10.

10.md

@@ -112,3 +112,121 @@ class Driver:
 
 在某些情况下，堵塞本身会向后传播，如果你观看本章的笔记本中的动画，您可以看到它。
 
+## 10.2 随机噪声
+
+![](img/10-2.png)
+
+图 10.2：平均速度和汽车数量的函数，带有三个大小的附加随机噪声
+
+随着汽车数量的增加，交通堵塞变得更加严重。 图？显示了汽车能够达到的平均速度，相对于汽车数量的函数。
+
+最上面那行显示`eps = 0`的结果；也就是说，速度没有随机变化。 如果汽车数量少于 25 辆，则汽车之间的间隔大于 40，这样汽车可以达到并保持 40 的最大速度。超过 25 辆汽车形成交通堵塞，平均速度迅速下降。
+
+这种效果是仿真物理学的直接结果，所以它不应该令人惊讶。 如果道路的长度为 1000，则`n`个车辆之间的间距为`1000 / n`。 而且由于汽车的行驶速度不超过前面的空间，所以我们预计，最高平均车速为`1000 / n`或 40，取最小者。
+
+但这是最好的情况。只有少量的随机性，情况会变得更糟。
+
+图？也显示了`eps = 0.001`和`eps = 0.01`的结果，其对应于 0.1% 和 1% 的速度误差。
+
+即使有少量噪音，高速路的容量也会从 25 降至 20（“容量”是指可以达到并保持速度限制的最大车辆数量。 如果有 1% 的误差，容量会下降到 10。
+
+作为本章结尾的练习之一，您将有机会设计出更好的驾驶员; 也就是说，您将在`choose_acceleration`中尝试不同的策略，并查看您是否可以找到可提高平均速度的驾驶行为。
+
+## 10.3 Boids
+
+1987 年，Craig Reynolds 发表了《兽群，鸟群和鱼群：分布式行为模型》（Flocks, herds and schools: A distributed behavioral model），描述了一个基于智能体的兽群行为模型。 您可以从 <http://www.red3d.com/cwr/papers/1987/boids.html> 下载他的论文。
+
+这种模型中的智能体被称为“boids”，既是“bird-oid”的缩写，又是“bird”的口音发音（虽然 boids 也用于模拟鱼类和集中的陆生动物）。
+
+每个智能体模拟了三种行为：
+
+避免碰撞：
+
+避开障碍物，包括其他鸟类。
+
+鸟群集中：
+
+移向鸟群的中心。
+
+速度匹配：
+
+将速度（速率和方向）与邻近的鸟类对齐。
+
+Boid 只根据局部信息做出决定；每个 boid 只能看到（或注意）其视野范围内的其他 boid。
+
+
+在本书的仓库中，您会发现`Boids7.py`，它包含我的 boids 实现，部分基于《Flake, The Computational Beauty of Nature》（雪花：自然的计算之美）中的描述。
+
+该程序定义了两个类：`Boid`，实现了 boid 算法，和`World`，包含`Boid`列表和吸引`Boid`的“胡萝卜”列表。
+
+boid 算法使用`get_neighbors`在视野中查找其他 boid：
+
+```py
+def get_neighbors(self, others, radius, angle):
+    boids = []
+    for other in others:
+        if other is self:
+           continue
+
+        offset = other.pos - self.pos
+
+        # if not in range, skip it
+        if offset.mag > radius:
+            continue
+
+        # if not within viewing angle, skip it
+        if self.vel.diff_angle(offset) > angle:
+            continue
+
+        # otherwise add it to the list
+        boids.append(other)
+
+    return boids
+```
+
+`get_neighbors`使用向量减法来计算从`self`到`other`的向量。 这个向量的们是到另一个 boid 的距离。 `diff_angle`计算`self`的速度（也是视线）与另一个 boid 之间的角度。
+
+`center`寻找视野中 boid 的质心，并返回一个指向它的向量：
+
+```py
+
+def center(self, others):
+    close = self.get_neighbors(others, r_center, a_center)
+    t = [other.pos for other in close]
+    if t:
+        center = sum(t)/len(t)
+        toward = vector(center - self.pos)
+        return limit_vector(toward)
+    else:
+        return null_vector
+```
+
+同样，`avoid`寻找范围内任何障碍物的质心，并返回一个指向它的向量，`copy`将返回当前朝向和邻居的平均朝向之间的差，`love `计算出胡萝卜的朝向。
+
+`set_goal`计算这些目标的加权总和并设定总体目标：
+
+```py
+
+def set_goal(self, boids, carrot):
+    self.goal = (w_avoid * self.avoid(boids, carrot) +
+                 w_center * self.center(boids) +
+                 w_copy * self.copy(boids) +
+                 w_love * self.love(carrot))
+```
+
+最后`move`更新 boid 的速度，位置和姿势。
+
+```py
+def move(self, mu=0.1):
+    self.vel = (1-mu) * self.vel + mu * self.goal
+    self.vel.mag = 1
+
+    self.pos += dt * self.vel
+    self.axis = b_length * self.vel.norm()
+```
+
+新速度是旧速度和目标的加权和。 参数`mu`决定鸟类能够多快地改变速度和方向。 时间步长`dt`决定了 boids 移动的距离。
+
+许多参数影响鸟群行为，包括每个行为的范围，角度和权重以及可操作性`mu`。
+
+这些参数决定了 boids 形成和维持鸟群的能力，以及鸟群中运动和组织的模式。 对于某些设置，boids 类似于一群鸟；其他设置类似于鱼群或一片飞虫。