The Nature of Code

1. Vettori: I Mattoni del Movimento

Un vettore è solitamente rappresentato da una freccia; la direzione è indicata dalla punta della freccia, mentre la grandezza dalla lunghezza della stessa.

I vettori definiscono il movimento. Con la loro grandezza e direzione, i vettori sono la struttura dati fondamentale per programmare il movimento. Rappresentano la differenza tra due punti e possono descrivere posizione, velocità, accelerazione e forze. Invece di usare variabili separate per x e y, i vettori ci permettono di racchiudere il movimento in un unico oggetto, semplificando il codice e fornendo una base per simulazioni più complesse.

La matematica dei vettori è essenziale. Operazioni come somma, sottrazione, moltiplicazione, divisione, calcolo della grandezza e normalizzazione sono le basi per manipolare il movimento. Queste operazioni sono implementate come funzioni nella classe PVector, consentendoci di calcolare e applicare facilmente forze, modificare velocità e controllare la direzione degli oggetti. Per esempio, sommare un vettore velocità a un vettore posizione sposta un oggetto, mentre normalizzare un vettore ci dà un vettore unitario che può essere scalato a qualsiasi grandezza.

I vettori semplificano il codice. Usandoli, possiamo ridurre il numero di variabili necessarie a descrivere il movimento. Invece di variabili separate per x, y, velocità in x e velocità in y, possiamo usare due oggetti PVector: posizione e velocità. Questo rende il codice più leggibile e facile da mantenere, oltre a fornire una base per simulazioni più complesse.

2. Forze: Il Perché del Come

Una forza è un vettore che causa l’accelerazione di un oggetto dotato di massa.

Le forze causano l’accelerazione. Anche le forze sono vettori e sono la causa delle variazioni nella velocità di un oggetto. La seconda legge di Newton (F=ma) è la chiave per comprendere come le forze influenzano il movimento. Una forza applicata a un oggetto ne provoca l’accelerazione, la cui intensità è inversamente proporzionale alla massa dell’oggetto.

L’accumulo delle forze è fondamentale. Più forze possono agire contemporaneamente su un oggetto. Per simularlo, dobbiamo sommare tutte le forze che agiscono sull’oggetto e poi applicare la forza risultante alla sua accelerazione. Questo si ottiene sommando tutti i vettori forza e poi dividendo per la massa dell’oggetto.

Le forze possono essere create o modellate. Possiamo inventare forze arbitrariamente (come il vento) o modellarle basandoci sulla fisica reale (come gravità, attrito e resistenza). L’importante è comprendere direzione e grandezza della forza e poi implementarla come un PVector.

3. Oscillazione: I Ritmi della Natura

La curva è generata da una funzione matematica che definisce la probabilità che un dato valore si verifichi in funzione della media (spesso indicata con μ, la lettera greca mu) e della deviazione standard (σ, la lettera greca sigma).

Angoli e moto angolare. Comprendere angoli, velocità angolare e accelerazione angolare è cruciale per simulare oggetti rotanti e oscillanti. Gli angoli sono misurati in radianti in Processing, e possiamo usare la trigonometria (seno, coseno, tangente) per calcolare le componenti di un vettore in base al suo angolo.

Trigonometria per il movimento. La trigonometria ci permette di convertire tra coordinate polari e cartesiane, utile per simulare movimenti circolari e altri comportamenti oscillatori. Le funzioni seno e coseno producono pattern fluidi e ripetitivi che possono controllare la posizione degli oggetti nel tempo.

Oscillazione con ampiezza e periodo. Il moto oscillatorio si descrive tramite ampiezza (la distanza dal centro del moto a uno degli estremi) e periodo (il tempo necessario per un ciclo completo). Possiamo usare seno e coseno per creare movimenti oscillatori, controllando ampiezza e periodo per ottenere effetti diversi.

4. Sistemi di Particelle: Complessità dalla Semplicità

I sistemi di particelle ci permetteranno di esplorare alcune caratteristiche avanzate della programmazione orientata agli oggetti, come ereditarietà e polimorfismo.

Molti oggetti, un solo sistema. I sistemi di particelle sono un modo per gestire un gran numero di oggetti indipendenti, spesso rappresentati da forme semplici o punti. Sono utili per simulare fenomeni naturali come fuoco, fumo e cascate.

Design orientato agli oggetti. I sistemi di particelle sono un ottimo esempio di programmazione orientata agli oggetti. Creiamo una classe Particle per descrivere proprietà e comportamenti di una singola particella, e poi una classe ParticleSystem per gestire una collezione di particelle. Questo ci permette di organizzare il codice e creare sistemi complessi a partire da elementi semplici.

ArrayList per sistemi dinamici. Le ArrayList sono una struttura dati utile per gestire collezioni di oggetti che possono crescere o diminuire nel tempo. Ci consentono di aggiungere e rimuovere oggetti dalla lista secondo necessità, essenziale per simulare sistemi di particelle in cui le particelle nascono e muoiono.

5. Librerie di Fisica: Sfruttare Strumenti Esistenti

Man mano che ci addentreremo in un mondo più complesso di oggetti e forze multiple (che introdurremo nel Capitolo 2), i vantaggi di PVector diventeranno più evidenti.

Box2D per le collisioni. Box2D è un potente motore fisico che gestisce collisioni, giunti e altre simulazioni complesse. Opera in un sistema di coordinate reali (metri, chilogrammi, secondi) e richiede di tradurre tra il suo mondo e il nostro basato sui pixel.

toxiclibs per particelle e molle. Il motore VerletPhysics di toxiclibs è adatto per simulare sistemi di particelle con connessioni a molla. Usa l’integrazione Verlet, un metodo veloce ed efficiente per simulare il movimento. Opera nel sistema di coordinate di Processing, facilitandone l’uso.

Le librerie non sostituiscono la comprensione. Anche se le librerie fisiche possono gestire i calcoli per noi, è importante comprendere i principi fondamentali di vettori, forze e movimento. Questa conoscenza ci permette di usare le librerie efficacemente e di creare simulazioni personalizzate.

6. Agenti Autonomi: Dare Mente agli Oggetti

Esaminando le tecniche dietro la modellazione di agenti autonomi, daremo vita ai nostri oggetti inanimati, permettendo loro di prendere decisioni sui propri movimenti in base alla percezione dell’ambiente.

Gli agenti percepiscono e agiscono. Gli agenti autonomi sono oggetti capaci di percepire l’ambiente e decidere come muoversi. Non sono semplicemente spinti dalle forze; hanno obiettivi e desideri propri.

Comportamenti di guida. I comportamenti di guida, come cercare, fuggire e arrivare, sono algoritmi che permettono agli agenti di muoversi nell’ambiente in modo realistico. Questi si basano sul concetto di velocità desiderata, un vettore che indica la direzione in cui l’agente vuole andare.

Forza di guida = desiderata - attuale. La forza di guida si calcola sottraendo la velocità attuale dell’agente da quella desiderata. Questa forza viene applicata all’accelerazione dell’agente, facendolo cambiare direzione.

7. Automi Cellulari: Regole ed Emergenza

Un sistema complesso è tipicamente definito come un sistema “più della somma delle sue parti”.

Regole semplici, risultati complessi. Gli automi cellulari (CA) sono sistemi di celle che vivono su una griglia e cambiano stato secondo regole semplici. Anche con regole elementari, i CA possono mostrare comportamenti complessi e imprevedibili.

CA unidimensionali. Gli automi elementari di Wolfram sono sistemi unidimensionali con due stati possibili (0 o 1) e un vicinato di tre celle. Nonostante la semplicità, possono generare una grande varietà di pattern, inclusi frattali.

CA bidimensionali. Il Gioco della Vita è un automa bidimensionale con due stati (vivo o morto) e un vicinato di otto celle. Dimostra come regole semplici possano portare a comportamenti complessi ed emergenti, come pattern stabili, oscillatori e “planatori”.

8. Frattali: La Geometria della Natura

Un frattale è una forma geometrica irregolare o frammentata che può essere suddivisa in parti, ognuna delle quali è (almeno approssimativamente) una copia ridotta dell’intero.

Autosimilarità a tutte le scale. I frattali sono forme geometriche che mostrano autosimilarità, cioè appaiono simili a diverse scale. Si trovano spesso in natura, come negli alberi, nelle coste e nei fiocchi di neve.

La ricorsione è fondamentale. I frattali si generano spesso usando la ricorsione, una tecnica in cui una funzione richiama sé stessa. Questo ci permette di creare pattern complessi applicando ripetutamente una regola semplice.

Frattali deterministici vs. stocastici. I frattali deterministici si generano applicando un insieme fisso di regole, mentre quelli stocastici incorporano casualità. Entrambi i tipi possono creare pattern visivamente interessanti e complessi.

9. Algoritmi Genetici: Soluzioni in Evoluzione

Lo scopo di questo libro è arricchire la tua cassetta degli attrezzi. Se conosci solo il caso, il tuo pensiero progettuale è limitato.

Principi evolutivi nel codice. Gli algoritmi genetici (GA) si ispirano al processo di evoluzione biologica. Usano concetti come ereditarietà, variazione e selezione per risolvere problemi.

Genotipo e fenotipo. In un GA, il genotipo è il codice genetico di un elemento (per esempio, un array di numeri), mentre il fenotipo è l’espressione di quel codice (per esempio, una forma o un comportamento). La funzione di fitness valuta quanto bene il fenotipo si comporta.

Selezione, crossover e mutazione. I GA usano la selezione per scegliere i membri più adatti di una popolazione, il crossover per combinare il codice genetico di due genitori e la mutazione per introdurre variazioni. Questi passaggi si ripetono per far evolvere la popolazione verso un risultato desiderato.

10. Reti Neurali: Imparare dall’Esperienza

Lo scopo di questo libro è arricchire la tua cassetta degli attrezzi. Se conosci solo il caso, il tuo pensiero progettuale è limitato.

Ispirate al cervello. Le reti neurali sono modelli computazionali ispirati alla struttura e funzione del cervello umano. Sono usate per riconoscimento di pattern, predizione e controllo.

Perceptron: neuroni semplici. Un perceptron è la rete neurale più semplice, composta da uno o più input, un processore e un singolo output. Usa pesi per regolare gli input e una funzione di attivazione per generare l’output.

Apprendimento tramite feedback. Le reti neurali possono imparare aggiustando i pesi in base al feedback dall’ambiente. Questo può avvenire tramite apprendimento supervisionato (con un insegnante), non supervisionato (senza insegnante) o per rinforzo (osservando).