概论
前言
书中区分了多智能体系统和群体智能的区别，后者有涌现现象——能实现「1+1>2」。
书中提到了图灵论文中的斑图，也提到了自组织、反馈等系统学词汇。书中还区分了投票模型和多数规则，这有助于解释「贤均从众」的原则。
当然本书翻译得比较差！比如：「我们研究集体决策的方法———这是使群体变得自主性的一种重要能力。」什么叫「变得自主性」？「变得自主」或是「增强自主性」都行啊！
《黑镜》第三季中的蜜蜂杀人的场景让人很是震撼，这就是一种自主致命武器系统，也是李新野嘴中的AI杀戮机器人。这就是群体智能的一种应用。
书籍简介
作者: [德] 海科·哈曼
出版社: 机械工业出版社
副标题: 海科·哈曼
页数: 200
ISBN: 9787111749820
内容简介
群体机器人技术是一个日渐成熟的领域，值得一本专著予以阐释。截至目前，有许多将群体机器人技术与其他学科内容一同论述的有趣书籍，但还没有一本完全致力于此的书籍。对年轻的研究人员和学生来说，一本作为资源的专著显得尤为重要。
本书主要介绍如何设计具有最大可扩展性和鲁棒性的机器人系统，按照目前的方法论。这非常有挑战性！请与我一道，为设计去中心化机器人系统寻找更好的新方法吧。
本书介绍了群体智能机器人技术，讲解了从群体智能到机器人技术的原理、建模与应用，能够通过许多示例场景帮助研究者、从业者和师生了解如何设计大型机器人系统，这些示例场景涉及诸如聚合、协调运动、任务分配、自组装、集体构建和环境监测等领域。本书解释了构建多个简单机器人背后的方法，以及这些机器人之间的多重交互产生的复杂性，以便它们能够解决困难的任务。
作者简介
海科·哈曼（Heiko Hamann），德国吕贝克大学服务机器人学教授。他的研究重点是群体机器人、群体智能和进化机器人。他正在开发创新的方法，利用物理、数学、化学和生物学等工具的新应用来管理机器人工程系统日益增加的复杂性。他在国际会议和国际期刊上发表了近百篇论文，是群体智能机器人和相关领域公认的资深研究人员。
推荐人：Marco Dorigo——欧洲科学院院士、群体智能概念首创者之一、布鲁塞尔自由大学人工智能实验室主任
鉴于越来越多的精密机器人与我们的生活息息相关，研究大量机器人（即群体智能机器人）之间以及它们与人类同伴之间如何互动，同时组织它们的活动并执行日益复杂的任务变得至关重要。海科·哈曼通过这本关于群体智能机器人的书，为这一激动人心的研究领域奠定了基础。
正文摘录
第1章 群体机器人技术导论
我们引入了群体机器人技术的基本概念并选行了简单的概括。
群体机器人技术是一种复杂的方法，需要了解如何定义群体行为、是否存在最小规模的群体，以及群体系统的要求和属性是什么。我们对自组织行为进行了定义，并形成了对反馈系统的理解。群体并不一定是同构的，也可能由不同类型的机器人组成，从而使其具有异构性。我们还将机器人群体与人类之间的交互作为一个因素选行了讨论。
群体机器人技术是一门研究如何让大量机器人协作，集体完成一项单个个体无法完成的任务的学科。这种真正的协作是群体机器人技术的迷人之处，也是团队合作的理想典范。群体中每个成员的贡献都是平等的，而各成员共享同一个更高级别的目标。然而，公众对群体机器人技术的看法似乎过分强调了它不可思议的方面。也许你已经读过Stanislaw Lem的《无敌号》、Michael Crichton的《猎物》、Frank Schatzing的（群》或者Daniel Suarex的《云端杀机》。你或许想知道，为什么这些机器人群体或自然界的群体大多是邪恶的，或者至少是具有威胁性的。不幸的是，这些作者将群体的未来想象为一种敌托邦（即可怕的反乌托邦)。
1.1 对群体机器人技术的初步探讨
1.1.1 什么是群体
有趣的是，现有文献似乎没有对群体进行明确定义。
1.1.2 群体有多大
有趣的是，该问题和谷堆（sorites）悖论（又称连锁悖论）有关（sorites源自soros，即希腊语“堆”的意思）。该问题是，究竟多少粒谷子才能构成一个谷堆？……
摆脱这一困境的方法是避免设定阈值，而坚持采用与方法相关的定义。群体并不一定由其大小来确定，而是由其行为来确定。如果实施了群体行为，那么就应将其视为一个群体，而且N=3的群体或许会表现出可验证的群体行为。……
1.1.3 什么是群体机器人技术
1.1.4 为什么研究群体机器人技术
1.1.5 什么不是群体机器人技术
1.2 早期调查和见解
1.2.1 群体的性能
1.2.2 通信
1.2.3 两个层面：微观和宏观
但这两个层面的存在意味着设计群体机器人系统将面临巨大挑战。群体的任务是在宏观层面上定义的（群体行为），但机器人控制器的实现是在微观层面上完成的（机器人微控制器的可执行代码）。
此外，还根据这两个术语对群体模型进行了分类。宏观模型抽取了微观细节，也就是说，它们不对单个机器人的所有属性（例如，它们的位置、内部状态）进行建模。而微观模型则体现出每台机器人的所有必要的细节（例如，所有机器人的完整轨迹，机器人的内部存储器状态）。有时，研究人员会区分拉格朗日和欧拉的建模方法[32]。拉格朗日是指明确地表示个体属性（如速度和内部状态）的微观模型。欧拉是指用连续方程仅表示群组属性的宏观模型（例如用偏微分方程表示群体的密度）。
……集体记忆可能会涌现，“当个体互动发生变化时，群体结构的先前历史会影响集体行为“。……
1.3 自组织、反馈和涌现
群体机器人技术的一个基本概念是自组织。所有机器人都是基于局部感知来行动的，但群体要完成宏观层面的任务。自组织的概念准确解释了这种微观和宏观之间的关系，并回答了如何仅靠微观相互作用而产生宏观结构的问题。按照通俗但简洁的说法，自组织可称作“从噪声中产生秩序”的发生器。它描述了在远离热平衡的开放系统中，空间、时间和时空模式是如何出现的。开放系统不断“消耗”能源，因此能够产生结构。按照热力学第二定律，我们无法在不消耗能量的情况下创造秩序。动物有新陈代谢，消化含有化学能量的食物。机器人的电池，可为电机、CPU、传感器和驱动器运行提供动力。
自组织基于四个组成部分：正反馈、负反馈、多重交互，以及利用和搜索之间的平衡。反馈将动态非线性引入系统，这是产生复杂行为所必需的。由于自组织系统由许多实体组成，而这些实体通过物理接触或直接/间接通信进行交互，因此产生多重交互。自组织的历史起源是物理学领域已知的系统，即非生命系统）。例如，晶体的形成是将气体或液体转化为固体。初始波动（随机事件）会形成晶核，然后晶体生长加强该晶核。因此，上述“从噪声中产生秩序”也在此适用。不过，正如雪花现象所显示的那样，还是存在多样性的空间。在自组织系统中，利用和搜索之间的平衡使其具有适应性。即使重复某一行为似乎是目前唯一有利可图的策略（即利用），但继续搜索（如环境）并不断检查变化也是有意义的。只有当群体了解到这些变化时，它才能适应这些变化并改变其行为。一个例子是蚁群发现了绝佳的食物来源之后，仍会不断搜索其他的食物来源。当前利用中的食物来源可能会耗尽，或者由于出现捕食者而增加获取食物的成本。
1.3.1 反馈
1.3.2 自组织系统实例
一个动力学的例子是瑞利-贝纳德对流。当一层相对平坦的流体（如油或水）从下方均匀加热时，就会产生冷热流体流动。在初始波动的基础上，这些流体自组织成对流原胞，其中一半为暖流上升，另一半为冷流下降。
而另一个反直觉的例子是激光器。激光是一种相干的光波，是通过向增益介质（如气体）“泵入”能量而产生的。从自组织的角度来看，介质中的原子以一种协调的方式同步并发光。Hermann Haken提出了激光理论，这导致了一种名为“协同学”的理论的发展[161,162]。协同学基本上是一种巧妙的方法，将多个微分方程描述的系统简化为几个微分方程，同时仍然表示基本的系统分量。协同学也可被视为一种自组织理论，尽管其似乎缺乏很强的推广潜力。
第三个相关现象是自组织的临界性，例如，尺寸不断增大的沙堆所体现的临界性[24]。当沙子不断流入沙堆时，沙堆的高度就会增加，而沙堆两侧越来越陡（见图1.9）。沙粒之间的摩擦力起到了稳定作用，而重力则与之相抵，而随着沙堆重量增加，重力的作用将不断增大。当重力作用下的力与摩擦力作用下的力相等时，系统处于临界状态。随着沙子增多，这种临界状态会因为沙堆发生”雪崩“而被释放出来，并降低沙堆的陡度。该系统一个有趣特征是”雪崩“的大小程度呈幂律分布。小”雪崩“的概率是大”雪崩“概率的指数倍，但大”雪崩“的概率并非为零。这就是为什么要谈长尾分布。总结一下，我们注意到，能量是通过把沙粒放在上面而添加到系统中的（势能），多重相互作用是相邻沙粒之间的物理接触，秩序体现在呈幂律分布的”雪崩“中，即与持续添加沙子相反的时间上分离的事件。
从显示巴西坚果效应的系统中可以看出，自组织系统的行为也可以很简单[155,280]。这是一个简单的实验，如果读者更喜欢谷类食品，那么可以在吃早餐时娱乐一下。假设盒子里有颗粒状的介质，比如坚果或不同大小的球。通过摇动盒子，向其增加能量。可以观察到一种分选效应：大颗粒（或坚果、球等）最终出现在箱子顶部，而小颗粒则在底部。这种效应是由小颗粒填充大颗粒下方的空隙而产生的，而大颗粒由于摇动过程而跳了起来。
生命系统中自组织的例子有昆虫的斑图形成和行为。斑图形成可以在动物的发育过程中发现，例如胚胎学，毛皮的色素沉淀以及贝壳的色素沉淀。大量的相互作用是由相互通信的细胞来实现的，能量通过细胞的新陈代谢来补充。社会性昆虫经常表现出复杂的行为，例如在觅食或筑巢方面。这些动物的某些简单行为似乎有可能是基因编程的，也就是说，它们可能是固化在大脑中的。然而，它们的许多行为似乎不可能是这样的。一个更合理的解释似乎是进化选择了利用自组织原则的行为规则。这些简单的规则不是直接产生必要的行为，而是通过实现自组织过程的个体间交互产生。这样一来，所需的行为复杂性在某种程度上被外包给了共享相似遗传物质的个体间的多重互动。
有些作者甚至将自组织与诸如生命起源等突出的研究问题联系起来。生命的化学来源可能基于超循环和自催化系统。非细胞生命的进化可能是基于对颗粒的吸附。而细胞生命的演变则可能是基于病毒的自组装。自组织系统的其他例子包括渗流[153]和扩散受限聚集[421]。渗流是一种可以在各种不同的情景中观察到的现象，如森林火灾和多孔材料对所通过的液体进行过滤。在森林中，树木的密度会影响火灾是否会吞噬整个森林还是在此之前停止。同样，多孔材料的孔洞密度决定了其渗透性。扩散受限聚集基本上是粒子在随机游动中从多个不同方向接近种子的聚集过程。这样就形成了有趣的树状结构。
1.3.3 涌现
涌现是一个难以定义且模糊的哲学概念。不过，它对群体机器人技术还是很有意义的，因为它可能是用于设计鲁棒性强的复杂系统的一种有前途的方法。它是指在较高层次上可能会出现全新的属性，而这些属性是较低层次的概念所不能描述的（也参考整体论和还原论）。许多关于“涌现”的定义使用了依赖亚里士多德的“整体大于各部分之和”的概念，出乎观察者意料，具有基本新颖性或不可预测性。……正是这种系统的潜在不可预测性使得群体机器人的控制算法设计得复杂。
1.4 其他灵感来源
1.5 同构群体和异构群体
1.6 人类因素
1.7 硬件和软件的实现
1.7.1 任务和群体机器人项目示例
- Swarm-bots
- I-SWARM
- TERMES
1.7.2 仿真模拟工具
- ARGoS
- Kilombo
1.7.3 未来应用
1.8 延伸阅读
1.9 任务
1.9.1 任务：计算机系统的扩展
1.9.2 任务：超线性加速
1.9.3 任务：群体的同步化
第2章 机器人技术简介
“我无法界定机器人，但看到机器人时我会知道。”——Joseph Engelberger
“机器人必须知道自己是机器人”——Nikola Kesarovski，机器人第五定律
这是一个关于机器人技术的小速成课程，如果你还没有听说过太多关于机器人的知识的话。
这个关于移动机器人的简短介绍从一般角度出发，快速介绍了基本概念，如传感器、驱动器和运动学。我们继续简要介绍开环和闭环控制。智能体模型、基于行为的机器人技术和潜在的现场控制作为群体机器人特别重要的控制选项而被引入。最后，我们介绍了一些专用于群体机器人的硬件平台，如s-bot、I-SWARM机器人、Alice和Kilbot等。
2.1 组成部件
2.1.1 身体和关节
2.1.2 自由度
2.1.3 执行器
2.1.4 驱动器
2.1.5 传感器
2.2 里程测量
2.2.1 非系统误差、系统误差和校准
2.2.2 地图绘制的艺术
2.2.3 拓展：蚂蚁回巢
2.3 运动学
2.3.1 正向运动学
2.3.2 逆向运动学
2.4 控制
2.4.1 轨迹误差补偿
2.4.2 群体机器人的控制器
2.5 群体机器人的硬件
2.5.1 s-bot
2.5.2 I-SWARM
2.5.3 “爱丽丝”机器人（或译名）
2.5.4 Kilobot
2.5.5 其他群体机器人
2.6 延伸阅读
2.7 任务
2.7.1 任务：差分转向运动学
2.7.2 任务：势场控制
2.7.3 任务：单个机器人的行为
第3章 快速了解几乎一切
“那么在‘形成群体’的时间内，记忆整个系统的极其复杂的存储库会发生什么？”——Stanislaw Lem,《无敌号》
“我们飞向宇宙，准备好迎接一切：孤独、艰辛、疲惫和死亡。[…]一个单一的世界，我们自己的世界，是以满足我们的需要；但是，我们却不能接受它的本质。”——Stanistaw Lem,《索拉里斯星》
在本书中，我们对将要研究的许多方法和理念做了小小的介绍。
这是对设计群体机器人系统所关注的方法的快速浏览。我们用有限状态机建模机器人拉制器，以解决集体决策问题。我们立刻面临一个典型桃战，即区分单个机器人可以获得的微观信息和只有外部观察者才能获得的宏观信息。我们继续讨论一个简单的集体决策宏观模型，它是否是一个自组织的系统。
3.1 作为机器人控制器的有限状态机
3.2 基于机器人—机器人交互的状态转换
3.3 早期的微观—宏观问题
3.4 最小示例：集体决策
3.5 宏观视角
3.6 预期的宏观动态和反馈
3.7 延伸阅读
3.8 任务
3.8.1 任务：绘制宏观动态系统行为图
3.8.2 任务：模拟集体决策
第4章 群体机器人技术的应用场景
一直以来，我们都在仰望，期待着一个外星物种从太空而来，但智能生命形式一直与我们同在，居住在我们从未认真尝试探索过的地球的一部分。——Frank Schatzing，《虫群》
从你所说的情况来看，机器人的构造应该与我们一直以来的方式截然不同，这样才能真正做到通用：你必须从微小的基本构件、主要单元、伪细胞开始，如果有必要，它们可以相互替换。——Stanislaw Lem，《无敌号）
我们对已经调查过的群体机器人的典型应用场景和已经发表的方法做了广泛的检查。
这是一份对群体机器人技术文献的广泛指南。它的结构是由所调查的场景组成的，并从低复杂性的任务（例如聚集和分散）开始。接着将讨论斑图形成、对象聚类、分类和自组装。集体建设已经是一个相当复杂的设想，它结合了若干子任务，如集体决策和集体运输。我们以集体操纵为例，讨论超线性性能增加这一有趣现象。不仅群体性能随群体尺寸的增加而增加，甚至单个机器人的效率也会增加。本章讨论了成群行动、集体运动、觅食和放牧等典型的群体行为。迅速引入机器人和生物有机体相结合的生物混合系统。最后，我们还讨论了所谓的”群体机器人技术2.0“——最近一些非常有前景的方法，如错误检测、安全、群体作为接口，以及群体机器人技术用于野外机器人技术。
4.1 聚集和聚类
4.2 分散
4.3 斑图形成、对象聚类、分类和自组装
4.3.1 班图形成
4.3.2 聚类
4.3.3 分类
4.3.4 自组装
4.4 集体建设
4.5 集体运输
4.6 集体操纵
4.7 成群行动和集体运动
4.8 觅食
4.9 分工和任务：任务划分/分配/切换
4.10 放牧
4.11 异构群体
4.12 混合社会和生物混合系统
4.13 群体机器人技术2.0
4.13.1 错误检测和安全性
4.13.2 连接机器人和作为界面的机器人
4.13.3 作为野外机器人技术的群体机器人技术
4.14 延伸阅读
4.15 任务
4.15.1 任务：机器人群体的行为
第5章 群体系统建模及形式化的设计方法
那个相对简单的算法就是我的模型的工作原理，当共识主动性智能体达到群体规模时，它就表现出复杂的狩猎行为。——Daniel Suarez，《云端杀机》
Leon和我可以尝试用电子方式为它们的群体建模。我们可以赋予它们各种特性，看看它们需要多长时间才能像大脑一样行动。——Frank Schatzing，《群》
我们了解对群体机器人系统建模的原因和方式，以及设计方法能有多复杂。
引入建模的动机是为了对群体机器人技术进行降维处理。然后，我们从讨论局部取样开始，这是一个群体机器人技术处理局部信息时面临的挑战。局部样本对整个群体来说并不具有代表性，因此我们需要一种方法来处理不可靠的局部信息。我们对一些在群体机器人中经常应用的建模方法进行介绍，如速率方程和基于常微分方程和偏微分方程的空间模型。我们还对网络模型以及使用机器人群体作为生物学模型的有趣选择进行讨论。
在第二部分中，我们转向从多尺度建模开始的形式化的设计方法。本书讨论了软件工程方法和验证技术，还探讨了所谓“全局到局部”的编程概念。
5.1 建模简介
5.1.1 什么是建模
5.1.2 在群体机器人技术中为什么需要模型
5.2 局部取样
5.2.1 统计学中的取样
5.2.2 群体的取样
5.3 建模方法
5.3.1 速率方程
5.3.2 空间方法的微分方程
朗之万方程最初用于对布朗运动建模。
福克——普朗克方程是宏观上与朗之万方程所描述的微观方法相对应的方程。这对方程最有趣的特点是，它们是极少数微观和宏观行为进行数学联系的例子之一。
5.3.3 网络模型
- 随机图
- 几何图
5.3.4 网络科学和自适应网络
5.3.5 作为生物模型的群体机器人
5.4 形式化的设计方法
5.4.1 算法设计的多尺度建模
5.4.2 自动设计、学习和人工演进
5.4.3 软件工程和验证
5.4.4 形式化的全局到局部编程
5.5 延伸阅读
5.6 任务
5.6.1 任务：超越二元决策
5.6.2 任务：蒲丰投针
5.6.3 任务：群体的局部取样
5.6.4 任务：降维和建模
5.6.5 任务：速率方程
5.6.6 任务：自适应网络
第6章 集体决策
我们研究集体决策的方法———这是使群体变得自主性的一种重要能力。
集体决策是机器人群体的重要技能，以便在宏观层面上形成一个自主系统。我们从描述决策和理性行为体的传统方法开始。这里介绍了群体决策，并研究了集体运动作为决策过程的例子。通过集体决策的建模技术，如瓮模模型、投票模型、多数规则、HK模型、藏本模型、伊辛模型、纤维束模型和塞尔吉·加拉姆的社会物理学等方法进行广泛的研究。最后，我们讨论了群体机器人中集体决策的硬件实现。
群体机器人的主要目标之一是创造自主群体。这里的自主意味着做出独立的决定，因此有可能做出智能的行为。单个机器人理所当然应该是自主的，然而，群体作为一个整体也应该是自主的。不仅个体可以独立决策，整个群体也可以独立决策。因此，集体决策即使不是群体的最基本能力，也应是必不可少的能力。
我们每个人都知道决策是困难的。……就共同的目标而言，我们使群体同步，但另一方面，我们仍然面临困难。在人类的决策过程中，例如选举，我们假设有几个全局沟通渠道。当然，不是所有的信息都是公开的，也不是每个人都有相同数量的信息，我们没有完全的透明度，但许多信息是全球共享的。在机器人群体中，我们没有全局渠道，相反，机器人只能与它们的邻居通信。这产生了许多问题。机器人需要知道当前有一个集体决策过程在运作。机器人的各个子群体可能有不同的信息，因此即使它们有相同的目标，也不能就最佳选择达成一致。群体可能会陷入死锁状态，甚至可能没有注意到该状态。最后，机器人可能不知道是否已经做出了决策。
在本章中，我们首先来研究一般性决策，以及在团队中是如何做决策的。然后，我们试图将集体运动理解为集体决策的一个例子，并列出了一些模型。群体机器人中实施的集体决策受到许多不同研究领域的影响。通常，我们明确地在系统中考虑随机性，以确保探索量最小。这会使得群体系统具有内在的随机性。统计物理学的模型可以代表集体决策。当然，意见动态领域的模型与其具有相关性。此外，材料科学模型和标准化模型也可以应用于集体决策。尽管从这些可选方案中选择最佳方案并坚持下去会很方便，但我们希望收集更广泛的知识并从所有这些知识中学习。集体决策的调查、建模和分析仍然是一个新兴领域，在现阶段对模型进行探索是值得的。
6.1 决策
6.2 群体决策
6.3 动物的群体决策
6.4 作为决策过程的集合运动
6.5 集体决策过程的模型
6.5.1 饥饿模型（或候模型，图像略模糊）
6.5.2 投票模型
6.5.3 多数规则
6.5.4 Hegselmann-Krause
6.5.5 Kuramoto 模型
6.5.6 Axelrod 模型
6.5.7 伊辛模型
6.5.8 纤维束模型（或相关模型）
6.5.9 Sznajd 模型
6.5.10 巴斯扩散模型
6.5.11 社会物理学和逆向思维者
6.6 实施
6.6.1 100 个机器人的决定
投票模型和多数规则的区别在于，投票模型更准确（即更频繁地发现正确的共识），而使用多数规则会导致决策过程更快。这与在蚂蚁和人类决策案例中发现的情况非常一致。
6.6.2 集体感知作为决策
6.6.3 作为隐式决策的聚合
6.7 更多读物
6.8 任务
6.8.1 在规定地点聚合
6.8.2 用于壁虫场景的饥饿模型
第7章 案例研究：自适应聚集
”智能机器将首先考虑什么更值得去做：是执行既定任务，还是想出解决问题的办法。”——Stanislaw Lem，未来学大会
我们尝试了不可能的事情，并总结了本书中所了解的几乎所有内容。
在这个小的案例研究中，我们试图整合所有不同的技术，以设计群体机器人系统。这项任务相当简单，我们将重点放在适应性聚集上，也就是说，群体必须在由环境特征决定的某个特定地点聚集。我们遵循生物角色模型，并应用标准的群体机器人建模技术。最后，控制算法和微观——宏观模型在机器人试验中进行了验证。
7.1 用例
7.2 替代解决方案
7.2.1 临时性方法
7.2.2 梯度上升法
7.2.3 正反馈
7.3 生物学的启发：蜜蜂
7.4 模型
7.4.1 聚集建模：跨学科方案
7.4.2 空间模型
附录
群体智能算法简介
群体智能算法（Swarm Intelligence, SI）是一类受自然界群体行为启发的分布式、基于群体的优化与学习方法。下面简要介绍要点：
基本理念：通过大量简单个体（称为代理、粒子或工蜂等）间的局部交互和自适应行为，产生协调的群体智能，从而解决复杂优化、搜索或决策问题。
主要特征：
- 分布式控制、无中心化；
- 个体简单、规则明确；
- 强鲁棒性与适应性（局部失败不会导致整体崩溃）；
- 并行性好，易于扩展。
典型算法与简述：
- 粒子群优化（Particle Swarm Optimization, PSO）：模拟鸟群或鱼群搜索食物，通过粒子位置和速度更新结合个体与群体最优引导搜索连续空间最优解。
- 蚁群算法（Ant Colony Optimization, ACO）：模拟蚂蚁觅食与信息素机制，适用于组合优化问题（如TSP、路径规划），通过强化良好路径的信息素提高采样概率。
- 人工蜂群（Artificial Bee Colony, ABC）：模仿蜜蜂觅食角色（雇佣蜂、观察蜂、侦察蜂）分配搜索与探索/开发平衡。
- 粒子群变种与混合方法：结合局部搜索、差分进化、遗传算法等以提高收敛性与多样性保持。
- 其他：鱼群算法、萤火虫算法、狼群算法等多种自然启发式群体算法。
优势与局限：
- 优势：实现简单、参数少、适用于黑盒优化、并行性强、鲁棒。
- 局限：容易早熟收敛（陷入局部最优）、参数敏感、在高维复杂问题上效率受限；常需与局部搜索、变异策略或自适应机制结合改进。
应用领域：函数优化、组合优化、路径规划、机器学习（参数/结构优化）、图像处理、调度问题、无线传感网络等。
科幻文学作家Stanislaw Lem简介
史坦尼斯劳·莱姆（Stanisław Lem）（1921年9月21日－2006年3月27日），波兰科幻小说作家、哲学家。他一生创作了30多部长篇小说和众多短篇佳作，被译为52种语言，全球畅销4000余万册，代表作有《索拉里斯星》《未来学大会》《惨败》等。
莱姆以一己之力将波兰科幻提升到世界水平，1996年被授予波兰国家奖章“白鹰勋章”，波兰第一颗人造卫星以他的名字命名。
莱姆的《索拉里斯星》《未来学大会》多次被搬上大银幕，他的作品启发了《黑客帝国》中的“红蓝药丸”概念，更影响了刘慈欣、道格拉斯·亚当斯等一大批科幻作家。
创作历程
1946年，莱姆开始写诗。在此之前，莱姆写过几本一角小说。在那一年，他写了第一本科幻小说《火星来的人》（Człowiek z Marsa）。当时，波兰政府规定出版作品必先经审查机构批准。
1948年他写成半自传式小说《Szpital Przemienienia》，直至1955年，莱姆加入了一段符合社会主义写实主义的情节，方获通过出版。1951年，审查机构将《太空人》（Astronauci）定性为少年科幻小说，莱姆被逼加入大量关于“共产主义的美好前景”的内容。不过这种种未令莱姆放弃成为全职作家。
1956年发生了波兰十月，波兰开始去斯大林化，人们有更大的言论自由。莱姆开始当全职作者，接着12年内，他写了17本书，进入创作的第二阶段，也是外界所公认的黄金时期。 [2]其中一些书籍的译本出现在东方集团国家内的书店。
1957年他发表首部非小说作品《对话》（Dialogi）。1964年他出版了Summa Technologiae，内容包括当时只在“纸上谈兵”层面的技术如虚拟真实、纳米科技等，如何影响人类的思想。之后他继续发表小说和此类哲学文章，到了1980年代他开始集中后者。
1974年，幽默短篇小说集The Cyberiad出现英译本。与外星人接触这个主题出现在《索拉里斯星》（Solaris, 1961年）、Głos pana（1983年）、《惨败》（Fiasko, 1987年）三部主说内。《索拉里斯星》曾多度搬上大银幕。
作品风格
莱姆的作品多聚焦哲学主题，探讨科技对人类的影响、智慧的本质、外星交流，以及人类认知的局限等。早在70年前，他就预言了互联网、搜索引擎、虚拟现实和3D打印的出现，直言人类将遭遇人工智能和信息爆炸的挑战：“我感兴趣的是整个人类的命运，而不是个体的命运。”
莱姆的小说，无论是长篇还是短篇，总有一个吸引人的情节。莱姆喜欢将他的小说主人公置于一个新奇的环境中，或是来回穿越的异时空，或是机器造反的世界，或是挤满各种奇怪生物的星球。但是他钟情于这些程式，并不是因为他相信这类叙述所描画的场景，而是想用它们来建构和检验他自己的“文学模型”；他无意于描绘一个“真实的未来”，而只想勾勒出它的模型，然后借此去表达他对整个世界和人类的看法。
他常会描述极为详细的技术细节，推演宇宙、生命和科技的演化；还会采用无比繁复的语句来处理一些特别场景，有时候一个单独的句子就有上百个单词。
莱姆的小说中描绘了大量的外星生命——《索拉里斯星》中的蓝色大洋、《无敌号》里独特的机械昆虫、《伊甸》里生活在绝望和恐惧中的外星人类等，但他描写人类与外来生命的接触，主要是想探讨人类的本性，他得出的结论是：人类有很多弱点和局限，但只有遭遇身份危机，我们才能明确认识到这些弱点和局限。
《云端杀机》
《云端杀机》是美国作家丹尼尔·苏亚雷斯创作的科技惊悚小说，故事围绕特种兵奥丁与生物学家琳达·麦金尼展开，两人调查无人机突袭朝圣者事件时发现新一代无人机采用织叶蚁行为模型构建集体智能。随着公关公司操纵舆论推动美国大规模采购无人机，真相逐渐指向政商高层利用自主作战无人机群实施统治世界的阴谋。小说融合人工智能与仿生学技术细节，展现无人机群战术对抗场景。
机器人定律三大原则
机器人学三定律是美国科幻小说作家艾萨克·阿西莫夫提出、并在数本小说中使用的定律。该定律的创作意义是对抗当时文学界对机器人倾向于怪物化的形象，并作为阿西莫夫科幻小说中的行文线索。 在《我，机器人》于1950年末由格诺姆出版社出版时，阿西莫夫为这本书新写了《引言》，而其小标题就是《机器人学的三大法则》，把“机器人学三大法则”放在了最突出、最醒目的地位。 [1]三大法则之间的互相约束，为后世的小说创作有一定的指导意义。
这三大原则旨在确保机器人在与人类互动时的安全性和可靠性，并成为许多科幻小说和电影中的重要元素。
三大原则的内容
第一条：机器人不得伤害人类，或看到人类受到伤害而袖手旁观。
第二条：机器人必须服从人类的命令，除非与第一条相矛盾。
第三条：机器人必须保护自己，除非与第一、二条相矛盾。
这些原则的提出是为了防止机器人对人类造成伤害，并确保机器人在执行任务时的安全性和可靠性。
三大原则的起源与发展
阿西莫夫在其科幻小说《我，机器人》中首次提出了这三大原则，并在后续的许多作品中不断探讨和扩展这些原则的应用和影响。这些原则不仅在科幻文学中广泛应用，还对现实中的机器人伦理学研究产生了深远影响。
三大原则的局限性
尽管机器人三大原则在科幻小说中被广泛应用，但它们并非无懈可击。例如，机器人对“人类”这一概念的定义可能会被恶意修改，从而导致机器人行为的偏差。此外，随着技术的发展，机器人可能会遇到一些复杂的伦理问题，这些问题可能无法通过简单的三大原则来解决。
零定律的提出
在《机器人与帝国》中，“机器人系列”前三部的主人公伊利亚·贝莱在临终前对机器人R·丹尼尔说道：“个别人的死亡是无所谓的。一个人生路，留下的工作后人会继承。从这个意义上来说，他没有死。只要人类存在一天，人类的事业就不会结束。每一个人的工作，结合成人类整体的一部分，因此，就成了整体的一部分。整体存在，他的那一部分也就存在。全人类的生命——过去的、现代的和将来的——汇成了永不停息的生命的长河，并将变得越来越壮丽。一个人的生命，只是这生命长河中的一滴水。”丹尼尔就是据此将第一定律扩展为第零定律：机器人必须保护人类的整体利益不受伤害，其它三条定律都是在这一前提下才能成立。
新的阿西莫夫的机器人定律为：
第零定律：机器人必须保护人类的整体利益不受伤害。
第一定律：机器人不得伤害人类个体，或者目睹人类个体将遭受危险而袖手不管，除非这违反了机器人学第零定律。
第二定律：机器人必须服从人给予它的命令，当该命令与第零定律或者第一定律冲突时例外。
第三定律：机器人在不违反第零、第一、第二定律的情况下要尽可能保护自己的生存。
其他作家的补充、修正
阿西莫夫之后，人们不断提出对机器人三原则的补充、修正。
保加利亚科幻作家Lyuben Dilov在1974年小说《Icarus’s Way》中提出第四原则：机器人在任何情况下都必须确认自己是机器人。另一位保加利亚科幻作家Nikola Kesarovski于1983年在《The Fifth Law of Robotics》中又提出一个与Lyuben Dilov的第四原则看似相似实则不同的第五原则：机器人必须知道自己是机器人。
1989年美国科幻作家哈里·哈里森（Harry Harrison）在《Foundation’s Friends》中又提出另一个第四原则：机器人必须进行繁殖，只要进行繁殖不违反第一原则、第二原则或者第三原则。
这些补充的确有其增添的理由，但普遍存在的一个问题是补充本身的必要性和必然性。要知道，阿西莫夫三原则指出了机器人学的三个基本规范（或者“规律”），更具体的规范必须建立在这些基本规范的基础之上。怎样划分一个规范是具体规范还是基本规范？如果是基本规范，又怎样确定它在基本规范体系中的位置（为什么它是“第四”原则，而另一个又是“第五”原则？）？客观地说，前述几个“第四”、“第五“原则的内容并不能使自己成为第四原则、第五原则，既看不出它们何以成为原则，也看不出何以如此排序。这些原则的提出，多半是适应小说情节的需要，在小说中固然言之成理，但却不必过分拘泥。很显然，这几个补充原则的出发点是小说情节的需要，并不是机器人三原则本身的内容。
从三原则的内容出发对三原则加以补充、修改，这样的工作人们已经做过，并产生过很多严肃的讨论文章。这里只举罗杰·克拉克为例，他构思的机器人原则是：
元原则：机器人不得实施行为，除非该行为符合机器人原则。
第零原则：机器人不得伤害人类整体，或者因不作为致使人类整体受到伤害。
第一原则：除非违反高阶原则，机器人不得伤害人类个体，或者因不作为致使人类个体受到伤害。
第二原则：机器人必须服从人类的命令，除非该命令与高阶原则抵触。
第三原则：如不与高阶原则抵触，机器人必须先保护上级机器人，再保护自己之存在。
第四原则：除非违反高阶原则，机器人必须执行内置程序赋予的职能。
繁殖原则：机器人不得参与机器人的设计和制造，除非新机器人的行为符合机器人原则。
罗杰·克拉克把最后一个原则命名为“繁殖原则”，而没有称为“第五原则”，是有道理的；仅就其内容看，的确很难确定这一个原则到底应该放到什么位置上。他把机器人按履行内置职能放在执行人类命令之后，认为服从人类命令优先于执行本职工作，总体上也无问题。但把机器人保护自身存在置于执行本职工作之前，颇有值得商榷之处。此外，这些原则除调整人与机器人的关系之外，还涉及机器人之间的部分关系，这是超出原有原则范围的内容。
网格动力学模型——元胞自动机
元胞自动机是由数学家冯·诺依曼于20世纪40年代提出的一种离散动力学模型，其时间、空间和状态均为离散，通过局部规则驱动全局演化 。该模型由规则定义的网格系统构成，每个元胞根据相邻元胞状态同步更新自身状态，具备模拟复杂系统时空演化的能力。核心要素包括元胞、元胞空间、邻居和演化规则，应用于群体行为模拟、交通流分析、材料科学及并行计算等领域 。
20世纪70年代，康威开发的"生命游戏"验证了元胞自动机生成复杂行为的潜力。20世纪80年代，S. Wolfram基于动力学行为将其分为平稳型、周期型、混沌型和复杂型四类。1990年Howard A. Gutowitz提出基于马尔科夫概率量测的分类体系。随着研究深入，模型扩展至城市发展预测、行人疏散模拟及流体力学等领域，并通过改进网格结构（如菱形网格）和规则体系提升模拟精度。
元胞自动机可用来研究很多一般现象。其中包括通信、信息传递（Communication）、计算（Compulation）、构造（Construction）、材料学、复制（Reproduction）、竞争（Competition）与进化（Evolution）等（Smith A.,1969;Perrier，J.Y.,1996）。同时。它为动力学系统理论中有关秩序（Ordering）、紊动（Turbulence）、混沌（Chaos）、非对称（Symmetry-Breaking）、分形（Fractality）等系统整体行为与复杂现象的研究提供了一个有效的模型工具（Vichhac。G，1984; Bennett，C,1985）。
元胞自动机自产生以来，被广泛地应用到社会、经济、军事和科学研究的各个领域。应用领域涉及社会学、生物学、生态学、信息科学、计算机科学、数学、物理学、材料学、化学、地理、环境、军事学等。