参数设置
预设方案
显示选项
交互操作
左键单击 → 天敌 / 右键单击 → 引力源
左键单击：添加天敌 / 右键单击：添加引力源 / 长按：引力源
🔬 Craig Reynolds Boids算法
每个个体对感知半径 $r$ 内的邻居计算三种作用力：
- 分离 (Separation): $\mathbf{F}_s = -\sum_{j \in N_{sep}}\frac{\mathbf{r}_{ij}}{|\mathbf{r}_{ij}|^2}$
- 对齐 (Alignment): $\mathbf{F}_a = \langle \mathbf{v}_j \rangle - \mathbf{v}_i$
- 聚合 (Cohesion): $\mathbf{F}_c = \langle \mathbf{x}_j \rangle - \mathbf{x}_i$
合加速度：$\mathbf{a}_i = w_s \mathbf{F}_s + w_a \mathbf{F}_a + w_c \mathbf{F}_c$
速度限制在 $v_{max}$ 以内。个体到达边界后从对面重新出现（环形空间）。
与CAE的关联：
每个Boid个体相当于粒子法（SPH、DEM）中的粒子，局部相互作用产生全局行为的机制完全一致。
以群体智能为基础的PSO（粒子群优化算法）已被广泛应用于结构优化、群机器人控制以及人群疏散仿真等领域。
什么是Boids群集模拟
🧑🎓
“Boids”是什么？就是屏幕上飞来飞去的小点吗？
🎓
简单来说，Boids是一个模拟鸟群或鱼群行为的计算机模型。每个小点（我们叫它个体）并没有一个“总指挥”告诉它们怎么飞，它们只遵循三条非常简单的本地规则：别撞上邻居、跟邻居飞的方向保持一致、向邻居的中心靠拢。你试着在模拟器里拖动“个体数量”滑块，增加一些个体看看，是不是立刻就涌现出复杂的群体运动了？
🧑🎓
诶，真的吗？就靠这三条规则，就能模拟出那么自然的鸟群？那如果我把“分离权重”调得特别高会怎么样？
🎓
在实际工程中，调整权重就像调整不同力的优先级。你把“分离权重”滑块向右拉高，你会发现个体之间会极力避免碰撞，群体就会变得非常松散，甚至可能散开。相反，如果你把“对齐权重”调高，它们就会像训练有素的士兵一样，排成整齐的队列飞行。你马上可以试试看，观察变化非常直观！
🧑🎓
我好像懂了！那这个“感知半径”又是什么？是不是像每个小鸟的“视力范围”？
🎓
完全正确！你可以把“感知半径”想象成每个个体的社交距离或视野范围。它只关心这个半径内的邻居。比如在模拟器里，你把感知半径调得很小，每个个体就只跟最近的几个邻居互动，群体可能会分裂成好几个小团体。调大之后，信息传递更广，更容易形成一个大而统一的群体。这个参数直接影响着局部交互如何扩展到全局行为，非常关键。
物理模型与关键公式
每个Boid个体在每个时间步，都会对其感知半径内的邻居计算三种作用力，合力决定其加速度。核心是分离规则，它让个体避免与邻居碰撞：
$$\mathbf{F}_s = -\sum_{j \in N_{sep}}\frac{\mathbf{r}_{ij}}{|\mathbf{r}_{ij}|^2}$$
这里，$\mathbf{F}_s$是分离力，$\mathbf{r}_{ij}$是从个体$i$指向邻居$j$的向量。求和是对所有在分离邻居集$N_{sep}$内的个体进行的。力的大小与距离平方成反比，意味着离得越近的邻居，排斥力越强。
对齐和聚合规则共同塑造群体的协调性与凝聚力。对齐力使个体速度方向趋同，聚合力使其向局部中心移动：
$$\mathbf{F}_a = \frac{1}{|N_{ali}|}\sum_{j \in N_{ali}}\mathbf{v}_j - \mathbf{v}_i, \quad \mathbf{F}_c = \frac{1}{|N_{coh}|}\sum_{j \in N_{coh}}\mathbf{p}_j - \mathbf{p}_i$$
$\mathbf{F}_a$是对齐力，$\mathbf{v}$是速度向量，个体$i$会向邻居$j$的平均速度方向调整。$\mathbf{F}_c$是聚合力，$\mathbf{p}$是位置向量，引导个体飞向邻居们的平均位置（中心）。$N_{ali}$和$N_{coh}$分别是对齐和聚合的邻居集合。
现实世界中的应用
计算机动画与游戏：Boids算法被广泛用于低成本地生成逼真的鸟群、鱼群、兽群乃至人群动画。比如在电影《狮子王》中角马奔腾的场面，就运用了类似的群体模拟技术。
群机器人协同控制：工程现场常见的是，让一群无人机或地面机器人仅通过局部感知和通信，实现像Boids一样的编队飞行、区域搜索或包围目标，无需中央控制器，系统鲁棒性更强。
粒子法与CAE仿真：每个Boid个体相当于SPH（光滑粒子流体动力学）或DEM（离散元法）仿真中的一个粒子，局部相互作用产生全局复杂行为的机制完全一致。这帮助工程师理解颗粒流、流体运动等。
优化算法与疏散仿真：受Boids启发的PSO（粒子群优化算法）被用于寻找复杂设计问题的最优解，如汽车结构轻量化设计。同时，其原理也用于模拟人群在紧急情况下的疏散动态，优化建筑出口设计。
常见误解与注意事项
首先，初次接触此模拟器时，常见的误解是认为“参数设置越极端，效果越真实”。例如，若将分离、对齐、聚合的权重全部设为最大值，反而会产生不自然的痉挛式运动。在实际应用中，平衡是关键，需依据生物观测数据或具体目标进行调整。若要模拟鱼群，可适当增强“对齐”权重；模拟鸟群时，则可略微降低“聚合”权重。建议以初始平衡值（如分离:1.5，对齐:1.0，聚合:1.0）为基准进行微调。
其次，容易忽略“视野半径”与“最大速度”的关联性。若视野半径扩大但个体最大速度过低，个体虽能感知信息却无法充分响应；反之速度过快则会导致失控、群体溃散。例如，若视野半径设为50像素，建议将最大速度初始值设为其5%~10%（约2.5~5.0像素/步长），再逐步调整以保持稳定。
最后是实施中的陷阱：切勿低估距离计算的开销。若每步都直接计算所有粒子间的距离，当粒子数N超过1000时性能将急剧下降。实际应用中必须通过空间分割（如空间网格法、四叉树）优化邻近搜索。此外，计算作用力时若邻域粒子数|N|为0（视野内无其他个体），需注意避免除零错误——此时应将各作用力视为零向量进行处理。
相关工程领域
这种Boid模型的思想作为粒子模拟的基础概念被广泛应用。首推SPH（光滑粒子流体动力学）方法，它将流体视为粒子集合，通过粒子间相互作用离散化连续介质方程求解。Boid中“基于邻近粒子影响的加权计算”思路，与SPH的核函数核心思想高度相似。
另一重要应用领域是机器人学，特别是多机器人/无人机集群控制。每个机器人仅与周围数个单元通信，遵循“避撞（分离）”“趋同航向（对齐）”“保持编队（聚合）”规则，即可在没有领航机的情况下实现自主编队飞行，其优势在于对通信故障具有强鲁棒性。
此外，人群流动模拟中也衍生出进阶模型。除了Boid的三条基础规则，还会加入目标点引力、墙壁障碍物斥力、社会力模型（保持人际距离的倾向力）等。这类模拟可直接应用于车站拥堵疏导、大型设施逃生路线设计等社会安全规划。
进阶学习指引
建议下一步尝试自行实现“障碍物规避”与“跟随领航者”规则。障碍物规避可通过添加远离其表面的作用力实现；跟随领航者只需对特定Boid施加更强的“聚合”力，即可观察到群体被牵引的有趣现象。这有助于掌握算法扩展的基本方法。
若想深化数理背景，向量分析与常微分方程数值解法的知识将大有裨益。Boid的运动方程 $\frac{d\mathbf{v}}{dt} = \mathbf{F}_{total}$ 正是微分方程。当前模拟器使用最简单的欧拉法（$ \mathbf{v}_{new}= \mathbf{v}_{current}+ \mathbf{F} \cdot \Delta t $）进行时间积分，但存在能量不守恒等问题。学习更高精度的龙格-库塔法并进行实现对比，可加深对数值计算的理解。
最终可拓展至基于智能体的建模（ABM）范式进行学习。该领域通过各智能体（Boid）的简单规则，模拟市场经济波动、传染病传播等复杂社会现象的“涌现”行为。可以说，Boid模型是进入复杂系统科学最友好的切入点。