---
title: "पारिस्थितिकी, विकास और पशु-व्यवहार · सिमुलेशन · सिमुलेशन परिकल्पना"
url: https://simulation-hypothesis.com/hi/simulations/ecology-behaviour
description: "चींटी-बस्तियाँ, झुंड, खाद्य-जाल, जंगल और पीढ़ियों में जीन। लोग सचमुच जो सिमुलेशन चलाते हैं, उनके वर्गीकरण का एक हिस्सा।"
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, सिमुलेशन परिकल्पना (simulation-hypothesis.com)"
---

[सिमुलेशन](https://simulation-hypothesis.com/hi/simulations)18 में से क्षेत्र 6

# पारिस्थितिकी, विकास और पशु-व्यवहार

चींटी-बस्तियाँ, झुंड, खाद्य-जाल, जंगल और पीढ़ियों में जीन।

जीव जो स्थानीय नियमों पर चलते हैं, और उनसे उभरने वाली कॉलोनियाँ, झुंड और पारिस्थितिक तंत्र। एजेंट-आधारित सिमुलेशन काफ़ी हद तक पारिस्थितिकी में ही पला-बढ़ा। झुंड या चींटियों की क़तार ऐसे पैटर्न का आदर्श उदाहरण है जिसे कोई अकेला सदस्य डिज़ाइन नहीं करता।

## सामूहिक व्यवहार

### चींटी कॉलोनी का भोजन-संग्रह

अलग-अलग चींटियाँ फेरोमोन के निशान बनाती और उनका पीछा करती हैं, बिना नेता और बिना नक़्शे के।

वह सवाल जिसका यह जवाब देता है: जब किसी चींटी को रास्ता नहीं पता, तब कॉलोनी भोजन तक का सबसे छोटा रास्ता कैसे खोजती है?

छोड़ता है: असली चींटियाँ दृष्टि, ध्वनि और स्वाद का भी उपयोग करती हैं, जिन्हें ज़्यादातर पथ-मॉडल अनदेखा करते हैं।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो भोजन खोजती हज़ारों चींटियाँ सिमुलेट करता है तब से: 1990 देनबर्ग और सहकर्मियों का अर्जेंटीनी चींटियों के रास्ते बनने का मॉडल

[इंटरैक्टिव मॉडल चलाइए](https://simulation-hypothesis.com/hi/simulations/run#toy-ants)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: शरीर

### मधुमक्खी कॉलोनियाँ

चारा लाने वाली, परिचारिका और टोही मक्खियाँ काम बाँटती हैं, और झुंड एक प्रकार के मतदान से नया घर चुनते हैं।

वह सवाल जिसका यह जवाब देता है: बिना नेता के झुंड सबसे अच्छी घोंसला-जगह कैसे चुनता है?

छोड़ता है: मानता है कि मधुमक्खियाँ तय सरल नियमों पर चलती हैं, जबकि असली मधुमक्खियाँ अलग-अलग होती हैं और ग़लत भी हो सकती हैं।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो झुंड के घोंसले की जगह चुनने को सिमुलेट करता है तब से: 2003 पैसिनो और सीली का मधुमक्खी के घोंसले की जगह चुनने का मॉडल

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: शरीर

### झुंड और टोली

हर पक्षी या मछली तीन स्थानीय नियमों से दिशा तय करती है: अलगाव, पड़ोसियों से संरेखण और जुड़ाव।

वह सवाल जिसका यह जवाब देता है: हज़ारों पशु एक साथ मिलकर कैसे मुड़ते हैं?

छोड़ता है: असली झुंड शिकारियों और भूभाग पर प्रतिक्रिया देते हैं, जिन्हें तीन सरल नियम छोड़ देते हैं।

इस पर चलता है: लगभग 10^13 FLOPS मोटा अनुमान एक गेमिंग GPU, जो हज़ारों निर्देशित एजेंट सिमुलेट करता है तब से: 1987 क्रेग रेनॉल्ड्स का झुंड-उड़ान का बॉयड्स मॉडल

[इंटरैक्टिव मॉडल चलाइए](https://simulation-hypothesis.com/hi/simulations/run#toy-flock)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: शरीर

### दीमक की बाँबी का निर्माण

दीमक मिट्टी की गोलियाँ गिराती और हिलाती हैं, और उस संरचना में बहती हवा, जो वे बनाती हैं।

वह सवाल जिसका यह जवाब देता है: छोटे मस्तिष्क वाले कीट हवादार मीनारें कैसे बनाते हैं?

छोड़ता है: असली दीमकों का व्यवहार रासायनिक और संरचनात्मक संकेतों पर निर्भर है जो केवल आंशिक रूप से पकड़े गए हैं।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक विश्वविद्यालय का क्लस्टर, जो गोली गिराती दीमकें और हवा का प्रवाह सिमुलेट करता है तब से: 1999 बोनाबो और थेरौलाज़ के दीमक-निर्माण के स्टिग्मर्जिक मॉडल

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[सतत क्षेत्र](https://simulation-hypothesis.com/hi/simulations/methods#m-continuum)न्यूनतम परत: शरीर

### स्लाइम मोल्ड का एकत्रीकरण

मुक्त-जीवी अमीबा रासायनिक संकेत छोड़ते और उसका पीछा करते हैं, ताकि भोजन ख़त्म होने पर एक स्लग जैसी देह में बहकर इकट्ठा हो जाएँ।

वह सवाल जिसका यह जवाब देता है: बिना तंत्रिका तंत्र वाली स्वतंत्र कोशिकाएँ एक शरीर बनने पर कैसे सहमत होती हैं?

छोड़ता है: प्रयोगशाला की स्थितियाँ उस मिट्टी से कहीं ज़्यादा साफ़ हैं जिसमें असली जीव रहता है।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो रसायन-अनुचलन (केमोटैक्सिस) पर आधारित जमाव मॉडल चलाता है तब से: 1970 केलर और सेगल का स्लाइम मोल्ड के रसायन-अनुचलन समूहन का मॉडल

[सेलुलर ऑटोमेटा](https://simulation-hypothesis.com/hi/simulations/methods#m-cellular-automata)[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: कोशिकाएँ

### जीवाणुओं का झुंड-व्यवहार और कोरम-संवेदन

लाखों जीवाणु एक-दूसरे के रासायनिक संकेत भाँपकर साथ मिलकर किसी समन्वित व्यवहार में बदलते हैं, जैसे सतह पर झुंड बनाना या चमकना।

वह सवाल जिसका यह जवाब देता है: जीवाणुओं की आबादी को कैसे पता चलता है कि मिलकर काम करने के लिए वह काफ़ी बड़ी हो गई है?

छोड़ता है: डिश में उगाए गए प्रयोगशाला स्ट्रेन असली मिश्रित सूक्ष्मजीव समुदाय से ज़्यादा एकसमान व्यवहार करते हैं।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो एजेंट-आधारित कॉलोनी मॉडल चलाता है तब से: 1994 जीवाणुओं के व्यवहार का तालमेल बैठाते कोरम-संवेदन सर्किटों के शुरुआती सिमुलेशन

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[सतत क्षेत्र](https://simulation-hypothesis.com/hi/simulations/methods#m-continuum)न्यूनतम परत: कोशिकाएँ

### टिड्डों की चलती टोलियाँ

घनी अवस्था में अलग-अलग कीट पड़ोसियों के साथ पंक्तिबद्ध हो जाते हैं, और झुंड-पट्टियाँ एक साझा दिशा में साथ चलने लगती हैं।

वह सवाल जिसका यह जवाब देता है: किस घनत्व पर टिड्डे बेतरतीब भटकने से कूच करने लगते हैं?

छोड़ता है: आवास की संरचना और भोजन शामिल नहीं हैं, और असली झुंडों में उड़ान भी होती है।

इस पर चलता है: लगभग 10^7 FLOPS मोटा अनुमान वर्कस्टेशन पर स्व-चालित कण सिमुलेशन। तब से: 2006 बुल और सहकर्मी, कूच करते टिड्डों में अव्यवस्था से व्यवस्था तक। [स्रोत](https://doi.org/10.1126/science.1125142)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[कण और N-पिंड](https://simulation-hypothesis.com/hi/simulations/methods#m-particles)न्यूनतम परत: आबादियाँ

## अलग-अलग पशु

### गति और भोजन खोज

भू-दृश्य में भोजन खोजते पशु, जिन्हें यादृच्छिक चालों और निर्णय-नियमों के रूप में मॉडल किया जाता है।

वह सवाल जिसका यह जवाब देता है: क्या यह पशु कुशलता से खोज रहा है, और भोजन कहाँ है, इस बारे में वह क्या जानता है?

छोड़ता है: यादृच्छिक-चाल के आँकड़े को बैठा लेना यह स्थापित नहीं करता कि पशु असल में क्या महसूस कर रहा है।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो यादृच्छिक-चाल वाले भोजन-खोज मॉडल को डेटा से मिलाता है तब से: 1996 Viswanathan और सहयोगियों का एल्बाट्रॉस के चारा खोजने का Lévy उड़ान मॉडल

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)न्यूनतम परत: शरीर

### प्रवास और दिशा-ज्ञान

पक्षी, कछुए या व्हेल, जो सूर्य, तारों, गंध या चुंबकीय क्षेत्र से हज़ारों किलोमीटर चलते हैं।

वह सवाल जिसका यह जवाब देता है: कौन-से संकेत पहले साल के पक्षी को सही महाद्वीप तक पहुँचा सकते हैं?

छोड़ता है: असली जानवर किन संकेतों पर निर्भर करते हैं, और उन्हें कैसे मिलाते हैं, इस पर अब भी बहस है।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो संकेतों पर आधारित पक्षी-नौवहन सिमुलेट करता है तब से: 1996 पक्षियों के नौवहन में चुंबकीय और खगोलीय संकेतों के उपयोग के शुरुआती सिमुलेशन

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: शरीर

### पशुओं की गति

तैरती मछलियाँ, उड़ते कीट और दौड़ते पशु, जहाँ तरल या ज़मीन पलटकर धक्का देती है।

वह सवाल जिसका यह जवाब देता है: भौंरा कैसे उड़ता है, और मछलियाँ झुंड बनाकर कैसे तैरती हैं?

छोड़ता है: सरलीकृत पंख और शरीर के आकार वह ब्योरा छोड़ देते हैं जो असली पशु की सतहें देती हैं।

इस पर चलता है: लगभग 10^14 FLOPS मोटा अनुमान एक विश्वविद्यालय का क्लस्टर, जो तरल-पिंड की उड़ान या तैराकी का सिमुलेशन चलाता है तब से: 1994 कीट-उड़ान के शुरुआती तरल-गतिकी मॉडल

[सतत क्षेत्र](https://simulation-hypothesis.com/hi/simulations/methods#m-continuum)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: क्षेत्र

### व्यवहार का विकास

लड़ना, बाँटना या धोखा देना जैसी रणनीतियाँ, जो कई पीढ़ियों तक एक-दूसरे के ख़िलाफ़ खेली जाती हैं।

वह सवाल जिसका यह जवाब देता है: कोई जानवर किसी असंबंधित पड़ोसी की मदद क्यों करेगा?

छोड़ता है: रणनीतियाँ मॉडल बनाने वाले के चुने मेनू से आती हैं, व्यवहार के पूरे दायरे से नहीं।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो विकासवादी खेल की प्रतियोगिता चलाता है तब से: 1981 एक्सेलरॉड और हैमिल्टन का सहयोग-रणनीतियों का सिमुलेटेड विकास

[खेल सिद्धांत](https://simulation-hypothesis.com/hi/simulations/methods#m-game-theory)[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)न्यूनतम परत: शरीर

### पक्षी-गान और स्वर-अधिगम के मॉडल

किसी युवा पक्षी के मस्तिष्क का सर्किट, जो गुरु का गाना नकल करता है, और जिसे संवेदी-प्रेरक लूप के रूप में मॉडल किया जाता है जो उसकी अपनी बड़बड़ाहट को याद किए साँचे से मिलाता है।

वह सवाल जिसका यह जवाब देता है: कोई नन्हा पक्षी तुतलाहट को वयस्क के गीत की सटीक नकल में कैसे बदलता है?

छोड़ता है: गीत-पक्षियों को समझाने के लिए बने मॉडल दूसरे पशुओं में आवाज़ निकालने पर साफ़ तौर पर लागू नहीं होते।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो संवेदी-प्रेरक (सेंसरिमोटर) सीखने का मॉडल प्रशिक्षित करता है तब से: 2002 ज़ेब्रा फ़िंच में गीत सीखने के शुरुआती संगणनात्मक मॉडल

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: नियम

### गतिक ऊर्जा-बजट मॉडलिंग

एक पशु का पूरा ऊर्जा बजट उसके जीवन भर देखा जाता है: वह क्या खाता है, और जीवित रहने, बढ़ने और प्रजनन के बीच कैसे बाँटता है।

वह सवाल जिसका यह जवाब देता है: किसी दी हुई खाद्य आपूर्ति और तापमान में यह पशु कैसे बढ़ेगा और प्रजनन करेगा?

छोड़ता है: सार्वभौमिक पैरामीटरों का एक छोटा समूह हर प्रजाति की ख़ास विशेषताओं को नहीं पकड़ सकता।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो ऊर्जा-प्रवाह के कुछ समीकरण हल करता है तब से: 1986 कूइजमान का व्यक्तिगत जीवों के लिए गतिशील ऊर्जा-बजट सिद्धांत

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: शरीर

## आबादियाँ और पारिस्थितिक तंत्र

### शिकारी-शिकार गतिकी

शिकारियों और शिकारों की संख्या जुड़े चक्रों में चढ़ती-उतरती है, लोटका–वोल्टेरा समीकरण और उनके वंशज।

वह सवाल जिसका यह जवाब देता है: लिंक्स और ख़रगोश की आबादियाँ चक्रीय रूप से क्यों दोलन करती हैं?

छोड़ता है: असली आबादियों में आयु संरचना, स्थान और कई शिकार होते हैं जिन्हें मॉडल अनदेखा करता है।

इस पर चलता है: लगभग 10^9 FLOPS मोटा अनुमान एक लैपटॉप, जो लोटका-वोल्टेरा समीकरण हल करता है तब से: 1925 लोटका और वोल्टेरा के शिकारी-शिकार समीकरण

[इंटरैक्टिव मॉडल चलाइए](https://simulation-hypothesis.com/hi/simulations/run#toy-wator)

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: आबादियाँ

### खाद्य-जाल

पूरे पारिस्थितिकी तंत्र में कौन किसे खाता है, और ऊर्जा उसमें कैसे चलती है।

वह सवाल जिसका यह जवाब देता है: अगर एक प्रजाति ग़ायब हो जाए तो बाक़ी प्रणाली का क्या होता है?

छोड़ता है: असली भोजन-कड़ियाँ मॉडल नेटवर्कों की मान्यता से ज़्यादा कठिनाई से मापी जाती हैं।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो किसी मॉडल खाद्य-जाल की स्थिरता का विश्लेषण करता है तब से: 1972 रॉबर्ट मे का मॉडल खाद्य जालों का स्थिरता विश्लेषण

[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: आबादियाँ

### वन गतिकी

अलग-अलग पेड़ सदियों में अंकुरित होते, रोशनी के लिए होड़ करते और मरते हैं।

वह सवाल जिसका यह जवाब देता है: दो सौ साल बाद यह जंगल कैसा दिखेगा?

छोड़ता है: किसी वृक्ष प्रजाति की बदलती जलवायु पर प्रतिक्रिया का अंशांकन अब भी कठिन है।

इस पर चलता है: लगभग 10^13 FLOPS मोटा अनुमान एक विश्वविद्यालय का क्लस्टर, जो सदियों तक अलग-अलग पेड़ों को ट्रैक करता है तब से: 1970 बॉटकिन, जानाक और वालिस का वन-उत्तराधिकार का JABOWA गैप मॉडल

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: शरीर

### मत्स्य और वन्यजीव प्रबंधन

पकड़ के तहत मछली या पशु-भंडार, जन्म, वृद्धि और अनिश्चितता के साथ।

वह सवाल जिसका यह जवाब देता है: आबादी के ढहे बिना हर साल कितने पकड़े जा सकते हैं?

छोड़ता है: स्टॉक आकलन पकड़ी गई मछलियों के उन आँकड़ों पर निर्भर होते हैं जो अधूरे या ग़लत दर्ज हो सकते हैं।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो स्टॉक-आकलन मॉडल चलाता है तब से: 1957 बेवर्टन और होल्ट का दोहन की जाती मछली-आबादियों का गतिक मॉडल

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[मोंटे कार्लो](https://simulation-hypothesis.com/hi/simulations/methods#m-monte-carlo)न्यूनतम परत: आबादियाँ

### प्रजातियों के क्षेत्र

प्रजातियाँ कहाँ रह सकती हैं, और जलवायु बदलने पर उनके क्षेत्र कैसे खिसकते हैं।

वह सवाल जिसका यह जवाब देता है: पचास साल बाद यह प्रजाति कहाँ जीवित रह पाएगी?

छोड़ता है: मानता है कि जलवायु ही रेंज की मुख्य सीमा है, जिससे होड़ और प्रसार का असर कम आँका जाता है।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो जलवायु-आधारित क्षेत्र मॉडल को डेटा से मिलाता है तब से: 1986 प्रजातियों के वितरण का अनुमान लगाने वाले शुरुआती जैव-जलवायविक आवरण मॉडल

[सेलुलर ऑटोमेटा](https://simulation-hypothesis.com/hi/simulations/methods#m-cellular-automata)[मोंटे कार्लो](https://simulation-hypothesis.com/hi/simulations/methods#m-monte-carlo)न्यूनतम परत: आबादियाँ

### वन्यजीव रोग

पशु आबादियों में फैलता संक्रमण, जो कभी-कभी लोगों में भी छलक जाता है।

वह सवाल जिसका यह जवाब देता है: क्या यह रोग आबादी को मिटा सकता है, और क्या टीके वाला चारा उसे रोक सकता है?

छोड़ता है: जंगली पशुओं के बीच संपर्क-दरें सीधे देखना कठिन है।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक विश्वविद्यालय का क्लस्टर, जो जंगली आबादी में रोग का फैलाव सिमुलेट करता है तब से: 1991 लोमड़ी आबादियों में रेबीज़ के फैलाव के शुरुआती सिमुलेशन मॉडल

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)न्यूनतम परत: शरीर

### सामान्य पारिस्थितिकी तंत्र मॉडल

एक क्रियाविधिक मॉडल, जिसमें हर प्रकार का जीव, प्लवक से लेकर बड़े पशुओं तक, पूरी पृथ्वी पर साझा नियमों से खाता, बढ़ता, प्रजनन करता और फैलता है।

वह सवाल जिसका यह जवाब देता है: क्या पारिस्थितिकी तंत्र की संरचना के वैश्विक पैटर्न अलग-अलग जीवों के नियमों से उभर सकते हैं?

छोड़ता है: अलग-अलग प्रजातियों को ट्रैक नहीं किया जाता, केवल कार्यात्मक समूहों को।

इस पर चलता है: लगभग 10^14 FLOPS मोटा अनुमान कई सिमुलेटेड वर्षों के लिए समूह-आधारित वैश्विक रन तब से: 2014 Emergent global patterns of ecosystem structure and function from a mechanistic general ecosystem model (2014) [स्रोत](https://doi.org/10.1371/journal.pbio.1001841)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)न्यूनतम परत: आबादियाँ

### मेटापॉपुलेशन गतिकी

एक प्रजाति भू-दृश्य में आवास के कई टुकड़ों में रहती है, कुछ में विलुप्त होती और दूसरों में फिर बसती है, और मॉडल पूछता है कि क्या पूरी प्रजाति टिकी रहती है।

वह सवाल जिसका यह जवाब देता है: क्या कोई प्रजाति टुकड़ों में बँटे भू-दृश्य में बचेगी?

छोड़ता है: प्रसार को सरल कर्नेल से दर्शाया गया है और स्थानीय आवास की गुणवत्ता स्थिर रखी गई है।

इस पर चलता है: लगभग 10^8 FLOPS मोटा अनुमान लैपटॉप पर पैच अधिभोग सिमुलेशन। तब से: 1994 हांस्की, मेटापॉपुलेशन गतिकी का एक व्यावहारिक मॉडल। [स्रोत](https://doi.org/10.2307/5591)

[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: आबादियाँ

### व्यक्ति-आधारित पारिस्थितिक मॉडल

हर पौधा या पशु अपनी अलग अवस्था के साथ दर्शाया जाता है, ताकि आबादी के पैटर्न कई अलग-अलग जीवनों से उभरें।

वह सवाल जिसका यह जवाब देता है: व्यक्तियों की पारस्परिक क्रियाओं से कौन-से आबादी पैटर्न उभरते हैं?

छोड़ता है: हर व्यक्ति के पैरामीटर मापना कठिन है और सत्यापन मुश्किल है।

इस पर चलता है: लगभग 10^9 FLOPS मोटा अनुमान वर्कस्टेशन पर किसी भू-दृश्य का व्यक्ति-आधारित सिमुलेशन। तब से: 1988 ह्यूस्टन, डीएंजेलिस और पोस्ट, नए कंप्यूटर मॉडल पारिस्थितिक सिद्धांत को एक करते हैं। [स्रोत](https://doi.org/10.2307/1310870)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)न्यूनतम परत: आबादियाँ

### प्रवाल-भित्ति लचीलेपन के मॉडल

प्रवाल, शैवाल और चरने वाली मछलियाँ भित्ति पर वृद्धि, चराई और व्यवधान के ज़रिए होड़ लेते हैं, और मॉडल पूछता है कि क्या भित्ति प्रवाल से शैवाल की ओर पलट सकती है।

वह सवाल जिसका यह जवाब देता है: कितनी चराई प्रवाल-भित्ति को शैवाल की ओर झुकने से रोकती है?

छोड़ता है: लार्वा आपूर्ति और तापन के प्रभाव सरल रूपों में मॉडल किए गए हैं।

इस पर चलता है: लगभग 10^8 FLOPS मोटा अनुमान वर्कस्टेशन पर स्थानिक रीफ़ सिमुलेशन। तब से: 2007 मम्बी, हेस्टिंग्स और एडवर्ड्स, थ्रेशहोल्ड और कैरिबियाई प्रवाल-भित्तियों का लचीलापन। [स्रोत](https://doi.org/10.1038/nature06252)

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: आबादियाँ

### स्थानिक परपोषी-परजीवी और कीट जालक

मेज़बान और परजीवाभ एक ग्रिड पर रहते हैं और स्थानीय रूप से चलते हैं। इससे जटिल सर्पिल और अराजक पैटर्न उभरते हैं, जो अन्यथा अस्थिर अंतःक्रियाओं को स्थिर कर देते हैं।

वह सवाल जिसका यह जवाब देता है: क्या स्थान शिकारी और शिकार को साथ रहने दे सकता है जब वे और किसी तरह साथ न रह पाते?

छोड़ता है: असली भू-दृश्य एकसमान ग्रिड नहीं होते।

इस पर चलता है: लगभग 10^6 FLOPS मोटा अनुमान लैपटॉप पर युग्मित-मानचित्र जालक। तब से: 1991 हैसेल, कॉमिन्स और मे, कीट आबादी की गतिकी में स्थानिक संरचना और अराजकता। [स्रोत](https://doi.org/10.1038/353255a0)

[सेलुलर ऑटोमेटा](https://simulation-hypothesis.com/hi/simulations/methods#m-cellular-automata)[जालक क्षेत्र सिद्धांत](https://simulation-hypothesis.com/hi/simulations/methods#m-lattice)न्यूनतम परत: आबादियाँ

### मत्स्य-प्रबंधन रणनीति का मूल्यांकन

एक सिमुलेटेड मछली-भंडार और उसका मत्स्य-उद्योग अलग-अलग पकड़ नियमों के तहत चलाए जाते हैं, शोरभरे डेटा और अनिश्चितता को हर नियम में लौटाते हुए, ताकि ऐसे नियम मिलें जो त्रुटि के बावजूद काम करें।

वह सवाल जिसका यह जवाब देता है: जब हमें स्टॉक का आकार न पता हो तो कौन-सा कटाई नियम उसे स्वस्थ रखता है?

छोड़ता है: ऑपरेटिंग मॉडल मत्स्य भंडार के जीवविज्ञान और मछुआरों के बारे में उन मान्यताओं पर टिके हैं जो ग़लत हो सकती हैं।

इस पर चलता है: लगभग 10^9 FLOPS मोटा अनुमान क्लस्टर पर प्रबंधन के हज़ारों सिमुलेटेड प्रक्षेपण। तब से: 1999 बटरवर्थ और पंट, प्रबंधन-प्रक्रियाओं के मूल्यांकन और क्रियान्वयन के अनुभव। [स्रोत](https://doi.org/10.1006/jmsc.1999.0532)

[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[मोंटे कार्लो](https://simulation-hypothesis.com/hi/simulations/methods#m-monte-carlo)न्यूनतम परत: आबादियाँ

### पोषण-स्तर द्रव्यमान-संतुलन पारिस्थितिकी मॉडल

समुद्री खाद्य-जाल को समूहों के बीच जैव-द्रव्यमान के संतुलित प्रवाह के रूप में बताया जाता है, फिर उसे समय में चलाकर देखा जाता है कि मछली पकड़ने या शिकारियों के बदलाव का क्या असर होता है।

वह सवाल जिसका यह जवाब देता है: जब एक प्रजाति की और ज़्यादा मछली पकड़ी जाए, तो पूरे पारिस्थितिकी तंत्र का क्या होता है?

छोड़ता है: समूहों को एक में मिला दिया गया है और आहार-डेटा अधूरा है।

इस पर चलता है: लगभग 10^7 FLOPS मोटा अनुमान लैपटॉप पर संतुलन और समय-गतिक रन। तब से: 1997 Walters, Christensen and Pauly, structuring dynamic models of exploited ecosystems from trophic mass-balance assessments. [स्रोत](https://doi.org/10.1023/a:1018479526149)

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[तंत्र गतिकी](https://simulation-hypothesis.com/hi/simulations/methods#m-system-dynamics)न्यूनतम परत: आबादियाँ

### प्लवक पारिस्थितिकी तंत्र मॉडल

समुद्र की सतही परत में पोषक तत्व, पादप-प्लवक, जंतु-प्लवक और अपरद वृद्धि, चराई और डूबने से जुड़े हैं।

वह सवाल जिसका यह जवाब देता है: प्रकाश, पोषक तत्व और मिश्रण पर प्लवक का उत्पादन कैसी प्रतिक्रिया देता है?

छोड़ता है: कई प्रजातियों को कुछ समूहों में मिला दिया गया है और पैरामीटर क्षेत्र-दर-क्षेत्र अलग हैं।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान क्लस्टर पर महासागर-परिसंचरण मॉडलों से जुड़ा। तब से: 1990 फ़ाशम, डकलो और मैकेल्वी, महासागर की मिश्रित परत में प्लवक-गतिकी का नाइट्रोजन-आधारित मॉडल। [स्रोत](https://doi.org/10.1357/002224090784984678)

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[तंत्र गतिकी](https://simulation-hypothesis.com/hi/simulations/methods#m-system-dynamics)न्यूनतम परत: आबादियाँ

### झील सुपोषण मॉडल

उथली झील में पोषक तत्व, शैवाल, पौधे और मछलियाँ मॉडल की जाती हैं, ताकि पूछा जा सके कि साफ़ पानी कब धुंधला हो जाता है और उसे कैसे बहाल किया जा सकता है।

वह सवाल जिसका यह जवाब देता है: कोई झील धुंधली होने से पहले कितना पोषक तत्व सह सकती है, और क्या बहाली उसे पलट देगी?

छोड़ता है: हर झील को अपना अंशांकन चाहिए और तलछट की गतिकी अनिश्चित है।

इस पर चलता है: लगभग 10^7 FLOPS मोटा अनुमान लैपटॉप पर साधारण अवकल समीकरण। तब से: 1995 जैन्से और फ़ान लीरे, PCLake, झील की बहाली के परिदृश्यों के मूल्यांकन का एक मॉडलिंग उपकरण। [स्रोत](https://doi.org/10.2166/wst.1995.0332)

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[तंत्र गतिकी](https://simulation-hypothesis.com/hi/simulations/methods#m-system-dynamics)न्यूनतम परत: आबादियाँ

### समुद्री लार्वा प्रसार और संयोजकता

आभासी लार्वा रीफ़ों से छोड़े जाते हैं और मॉडल की गई समुद्री धाराओं में बहते हैं, जिससे नक़्शा बनता है कि कौन-सी आबादी किन दूसरी आबादियों को आपूर्ति करती है।

वह सवाल जिसका यह जवाब देता है: कौन-सी रीफ़ किसे बीज देती है, और संरक्षित क्षेत्र कितना बड़ा होना चाहिए?

छोड़ता है: लार्वा के व्यवहार और मृत्यु का अवलोकन कम हुआ है।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान क्लस्टर पर महासागर मॉडल आउटपुट में कण-अनुरेखण। तब से: 2006 कोवेन और सहकर्मी, समुद्री आबादियों में जुड़ाव का पैमाना। [स्रोत](https://doi.org/10.1126/science.1122039)

[कण और N-पिंड](https://simulation-hypothesis.com/hi/simulations/methods#m-particles)[सतत क्षेत्र](https://simulation-hypothesis.com/hi/simulations/methods#m-continuum)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)न्यूनतम परत: आबादियाँ

### मधुमक्खी कॉलोनी और भू-दृश्य मॉडल

पूरी मधुमक्खी कॉलोनी के बच्चे, कामगार और भंडार दिन-ब-दिन सिमुलेट होते हैं, जिसमें चारा लाने वाली मक्खियाँ भू-दृश्य के फूलों से लेती हैं और घुन, कीटनाशक और मौसम से जूझती हैं।

वह सवाल जिसका यह जवाब देता है: क्या यह कॉलोनी इस भू-दृश्य में सर्दियाँ झेल पाएगी?

छोड़ता है: भू-दृश्य की फूलों की आपूर्ति और मधुमक्खियों के फ़ैसले सरल किए गए हैं, और रानी की विफलता व रोग केवल मोटे तौर पर शामिल हैं।

इस पर चलता है: लगभग 10^9 FLOPS मोटा अनुमान लैपटॉप पर हर कॉलोनी-वर्ष के लिए कुछ मिनट। तब से: 2014 बेकर और सहकर्मियों का मधुमक्खी की कॉलोनी की गतिकी और भोजन-खोज का BEEHAVE मॉडल। [स्रोत](https://doi.org/10.1111/1365-2664.12222)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[तंत्र गतिकी](https://simulation-hypothesis.com/hi/simulations/methods#m-system-dynamics)न्यूनतम परत: आबादियाँ

### भू-दृश्यों में परागण सेवा

जंगली मधुमक्खियों के घोंसले की जगहें और फूलों के संसाधन एक भू-दृश्य में दर्ज किए जाते हैं, और हर फ़सल खेत को उस पर आने वाले परागणकों का अनुमान दिया जाता है।

वह सवाल जिसका यह जवाब देता है: आसपास का आवास फ़सलों का कितना परागण देता है, और उसे हटा दिया जाए तो क्या होगा?

छोड़ता है: मधुमक्खी की भोजन-खोज को घोंसलों से दूरी-क्षय तक सीमित किया गया है, और मधुमक्खियों की बहुतायत असली फ़सल उपज का कमज़ोर संकेतक है।

इस पर चलता है: लगभग 10^8 FLOPS मोटा अनुमान लैपटॉप पर हर क्षेत्र के लिए कुछ सेकंड से मिनट। तब से: 2009 लॉन्सडॉर्फ़ और सहयोगियों का कृषि भू-दृश्यों में परागण सेवाओं का मॉडल। [स्रोत](https://doi.org/10.1093/aob/mcp069)

[सतत क्षेत्र](https://simulation-hypothesis.com/hi/simulations/methods#m-continuum)[नियम और अवस्थाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-rules)न्यूनतम परत: क्षेत्र

### हवा से बीज और पराग के फैलाव के मॉडल

अशांत हवा में छोड़े गए बीज और पराग हवा के साथ बहते हैं और यादृच्छिक रूप से गिरते हैं, जिससे वितरण बनता है कि वे कहाँ उतरते हैं।

वह सवाल जिसका यह जवाब देता है: किसी पौधे के बीज कितनी दूर जाते हैं, और वह कितनी तेज़ी से फैल सकता है?

छोड़ता है: दुर्लभ लंबी छलांगें प्रसार के लिए सबसे ज़्यादा मायने रखती हैं पर उन्हें मापना सबसे कठिन है, इसलिए वितरण की पूँछ ठीक से ज्ञात नहीं है।

इस पर चलता है: लगभग 10^8 FLOPS मोटा अनुमान लैपटॉप पर कुछ मिनट। तब से: 1989 ओकुबो और लेविन का बीजों और पराग के हवा से प्रकीर्णन के डेटा-विश्लेषण का सैद्धांतिक ढाँचा। [स्रोत](https://doi.org/10.2307/1937537)

[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[सतत क्षेत्र](https://simulation-hypothesis.com/hi/simulations/methods#m-continuum)न्यूनतम परत: क्षेत्र

### निकट-भविष्य पारिस्थितिक पूर्वानुमान

एक पारिस्थितिकी मॉडल को दिनों से सालों तक आगे चलाया जाता है और हर बार नए प्रेक्षण आने पर अद्यतन किया जाता है, जैसे मौसम के पूर्वानुमान में होता है।

वह सवाल जिसका यह जवाब देता है: क्या किसी झील, जंगल या मत्स्य-क्षेत्र की स्थिति का अगले मौसम के लिए ईमानदार त्रुटि-सीमाओं के साथ पूर्वानुमान लगाया जा सकता है?

छोड़ता है: पारिस्थितिकी डेटा मौसम के डेटा की तुलना में विरल हैं, और प्रक्रियाएँ कम जानी हुई हैं, इसलिए पूर्वानुमान अक्सर सरल आधार-रेखा से बस थोड़ा ही बेहतर होते हैं।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान क्लस्टर पर हज़ारों रनों के एन्सेम्बल, जिन्हें ताज़ा किया जाता है। तब से: 2018 डीट्ज़े और सहकर्मियों का पुनरावृत्त निकट-अवधि पारिस्थितिकी पूर्वानुमान का ढाँचा। [स्रोत](https://doi.org/10.1073/pnas.1710231115)

[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[तंत्र गतिकी](https://simulation-hypothesis.com/hi/simulations/methods#m-system-dynamics)[मोंटे कार्लो](https://simulation-hypothesis.com/hi/simulations/methods#m-monte-carlo)न्यूनतम परत: आबादियाँ

### आकार-स्पेक्ट्रम पारिस्थितिक तंत्र मॉडल

किसी पारिस्थितिकी तंत्र के सभी जीव शरीर के आकार से समूहित, जिनमें ऊर्जा खाने और खाए जाने के साथ छोटे से बड़े की ओर जाती है, और वृद्धि व मृत्यु केवल आकार से तय होती है।

वह सवाल जिसका यह जवाब देता है: मछली पकड़ने का दबाव समुद्र में छोटी और बड़ी मछलियों के संतुलन को कैसे बदलता है?

छोड़ता है: प्रजाति की पहचान अनदेखी की जाती है, इसलिए एक ही आकार के पर अलग आहार वाले शिकारी एक जैसे माने जाते हैं।

इस पर चलता है: लगभग 10^9 FLOPS मोटा अनुमान वर्कस्टेशन पर कुछ मिनट से कुछ घंटे। तब से: 1978 सिल्वर्ट और प्लैट का आकार के अनुसार पेलैजिक पारिस्थितिक तंत्र में ऊर्जा प्रवाह का समय-आश्रित समीकरण। [स्रोत](https://doi.org/10.4319/lo.1978.23.4.0813)

[सतत क्षेत्र](https://simulation-hypothesis.com/hi/simulations/methods#m-continuum)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[तंत्र गतिकी](https://simulation-hypothesis.com/hi/simulations/methods#m-system-dynamics)न्यूनतम परत: आबादियाँ

### तटस्थ समुदाय मॉडल

प्रजातियों का एक समुदाय, जिसमें जन्म, मृत्यु और प्रसार में सब एक जैसे माने जाते हैं। कौन सी प्रजाति आम होगी, यह केवल संयोग और प्रवासन तय करते हैं।

वह सवाल जिसका यह जवाब देता है: प्रजातियों की बहुतायत के पैटर्न का कितना हिस्सा उनके बीच किसी भी अंतर के बिना बन जाता है?

छोड़ता है: असली प्रजातियाँ साफ़ अलग होती हैं, इसलिए मॉडल किसी एक समुदाय के वर्णन की बजाय नल बेसलाइन के रूप में काम करता है।

इस पर चलता है: लगभग 10^9 FLOPS मोटा अनुमान लैपटॉप पर कुछ मिनट। तब से: 1976 कैसवेल का समुदाय-संरचना का तटस्थ मॉडल विश्लेषण। [स्रोत](https://doi.org/10.2307/1942257)

[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[मोंटे कार्लो](https://simulation-hypothesis.com/hi/simulations/methods#m-monte-carlo)[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: आबादियाँ

## विकास

### जनसंख्या आनुवंशिकी

जीन के रूप पीढ़ियों में बहते, उत्परिवर्तित होते और चुने जाते हैं।

वह सवाल जिसका यह जवाब देता है: जो विविधता हम देखते हैं, उसमें कितना संयोग है और कितना चयन?

छोड़ता है: असली आबादियाँ यादृच्छिक मेटिंग और स्थिर आकार की सरलीकृत मान्यताओं का उल्लंघन करती हैं।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक विश्वविद्यालय का क्लस्टर, जो जीनोम में बहाव और चयन सिमुलेट करता है तब से: 1964 तटस्थ सिद्धांत के तहत आनुवंशिक बहाव के शुरुआती कंप्यूटर सिमुलेशन

[मोंटे कार्लो](https://simulation-hypothesis.com/hi/simulations/methods#m-monte-carlo)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)न्यूनतम परत: आबादियाँ

### कोएलेसेंट और जातिवृत्तीय (फ़ाइलोजेनेटिक) सिमुलेशन

जीनों या प्रजातियों के वंश-वृक्ष, जिन्हें समय में पीछे की ओर सिमुलेट किया जाता है ताकि असली DNA पढ़ने की विधियाँ परखी जा सकें।

वह सवाल जिसका यह जवाब देता है: क्या यह विधि DNA से असली इतिहास वापस पा सकती है?

छोड़ता है: आबादी का सरल इतिहास मानता है; असली जनसांख्यिकी ज़्यादा जटिल है।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो समय में पीछे की ओर जीन-वृक्ष सिमुलेट करता है तब से: 1983 हडसन का जनसंख्या आनुवंशिकी के लिए शुरुआती कोएलेसेंट सिमुलेशन सॉफ़्टवेयर

[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)न्यूनतम परत: आबादियाँ

### जीवन की उत्पत्ति

सरल रसायन जो ऐसे नेटवर्क बनाते हैं जो खुद की नकल करते और होड़ करते हैं।

वह सवाल जिसका यह जवाब देता है: रसायन विज्ञान जीवविज्ञान की रेखा कैसे पार कर सकता है?

छोड़ता है: अब तक किसी सिमुलेशन ने ऐसा कुछ नहीं बनाया जिसे जीवित गिना जाए।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो स्व-प्रतिकृतिकारी रासायनिक नेटवर्क सिमुलेट करता है तब से: 1971 आइगेन और शुस्टर के स्वयं-प्रतिकृतिकारी रसायन के हाइपरचक्र मॉडल

[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)न्यूनतम परत: अणु

### मेज़बान-परजीवी सह-विकास

मेज़बान सुरक्षा बनाते हैं और परजीवी उनकी काट विकसित करते हैं। हर पीढ़ी की सिमुलेटेड आबादी दूसरे पर प्रतिक्रिया देती है, एक मॉडल की गई हथियारों की होड़ में, जिसमें कोई तय विजेता नहीं होता।

वह सवाल जिसका यह जवाब देता है: क्या मेज़बान-परजीवी की होड़ संतुलन पर पहुँचती है, या अनिश्चित काल तक चलती रहती है और किसी भी पक्ष को टिकाऊ लाभ नहीं मिलता?

छोड़ता है: असली मेज़बान और परजीवी अपने परिवेश की हर दूसरी चीज़ के साथ एक ही समय में सह-विकसित होते हैं।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो कई पीढ़ियों का सह-विकास मॉडल चलाता है तब से: 1990 सह-विकास की रेड क्वीन परिकल्पना को परखने वाले शुरुआती सिमुलेशन

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)न्यूनतम परत: आबादियाँ

### प्रजातिकरण और स्थूल-विकास मॉडल

वंश-शाखाएँ जो लाखों सिमुलेटेड वर्षों में बँटती, टिकती और विलुप्त होती हैं, ताकि परखा जाए कि सरल नियम विविधता और वंश-वृक्ष के आकार के कौन-से पैटर्न पैदा करेंगे।

वह सवाल जिसका यह जवाब देता है: क्या हमें दिखने वाली प्रजातियों का पैटर्न केवल वंशों के सरल जन्म और मृत्यु से आ सकता था?

छोड़ता है: जीवाश्म और आनुवंशिक रिकॉर्ड अधूरे हैं, इसलिए कई अलग नियम उसी पैटर्न पर बैठ सकते हैं।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो जन्म-मृत्यु शाखन प्रक्रियाएँ सिमुलेट करता है तब से: 1969 विकासवादी वृक्षों के अध्ययन में इस्तेमाल हुए विविधीकरण के शुरुआती जन्म-मृत्यु मॉडल

[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[मोंटे कार्लो](https://simulation-hypothesis.com/hi/simulations/methods#m-monte-carlo)न्यूनतम परत: आबादियाँ

### यौन चयन और साथी चुनाव का विकास

एक सिमुलेटेड आबादी, जिसमें कोई अलंकरण और उसके लिए पसंद साथ-साथ विकसित होते हैं, ताकि परखा जा सके कि क्या अकेली मादा की पसंद ही बेकाबू होकर किसी चरम तक पहुँच सकती है।

वह सवाल जिसका यह जवाब देता है: क्या अकेला साथी-चयन किसी गुण को फिज़ूलख़र्च, महँगे चरम तक पहुँचा सकता है?

छोड़ता है: मानता है कि पसंद और गुण सीधे वंशानुगत हैं, जो ज़्यादातर असली साथी-चयन से सरल है।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो जुड़े हुए गुणों का आनुवंशिक मॉडल चलाता है तब से: 1981 लैंडे का बेक़ाबू यौन चयन का जनसंख्या-आनुवंशिक मॉडल

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)न्यूनतम परत: आबादियाँ

### सह-विकास की अनुकूली गतिकी

कोई गुण छोटे असर वाले उत्परिवर्तनों से विकसित होता है, जिन्हें मौजूदा आबादी के सामने परखा जाता है, जो विकासात्मक रूप से स्थिर अवस्थाओं तक ले जाते हैं या शाखाओं में बँट जाते हैं।

वह सवाल जिसका यह जवाब देता है: विकास कहाँ ठहरता है, और कोई वंशावली कब बँटती है?

छोड़ता है: दुर्लभ उत्परिवर्तन और सरल गुण-समष्टियाँ मानता है।

इस पर चलता है: लगभग 10^6 FLOPS मोटा अनुमान लैपटॉप पर विश्लेषण और सिमुलेशन। तब से: 1996 डीकमैन और लॉ, प्रसंभाव्य पारिस्थितिकी प्रक्रियाओं से निकला सह-विकास का गतिक सिद्धांत। [स्रोत](https://doi.org/10.1007/bf02409751)

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)न्यूनतम परत: नियम

### जीन-ड्राइव आबादी मॉडल

एक आनुवंशिक तत्व, जो सामान्य वंशागति से तेज़ी से फैलता है, मॉडल की गई आबादी में छोड़ा जाता है, ताकि पूछा जा सके कि क्या वह किसी कीट प्रजाति को दबा या बदल सकता है।

वह सवाल जिसका यह जवाब देता है: क्या जीन ड्राइव जंगली आबादी में फैलेगा, और क्या प्रतिरोध उसे रोक सकता है?

छोड़ता है: रिहाई से पहले असली प्रकीर्णन और प्रतिरोध का विकास ठीक से ज्ञात नहीं है।

इस पर चलता है: लगभग 10^8 FLOPS मोटा अनुमान वर्कस्टेशन पर आनुवंशिकी के साथ स्थानिक जनसंख्या सिमुलेशन। तब से: 2003 बर्ट, स्थल-विशिष्ट स्वार्थी जीन, प्राकृतिक आबादियों के नियंत्रण और आनुवंशिक अभियांत्रिकी के औज़ार के रूप में। [स्रोत](https://doi.org/10.1098/rspb.2002.2319)

[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: आबादियाँ

### फ़ॉरवर्ड-टाइम जीनोम सिमुलेशन

हर व्यक्ति और उसका जीनोम पीढ़ियों में देखा जाता है, चयन, सहलग्नता और भिन्न जनसांख्यिकी के साथ, ताकि पता चले कि असली DNA के पैटर्न कैसे बनते हैं।

वह सवाल जिसका यह जवाब देता है: चयन और आबादी का इतिहास किसी प्रजाति के जीनोम में क्या छोड़ जाते हैं?

छोड़ता है: आबादी के आकार को रन संभव रखने के लिए घटाया जाता है, जो चयन और आनुवंशिक अपवाह के संतुलन को बिगाड़ता है।

इस पर चलता है: लगभग 10^14 FLOPS मोटा अनुमान कई पीढ़ियों में बड़ी आबादी के लिए क्लस्टर पर कुछ दिन। तब से: 2013 मेसर का SLiM, चयन और सहलग्नता वाला विकास का अग्र-समय सिमुलेटर। [स्रोत](https://doi.org/10.1534/genetics.113.152181)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)न्यूनतम परत: आबादियाँ

### पशुओं की भिड़ंत की रणनीतियाँ

किसी संसाधन के लिए यादृच्छिक रूप से मिलने वाले व्यक्ति निश्चित रणनीतियों में से चुनते हैं, और मिश्रण ऐसे बिंदु पर टिकता है जिसे कोई उत्परिवर्ती बेहतर नहीं कर सकता।

वह सवाल जिसका यह जवाब देता है: दूसरे जो करें उसे देखते हुए लड़ना या पीछे हटना कब बेहतर नीति है?

छोड़ता है: पशुओं को रणनीतियों की छोटी सूची में समेट दिया गया है, जिसमें सीखना, स्मृति या व्यक्तिगत भिन्नताएँ नहीं हैं।

इस पर चलता है: लगभग 10^6 FLOPS मोटा अनुमान लैपटॉप पर कुछ सेकंड। तब से: 1973 मेनार्ड स्मिथ और प्राइस का 'The logic of animal conflict'. [स्रोत](https://doi.org/10.1038/246015a0)

[खेल सिद्धांत](https://simulation-hypothesis.com/hi/simulations/methods#m-game-theory)[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: आबादियाँ

## संरक्षण और आरक्षित-क्षेत्र का डिज़ाइन

### जनसंख्या व्यवहार्यता विश्लेषण

एक छोटी, संकटग्रस्त आबादी के जन्म, मृत्यु और आपदाओं को कई बार आगे चलाया जाता है, ताकि अनुमान लगे कि उसके बचे रहने की कितनी संभावना है और कितने समय तक।

वह सवाल जिसका यह जवाब देता है: अगले सौ साल में यह आबादी विलुप्त हो जाए, इसकी कितनी संभावना है?

छोड़ता है: किसी दुर्लभ प्रजाति के छोटे नमूने इनपुट संख्याओं को ही बहुत अनिश्चित बना देते हैं।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो हज़ारों प्रसंभाव्य प्रक्षेप-पथ चलाता है तब से: 1980 संकटग्रस्त प्रजातियों के विलुप्ति-जोखिम का अनुमान लगाने वाले शुरुआती प्रसंभाव्य मॉडल

[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[मोंटे कार्लो](https://simulation-hypothesis.com/hi/simulations/methods#m-monte-carlo)न्यूनतम परत: आबादियाँ

### अभ्यारण्य और गलियारा डिज़ाइन

उम्मीदवार स्थलों और उनके बीच की कड़ियों को लागत और उन प्रजातियों के हिसाब से अंक दिए जाते हैं जिन्हें वे बचाएँगे, और ऐसे सबसे छोटे आरक्षित-क्षेत्रों के जाल की खोज होती है जो सबसे ज़्यादा को ढक ले।

वह सवाल जिसका यह जवाब देता है: ज़मीन के कौन-से टुकड़े मिलकर सबसे कम लागत में सबसे ज़्यादा प्रजातियों को बचाते हैं?

छोड़ता है: उपलब्ध प्रजाति-डेटा के हिसाब से अनुकूलन करता है, जो वहाँ असल में रहने वालों का एक छोटा-सा अंश है।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो आरक्षित क्षेत्र चुनने का अनुकूलन हल करता है तब से: 1988 संरक्षण नियोजन के लिए शुरुआती व्यवस्थित आरक्षित-क्षेत्र चयन एल्गोरिदम

[मोंटे कार्लो](https://simulation-hypothesis.com/hi/simulations/methods#m-monte-carlo)[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)न्यूनतम परत: आबादियाँ

### पुनर्स्थापन और स्थानांतरण की योजना

संस्थापकों का एक छोटा समूह नए या पूर्व आवास में छोड़ा जाता है, और आगे देखा जाता है कि वह जम पाता है या नहीं, इलाके की धारण-क्षमता और संस्थापकों की आनुवंशिकी को देखते हुए।

वह सवाल जिसका यह जवाब देता है: क्या इन जानवरों को यहाँ छोड़ने से सचमुच टिकाऊ आबादी बसेगी?

छोड़ता है: रिलीज़ स्थल पर आवास की गुणवत्ता और रोग के जोखिम का अक्सर मोटा अनुमान लगाया जाता है, उन्हें मापा नहीं जाता।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो संस्थापक-आबादी का मॉडल चलाता है तब से: 1990 किसी बड़े स्तनपायी को दोबारा बसाने की योजना में इस्तेमाल हुए शुरुआती सिमुलेशन मॉडल

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)न्यूनतम परत: शरीर

### आक्रामक प्रजातियों का प्रसार

कोई लाई गई प्रजाति भू-दृश्य में कोष्ठ-दर-कोष्ठ फैलती है, और देखा जाता है कि बाधाएँ, कलिंग (चुनिंदा मारण) या जैविक नियंत्रण उसे कितनी दूर तक पहुँचने देते हैं।

वह सवाल जिसका यह जवाब देता है: यह आक्रामक प्रजाति कितनी तेज़ी से फैलेगी, और नियंत्रण का प्रयास पहले कहाँ जाना चाहिए?

छोड़ता है: नए आक्रमणकारी अक्सर ऐसे तरीक़ों से फैलते हैं जिनके लिए कोई पिछला आक्रमण मॉडल को तैयार नहीं कर पाया।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो भू-दृश्य में फैलाव का मॉडल चलाता है तब से: 1951 स्केलम का फैलती आबादी का विसरण मॉडल

[सेलुलर ऑटोमेटा](https://simulation-hypothesis.com/hi/simulations/methods#m-cellular-automata)[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: आबादियाँ

### अवैध शिकार और उसके विरुद्ध गश्त के खेल

रेंजर और शिकारी संरक्षित क्षेत्र के नक़्शे पर दोहराए गए खेल में खिलाड़ी के रूप में, ताकि तय हो कि गश्त कहाँ जाए जब वह हर जगह नहीं हो सकती।

वह सवाल जिसका यह जवाब देता है: सीमित रेंजर कहाँ गश्त करें ताकि एक रणनीतिक शिकारी के ख़िलाफ़ सबसे ज़्यादा असर हो?

छोड़ता है: मानकर चलता है कि अवैध शिकारी तर्कसंगत और धैर्यवान है, जबकि बहुत कुछ मौक़ा देखकर होता है।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो गश्त के नक्शे पर सुरक्षा खेल हल करता है तब से: 2014 वन्यजीव रेंजरों की गश्त की समय-सारणी पर लागू शुरुआती सुरक्षा-खेल मॉडल

[खेल सिद्धांत](https://simulation-hypothesis.com/hi/simulations/methods#m-game-theory)न्यूनतम परत: नियम

### रीवाइल्डिंग और पोषण-स्तर कैस्केड मॉडलिंग

किसी शिकारी या दूसरी कीस्टोन प्रजाति को खाद्य-जाल में वापस जोड़ा जाता है, और शिकार, वनस्पति और नदियों तक पर उसके शृंखलाबद्ध असर देखे जाते हैं।

वह सवाल जिसका यह जवाब देता है: अगर हम इस प्रजाति को वापस लाएँ तो बाक़ी पारिस्थितिकी का क्या होता है?

छोड़ता है: मशहूर शृंखला-प्रभाव सामने आने में दशकों लगे और उन्हें बाद में मॉडल करना भविष्यवाणी करने से आसान है।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान एक डेस्कटॉप वर्कस्टेशन, जो बहु-प्रजाति खाद्य-जाल मॉडल चलाता है तब से: 1995 येलोस्टोन में फिर से बसाए गए भेड़िये, जिनके शृंखला-प्रभावों को बाद में मॉडल किया गया

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: आबादियाँ

[◂ जीवन और चिकित्सा](https://simulation-hypothesis.com/hi/simulations/life-medicine)[कृषि और भोजन ▸](https://simulation-hypothesis.com/hi/simulations/agriculture-food)