阶段二：通信与协同 分布式共识
共识（Consensus）是分布式系统中最基本的问题：如何让一组节点就某个值达成一致？在群体机器人中，共识是协同行动的基础——只有当所有个体对环境状态达成共识，才能做出一致的决策。
给定 n 个节点，每个节点有初始值 x_i(0)，目标是设计分布式协议使得：
其中 W 是权重矩阵，ε 是步长参数。关键要求：
平均共识收敛的充要条件是通信图连通。收敛速度取决于：
| 权重方案 | 公式 | 特点 |
|---|---|---|
| 最大度权重 | w_ij = 1/(d_max+1) | 简单，收敛慢 |
| Metropolis权重 | w_ij = 1/(max(d_i,d_j)+1) | 较好，自适应 |
| 最优权重 | 最小化谱半径 | 最快，需全局信息 |
import random, math
random.seed(42)
# 平均共识算法
n = 20
values = [random.uniform(0, 100) for _ in range(n)]
initial_avg = sum(values)/n
# 生成随机图
def gen_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
graph = gen_graph(n)
# 最大度权重
max_deg = max(len(v) for v in graph.values())
print(f"初始平均值: {initial_avg:.4f}")
print(f"初始值范围: [{min(values):.2f}, {max(values):.2f}]")
print(f"图连通: {len(graph[0])} 个邻居连接到节点0")
print()
for step in range(60):
new_vals = values[:]
for i in range(n):
if graph[i]:
w = 1.0/(max_deg+1)
new_vals[i] = (1-len(graph[i])*w)*values[i] + w*sum(values[j] for j in graph[i])
values = new_vals
cur_avg = sum(values)/n
variance = sum((v-cur_avg)**2 for v in values)/n
if step % 10 == 0:
print(f"Step {step:3d}: 平均值={cur_avg:.4f}, 方差={variance:.6f}, 范围=[{min(values):.2f},{max(values):.2f}]")
cur_avg = sum(values)/n
variance = sum((v-cur_avg)**2 for v in values)/n
print(f"\\n最终: 平均值={cur_avg:.4f}, 方差={variance:.8f}")
print(f"与初始平均值偏差: {abs(cur_avg-initial_avg):.8f}")
print("✅ 验证通过：共识算法收敛，所有节点值趋于一致且保持平均值不变")初始平均值: 38.8826 Step 0: 平均值=38.8826, 方差=115.066010 Step 10: 平均值=38.8826, 方差=0.218170 Step 20: 平均值=38.8826, 方差=0.003375 Step 30: 平均值=38.8826, 方差=0.000057 Step 40: 平均值=38.8826, 方差=0.000001 Step 50: 平均值=38.8826, 方差=0.000000 最终: 平均值=38.8826, 方差=0.00000000 与初始平均值偏差: 0.00000000 ✅ 验证通过：共识算法收敛，所有节点值趋于一致且保持平均值不变
在异构群体中，不同节点的值可能具有不同的重要性。加权共识允许节点按照权重达成共识：
本课共识算法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：
共识算法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 |
共识算法领域的当前热点研究方向包括：
在实际群体机器人系统中，不同机器人可能有不同的可靠性和精度，需要加权共识：
有偏共识（Biased Consensus）允许部分节点（锚节点）保持固定值，其他节点收敛到锚节点值的加权平均。这在领导者跟随场景中特别有用。
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：
共识算法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。
共识算法不仅属于机器人学，还与以下学科密切相关：
群体机器人课程 © 2026 | 第7课/共25课