黏菌网络模拟

模拟多头绒泡菌(Physarum)释放并追踪趋化轨迹,编织出自然的有机网络脉络。

Trailnonestrong
100%

Thousands of agents lay and follow chemical trails, weaving slime-mold networks. Hold the pointer over the canvas to drop food there, an event in time that Restart leaves out, and watch the swarm reach for it.

Setup
6000
220 × 220 cells

你觉得 黏菌网络模拟 体验如何?

关于 黏菌网络模拟

模拟生物
多头绒泡菌(Physarum polycephalum),一种单细胞黏菌
算法模型
Jeff Jones 智能体模型 (2010):感应、旋转、移动、沉积
智能体数量
1,000 至 20,000
行为预设
Classic、Fine veins、Thick highways、Cell foam、Long tendrils
交互操作
移动光标投放食物

适用场景:: 深夜放松

多头绒泡菌(Physarum polycephalum)是一种单细胞生物,通过伸展黄色管状网络来搜寻食物。尽管没有大脑,它却能构建极高效率的路径网络:2000年中垣俊之团队证实它能在迷宫中找到最短路径;2010年手老笃史团队发现,黏菌在按东京都周边城市位置摆放的燕麦片之间生长出的网络,与当地的铁路线路布局惊人一致。

2010年,Jeff Jones提出了模拟这一行为的简易智能体模型。数以万计的粒子各自利用三个传感器检测前方的化学痕迹,转向浓度最高的方向,前进并分泌新的化学痕迹;与此同时,痕迹在每一步都不断扩散与蒸发。在没有任何宏观规划与指挥者的情况下,群体自组织形成分支脉络般的运输网络,并在动态中持续重构。

本模拟支持运行1,000至20,000个智能体。选择Classic、Fine veins、Thick highways、Cell foam或Long tendrils等预设,微调Sensor angle(感应角度)、Sensor distance(感应距离)、Turn angle(转向角度)、Evaporation(蒸发率)、Speed(速度)与Contrast(对比度)。在画布上滑动光标投放食物,观察网络向其聚拢延伸,随后导出高分辨率PNG。

如何使用 黏菌网络模拟

  1. 点击 Play. 观察智能体向外扩散,留下的轨迹相互交织成有机网络。
  2. 选取行为模式. 体验Classic、Fine veins、Thick highways、Cell foam或Long tendrils等预设。
  3. 调节感知参数. Sensor angle与Sensor distance控制每个智能体前方的感应视场与距离;Turn angle决定其转向灵敏度。
  4. 塑造轨迹形态. 提高Evaporation可产生细微且瞬息万变的脉络,调低则形成粗壮持久的干线通道。Contrast用于调节轨迹的明暗度。
  5. 投放食物. 在画布上移动光标投放食物,网络会自动向光标位置延伸生长。
  6. 导出图像. 配置心仪的色彩方案,在满意的图案形态上暂停,导出高清晰度PNG。

常见问题解答

黏菌是真菌吗?

不是。虽然名称中带“菌”,但多头绒泡菌属于变形虫类原生生物:它是一个拥有无数细胞核的单一巨大细胞,通过蠕动爬行并吞噬细菌与真菌孢子。实验室通常使用燕麦片进行培养。

黏菌是如何解开迷宫的?

它会先铺满迷宫的每一条通路,随后强化在食物源之间传输流量最大的管道,并让闲置管路萎缩退化。最终保留下来的便是最短连接路径,全程无需任何中央控制。

该模拟的运作原理是什么?

每个智能体都配备指向正前、左前和右前的三个感应点。每一步它都会转向信号最强的感应点方位,向前迈进并留下化学痕迹。轨迹图随后轻微扩散并蒸发,繁忙路段逐渐强化,冷清路段则逐渐淡化消逝。

哪些参数对图案形态影响最大?

感应角度与感应距离。较宽的感应角搭配短距离会形成细密多孔的泡状细胞网;窄感应角搭配长距离则促成平滑延伸的粗壮主干。蒸发速率则决定了网络淘汰旧路径的速度。

可以通宵挂机运行吗?

完全可以。选择Fine veins或Cell foam预设并调低Speed,开启全屏模式并降低屏幕亮度。模拟完全静音,网络会在运行中持续不断地推演与重构。

相关指南

参考文献

  1. Jones, J. (2010). Characteristics of pattern formation and evolution in approximations of Physarum transport networks. Artificial Life 16(2), 127–153.
  2. Nakagaki, T., Yamada, H., & Tóth, Á. (2000). Maze-solving by an amoeboid organism. Nature 407, 470.
  3. Tero, A., Takagi, S., Saigusa, T., Ito, K., et al. (2010). Rules for biologically inspired adaptive network design. Science 327(5964), 439–442.