新算法演示了如何使一群简单的机器人整体上协同工作
在佐治亚理工学院的实验室，物理学家正在尝试使用看起来像是在“售价1美元的商店”购买的机器人。 机器人无法在太空中移动或彼此通信。 基本上，他们挥舞着小手，就像背着甲虫一样。
但是，如果您将许多这样的设备组合在一起，那么您将一无所获：它们相互推动，推动和互锁。 结果，它们开始整体工作。
研究人员正在研究如何控制此类系统，使其以类似于蜂群或蚁群的方式起作用：每个人都基于同一套规则行事，但是聚集在一起的几个人可能表现出复杂的行为而没有中央控制。
“我们的方法如下：找出实现这些复杂任务所需的最简单的计算模型是什么？ 该项目的负责人之一，Georgettech的IT专家
Dana Randall说。 “我们追求优雅和简约。”
作为一名程序员，Randol从算法的角度出发来完成任务：最简单的指令集是什么？根据它们可以收集的微薄数据，群的各个单元可以工作的基础上，不可避免地会导致研究人员必要的复杂关节行为？ 去年11月，Randall及其同事
发布了一种算法，以确保理想的粒子群可以受控方式移动。
使用这类机器人，科学家将其称为“ smarticles”（“ smarticles; 聪明-聪明，粒子-粒子/大约 翻译]-自组织机器人的可能性和实用性研究领域的一部分。 其他这样的例子包括科罗拉多大学正在开发
的大小不一的机器人 ，哈佛大学的
成千上万的机器人以及比利时实验室的
斯瓦尔曼尼迪机器人 。 在许多情况下，其想法是模仿自然现象，例如蚂蚁分散集落的高度有组织的运动或DNA分子的无意识自编程组件。
哈佛大学
机器人小组的研究人员
梅尔文·高奇说：“我们从一个整体中知道了我们想要的，但是要对其进行编程，您需要弄清楚每个代理应该分别做什么。” “最困难的部分是在这两个层次之间。”
高盛实验室的Dana Randall和Dan Goldman当心领导人
丹尼尔·戈德曼 （
Daniel Goldman）是来自乔治乔（Georgetch）的物理学家，他从事Smarticle实验。 他主要对能改变其形状的活性颗粒材料的物理学感兴趣。 在他的会议幻灯片中，有一则电影《蜘蛛侠3》中的片刻，展示
了超级反派沙人的
出现 -散布在整个沙漠中的单个沙粒聚集成一个人的形状。 智能手机是高盛在实验室测试活性颗粒材料的方法。
“它们为我们提供了使用几何来控制材料特性的机会。 如果您散焦，您可以想象这堆智能手机是真正的材料，”戈德曼说。
Smarticle的四肢短，可以来回摆动。 它们对不同频率的光和声音有反应。 可以对它们进行编程，以响应靠近它们的其他智能手机的动作来改变四肢挥动的速度。
可以使智能手机执行以下几种操作：组成（堆积），展开（分发）和移动。 这些操作可以作为执行更复杂功能的基础，但是即使这样的任务也很难解决，因为智能手机不了解它们相对于整个团队的位置。
为了理解与编程复杂行为有关的可能性和困难（由简单的零件产生），有必要牢记每个智能组件确切知道的内容。 没那么多。 他看不见，记忆力有限，与其他智能手机所知道的一切（他必须与之协调行动）在遇到直接邻居时都会学到。
“想像一个人在摇滚音乐会上闭着眼睛，”正在从事智能手机项目的亚利桑那大学计算机科学专业的研究生Joshua Daimad说。
一种策略可能是任命领导者来管理团队-但是这种方法很容易受到攻击。 如果领导者受苦，整个群体将失败。 另一种方法是给每个机器人群一个独特的任务，但是在大规模情况下，这种方法是不切实际的。 “单独编程1000个机器人几乎是不可能的，”
奥林哈林工程学院的研究员，哈佛大学自组织系统研究小组的前成员
Jeff Dasek说。 “但是，当组中的每个成员都遵循相同的规则工作时，无论您有10个机器人（1,000还是10,000），您的代码都不会更改。”
群算法具有两个属性。 首先，它是分布式的，也就是说，它分别作用于系统中的每个粒子（因为每个
游牧蚁都根据从环境接收的信息执行一组简单的动作）。 其次，它包括机会因素。 这意味着，例如，如果一个游牧蚁感觉附近还有五只其他蚂蚁，那么它以20％的概率向左移动，而有80％的向右移动。 随机算法与确定性算法不同，在确定性算法中，每个阶段完全由先前的阶段确定。
随机性对于算法来说似乎没有必要-毕竟，在实现过程时，您通常希望获得一定的结果。 但是随机性具有出乎意料的性能优势，这使得随机算法非常适合在群体中使用。
随机保修
在2015年，高盛和兰德尔讨论了寻找规则的可能性，通过这些规则，智能手机可以整体协同工作。 Randall意识到，高盛想要领导群体的行为与计算机科学中研究的理想粒子系统的行为非常相似。
“我立即想到：我确切地知道需要做什么，”兰德尔说。
对于Randall而言，智能手机的行为类似于计算机科学家在许多其他情况下所模仿的现象。 最著名的例子之一就是隔离区的出现。 在1960年代后期，经济学家托马斯·谢林（Thomas Schelling）希望了解在缺乏一些按肤色对人进行分类的中央力量的情况下，如何发生区域隔离。 他想象一个假想的人看着他的邻居，并根据有多少个邻居看起来像他来决定要搬家。 当一个人搬家时，谢林将他搬到定居点的一个随机位置，在那里观察和决策的算法过程被重复。 谢林发现，按照他的规则，即使有些人更喜欢生活在不同的地区，居民隔离的出现也几乎可以保证。
威廉·萨沃伊（William Savoy），高盛实验室的研究生兰德尔（Randall）意识到，智能手机群中的人与Schelling模型中的人相似。 在这两种情况下，各个部门都必须在不知道其在全球计划中的地位的情况下做出决定（他们只知道他们在附近地区看到的情况）。 在Schelling模型中，可以通过随机性来做出决策-如果邻居与您不同，那么您就有可能搬家，而您也有可能留下。
2016年，Randol及其同事发表了一篇论文，描述了理想化的粒子生活在晶格上，并根据在其周围观察到的粒子数量来决定是停留还是移动。 做出的决定是概率性的-每次粒子“扔”一个加权立方体进行选择。 Randall等人证明，如果正确分配权重立方体，则可以保证出现密集的群体（就像Schelling可以证明的是，如果该区域的居民在适当的水平上能够容忍多样性，那么隔离肯定会出现）。 通过调整算法，他们还可以确保大量粒子以扩展状态运动。
当许多孤立的子集聚集在一起时，算法的随机性可帮助群体中的粒子避免卡在局部密封中，但整个群体整体上却不致密。 随机性确保当出现小印章时，某些单位仍会决定移至另一个地方，并且该过程一直持续到达到大印章为止。 为了避免局部密封，需要一点随机性。 从全局压缩状态过渡到扩展状态还需要更多。
走向真实世界
证明理论世界中的粒子可以通过执行简单的算法来实现群体中的某种行为是一回事。 要以便宜，容易出现故障的方式实现该算法，那么真正的智能手机，单击盒子中的四肢都是完全不同的。
高盛说：“我们的理论同事已经找到了如何对这些程序进行编程的方法，但是我们仍处于起步阶段，不能说这些方案是直接转让的。”
一个问题是让智能手机一起移动。 首先，当研究人员将智能手机封装在有限的空间中时，这个小组只是偶然地抽搐了一下。 但是有一次，当物理学家观察到这种混沌运动时，其中一部智能手机中的一块电池耗尽了。 高盛及其同事注意到，该群突然开始朝固定单位的方向移动。 研究人员向理论家报告了这一意外发现，他们抓住了这一提示。 这项工作导致了该算法的新版本的创建，从而使理想化的群体能够始终沿给定方向移动。
渐渐地，计算机中正在进行的实验和物理实验越来越接近。 研究人员希望最终从理论上证明，通过通用方法在大型廉价小型机器人群体中实施的基本算法可确保导致所需的群体行为。
戴玛德说：“我们希望达到一种状态，在这种状态下，我们不仅要在电池耗尽时检测到现象，而且还应加以考虑。” “我们希望这是故意成就的一种。”