5D Library › 集群动力学、耦合振子同步与分布式共识的数学模型 · English
第一章 藏本(库拉莫托)模型:耦合振子的同步相变与掌声
从萤火虫到一个可解的模型
一群各有快慢的振子——闪光的萤火虫、心脏起搏细胞、拍手的观众——互相影响时,什么时候会步调一致?温弗里 1967 年最早把这个问题写成「许多相互作用的极限环振子」的群体问题,并在模拟中看到:当频率的离散度减小到某个程度时,一部分振子会突然「冻结」成同步的一团,像是时间上的相变 (Winfree 1967)。藏本(库拉莫托)(库拉莫托,Kuramoto Yoshiki,蔵本由紀)1975 年把温弗里的设想简化成一个可以精确求解的模型,最初只是《物理学讲义》第 39 卷里一篇三页的短文 (Kuramoto 1975),后来在专著中系统展开 (Kuramoto 1984)。斯特罗加茨 2000 年的综述梳理了这个模型从提出到严格分析的经过 (Strogatz 2000),阿塞布龙等人 2005 年的综述则覆盖了它的大量推广 (Acebrón et al. 2005)。
藏本(库拉莫托)模型中,第 个振子只用一个相位 描述,自然频率 从分布 中抽取,每一对振子以相位差的正弦相互拉拢: 是耦合强度。这里假设了三件事:每个振子与所有其他振子等强度地耦合(全局耦合),耦合只取决于相位差,而且振子本身的振幅不变。这些假设使模型可解,也正是它与现实系统的距离所在。
复序参量与自洽方程
藏本(库拉莫托)的关键一步是引入复序参量 衡量整体的相干程度:所有相位相同时 ,相位均匀散开时 ; 是平均相位。代入模型,每个振子的方程变成 每个振子不再与其他 个振子分别交互,而只受「平均场」的作用,强度为 。这使得模型可以自洽地求解: 由振子的相位决定,振子的相位又由 决定。
推导
自洽方程的推导。 设 , 关于 0 对称(取旋转参考系使平均频率为 0),并寻找 与 不随时间变化的定态,取 。
的振子会锁定在 处(取 的稳定解); 的振子漂移,它们在圆周上的定态密度与速度成反比,关于 对称,对 没有贡献。所以 其中用了换元 。(非相干态)总是解; 的解满足 令 ,右边趋于 ,于是部分锁定态出现的阈值为
这个推导隐含了几个条件,框架中只写了公式,这里逐条列出 (Strogatz 2000)。第一,:有限人数时 一直在涨落,不存在严格的相变点。第二, 对称且单峰(在 上不增),否则可能出现多个锁定群或振荡的序参量。第三,全局耦合:在稀疏网络上,阈值还取决于网络结构(第二章)。第四,它只说明 时出现了部分锁定的定态,稳定性要另行证明;斯特罗加茨与米罗洛证明了非相干态在 时中性稳定、 时不稳定。
相变的阶数取决于频率分布
阈值以上 怎样增长,取决于 的形状。洛伦兹分布 时,,并且 对所有 精确成立 (Kuramoto 1984)。奥特与安东森 2008 年进一步证明,洛伦兹分布下整个群体的宏观动力学可以约化为 的一个常微分方程,定态就是这一结果 (Ott and Antonsen 2008)。一般的光滑单峰分布只在阈值附近有平方根律 时为连续的超临界分岔,即统计物理中的二级相变 (Strogatz 2000)。均匀分布的 ,又在边缘有断点,帕索 2005 年证明这时相变是一级的: 在 处从 0 跳到 ,此后 按 增长 (Pazó 2005)。在 处 恰好等于频率分布的半宽,全部振子同时锁定,不存在部分锁定的中间阶段;所以对均匀分布而言, 是非相干态失稳、完全锁定态出现的阈值,上面推导中「部分锁定态出现」的说法只适用于光滑单峰分布。
程序对三种尺度为 1 的分布(洛伦兹 、高斯 、 上的均匀分布)数值求解自洽方程:给定 ,先判断 时右边是否大于 1,再用二分法求 。洛伦兹的结果与精确解比较,高斯的结果与平方根律比较,均匀分布检查 的跳跃与 次幂。
推导
# Kuramoto model, N -> infinity: partially locked state from the self-consistency
# condition 1 = K * integral_{-pi/2}^{pi/2} cos^2(t) g(K r sin t) dt (r > 0).
# Three symmetric unimodal frequency densities, each of scale 1:
# Lorentz (gamma = 1), Gauss (sigma = 1), uniform on [-1, 1].
import math
DENS = {"Lorentz": lambda w: 1 / (math.pi * (1 + w * w)),
"Gauss": lambda w: math.exp(-w * w / 2) / math.sqrt(2 * math.pi),
"uniform": lambda w: 0.5 if abs(w) <= 1 else 0.0}
def F(K, r, g, m=4000): # midpoint rule (handles the uniform cut-off)
h = math.pi / m
return K * h * sum(math.cos(t) ** 2 * g(K * r * math.sin(t))
for t in (-math.pi / 2 + (j + 0.5) * h for j in range(m)))
def r_of_K(K, g):
if F(K, 1e-9, g) <= 1: # incoherence is the only state (K <= K_c)
return 0.0
lo, hi = 1e-9, 1.0 # F decreases with r for these densities
for _ in range(50):
mid = (lo + hi) / 2
lo, hi = (mid, hi) if F(K, mid, g) > 1 else (lo, mid)
return (lo + hi) / 2
if __name__ == "__main__":
Kc = {k: 2 / (math.pi * g(0)) for k, g in DENS.items()}
print("K_c = 2/(pi g(0)): " + " ".join(f"{k} {v:.4f}" for k, v in Kc.items()))
print(" K/K_c Lorentz sqrt(1-Kc/K) Gauss sqrt-law uniform")
for x in (0.95, 1.0001, 1.01, 1.05, 1.10, 1.25, 1.50, 2.00, 3.00):
rl, rg, ru = (r_of_K(x * Kc[k], DENS[k]) for k in DENS)
exact = math.sqrt(max(0.0, 1 - 1 / x))
# small-mu law: r ~ sqrt(16 mu / (pi Kc^3 (-g''(0)))), g''(0) = -1/sqrt(2 pi)
mu = x - 1
law = math.sqrt(16 * max(mu, 0) / (math.pi * Kc["Gauss"] ** 3
/ math.sqrt(2 * math.pi)))
print(f" {x:6.4f} {rl:.4f} {exact:.4f} {rg:.4f} {law:.4f}"
f" {ru:.4f}")
print(f"uniform: r jumps from 0 to pi/4 = {math.pi / 4:.4f} at K_c (first order)")
for x in (1.0001, 1.001, 1.01): # Pazo 2005: r - pi/4 ~ (K - K_c)^(2/3)
ru = r_of_K(x * Kc["uniform"], DENS["uniform"])
q = (ru - math.pi / 4) / (x - 1) ** (2 / 3)
print(f" K/K_c = {x}: r - pi/4 = {ru - math.pi / 4:.5f},"
f" ratio to (K/K_c - 1)^(2/3) = {q:.3f}")
# K_c = 2/(pi g(0)): Lorentz 2.0000 Gauss 1.5958 uniform 1.2732
# K/K_c Lorentz sqrt(1-Kc/K) Gauss sqrt-law uniform
# 0.9500 0.0000 0.0000 0.0000 0.0000 0.0000
# 1.0001 0.0100 0.0100 0.0177 0.0177 0.7868
# 1.0100 0.0995 0.0995 0.1755 0.1772 0.8108
# 1.0500 0.2182 0.2182 0.3775 0.3963 0.8480
# 1.1000 0.3015 0.3015 0.5099 0.5605 0.8734
# 1.2500 0.4472 0.4472 0.7123 0.8862 0.9144
# 1.5000 0.5774 0.5774 0.8497 1.2533 0.9463
# 2.0000 0.7071 0.7071 0.9370 1.7725 0.9721
# 3.0000 0.8165 0.8165 0.9762 2.5066 0.9879
# uniform: r jumps from 0 to pi/4 = 0.7854 at K_c (first order)
# K/K_c = 1.0001: r - pi/4 = 0.00142, ratio to (K/K_c - 1)^(2/3) = 0.657
# K/K_c = 1.001: r - pi/4 = 0.00622, ratio to (K/K_c - 1)^(2/3) = 0.622
# K/K_c = 1.01: r - pi/4 = 0.02540, ratio to (K/K_c - 1)^(2/3) = 0.547结果有三点。第一,三种分布的阈值分别为 2、1.5958 与 1.2732,都等于 ; 时三者都只有非相干解。第二,洛伦兹分布的数值解与 在四位小数上一致。高斯分布在 时 ,平方根律给出 0.1772,相差约 1%;但到 时平方根律(0.5605)已比真值(0.5099)高出约 10%,这个近似只在阈值附近有用。第三,均匀分布在 时 已是 0.7868,紧贴 ; 与 之比在逼近阈值时趋于一个常数(0.547、0.622、0.657),与帕索的指数相符。所以「藏本(库拉莫托)相变是二级相变」只对一类频率分布成立。
有限人数:没有锐利的相变
真实的人群、细胞群都是有限的。有限 时,即使没有耦合, 个随机相位的平均也不是 0,而是量级为 的随机数;耦合会放大这种涨落。
程序用平均场形式模拟 与 的藏本(库拉莫托)模型,自然频率从标准正态分布中随机抽取(每个 抽 3 次,固定种子),用休恩法积分到 ,对 到 120 的 取时间平均,并与 的自洽解比较。
推导
# Finite-N Kuramoto simulation in mean-field form:
# d theta_i/dt = omega_i + K r sin(psi - theta_i), r e^{i psi} = mean_j e^{i theta_j}
# omega_i ~ Gauss(0, 1), random draws (fixed seeds); Heun steps, dt = 0.05; r is averaged
# over t = 60..120 and over 3 frequency draws. Theory: N -> infinity self-consistency.
import math, random
def theory_r(K): # Gauss sigma = 1: bisection on the self-consistency
def F(r, m=2000):
h = math.pi / m
return K * h * sum(math.cos(t) ** 2 * math.exp(-(K * r * math.sin(t)) ** 2 / 2)
for t in (-math.pi / 2 + (j + .5) * h for j in range(m))) \
/ math.sqrt(2 * math.pi)
if F(1e-9) <= 1:
return 0.0
lo, hi = 1e-9, 1.0
for _ in range(40):
mid = (lo + hi) / 2
lo, hi = (mid, hi) if F(mid) > 1 else (lo, mid)
return lo
def order(th):
c = sum(math.cos(t) for t in th) / len(th); s = sum(math.sin(t) for t in th) / len(th)
return math.hypot(c, s), math.atan2(s, c)
def simulate(N, K, seed, dt=0.05, t_end=120.0, t_avg=60.0):
rng = random.Random(seed)
om = [rng.gauss(0, 1) for _ in range(N)]
th = [rng.uniform(-math.pi, math.pi) for _ in range(N)]
acc, cnt = 0.0, 0
for k in range(int(t_end / dt)):
r, p = order(th)
k1 = [o + K * r * math.sin(p - t) for o, t in zip(om, th)]
pr = [t + dt * d for t, d in zip(th, k1)]
r2, p2 = order(pr)
th = [t + dt / 2 * (d + o + K * r2 * math.sin(p2 - q))
for t, d, o, q in zip(th, k1, om, pr)]
if k * dt >= t_avg:
acc += r2; cnt += 1
return acc / cnt
if __name__ == "__main__":
Kc = 2 / (math.pi / math.sqrt(2 * math.pi))
print(f"Gauss(0,1) frequencies: K_c = {Kc:.4f}; 1/sqrt(N): N=50 {50 ** -.5:.3f},"
f" N=400 {400 ** -.5:.3f}")
print(" K/K_c theory r N = 50 N = 400")
for x in (0.50, 0.90, 1.00, 1.10, 1.25, 1.50, 2.00):
K = x * Kc
sims = [sum(simulate(N, K, 100 * N + s) for s in range(3)) / 3 for N in (50, 400)]
print(f" {x:5.2f} {theory_r(K):.3f} {sims[0]:.3f} {sims[1]:.3f}")
# Gauss(0,1) frequencies: K_c = 1.5958; 1/sqrt(N): N=50 0.141, N=400 0.050
# K/K_c theory r N = 50 N = 400
# 0.50 0.000 0.210 0.067
# 0.90 0.000 0.391 0.148
# 1.00 0.000 0.552 0.336
# 1.10 0.510 0.632 0.538
# 1.25 0.712 0.719 0.730
# 1.50 0.850 0.878 0.862
# 2.00 0.937 0.944 0.940远高于阈值时( 以上),两种人数的模拟与理论相差不超过 0.03。阈值附近差别很大: 时理论值为 0, 的模拟为 0.336, 的为 0.552;即使在 , 的平均 也有 0.210,比无耦合时的典型值(约 的量级)还大。这说明在几十人的群体里,「相变点」是一个模糊的过渡带,不能把 当成精确的开关。第 8 本书已用模拟检验过洛伦兹分布下 ,这里不再重复。
掌声为什么时齐时散
证据
内达等人的掌声研究。 内达、拉瓦斯、布雷谢、维切克与巴拉巴西在罗马尼亚与匈牙利的剧场与歌剧演出中录下观众的掌声,发现掌声会从杂乱变为整齐的节拍,持续一段时间后又散开,如此反复 (Néda, Ravasz, Brechet, et al. 2000)。他们让 73 名中学生分别独立拍手,测量每人的「快速」与「慢速」拍手频率:同步时的拍手周期约为不同步时的两倍,慢速模式的频率分布比快速模式窄得多。同年的长文给出离散度之比 、相对离散度之比约 1.3,并用藏本(库拉莫托)的结论 解释:快速拍手时离散度大,,不能同步;观众把周期加倍后离散度变小, 下降到 以下,部分同步出现 (Néda, Ravasz, Vicsek, et al. 2000)。他们还注意到,同步时单位时间的拍手次数减半,房间里的平均声音强度下降;观众想让掌声更响,便加快拍手,离散度回升,同步随之瓦解——最大的同步与最大的声响无法同时得到。
程序按内达等人长文中的模拟参数:70 名拍手者,耦合 ;快速模式平均角频率 、离散度 ;慢速模式周期加倍,均值与离散度都减半(这是简化:实测的离散度之比约为 2.5,而不是 2)。每种模式模拟 40 秒,统计后 20 秒的平均 、每秒拍手次数,以及以 0.05 秒为一格的拍手次数峰值与平均值之比(越大越像整齐的节拍)。共模拟 10 组观众。
推导
# Rhythmic applause after Neda et al. (2000): N = 70 clappers, coupling K = 0.8 s^-1.
# Mode I (fast): mean 2 pi s^-1, dispersion D = 2 pi/6.9 s^-1 (their simulation values).
# Mode II: period doubled, so mean and D halve. Gauss: K_c = 2/(pi g(0)) = D sqrt(8/pi).
# Each phase lasts 40 s (Euler, dt = 0.01 s); r averaged over its last 20 s; 10 audiences.
# A clap = a phase crossing a multiple of 2 pi; "noise" = claps per second; "signal" =
# peak of the clap count in 0.05 s bins over its mean (1 for perfectly even clapping).
import math, random
N, K, DT = 70, 0.8, 0.01
def run(seed):
rng = random.Random(seed)
z = [rng.gauss(0, 1) for _ in range(N)] # each person's place in the spread
th = [rng.uniform(0, 2 * math.pi) for _ in range(N)]
out = []
for mean, D in ((2 * math.pi, 2 * math.pi / 6.9), (math.pi, math.pi / 6.9)):
om = [mean + D * x for x in z]
rs, bins, claps, steps = [], [], 0, int(40 / DT)
for k in range(steps):
c = sum(math.cos(t) for t in th) / N; s = sum(math.sin(t) for t in th) / N
r, p = math.hypot(c, s), math.atan2(s, c)
new = [t + DT * (o + K * r * math.sin(p - t)) for t, o in zip(th, om)]
n = sum(math.floor(b / (2 * math.pi)) > math.floor(a / (2 * math.pi))
for a, b in zip(th, new))
th = new
if k >= steps // 2:
rs.append(r); claps += n
if k % 5 == 0: bins.append(0)
bins[-1] += n
mean_bin = sum(bins) / len(bins)
out.append((sum(rs) / len(rs), claps / 20, max(bins) / mean_bin))
return out
if __name__ == "__main__":
for name, D in (("I ", 2 * math.pi / 6.9), ("II", math.pi / 6.9)):
kc = D * math.sqrt(8 / math.pi)
print(f"mode {name}: D = {D:.3f} s^-1, K_c = {kc:.3f} s^-1"
f" (K = {K})")
res = [run(s) for s in range(10)]
for m, name in enumerate(("I ", "II")):
r = sum(x[m][0] for x in res) / 10; n = sum(x[m][1] for x in res) / 10
pk = sum(x[m][2] for x in res) / 10
print(f"mode {name}: mean r = {r:.3f} claps per second = {n:5.1f}"
f" peak/mean of 0.05 s bins = {pk:.2f}")
print(f"incoherent reference 1/sqrt(N) = {N ** -0.5:.3f}")
# mode I : D = 0.911 s^-1, K_c = 1.453 s^-1 (K = 0.8)
# mode II: D = 0.455 s^-1, K_c = 0.727 s^-1 (K = 0.8)
# mode I : mean r = 0.179 claps per second = 69.7 peak/mean of 0.05 s bins = 3.13
# mode II: mean r = 0.555 claps per second = 34.7 peak/mean of 0.05 s bins = 5.36
# incoherent reference 1/sqrt(N) = 0.120快速模式下 ,平均 只有 0.179,接近 70 人随机相位的水平( 的量级);慢速模式下 ,平均 升到 0.555,拍手的峰值与平均值之比从 3.13 升到 5.36,但每秒拍手次数从 69.7 降到 34.7。模型重现了内达等人描述的权衡:同步需要放慢,放慢就变轻。这里的 是一个示意值,程序并没有估计真实观众之间的耦合强度。
假说 · 尚未验证 · 放慢节奏比加强耦合更容易带来同步
藏本(库拉莫托)模型的阈值 同时取决于耦合与离散度。作者的推测是:在合唱、集体朗读、团体操练这类需要齐步的人群活动中,降低节奏(从而缩小各人自然节奏的绝对离散度)比要求人们「更注意彼此」(加大耦合)更容易使整体同步。可以检验:在随机分组的拍手或敲击任务中,比较「节拍放慢一倍」与「增加视觉提示以加强耦合」两种条件下的相位一致性 。如果在离散度相同的条件下,加强耦合的提升明显大于放慢节奏,这个推测就是错的。这只是对人群活动的类比,不涉及任何关于组织管理的建议。
本章小结
藏本(库拉莫托)模型用复序参量把 体问题化为平均场问题,在全局耦合、、对称单峰频率分布的条件下给出临界耦合 。洛伦兹分布时 精确成立;一般光滑分布在阈值附近为平方根律的连续相变;均匀分布为一级相变, 跳到 。有限人数时阈值被涨落抹平。掌声同步的关键是周期加倍使频率离散度变小,同步又使平均声响下降,观众加快拍手后同步瓦解。下一章讨论同步可能带来的风险:伦敦千禧桥。
参考文献
Fan, Y. (2026). Collective Dynamics, Coupled-Oscillator Synchrony and Distributed Consensus: From the Kuramoto Phase Transition and Vicsek Flocking to DeGroot Spectral Convergence, Read Beside Classical Chinese Thought on Harmony and Conformity [集群动力学、耦合振子同步与分布式共识的数学模型] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828063 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).