蜂拥控制研究现状指南.docxVIP

摘要:群体系统蜂拥控制研究近年来受到了国内外众多领域高度重视,目前主要借鉴生物学领域关于群体蜂拥行为的研究成果,集中在个体之间交互形成的网络拓扑结构已知条件下的控制问题,分析了群体系统蜂拥控制研究的几个发展阶段,总结了群体蜂拥行为的理论研究趋势及其在工程领域中的应用研究现状,并指出了今后的发展方向。?　　关键词:群体系统;蜂拥控制;仿生?0 引言?　　群体系统隶属于复杂系统的研究范畴,它是一个由大量自治个体组成的集合,在无集中式控制和全局模型的情况下,一般通过个体的局部感知作用和相应的反应行为使得整体呈现出涌现行为。群体系统具有个体自治、非集中式控制、局部信息作用等特征。在自然界中,群体现象无处不在,在几乎所有的尺度上,从非生命界的分子到星系,从生物界的简单细菌到高等动物,都普遍存在着群体现象。它也是目前复杂性科学研究的一个核心问题,生物学家和物理学家曾对此作了大量研究,计算机科学家通过人工生命方法揭示了其从主体的简单运动规则到整体的优化性质。如何对这种群体行为进行数学建模并将其应用于人造世界,如一组机器人、车流、无人驾驶飞机群的协作编队等社会行为控制,是目前复杂性科学的前沿课题。?　　?　　1 群体系统蜂拥控制研究的发展阶段?　　?　　大致来说,对群体系统蜂拥控制的研究经历了三个阶段[1]:?　　第一阶段是生物学家作了大量研究,发现了许多生物群体特有的动态行为。例如:a)雁群蜂拥行为,大雁群从一地蜂拥到另一地点时,它们会排成整齐的一字形或人字形队伍,而这种团队行为有利于大雁的自我调整以避开天敌或障碍等;b)鹿群逃避行为,某些野生动物群体在逃避天敌时,常能以合理的队形统一行动,如鹿群在逃避老虎时,它们不是胡乱分散,而是形成一个合理的队形,其中每一只鹿可以根据邻近的其他鹿的奔跑方向来决定自己的行动方式;c)蜜蜂筑巢行为,在没有可供参考的设计蓝图或领导者指导的情形下,蜂群能构建具有结构强度最优的蜂巢;d)蚁群觅食行为,蚁群在觅食的时候能够通过信息素的传递在巢穴与食物之间形成一条最优路线,当路上出现障碍物时,它们会设法绕过,并在不同信息素浓度的路径中选优。蚁群间的这种信息交流和优化思想,是群体行为的一个代表性的例子。生物群体的这些动态行为常常具有以下特征[2]:a)简单性(simplicity),表现在个体的智能相对简单;b)鲁棒性(robustness),表现在它没有中心的控制,不会由于一个或某几个个体的故障影响整个群体行为;c)分散性(decentralized characteristics),表现在群体中相互合作的个体是分布的; d)自组织 (self organized),表现在经个体自主的演化使得群体表现出显著的整体性质,即涌现(emergence)。?　　第二阶段[3~6]是实验物理学家和计算机专家做了许多实验和仿真,用模拟仿生的方法证明这种生物群体现象可以由个体的简单行为规律获得。从目前大量群体系统的研究成果来看,由大规模简单的、同类型的个体自组织地形成某种模式、存储信息或完成联合决策所表现出来的群体涌现特性将是毫不稀奇的。就算是更加简单的个体规则,个体之间非线性的交互也能导致大规模群体内部产生复杂的涌现行为。?　　第三阶段[7~15]就是利用数学对群体行为进行严格建模及分析。对复杂群体行为的数学建模是群体系统研究走向量化的关键步骤,而这一阶段的研究工作只是处于起步。与此同时,工程领域关于自动或半自动智能群体的协调合作行为的动态性能及控制问题的研究也取得了越来越多的成果,生物领域中对诸如兽群的联合狩猎行为、鸟群的迁徙行为以及鹿群的群体防御行为之类的研究都曾经是工程领域群体系统研究的推动因素。因此在这一阶段的研究过程中,可以考虑综合生物领域与工程领域的研究成果,一方面使得受自然生物群体的协调行为启发而研究的工程智能群体行为能够获得这些自然现象中表现的某些特性,如群体涌现的协调性(由简单的局部个体行为产生的基于目标的全局群体行为)、自适应性(即在变化的环境中能自行选择和跟踪新目标的能力)、鲁棒性(不依赖于固定的“领导者”,面对扰动时能继续保持搜索目标的行为);另一方面通过研究实际复杂工程群体系统的控制与设计工作,有可能帮助研究人员对生物群体动态行为的涌现机制产生新的理解和认识。?　　目前关于群体系统协调行为的研究工作已各自从生物学、数学、机器人学以及计算机科学的角度全面展开,其根本仍在于对生物群体动态行为的理解。因为生物群体动态行为的进化过程可以看做是一种算法的设计过程,该算法就是要设计生物的行为使之最适合它们所处的环境。也就是说,进化过程就是一个优化生物行为的过程,而这个过程已经历了百万年的发展。通过研究生物群体系统可以揭示控制这些系统运作的一般规则,而这些规则将会对发展类似的工程群体应用系统极为重要。特