Conway의 Python 인생 게임

또 다른 에이전트 기반 시뮬레이션 예시! 이 기사에서는 에이전트 기반 모델링 프레임워크 abm_framework 를 사용하여 Python에서 Conway의 인생 게임을 구현할 것 입니다. 프레임워크는 아래 링크를 클릭하면 찾을 수 있습니다.

링크 : https://github.com/LinnartSF/abm_framework

Conway의 인생 게임은 에이전트 기반 모델링에 대한 좋은 소개이며 바로 이러한 이유로 대학에서도 가르치고 있습니다. 또한 일반적으로 Python 프로그래밍에 대한 좋은 소개입니다.

최근 에 에이전트 기반 모델링을 위해 Python에서 abm_framework 를 구현하는 방법에 대한 다양한 예를 공유했습니다. 여기에서 프레임워크를 찾을 수 있습니다.

다음 섹션에서는 Conway의 인생 게임 규칙을 설명합니다. 그 후 저는 Python으로 인생 게임을 구현합니다.

Conway의 인생 게임 규칙

개념적으로 인생 게임은 그리드로 구성됩니다. 셀의 모든 그리드는 에이전트에 의해 채워집니다. 에이전트는 죽거나 살았습니다. 초기 상태에서 시작하여 삶의 게임은 반복할 때 반복을 업데이트합니다. 각 반복 동안 다음 규칙이 적용됩니다.

에이전트가 살아 있고 인접한 세포에 2~3개의 살아있는 에이전트가 있는 경우 에이전트는 다음 라운드까지 생존합니다. 그런 다음 다음 라운드에서 살아 있습니다. 그렇지 않으면 에이전트가 죽고 다음 라운드에서 죽습니다.
죽은 에이전트의 이웃에 정확히 3개의 살아있는 에이전트가 있는 경우 에이전트는 다시 태어나고 다음 라운드에서 살아 있습니다.

이러한 규칙은 Conway의 인생 게임을 모델링하는 데 충분합니다. 시뮬레이션 시작 시 에이전트에 의해 정의된 초기 상태는 시뮬레이션을 실행하는 데 필요한 유일한 입력입니다. 이 기사에서는 세 가지 버전의 모델을 실행합니다. 처음 두 버전에는 살아있는 에이전트 세포의 무작위 초기 분포가 있습니다. 세 번째 버전에는 살아있는 에이전트의 특정 초기 종자 패턴이 있습니다. 첫 번째와 세 번째 버전에서 그리드는 끝이 없습니다. 즉, 왼쪽 그리드에서 나가면 오른쪽 그리드로 들어가고 상단 그리드에서 나가면 하단 그리드로 들어갑니다. 두 번째 버전은 경계가 있는 그리드, 즉 무한하지 않은 그리드를 적용합니다.

파이썬으로 인생 게임 구현하기

Python 에서 abm_framework (Github에서 사용 가능)를 사용하여 Python에서 모델을 구현합니다. 100개의 셀이 있는 시뮬레이션 그리드를 만듭니다. 초기 상태(시드라고 함)는 그리드에 무작위로 분포된 50개의 살아있는 에이전트로 구성됩니다. 아래 코드는 시뮬레이션 모델 의 무한 그리드 버전을 구현합니다 .

__author__ = "Linnart Felkl"
__email__ = "LinnartSF@gmail.com"

if __name__ == "__main__":

    print("demo starts")

    import sys
    from pathlib import Path
    file = Path(__file__).resolve()
    parent, root = file.parent, file.parents[1]
    sys.path.append(str(root))

    # remove the current file's directory from sys.path, unless already removed
    try:
        sys.path.remove(str(parent))
    except ValueError:
        pass

    import data
    import stats
    import config
    import framework
    import random
    import animation

    # setup database manager and connection
    db = data.Database("sqlite3", config.path_databasefile)
    db_manager = data.Manager(db)
    
    # create an empty environment
    env = framework.Environment(1, True, 10, 10, db_manager) # Environment constructor implicitly resets environment table in database

    # create initial population of healthy humans
    attrs = ["life_t0","life_t1"]
    datatypes = ["INTEGER","INTEGER"]
    pops = framework.Populations(amount = 1, env = env, db_manager = db_manager, attributes = attrs, datatypes = datatypes)
    pops.add_population(name = "units", 
                        size = 100, 
                        attributes = attrs, 
                        datatypes = datatypes, 
                        initialvals = [0, 0]
                        )
   
    # set seed of simulation (number of agents alive and their pattern)
    agents = pops.get_agents()
    random.shuffle(agents)
    for i in range(50):
        agents[i].set_attr_value("life_t0",1)

    # setup simulation
    sim = framework.Simulation(50)

    # make sure that environment and agents tables in database are setup at this time
    pops.write_env_to_db(sim.Iteration)
    pops.write_agents_to_db(sim.Iteration)

    # execute simulation run; with centralized simulation control
    while sim.run():
        
        for agent in agents:

            # get that agents neighbourhood
            neighbours = env.get_neighbourhood(agent, mode = "moore", radius = 1)

            _neighbours_alive = 0
            for neighbour in neighbours:
                
                if neighbour.get_attr_value("life_t0") == 1: 
                    _neighbours_alive  += 1

            if agent.get_attr_value("life_t0") == 1: 

                if _neighbours_alive == 2 or _neighbours_alive == 3: 
                    
                    agent.set_attr_value("life_t1", 1)

                else:

                    agent.set_attr_value("life_t1", 0)

            elif _neighbours_alive == 3:

                agent.set_attr_value("life_t1", 1)

            else:

                agent.set_attr_value("life_t1", 0)
                
        # update results in database, for agents and for environment
        pops.write_agents_to_db(sim.Iteration)
        pops.write_density_to_db(sim.Iteration)

        # update attributes for next round
        for agent in agents:

            agent.set_attr_value("life_t0", agent.get_attr_value("life_t1"))
    
    # get dataframes with simulation results
    density_df = db_manager.get_densitydf()

    # visualize simulation data
    stats.set_fontsizes(8,10,12)

    animation.animate_density(
        df = density_df,
        filename = "gol_randomendless",
        attr = "life_t1",
        defaultsize = 50,
        color = "black",
        tpf = 0.30
    )

    # end program
    db.close()
    print("demo ends")

모델의 두 번째 버전에서는 무한하지 않은 그리드를 구현했습니다. 코드에서 유일한 조정은 환경 생성자 호출에서 무한 그리드 인수를 True 대신 False로 설정하는 것입니다.

Conway의 인생 게임 애니메이션

아래는 Python에서 Conway의 인생 게임의 애니메이션입니다. 첫 번째 애니메이션은 무한 그리드로 모델을 나타냅니다.

아래에 표시된 두 번째 애니메이션은 경계가 있는 그리드가 있는 모델을 나타냅니다.

마지막으로 특정 초기 모델 상태를 정의한 시나리오를 실행합니다. 애니메이션은 아래에서 볼 수 있으며 끝없는 그리드를 나타냅니다.

간단한 Google 쿼리를 수행하면 다양한 삶의 게임 예를 찾을 수 있습니다. 또한 자신의 시드를 지정하고 모델을 단계별로 실행하는 데 사용할 수 있는 다양한 도구가 있습니다.

끝 맺는 말

이 기사에서는 abm_framework 라는 프레임워크를 사용하여 Python으로 Conway의 인생 게임을 구현 했습니다 . 그리드 경계 정의(무한 대 무한 아님)와 초기 시드(임의의 초기 시드 대 특정 초기 시드)가 다른 세 가지 시나리오를 실행했습니다. Python으로 인생 게임을 구현하는 에이전트 기반 모델링을 배우고 싶다면 좋은 첫 번째 단계가 될 수 있습니다.