引论
我自己的房间一直很混乱，偶尔清理整洁，不过几天，便又回归混乱。想来当似热力学中的「熵增原理」。
然而耗散系统却可以自然的形成某种「形式」，赫尔曼·哈肯在《协同学》中介绍了一个现象：用适当的方式加热液体，液体会形成稳定的、周期性的形状。即它自发的形成了某种秩序。
但整理房间、整理物件，最要紧的便是「简单」，复杂的方法总难坚持。而基于启发式策略的「生命游戏」则足够简单，也可以形成某种秩序，可以试着用它来整理房间。
Game of Life
所谓「生命游戏」（Game of Life），就如下图所示，是在一个棋盘之中，有黑色的点，有白色的点。黑色代表这里有一个点，通过简单的规则，产生丰富的图样。
它的基本规则是：
- 当一个点周围的点的数量高于某数时，它将因为太拥挤而死亡；
- 当小于某数时，将因为太孤独而死亡。
- 当某空白点周围的黑子数目符合某条件时，将会产生出一个新的点。
通过这种简单的过程，可以形成非常非常复杂而有序的结构，比如上图，是一个周期结构，稳定的放在那里。
这与我们收拾房间在某些方面是相似的。
- 房间内的物体不可以太过拥挤，太拥挤则难以取用；
- 房间内的物体不可太过零散，太零散则杂乱无章；
基于上边两条「基本法」，可以构建一个自动机模型。不过这里与生命游戏有一点差别：
房间里的东西不会无故丢失，也不会无故产生
也就是说，过于拥挤、零散的点上的物体，要改换位置，这个变换的方式当有所讲究，即优先放到与自己类型相同的物体旁边。
注意到这个时候，我们所有的规则都是基于单个点的，这是这种策略的一个优势：即我们在收拾房间的时候，只需要考虑有限的物体。
代码模拟
我们使用Mathematica建模模拟，下面是对代码的一些解释：
建立随机初始值：
这段代码是用来初始化和建立地图的，其中：
randM = map*
Table[RandomChoice[{1, 1, 3} -> {1, 2, 0}], {i, 1, 40}, {j, 1,
40}];
用map矩阵数乘随机产生的矩阵，用来使其符合地图之要求。
随机选取点进行处理，并依照一定规则移动细胞：
PRandom[m_, mx_] :=(*根据mx矩阵的高斯卷积产生加权随机数，决定与之交换的点*)
Module[{pm = GaussianFilter[m, 2], wlist = {}, elist = {}},
pm = Table[
If[mx[[i]][[j]] == 0 && map[[i]][[j]] == 1, pm[[i]][[j]], 0], {i,
1, Length[m]}, {j, 1, Length[m[[1]]]}];
wlist = Flatten[pm];
elist =
Flatten[Table[{x, y}, {x, 1, Length[m]}, {y, 1, Length[m[[1]]]}],
1];
RandomChoice[wlist*wlist -> elist]
]
m是某颜色物体的矩阵，mx是各个颜色物体的矩阵，其中pm是对m的高斯核卷积，以此算出随机座标的权值。PRandom[]函数本身就是依照m与mx矩阵给出一个随机座标，从而决定当前点移动到哪一点。
PRandomN[m_, n_] :=
(*对颜色为n的点进行操作*)
Module[{m2 =
Table[If[m[[i]][[j]] == n, 1, 0], {i, 1, Length[m]}, {j, 1,
Length[m[[1]]]}]}, PRandom[m2, m]]
PRandom则是依照颜色n给出随机座标。
选取一点周围的八个点：
TakeAroundList[list_, p_] := Module[{len = Length[list]},
Which[
1 < p < len, list[[p - 1 ;; p + 1]],
p == 1, {list[[len]]}~Join~list[[1 ;; 2]],
p == len, list[[len - 1 ;; len]]~Join~{list[[1]]}
]
]
TakeAround[m_, {x_, y_}] :=
Transpose@TakeAroundList[Transpose@TakeAroundList[m, x], y]
这两段代码比较简单，不做详细叙述，功能就是给出某一座标x,y周围的八个点（考虑了边缘部分的问题）。
随机增减物体：
PutInAndDelet[m_, {p1_, p2_}] :=
Module[{m2 = m, pm = (1 - Sign /@ m)*map, wlist = {}, elist = {},
x = 1, y = 1, maxColor = Max[m], pm2 = {}, xd = 1, yd = 1},
pm2 = (1 - pm)*map;
wlist = Flatten[pm];
elist =
Flatten[Table[{x, y}, {x, 1, Length[m]}, {y, 1, Length[m[[1]]]}],
1];
{x, y} = RandomChoice[wlist -> elist];
{xd, yd} = RandomChoice[Flatten[pm2] -> elist];
If[RandomReal[] < p1, m2[[x]][[y]] = RandomInteger[{1, maxColor}]];
If[RandomReal[] < p1, m2[[xd]][[yd]] = 0];
m2
]
随机向内撒入物体，随机模式依照先前的PRandom[]思想。
迭代一次：
ChangeOne[m_] :=
Module[{m2 = m, a = Length[m], b = Length[m[[1]]],
x = RandomInteger[{1, Length[m]}],
y = RandomInteger[{1, Length[m[[1]]]}], MRound = {}, MRound01 = {},
n1 = 0, n2 = 0, p = 4, px = 0, py = 0},(*x,y随机生成，作为迭代对象的座标*)
If[m[[x]][[y]] != 0,(*某点是物体的时候，执行下述操作*)
MRound = TakeAround[m, {x, y}];
MRound[[2]][[2]] = 0;
MRound01 = Sign /@ MRound;
n1 = Total[Flatten[MRound01]];(*以上操作给出其周围邻居数量*)
{px, py} = PRandomN[m, m[[x]][[y]]];(*随机给出移动方位*)
If[
n1 != p, m2[[px]][[py]] = m[[x]][[y]]; m2[[x]][[y]] = 0(*若不符合宜居条件，则移动*)
]; m2,
ChangeOne[m](*若此点为空，则递归直到此点非空*)
]
]
ChangeOne[]代表迭代一次，输入为一矩阵，输出亦为一矩阵。为了效率，地图数据使用全局变量。注释见代码。
有了ChangeOne[]函数之后，便可以使用Nest[]和NestList[]函数对其进行迭代。
实际迭代实验：
mxList = NestList[Nest[ChangeOne, #, 1000] &, randM, 5];
Table[ArrayPlot[mxList[[i]], ColorFunction -> "Rainbow",
Epilog -> {Polygon[{{0, 40}, {11, 40}, {11, 29}, {0, 29}}],
Polygon[{{18, 0}, {18, 12}, {40, 12}, {40, 0}}]}], {i, 1, 6}]
给出如下图像：
可以看到其由随机、混乱的状态渐渐的变得有序。
我们还可以考察它的聚合度，聚合度定义为Count[Flatten[mr], mr[[2]][[2]]]/8，其越接近于1则越密集。下面是随着系统演化，聚合度变化的过程：
可以明显的看到，其聚合度很快便上升到了约0.7左右（多次实验都稳定在这个值）。并且这个图是考虑了随机增减物品后的图像，其对随机增加的物品的承受力比较强。
当然，我自己也要在实际生活中实践这个启发式策略，看看是否能产生效用。
