Self-Organizing 基础行为的自组织系统是我在2017下半年开启的个人项目。
这一系统从经典生长原型DLA以及Differential Growth中抽离了四种基础行为并重组：生长、死亡、吸引、排斥。通过判定单体周边环境的密度分布给予不同权重及生长方向，再通过场的调节加强不均匀分化，使族群不断增殖。
详情见推送： 【算法】基础行为的自组织|Self-Organizing | 20170924-20171227
行为 – 系统
它是一个基于密度的系统，自我生长增殖以占据整个空间。整个系统基于两类个体：种子与母体 ——他们遵循着相应的两套行为。随着系统发展，个体与周边关系的变化，个体的类型在种子与母体之间相互切换。
生长与死亡的行为，表现出类似DLA的特征，即外部细胞更容易累积生长。 吸引与排斥的行为，则表现出类似Differential Growth的特征，即粒子之间保持着一定距离，并且系统会因此逐渐膨胀。
当粒子之间相距过近，其间会产生排斥以保持距离，同时，密度较小的“种子”粒子则会将周边吸引，这样一来密度发生了分化，形态的分支得以产生。我将吸引与排斥称为“动态行为”，即借此使不断累加的系统具有动态特征，比DLA具有更高的可塑性。
这些行为，都是相互对立的极点，假如任意一个行为消失，系统都不成立，变得不平衡且单极化，失去自组织的生长特性 —— 正是这种摇摆不定的中间态发展了系统，而从中也产生了智能。
系统 – 原型
当我们调整行为的参数比重，整个系统的发展模式会明显靠近这一行为所对应的原型——高动态值的系统呈现出Differential的碰撞与排斥特征；低动态值的系统则呈现出类DLA的累积特征；高度分化的系统在同一尺度下具有更多分支，低分化的系统则主要由母体例子组成。
Based on the above, the system is a mixture of several prototypes, from which we extract individual behaviors. By controlling weight of behaviors, we can control the weight of prototypes, adapt the system to specific circumstances. As a “created” mix system, it is defined by the ratio and weight we set, for different goals.
系统 – 变体
智能系统的一大特征就是对于周遭产生反应，调节自身或改变环境。当环境发生改变——加入障碍、场等因素——系统会对其产生反应，并调节自身以适应环境。这一属性意味着我们能引入一些复杂的设计因素，来引导系统发展为之服务。
环境 – 变量
时间 – 变量
自组织 – 地形
前期的研究主要基于平面，我尝试将生成的粒子向3D转变，通过将时间线上的累加密度转变为高度，人工的自然地形由此产生。
自组织 3D
在多次修改后，我发展出了3D版本的算法（密度的计算在这一版本中被改为类似风玫瑰的矢量密度），拥有更高的效率以及可控性。
高生长率 – 高动态值 
高生长率 – 中等搜索半径 
低生长率 – 高搜索半径 
高动态值 
中动态值 
低动态值
系统 – 城市
系统的复杂行为可以被看作基因键，正是它们定义了系统。假如我们从更多的原型中抽离行为（譬如 React-Diffusion）那么每一个个体将能承载更多层级的信息，展现出更加丰富的行为。
而人类社会就是一个多维度的复杂系统，而其中的一个个体承载着更加复杂的信息与行为。而建筑作为社会结构的一种具象形式，它也许能成为一种自组织——在这种自发的平衡当中我们能找到更好的解决问题的方式——一种自下而上的方式。 在我的项目比特侵蚀当中，就展开了一次针对城区的自组织迭代设计。
