通过大量的实验和消融分析，我们分析了不同表征、进化搜索和各种聚类方法在异构群体中寻找新行为的影响。我们的研究结果表明，先前的方法未能发现许多有趣的行为，而迭代人在环节的发现过程比随机搜索、群体化学和自动化行为发现方法发现了更多的行为。我们的实验中发现了 23 个新的紧急行为，其中 18 个是新发现。据我们所知，这些是首个已知的计算无关代理异构群体的紧急行为。

Oct, 2023

通过进化算法训练分布式机器人群体算法以产生新兴行为，并在不同模式的操纵下进行了模拟实验和评估。

Sep, 2023

本文研究了机器人群体控制器的设计，并探索了一种进化方法来缓解人类开发者对控制器细节和群体行为之间联系的困难。使用微分进化来发展神经网络控制器，实现机器人遵循环境特征的梯度并解决任务。研究表明，进化所得解决方案在控制较差的情况下具有最大的灵活性，而有一个群体规模的 “甜蜜点”，同时观察到群体的集体运动，展示了真正的新兴行为，这是进化过程中未被代表和选择的。

Mar, 2022

应用投影模拟和强化学习方法研究了人工智能智能体在收集资源过程中不同集体运动模式和个体运动趋势

Apr, 2020

我们开发了一种方法，可以从视频演示中自动提取可理解的群体控制器，该方法使用进化算法根据比较高级别群体度量值的适应函数提取许多控制器，在收集运动任务中，并提供不同树导致的不同行为的定性分析，这是实现基于观察的群控器自动提取的第一步。

Sep, 2022

通过表型可塑性在模拟机器人群体中研究专门化的集体行为的出现，并设计了一种在线调节机制来增强整体性能和可扩展性。

Feb, 2024

大型语言模型根据其他人生成的文本来引导它们的行为。这种能力以及它们在在线环境中越来越普遍的存在预示着它们将有意或无意地 “编程” 彼此并形成新兴的人工智能主体性、关系和集体。在这里，我们呼吁研究界调查这些互动人工智能的 “类社会” 属性，以增加它们对人类社会和在线环境健康的回报并减少风险。我们使用一个简单的模型及其输出来说明这样的新兴分散型人工智能集体如何扩大人类多样性范围并降低在线毒性和反社交行为的风险。最后，我们讨论了人工智能自我调节的机会，并解决了与创建和维护分散型人工智能集体相关的道德问题和设计挑战。

Feb, 2024

通过 Turing Learning 可以同时对自然或人工系统进行建模并进行行为推断，可以更准确地推断系统的行为，并适用于模型已知的系统以及模型未知的系统。

Mar, 2016

提出了一种新的受鱼群启发的自适应方法，用于群体逃生的群体机器人，通过吸引和排斥力结合生成无碰撞逃生机器人轨迹的生物启发式神经网络。模拟和实验结果表明，与鱼类逃避机动类似，该群体机器人能够集体离开威胁，所提出的方法在系统性能的效果和效率以及复杂环境中的灵活性和鲁棒性方面能够显著提高。

Feb, 2024

本论文介绍了如何通过微进化强化学习的方法，将人类操作技能转移到商业机器人上，同时提出了多维进化路径搜索算法以及专家人类代理政策的转移，通过实验验证了该框架的有效性。

Dec, 2022