阶段二：通信与协同 通信基础
通信是群体智能的基础。没有通信，个体无法协调行动，群体智能便无法涌现。群体机器人的通信模型决定了信息如何在个体间流动，直接影响群体的协同效率。
群体通信的拓扑结构决定了信息的传播路径和速度：
import random, math
random.seed(42)
# 模拟不同通信拓扑下的信息传播
class Node:
def __init__(self, id):
self.id = id
self.info = set([id]) # 初始只知道自己的信息
# 生成不同拓扑
def gen_ring(n):
return {i: [(i-1)%n, (i+1)%n] for i in range(n)}
def gen_star(n):
return {0: list(range(1,n)), **{i: [0] for i in range(1,n)}}
def gen_mesh(n):
side = int(math.sqrt(n))
g = {}
for i in range(n):
r, c = divmod(i, side)
nbrs = []
if r > 0: nbrs.append(i-side)
if r < side-1: nbrs.append(i+side)
if c > 0: nbrs.append(i-1)
if c < side-1: nbrs.append(i+1)
g[i] = nbrs
return g
def gen_random_graph(n, p=0.3):
g = {i: [] for i in range(n)}
for i in range(n):
for j in range(i+1, n):
if random.random() < p:
g[i].append(j); g[j].append(i)
return g
def simulate(graph, n, max_steps=50):
nodes = [Node(i) for i in range(n)]
for step in range(max_steps):
new_info = [n.info.copy() for n in nodes]
for i in range(n):
for j in graph.get(i, []):
new_info[i] |= nodes[j].info
for i in range(n):
nodes[i].info = new_info[i]
coverage = sum(len(n.info) for n in nodes) / (n*n)
if coverage >= 0.99:
return step+1, coverage
return max_steps, coverage
n = 25
topos = {"环形(Ring)": gen_ring(n), "星形(Star)": gen_star(n),
"网格(Mesh)": gen_mesh(n), "随机(Random)": gen_random_graph(n)}
for name, g in topos.items():
steps, cov = simulate(g, n)
avg_degree = sum(len(v) for v in g.values()) / n
print(f"{name:14s}: 收敛步数={steps:3d}, 覆盖率={cov:.4f}, 平均度={avg_degree:.1f}")
print("\\n✅ 验证通过：不同拓扑结构的信息传播效率差异显著")环形(Ring) : 收敛步数= 12, 覆盖率=1.0000, 平均度=2.0 星形(Star) : 收敛步数= 2, 覆盖率=1.0000, 平均度=1.9 网格(Mesh) : 收敛步数= 7, 覆盖率=0.9936, 平均度=3.2 随机(Random) : 收敛步数= 3, 覆盖率=1.0000, 平均度=8.4 ✅ 验证通过：不同拓扑结构的信息传播效率差异显著
本课群体通信模型的计算复杂度是实际应用中的关键考量因素。在群体规模为N、迭代次数为T的情况下：
对于大规模问题，可以采用以下策略降低复杂度：
群体通信模型与其他相关方法的对比分析：
| 算法 | 优势 | 劣势 | 适用场景 |
|---|---|---|---|
| 本课方法 | 分布式、鲁棒、可扩展 | 近似解、参数敏感 | 大规模动态环境 |
| 集中式方法 | 全局最优、确定性强 | 单点故障、不可扩展 | 小规模静态问题 |
| 分层方法 | 兼顾全局和局部 | 层次设计复杂 | 中等规模问题 |
| 混合方法 | 综合各方法优点 | 实现复杂度高 | 高要求场景 |
群体通信模型领域的当前热点研究方向包括：
不同的通信拓扑在收敛速度、鲁棒性和通信开销之间形成权衡：
初始化阶段：所有智能体/粒子的初始位置和速度随机生成。随机初始化保证了多次运行的统计意义，但单次运行的结果可能因随机种子不同而变化。
主循环结构：每个时间步包含三个阶段——感知（获取邻居和环境信息）、决策（根据规则计算控制量）、执行（更新位置和速度）。这种"感知-决策-执行"循环是所有群体机器人算法的基本框架。
参数调优建议：先用默认参数运行一次观察基本行为，然后逐个调整关键参数。每次只改一个参数，记录变化效果。重点关注：收敛速度、稳态误差和鲁棒性。
常见问题：
群体通信模型在群体机器人整体知识体系中的位置和关联：
理解本课内容需要掌握的前置概念：Python基础编程、线性代数（矩阵运算）、概率论（随机变量和分布）、图论基础（图的基本概念和遍历算法）。如果你对这些前置知识感到陌生，建议先回顾相关基础教材。
本课内容为后续课程奠定基础。在后续学习中，我们将把本课的算法原理与其他技术结合，构建更复杂、更实用的群体机器人系统。特别值得关注的是：如何将本课的算法从仿真环境迁移到实际机器人平台，需要考虑传感器噪声、通信延迟、执行器误差等现实因素。
群体通信模型不仅属于机器人学，还与以下学科密切相关：
群体机器人课程 © 2026 | 第6课/共25课