跳到主要内容

算法与生成系统

引言：代码即创造​

如果自然是无意识的内容生成者，数据流是现实的数字镜像，那么算法生成系统则是纯粹的创造——用数学和逻辑从虚无中涌现出无限可能。从简单的随机数生成器到复杂的AI模型，算法使我们能够设计专属的"宇宙规则"。

一、随机性：混沌的艺术​

1.1 伪随机数生成器（PRNG）​

线性同余生成器（LCG）​

公式：

X(n+1) = (a * X(n) + c) mod m

特性：

  • 确定性（相同种子 → 相同序列）
  • 周期性（最多m个不重复值）
  • 快速但不够"随机"

应用：

class SimpleLCG:
    def __init__(self, seed=42):
        self.state = seed

    def next(self):
        self.state = (1103515245 * self.state + 12345) % (2**31)
        return self.state / (2**31)  # 归一化到[0,1)

rng = SimpleLCG()
for _ in range(10):
    print(rng.next())

梅森旋转（Mersenne Twister）​

  • Python默认PRNG
  • 周期 2^19937 - 1
  • 统计性质优秀

XorShift, PCG​

  • 更快、更小状态空间
  • 适合游戏、模拟

1.2 真随机数生成器（TRNG）​

物理随机源​

  • 量子随机：光子偏振、真空涨落
  • 热噪声：电阻的Johnson-Nyquist噪声
  • 放射性衰变：不可预测的核事件
  • 大气噪声：random.org使用的方法

在线服务：

import requests
# ANU量子随机数
response = requests.get('https://qrng.anu.edu.au/API/jsonI.php?length=10&type=uint8')
random_numbers = response.json()['data']

1.3 噪声函数​

Perlin噪声​

特点：

  • 连续、可微
  • 多尺度叠加（Octaves）
  • 自然纹理感

代码：

from noise import pnoise2

# 生成2D Perlin噪声地形
for y in range(100):
    for x in range(100):
        value = pnoise2(x/10.0, y/10.0, octaves=4)
        # value ∈ [-1, 1]，可映射到高度、颜色等

应用：

  • 程序生成地形
  • 云纹理
  • 自然动画

Simplex噪声​

  • Perlin的改进版（更快，无方向性伪影）
  • 高维噪声更高效

Worley噪声（细胞噪声）​

  • 生成泡沫、细胞、石头纹理
  • 基于Voronoi图

二、程序生成内容（Procedural Generation）​

2.1 无限地形​

Minecraft式体素世界​

算法：

  1. 种子 → 伪随机生成器
  2. Perlin噪声 → 高度图
  3. 生物群系映射（温度、湿度噪声）
  4. 洞穴系统（3D Worm算法）
  5. 矿物分布（概率放置）

关键代码：

def generate_chunk(seed, chunk_x, chunk_z):
    rng = SimpleLCG(seed + hash((chunk_x, chunk_z)))

    for x in range(16):
        for z in range(16):
            world_x = chunk_x * 16 + x
            world_z = chunk_z * 16 + z

            # 基础高度
            height = int(pnoise2(world_x/100, world_z/100) * 20 + 64)

            # 生成柱状方块
            for y in range(height):
                if y == 0:
                    block = BEDROCK
                elif y < height - 4:
                    block = STONE
                elif y < height - 1:
                    block = DIRT
                else:
                    block = GRASS

                set_block(world_x, y, world_z, block)

优势：

  • 无限世界，按需生成
  • 确定性：相同坐标总是生成相同地形
  • 内存高效：不需存储所有数据

No Man's Sky式星球​

  • 18,446,744,073,709,551,616 个可探索行星
  • 每个星球：地形、生态、生物、天气
  • 全部从64位种子生成

2.2 迷宫与地牢​

递归回溯算法​

def generate_maze(width, height):
    maze = [[WALL] * width for _ in range(height)]

    def carve(x, y):
        maze[y][x] = PATH
        directions = [(0,1), (1,0), (0,-1), (-1,0)]
        random.shuffle(directions)

        for dx, dy in directions:
            nx, ny = x + 2*dx, y + 2*dy
            if 0 <= nx < width and 0 <= ny < height and maze[ny][nx] == WALL:
                maze[y+dy][x+dx] = PATH  # 移除墙
                carve(nx, ny)

    carve(1, 1)
    return maze

BSP（二叉空间分割）地牢​

  1. 递归划分空间为房间
  2. 用走廊连接兄弟房间
  3. 放置门、宝箱、敌人

应用：Rogue-like游戏

2.3 程序音乐​

生成旋律​

规则示例：

import random
from midiutil import MIDIFile

# 音阶（C大调）
scale = [60, 62, 64, 65, 67, 69, 71, 72]

def generate_melody(length=16):
    melody = [random.choice(scale)]

    for _ in range(length - 1):
        # 倾向于小跳跃（级进）
        step = random.choice([-2, -1, -1, 0, 1, 1, 2])
        next_note = melody[-1] + step

        # 约束在音阶内
        while next_note not in scale:
            next_note += 1 if step > 0 else -1

        melody.append(next_note)

    return melody

# 写入MIDI
midi = MIDIFile(1)
for i, note in enumerate(generate_melody()):
    midi.addNote(0, 0, note, i*0.5, 0.5, 100)

with open("melody.mid", "wb") as f:
    midi.writeFile(f)

生成和声​

  • 马尔可夫链：基于和弦进行概率
  • L-系统：分形音乐结构

案例：Brian Eno的生成音乐​

  • 《Music for Airports》
  • 系统：多个独立循环，长度互质，产生超长不重复组合

2.4 程序艺术​

分形​

曼德布罗特集：

def mandelbrot(c, max_iter=100):
    z = 0
    for n in range(max_iter):
        if abs(z) > 2:
            return n
        z = z*z + c
    return max_iter

# 渲染
for y in range(height):
    for x in range(width):
        c = complex((x - width/2) / scale, (y - height/2) / scale)
        color = mandelbrot(c)
        draw_pixel(x, y, colormap(color))

特征：

  • 无限缩放，细节不竭
  • 确定性但视觉复杂

其他分形：Julia集、Burning Ship、Newton分形

生成艺术（Generative Art）​

Processing/p5.js典型模式：

function setup() {
    createCanvas(800, 600);
}

function draw() {
    // 不清空画布，累积效果
    translate(width/2, height/2);
    rotate(frameCount * 0.01);

    let r = map(sin(frameCount * 0.05), -1, 1, 50, 200);
    stroke(255, 20);
    noFill();
    ellipse(0, 0, r, r);
}

艺术家：

  • Tyler Hobbs (Fidenza)
  • Matt DesLauriers
  • Zach Lieberman

三、元胞自动机（Cellular Automata）​

3.1 Conway生命游戏​

规则：

  1. 活细胞周围有2-3个活邻居 → 存活
  2. 死细胞周围有3个活邻居 → 复活
  3. 其他情况 → 死亡

代码：

import numpy as np

def step(grid):
    neighbors = sum(np.roll(np.roll(grid, i, 0), j, 1)
                   for i in (-1, 0, 1) for j in (-1, 0, 1)
                   if (i != 0 or j != 0))

    return (neighbors == 3) | (grid & (neighbors == 2))

# 初始化随机状态
grid = np.random.choice([0, 1], size=(100, 100))

# 演化
for generation in range(1000):
    grid = step(grid)
    display(grid)

涌现模式：

  • 静物：Block, Beehive
  • 振荡器：Blinker, Pulsar
  • 飞船：Glider, LWSS
  • 枪：Glider Gun（周期性产生飞船）

哲学意义：

  • 简单规则 → 复杂行为
  • 图灵完备（可模拟任何计算）
  • 生命的简化模型

3.2 其他元胞自动机​

Rule 30（Wolfram）​

规则：

当前: 111 110 101 100 011 010 001 000
下一: 0   0   0   1   1   1   1   0

特性：

  • 一维元胞自动机
  • 产生混沌模式
  • 可用作伪随机数生成器

代码：

def rule30(row):
    new_row = [0] * len(row)
    for i in range(1, len(row) - 1):
        pattern = row[i-1] * 4 + row[i] * 2 + row[i+1]
        new_row[i] = (30 >> pattern) & 1
    return new_row

Langton蚂蚁​

规则：

  • 白格上：右转，翻转格子，前进
  • 黑格上：左转，翻转格子，前进

涌现：

  • 初期混乱
  • 10000步后进入"高速公路"模式（周期性）

四、L-系统（Lindenmayer Systems）​

4.1 原理​

形式文法：

  • 公理：初始字符串
  • 规则：字符替换规则
  • 迭代：反复应用规则

4.2 植物生长模拟​

例子：分形树

公理: F
规则: F → F[+F]F[-F]F

解释:
F: 前进
[: 保存状态
]: 恢复状态
+: 右转25°
-: 左转25°

代码：

def l_system(axiom, rules, iterations):
    current = axiom
    for _ in range(iterations):
        next_gen = ""
        for char in current:
            next_gen += rules.get(char, char)
        current = next_gen
    return current

def draw_l_system(instructions, angle=25):
    stack = []
    pos = (0, 0)
    direction = 90

    for cmd in instructions:
        if cmd == 'F':
            new_pos = (pos[0] + cos(radians(direction)),
                       pos[1] + sin(radians(direction)))
            draw_line(pos, new_pos)
            pos = new_pos
        elif cmd == '+':
            direction += angle
        elif cmd == '-':
            direction -= angle
        elif cmd == '[':
            stack.append((pos, direction))
        elif cmd == ']':
            pos, direction = stack.pop()

# 生成并绘制
instructions = l_system("F", {"F": "F[+F]F[-F]F"}, 4)
draw_l_system(instructions)

应用：

  • 树木、蕨类、藻类建模
  • 程序生成植被

4.3 分形曲线​

Koch雪花：

公理: F--F--F
规则: F → F+F--F+F
角度: 60°

Dragon曲线：

公理: FX
规则: X → X+YF+
      Y → -FX-Y

五、人工智能生成​

5.1 文本生成​

马尔可夫链​

原理：基于前N个词预测下一个词

代码：

import random
from collections import defaultdict

def build_markov_chain(text, order=2):
    words = text.split()
    chain = defaultdict(list)

    for i in range(len(words) - order):
        key = tuple(words[i:i+order])
        next_word = words[i+order]
        chain[key].append(next_word)

    return chain

def generate_text(chain, length=50, order=2):
    # 随机起始
    current = random.choice(list(chain.keys()))
    result = list(current)

    for _ in range(length - order):
        if current not in chain:
            break
        next_word = random.choice(chain[current])
        result.append(next_word)
        current = tuple(result[-order:])

    return ' '.join(result)

# 训练
corpus = """Your training text here..."""
chain = build_markov_chain(corpus, order=2)
print(generate_text(chain, length=100))

GPT系列（Transformer）​

能力：

  • 长文本连贯性
  • 多种风格模仿
  • 按提示生成

持续生成：

# 使用OpenAI API
import openai

def stream_story():
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[{"role": "user", "content": "讲一个无尽的故事"}],
        stream=True
    )

    for chunk in response:
        if 'content' in chunk['choices'][0]['delta']:
            yield chunk['choices'][0]['delta']['content']

for word in stream_story():
    print(word, end='', flush=True)

5.2 图像生成​

GAN（生成对抗网络）​

原理：

  • 生成器：噪声 → 图像
  • 判别器：图像 → 真/假
  • 对抗训练

应用：

  • 人脸生成（This Person Does Not Exist）
  • 艺术风格迁移
  • 图像修复

Diffusion模型​

代表：Stable Diffusion, DALL-E, Midjourney

特点：

  • 文本提示控制
  • 高质量、多样性
  • 可持续生成变体

持续生成应用：

from diffusers import StableDiffusionPipeline

pipe = StableDiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-2")

# 持续生成不同种子的图像
prompt = "A serene landscape at sunset"
for seed in range(1000):
    image = pipe(prompt, generator=torch.manual_seed(seed)).images[0]
    display(image)

5.3 音乐生成​

RNN/LSTM音乐模型​

训练：MIDI数据集 生成：逐音符采样

MusicVAE, Magenta​

  • Google Magenta项目
  • 插值、延续、变奏

Jukebox (OpenAI)​

  • 生成原始音频（非MIDI）
  • 多种流派和艺术家风格

六、混合系统：规则+AI​

6.1 程序辅助AI​

例子：AI地牢主持

  • 规则系统：游戏机制、物理法则
  • AI模型：故事叙述、NPC对话

6.2 AI辅助程序​

例子：波浪函数坍缩（WFC）

  • 算法：基于样本的约束满足
  • AI增强：学习更好的约束权重

6.3 人机协作生成​

Photoshop生成填充：

  • 用户：选区+提示
  • AI：生成内容
  • 系统：无缝融合

七、评估生成系统​

7.1 多样性（Diversity）​

度量：

  • 唯一性比例
  • 分布熵

避免：模式崩溃（Mode Collapse）

7.2 连贯性（Coherence）​

文本：语法正确性、逻辑一致 图像：无伪影、透视正确 音乐：和声规则、节奏稳定

7.3 可控性（Control）​

参数化：

  • 显式：难度、风格、主题
  • 隐式：种子、潜空间向量

理想：高维参数空间，每个维度有明确语义

7.4 惊喜度（Novelty）​

平衡：

  • 太熟悉 = 无聊
  • 太奇怪 = 不可理解

最佳点：边缘熵（edge of entropy）

八、哲学思考​

8.1 创造性的本质​

问题：算法生成算"创造"吗？

观点：

  • 工具论：算法是工具，创造者是编程者
  • 协作论：人设定框架，算法探索空间，共同创造
  • 自主论：复杂AI系统展现真正创造性

8.2 无限可能的诅咒​

问题：能生成一切 = 难以找到好的

解决：

  • 策展（Curation）：人工筛选
  • 适应度函数（Fitness）：自动评估
  • 交互式进化：用户反馈引导

8.3 确定性vs随机性​

观察：

  • 纯确定：可复现，但可预测
  • 纯随机：不可复现，难以调试

实践：

  • 种子控制的随机性
  • 确定性框架+随机细节

九、实践项目建议​

9.1 入门：无限迷宫浏览器​

技术：

  • Web界面（HTML Canvas）
  • JavaScript程序生成
  • URL存储种子（可分享）

9.2 进阶：程序音乐播放器​

功能：

  • 实时生成无尽音乐
  • 参数调节（速度、情绪、复杂度）
  • Web Audio API

9.3 高级：生成游戏引擎​

组件：

  • 地形生成
  • 任务生成
  • NPC对话（AI）
  • 物品属性随机化

9.4 艺术：生成视觉装置​

硬件：

  • 投影仪/LED矩阵
  • 传感器输入（声音、动作）
  • 实时渲染生成图形

十、资源与工具​

10.1 编程库​

Python：

  • noise：Perlin/Simplex噪声
  • numpy：数值计算
  • Pillow：图像处理

JavaScript：

  • p5.js：创意编程
  • three.js：3D生成
  • tone.js：音频生成

10.2 学习资源​

书籍：

  • 《The Nature of Code》Daniel Shiffman
  • 《Procedural Generation in Game Design》
  • 《Generative Design》

在线：

  • Coding Train (YouTube)
  • Generative Hut
  • Shadertoy (着色器艺术)

十一、总结​

算法生成系统将抽象规则转化为具体内容，是持续内容生成的智力维度。

核心要点：

  1. 随机性是基础，但需要结构约束
  2. 程序生成适合无限、动态的内容需求
  3. AI大幅提升生成质量和多样性
  4. 最佳系统平衡控制与惊喜
  5. 生成是创造力的放大器，非替代品

下一篇文档将探讨人类活动与社会系统——集体智慧如何涌现内容。