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
第三章 自驱动粒子与三区模型:噪声、对齐与集体记忆
从计算机动画到统计物理
鸟群与鱼群没有指挥,却能整齐地转向。最早的计算模型来自两条线索:青木一郎 1982 年用排斥、平行定向与吸引三种规则模拟鱼群 (Aoki 1982);雷诺兹 1987 年为计算机动画设计的「类鸟群」(boids)用分离、对齐与聚合三条局部规则产生了逼真的群体运动 (Reynolds 1987)。这两条线索后来汇合成本章讨论的两个模型:维切克等人 1995 年的自驱动粒子模型,只保留「对齐」一条规则,用来研究噪声下的有序—无序转变;库赞等人 2002 年的三区模型,保留三条规则,用来研究群体的不同形态。维切克与扎费里斯 2012 年的综述概括了此后的大量工作 (Vicsek and Zafeiris 2012)。
维切克模型
推导
模型。 个粒子在边长为 的周期性方盒中以恒定速率 运动。每一步,粒子 的方向变为半径 1 之内所有粒子(含自身)方向的平均,再加上 上均匀分布的随机扰动: 序参量为平均速度的归一化大小 。控制参数是噪声 与密度 (Vicsek et al. 1995)。
维切克等人发现,噪声小于某个临界值或密度大于某个临界值时,粒子会自发地朝同一方向运动, 显著大于 0;他们最初把它报告为一个类似平衡态相变的连续转变。这个结论后来有两处重要修正。第一,在二维平衡态的 XY 模型中,连续对称性不能自发破缺(没有真正的长程序);托纳与涂(Yuhai Tu)1995 年用流体力学理论说明,自驱动粒子因为一边对齐一边移动,信息可以随粒子传播,所以二维中也能出现真正的长程有序 (Toner and Tu 1995)。第二,格雷瓜尔与沙泰 2004 年用大得多的系统证明,这一转变在二维中其实是不连续的(一级相变),在接近转变点时会出现密度带,内聚性也会丧失 (Grégoire and Chaté 2004)。所以小系统模拟中看到的平滑曲线,不能用来判断相变的阶数。
程序复现维切克等人的噪声扫描:密度 ,,比较 ()与 ()。用格子链表找邻居,模拟 600 步,对第 300 到 600 步的 取平均,每个噪声值用 2 个随机种子。
推导
# Vicsek et al. (1995): N particles, speed v0 = 0.03, periodic box L, radius 1.
# theta_i(t+1) = arg( sum_{|x_j - x_i| < 1} e^{i theta_j} ) + U(-eta/2, eta/2)
# x_i(t+1) = x_i(t) + v0 e^{i theta_i(t+1)}; order v_a = |sum_i e^{i theta_i}| / N
# Density rho = N / L^2 = 4 as in the original noise scan; cell lists of side 1.
# v_a is averaged over steps 300..600 and over 2 seeds.
import math, random
def vicsek(N, L, eta, steps=600, burn=300, seed=0, v0=0.03):
rng = random.Random(seed); nc = int(L)
x = [rng.uniform(0, L) for _ in range(N)]; y = [rng.uniform(0, L) for _ in range(N)]
th = [rng.uniform(-math.pi, math.pi) for _ in range(N)]
acc = 0.0
for t in range(steps):
cells = {}
for i in range(N):
cells.setdefault((int(x[i]) % nc, int(y[i]) % nc), []).append(i)
c = [math.cos(a) for a in th]; s = [math.sin(a) for a in th]; new = []
for i in range(N):
cx, cy, sc, ss = int(x[i]) % nc, int(y[i]) % nc, 0.0, 0.0
for dx in (-1, 0, 1):
for dy in (-1, 0, 1):
for j in cells.get(((cx + dx) % nc, (cy + dy) % nc), ()):
ex = (x[j] - x[i] + L / 2) % L - L / 2
ey = (y[j] - y[i] + L / 2) % L - L / 2
if ex * ex + ey * ey < 1.0:
sc += c[j]; ss += s[j]
new.append(math.atan2(ss, sc) + rng.uniform(-eta / 2, eta / 2))
th = new
x = [(a + v0 * math.cos(b)) % L for a, b in zip(x, th)]
y = [(a + v0 * math.sin(b)) % L for a, b in zip(y, th)]
if t >= burn:
acc += math.hypot(sum(map(math.cos, th)), sum(map(math.sin, th))) / N
return acc / (steps - burn)
if __name__ == "__main__":
print("noise eta v_a (N = 100, L = 5) v_a (N = 25, L = 2.5)")
for eta in (0.5, 1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 5.0, 6.0):
a = sum(vicsek(100, 5.0, eta, seed=s) for s in (1, 2)) / 2
b = sum(vicsek(25, 2.5, eta, seed=s) for s in (1, 2)) / 2
print(f" {eta:3.1f} {a:.3f} {b:.3f}")
# noise eta v_a (N = 100, L = 5) v_a (N = 25, L = 2.5)
# 0.5 0.988 0.989
# 1.0 0.952 0.957
# 1.5 0.894 0.907
# 2.0 0.815 0.837
# 2.5 0.719 0.753
# 3.0 0.594 0.653
# 3.5 0.476 0.552
# 4.0 0.326 0.430
# 5.0 0.127 0.233
# 6.0 0.093 0.173噪声小时两种规模都几乎完全有序( 时 约为 0.99);噪声增大,有序度逐渐下降, 时 为 0.326, 为 0.093。小系统的曲线更平缓: 时 的 为 0.233, 为 0.127,这部分来自有限人数的涨落( 分别为 0.20 与 0.10)。在这样小的系统中看到的是平滑过渡,与格雷瓜尔与沙泰在大系统中发现的不连续转变并不矛盾——不连续性只有在足够大的尺度上才显现。
证据
拓扑邻居。 巴莱里尼等人 2008 年用立体摄影重建了罗马上空椋鸟群中每只鸟的三维位置,发现每只鸟的相互作用对象是固定数目的最近邻(约六到七只),而不是一定距离内的所有个体;也就是说,相互作用取决于拓扑距离而不是度量距离。他们认为这使鸟群在密度剧烈变化时(例如遭遇捕食者)仍能保持内聚 (Ballerini et al. 2008)。
这一发现提醒我们,维切克模型的「半径 1 之内」是一个建模选择。第四章的程序用每次随机看几个同伴的方式粗略代替拓扑邻居。
维切克模型也连接着第五章。贾德巴拜、林(Jie Lin)与莫尔斯 2003 年把维切克模型去掉噪声后线性化,证明只要邻居关系构成的图在一段段时间内「联合连通」,所有个体的方向最终会趋于一致;这本质上就是一个邻居关系随时间变化的德格鲁特平均过程 (Jadbabaie et al. 2003)。
库赞的三区模型
库赞、克劳泽、詹姆斯、拉克斯顿与弗兰克斯 2002 年的模型给每个个体三层同心区域 (Couzin et al. 2002):
- 排斥区(半径 ):只要有邻居进入,个体就优先远离它们,其他规则暂不起作用;
- 定向区(宽度 ):与其中的邻居对齐方向;
- 吸引区(宽度 ):朝其中的邻居靠拢。
个体身后有一个盲区,每步的转角有上限,方向带有随机误差。在三维中,他们改变 与 ,得到四种集体状态:群集(swarm:内聚但方向杂乱,极化度与角动量都低)、环面(torus:个体绕着一个空心的中心旋转,角动量高)、动态平行(dynamic parallel:方向一致,内部位置不断交换)与高度平行(highly parallel:方向高度一致,几乎直线运动)。 很小时为群集; 较小而 较大时为环面; 增大则变为平行。两者都很小时群体容易分裂。
框架只列了「虫群、旋转环面、平行巡航」三种,本书按原文补全为四种。更重要的是原文的「集体记忆」:固定 ,逐渐增大 时,群体约在 处从群集变为环面,约在 2.5 以上变为平行;但反过来逐渐减小 时,群体保持平行,不再回到环面,直到 降到约 1.5 以下才回到群集。同样的个体规则可以对应不同的集体状态,取决于群体经历了什么,而个体并不「知道」这段历史。
程序是三区模型的二维简化版:,,,盲区为身后 (视野 ),最大转角每秒 ,速率 3,方向误差标准差 0.05 弧度,时间步 0.1 秒。对每个 用 3 个随机初始条件各模拟 1200 步,对最后 300 步计算极化度 (平均单位速度的大小)与归一化角动量 ,把 判为平行,否则 判为环面,其余为群集。最后从 形成的平行群体出发,检验较小 下的状态是否取决于起点。参数是示意值,二维结果不能与原文的三维数值一一对应。
推导
# Two-dimensional simplification of the three-zone model of Couzin et al. (2002).
# Zone of repulsion r_r = 1 (priority); else orientation within r_o = r_r + d_o and
# attraction within r_a = r_o + d_a. Blind angle: neighbours behind (outside +-135 deg of
# the heading) are unseen. Max turn 70 deg/s, speed 3, noise SD 0.05 rad, dt 0.1 s, N 40.
# Measures (last 300 of 1200 steps): polarisation p = |mean unit velocity|,
# rotation m = |mean of (r_i - centroid)/|r_i - c| x v_i|.
import math, random
N, RR, SPEED, DT, TURN, SEE = 40, 1.0, 3.0, 0.1, math.radians(70), math.radians(135)
def step(x, y, h, ro, ra, rng):
new = []
for i in range(N):
rx = ry = ox = oy = ax = ay = 0.0; rep = False
for j in range(N):
if j == i: continue
dx, dy = x[j] - x[i], y[j] - y[i]; d2 = dx * dx + dy * dy
if d2 >= ra * ra: continue
d = math.sqrt(d2) or 1e-9
if d < RR:
rep = True; rx -= dx / d; ry -= dy / d; continue
if abs((math.atan2(dy, dx) - h[i] + math.pi) % (2 * math.pi) - math.pi) > SEE:
continue
if d < ro: ox += math.cos(h[j]); oy += math.sin(h[j])
else: ax += dx / d; ay += dy / d
if rep: dx, dy = rx, ry
else:
no, na = math.hypot(ox, oy), math.hypot(ax, ay)
dx = (ox / no if no else 0) + (ax / na if na else 0)
dy = (oy / no if no else 0) + (ay / na if na else 0)
want = math.atan2(dy, dx) if (dx or dy) else h[i]
want += rng.gauss(0, 0.05)
turn = (want - h[i] + math.pi) % (2 * math.pi) - math.pi
new.append(h[i] + max(-TURN * DT, min(TURN * DT, turn)))
xs = [a + SPEED * DT * math.cos(b) for a, b in zip(x, new)]
ys = [a + SPEED * DT * math.sin(b) for a, b in zip(y, new)]
return xs, ys, new
def measures(x, y, h):
cx, cy = sum(x) / N, sum(y) / N
p = math.hypot(sum(map(math.cos, h)), sum(map(math.sin, h))) / N
m = 0.0
for a, b, t in zip(x, y, h):
d = math.hypot(a - cx, b - cy) or 1e-9
m += ((a - cx) * math.sin(t) - (b - cy) * math.cos(t)) / d
return p, abs(m) / N
def run(d_o, d_a=10.0, seed=3, steps=1200, start=None):
rng = random.Random(seed)
if start is None:
x = [rng.uniform(-4, 4) for _ in range(N)]
y = [rng.uniform(-4, 4) for _ in range(N)]
h = [rng.uniform(-math.pi, math.pi) for _ in range(N)]
else: x, y, h = start
ro = RR + d_o; ps = ms = 0.0
for t in range(steps):
x, y, h = step(x, y, h, ro, ro + d_a, rng)
if t >= steps - 300:
p, m = measures(x, y, h); ps += p; ms += m
return ps / 300, ms / 300, (x, y, h)
def label(p, m):
return "parallel" if p > 0.65 else ("torus/mill" if m > 0.45 else "swarm")
if __name__ == "__main__":
print("d_o (p, m) for 3 random starts (d_a = 10) states")
for d_o in (0.0, 1.0, 2.0, 4.0, 8.0):
res = [run(d_o, seed=s)[:2] for s in (1, 2, 3)]
print(f"{d_o:3.0f} " + " ".join(f"({p:.2f}, {m:.2f})" for p, m in res)
+ " " + ", ".join(label(p, m) for p, m in res))
_, _, pol = run(8.0, seed=1) # collective memory: start from a parallel group
for d_o in (4.0, 2.0):
p, m, _ = run(d_o, seed=1, start=pol)
print(f"d_o = {d_o:.0f}, started from the parallel group of d_o = 8:"
f" p = {p:.2f}, m = {m:.2f} -> {label(p, m)}")
# d_o (p, m) for 3 random starts (d_a = 10) states
# 0 (0.19, 0.15) (0.17, 0.08) (0.12, 0.07) swarm, swarm, swarm
# 1 (0.11, 0.81) (0.11, 0.85) (0.09, 0.18) torus/mill, torus/mill, swarm
# 2 (0.15, 0.70) (0.68, 0.16) (0.16, 0.82) torus/mill, parallel, torus/mill
# 4 (0.33, 0.71) (0.26, 0.77) (0.11, 0.84) torus/mill, torus/mill, torus/mill
# 8 (1.00, 0.01) (0.96, 0.05) (0.99, 0.14) parallel, parallel, parallel
# d_o = 4, started from the parallel group of d_o = 8: p = 0.84, m = 0.05 -> parallel
# d_o = 2, started from the parallel group of d_o = 8: p = 0.08, m = 0.86 -> torus/mill二维简化版复现了原文的定性顺序: 时 3 次都是群集( 为 0.12 至 0.19); 时 3 次都是环面( 为 0.71 至 0.84); 时 3 次都是平行( 为 0.96 至 1.00)。中间区域存在多稳态: 时有 2 次环面、1 次群集, 时有 2 次环面、1 次平行。集体记忆也出现了: 时随机起点 3 次都形成环面,但从平行群体出发则保持平行(,);到 时记忆消失,平行群体转为环面(,)。这一部分只用了一个种子;核查时换用种子 2 与 3 重跑:种子 2 的平行群体在 与 2 时都保持平行,种子 3 的平行群体在 时散成群集(同一种子的随机起点形成环面)。所以「从平行出发的终态与随机起点不同」(历史起作用)在三个种子中都成立,但平行状态能否保持、记忆在哪个 消失,取决于随机性,不能从一次模拟读出。
证据
真实鱼群中的三种状态。 通斯特罗姆等人 2013 年分析了 30 到 300 条金体美鳊(golden shiner)组成的鱼群,至少识别出三种动态稳定的集体状态:群集、旋转(milling)与极化;鱼游得慢时多为密集而无序的群集,游速增大时则进入旋转或高度机动的极化状态。旋转与极化在一个参数区间内双稳共存,两者之间的转换主要由扰动触发;各状态的稳定性还取决于鱼群的规模 (Tunstrøm et al. 2013)。
假说 · 尚未验证 · 改变集体状态需要越过记忆区
三区模型与鱼群数据都显示,在一段参数区间内两种集体状态共存,群体处于哪一种取决于历史。作者的推测是:在需要协调移动的人群(例如第四章戴尔等人范式中的步行人群)中,如果逐步改变「与邻近者保持方向一致」的指令强度,群体由松散转为整齐与由整齐转回松散的转折点不同(存在滞后)。可以用双向扫描的人群步行实验检验:若两个方向上的转折点在统计上没有差别,这个推测就是错的。这是从动物群体模型到人群的类比,不涉及任何组织管理建议。
本章小结
维切克模型只用「对齐加噪声」就产生了集体有序;托纳与涂解释了二维中长程序的来源,格雷瓜尔与沙泰证明大系统中的转变是不连续的,小系统的平滑曲线不能判断相变阶数。库赞的三区模型给出群集、环面、动态平行与高度平行四种状态,并且存在滞后的「集体记忆」;二维简化版复现了这些定性结论,真实鱼群也有多稳态。下一章讨论这样的群体怎样被少数知情者带往某个方向。
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).