第 1 章 群体智能核心原理
所属卷册：第一卷 基础理论与数学工具
自然界中不存在"蜂王遥控工蜂"的中央控制器，也不存在"头鸟发令"的指挥链路：蜂群能够在数天内完成新巢选址并整体迁徙，成千上万只椋鸟能够在黄昏降临前凝聚成瞬息万变的云团，鱼群能够在捕食者突入的瞬间以逃逸波的方式从攻击点炸开------这些宏大的群体行为，全部由个体基于局部信息的简单规则交互而成。把这一现象抽象为算法与系统设计准则，并移植到无人机蜂群、无人舰队等自主集群平台，正是本书的出发点与全书主线。
本章作为第一卷的开篇，回答三个递进的问题：
- 个体如何行动（1.1 节）：蜜蜂、鸟、鱼等生物个体的局部行为规则是什么，如何用数学语言精确刻画；
- 群体如何涌现（1.2.1 节）：大量局部规则交互后产生的宏观"群体智能"如何被观测、被量化；
- 系统的边界在哪（1.2.2 节）：去中心化架构在通信时延、节点规模约束下"便宜"到什么程度、又"昂贵"到什么程度。
这三个问题的答案将分别对接第 2 章的图论与动力学工具、第 3 章的一致性算法、第 4 章编队控制以及第三、四卷的工程实践。读者在阅读本章时不妨带着一个工程问题：如果我要让 20 架无人机不依赖地面站自主编队，哪些设计决策直接受本章结论约束？
1.1 生物群体行为解析
群体智能（Swarm Intelligence, SI）的经典定义是：由大量相互作用的简单个体与环境交互而涌现出的集体智能，其智能不在于任何单个个体，而在于个体之间的交互网络之中1。要理解这个抽象定义，最直观的路径是回到生物学现场：先观察蜜蜂如何解决"觅食信息共享"与"巢址共识决策"两大社会性问题，再观察鸟群与鱼群如何解决"无指挥协同运动"问题。
值得注意的是，生物群体行为研究并非书斋里的博物学。20 世纪 90 年代以来，计算机模拟与三维实测技术使研究者能够精确重建个体的位置与朝向序列，群体行为研究由此成为统计物理、控制科学与机器人学的共同前沿，也为无人机集群研究提供了直接的仿生蓝本。本章的每一节都以"生物学机制 → 数学刻画 → 工程映射"为主线组织，这也是后续各章统一的写作范式。
1.1.1 蜂群社会性分工机制
一个健康的西方蜜蜂（Apis mellifera ）蜂群通常由数万只个体组成：一只蜂王专职产卵，数百只雄蜂负责交配，其余数万只工蜂则依据年龄多态型（age polyethism）轮换执行保育、筑巢、守卫、采蜜等任务。工蜂羽化后先从事巢内工作，约 3 周后转为巢外采集，但这种分工并非刚性制度------当巢内蜜源需求变化或部分工蜂死亡时，工蜂会在数小时至数天内转换工种，这种"任务可塑性"保证了群体对环境的适应能力。
从控制工程的角度看，蜂群分工机制的珍贵之处在于两点。其一，分工是涌现的而非指派的 ：没有任何蜜蜂掌握全群的劳动统计表，工蜂依据个体感知到的局部刺激（如幼虫密度、花粉存量、舞蹈联络强度）自行决定是否投入某项任务；其二，信息在个体间通过舞蹈、触角接触与信息素等低带宽信道流动 ，个体决策的耦合形成了任务分配的动态平衡。对蜂群觅食分工与信息交流的算法抽象（如人工蜂群算法 ABC 中雇佣蜂/观察蜂/侦察蜂的角色划分2），以及对模拟蜂群智能算法的系统综述3，已成为群体智能算法研究的主干。本节不再赘述算法本身，而是聚焦其生物学根基------摇摆舞信息传递与巢址共识决策，这两者分别是"信息传递 "与"群体决策"的天然教科书。
1.1.1.1 蜜蜂觅食的摇摆舞信息传递原理
1920---1940 年代，动物行为学家卡尔·冯·弗里希（Karl von Frisch）通过一系列精巧的实验首次破解了蜜蜂的"舞蹈语言"，并因此获得 1973 年诺贝尔生理学或医学奖4。他发现：当一只侦察蜂发现优质蜜源并返回蜂巢后，会在巢脾表面跳起一种"8 字形"舞蹈------先沿直线快速摆动腹部前进一段（称为摆尾段 ，waggle run），随后分别向左、向右画弧返回起点，如此循环。蜜蜂通过这条摆尾段，向跟随的工蜂传递了蜜源的方向 与距离两个信息。
方向编码。 蜂巢内部一片漆黑，舞蹈只能在垂直的巢脾上进行，蜜蜂因此以重力方向 替代视觉参照：若摆尾段轴线垂直向上，表示蜜源位于太阳方位；垂直向下则表示背向太阳；若蜜源方向相对太阳方位偏转某个角度，摆尾段轴线相对竖直方向就偏转同样的角度。记蜜源飞行方向与太阳方位线的水平夹角为 αf∈−π2,π2\alpha_f \in -\\frac{\\pi}{2}, \\frac{\\pi}{2}αf∈−2π,2π（以顺时针为正），摆尾段轴线相对竖直重力线的夹角为 φw\varphi_wφw，则有：
φw=αf(1.1)\varphi_w = \alpha_f \tag{1.1}φw=αf(1.1)
需要强调的是，式(1.1)并不要求蜜蜂感知"绝对方位"。侦察蜂在飞行途中通过太阳偏振光罗盘记住的是自身航向与太阳方位的相对夹角，回巢后只需把"天空中的夹角"翻译成"巢脾上的夹角"即可------这正是典型的传感器-执行器坐标变换，与无人机将机体坐标系的期望航向换算为世界坐标系指令在数学上是同构的。
距离编码。 摆尾段的持续时间（等价地，摆尾段长度与摆动次数）与蜜源距离近似成正比。冯·弗里希的经典标定显示，每增加约 100 m 距离，摆尾时长约增加 75 ms。设摆尾时长为 TwT_wTw（单位 ms），蜜源距离为 ddd（单位 m），则
Tw=T0+kd,k≈0.75 ms/m(1.2)T_w = T_0 + k d, \quad k \approx 0.75 \ \text{ms/m} \tag{1.2}Tw=T0+kd,k≈0.75 ms/m(1.2)
其中 T0T_0T0 为摆尾起始常数（约数十毫秒的量级）。由式(1.2)可知，距离 1 km 的蜜源对应约 0.8 s 的摆尾时长，这与对不同地区蜂群舞蹈解码得到的实际数据量级一致。必须指出，kkk 的具体数值存在蜂群差异与季节差异------不同蜂群、不同蜜源丰度条件下测得的标定斜率不同，因此每只蜜蜂并不会"换算"距离，而是把摆尾时长本身当作一把经验标尺。这与工程中传感器出厂校准后仍需现场标定的逻辑完全相同。
图 1-1 建议插入位：蜜蜂摆尾舞几何关系示意图（巢脾竖直面上，重力方向、摆尾段轴线 φw\varphi_wφw 与蜜源---太阳夹角 αf\alpha_fαf 的对应关系）。
传递过程与工程启示。 跟随蜂通过触角感受舞蜂身体摆动引起的振动（约 260~280 Hz）与接触，解码方向与距离信息后飞出巢外定向搜索；抵达蜜源后以气味进一步锁定目标。高质量蜜源会引发更强烈的舞蹈与更多跟随者，形成招募级联，最终使觅食工蜂向优质蜜源集中------这是群体层面"正反馈选优"的雏形，将在 1.1.1.2 节与蜂群筑巢决策中看到同样机制在更高层面的运作。
摆尾舞信息传递给集群工程的第一条启示是：通信带宽与信息量并不成正比，信息能否被有效利用取决于接收方的解码能力与上下文 。舞蹈每秒仅传送数个比特，却足以支撑数万只工蜂的觅食分工；反之，工程中若盲目追求大带宽而忽视状态信息的语义一致性，集群反而会因信息过载而失稳。第二条启示是通信必须容忍不可靠：舞蹈角度存在 ±10° 量级的噪声、蜂巢内跟随者经常"解码错误"（甚至复飞失败），但群体层面的觅食效率依然稳健------这正是分布式系统对单次通信失败应有"不敏感"态度的生物学注脚。
1.1.1.2 蜂群筑巢的共识决策阈值参数
每年春末夏初，当蜂群规模过大时，约三分之二的工蜂会随老蜂王离巢分蜂（swarming），在附近树枝上聚集成一个露天的蜂团。此时蜂群面临一个生死攸关的决策：在数百平方公里的范围内选择一个新巢址 。蜂团中仅有数百只侦察蜂（约占蜂团个体的 3%~5%）承担勘察任务，它们外出探查树洞、岩缝等潜在巢址（通常为 10~20 个），回巢后以摆尾舞报告各自发现，并通过舞蹈的强度与持续时长传达对巢址质量（容积、洞口尺寸与朝向、离地高度等）的评价。
决策过程随后演变为一场持续数小时至数天的"舞蹈辩论"：舞得最卖力的蜂引来更多侦察蜂前去复核，复核者若认可则回巢加入宣传，形成雪球效应；而不被认可的巢址逐渐无人问津。关键是------蜂群何时拍板起飞？康奈尔大学的西利（T. D. Seeley）与加州大学河滨分校的维舍尔（P. K. Visscher）通过移箱实验给出了明确答案：决策完成的信号并非"所有舞蹈者意见统一"（共识感知），而是某一巢址的现场侦察蜂数量达到一个阈值（俗称"法定人数感知"，quorum sensing）------当某巢址现场聚集约 10~15 只侦察蜂时，蜂团内开始出现"哔哔声"（worker piping），蜂群随即整体起飞飞向该巢址5,6。在对照实验中，将 5 个完全相同的巢箱放在同一地点以稀释侦察蜂密度，起飞被显著延迟，直接证实了阈值机制的存在5。
下面对该决策过程建立一个足够简洁、又能保留其要害的数学描述。设某候选巢址 iii 的质量评分为 qi∈(0,1]q_i \in (0,1]qi∈(0,1]，此刻正在该巢址勘查的侦察蜂数量为 xi(t)x_i(t)xi(t)，蜂团中可被继续招募的侦察蜂总量为 SSS。舞蹈宣传使 xix_ixi 的增长率与"当前宣传强度 xix_ixi"和"质量评分 qiq_iqi"均成正比，同时受总量约束，可近似写作 Logistic 型增长：
dxidt=γqi xi(1−xiS)(1.3)\frac{dx_i}{dt} = \gamma q_i \, x_i \left( 1 - \frac{x_i}{S} \right) \tag{1.3}dtdxi=γqixi(1−Sxi)(1.3)
其中 γ\gammaγ 为招募速率常数。式(1.3)的初值 xi(0)=1x_i(0)=1xi(0)=1 即"首位发现该巢址的侦察蜂"。当增长处于早期（xi≪Sx_i \ll Sxi≪S），xi(t)≈eγqitx_i(t) \approx e^{\gamma q_i t}xi(t)≈eγqit 以指数增长，且增长率正比于质量评分------好巢址"雪球"越滚越快，与实测行为一致。令阈值触发条件为 xi(t)=Qx_i(t) = Qxi(t)=Q，可解得蜂群从首只侦察蜂确认到做出"起飞决定"的特征时间
tQ≈1γqilnQx0(1.4)t_Q \approx \frac{1}{\gamma q_i} \ln \frac{Q}{x_0} \tag{1.4}tQ≈γqi1lnx0Q(1.4)
式(1.4)定量揭示了精度---速度权衡 的两端：阈值 QQQ 越大，tQt_QtQ 越长，但勘查样本越多、选错概率越低；阈值过小虽决策快，却可能被低质量巢址的短暂人气裹挟。表 1-1 汇总了真实蜂群的关键参数取值与工程对应物。
表 1-1 蜂群巢址决策的关键参数及其工程对应
| 参数 | 符号 | 生物学取值 | 工程对应物 |
|---|---|---|---|
| 候选方案数 | MMM | 10~20 个候选巢址 | 集群待选目标点/航路方案数 |
| 侦察蜂占比 | ρs\rho_sρs | 3%~5% | 采样/评估节点比例 |
| 法定人数阈值 | QQQ | 10~15 只 | 投票/探测确认数（quorum） |
| 招募强度增益 | γqi\gamma q_iγqi | 与巢址质量正相关 | 评估得分对宣传/广播速率的增益 |
| 决策时间 | tQt_QtQ | 数小时至约两天 | 任务级决策的容许收敛时间 |
蜂群筑巢决策为集群工程提供了三条可迁移的设计准则：
- 用"阈值"而非"共识"定义决策完成：要求全部节点意见一致在通信上不可行、在时间上不可接受；达到法定数量即触发执行，可在精度与速度间取得平衡。无人机群在分布式目标选举、区域覆盖裁决等任务中可直接借用此阈值机制（后续第 5 章的任务分配将给出工程化形式）。
- 用"强度反馈"放大质量差异 ：好方案获得更高宣传速率（γqi\gamma q_iγqi），从而在式(1.4)的对数时间内胜出------工程中对应"按评估得分配置消息广播速率或重试次数"的随机化招投标策略。
- 用"多样性"保障决策质量 ：数百只侦察蜂独立勘察、互不抄作业，才保证了候选集的广度；蜂团并不要求每只蜜蜂都知晓最终决策。工程上这意味着决策前应抑制从众，决策后应坚决一致------这与第 3 章一致性算法的收敛特性要求一脉相承。
1.1.2 鸟群/鱼群协同运动规则
与蜜蜂依赖"舞蹈---解码"的显式信息传递不同，鸟群与鱼群的协同运动基于更朴素的机制：每只个体只观察附近少数邻居的位置与速度，并按简单的局部规则调整自身运动。椋鸟群在黄昏集会时可凝聚成包含数十万只个体的巨构，鱼群在捕食者突入时以毫秒级时序传递逃逸波------这些行为不需要领导者，不需要全局地图，甚至不需要个体间的"语言"。
1987 年，计算机图形学家克雷格·雷诺兹（Craig Reynolds）提出了著名的 Boids 模型，首次用三条局部规则在计算机上复现了鸟群的聚群飞行7；1995 年，物理学家维切克（T. Vicsek）等人将其抽象为自驱粒子的统计物理模型，揭示了集体运动中的有序---无序相变8。此后对真实椋鸟群的三维实测进一步修正了人们对交互规则的认知9。这些工作构成了现代蜂拥（flocking）控制与仿鸟群无人机集群研究的共同源头，国内学者对仿鸟群协同控制的技术脉络亦有系统综述10。本节先给出 Boids 三规则的数学表达，再讨论局部感知半径这一最关键的调优参数。
1.1.2.1 Reynolds Boids 三规则的数学表达
雷诺兹将群体中的每个个体称为一个 Boid（bird-oid，类鸟体），并假定每个 Boid 具有完整的自身运动状态（位置与速度），但只能感知到以其为中心、半径为 RRR 的球形邻域内的其他个体 。以 Ni\mathcal{N}_iNi 表示个体 iii 的邻居集合：
Ni={j≠i:∥pj−pi∥≤R}(1.5)\mathcal{N}_i = \left\{ j \neq i : \| \mathbf{p}_j - \mathbf{p}_i \| \leq R \right\} \tag{1.5}Ni={j=i:∥pj−pi∥≤R}(1.5)
其中 pi\mathbf{p}_ipi 为个体位置，∥⋅∥\|\cdot\|∥⋅∥ 为欧氏范数。Boids 的三条基本规则全部定义在 Ni\mathcal{N}_iNi 之上：
(1) 分离（Separation）：避免与邻居碰撞。个体受到邻居的排斥，距离越近排斥越强（取平方倒数加权以强调近距离避撞），排斥方向指向远离邻居质心一侧：
aisep=ks∑j∈Nipi−pj∥pi−pj∥2(1.6)\mathbf{a}i^{\mathrm{sep}} = k_s \sum{j \in \mathcal{N}_i} \frac{\mathbf{p}_i - \mathbf{p}_j}{\| \mathbf{p}_i - \mathbf{p}_j \|^2} \tag{1.6}aisep=ksj∈Ni∑∥pi−pj∥2pi−pj(1.6)
(2) 对齐（Alignment）：与邻居航向保持一致。个体将自己的速度向邻居平均速度靠拢，这是群体方向一致性的来源：
aiali=ka(1∣Ni∣∑j∈Nivj−vi)(1.7)\mathbf{a}_i^{\mathrm{ali}} = k_a \left( \frac{1}{|\mathcal{N}i|} \sum{j \in \mathcal{N}_i} \mathbf{v}_j - \mathbf{v}_i \right) \tag{1.7}aiali=ka ∣Ni∣1j∈Ni∑vj−vi (1.7)
(3) 聚合（Cohesion）：向邻居中心聚集，防止群体离散。邻居"引力中心"取局部质心：
aicoh=kc(1∣Ni∣∑j∈Nipj−pi)(1.8)\mathbf{a}_i^{\mathrm{coh}} = k_c \left( \frac{1}{|\mathcal{N}i|} \sum{j \in \mathcal{N}_i} \mathbf{p}_j - \mathbf{p}_i \right) \tag{1.8}aicoh=kc ∣Ni∣1j∈Ni∑pj−pi (1.8)
三条规则产生的期望加速度经权重 ws,wa,wcw_s, w_a, w_cws,wa,wc 加权求和后，以"速度冲量 + 位置积分"的方式更新运动状态（Δt\Delta tΔt 为仿真/控制步长）：
vi(t+Δt)=vi(t)+(wsaisep+waaiali+wcaicoh)Δt,pi(t+Δt)=pi(t)+vi(t+Δt)Δt(1.9)\mathbf{v}_i(t+\Delta t) = \mathbf{v}_i(t) + \left( w_s \mathbf{a}_i^{\mathrm{sep}} + w_a \mathbf{a}_i^{\mathrm{ali}} + w_c \mathbf{a}_i^{\mathrm{coh}} \right) \Delta t, \qquad \mathbf{p}_i(t+\Delta t) = \mathbf{p}_i(t) + \mathbf{v}_i(t+\Delta t) \Delta t \tag{1.9}vi(t+Δt)=vi(t)+(wsaisep+waaiali+wcaicoh)Δt,pi(t+Δt)=pi(t)+vi(t+Δt)Δt(1.9)
图 1-2 建议插入位：Boids 三条规则示意（分离、对齐、聚合作用在中心个体上的力矢量方向，标注感知半径 RRR 与邻居集 Ni\mathcal{N}_iNi）。
框 1-1 给出了单步仿真的伪代码，便于读者在后续第 4 章编队实验前先行建立直觉。
框 1-1 Boids 群体运动单步仿真伪代码
text
输入：N 个个体的位置与速度，感知半径 R，权重 w_s, w_a, w_c，步长 dt
for 每一步 t:
for 每个个体 i:
1) 依式(1.5)计算邻居集 N_i
2) 若 N_i 为空：仅保持当前速度（个体巡航），转 6)
3) 依式(1.6)(1.7)(1.8)计算 a_sep, a_ali, a_coh
4) a_i = w_s*a_sep + w_a*a_ali + w_c*a_coh
5) v_i ← clamp(v_i + a_i*dt, v_min, v_max) # 限速
6) p_i ← p_i + v_i*dt
统计并记录群体序参量（见 1.2.1.1 节）雷诺兹模型的三条规则缺一不可：只有分离，群体会散作一团互相规避的个体；只有对齐，个体会沿同一方向并排飞行却间距失控；只有聚合，群体会坍缩成一个碰撞密集的斑点。三者的张力平衡造就了群体既凝聚又疏散、既一致又可绕障的涌现行为------遇到障碍物时，靠前的个体转向绕行，把群体"撕开"，越过障碍后聚合规则又将其重新"缝合"，全程无需任何个体知晓全局路径。
需要提醒的是，式(1.6)~式(1.8)中的权重 ws,wa,wcw_s, w_a, w_cws,wa,wc 与规则系数 ks,ka,kck_s, k_a, k_cks,ka,kc 存在明显的冗余，工程调参时通常固定系数而只调权重。初始可取 ws:wa:wc≈1.5:1.0:1.0w_s : w_a : w_c \approx 1.5 : 1.0 : 1.0ws:wa:wc≈1.5:1.0:1.0（分离需略占上风以保证安全间距），再依据 1.1.2.2 节的量化指标迭代。这一"固定结构、调节强度"的思路在第 4 章编队保持控制器的整定中会再次出现。
1.1.2.2 群体避障的局部感知半径调优方法
式(1.5)中的感知半径 RRR 是 Boids 类模型中最具全局影响的参数：它同时决定了群体的连通性 、安全性 与计算开销 ，因而也是工程调试中第一个需要整定的量。为厘清 RRR 的影响，需要引入邻居数量这个桥梁量。
设群体在二维空间中的数密度为 ρ=N/A\rho = N/Aρ=N/A（NNN 为个体数，AAA 为覆盖面积），在个体位置随机均匀的近似下，任一时刻个体 iii 的邻居数期望为
Emi=ρπR2(1.10)\mathrm{E}\left m_i \\right = \rho \pi R^2 \tag{1.10}Emi=ρπR2(1.10)
三维空间中则为 ρ⋅43πR3\rho \cdot \frac{4}{3}\pi R^3ρ⋅34πR3。由此得到三个推论：
- RRR 过小 ：当 ρπR2<1\rho \pi R^2 < 1ρπR2<1 时，平均而言每个个体经常"看不见"任何邻居，分离/对齐/聚合三条规则全部失效，群体碎裂为若干各自漂移的小团体------这在工程上对应集群拓扑不连通；
- RRR 过大：单个个体将同时感知过量邻居，式(1.6)~式(1.8)中求和项剧增，单步计算量上升；更重要的是，过远的邻居把噪声与全局扰动也带进了局部决策，群体响应变得"刚性"，遇到局部障碍时整群齐动、机动性下降；
- RRR 与计算的关系 ：若不使用空间索引（如网格法、空间哈希），朴素实现每步需检查 O(N2)O(N^2)O(N2) 个距离对；即使采用索引结构，邻居平均数的增大也直接抬高单步开销与通信量。
值得注意的是生物学对"应有多少邻居"给出了一个出人意料而稳定的答案：2008 年对真实椋鸟群的三维实测表明，椋鸟的交互规则依赖的是拓扑距离而非度量距离 ------无论群体密度如何变化，每只鸟始终与最近的 6~7 只邻居交互9。换言之，自然界不固定 RRR，而是固定 RRR 内应该装下的邻居个数 。这为调优提供了明确方向：若把期望邻居数记为目标值 n∗n^{*}n∗（例如取生物学观测的 6~7，工程上可放宽至 4~10），则由式(1.10)反解得目标感知半径：
R∗=n∗πρ(1.11)R^{\ast} = \sqrt{\frac{n^{*}}{\pi \rho}} \tag{1.11}R∗=πρn∗ (1.11)
式(1.11)给出的是与密度自适应的感知半径 ：群体收缩、密度 ρ\rhoρ 增大时 R∗R^*R∗ 自动减小（避免邻居冗余与计算浪费）；群体展开、密度下降时 R∗R^*R∗ 自动增大（维持连通与凝聚）。这种"度量半径不固定、邻居数量固定"的策略，在无人机集群中对应通信邻域按邻居数截断 的实现------每架无人机维护最近的 n∗n^{*}n∗ 架邻居的状态即可，与第 2 章将引入的图论建模视角完全一致。
工程上完整的调优流程可分为四步：
- 指标定义 ：确定量化目标，至少包括：碰撞次数（安全）、群体连通率（任务可完成）、平均邻居数 mˉ\bar{m}mˉ（计算与通信代价）、以及 1.2.1.1 节的序参量（队形质量）；
- 粗扫 ：在密度 ρ\rhoρ 的典型值下，按式(1.11)以 n∗∈{2,4,6,8,12}n^{*} \in \{2,4,6,8,12\}n∗∈{2,4,6,8,12} 反解 RRR，各跑一段仿真，观察指标变化趋势；
- 细调 ：在粗扫最优邻域内扫描，以"碰撞次数与平均邻居数同时最小"为目标取 R∗∗R^{**}R∗∗，必要时加入扰动场景（风、障碍）验证；
- 固化策略 ：采用固定 n∗n^{*}n∗ 的自适应 RRR（式(1.11)）替代单一固定值，并预留 ±20%\pm 20\%±20% 的余量应对密度瞬时波动。
图 1-3 建议插入位：固定密度下 RRR 与平均邻居数、碰撞次数、连通率的关系曲线示意（三条曲线的权衡关系，标注 n∗n^{*}n∗ 对应的推荐区）。
最后提醒两点：其一，式(1.11)建立在均匀密度假设上，对非均匀密度环境（如穿越狭窄通道时局部密度骤增）需要引入局部密度估计 ρ^i\hat{\rho}_iρ^i 做逐个体半径修正；其二，若个体存在感知视锥限制或通信功率上限，R∗R^*R∗ 还应与视场角、链路预算联合校核，这部分内容将在第三卷无人机系统的通信链路配置（6.1.2 节）中展开。
1.2 集群智能的核心特性
从 1.1 节的生物学案例可以提炼出群体智能系统的三个结构性来源：正反馈 （舞蹈招募、雪球效应放大优质信息）、负反馈 （密度约束、资源消耗抑制失控增长）与涨落（随机探索保证方案多样性）1。三者共同作用，使系统表现出任何单个个体都不具备的性质------这正是"涌现"的含义，也是"群体智能"区别于"个体智能相加"的根本所在。
工程上真正看重的是群体智能的三个承诺：鲁棒性 （部分节点失效或行为异常时性能平滑退化而非整体崩溃）、灵活性 （适应未知环境与任务变化）与可扩展性（个体数量增长时系统依然有效）1,11。但"承诺"不等于"白给"：这三个特性是否兑现、在什么条件下兑现，必须由定量的评估指标来检验。1.2.1 节给出涌现性与鲁棒性的量化方法，1.2.2 节则剖析去中心化架构的代价边界------只有理解了"优势的边界"，工程上才不会把仿生概念误用成空中楼阁。
1.2.1 涌现性的量化评估指标
"涌现"在哲学语境中常被表述为"整体大于部分之和"，工程上则需要可计算的定义：若群体宏观状态（如整体航向、空间分布、任务完成率）无法由任何个体的内部状态直接推出，而只能由个体间交互的统计结果决定，则该宏观状态是涌现的 。据此，涌现性评估自然落到两条统计量路线上：描述"集体一致程度"的序参量 ，与描述"集体状态复杂度"的熵。本节以 1.1.2 节的自驱粒子运动为背景给出二者的定义、关系与工程用法。
1.2.1.1 群体秩序度的熵值计算方法
维切克等人 1995 年提出的自驱粒子模型是量化集体运动的标准平台8：NNN 个以恒定速率 v0v_0v0 运动的粒子，在每一步将自身航向调整为感知半径内邻居的平均航向，并叠加一个幅值 η\etaη 的随机转角噪声。仿真表明，当噪声 η\etaη 低于临界值（或密度高于临界值）时，系统发生从无序到有序的非平衡相变：所有粒子的速度自发排列到同一方向，整体形成定向迁移的"有序相"；噪声超过临界值则退回各向同性的"无序相"。
图 1-4 建议插入位：极化序参量 φ\varphiφ 随噪声幅值 η\etaη 变化的相变曲线（标注临界噪声 ηc\eta_cηc，可对比不同密度 ρ\rhoρ 的两条曲线）。
刻画这一相变的标准宏观量是极化序参量（polarization order parameter），即全体个体速度方向的平均矢量的归一化长度：
φ(t)=1Nv0∥∑i=1Nvi(t)∥∈0,1(1.12)\varphi(t) = \frac{1}{N v_0} \left\| \sum_{i=1}^{N} \mathbf{v}_i(t) \right\| \in 0, 1 \tag{1.12}φ(t)=Nv01 i=1∑Nvi(t) ∈0,1(1.12)
当群体完全同向运动时 φ=1\varphi = 1φ=1；航向均匀随机时 φ≈1/N→0\varphi \approx 1/\sqrt{N} \rightarrow 0φ≈1/N →0。φ\varphiφ 在物理上对应磁化强度、在工程上对应编队方向一致性的瞬时健康度。其局限在于：它只对"单峰"分布敏感------若群体分裂成两支反向飞行的编队，φ≈0\varphi \approx 0φ≈0 与"完全无序"无法区分，而这两种状态在任务语义上天差地别。
熵则从信息论角度刻画航向分布的"混乱程度"，天然支持多峰情形。将航向角 [0,2π)[0, 2\pi)[0,2π) 均分为 KKK 个扇区，统计各扇区个体占比 pk=nk/Np_k = n_k / Npk=nk/N，方向分布的 Shannon 熵为
Hθ=−∑k=1Kpklog2pk(1.13)H_{\theta} = - \sum_{k=1}^{K} p_k \log_2 p_k \tag{1.13}Hθ=−k=1∑Kpklog2pk(1.13)
当分布集中在一个扇区时 Hθ→0H_{\theta} \rightarrow 0Hθ→0；完全均匀分布时达到最大值 log2K\log_2 Klog2K。归一化后定义群体秩序度
So=1−Hθlog2K∈0,1(1.14)S_o = 1 - \frac{H_{\theta}}{\log_2 K} \in 0, 1 \tag{1.14}So=1−log2KHθ∈0,1(1.14)
表 1-2 对比了 φ\varphiφ 与 SoS_oSo 在三种典型状态下的表现。可以看到，两支对向编队（高度有序的"双峰"状态）在 φ\varphiφ 下与随机状态无法区分，熵值却能正确给出高秩序度------因此工程实践中推荐两者联合判读 ：φ\varphiφ 反映"是否单一主航向"，SoS_oSo 反映"航向分布是否集中"，二者差异大时往往提示群体正在分裂或重组。
表 1-2 三种典型群体状态下的序参量与秩序度（K=16K=16K=16 扇区示例）
| 群体状态 | 极化序参量 φ\varphiφ | 方向熵 HθH_{\theta}Hθ | 秩序度 SoS_oSo |
|---|---|---|---|
| 全体同向（编队巡航） | ≈1 | ≈0 | ≈1 |
| 两支反向编队（正在分开） | ≈0 | 小 | 接近 1 |
| 航向随机（解体/搜索散布） | ≈0 | ≈4 | ≈0 |
工程上还有两个实用变体：其一，聚合度度量------群体若凝聚成团，其平均最邻近距离显著小于同密度均匀分布的理论值 ⟨dNN⟩≈1/(2ρ)\langle d_{NN} \rangle \approx 1/(2\sqrt{\rho})⟨dNN⟩≈1/(2ρ )，可据此定义空间聚合指标，用于判别集群是否完成了区域集结；其二，任务级序参量------将式(1.12)的"速度方向"替换为任务相关向量（如传感器朝向、电量梯度方向），即可度量任意状态量的一致性。后文第 3 章将证明，这些一致性指标与图拉普拉斯矩阵的代数连通度存在定量联系，从而把"观测到的序"与"可设计的收敛速度"统一起来。另外，对 φ\varphiφ 的长程有序性质的理论解释（流体力学重整化分析）可参见 Toner 与 Tu 的工作12，此处不再展开。
1.2.1.2 集群鲁棒性的节点失效容忍度测试
鲁棒性（robustness）指系统在部分组件失效、退化或遭受攻击 时，性能平滑退化（graceful degradation）而非突然崩溃的能力，它是分布式集群相对集中式系统最常被引用的优势11,13。但"平滑退化"必须在测试中被定量验证，否则只是口号。本节给出标准化的测试框架。
失效模型。 按失效的起因与选择方式，节点失效可分为两类，必须分别测试：
- 随机失效（random failure）：设备故障、电池耗尽等偶发因素，失效节点在集群中近似均匀抽取；
- 定向失效（targeted attack）：对抗场景下失效节点集中于关键位置（如集群的中心节点、承担汇聚通信的节点），对应图论中的"蓄意移除高中心度节点"。
性能退化函数。 定义集群任务性能 P∈0,1P \in 0,1P∈0,1（如目标覆盖率、编队跟踪误差的归一化倒数、任务完成率）为失效比例 kf/Nk_f/Nkf/N 的函数 P=P(kf/N)P = P(k_f / N)P=P(kf/N)，P(0)=1P(0)=1P(0)=1。理想去中心化集群的 PPP 曲线平缓下降、在较大失效比例后才越过任务最低可用线 P∗P^{*}P∗；脆弱系统（含单点依赖的集中式系统）的曲线则在某一节点失效后断崖式跌落（见图 1-5 的示意对照）。
图 1-5 建议插入位：性能退化曲线对比------分布式集群（缓降曲线）与存在关键节点的集中式架构（含断崖跌落）在随机失效下的 PPP--kf/Nk_f/Nkf/N 曲线，标注最低可用线 P∗P^*P∗ 与容失比例 kf∗k_f^*kf∗。
用曲线下方归一化面积定义鲁棒性指标
R=∫01P(u) du,u=kf/N(1.15)\mathcal{R} = \int_{0}^{1} P(u) \, du, \qquad u = k_f / N \tag{1.15}R=∫01P(u)du,u=kf/N(1.15)
R\mathcal{R}R 越接近 1 越鲁棒。并定义关键失效容限为性能不低于最低可用线时的最大失效比例：
kf∗=max{kf∈0,N:P(kf/N)≥P∗}(1.16)k_f^{\ast} = \max \left\{ k_f \in 0, N : P(k_f / N) \geq P^{\ast} \right\} \tag{1.16}kf∗=max{kf∈0,N:P(kf/N)≥P∗}(1.16)
kf∗k_f^{*}kf∗ 直接回答了工程问题："这个集群在任务失效前最多可以容忍百分之几的节点掉线？"它是集群规模设计、冗余配置与应急预案的量化输入。
测试流程。 与软件故障注入（fault injection）同构，集群失效测试应在仿真（对应本书 8.1 节）与实飞（8.2 节）两层面执行，步骤如下：
框 1-2 集群节点失效容忍度标准测试流程
text
输入：集群算法/系统、任务性能度量 P、失效比例序列 {u_1<u_2<...<u_L}
for 每种失效模式（随机失效、定向失效，必要时含通信链路失效）:
for u in 序列:
repeat M 次（蒙特卡洛重复）:
1) 初始化集群到标称任务状态
2) 注入失效：随机抽取 u*N 个节点进入不可用状态
3) 运行任务至完成或超时，记录性能 P
4) 记录失效注入后恢复过程（自愈/重构时间）
计算平均性能 P(u)
由 {(u, P(u))} 拟合退化曲线，依式(1.15)(1.16)计算 R 与 k_f*
输出：退化曲线、R、k_f*、与集中式基线(单节点失效即任务失败)的对照测试中应关注的三个工程细节：其一，必须同时注入通信链路失效 ------无线自组网中"节点活着但链路断开"比节点物理失效更常见，其影响等价于网络拓扑收缩（对应第 2 章代数连通度下降）；其二，指标必须取平均而非单次 ------失效节点的空间分布具有随机性，单次测试结果方差很大；其三，失效后应有恢复观测窗------真实集群并非"失效即完"，分布式算法通常在节点剔除后通过邻居重建与任务再分配自愈，恢复时间与恢复后的稳态性能同样是鲁棒性指标（本书 8.2.2.2 节的通信中断自恢复流程即为此而设）。
从架构层面看，鲁棒性的来源是冗余与去耦的乘积 ：信息冗余（一致性算法中每个节点都持有全状态估计）、功能冗余（角色可再分配）与拓扑冗余（多路径通信）三者缺一，退化曲线都会提前出现拐点。若读者在测试中观察到 kf∗k_f^{*}kf∗ 明显小于设计值，应优先排查"是否存在事实上的关键节点"------例如被所有节点依赖的队首、汇聚中心或共享通信网关------这往往是集中式思维残留的直接证据。
1.2.2 去中心化架构的优势边界
去中心化（decentralization）意味着：没有全局协调者，每个节点仅依据局部信息决策，系统的整体行为由交互网络决定。前文已反复强调其三大承诺------鲁棒、灵活、可扩展1,11，但必须清醒地认识到，去中心化不是免费的：它用"分布式共识过程"替代了"集中式计算"，用"局部信息的统计涌现"替代了"全局最优的直接求解"。代价具体表现为三方面：决策需要时间（信息在网内扩散需要延迟）、信息交换消耗带宽与算力（且随规模非线性增长）、以及收敛性与稳定性的分析门槛大幅提高。
面向无人集群工程，最关键的问题不是"去中心化好不好"，而是边界在哪里：通信延迟大到什么程度集群会失去一致性？节点规模增长到什么程度集中式反而更优？这两个问题的答案可以由解析公式给出，这也是本节的主题。
1.2.2.1 通信延迟对集群一致性的影响阈值
一致性（consensus）是集群控制的底层协议------集群内各节点就某个公共状态量（位置参考、航向、任务目标）达成共同值，后续第 3 章的编队、第 7 章的协同避障协商均建立在其上。这里先给出一个前瞻性结论的雏形：当通信链路存在固定延迟 τ\tauτ 时，各节点以"接收邻居延迟状态与自己延迟状态的差值"驱动自身，即 Olfati-Saber 与 Murray 提出的延迟一致性协议14：
ui(t)=∑j∈Niaijxj(t−τ)−xi(t−τ)(1.17)u_i(t) = \sum_{j \in \mathcal{N}i} a{ij} \left x_j(t-\\tau) - x_i(t-\\tau) \\right \tag{1.17}ui(t)=j∈Ni∑aijxj(t−τ)−xi(t−τ)(1.17)
其中 aija_{ij}aij 为通信权重（对应第 2 章图论中的邻接权值），xix_ixi 为节点状态。直觉上，式(1.17)是一个带传输滞后的负反馈回路：反馈有益于收敛，但滞后会消耗相位裕度------滞后过大时反馈反而变成振荡源。对无向固定连通拓扑，令 x\mathbf{x}x 的拉普拉斯矩阵特征值为 0=λ1<λ2≤⋯≤λN0 = \lambda_1 < \lambda_2 \leq \cdots \leq \lambda_N0=λ1<λ2≤⋯≤λN，系统(1.17)的每一个模态对应特征方程 s+λke−sτ=0s + \lambda_k e^{-s\tau} = 0s+λke−sτ=0。令 s=jωs = j\omegas=jω 求临界失稳点：由 jω+λk(cosωτ−jsinωτ)=0j\omega + \lambda_k(\cos\omega\tau - j\sin\omega\tau) = 0jω+λk(cosωτ−jsinωτ)=0 得 cosωτ=0\cos\omega\tau = 0cosωτ=0 且 ω=λksinωτ\omega = \lambda_k \sin \omega \tauω=λksinωτ，即 ωτ=π/2\omega\tau = \pi/2ωτ=π/2、ω=λk\omega = \lambda_kω=λk，临界延迟 τk=π/(2λk)\tau_k = \pi/(2\lambda_k)τk=π/(2λk)。所有模态稳定要求 τ\tauτ 小于各 τk\tau_kτk 的最小者，而 λk\lambda_kλk 最大者给出最紧约束，于是得到最大可容忍通信延迟
τmax=π2 λmax(L)(1.18)\tau_{\max} = \frac{\pi}{2 \, \lambda_{\max}(L)} \tag{1.18}τmax=2λmax(L)π(1.18)
其中 λmax(L)\lambda_{\max}(L)λmax(L) 为拉普拉斯矩阵最大特征值。这一结果在文献14中被严格证明，其内涵值得仔细咀嚼：
- 延迟阈值由网络谱决定，而非通信技术决定 。λmax(L)\lambda_{\max}(L)λmax(L) 反映拓扑的信息耦合强度，粗略上界为 λmax≤2Δmax\lambda_{\max} \leq 2\Delta_{\max}λmax≤2Δmax（Δmax\Delta_{\max}Δmax 为最大节点度，由盖尔什戈林圆盘定理可得）。因此节点的邻居越多、拓扑越稠密，τmax\tau_{\max}τmax 反而越小------"交流越频繁的网络，对单次交流的延迟越敏感"，这一反直觉结论提醒工程上不要盲目提高拓扑连通度；
- λ2\lambda_2λ2（代数连通度，见第 2 章）决定收敛快慢，λmax\lambda_{\max}λmax 决定延迟容忍，同一张拓扑的"收得快"与"抗延迟"本质上是矛盾的指标，设计必须折中；
- 延迟并非唯一有害物------式(1.17)的离散实现中，控制周期 TsT_sTs 也以类似机制进入稳定性判据（TsT_sTs 与 λmax\lambda_{\max}λmax 的乘积受上界约束），这解释了为什么"控制频率越高越稳"是错觉：真正起作用的只是 1/λmax1/\lambda_{\max}1/λmax 时间尺度内的采样/转发次数。
表 1-3 集群典型链路的通信延迟数量级（参考值，随工况变化）
| 链路类型 | 端到端延迟数量级 | 典型应用场景 |
|---|---|---|
| 机载共享内存/高速串行 | 亚毫秒级 | 单机内多控制器交互 |
| WiFi/自组网单跳 | 1~10 ms | 近距离蜂群、室内编队 |
| 蜂窝网络（4G/5G） | 10~100 ms | 广域集群指挥链路 |
| 低轨/对地静止卫星链路 | 100 ms~1 s | 无人舰队远海数据链 |
工程上，链路延迟难以被精确保证（排队、重传、信道竞争都是时变因素），因此设计准则为留出相位裕度 ：令实际允许的设计延迟 τdesign\tau_{\mathrm{design}}τdesign 满足
τdesign≤η τmax,η∈(0.5,0.8)(1.19)\tau_{\mathrm{design}} \leq \eta \, \tau_{\max}, \qquad \eta \in (0.5, 0.8) \tag{1.19}τdesign≤ητmax,η∈(0.5,0.8)(1.19)
即只使用理论阈值的 50%~80%，其余留给非线性、丢包与实现误差。当实测链路延迟逼近 τdesign\tau_{\mathrm{design}}τdesign 时，应优先考虑两类缓解措施而非冒险运行：降低信息交换频率（给网络"减负"，代价是收敛变慢）、或改用事件触发机制（仅在状态偏差超限时通信，见 3.2.2 节）。另外值得预告：对带丢包的随机通信，阈值形态会从"硬边界"变成"概率边界"，第 3 章将给出丢包率下的鲁棒一致性协议设计。
1.2.2.2 节点规模与计算开销的非线性关系
去中心化架构的第二条边界来自规模。直觉上"分布式=能扩展"，但量化后会发现：通信与计算开销对规模的增长是非线性的，且在某些拓扑下呈平方乃至更高阶增长。理解这条非线性曲线，是回答"集群该做多大、拓扑该有多密"的前提。
通信开销。 若要求任意两个节点都能直接交换信息（全互联），需要两两之间各建一条链路，链路数随节点数 NNN 二次增长：
Emax=N(N−1)2(1.20)E_{\max} = \frac{N(N-1)}{2} \tag{1.20}Emax=2N(N−1)(1.20)
N=10N=10N=10 时仅需 45 条链路，N=100N=100N=100 时即达 4950 条------全互联在规模增长下迅速变得不可实现。与之相对，若采用环形拓扑，每轮全网消息量仅 O(N)O(N)O(N)。去中心化的真正含义是让大部分节点对不直接通信，依靠多跳转发与状态传播完成信息共享，代价是收敛时间被拓扑拉长。
计算与收敛开销。 节点规模对收敛速度的影响可由谱理论刻画（详见第 2 章）。对连续时间一致算法，状态偏差上界按 e−λ2te^{-\lambda_2 t}e−λ2t 衰减，收敛时间尺度约为 1/λ21/\lambda_21/λ2。而 λ2\lambda_2λ2 强烈依赖拓扑与规模------以一维环形拓扑（单位权重）为例，其第二大特征值
λ2=2−2cos2πN≈4π2N2(1.21)\lambda_2 = 2 - 2\cos\frac{2\pi}{N} \approx \frac{4\pi^2}{N^2} \tag{1.21}λ2=2−2cosN2π≈N24π2(1.21)
这意味着环形集群的收敛时间随 NNN 以平方律恶化：
Tconv∝1λ2∝N2(1.22)T_{\mathrm{conv}} \propto \frac{1}{\lambda_2} \propto N^{2} \tag{1.22}Tconv∝λ21∝N2(1.22)
对比而言，全互联拓扑 λ2=N\lambda_2 = Nλ2=N，收敛随规模反而加快（代价是式(1.20)的链路爆炸）。表 1-4 汇总了典型拓扑的规模---性能权衡，是集群拓扑选型的速查表。
表 1-4 典型拓扑的规模效应对比（单位权重，量级近似）
| 拓扑 | λ2\lambda_2λ2 量级 | 收敛时间量级 | 每轮全网消息量 | 适用规模 |
|---|---|---|---|---|
| 全互联 | NNN | ∼lnN/N\sim \ln N / N∼lnN/N | N(N−1)N(N-1)N(N−1) | 十架级 |
| 星形 | 1（与 NNN 无关） | ∼lnN\sim \ln N∼lnN | 2(N−1)2(N-1)2(N−1) | 小规模+中心可靠时 |
| 网格（2D） | ∼1/N\sim 1/N∼1/N | ∼N\sim N∼N | ∼2N\sim 2N∼2N | 数十架级 |
| 环形/链形 | ∼1/N2\sim 1/N^2∼1/N2 | ∼N2\sim N^2∼N2 | ∼2N\sim 2N∼2N | 大规模低成本 |
工程经验与表 1-4 结合，可以得出三条可操作的规模准则：
- 存在"全互联红利窗口" ：当 NNN 处于十架量级时，全互联或高连通拓扑的链路代价可接受（式(1.20)≈45 条），却能享受最快收敛（λ2=N\lambda_2 = Nλ2=N）------这正是小型验证编队（第 6~8 章实验平台）通常采用全互联/广播通信的原因；
- 跨过 NNN 数十架量级后，必须牺牲拓扑密度换取可行性与鲁棒性 ：改用稀疏拓扑并接受 O(N)O(N)O(N)~O(N2)O(N^2)O(N2) 的收敛代价，或引入分层架构 ------把 NNN 架无人机分成 MMM 组、组间仅少量骨干节点互联，使单层规模保持在 Nlayer=N/MN_{\mathrm{layer}} = N/MNlayer=N/M，消息量与收敛时间都按组内规模而非全局规模增长。分层化设计是第三卷无人机蜂群（6.2 节）与第四卷无人舰队（9.2 节）混合架构的理论动机；
- 计算侧同理 ：若每节点每步需处理 mˉ\bar{m}mˉ 个邻居的状态（式(1.10)），朴素全局感知的 O(N2)O(N^2)O(N2) 距离对检查在 N>100N>100N>100 后必须代以空间索引或邻居表截断，使单步计算与 NNN 近似解耦------以"每节点固定邻居数"换"总规模无关的单步时延"，与 1.1.2.2 节椋鸟的拓扑邻居策略殊途同归。
总而言之：去中心化的优势边界由延迟阈值（1.2.2.1）与规模曲线（1.2.2.2）共同划定。工程设计的艺术在于把系统置于边界之内：拓扑的连通度不宜高过延迟预算所能容忍的上限，集群规模不宜大到链路或收敛代价不可承受的程度；一旦需求越过边界，正确反应不是压缩延迟或堆带宽，而是重构架构------分层、分簇、事件驱动，让每个层次的规模与通信都在自己的甜蜜点内。
本章小结
本章建立了贯穿全书的三个认知支点：
- 从个体规则到群体行为：蜜蜂的摆尾舞（方向映射式(1.1)、距离线性编码式(1.2)）与巢址决策（雪球招募式(1.3)、法定人数阈值式(1.4)），鸟群的 Boids 三规则（式(1.5)~(1.9)），以及感知半径的密度自适应律（式(1.10)(1.11)）------这些是第 4 章编队控制、第 7 章集群功能实现的行为模板。
- 涌现性的量化工具 ：极化序参量 φ\varphiφ（式(1.12)）与方向熵、秩序度（式(1.13)(1.14)）用于观测"群体是否有序"，退化曲线、鲁棒性指标 R\mathcal{R}R 与容失比例 kf∗k_f^{*}kf∗（式(1.15)(1.16)）用于检验"有序是否可持续"。它们将作为第 8 章、第 11 章测试流程的评估指标。
- 去中心化的代价边界 ：通信延迟阈值 τmax=π/(2λmax)\tau_{\max} = \pi/(2\lambda_{\max})τmax=π/(2λmax)（式(1.18)）与拓扑的规模效应（式(1.20)~(1.22)）表明，拓扑选择本质上是在"收敛速度---延迟容忍---通信代价"三项之间权衡，而 λ2\lambda_2λ2、λmax\lambda_{\max}λmax 这两个由第 2 章图论引入的谱量，正是把本章的定性讨论变成定量设计的钥匙。
从下一章起，本书将把生物学直觉收拢进严格的数学框架：第 2 章用图论与动力学建模这些交互规则，第 3 章将"达成一致"从现象提炼为可证明的协议。
思考与练习
- 蜜蜂以重力线为参照编码太阳方位（式(1.1)）。若无人机集群以某架"虚拟领航机"的航向为参照系传递期望方向，试讨论该机制的误差来源与重力参照相比有何异同。
- 依据式(1.3)(1.4)，若将巢址质量评分 qqq 全部归一化为 1（候选无差异），法定人数阈值 QQQ 从 10 提高到 20，决策时间如何变化？这对"无人机群在无差异选项中随机选点集结"有什么设计启示？
- 用式(1.5)~(1.9)实现一个 Boids 模拟器（建议以 Python 在 10 min 内完成最小版本），把感知半径 RRR 从 0.1 倍到 10 倍"典型间距"扫描一遍，绘制式(1.10)的邻居数曲线并观察群聚失败区间，检验 1.1.2.2 节的结论。
- 一个 50 架无人机的集群出现"两支反向飞行的分队"：此时 φ≈0\varphi \approx 0φ≈0，SoS_oSo 却很高。请解释为何 φ\varphiφ 单独无法告警，并提出一种可区分"无序解体"与"有序分裂"的在线判别规则。
- 按式(1.18)，把拓扑从环形改为"每个节点多连 2 条边"后 λmax\lambda_{\max}λmax 增大，延迟阈值下降。请结合表 1-4 论证：在 200 ms 量级延迟的卫星链路组网场景下，环形与网格拓扑哪个更合适，为什么？
参考文献
1 Bonabeau E, Dorigo M, Theraulaz G. Swarm Intelligence: From Natural to Artificial SystemsM. New York: Oxford University Press, 1999.
2 Karaboga D, Basturk B. A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithmJ. Journal of Global Optimization, 2007, 39(3): 459--471.
3 Karaboga D, Akay B. A survey: algorithms simulating bee swarm intelligenceJ. Artificial Intelligence Review, 2009, 31(1): 61--85.
4 von Frisch K. The Dance Language and Orientation of BeesM. Cambridge, MA: Harvard University Press, 1967.
5 Seeley T D, Visscher P K. Quorum sensing during nest-site selection by honeybee swarmsJ. Behavioral Ecology and Sociobiology, 2004, 56(6): 594--601.
6 Seeley T D. Honeybee DemocracyM. Princeton: Princeton University Press, 2010.
7 Reynolds C W. Flocks, herds, and schools: a distributed behavioral modelJ. Computer Graphics, 1987, 21(4): 25--34.
8 Vicsek T, Czirók A, Ben-Jacob E, et al. Novel type of phase transition in a system of self-driven particlesJ. Physical Review Letters, 1995, 75(6): 1226--1229.
9 Ballerini M, Cabibbo N, Candelier R, et al. Interaction ruling animal collective behavior depends on topological rather than metric distance: evidence from a field studyJ. Proceedings of the National Academy of Sciences, 2008, 105(4): 1232--1237.
10 何明, 陈浩天, 韩伟, 等. 无人机仿鸟群协同控制发展现状及关键技术J. 航空学报, 2024, 45(19): 029946.
11 Valentini G. How robots in a large group make decisions as a whole: from biological inspiration to the design of distributed algorithmsEB/OL. arXiv:1910.11262, 2019.
12 Toner J, Tu Y. Long-range order in a two-dimensional dynamical XY model: how birds fly togetherJ. Physical Review Letters, 1995, 75(23): 4326--4329.
13 向锦武, 董希旺, 丁文锐, 等. 复杂环境下无人集群系统自主协同关键技术J. 航空学报, 2022, 43(10): 527570.
14 Olfati-Saber R, Murray R M. Consensus problems in networks of agents with switching topology and time-delaysJ. IEEE Transactions on Automatic Control, 2004, 49(9): 1520--1533.