《蜂群仿真试验》美国陆军

据预测，自主行为系统集群或蜂群将成为美国国防部战略的重要组成部分。因此，研究如何创建具有适合这些不同目的的特性、行为和功能的蜂群，符合美国军方的利益。然而，蜂群研究也面临着挑战，包括现有硬件的技术限制、解决单个无人机层面行为和整个蜂群行为复杂性的需要，以及可能与蜂群在行动中的表现相关的参数组合。本报告提出了对蜂群行为进行计算机模拟研究和实验分析的方法。通过分析计算机模拟实验中的蜂群性能数据，研究单个和整个蜂群的特征可能会如何影响蜂群执行任务的性能。

蜂群是由具有相似特征的实体组成的群体，它们倾向于共同行动，为实现一个总体目标而合作。蜂群智能基于蜂群理论的概念，该理论认为以协作方式行动的简单实体可以产生突发效应。蜂群理论可视为一般系统理论（Bertalanffy，1968 年）在某些生物系统（如蜂巢和蚁群）中的应用。虽然独立的实体可能会以某种方式行事，但当这些实体将其行为结合在一起时，可能会出现新的结果（Navarro 和 Matia，2013 年）。这种现象通常被称为 “整体不同于部分之和 ”或 “整体大于部分之和”（Koffka，1922 年），作为系统科学的延伸，已被许多不同领域所利用（Arnold 和 Wade，2017 年）。在过去几十年中，人们一直在研究如何将蜂群智能用于许多不同的应用领域（Arnold 等人，2019 年）。集中式和分散式蜂群人工智能（AI）已被用于各种应用和研究工作中，如蜂群导航和受生物启发的蜂群行为（Beni 和 Wang，1993 年；Oh 等人，2017 年）。美国国防部已在许多不同的国防和国土安全应用中探索了基于蜂群的软件算法和系统，包括辐射探测、搜索和救援、绘图、侦察和物体探测等（Arnold 等人，2020 年；Chung 等人，2016 年；Cook，2017 年；Savidge 等人，2019 年；Scharre，2014 年）。一般来说，这些应用的优化蜂群配置是通过专有或特定应用方法确定的。这些方法往往无法超越特定场景或应用需求。虽然这些方法是合理的，而且适合每个特定应用，但我们相信可能有更通用的方法来组织和研究基于特定特征的蜂群性能。然而，有关确定这些最佳蜂群特征的一般方法的研究似乎很少。

这项工作描述并演示了一种对无人机群进行仿真试验设计方法。与之前的研究一样，将重点放在一个特定的应用和场景上，以此作为演示过程的起点。不过，如果有仿真软件支持，这种方法可以很容易地扩展到更广泛的应用领域。计划在今后的工作中进一步开发软件，并扩展这项初步研究。

蜂群计算机仿真试验

虽然蜂群试验设计者可以高度控制蜂群的实际配置，但许多蜂群本质上是基于智能体的系统。蜂群实体通常被刻意设计为以非确定的方式行事（Arnold 等人，2020 年；Vásárhelyi 等人，2014 年；Williams，2015 年）。因此，许多蜂群行为很难预测。特别是在像蜂群这样的高维动态系统中，可能会产生意想不到的突发后果。尽管许多蜂群系统具有突发性，但模拟蜂群行为的常用方法往往局限于模拟特定问题的确定性解决方案。例如，最优解（Kennedy 和 Eberhart，1995 年）、公差（Bjerknes 和 Winfield，2012 年）、范围（Ugur 等人，2007 年）、规则概念证明演示（Bahceci 和 Sahin，2005 年）等等。在计算机实验过程中，识别和利用蜂群突发行为的更有效方法可能是推导蜂群设计参数与蜂群性能之间的因果关系。配置系统的计算机模拟可用于理解、预测和控制配置高维系统中的这些突发特性（Arnold 等人，2020 年）。了解系统参数之间的关系以及这些关系影响蜂群整体行为的方式有很多好处。这些知识可用于设计蜂群系统，以执行多种不同类型的任务，而不是将系统集中在一个狭义的场景中。

基于这一观点，可以使用随机模拟程序来检查配置好的蜂群的行为。已经有一些关于使用仿真程序来探索对系统进行修改的影响，以验证概念，或研究单个或少数几个因素的影响（Czitrom，1999 年）。通常情况下，这些工作可以被称为 “一次一因素”（OFAT）方法。一种更强大的方法是使用实验设计（DOE），即同时评估多个变量及其相互作用的更复杂分析。同时关注多个变量对于充分测试蜂群等多维系统更为有效（蒙哥马利，2012 年）。可以利用 DOE 方法深入了解虫群的配置方式与虫群作为一个整体在虚拟模拟操作环境中的表现之间的因果关系。

虚拟试验设置

美国陆军发展司令部军备中心开发了一个强大、可配置的无人机系统模拟系统，名为 DroneLab，以支持揭示突发蜂群行为的研究工作（Arnold 等人，2021 年）。DroneLab 是一款软件应用程序，旨在促进模拟大量无人机系统作为一个有凝聚力但分散的系统集体运行。DroneLab 允许定义环境场景，如在重大自然灾害（海啸、地震等）后搜寻幸存者。该场景定义了障碍物（建筑物）的几何形状和位置以及幸存者的位置。DroneLab 还允许为搜索群中的每个实体（无人机）分配三种角色中的一种。这三种角色也可以概念化为 “个性 ”类型，是通过从一组固定选项中优先选择不同的预编程行为而开发出来的。这组固定选项中的例子包括避免碰撞、电池充电、编队控制和航点导航等行为。由于 DroneLab 采用多态架构，因此添加其他行为相对容易。本实验开发的三种人格类型（角色）分别为中继、社会搜索者和反社会搜索者。被分配到中继角色的智能体与蜂群中最近的成员保持 50 到 800 米之间的随机距离，以提供网络基础设施；这使得其他智能体能够继续其行为，同时保持与蜂群其他成员的连接。与社交搜索无人机相比，反社交搜索无人机优先考虑松散的编队行为，高度重视扩大蜂群的扩散范围，从而与蜂群中的所有其他智能体保持更大的距离。社会搜索者角色则优先考虑在蜂群中的实体之间保持更紧密的队形。当探测到 10 米半径范围内有四个或更多幸存者时，这三种角色都会触发螺旋出动行为。这种行为旨在更快地找到可能聚集在附近的其他幸存者（Arnold 等人，2018 年）。

DroneLab 具有很高的可配置性，可指定多个可连续执行的模拟场景。通过列出每种个性类型的无人机数量以及该无人机的最大 Wi-Fi 或通信距离，即可定义一次模拟。每个模拟都可以运行多次，因为该应用并不是确定性的，因为它可以在场景中的随机位置放置幸存者。详情请参见 “蜂群实验设计方法 ”部分。本实验的地形是根据日本兵库县大城市神户的卫星照片重建的。神户照片拍摄于 1995 年阪神大地震后数小时，地震造成了城市的大规模破坏。在这一设置中，919 名幸存者被安置在 DroneLab 模拟中；其中 616 名被安置在根据地震信息确定的实际地点，另外 300 名幸存者被随机安置在整个城市的不同随机地点。这样就能真实再现经历过大规模搜救行动的灾后现场。