2,510
个编辑
更改
跳到导航
跳到搜索
第120行：
第120行： − + − + − +
→鸟群模拟
其中，<math>\theta_1</math>是朝向感知到的质心的方向（不包括 boid i 的质心），<math>\theta_2</math>是朝向最近 boid 的方向，<math>\theta_3</math>是朝向所有其他 boid 的平均航向（在 20 单位范围内），<math>\theta_2</math>是 boid <math>i</math> 的速度与 20 单位范围内其他 boid 的平均速度的差异，<math>r₁</math>和 <math>r₂</math>是范围 [-0.01, 0.01] 内的随机数。参数向量 <math>α</math>（所有 <math>α</math> ∈ [0,1]）决定了每个因素的相对贡献。环形距离按照标准方式计算，既可以跨越边界也可以不跨越边界。质心位置通过迭代计算以最小化每个boid与其他boid的环形距离（即不是与质心的平均距离，从而避免边界伪影）。
其中，<math>\theta_1</math>是朝向感知到的质心的方向（不包括 boid i 的质心），<math>\theta_2</math>是朝向最近 boid 的方向，<math>\theta_3</math>是朝向所有其他 boid 的平均航向（在 20 单位范围内），<math>\theta_2</math>是 boid <math>i</math> 的速度与 20 单位范围内其他 boid 的平均速度的差异，<math>r₁</math>和 <math>r₂</math>是范围 [-0.01, 0.01] 内的随机数。参数向量 <math>α</math>（所有 <math>α</math> ∈ [0,1]）决定了每个因素的相对贡献。环形距离按照标准方式计算，既可以跨越边界也可以不跨越边界。质心位置通过迭代计算以最小化每个boid与其他boid的环形距离（即不是与质心的平均距离，从而避免边界伪影）。
这里测试了三种不同的条件。条件 R（随机）产生了接近随机的 boid 行为<math>[ \alpha_R = \begin{bmatrix} 0.01 & 0.01 & 0.01 & 0.01 & 0.01 & 0.01 \end{bmatrix} ]</math>。条件 L（低）通过增强对速度匹配的强依赖性引发了较差的群集行为；在这种条件下的 boid 趋向于半刚性的队形移动<math>[ \alpha_L = \begin{bmatrix} 0.1 & 0.1 & 0.6 & 0.6 \end{bmatrix} ]</math>。条件 H（高）引发了引人注目的群集行为；参数集（α<sub>H</sub> = [0.1, 0.3, 0.3, 0.3]）是手动选择的。每种条件下 boid 和质心轨迹的示例显示在图 2 中。尽管静态图像无法完全捕捉群集行为的动态特性，但很明显，条件 H 下的 boid 轨迹比条件L和R下的更像群集行为。
这里测试了三种不同的条件。条件 R（随机）产生了接近随机的 boid 行为<math>[ \alpha_R = \begin{bmatrix} 0.01 & 0.01 & 0.01 & 0.01 & 0.01 & 0.01 \end{bmatrix} ]</math>。条件 L（低）通过增强对速度匹配的强依赖性引发了较差的群集行为；在这种条件下的 boid 趋向于半刚性的队形移动<math>[ \alpha_L = \begin{bmatrix} 0.1 & 0.1 & 0.6 & 0.6 \end{bmatrix} ]</math>。条件 H（高）引发了引人注目的群集行为；参数集<math>[ \alpha_H = \begin{bmatrix} 0.1 & 0.3 & 0.3 & 0.3 \end{bmatrix} ]</math>是手动选择的。每种条件下 boid 和质心轨迹的示例显示在图 2 中。尽管静态图像无法完全捕捉群集行为的动态特性，但很明显，条件 H 下的 boid 轨迹比条件L和R下的更像群集行为。
[[文件:图2boid.png|无框|图2：boid群的质心（CM）的格兰杰涌现性。左上角：不同条件下线性和非线性格兰杰涌现性的均值和标准差（星号表示统计显著性）。其他面板：在条件H（高格兰杰涌现性）、L（低格兰杰涌现性）和R（随机）下，boid（灰色）和CM（红色）的示例轨迹（500时间步片段）。|替代=|500x500像素]]
[[文件:图2boid.png|无框|图2：boid群的质心（CM）的格兰杰涌现性。左上角：不同条件下线性和非线性格兰杰涌现性的均值和标准差（星号表示统计显著性）。其他面板：在条件<math>H</math>（高格兰杰涌现性）、<math>L</math>（低格兰杰涌现性）和<math>R</math>（随机）下，boid（灰色）和CM（红色）的示例轨迹（500时间步片段）。|替代=|500x500像素]]
'''图2：'''boid群的质心（CM）的格兰杰涌现性。左上角：不同条件下线性和非线性格兰杰涌现性的均值和标准差（星号表示统计显著性）。其他面板：在条件H（高格兰杰涌现性）、L（低格兰杰涌现性）和R（随机）下，boid（灰色）和CM（红色）的示例轨迹（500时间步片段）。
'''图2：'''boid群的质心（CM）的格兰杰涌现性。左上角：不同条件下线性和非线性格兰杰涌现性的均值和标准差（星号表示统计显著性）。其他面板：在条件<math>H</math>（高格兰杰涌现性）、<math>L</math>（低格兰杰涌现性）和<masth>R</math>（随机）下，boid（灰色）和CM（红色）的示例轨迹（500时间步片段）。
对于每个条件，boid模拟运行了25次，每次运行持续5000个时间步；在每次运行中，记录了每个boid的x和y坐标以及全局质心。在计算格兰杰涌现性之前，进行了几个预处理步骤。为了降低数据集的维度，并增强对边界效应的鲁棒性，将每对x和y坐标转换为反映环境中心距离的单个变量。前500个数据点被移除，以消除初始瞬态效应，结果得到的时间序列被转换为零均值的等效时间序列。最后，为了确保协方差平稳性<ref name="Seth_causal_connectivity_evolved_neural_networks">{{cite journal|author=Seth A|title=Causal connectivity of evolved neural networks during behavior|journal=Network: Computation in Neural Systems|year=2005|volume=16|issue=35–54}}</ref>，对每个时间序列进行了一级差分处理。预处理完成后，在每个条件下的每次运行中，使用最小二乘回归分别计算了CM的线性和非线性格兰杰涌现性。我选择了模型阶数p=5和（用于非线性分析的）多项式阶数q=3。模型阶数是基于所有75次运行的平均Akaike信息准则<ref name="Seth_measuring_autonomy" />选定的。
对于每个条件，boid模拟运行了25次，每次运行持续5000个时间步；在每次运行中，记录了每个boid的x和y坐标以及全局质心。在计算格兰杰涌现性之前，进行了几个预处理步骤。为了降低数据集的维度，并增强对边界效应的鲁棒性，将每对x和y坐标转换为反映环境中心距离的单个变量。前500个数据点被移除，以消除初始瞬态效应，结果得到的时间序列被转换为零均值的等效时间序列。最后，为了确保协方差平稳性<ref name="Seth_causal_connectivity_evolved_neural_networks">{{cite journal|author=Seth A|title=Causal connectivity of evolved neural networks during behavior|journal=Network: Computation in Neural Systems|year=2005|volume=16|issue=35–54}}</ref>，对每个时间序列进行了一级差分处理。预处理完成后，在每个条件下的每次运行中，使用最小二乘回归分别计算了CM的线性和非线性格兰杰涌现性。我选择了模型阶数p=5和（用于非线性分析的）多项式阶数q=3。模型阶数是基于所有75次运行的平均Akaike信息准则<ref name="Seth_measuring_autonomy" />选定的。