🐦 Wędrowne stado ptaków

Każda reguła generuje wektor sterujący, który jest dodawany do bieżącej prędkości ptaka. Separacja oblicza ważoną sumę wektorów odwrotnie proporcjonalnych do odległości, skierowanych od pobliskich ptaków. Dopasowanie oblicza średnią prędkość sąsiadów w promieniu dopasowania i kieruje ptaka ku temu kursowi. Spójność znajduje centroid pobliskich ptaków i kieruje ku niemu. Wszystkie trzy wektory sił są ograniczane do maksymalnej wartości w każdej klatce, aby zapobiec nierealistycznemu przyspieszeniu. Połączona aktualizacja wygląda tak: new_velocity = clamp(v + w_sep * F_sep + w_align * F_align + w_coh * F_coh, max_speed).

Algorytm Boids Reynoldsa został po raz pierwszy użyty w filmie w Powrocie Batmana (1992) Tima Burtona, aby animować roje nietoperzy i marsze pingwinów bez ręcznej animacji każdej postaci. Obecnie jest standardem w sztucznej inteligencji tłumu w grach wideo, koordynacji rojów robotów (na przykład pokazy świetlne dronów z setkami autonomicznych statków powietrznych), modelowaniu przepływu ruchu drogowego, a nawet projektowaniu samoorganizujących się sieci czujników, gdzie poszczególne węzły stosują lokalne reguły, aby osiągnąć globalne pokrycie.

Badania biologiczne w dużej mierze potwierdzają model Boids, choć prawdziwe murmuracje szpaków są rządzone przez sąsiedztwa topologiczne, a nie metryczne — każdy ptak śledzi swoich sześciu lub siedmiu najbliższych sąsiadów liczonych ilościowo, a nie w ramach stałego promienia odległości. Eksperymenty z użyciem szybkich kamer 3D na stadach szpaków w Rzymie (Ballerini i in., 2008) potwierdziły tę topologiczną interakcję, dzięki której murmuracje są bardziej odporne na zmiany gęstości stada, niż przewidywałby model metryczny Boids.

Craig Reynolds, badacz grafiki komputerowej, formalnie zamodelował zachowanie stadne w swoim przełomowym artykule SIGGRAPH z 1987 roku „Flocks, Herds, and Schools: A Distributed Behavioral Model”. Samo zjawisko naturalne było jednak obserwowane i badane przez ornitologów od wieków. Przełom Reynoldsa polegał na wykazaniu, że trzy lokalne reguły interakcji wystarczają, by odtworzyć złożone, wyłaniające się wzorce widoczne w prawdziwych grupach zwierząt, bez żadnej odgórnej koordynacji.

Te same zasady samoorganizacji pojawiają się w ławicach ryb, rojach owadów (szarańcza, pszczoły), dynamice tłumu pieszych, a nawet zbiorowym ruchu komórek podczas gojenia się ran i rozwoju zarodka. Wszystkie mają wspólną cechę wyłaniającego się porządku z lokalnych reguł. Na tej stronie symulacja Motyle i kwiaty pokazuje powiązany ruch oparty na przyciąganiu, a symulacja Pożar lasu przedstawia inną klasę wyłaniającego się wzorca przestrzennego poprzez zarażanie, a nie sterowanie.

Robotyka rojowa wykorzystuje algorytmy wywodzące się z Boids do koordynowania dziesiątek lub setek autonomicznych robotów bez centralnego kontrolera. Zastosowania obejmują drony poszukiwawczo-ratownicze, które zbiorowo pokrywają duże obszary, floty dronów rolniczych do monitorowania upraw oraz roje pojazdów podwodnych do mapowania oceanów. Kluczową zaletą inżynieryjną jest odporność: usunięcie jednego robota nie niszczy roju, ponieważ każda jednostka polega wyłącznie na lokalnym wykrywaniu, tak jak usunięcie jednego ptaka nie zakłóca stada.

Aktywne obszary badań obejmują zrozumienie, jak informacja o zagrożeniu ze strony drapieżnika rozprzestrzenia się przez murmurację szybciej, niż pozwala na to indywidualny czas reakcji (zjawisko zwane „kaskadą informacyjną”), rolę szumu i indywidualnej zmienności w utrzymaniu spójności stada oraz zastosowanie uczenia maszynowego do odkrywania rzeczywistych reguł interakcji, jakie stosują zwierzęta, na podstawie danych trajektorii śledzonych GPS. Fizycy badają też stadność jako przykład materii aktywnej — systemów dalekich od równowagi termodynamicznej, wykazujących przejścia fazowe analogiczne do magnetyzmu.