🙋
“Boid”是什么？看起来只是一些点在动，为什么会产生像鱼群那样复杂的运动？
🎓
粗略地说，每个 Boid 都是只遵守“分离”“对齐”“聚合”三条规则运动的聪明粒子。看那只发黄光的“关注 Boid”：红、蓝、绿箭头分别是分离、对齐、聚合的力，白色箭头是它们的合力，也就是实际的转向方向。用上面的滑块把“分离权重”调到 0 试试，红色箭头消失，个体之间开始相撞了吧？这就是避免碰撞的基本规则。
🙋
原来如此！改变每条规则的强度，运动就完全不同了。把“对齐”调强，它们会像军队一样整齐！“对齐度 φ”也接近 1 了。这在现实中也有应用吗？
🎓
没错！φ（序参量）是衡量群体整齐程度的指标，1 表示完全对齐，0 表示无序。实际中常用于 CG 的群众场景生成和游戏 NPC 的群体 AI。在 CAE 领域，它作为粒子法模拟的基础也很重要：只搜索附近粒子、把局部力加起来的计算结构，与 SPH 等粒子法是相通的。
🙋
原来和 CAE 也有关系！按下“添加捕食者”后，群体一下子分开逃走了。这是涌现的回避行为吗？
🎓
很敏锐！没有谁发出“快逃”的号令，只是每个 Boid 局部地加上远离捕食者的力，整个群体就会分开再重新聚集。仅靠局部信息就产生全局秩序，正是“涌现”的有趣之处。一边看关注 Boid 的向量和“平均邻居数”，一边观察行为从分散→成群→旋涡的变化吧。
增大分离权重，个体间距离变大，群体容易散开；增大对齐权重，运动会朝一个方向整齐划一。增强聚合容易形成密集的团块，反之减弱则群体扩散。叠加在关注 Boid 上的红（分离）、蓝（对齐）、绿（聚合）向量和白色合力箭头，可以直接看到每条规则的贡献。
视野半径小时，每个 Boid 只能感知附近的个体，群体容易分裂。反之半径大时也会受到远处个体的影响，整体容易形成聚在一起的大群。关注 Boid 上的虚线圆和扇形表示它实际“看得见”的范围和视野。
本模拟器把画面边缘作为环面（周期边界）处理，Boid 会从另一侧重新出现，不会跑出画面。另外，分离权重极小时个体容易重叠。
它适合用于理解涌现基本原理的教学和演示。要再现真实生物的复杂行为（避障、对捕食者的反应等），需要追加规则并调整参数。
计算机图形与游戏开发：在电影和游戏中被广泛用于生成自然的鸟群、鱼群或人群（如僵尸大军）动画。无需在每个智能体中加入复杂的 AI，就能高效制作大规模群体场景。
群体机器人学：作为协调大量自主机器人动作的控制算法基础得到应用。例如，用机器人群在灾害现场搜索、在仓库中搬运物品的研究正在进行。
粒子法模拟（CAE）：SPH（光滑粒子流体动力学）等基于粒子的流体分析会计算粒子间的局部相互作用。Boids 算法作为这类粒子间邻域搜索和力计算的原型，在教学上很有用。
群体智能算法（PSO）：“粒子群优化（Particle Swarm Optimization）”是把 Boids 的概念应用到优化问题上的方法。搜索空间中的粒子（候选解）在共享自身最优解和整个群体最优解信息的同时向最优解移动，被用于工程设计优化等。
首先，刚开始使用这个模拟器时常见的想法是“参数越极端越真实”。例如把分离、对齐、聚合的权重全部调到最大，反而会出现不自然的抽搐般的运动。实际中要根据生物的观测数据和目的，平衡才是关键。想再现鱼群时把“对齐”稍微调强，鸟群则把“聚合”稍微调弱，往往效果更好。诀窍是以初始值的平衡（例如 分离:1.5、对齐:1.0、聚合:1.0）为基准进行微调。
其次，是忽视“视野半径”与“最大速度”关系的错误。即使扩大视野半径，如果个体的最大速度太低，得到了信息也来不及做出反应。反之速度太快则控制跟不上，群体会崩溃。例如视野半径设为 50 像素时，最大速度从其 5～10% 左右（2.5～5.0 像素/步）开始调整，比较容易稳定。
最后是实现上的陷阱：不要低估距离计算的开销。每一步都直接计算所有粒子之间的距离，粒子数 N 超过 1000 左右就会急剧变慢。实际中必须用空间划分（空间网格法或四叉树）优化邻域搜索（本模拟器也用空间哈希实现了 O(N)）。另外要注意计算力时邻居数 |N| 为 0（视野内没有任何个体）的除零错误，此时需要把各个力当作零向量处理。