействия. Структура сети принципиально определяет динамику: как быстро распространится болезнь, насколько уязвима энергосистема, насколько эффективно распространяется информация.
Граф G = (V, E): V — множество узлов (вершин), E ⊆ V×V — множество рёбер. |V| = n, |E| = m.
Степень вершины d(v): число рёбер, инцидентных v. Средняя степень ⟨k⟩ = 2m/n. Распределение степеней P(k) = доля вершин степени k — ключевая характеристика.
Кратчайший путь L(u,v): минимальное число рёбер между u и v. Средний путь L̄ = (1/n(n−1)) Σᵤ≠ᵥ L(u,v).
Динамика популяций и эпидемиологические модели
Модели хищник-жертва, SIR-модели и пространственная динамика
Уравнения Лотки-Вольтерра → Анализ равновесий → Расширения модели → Численный пример → Реальные применения
- •x — численность жертв (зайцы, лемминги); y — численность хищников (рыси, волки)
- •αx — экспоненциальный рост жертв в отсутствие хищников; α — удельная скорость роста
- •−βxy — убыль жертв из-за встреч с хищниками; β — скорость выедания (пропорционально числу встреч x·y)
- •+δxy — рост хищников за счёт потребления жертв; δ — конверсионная эффективность
- •−γy — естественная смертность хищников при отсутствии жертв
Одна из самых красивых демонстраций нелинейной динамики — периодические колебания численности хищника и жертвы. Данные рыскаря и снегового зайца в Канаде показывают устойчивые циклы длиной около 10 лет: без центрального управления, без плана — чистая динамика взаимодействий.
Альфред Лотка (1925) и Вито Вольтерра (1926) независимо вывели систему ОДУ, описывающую динамику двух взаимодействующих популяций:
Расшифровка x*: равновесная численность жертв зависит от параметров хищника (γ, δ), но не от параметров роста жертвы α. Парадокс Вольтерры: улучшение условий для жертвы (рост α) приводит к росту численности хищников, а не жертв!
Собственные значения: ±i√(αγ) — чисто мнимые. Равновесие — центр: система совершает периодические колебания без затухания. Период колебаний T ≈ 2π/√(αγ).
Базовая SIR-модель (Kermack-McKendrick, 1927) → Базовое репродуктивное число R₀ → Хаттрикс окончательного размера → Расширения SIR → COVID-19: модель Ferguson et al. → Инфодемия: вирусное распространение дезинформации
- •S (Susceptible — восприимчивые): могут заразиться
- •I (Infected — инфицированные): заразны
- •R (Recovered — выздоровевшие или умершие): иммунны
- •β — скорость контакта × вероятность передачи. βI/N — «сила инфекции» для одного S-индивида
- •γ — скорость выздоровления: 1/γ = среднее время заразного периода
- •S+I+R = N = const (пренебрегаем демографией)
Математическая эпидемиология позволяет предсказывать динамику инфекционных заболеваний, оценивать эффективность вмешательств и обосновывать публичные меры. Пандемия COVID-19 наглядно продемонстрировала силу и ограничения этих моделей.
Центральная характеристика инфекции: R₀ = β/γ — среднее число вторичных случаев от одного инфицированного в полностью восприимчивой популяции.
Пороговое условие: dI/dt = I(βS/N − γ) > 0 тогда и только тогда, когда S > γN/β = N/R₀. Эпидемия возможна, пока S > N/R₀.
Порог коллективного иммунитета: для подавления эпидемии нужно снизить S < N/R₀, т.е. иммунизировать долю p* = 1 − 1/R₀ населения.
Реакционно-диффузионные уравнения → Механизм Тюринга: активатор-ингибитор → Реальные биологические паттерны → Пространственная эпидемиология → Клеточные автоматы и дискретные паттерны
Почему у зебры полоски, а у леопарда пятна? Почему песчаные дюны образуют регулярные ряды? Почему нейроны мозга организованы в колонки? Алан Тюринг в 1952 году предложил математический механизм: реакция-диффузия. Взаимодействие двух химических веществ с разными скоростями диффузии порождает устой...
Общая форма: ∂u/∂t = D_u ∇²u + f(u, v) и ∂v/∂t = D_v ∇²v + g(u, v), где u и v — концентрации двух морфогенов (химических «сигналов»), D_u, D_v — коэффициенты диффузии, f(u,v) и g(u,v) — кинетика реакций.
Интуиция: активатор (u) стимулирует как себя, так и производство ингибитора (v). Ингибитор подавляет активатор, но диффундирует быстрее. Результат: «пятна» активатора окружены «морями» ингибитора.
Условия неустойчивости Тюринга: (1) однородное равновесие устойчиво без диффузии; (2) D_v >> D_u (ингибитор диффундирует значительно быстрее); (3) активатор самоусиливается (∂f/∂u > 0 в равновесии).
Агентное моделирование и имитация
Клеточные автоматы, ABM-модели и эмерджентное поведение многоагентных систем
Клеточные автоматы (CA) → Агентное моделирование (ABM) → Платформы ABM → Применения ABM → Численный пример: Shelling на 20×20 сетке
Агентное моделирование — вычислительный подход к изучению сложных систем «снизу вверх»: задаём правила поведения отдельных агентов и наблюдаем эмерджентное поведение системы. Этот подход позволяет изучать системы, для которых уравнения слишком сложны или неизвестны.
Модель: сетка ячеек, каждая в одном из конечных состояний. Дискретное время. Следующее состояние ячейки = функция состояний соседей. Формально: sₜ₊₁(i,j) = f(sₜ(N(i,j))), где N(i,j) — соседство ячейки (i,j).
Игра «Жизнь» Конвея (1970): 2 состояния (живой/мёртвый), 8 соседей (Мур). Правила: живая с 2-3 соседями → выживает; с <2 → умирает (одиночество); с >3 → умирает (перенаселение); мёртвая с 3 соседями → оживает. Простые правила → невероятное разнообразие: глайдеры, осцилляторы, паттерны роста, само...
Правило 30 и правило 110 Вольфрама: одномерные CA с 3 соседями, 8 возможных конфигураций → 2⁸ = 256 правил. Правило 110 — доказанно Тьюринг-полное. Вольфрам («A New Kind of Science», 2002): сложные системы природы работают как CA.
Генетический алгоритм (GA) → Генетическое программирование (GP) → Стратегии эволюции (ES) для непрерывной оптимизации → Многокритериальная эволюция (MOEA) → OpenAI ES и нейроэволюция → Численный пример: GA для задачи коммивояжёра
Эволюционные алгоритмы — методы оптимизации, вдохновлённые биологической эволюцией. Там, где классические методы оптимизации (градиентный спуск, LP) терпят неудачу — многовершинные ландшафты, комбинаторные пространства, недифференцируемые цели — эволюция находит хорошие решения.
Биологическая аналогия: особи в популяции = решения задачи. Хромосома = кодирование решения. Приспособленность = качество решения. Отбор, скрещивание, мутация = поиск в пространстве решений.
Структура GA: 1. Инициализация: случайная популяция из P хромосом (строк длины L) 2. Оценка: вычисляем fitness f(xᵢ) для каждой особи 3. Отбор: выбираем «родителей» с вероятностью ∝ f(xᵢ) (roulette wheel selection) или топ-k (tournament selection) 4. Скрещивание (crossover): берём два «родителя»,...
Схема-теорема Холланда: Схема = шаблон H (строка с символами {0,1,*}). Длина l(H) — позиция последнего специфического символа. Порядок o(H) — число специфических символов. Краткие (малый l), низкопорядковые, высокоприспособленные схемы экспоненциально увеличивают частоту в следующем поколении. «С...
Интеллект роя (Swarm Intelligence) → Модели стайного движения → Коллективное принятие решений → Мудрость толпы и её границы → Численный пример: PSO для функции Розенброка
- •v_i — «скорость» частицы (направление и темп движения)
- •w — инерция (сохранение текущего направления)
- •c₁r₁(p_best_i − x_i) — «память»: притяжение к лучшей позиции данной частицы
- •c₂r₂(g_best − x_i) — «социальное влияние»: притяжение к лучшей глобальной позиции
Коллективный интеллект — способность группы решать задачи лучше, чем её индивидуальные члены. Муравьи, пчёлы, рыбы используют децентрализованные алгоритмы без центрального управления. Эти алгоритмы вдохновляют AI, робототехнику и теорию принятия решений.
Реальные муравьи ищут пищу случайно. Найдя её, возвращаются, оставляя феромоновый след. Другие муравьи следуют следу с вероятностью, пропорциональной его интенсивности. Короткие пути → быстрее traversed → больше феромона → больше муравьёв → ещё больше феромона. Испарение феромона предотвращает за...
Здесь: τ(u,v) — феромон на ребре, η(u,v) = 1/d(u,v) — «привлекательность» (обратное расстояние), α, β — балансировка феромона и эвристики.
Применение: оптимизация маршрутов (логистика, TSP), маршрутизация в сетях (интернет-протоколы), расписание задач.
Критические явления и типпинг-пойнты
Самоорганизованная критичность, фазовые переходы и ранние предупреждающие сигналы
Фазовые переходы и критические точки → Самоорганизованная критичность (SOC) → Типпинг-пойнты в сложных системах → Ранние предупреждающие сигналы → Численный пример: критическое замедление перед коллапсом
- •Озёра с прозрачной водой → мутная (эвтрофикация): при превышении нагрузки фосфором → цветение водорослей → альтернативное устойчивое состояние. Восстановление требует снижения нагрузки ниже изначал...
- •Пастбища → пустыня (опустынивание): при снижении осадков/перевыпасе → потеря растительности → меньше испарения → меньше осадков → усиление.
- •Коралловые рифы → альговые коврики.
- •Рост дисперсии временного ряда: Var[xₜ] → ∞
- •Рост автокорреляции lag-1: AR(1) → 1
- •Рост асимметрии (skewness)
- •Усиление мерцания (flickering) — переключения между двумя состояниями
Критические явления — фазовые переходы, где система резко меняет своё состояние. Они встречаются в физике, экологии, финансах, климате. Понимание критических точек — ключ к предсказанию и предотвращению катастрофических переходов. Это одна из самых практически важных тем в науке о сложных системах.
Фазовый переход первого рода: скрытое тепло, гистерезис, разрыв параметра порядка при T = Tc. Кипение воды (жидкость → пар): резкий переход, система «запоминает» историю (гистерезис).
Фазовый переход второго рода (непрерывный): параметр порядка изменяется непрерывно. Переход Изинга при T = Tc: намагниченность M → 0 непрерывно. Расходимость длины корреляции ξ → ∞.
ξ ~ |T − Tc|^{−ν} (длина корреляции) χ ~ |T − Tc|^{−γ} (восприимчивость) M ~ |T − Tc|^β (параметр порядка)
Сложностная экономика (Complexity Economics) → Финансовые рынки как сложные системы → Экономика сетей и рыночные платформы → Городская сложность и масштабные законы → Численный пример: масштабный закон городов России
- •Тяжёлые хвосты доходностей: P(|r| > x) ~ x^{−α}, α ≈ 3 (закон «кубического хвоста»)
- •Кластеризация волатильности (GARCH-эффект): большие колебания следуют за большими
- •Отсутствие автокорреляции доходностей, но сильная автокорреляция |rₜ| и rₜ²
- •Долгая память волатильности: ACF(|rₜ|) убывает как t^{−β}, β ≈ 0.2
- •β > 1 (суперлинейное): зарплаты (β=1.15), патенты/инновации (β=1.27), ВВП (β=1.13), преступность (β=1.16), болезни (β=1.23)
- •β < 1 (субинтенсивное): длина дорог (β=0.83), число заправок (β=0.77), потребление электроэнергии (β=0.87)
Применение идей теории сложных систем к экономике и социальным наукам формирует новую парадигму — «сложностная экономика» — в противовес традиционным равновесным моделям. Эта парадигма лучше объясняет экономические кризисы, неравенство и инновационные скачки.
Традиционная неоклассическая экономика: агенты рациональны и однородны, рынки стремятся к равновесию, прогноз — описание отклонений вокруг равновесия. Эта картина удобна математически, но плохо объясняет кризисы, неравенство и инновации.
Сложностная экономика (У.Брайан Артур, SFI, 1994–2020): агенты с ограниченной рациональностью (bounded rationality, Саймон). Гетерогенные стратегии: фундаменталисты, технари, трендфоллоэры. Адаптивные ожидания (не рациональные). Экономика = постоянно эволюционирующая экосистема, а не механизм в р...
Эксперимент SFI (Санта-Фе): ABM фондового рынка (Palmer et al., 1994): 100 трейдеров-агентов с разными стратегиями торгуют акциями. Стратегии эволюционируют через генетический алгоритм (лучшие стратегии выживают). Результаты: технические трейдеры (chartists) сосуществуют с фундаменталистами; вола...
Принципы управления сложными системами → Экосистемная устойчивость → Управление климатической системой → Resilience Thinking в политике → Численный пример: устойчивость к каскадным отказам
Управление сложными системами принципиально отличается от управления простыми: традиционные «командно-контрольные» подходы часто неэффективны или контрпродуктивны. Нужны иные стратегии, основанные на понимании системных принципов.
Принцип 1: Разнообразие = устойчивость. Монокультуры уязвимы к ударам. Монопольные компании — к технологическим сдвигам. Монопартийные государства — к кризисам. Разнообразие агентов, стратегий, институтов — источник resilience. «Антихрупкость» по Талебу: разнообразие создаёт запасные варианты.
Принцип 2: Децентрализация. Попытки централизованно управлять сложной системой создают single points of failure. Распределённые решения более устойчивы к локальным сбоям. Интернет (децентрализованная архитектура) vs телефонная сеть (централизованная): после атак 11 сентября интернет выжил, телефо...
Принцип 3: Модулярность. Разбиение системы на модули с ограниченными взаимодействиями снижает каскадные эффекты. В финансах: «firewall»-ы между банковскими секторами. В программировании: микросервисная архитектура. Нарушение: интеграция банков и инвестбанков (Glass-Steagall repeal, 1999) → систем...