trudyniisiТруды НИИСИSRISA Proceedings2225-73493033-6422НИЦ «КУРЧАТОВСКИЙ ИНСТИТУТ» - НИИСИ10.25682/NIISI.2025.1.0009trudyniisi-7Research ArticleИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕARTIFICIAL INTELLIGENCE AND MACHINE LEARNINGМодель обороны коллектива слабых мирных агентов от сильного агента-хищникаModeling the Defense of Weak Prey Agents Against a Strong Predator AgentРедькоВ. Г.Red’koV. G.

Москва

vgredko@gmail.comНИЦ «КУРЧАТОВСКИЙ ИНСТИТУТ» — НИИСИNRC "Kurchatov Institute" — SRISA202529092025151МАТЕМАТИЧЕСКОЕ И КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ СЛОЖНЫХ СИСТЕМ: ТЕОРЕТИЧЕСКИЕ И ПРИКЛАДНЫЕ АСПЕКТЫ6571Copyright © Редько В.Г., 20252025Редько В.Г.Red’ko V.G.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.t-niisi.ru/jour/article/view/7

Построена и изучена модель взаимодействия сообщества относительно слабых мирных агентов в клеточном мире с сильным агентом-хищником. Агент-хищник может нападать на мирных агентов, убивать и съедать их. Внутренняя система управления мирного агента представляет собой нейронную сеть. Имеются две стратегии мирных агентов: 1) обычная мирная жизнь, 2) оборона от сильного агента-хищника. В первой стратегии мирные агенты выполняют следующие действия: находиться в состоянии покоя, питаться, размножаться, перемещаться по миру. Во второй стратегии действия мирных агентов таковы: уход от агента хищника, угроза агенту-хищнику, нападение на агента-хищника. Выходами нейронной сети являются сигналы, определяющие действия мирного агента. Агент-хищник выполнять следующие действия: находиться в состоянии покоя, уходить от угрожающих мирных агентов, нападать на мирных агентов. Повеление агента-хищника определяется простыми логическими правилами. Анализ модели производился путем компьютерного моделирования. Показано, что при достаточно естественном выборе параметров модели коллектив мирных агентов побеждает агента-хищника, а именно, с течением времени ресурс мирных агентов уверенно растёт, а ресурс агента-хищника в итоге уменьшается до нуля, т.е. агент-хищник погибает. Также продемонстрировано, что для обеспечения способности к такой обороне, мирным агентам нужно достаточно большое количество пищи. При малом количестве пищи мирных агентов агент-хищник подавляет мирных агентов. 

We constructed and studied a model of interaction between a community of relatively weak prey  agents and a strong predator agent in a two‑dimensional grid world (a lattice environment typical of grid automata and agent-based models). The predator can attack, kill, and consume prey agents. Each prey agent is controlled by a neural network and adopts one of two behavioral strategies: (1) normal activity, or (2) defense against the predator. In the normal activity strategy, prey agents lie dormant, feed, breed, and move through the grid. In the defense strategy, they attempt to escape, threaten, or attack the predator. The neural network outputs control each agent’s ac tions. The predator follows a simpler, rule-based protocol: it can lie dormant, evade threatening prey, or attack them. Its behavior is governed by basic logic. We analyzed the model using computer simulations. We found that, with realistic parameters, the prey agents collectively overcome the predator: prey resource levels increase steadily, while the predator’s resources decline to zero, leading to its extinction. We also discovered that successful defense requires a sufficiently abundant food supply; when prey food is scarce, the predator successfully suppresses the prey population. We used computer simulation to analyze the model. When the prey agents’ food supply is low, the predator agent suppresses the prey agents. 

мирные агентыагент-хищникборьба между агентамиprey agentspredatory agentprey-predator struggleReferencesC.G. Langton (ed.). Artificial Life: The Proceedings of an Interdisciplinary Workshop on the Synthe sis and Simulation of Living Systems. Redwood City CA: Addison-Wesley, 1989.C.G. Langton (ed.). Artificial Life: The Proceedings of an Interdisciplinary Workshop on the Synthe sis and Simulation of Living Systems. Redwood City CA: Addison-Wesley, 1989.C.G. Langton, C. Taylor, J.D. Farmer, S. Rasmussen (eds.). Artificial Life II: Proceedings of the Second Artificial Life Workshop. Redwood City CA: Addison-Wesley, 1992.C.G. Langton, C. Taylor, J.D. Farmer, S. Rasmussen (eds.). Artificial Life II: Proceedings of the Second Artificial Life Workshop. Redwood City CA: Addison-Wesley, 1992.L.S. Yaeger. Computational genetics, physiology, metabolism, neural systems, learning, vision, and behavior or PolyWorld: Life in a new context. In: C.G. Langton (Ed.). Proceedings of the Artificial Life III Conference. Reading, Mass.: Addison-Wesley, 1994, 263–298.L.S. Yaeger. Computational genetics, physiology, metabolism, neural systems, learning, vision, and behavior or PolyWorld: Life in a new context. In: C.G. Langton (Ed.). Proceedings of the Artificial Life III Conference. Reading, Mass.: Addison-Wesley, 1994, 263–298.D. Ackley, M. Littman. Interactions between learning and evolution. In [2], 487–509.D. Ackley, M. Littman. Interactions between learning and evolution. In [2], 487–509.M. Burtsev, P. Turchin. Evolution of cooperative strategies from first principles. “Nature”, V. 440 (2006), No. 7087, 1041–1044.M. Burtsev, P. Turchin. Evolution of cooperative strategies from first principles. “Nature”, V. 440 (2006), No. 7087, 1041–1044.K. Lorenz. On Aggression. London, New York, Routledge Classics, 2002.K. Lorenz. On Aggression. London, New York, Routledge Classics, 2002.V.G. Red’ko. Model of collective interaction in competing groups of autonomous agents. In: V. Redko, D. Yudin, W. Dunin-Barkowski, B. Kryzhanovsky, Y. Tiumentsev (eds). Advances in Neural Com putation, Machine Learning, and Cognitive Research VIII. NI 2024. Studies in Computational Intelligence, V. 1179, Springer, Cham, 2025, 345–352.V.G. Red’ko. Model of collective interaction in competing groups of autonomous agents. In: V. Redko, D. Yudin, W. Dunin-Barkowski, B. Kryzhanovsky, Y. Tiumentsev (eds). Advances in Neural Com putation, Machine Learning, and Cognitive Research VIII. NI 2024. Studies in Computational Intelligence, V. 1179, Springer, Cham, 2025, 345–352.M.A. Semenov, D.A. Terkel. Об эволюции механизмов изменчивости посредством косвенного отбора. Journal of General Biology, Vol. 46 (1985), No. 2, pp. s271–277.M.A. Semenov, D.A. Terkel. Об эволюции механизмов изменчивости посредством косвенного отбора. Journal of General Biology, Vol. 46 (1985), No. 2, pp. s271–277.Red’ko V.G A Model of Interaction and Competition Between Two Types of Autonomous Agents. Russian Journal of Cybernetics. Vol. 6 (2025), No. 1, pp. 128–136.Red’ko V.G A Model of Interaction and Competition Between Two Types of Autonomous Agents. Russian Journal of Cybernetics. Vol. 6 (2025), No. 1, pp. 128–136.

The authors declare that there are no conflicts of interest present.