導(dǎo)語(yǔ)

集群智能模型雖在多智能體復(fù)雜任務(wù)中潛力十足，但因去中心化特性鮮少實(shí)際應(yīng)用，面臨小規(guī)模集群可靠性不足、參數(shù)與性能平衡等挑戰(zhàn)，且現(xiàn)有技術(shù)多為計(jì)算優(yōu)化犧牲現(xiàn)實(shí)適用性。研究者融合元啟發(fā)式方法與共識(shí)理論，提出兼具虛擬優(yōu)化器和車(chē)輛控制器功能的集群合作模型，在16個(gè)以?xún)?nèi)智能體的低維度任務(wù)中，33種測(cè)試場(chǎng)景里22種表現(xiàn)優(yōu)于或比肩基準(zhǔn)方法，通過(guò)概念驗(yàn)證實(shí)現(xiàn)了自主水下航行器在復(fù)雜海洋環(huán)境中定位污染物。

關(guān)鍵詞：集群智能（Swarm Intelligence），集群機(jī)器人（Swarm Robotics），共識(shí)理論（Consensus Theory），自主水下航行器（Autonomous Underwater Vehicles，AUV），優(yōu)化算法，去中心化控制

王璇丨作者

趙思怡丨審校

論文題目：A collective intelligence model for swarm robotics applications 論文鏈接：https://www.nature.com/articles/s41467-025-61985-7 發(fā)表時(shí)間：2025年7月17日 論文來(lái)源：Nature Communications

從鳥(niǎo)群到機(jī)器人群，智能協(xié)作的進(jìn)化之路

在自然界中，鳥(niǎo)群避敵、魚(yú)群洄游、蟻群筑巢，這些看似復(fù)雜的集體行為背后，并沒(méi)有一個(gè)中央指揮官。相反，每個(gè)個(gè)體僅根據(jù)簡(jiǎn)單的局部規(guī)則與鄰近同伴交互，便能涌現(xiàn)出令人驚嘆的集群智能。這種去中心化、自組織的協(xié)作模式，為人類(lèi)解決復(fù)雜問(wèn)題提供了無(wú)窮靈感。這篇2025年7月發(fā)表在Nature Communications的研究表明，這種集體智慧并非只能依賴(lài)龐大的群體：只需少量機(jī)器人，也能通過(guò)“民主協(xié)商”完成復(fù)雜搜索任務(wù)。

過(guò)去幾十年，研究人員從中抽象出多種元啟發(fā)式優(yōu)化算法，如經(jīng)典的粒子群優(yōu)化（Particle Swarm Optimization, PSO）、人工蜂群算法等。它們被廣泛用于求解函數(shù)優(yōu)化、工程設(shè)計(jì)等虛擬問(wèn)題。然而，將目光投向物理世界，試圖讓一群真實(shí)的機(jī)器人像鳥(niǎo)群一樣協(xié)作時(shí)，卻遇到了巨大瓶頸?，F(xiàn)有算法往往需要大量智能體才能保證性能，且依賴(lài)眾多需要人工調(diào)整的參數(shù)，這在實(shí)際機(jī)器人應(yīng)用中幾乎不可行。

與此同時(shí)，在機(jī)器人控制領(lǐng)域，基于共識(shí)的方法在編隊(duì)控制、集結(jié)等任務(wù)中取得了成功，但其能力通常局限于簡(jiǎn)單的環(huán)境，難以應(yīng)對(duì)具有多個(gè)極值點(diǎn)的復(fù)雜搜索任務(wù)。鑒于此，研究者們提出了集群合作模型，成功彌合了虛擬優(yōu)化與物理機(jī)器人控制之間的鴻溝。既具備元啟發(fā)式算法強(qiáng)大的全局搜索能力，又擁有共識(shí)理論在物理機(jī)器人系統(tǒng)中的穩(wěn)健性與簡(jiǎn)潔性。

核心創(chuàng)新：一個(gè)方程，兼容虛擬與物理世界

研究團(tuán)隊(duì)將每個(gè)智能體的運(yùn)動(dòng)建模為一個(gè)受三種力驅(qū)動(dòng)的過(guò)阻尼朗之萬(wàn)方程。融合社交共識(shí)、認(rèn)知梯度與自適應(yīng)隨機(jī)擾動(dòng)，研究團(tuán)隊(duì)讓每個(gè)智能體既能通過(guò)群體協(xié)作保持集群性，又能依靠個(gè)體感知向目標(biāo)方向探索，同時(shí)還能根據(jù)集群狀態(tài)動(dòng)態(tài)平衡探索與利用的關(guān)系，有效避免局部最優(yōu)，為小規(guī)模集群智能模型的可靠應(yīng)用提供了核心動(dòng)力學(xué)基礎(chǔ)。

共識(shí)，在這里被量化為智能體圍繞集群加權(quán)質(zhì)心的聚集程度。當(dāng)集群長(zhǎng)時(shí)間停滯（共識(shí)水平穩(wěn)定在高位），系統(tǒng)會(huì)判斷它們可能困于局部最優(yōu)，于是自動(dòng)增強(qiáng)隨機(jī)擾動(dòng)的強(qiáng)度，幫助個(gè)體“跳”出當(dāng)前區(qū)域。相反，當(dāng)某個(gè)個(gè)體已處于性能優(yōu)越的區(qū)域（接近全局最優(yōu)），它受到的隨機(jī)擾動(dòng)會(huì)相對(duì)減弱，使其能夠穩(wěn)定探索。這種自我調(diào)節(jié)的隨機(jī)性，使模型無(wú)需先驗(yàn)知識(shí)就能應(yīng)對(duì)靜態(tài)或動(dòng)態(tài)變化的地形。

圖 1. 智能體集群協(xié)作過(guò)程示例。（a–c）景觀(guān)函數(shù)上位置的連續(xù)快照；（d）搜索過(guò)程中的逐點(diǎn)軌跡；（e）全局一致性參數(shù)C和全局噪聲調(diào)制因子σ的時(shí)間序列；（f）感知適應(yīng)度值的時(shí)間序列。

性能比拼：小團(tuán)隊(duì)，大作為

理論模型是否有效，需要嚴(yán)格的實(shí)驗(yàn)驗(yàn)證。研究團(tuán)隊(duì)在6個(gè)經(jīng)典的多模態(tài)測(cè)試函數(shù)上，將新模型（Swarm Cooperation Model，SCM）與兩大主流方法進(jìn)行對(duì)比：代表元啟發(fā)式的粒子群優(yōu)化（PSO），以及代表梯度優(yōu)化方法的多起點(diǎn)內(nèi)點(diǎn)算法（MIPA）。

在機(jī)器人應(yīng)用中，多次隨機(jī)初始化試驗(yàn)中算法找到全局最優(yōu)解的比例，即成功率至關(guān)重要。一次搜索失敗可能導(dǎo)致任務(wù)徹底無(wú)法完成，而 SCM 的表現(xiàn)令人印象深刻：當(dāng)智能體數(shù)量限制在 16 個(gè)或更少時(shí)，它在 33 個(gè)測(cè)試場(chǎng)景中的 22 個(gè)上，成功率優(yōu)于或等于 PSO 和 MIPA，尤其在二維和三維搜索問(wèn)題中優(yōu)勢(shì)明顯。

與 PSO 不同，SCM不依賴(lài) “集群記憶”追蹤歷史最佳位置，僅依靠當(dāng)前局部交互和共識(shí)，這使其性能對(duì)集群大小依賴(lài)不敏感，即便智能體數(shù)量少也可能成功，還能無(wú)縫應(yīng)對(duì)動(dòng)態(tài)環(huán)境。不過(guò) SCM 的高成功率需付出代價(jià)，其平均函數(shù)評(píng)估次數(shù)比 PSO 多近一個(gè)數(shù)量級(jí)，但在機(jī)器人應(yīng)用中，函數(shù)評(píng)估對(duì)應(yīng)機(jī)器人移動(dòng)采樣，只要時(shí)間、能耗等采樣成本可接受，用更多探索步數(shù)換取更高任務(wù)可靠性是值得的。

實(shí)戰(zhàn)演練：指揮AUV集群，在變幻的洋流中定位污染源

這種在標(biāo)準(zhǔn)測(cè)試中表現(xiàn)優(yōu)異的小規(guī)模集群協(xié)作能力，在逼近真實(shí)世界的復(fù)雜任務(wù)中是否依然有效？ 研究團(tuán)隊(duì)用一個(gè)極具挑戰(zhàn)性的仿真場(chǎng)景給出了答案。在一個(gè)逼近真實(shí)世界的計(jì)算仿真中，將SCM與一個(gè)成熟的AUV動(dòng)力學(xué)模型耦合，指揮5臺(tái)AUV，在意大利加里波利灣一片6公里見(jiàn)方的海域，定位一個(gè)隨洋流擴(kuò)散的污染物濃度最高點(diǎn)。

這個(gè)任務(wù)的挑戰(zhàn)是極致的：

• 環(huán)境動(dòng)態(tài)：污染物濃度場(chǎng)并非靜態(tài)地圖，它會(huì)隨著復(fù)雜的三維洋流不斷移動(dòng)、擴(kuò)散和變形。

• 載體約束：AUV自身有動(dòng)力學(xué)特性，不能瞬間移動(dòng)，且受到洋流的持續(xù)干擾。

• 通信限制：水下只能依靠水聲通信，帶寬有限且噪聲大。

圖 2. AUV的模型示意圖以及衛(wèi)星視圖。（a）搜索區(qū)域內(nèi)模擬的海洋洋流快照；（b）智能體集群示意圖；（c）AUV動(dòng)力學(xué)與群協(xié)作模型邏輯序列的流程圖；（d）AUV動(dòng)力學(xué)模型和群協(xié)作模型的流程圖。

在100次隨機(jī)試驗(yàn)中，任務(wù)成功率高達(dá)86%，平均搜索時(shí)間約20.8小時(shí)。過(guò)程如一場(chǎng)生動(dòng)的“民主協(xié)商”：AUV群起初像持不同意見(jiàn)的個(gè)體般分散探索，隨后在隨機(jī)力提供的“創(chuàng)新嘗試”與共識(shí)機(jī)制持續(xù)的“意見(jiàn)整合”下，個(gè)體陸續(xù)放棄局部高點(diǎn)，最終群體通過(guò)信息交換與加權(quán)決策，達(dá)成高度統(tǒng)一的集體行動(dòng)，成功追蹤并匯聚于污染峰的移動(dòng)路徑。這充分證明了SCM在動(dòng)態(tài)、非凸、受物理約束的真實(shí)場(chǎng)景中的強(qiáng)大生命力。

未來(lái)方向：邁向更智能的集群機(jī)器人

這項(xiàng)工作為群體機(jī)器人領(lǐng)域帶來(lái)了重要突破，將群體智能從傳統(tǒng)的“離線(xiàn)優(yōu)化工具”升級(jí)為能直接驅(qū)動(dòng)物理集群進(jìn)行在線(xiàn)、動(dòng)態(tài)搜索的控制框架，其參數(shù)精簡(jiǎn)、自適應(yīng)性強(qiáng)、對(duì)小規(guī)模友好的特性，精準(zhǔn)契合工程實(shí)際需求。未來(lái)，模型可從探索策略上繼續(xù)優(yōu)化，例如引入萊維飛行等重尾分布以提升效率；在落地層面，則需攻克水下通信的延遲、噪聲與多徑效應(yīng)等工程挑戰(zhàn)，并解決從群體決策輸出到單機(jī)舵角指令的動(dòng)力學(xué)映射問(wèn)題。此外，該框架具備顯著的通用性，任何可建模為有界空間優(yōu)化且具備可測(cè)量適應(yīng)度函數(shù)的問(wèn)題，從無(wú)線(xiàn)網(wǎng)絡(luò)配置、供應(yīng)鏈調(diào)度到神經(jīng)網(wǎng)絡(luò)訓(xùn)練，均有望從這類(lèi)受自然啟發(fā)的集體決策模型中獲益，為更廣泛的協(xié)同智能系統(tǒng)鋪就道路。

群體智能讀書(shū)會(huì)

如果你對(duì)這些反直覺(jué)但極有用的現(xiàn)象感興趣——從蟻群搭橋、魚(yú)群同步、到無(wú)人機(jī)集群表演、集群機(jī)器人協(xié)作、群智優(yōu)化與多智能體系統(tǒng)、網(wǎng)絡(luò)輿論建模研究等——?dú)g迎加入「群體智能」讀書(shū)會(huì)：我們用動(dòng)物—人類(lèi)—機(jī)器三條線(xiàn)，希望把群體智能的涌現(xiàn)這件事講清楚、講透徹；用物理學(xué)、數(shù)理邏輯、多主體建模、計(jì)算傳播等多學(xué)科視角，去追問(wèn)同一個(gè)核心：集群何以比個(gè)體更聰明？群體智能又在何時(shí)涌現(xiàn)？

集智俱樂(lè)部聯(lián)合北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院韓戰(zhàn)鋼教授、暨南大學(xué)計(jì)算傳播研究中心趙甜芳副教授、新疆大學(xué)物理科學(xué)與技術(shù)學(xué)院玉素甫·艾比布拉副教授等來(lái)自11所高校的學(xué)者，共同發(fā)起本次，嘗試用一條普適的線(xiàn)索，把自然界的鳥(niǎo)群蟻群、人類(lèi)社會(huì)的集群行為、以及人工智能時(shí)代的多智能體與群智優(yōu)化，放在同一張地圖上重新理解。讀書(shū)會(huì)自2026年1月17日開(kāi)始，安排在每周六下午 14:00–16:00，歡迎所有對(duì)群體智能如何涌現(xiàn)、如何被理解、以及如何被設(shè)計(jì)，感興趣的朋友一起加入：帶著問(wèn)題來(lái)，帶著更有趣的問(wèn)題去。

詳情請(qǐng)見(jiàn)：

1.

2.

3.

4.

5.

6.

7.

8.

9.