第16卷第1期 智能系统学报 Vol.16 No.1 2021年1月 CAAI Transactions on Intelligent Systems Jan.2021 D0L:10.11992tis.202007043 群智能新研究：角色-匹配的狼群劳动分工 吴虎胜，肖人彬2 (1.武警工程大学装备管理与保障学院，陕西西安710086,2.华中科技大学人工智能与自动化学院，湖北武 汉430074) 摘要：启发于生物狼群群体的劳动分工行为，本文提出一种新颖的角色-匹配狼群劳动分工方法。通过剖析 自然狼群的生物学行为，概括提炼出狼群劳动分工行为的个体任务的专职化、个体角色可塑性和任务分配均衡 性3个典型特征，并建立了生物狼群劳动分工行为与普适性任务分配问题之间的仿生映射关系；从狼群“个体 -个体”+“个体-环境”的交互方式角度出发，分析了角色-匹配的狼群劳动分工的个体角色转换和任务调整机 制，研究了狼群角色-匹配的柔性劳动分工机制，提出了一种新的群智能方法，即角色-匹配的狼群劳动分工方 法；将狼群的角色-匹配劳动分工与蚁群的刺激-响应劳动分工和蜂群的激发-抑制劳动分工进行了比较分析， 并展示出角色-匹配狼群劳动分工方法的应用前景。 关键词：群智能；狼群；劳动分工；任务分配；自组织；角色-匹配；激发-抑制；刺激-响应 中图分类号：TP242文献标志码：A文章编号：1673-4785(2021)01-0125-09 中文引用格式：吴虎胜，肖人彬.群智能新研究：角色-匹配的狼群劳动分工智能系统学报，2021,16(1)：125-133. 英文引用格式：WU Husheng,.XIAO Renbin.A new approach to swarm intelligence::role-matching labor division of a wolf pack [J.CAAI transactions on intelligent systems,2021,16(1):125-133. A new approach to swarm intelligence:role-matching labor division of a wolf pack WU Husheng',XIAO Renbin2 (1.College of Equipment Management and Support,Engineering University of PAP,Xi'an 710086,China;2.School of Artificial In- telligence and Automation,Huazhong University of Science and Technology,Wuhan 430074,China) Abstract:A novel role-matching labor division method is proposed,inspired by the labor division behavior of a biolo- gical wolf pack.First,through in-depth analysis of the biological behavior of natural wolves,the three typical character- istics of the labor division behavior of a wolf pack,i.e.,the specialization of individual tasks,the plasticity of individual roles,and the balance of task allocation,are summarized and analyzed in this paper.The bionic mapping relationship between the labor division behavior of a biological wolf pack and the universal task allocation is established.Second. from the perspective of the interactive mode of "individual-individual"plus "individual-environment,"the individual role transformation and task adjustment mechanism of the role-matching labor division of a wolf pack are analyzed deeply in this paper.The flexible role-matching labor division mechanism of a wolf pack is studied,and a new swarm intelligence method is proposed,i.e.,the wolf pack role-matching labor division method.Finally,the wolf pack role- matching labor division model,ant colony stimulus-response labor division model,and bee colony activation-inhibition labor division model are compared and analyzed,the proposed method has extensive application prospects in many fields. Keywords:swarm intelligence;wolf pack;labor division;task allocation;self-organization;role-matching,activation- inhibition:stimulus-response 收稿日期：2020-07-24 自然界中，劳动分工现象随处可见。狼群、 基金项目：科技创新2030一“新一代人工智能”重大项目 蚁群、鸟群等生物群体中如捕食、御敌、育幼、筑 (2018AAA0101200):国家自然科学基金项目 (61502534):国家社科基金军事学项目(2019-SKJJ-C- 巢、迁徙等，人类社会中如装备研制、架桥修路 092):陕西省自然科学基金项目(2020JQ-493):武警 工程大学基础理论研究基金项目(WY201922). 军事战争等，群体通过多个个体之间的分工与协 通信作者：肖人彬.E-mail:rbxiao@hust.edu.cn 作，即可完成多样化的复杂任务四
DOI: 10.11992/tis.202007043 群智能新研究：角色−匹配的狼群劳动分工 吴虎胜1 ，肖人彬2 （1. 武警工程大学 装备管理与保障学院，陕西 西安 710086; 2. 华中科技大学 人工智能与自动化学院，湖北 武 汉 430074） 摘 要：启发于生物狼群群体的劳动分工行为，本文提出一种新颖的角色−匹配狼群劳动分工方法。通过剖析 自然狼群的生物学行为，概括提炼出狼群劳动分工行为的个体任务的专职化、个体角色可塑性和任务分配均衡 性 3 个典型特征，并建立了生物狼群劳动分工行为与普适性任务分配问题之间的仿生映射关系；从狼群“个体 −个体”+“个体−环境”的交互方式角度出发，分析了角色−匹配的狼群劳动分工的个体角色转换和任务调整机 制，研究了狼群角色−匹配的柔性劳动分工机制，提出了一种新的群智能方法，即角色−匹配的狼群劳动分工方 法；将狼群的角色−匹配劳动分工与蚁群的刺激−响应劳动分工和蜂群的激发−抑制劳动分工进行了比较分析， 并展示出角色−匹配狼群劳动分工方法的应用前景。 关键词：群智能；狼群；劳动分工；任务分配；自组织；角色−匹配；激发−抑制；刺激−响应 中图分类号：TP242 文献标志码：A 文章编号：1673−4785(2021)01−0125−09 中文引用格式：吴虎胜, 肖人彬. 群智能新研究：角色−匹配的狼群劳动分工 [J]. 智能系统学报, 2021, 16(1): 125–133. 英文引用格式：WU Husheng, XIAO Renbin. A new approach to swarm intelligence: role-matching labor division of a wolf pack [J]. CAAI transactions on intelligent systems, 2021, 16(1): 125–133. A new approach to swarm intelligence: role-matching labor division of a wolf pack WU Husheng1 ，XIAO Renbin2 (1. College of Equipment Management and Support, Engineering University of PAP, Xi’an 710086, China; 2. School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan 430074, China) Abstract: A novel role-matching labor division method is proposed, inspired by the labor division behavior of a biological wolf pack. First, through in-depth analysis of the biological behavior of natural wolves, the three typical characteristics of the labor division behavior of a wolf pack, i.e., the specialization of individual tasks, the plasticity of individual roles, and the balance of task allocation, are summarized and analyzed in this paper. The bionic mapping relationship between the labor division behavior of a biological wolf pack and the universal task allocation is established. Second, from the perspective of the interactive mode of “individual-individual” plus “individual-environment,” the individual role transformation and task adjustment mechanism of the role-matching labor division of a wolf pack are analyzed deeply in this paper. The flexible role-matching labor division mechanism of a wolf pack is studied, and a new swarm intelligence method is proposed, i.e., the wolf pack role-matching labor division method. Finally, the wolf pack rolematching labor division model, ant colony stimulus-response labor division model, and bee colony activation-inhibition labor division model are compared and analyzed, the proposed method has extensive application prospects in many fields. Keywords: swarm intelligence; wolf pack; labor division; task allocation; self-organization; role-matching; activationinhibition; stimulus-response 自然界中，劳动分工现象随处可见。狼群、 蚁群、鸟群等生物群体中如捕食、御敌、育幼、筑 巢、迁徙等，人类社会中如装备研制、架桥修路、 军事战争等，群体通过多个个体之间的分工与协 作，即可完成多样化的复杂任务[1]。 收稿日期：2020−07−24. 基金项目：科技创新 2030—“ 新一代人工智能 ” 重大项目 (2018AAA0101200) ；国家自然科学基金项 目 (61502534)；国家社科基金军事学项目 (2019-SKJJ-C- 092)；陕西省自然科学基金项目 (2020JQ-493)；武警 工程大学基础理论研究基金项目 (WJY201922). 通信作者：肖人彬. E-mail：rbxiao@hust.edu.cn. 第 16 卷第 1 期 智 能 系 统 学 报 Vol.16 No.1 2021 年 1 月 CAAI Transactions on Intelligent Systems Jan. 2021
·126· 智能系统学报 第16卷 通常而言，群体中不同的个体（通常表现为角 等方面的相似性，自然地，可借鉴劳动分工机制 色、体型、年龄等方面的差异)一般会专注于相应 研究复杂任务系统的高效任务分配方法。狼是 的某项任务或任务子集，且能根据环境或任务变 类认知能力强且组织严密的社会性群居动物，凭 化动态调整任务分工或执行不同任务的个体规 借巧妙的劳动分工可以完成复杂的协作捕猎、哺 模，从而在任何时刻这些任务都能被并行地执 育幼崽、领地维系等一系列群体活动。这些群 行，形成一种个体任务均衡分配的稳定模式，这 体活动中，不同角色的狼个体匹配执行不同的任 种现象即为劳动分工1。劳动分工是社会性生 务，内部或环境变化时也能调整自身角色，表现 物群体在面临复杂环境或繁杂任务时依然能够保 出高效、灵活、动态适应等特征。模仿狼群智能 持协调有序的重要因素，也是生物群体千百年进 行为的群智能优化算法不断涌现，如狼群算法 化成果和生态稳定的基础。劳动分工行为也是群 (wolf pack algorithm,WPA)I,灰狼优化(grey wolf 智能(swarm intelligence,SI)的重要表现形式，具 optimizer,.GWO)m,郊狼优化算法(coyote optimiz- 有SI的一般特征，如自组织性、协作性、稳定性、 ation algorithm,COA)]等，无不显示出狼群智能 分布式结构、个体和交互规则简单等。而任务 的巨大魅力和应用价值。然而，一方面这些基于 专业化和行为柔性是劳动分工有别于其他群智能 狼群智能的优化算法通常存在计算复杂、动态环 方法的显著特点，动态适应性则是其突出优势。 境适应性不强等问题，应用于复杂系统任务分配 任务专业化避免个体频繁地在不同任务之间切 时需要设计相应的离散化版本。另一方面，适 换，提高了任务执行效率。行为柔性赋予个体改 合任务分配问题的狼群劳动分工内在机理和形式 变原有行为或任务以适应复杂环境变化的能力， 化模型也尚未见到研究报道。 从而使种群具备从扰动中恢复稳态的巨大潜力， 本文基于对狼群的生物学行为分析，分析了 表现出非常强的动态适应性。 角色-匹配狼群劳动分工的个体角色转换和任务 启发于生物群智能，现实中各种复杂任务系 调整机制，研究了狼群角色-任务匹配的柔性劳 统，如地面群机器人系统、无人机集群系统等，研 动分工机制，建立了狼群劳动分工模型，提出了 究热点之一即是如何通过大量简单个体的局部相 角色-匹配狼群劳动分工方法。最后，通过比较 互作用涌现出复杂的集群行为，并使任务系统可 分析，阐述了狼群角色-匹配、蚁群刺激-响应，蜂 高效完成各种复杂任务。任务分配(task alloca- 群激发-抑制3种群智能劳动分工模型的同根同 tion,TA)是复杂任务系统中的基础问题，指各个 源性和差异性，并展示出角色-匹配的狼群劳动 体如何高效协作以完成一系列约束下的复杂任 务m。目前，典型的有基于市场机制的方法(mar- 分工的广泛应用前景。 ket-based approaches)和基于优化的方法(optimiza- 1狼群生物学行为分析 tion-based approaches)。前者是以协商主义为基 础的分布式任务分配方法，如拍卖算法和合同网 1.1 生物学背景 算法等，适合于确定性环境下中小规模的任务系 狼是一种适应力极强的群居动物，依靠紧密 统的分布式求解，可扩展性和鲁棒性较好，但通 的协作配合实现高效的劳动分工，千百年来一直 信开销和计算代价较大例。后者以一系列群智能 处于食物链顶端。一般而言，每匹狼都拥有与其 启发的最优化算法为代表，如遗传算法(genetic 自身体型、能力等相匹配的某一角色，这造就了 algorithm,GA)o、粒子群算法(particle swarm op- 狼群稳定的社会性组织结构。分工明确、信息共 timization,PSO))、蚁群算法(ant colony optimiza- 享、顺势而动是狼群捕猎的显著特点。分工明确 tion,ACO)2I,狼群算法(wolf pack algorithm, 是指头狼负责发起和指挥整个捕猎行动，其他个 WPA)]等。尽管这些算法某种程度上讲也可求 体根据自身角色执行与之匹配的任务。通常而 得最优分配方案，但其均基于反复迭代的寻优求 言，由最为强健而富有智慧的狼作为头狼，头狼 解思路，在实时性和动态适应性要求较高的作战 拥有繁殖、分配和享用猎物等各项活动的优先 应用场景中表现不佳。 权，是整个捕猎行动的组织者和指挥者。探狼 生物群体的劳动分工本质即是任务分配，鉴 是狼群中的少数精锐，感知敏锐而富有耐力，负 于生物群体与复杂任务系统（诸如地面群机器人 责根据空气中弥留的气味搜寻猎物。猛狼是狼群 系统、无人机集群系统等)在个体的简单性、局部 中的体力担当，冲击力强，负责快速奔袭绞杀猎 交互规则、自组织分布式结构、群智能能力涌现 物。还有部分巨狼埋伏在猎物逃窜的路线待命增
通常而言，群体中不同的个体 (通常表现为角 色、体型、年龄等方面的差异) 一般会专注于相应 的某项任务或任务子集，且能根据环境或任务变 化动态调整任务分工或执行不同任务的个体规 模，从而在任何时刻这些任务都能被并行地执 行，形成一种个体任务均衡分配的稳定模式，这 种现象即为劳动分工[2-3]。劳动分工是社会性生 物群体在面临复杂环境或繁杂任务时依然能够保 持协调有序的重要因素，也是生物群体千百年进 化成果和生态稳定的基础。劳动分工行为也是群 智能 (swarm intelligence, SI) 的重要表现形式，具 有 SI 的一般特征，如自组织性、协作性、稳定性、 分布式结构、个体和交互规则简单等[4]。而任务 专业化和行为柔性是劳动分工有别于其他群智能 方法的显著特点，动态适应性则是其突出优势。 任务专业化避免个体频繁地在不同任务之间切 换，提高了任务执行效率。行为柔性赋予个体改 变原有行为或任务以适应复杂环境变化的能力， 从而使种群具备从扰动中恢复稳态的巨大潜力， 表现出非常强的动态适应性[5]。 启发于生物群智能，现实中各种复杂任务系 统，如地面群机器人系统、无人机集群系统等，研 究热点之一即是如何通过大量简单个体的局部相 互作用涌现出复杂的集群行为，并使任务系统可 高效完成各种复杂任务[6]。任务分配 (task allocation, TA) 是复杂任务系统中的基础问题，指各个 体如何高效协作以完成一系列约束下的复杂任 务 [7]。目前，典型的有基于市场机制的方法 (market-based approaches) 和基于优化的方法 (optimization-based approaches)[8]。前者是以协商主义为基 础的分布式任务分配方法，如拍卖算法和合同网 算法等，适合于确定性环境下中小规模的任务系 统的分布式求解，可扩展性和鲁棒性较好，但通 信开销和计算代价较大[9]。后者以一系列群智能 启发的最优化算法为代表，如遗传算法 (genetic algorithm, GA)[10] 、粒子群算法 (particle swarm optimization, PSO)[11] 、蚁群算法 (ant colony optimization, ACO)[ 1 2 ] , 狼群算法 (wolf pack algorithm, WPA)[13] 等。尽管这些算法某种程度上讲也可求 得最优分配方案，但其均基于反复迭代的寻优求 解思路，在实时性和动态适应性要求较高的作战 应用场景中表现不佳。 生物群体的劳动分工本质即是任务分配，鉴 于生物群体与复杂任务系统 (诸如地面群机器人 系统、无人机集群系统等) 在个体的简单性、局部 交互规则、自组织分布式结构、群智能能力涌现 等方面的相似性[14] ，自然地，可借鉴劳动分工机制 研究复杂任务系统的高效任务分配方法。狼是一 类认知能力强且组织严密的社会性群居动物，凭 借巧妙的劳动分工可以完成复杂的协作捕猎、哺 育幼崽、领地维系等一系列群体活动[15]。这些群 体活动中，不同角色的狼个体匹配执行不同的任 务，内部或环境变化时也能调整自身角色，表现 出高效、灵活、动态适应等特征。模仿狼群智能 行为的群智能优化算法不断涌现，如狼群算法 (wolf pack algorithm, WPA)[16] , 灰狼优化 (grey wolf optimizer，GWO)[17] , 郊狼优化算法 (coyote optimization algorithm，COA)[18] 等，无不显示出狼群智能 的巨大魅力和应用价值。然而，一方面这些基于 狼群智能的优化算法通常存在计算复杂、动态环 境适应性不强等问题，应用于复杂系统任务分配 时需要设计相应的离散化版本[19]。另一方面，适 合任务分配问题的狼群劳动分工内在机理和形式 化模型也尚未见到研究报道。 本文基于对狼群的生物学行为分析，分析了 角色−匹配狼群劳动分工的个体角色转换和任务 调整机制，研究了狼群角色−任务匹配的柔性劳 动分工机制，建立了狼群劳动分工模型，提出了 角色−匹配狼群劳动分工方法。最后，通过比较 分析，阐述了狼群角色−匹配、蚁群刺激−响应，蜂 群激发−抑制 3 种群智能劳动分工模型的同根同 源性和差异性，并展示出角色−匹配的狼群劳动 分工的广泛应用前景。 1 狼群生物学行为分析 1.1 生物学背景 狼是一种适应力极强的群居动物，依靠紧密 的协作配合实现高效的劳动分工，千百年来一直 处于食物链顶端。一般而言，每匹狼都拥有与其 自身体型、能力等相匹配的某一角色，这造就了 狼群稳定的社会性组织结构。分工明确、信息共 享、顺势而动是狼群捕猎的显著特点。分工明确 是指头狼负责发起和指挥整个捕猎行动，其他个 体根据自身角色执行与之匹配的任务。通常而 言，由最为强健而富有智慧的狼作为头狼，头狼 拥有繁殖、分配和享用猎物等各项活动的优先 权，是整个捕猎行动的组织者和指挥者 [14]。探狼 是狼群中的少数精锐，感知敏锐而富有耐力，负 责根据空气中弥留的气味搜寻猎物。猛狼是狼群 中的体力担当，冲击力强，负责快速奔袭绞杀猎 物。还有部分巨狼埋伏在猎物逃窜的路线待命增 ·126· 智 能 系 统 学 报 第 16 卷
第1期 吴虎胜，等：群智能新研究：角色-匹配的狼群劳动分工 ·127· 援。如此，狼群中不同角色个体各司其职，形成 了完备的猎物打击链条，如图1所示。 广探狼游猎 猛狼奔装 分割驱散儿 头狼指挥 潜伏待命 接力攻击 巨狼围攻 图1狼群劳动分工和角色区分 Fig.1 Labor division and role differentiation of wolf pack 狼群具有多样化的群体智能行为，但在协作 通过对微妙信息的挖掘和关联，迅速掌握日标整 捕猎中其劳动分工特性表现最为明显，且千百年 体行为特征。 的进化也造就了其不言而喻的生存优势：1)狼群 狼群具备很强的环境适应性，其领地和群体 中不同角色的狼相互协作即可捕杀单匹狼远不能 规模可以根据环境和猎物密度变化而动态调整。 匹敌的大型猎物；2)大大缩短了捕猎作业时间， 在高度变化的复杂捕猎环境中，狼群也能够根 提高了捕猎成功概率。 据猎物的体型大小和群体规模进行动态重组以形 如图2所示，狼群个体的环境学习与认知 成规模不等的捕猎集群2，具有非常强的动态适 能力较强，感知与交互方式多样，群体行动中通 应性。 过有效的“个体-个体”+“个体-环境”交互方式获 1.2特性分析 取和共享信息，为头狼指挥和个体自主决策提供 狼群劳动分工主要有以下3个方面的特征： 指引。 1)个体任务的专职化。狼群中的个体一般按 照角色分工执行与角色相匹配的任务，简单来 个体-环境交互 讲，就是一般情况下，什么角色干什么事（此种专 猎物 职化现象在人类社会中也同样普遍存在)。多次 目视观察 体型 执行特定任务的某一角色类型的个体经过学习强 个 个体 感知残留气味 群体规模 化成为该任务的“专家”，下次执行该任务的趋向 个 体 遗留气味 运动状态 性越大，且不同角色的个体不会随意转换自身角 色而执行其他任务。个体专职化避免了狼群不同 目视观察 环境 角色类型的个体在不同任务间的频繁切换而导致 个体 感知残留气味 地形 的系统动荡，同时有助于任务经验的积累，降低 了个体的学习和适应成本，进而提高了任务的执 障碍 行效率。 气候 2)个体角色的可塑性。角色可塑性主要反映 狼群在动态复杂环境下的适应能力。在内部变化 或环境扰动下，各角色也并不是一成不变的，不 图2狼群感知与交互方式 同个体的角色也可基于一定条件改变，以适应任 Fig.2 Perception and interaction mode of wolf pack 务或环境的需求。例如猎物过于强大，承担围攻 嚎叫和遗留气味是生物狼群个体-个体交互 任务的狼不足以将其捕杀，那么原先承担潜伏或 的主要途径，不同的嚎叫声调和长短可以传达多 侦察任务的部分个体会自发地迅速转变自身角色 样化信息；通过主动遗留气味（如狼的粪便、排尿 为围攻狼，且转换的速度和个体数量随任务紧迫 等)宣示领地主权和传达信息给同伴22。个体- 程度而调整。再例如，通常情况下，拥有最佳基 环境交互主要依靠猎物残留气味和目视观察，通 因的头狼独享交配权，头狼即“种狼”，如此最大 过感知猎物残留的气味可以准确判断猎物状态， 概率地保证了后代的优秀，也控制了狼群的数 个体依靠敏锐的目视观察把握目标的细微特征， 量：但当灾难来临，例如大面积染病或者气候异
援。如此，狼群中不同角色个体各司其职，形成 了完备的猎物打击链条，如图 1 所示。 头狼指挥 潜伏待命 接力攻击 巨狼围攻 探狼游猎 猛狼奔袭 分割驱散 图 1 狼群劳动分工和角色区分 Fig. 1 Labor division and role differentiation of wolf pack 狼群具有多样化的群体智能行为，但在协作 捕猎中其劳动分工特性表现最为明显，且千百年 的进化也造就了其不言而喻的生存优势：1) 狼群 中不同角色的狼相互协作即可捕杀单匹狼远不能 匹敌的大型猎物；2) 大大缩短了捕猎作业时间， 提高了捕猎成功概率[20]。 如图 2 所示，狼群个体的环境学习与认知 能力较强，感知与交互方式多样，群体行动中通 过有效的“个体−个体”+“个体−环境”交互方式获 取和共享信息，为头狼指挥和个体自主决策提供 指引。 目视观察 目视观察 感知残留气味 感知残留气味 个体 个体 遗 留 气 味 个体−环境交互 嚎 叫 猎物 群体规模 体型 运动状态 环境 障碍 地形 气候 个 体 个 体 交 互 − 图 2 狼群感知与交互方式 Fig. 2 Perception and interaction mode of wolf pack 嚎叫和遗留气味是生物狼群个体−个体交互 的主要途径，不同的嚎叫声调和长短可以传达多 样化信息；通过主动遗留气味 (如狼的粪便、排尿 等) 宣示领地主权和传达信息给同伴[21-22]。个体− 环境交互主要依靠猎物残留气味和目视观察，通 过感知猎物残留的气味可以准确判断猎物状态， 个体依靠敏锐的目视观察把握目标的细微特征, 通过对微妙信息的挖掘和关联, 迅速掌握目标整 体行为特征[23]。 狼群具备很强的环境适应性，其领地和群体 规模可以根据环境和猎物密度变化而动态调整。 在高度变化的复杂捕猎环境中，狼群也能够根 据猎物的体型大小和群体规模进行动态重组以形 成规模不等的捕猎集群[24] ，具有非常强的动态适 应性。 1.2 特性分析 狼群劳动分工主要有以下 3 个方面的特征： 1) 个体任务的专职化。狼群中的个体一般按 照角色分工执行与角色相匹配的任务，简单来 讲，就是一般情况下，什么角色干什么事 (此种专 职化现象在人类社会中也同样普遍存在)。多次 执行特定任务的某一角色类型的个体经过学习强 化成为该任务的“专家”，下次执行该任务的趋向 性越大，且不同角色的个体不会随意转换自身角 色而执行其他任务。个体专职化避免了狼群不同 角色类型的个体在不同任务间的频繁切换而导致 的系统动荡，同时有助于任务经验的积累，降低 了个体的学习和适应成本，进而提高了任务的执 行效率。 2) 个体角色的可塑性。角色可塑性主要反映 狼群在动态复杂环境下的适应能力。在内部变化 或环境扰动下，各角色也并不是一成不变的，不 同个体的角色也可基于一定条件改变，以适应任 务或环境的需求。例如猎物过于强大，承担围攻 任务的狼不足以将其捕杀，那么原先承担潜伏或 侦察任务的部分个体会自发地迅速转变自身角色 为围攻狼，且转换的速度和个体数量随任务紧迫 程度而调整。再例如，通常情况下，拥有最佳基 因的头狼独享交配权，头狼即“种狼”，如此最大 概率地保证了后代的优秀，也控制了狼群的数 量；但当灾难来临，例如大面积染病或者气候异 第 1 期 吴虎胜，等：群智能新研究：角色−匹配的狼群劳动分工 ·127·
·128· 智能系统学报 第16卷 常造成狼群锐减，为维持狼群数量，其他狼也拥 2.2角色-匹配狼群劳动分工模型描述 有交配生育权 若将每匹狼抽象简化为一个Agent,.角色-匹 3)任务分配的均衡性。一般情况下，通过将 配狼群劳动分工模型中每个Agent的自身角色及 复杂任务分解为一系列子任务，狼群中不同角色 其执行任务遵守2条简单调整规则： 的个体可以根据自身能力合理承担相应的子任 1)个体根据与环境和同伴的交互结果决定自 务，各司其职，且狼群每个个体所承担的任务都 身角色的转换： 较为均衡，尤其是面临复杂任务的时候。例如， 2)个体根据调整后的角色更新所承担的任务。 面对体型巨大的猎物时，狼群不会使用疲劳战 2.2.1角色转换及任务调整机制 术，会以车轮战和接力攻击的方式拖垮猎物，使 群体通过这2个简单规则对个体角色进行调 得参与围攻的狼群个体任务负荷相对均衡，这体 整，直到所有个体将自身角色调整合适，满足变 现出狼群的群体智慧：一方面可防止能力强的猛 化后的任务需求，形成新的角色分布结构。 狼负载过大而导致加速老化；二是保证能力相对 为说明角色-匹配狼群劳动分工的个体角色 较弱的其他狼也能得到有效的训练和学习，如 转换和任务调整机制，图4给出了简化的3类角 此，狼群得以能够始终保持其高效的任务执行力 色个体匹配执行3个任务的示意。狼群在协作捕 和强大的群体竞争力。 猎过程中，在头狼的指挥下狼群其他个体可被分 成3类角色：探狼、猛狼和巨狼。若定义个体角 2角色-匹配狼群劳动分工模型 色状态变量为s,处于区间(smm,Sh12)的个体定义 2.1基本原理 为探狼，处于区间(S12,sh2)的个体定义为猛狼， 狼群劳动分工以个体角色区分为基础，即不 处于区间(sh2:3,Sma)的个体定义为巨狼。其中 同角色类型的个体承担与之匹配的任务集，从而 Sh12和sh23分别为各角色之间的转换阈值。探 在群体中形成一种较为稳定的角色分布结构。当 狼、猛狼和巨狼分别执行与之匹配的侦察、围攻 任务需求或群体内部发生变化后，当前狼群的角 和潜伏任务。基于前期经验，执行侦察、围攻和 色分布与环境不相适应时，个体的角色会基于一 潜伏任务的个体需求数分别为2、3和2，即执行 定条件发生改变，同时更新任务，从而快速响应 侦察任务需要分配2匹探狼，执行围攻任务分配 环境的变化，重新在狼群中形成稳定的角色分布 3匹探狼，执行潜伏任务分配2匹探狼。 结构。狼个体执行与其角色匹配的任务本质上即 任务需求发生变化后（如猎物过于强大，猛 是一种任务分配，而响应任务的需求和群体内部 狼子群不能将其捕获)，若当前群体角色分布和 的变化进而调整个体角色的过程可视为面向任务 个体规模比例不能满足任务需求。通过对猎物 的动态重分配，群体的任务分配情况可以通过个 的认知判断，侦察、围攻和潜伏任务的需求分别 体的角色分布情况来描述。将狼个体视为简单智 变化为1、5和1，那么原先处于探狼和巨狼角色 能体，则可建立狼群劳动分工与复杂系统任务分 的部分个体需要快速调整自身角色转变为猛狼， 配之间的映射关系，如图3所示。 协助执行围攻任务，从而满足任务需求变化将猎 物顺利捕杀。具体表现为处于探狼角色类型的 劳动分工 任务分配 个体角色状态变量s逐渐增大，而处于巨狼角色 个体 智能体 类型的个体角色状态变量s逐渐减小，且角色转 换步长随任务紧迫程度而调整，最终当个体的角 个体角色 任务子集 色状态变量s变换至区间(s12,Sh23)内转变为猛 狼角色。 角色转换 任务变化 2.2.2一般模型 角色分布结构 任务分配序列 假设共有m个任务需要执行，首先对任务 最优角色分布 最优任务 进行排序，任取其中任务序号由小到大排列的 分配方案 3个任务task-1、task.和task+1(k=l,2,…,m),当前 匹配执行这3个任务的个体角色分别定义为 图3 角色-匹配劳动分工与复杂系统任务分配间的映射 wolf-、wolf和wolf+,如同上述分析中的探狼 关系 Fig.3 Mapping relationship between the task allocation of 猛狼和巨狼。wolf-1类型的个体j,wolf类型的 swarm robotics and labor division 个体i,wolf+1类型的个体p的角色状态分别为
常造成狼群锐减，为维持狼群数量，其他狼也拥 有交配生育权[25]。 3) 任务分配的均衡性。一般情况下，通过将 复杂任务分解为一系列子任务，狼群中不同角色 的个体可以根据自身能力合理承担相应的子任 务，各司其职，且狼群每个个体所承担的任务都 较为均衡，尤其是面临复杂任务的时候。例如， 面对体型巨大的猎物时，狼群不会使用疲劳战 术，会以车轮战和接力攻击的方式拖垮猎物，使 得参与围攻的狼群个体任务负荷相对均衡，这体 现出狼群的群体智慧：一方面可防止能力强的猛 狼负载过大而导致加速老化；二是保证能力相对 较弱的其他狼也能得到有效的训练和学习，如 此，狼群得以能够始终保持其高效的任务执行力 和强大的群体竞争力。 2 角色−匹配狼群劳动分工模型 2.1 基本原理 狼群劳动分工以个体角色区分为基础，即不 同角色类型的个体承担与之匹配的任务集，从而 在群体中形成一种较为稳定的角色分布结构。当 任务需求或群体内部发生变化后，当前狼群的角 色分布与环境不相适应时，个体的角色会基于一 定条件发生改变，同时更新任务，从而快速响应 环境的变化，重新在狼群中形成稳定的角色分布 结构。狼个体执行与其角色匹配的任务本质上即 是一种任务分配，而响应任务的需求和群体内部 的变化进而调整个体角色的过程可视为面向任务 的动态重分配，群体的任务分配情况可以通过个 体的角色分布情况来描述。将狼个体视为简单智 能体，则可建立狼群劳动分工与复杂系统任务分 配之间的映射关系，如图 3 所示。 个体 智能体 劳动分工 个体角色 角色分布结构 任务分配序列 最优角色分布 最优任务 分配方案 任务分配 任务子集 角色转换 任务变化 图 3 角色−匹配劳动分工与复杂系统任务分配间的映射 关系 Fig. 3 Mapping relationship between the task allocation of swarm robotics and labor division 2.2 角色−匹配狼群劳动分工模型描述 若将每匹狼抽象简化为一个 Agent，角色−匹 配狼群劳动分工模型中每个 Agent 的自身角色及 其执行任务遵守 2 条简单调整规则： 1) 个体根据与环境和同伴的交互结果决定自 身角色的转换； 2) 个体根据调整后的角色更新所承担的任务。 2.2.1 角色转换及任务调整机制 群体通过这 2 个简单规则对个体角色进行调 整，直到所有个体将自身角色调整合适，满足变 化后的任务需求，形成新的角色分布结构。 为说明角色−匹配狼群劳动分工的个体角色 转换和任务调整机制，图 4 给出了简化的 3 类角 色个体匹配执行 3 个任务的示意。狼群在协作捕 猎过程中，在头狼的指挥下狼群其他个体可被分 成 3 类角色：探狼、猛狼和巨狼。若定义个体角 色状态变量为 s，处于区间 (smin，sth1:2) 的个体定义 为探狼，处于区间 (sth1:2，sth2:3) 的个体定义为猛狼， 处于区间 (sth2:3，smax) 的个体定义为巨狼。其中， sth1:2 和 sth2:3 分别为各角色之间的转换阈值。探 狼、猛狼和巨狼分别执行与之匹配的侦察、围攻 和潜伏任务。基于前期经验，执行侦察、围攻和 潜伏任务的个体需求数分别为 2、3 和 2，即执行 侦察任务需要分配 2 匹探狼，执行围攻任务分配 3 匹探狼，执行潜伏任务分配 2 匹探狼。 任务需求发生变化后 (如猎物过于强大，猛 狼子群不能将其捕获)，若当前群体角色分布和 个体规模比例不能满足任务需求。通过对猎物 的认知判断，侦察、围攻和潜伏任务的需求分别 变化为 1、5 和 1，那么原先处于探狼和巨狼角色 的部分个体需要快速调整自身角色转变为猛狼， 协助执行围攻任务，从而满足任务需求变化将猎 物顺利捕杀。具体表现为处于探狼角色类型的 个体角色状态变量 s 逐渐增大，而处于巨狼角色 类型的个体角色状态变量 s 逐渐减小，且角色转 换步长随任务紧迫程度而调整，最终当个体的角 色状态变量 s 变换至区间 (sth1:2，sth2:3) 内转变为猛 狼角色。 2.2.2 一般模型 假设共有 m 个任务需要执行，首先对任务 进行排序，任取其中任务序号由小到大排列的 3 个任务 taskk-1、taskk 和 taskk+1 (k=1,2,…,m)，当前 匹配执行 这 3 个任务的个体角色分别定义 为 wolfk−1、wolfk 和 wolfk+1，如同上述分析中的探狼、 猛狼和巨狼。wolfk−1 类型的个体 j，wolfk 类型的 个体 i，wolfk+1 类型的个体 p 的角色状态分别为 ·128· 智 能 系 统 学 报 第 16 卷
第1期 吴虎胜，等：群智能新研究：角色-匹配的狼群劳动分工 ·129· 5j,,5p,其中j=1,2,…,n1,i=1,2,…,n2, 状态的上下限阈值。n1、m2和n分别为3类角色 p=1,2,…,n。sb和“分别为3种类型的个体角色 的个体数。 任务 侦察 围攻 埋伏 需求 2 3 2 角色状态s 个体角色 探狼 猛狼 巨狼 任务需求变化 侦察 围攻 埋伏 导向调整 个体环境 交互 虚拟吸引力 相对吸引力 虚拟排斥力 个体.个体 交互 图4个体角色转换及任务调整过程示意 Fig.4 Schematic diagram of individual role transformation and task adjustment process 1)角色转换 的综合交互结果（即相对吸引力f/f)来决定其 以wolf类个体i的角色转换为例，其角色状 下一时刻的角色转换方向和步长： 态s:调整有3种情况：减小、增大或维持原态。 s0+6,(0产>lk>k 每一种情况由个体1与其他个体和环境（任务）交 s(t+1)= si(t)-6i(t),f*>Ik'k时，s 通过移动步长6，(0正向增大。当任务task,对个 群的吸引力自然就越大。虚拟排斥力是个体 体j的相对吸引力登超过阈值l,且其任务序号 j与同伴交互而产生的，表征个体j对任务的排斥 k5> +1)对个体i的相对吸引力，则个体i受到的最大 new task as> (3) 相对吸引力为 task,其他 =arg max() (1) 从式(3)可以看出，当s移动至区间(5，s“) 式中：k为所有任务中对个体i具有最大相对吸引 内，个体i转变为wolf1角色类型的个体，从而选 力的任务序号。 择执行与wolf!角色-匹配的任务task+1。同理， 个体i在时刻1通过其与环境（任务）和同伴 当s处于区间（也，）内，个体i选择执行与
sj si sp s lb s lu ， ， ，其中 j =1,2, … , n 1 ， i =1,2, … , n 2 ， p=1,2,…,n3。 和 分别为 3 种类型的个体角色 状态的上下限阈值。n1、n2 和 n3 分别为 3 类角色 的个体数。 侦察 围攻 埋伏 2 3 2 sth 1:2 sth 2:3 任务 smin smax 探狼 猛狼 巨狼 个体-环境 交互 任务需求变化 需求 角色状态 s 侦察 围攻 埋伏 1 5 1 相对吸引力 虚拟排斥力 个体-个体 交互 个体角色 虚拟吸引力 导向调整 图 4 个体角色转换及任务调整过程示意 Fig. 4 Schematic diagram of individual role transformation and task adjustment process 1) 角色转换 si f a fr f a f a f a fr fr f k ′ ai / f k ′ ri 以 wolfk 类个体 i 的角色转换为例，其角色状 态 调整有 3 种情况：减小、增大或维持原态。 每一种情况由个体 i 与其他个体和环境 (任务) 交 互的结果所决定。为量化交互结果，分别设计 2 个变量：虚拟吸引力 和虚拟排斥力 。虚拟 吸引力 是个体 i 与环境 (任务) 交互而产生的， 表征任务对个体 i 的吸引程度， 与任务优先级、 任务价值和相对需求等因素有关。任务优先级、 任务价值或相对需求越大， 越大，一如猎物数 量多，狼群又好久没有进食了，则此批猎物对狼 群的吸引力自然就越大。虚拟排斥力 是个体 j 与同伴交互而产生的，表征个体 j 对任务的排斥 程度，与任务代价、当前执行该任务的个体数或 任务执行情况等因素有关。任务代价和执行该任 务的个体数越大， 越大，一如某区域内猎物非常 具有攻击性，捕获往往需要付出较大代价，而狼 群又刚好完成了一次捕猎，并不饥饿，且该区域 内狼数量较多，则狼群就会存在一定程度的排斥 捕猎行为。令 为任务 taskk ′ (k′ = k−1, k, k+1) 对个体 i 的相对吸引力，则个体 i 受到的最大 相对吸引力为 ˜f k∗ i = argmax(f k ′ ai / f k ′ ri ) (1) 式中：k *为所有任务中对个体 i 具有最大相对吸引 力的任务序号。 个体 i 在时刻 t 通过其与环境 (任务) 和同伴 f ai / f 的综合交互结果 ri (即相对吸引力 ) 来决定其 下一时刻的角色转换方向和步长： si(t+1) = si(t)+δi(t), ˜f k ∗ i > luk ∗ > k si(t)−δi(t), ˜f k ∗ i > luk ∗ k 时， 通过移动步长 正向增大。当任务 taskk*对个 体 j 的相对吸引力 超过阈值 ，且其任务序号 k * si > s lb k+1 taskk−1, s lu k−1 >si > s lb k−1 taskk , 其他 (3) si ( s lb k+1 ,s lu k+1 ) si ( s lb k−1 ,s lu k−1 ) 从式 (3) 可以看出，当 移动至区间 内，个体 i 转变为 wolfk+1 角色类型的个体，从而选 择执行与 wolfk+1 角色−匹配的任务 taskk+1。同理， 当 处于区间 内，个 体 i 选择执行 与 第 1 期 吴虎胜，等：群智能新研究：角色−匹配的狼群劳动分工 ·129·
·130· 智能系统学报 第16卷 wolf:角色-匹配的任务task1。否则，个体j继续 bot数量越多，Robot i的能力越小及任务完成度 执行tasko 越大，任务j对Robot i的排斥力越大，即Robot 个体角色状态s的调整受导向因子6和随机 i选择任务j的趋势越小。反之亦然。 因子μ共同影响。导向因子结果反映了个体-个 5)s/0):1时刻参与执行任务j的Robot i的角 体和个体-环境交互的综合作用，给个体角色转 色状态变量值。 换提供导向信息，保证个体向着任务需求大的方 3.2基本流程 向转换。随机因子的作用是通过引入随机控制， 1)根据任务数量NM将N,个体角色变量区 避免某一时刻大量个体转换角色状态导致的大幅 间(Smia,Smax)分为NM个等距子区间，分别对应Nw 震荡现象。 个任务。初始化N,个Robot的个体角色变量 S(0)。 3模型扩展 2)判断s:(O)所处子区间，Roboti预设匹配执 角色-匹配的狼群劳动分工一般模型具有良 行对应的任务，形成任务预分配方案； 好的普适性，适用于对动态适应性要求较高的复 3)依据式(4)、(5)分别计算0和)，依据 杂任务系统。一般而言，应用于如群机器人任务 式(1)确定对于Robot i具有最大相对吸引力 分配等实际问题时，仅需要进行扩展和改造。下 f=argmaxt(f/f份的任务j； 面以N,个Robot协同执行NM个任务为例进行说明。 4)Robot i依式(2)进行决策，决策s0的调 3.1主要变量设计 整方向和移动步长； 1)f():1时刻任务j对Robot i的吸引力， 5)Robot i根据调整后的s(0判断自身角色 j=1,2,…,NM为任务编号，NM为任务数量。 状态，依式(3)更新与之匹配的任务： V() 6)评价效能函数。如满足任务需求，则转 0= (4) wnd(t)+w2T(t) 6);否则转3)： 式中：V)为任务j在时刻1的价值；d()和 7)输出任务分配方案。 T,)分别为无量纲处理后的Robot i与任务j的 4群智能劳动分工模型机理比较分析 距离和Roboti到达任务j的时间。 由式(4)可以看出，任务j价值越大，Robot 启发于生物群体生存智慧的群智能劳动分工 i与任务j的距离及其到达任务j的时间越小，任 方法已经引起了广泛关注，其中以基于蚁群劳动 务j对Robot i的吸引力越大，即Robot i选择任务 分工机制的刺激-响应模型(stimulus response j的趋势越大。反之亦然。 model,,SRM)2和基于蜂群劳动分工机制的激发 2)f():1时刻Robot i对执行任务j的排斥 -抑制模型(activation inhibition model,.AIM)27为 力，i=1,2,…,N,为Robot编号，N,为Robot数量。 代表。 刺激-响应模型可解释蚁群形态行为多型的 f0）= nr'(0) (5) C(1-a) 劳动分工机制，表示个体所执行的任务与其体型 式中：n()为t时刻参与执行任务j的Robot数 大小相关，如小型工蚁主要负责护理、觅食等工 量；C为Robot i执行任务j的能力。 作，而大型工蚁主要负责防御、储存食物等2；而 3)a():1时刻任务j的完成度。 激发一抑制模型可解释蜂群时间行为多型的劳动 Ry+1) 分工机制，表示个体所执行的任务与其生理年龄 (6) R 有关，如蜜蜂能据蜂群的需求，延迟、加速甚至逆 式中：？为任务了在初始时刻所需资源数； 转其行为发育。角色匹配模型中个体的角色与 Rt+1)为任务j在时刻1后仍需资源数， 任务对应，属角色行为多型，即个体所执行的任 务与其角色有关，如狼群中不同角色的狼（头狼、 R(t+1)=R(0)-） 探狼、猛狼等)一般执行与之匹配的指挥、侦察、 =1 4):Robot i单位时间的资源消耗量，T为时 围攻等不同任务。 实际中影响个体行为调整和群体任务组织的 刻+1~1的时间，则∑(T)表示在时刻+11所 因素很多，为便于工程应用，劳动分工模型均以 =1 有参与执行任务j的Robot的总资源消耗量。 简单的交互规则和简化机制来实现个体行为和群 由式(4)、(5)可知，参与执行任务j的Ro 体任务的自组织分配。蚁群刺激-响应模型以个
wolfk-1 角色−匹配的任务 taskk-1。否则，个体 j 继续 执行 taskk。 δ µ 个体角色状态 s 的调整受导向因子 和随机 因子 共同影响。导向因子结果反映了个体−个 体和个体−环境交互的综合作用，给个体角色转 换提供导向信息，保证个体向着任务需求大的方 向转换。随机因子的作用是通过引入随机控制， 避免某一时刻大量个体转换角色状态导致的大幅 震荡现象。 3 模型扩展 Nr NM 角色−匹配的狼群劳动分工一般模型具有良 好的普适性，适用于对动态适应性要求较高的复 杂任务系统。一般而言，应用于如群机器人任务 分配等实际问题时，仅需要进行扩展和改造。下 面以 个 Robot 协同执行 个任务为例进行说明。 3.1 主要变量设计 f j ai (t) j = 1,2,··· ,NM NM 1) ： t 时刻任务 j 对 Robot i 的吸引力， 为任务编号， 为任务数量。 f j ai (t) = VT j (t) ω1di j (t)+ω2Ti j (t) (4) VT j (t) di j (t) Ti j (t) 式中： 为 任 务 j 在 时 刻 t 的价值； 和 分别为无量纲处理后的 Robot i 与任务 j 的 距离和 Robot i 到达任务 j 的时间。 由式 (4) 可以看出，任务 j 价值越大，Robot i 与任务 j 的距离及其到达任务 j 的时间越小，任 务 j 对 Robot i 的吸引力越大，即 Robot i 选择任务 j 的趋势越大。反之亦然。 f j ri (t) i = 1,2,··· ,Nr Nr 2) ：t 时刻 Robot i 对执行任务 j 的排斥 力， 为 Robot 编号， 为 Robot 数量。 f j ri (t) = nact j (t) C j i (1−∂ j (t)) (5) n j act(t) C j i 式中： 为 t 时刻参与执行任务 j 的 Robot 数 量； 为 Robot i 执行任务 j 的能力。 ∂ j 3) (t)：t 时刻任务 j 的完成度。 ∂ j (t)= R ′ j T (t+1) R j T (6) R j T R ′ j T (t+1) R ′ j T (t+1)=R ′ j T (t)− n j ∑act i=1 (ηiT) 式中： 为 任 务 j 在初始时刻所需资源数； 为 任 务 j 在 时 刻 t 后仍需资源数， 。 ηi n j ∑act i=1 (ηiT) 4) ：Robot i 单位时间的资源消耗量，T 为时 刻 t+1~t 的时间，则 表示在时刻 t+1~t 所 有参与执行任务 j 的 Robot 的总资源消耗量。 由式 (4)、(5) 可知，参与执行任务 j 的 Robot 数量越多，Robot i 的能力越小及任务完成度 越大，任务 j 对 Robot i 的排斥力越大，即 Robot i 选择任务 j 的趋势越小。反之亦然。 si j 5) (t)：t 时刻参与执行任务 j 的 Robot i 的角 色状态变量值。 3.2 基本流程 NM Nr NM NM Nr si(0) 1) 根据任务数量 将 个体角色变量区 间 (smin，smax) 分为 个等距子区间，分别对应 个任务。初始化 个 Robot 的个体角色变量 。 2) 判断 si(0) 所处子区间，Robot i 预设匹配执 行对应的任务，形成任务预分配方案； f j ai (t) f j ri (t) ˜f j i = argmax(f j ai / f j ri ) 3) 依据式 (4)、(5) 分别计算 和 ，依据 式 (1) 确定对于 Robot i 具有最大相对吸引力 的任务 j； si j 4) Robot i 依式 (2) 进行决策，决策 (t) 的调 整方向和移动步长； si j 5) Robot i 根据调整后的 (t) 判断自身角色 状态，依式 (3) 更新与之匹配的任务 j； 6) 评价效能函数。如满足任务需求，则转 6)；否则转 3)； 7) 输出任务分配方案。 4 群智能劳动分工模型机理比较分析 启发于生物群体生存智慧的群智能劳动分工 方法已经引起了广泛关注，其中以基于蚁群劳动 分工机制的刺激−响应模型 (stimulus response model, SRM)[26] 和基于蜂群劳动分工机制的激发 −抑制模型 (activation inhibition model, AIM)[27] 为 代表。 刺激−响应模型可解释蚁群形态行为多型的 劳动分工机制，表示个体所执行的任务与其体型 大小相关，如小型工蚁主要负责护理、觅食等工 作，而大型工蚁主要负责防御、储存食物等[28] ；而 激发−抑制模型可解释蜂群时间行为多型的劳动 分工机制，表示个体所执行的任务与其生理年龄 有关，如蜜蜂能据蜂群的需求，延迟、加速甚至逆 转其行为发育[29]。角色匹配模型中个体的角色与 任务对应，属角色行为多型，即个体所执行的任 务与其角色有关，如狼群中不同角色的狼 (头狼、 探狼、猛狼等) 一般执行与之匹配的指挥、侦察、 围攻等不同任务。 实际中影响个体行为调整和群体任务组织的 因素很多，为便于工程应用，劳动分工模型均以 简单的交互规则和简化机制来实现个体行为和群 体任务的自组织分配。蚁群刺激−响应模型以个 ·130· 智 能 系 统 学 报 第 16 卷
第1期 吴虎胜，等：群智能新研究：角色-匹配的狼群劳动分工 ·131· 体-环境交互规则为基础，由个体感知到的任务 问题设计相关因子来弥补单一交互规则的不足。 需求刺激和个体响应刺激的内部阈值来共同决定 角色-匹配狼群劳动分工模型与前述2种模 个体是否执行任务。蜂群激发-抑制模型以个体一 型既同根同源（均属于群智能劳动分工方法体 个体交互规则为基础，个体内生长激素（激发 系)，又有其自身特点。表1通过比较分析，列出 剂)和同伴对其传递的保幼激素（抑制剂）来调节 其发育情况，进而直接影响其执行任务的类型。 了狼群角色-匹配模型、蚁群刺激-响应模型和蜂 单一的交互规则尽管简单，却很难反应群体真实 群激发-抑制模型3种群智能劳动分工模型的对 的行为组织影响因素，因此，实际应用中需根据 比情况。 表13种群智能劳动分工模型的比较分析 Table 1 Analogical analysis of three swarm intelligent labor division models 模型 生物原型 多态类型 交互方式 基本要素 刺激-响应模型 蚁群 形态行为多型 个体-环境 任务刺激强度、个体响应阈值、任务执行概率 激发一抑制模型 蜂群 时间行为多型 个体-个体 个体发育激发剂、个体发育抑制剂、个体生理年龄 任务对个体的虚拟吸引力、个体对任务的 角色匹配模型 狼群 角色行为多型“个体-个体”+“个体-环境 虚拟排斥力、个体角色状态 由表1可以看出，群智能劳动分工模型都是 于非结构、大规模、不可预测的动态优化、动态调 基于对不同生物群体劳动分工机制的深入分析而 度和分配问题却越来越显出颓势。以蚁群的刺激 建立的，一定程度上能模拟实现生物群体通过个 -响应和蜂群的激发-抑制为代表的群智能劳动 体的局部感知和交互反应作用进而涌现整体的自 分工方法，基于自然生物群体的劳动分工行为， 组织行为。群体任务分配的优化与协调基于个体 强调基于局部的交互式作用（元机制：刺激-响 对环境的动态反应来实现。其中的交互机制是决 应、激发-抑制、角色-匹配)，具有良好的动态适 定其动态反应和决策的基础，角色-匹配狼群劳 应性，显示出广阔的应用前景。 动分工模型同源于自然群体的生物学行为分析， 本文基于对狼群生物学行为的深人剖析，研 以自然狼群中真实存在的“个体-环境”+“个体 究狼群如何依靠多样化的智能行为，得以在严酷 -个体”交互规则为基础，以虚拟吸引力和虚拟排 的环境中成功生存和进化。分析得出其多样化的 斥力分别量化评价2种交互方式，由虚拟力的相 群体智能行为的完成，归因于高效的劳动分工、 对作用来实现个体角色转换和任务调整。其“个 信息感知与交互、环境学习与认知、主动响应变 体-个体”+“个体-环境”的交互方式既能使个体 行为快速适应环境或任务变化，又能保证对群体 化的能力。同时，本文阐述了蚁群刺激-响应，蜂 内部扰动的动态响应。 群激发-抑制，狼群角色-匹配3种群智能劳动分 目前，蜂群刺激-响应模型和蚁群激发-抑制 工模型的同根同源性和差异性，所研究的角色 模型均已被成功应用于任务分配、空间分配、区 匹配狼群劳动分工模型具有角色行为多型特点， 域覆盖、时间分配等领域03。相关应用也表明， 该项研究提供了一种柔性化的自底向上(bottom- 相对于其他方法，这些模型具有计算简单、无需 up)的普适性群智能方法，为复杂系统任务分配 迭代、动态适应性强等诸多优势，对动态环境下 问题研究提供了一种新思路。 的复杂系统分配问题的即时响应求解具有新的启 今后的研究主要从机理分析和应用扩展2个 发意义。 方面着手：1)角色-匹配的狼群劳动分工模型还 处于初步探索阶段，其中涉及的多Agent交互机 5结束语 理、协作分配机制、问题适用性、求解复杂度等方 令人惊叹的生物群智能给予了人类很多启 面还有待深入研究：2)将重点关注任务分配现实 示。蚁群优化算法、粒子群优化算法、蜂群优化 问题的应用，潜在应用领域包括军事领域的群机 算法等即是启发于生物群智能，基于迭代寻优、 器人协同搜索、目标跟踪、围捕、搜救和察打任务 关联求解思路的群智能优化方法在求解静态优化 分配，工业生产领域的机器任务调度，物流领域 和有限动态优化问题时取得了较好的效果。但对 的车辆任务调配等
体−环境交互规则为基础，由个体感知到的任务 需求刺激和个体响应刺激的内部阈值来共同决定 个体是否执行任务。蜂群激发−抑制模型以个体− 个体交互规则为基础，个体内生长激素 (激发 剂) 和同伴对其传递的保幼激素 (抑制剂) 来调节 其发育情况，进而直接影响其执行任务的类型。 单一的交互规则尽管简单，却很难反应群体真实 的行为组织影响因素，因此，实际应用中需根据 问题设计相关因子来弥补单一交互规则的不足。 角色−匹配狼群劳动分工模型与前述 2 种模 型既同根同源 (均属于群智能劳动分工方法体 系)，又有其自身特点。表 1 通过比较分析，列出 了狼群角色−匹配模型、蚁群刺激−响应模型和蜂 群激发−抑制模型 3 种群智能劳动分工模型的对 比情况。 表 1 3 种群智能劳动分工模型的比较分析 Table 1 Analogical analysis of three swarm intelligent labor division models 模型 生物原型 多态类型 交互方式 基本要素 刺激−响应模型 蚁群 形态行为多型 个体−环境 任务刺激强度、个体响应阈值、任务执行概率 激发−抑制模型 蜂群 时间行为多型 个体−个体 个体发育激发剂、个体发育抑制剂、个体生理年龄 角色匹配模型 狼群 角色行为多型 “个体−个体”+“个体−环境” 任务对个体的虚拟吸引力、个体对任务的 虚拟排斥力、个体角色状态 由表 1 可以看出，群智能劳动分工模型都是 基于对不同生物群体劳动分工机制的深入分析而 建立的，一定程度上能模拟实现生物群体通过个 体的局部感知和交互反应作用进而涌现整体的自 组织行为。群体任务分配的优化与协调基于个体 对环境的动态反应来实现。其中的交互机制是决 定其动态反应和决策的基础，角色−匹配狼群劳 动分工模型同源于自然群体的生物学行为分析， 以自然狼群中真实存在的“个体−环境”+“个体 −个体”交互规则为基础，以虚拟吸引力和虚拟排 斥力分别量化评价 2 种交互方式，由虚拟力的相 对作用来实现个体角色转换和任务调整。其“个 体−个体”+“个体−环境”的交互方式既能使个体 行为快速适应环境或任务变化，又能保证对群体 内部扰动的动态响应。 目前，蜂群刺激−响应模型和蚁群激发−抑制 模型均已被成功应用于任务分配、空间分配、区 域覆盖、时间分配等领域[30-33]。相关应用也表明， 相对于其他方法，这些模型具有计算简单、无需 迭代、动态适应性强等诸多优势，对动态环境下 的复杂系统分配问题的即时响应求解具有新的启 发意义。 5 结束语 令人惊叹的生物群智能给予了人类很多启 示。蚁群优化算法、粒子群优化算法、蜂群优化 算法等即是启发于生物群智能，基于迭代寻优、 关联求解思路的群智能优化方法在求解静态优化 和有限动态优化问题时取得了较好的效果。但对 于非结构、大规模、不可预测的动态优化、动态调 度和分配问题却越来越显出颓势。以蚁群的刺激 −响应和蜂群的激发−抑制为代表的群智能劳动 分工方法，基于自然生物群体的劳动分工行为， 强调基于局部的交互式作用 (元机制：刺激−响 应、激发−抑制、角色−匹配)，具有良好的动态适 应性，显示出广阔的应用前景。 本文基于对狼群生物学行为的深入剖析，研 究狼群如何依靠多样化的智能行为，得以在严酷 的环境中成功生存和进化。分析得出其多样化的 群体智能行为的完成，归因于高效的劳动分工、 信息感知与交互、环境学习与认知、主动响应变 化的能力。同时，本文阐述了蚁群刺激−响应，蜂 群激发−抑制，狼群角色−匹配 3 种群智能劳动分 工模型的同根同源性和差异性，所研究的角色− 匹配狼群劳动分工模型具有角色行为多型特点， 该项研究提供了一种柔性化的自底向上 (bottomup) 的普适性群智能方法，为复杂系统任务分配 问题研究提供了一种新思路。 今后的研究主要从机理分析和应用扩展 2 个 方面着手：1) 角色−匹配的狼群劳动分工模型还 处于初步探索阶段，其中涉及的多 Agent 交互机 理、协作分配机制、问题适用性、求解复杂度等方 面还有待深入研究；2) 将重点关注任务分配现实 问题的应用，潜在应用领域包括军事领域的群机 器人协同搜索、目标跟踪、围捕、搜救和察打任务 分配，工业生产领域的机器任务调度，物流领域 的车辆任务调配等。 第 1 期 吴虎胜，等：群智能新研究：角色−匹配的狼群劳动分工 ·131·
·132· 智能系统学报 第16卷 参考文献： innovative computing and applications,2016,7(1): 50-59 [1]ROBINSON G E.Regulation of division of labor in insect [14]BENI G.From swarm intelligence to swarm robotics[M]. societies[J].Annual review of entomology,1992,37(1): SAHIN E.SPEARS W M.Swarm Robotics. 637-665 Berlin,Heidelberg:Springer,2004:1-9. [2]XIAO Renbin,WANG Yingcong.Labour division in [15]MECH D L.Alpha status,dominance,and division of swarm intelligence for allocation problems:a survey[J].In- labor in wolf packs[].Canadian journal of zoology,1999, ternational journal of bio-inspired computation,2018, 778:1196-1203. 12(2:71-86 [16]吴虎胜，张凤鸣，吴庐山.一种新的群体智能算 [3]肖人彬，王英聪.群智能自组织劳动分工研究进展)信 法一狼群算法)，系统工程与电子技术，2013,35(11)： 息与控制，2019,48(2)：129-139,148 2430-2438. XIAO Renbin,WANG Yingcong.Research progress of WU Husheng,ZHANG Fengming,WU Lushan.A new self-organized labor division in swarm intelligence[J].In- swarm intelligence algorithm-wolf pack algorithm[J]. formation and control,2019,48(2):129-139,148. Systems engineering and electronics,2013,35(11): [4]PARPINELLI R S,LOPES H S.New inspirations in 2430-2438. swarm intelligence:a survey[J].International journal of [17]MIRJALILI S,MIRJALILI S M,LEWIS A.Grey wolf bio-inspired computation,2011,3(1):1-16. optimizer[J].Advances in engineering software,2014,69: [5]BESHERS S N,FEWELL J H.Models of division of labor 46-61. in social insects[J].Annual review of entomology,2001, [18]PIEREZAN J,COELHO L D S.Coyote optimization al- 46(1):413-440 gorithm:a new metaheuristic for global optimization [6]王伟嘉，郑雅婷，林国政，等.集群机器人研究综述.机 problems[C]//Proceedings of 2018 IEEE Congress on 器人.2020.42(2)：232-256. Evolutionary Computation (CEC).Rio de Janeiro, WANG Weijia,ZHENG Yating,LING Guozheng,et al. Brazil:IEEE,2018. Swarm robotics:a review[J].Robot,2020,42(2):232-256 [19]WU Husheng,XIAO Renbin.Flexible wolf pack al- [7]TAN Ying,ZHENG Zhongyang.Research advance in gorithm for dynamic multidimensional knapsack prob- swarm robotics[J].Defence technology,2013,9(1):18-39. lems[J].Research,2020,2020:1762107. [8]KORSAH G A,STENTZ A,DIAS M B.A comprehens- [20]MADDEN J D.ARKIN R C.MACNULTY D R.Multi- ive taxonomy for multi-robot task allocation[].The inter- robot system based on model of wolf hunting behavior to national journal of robotics research,2013,32(12): emulate wolf and elk interactions[C]//Proceedings of 1495-1512 2010 IEEE International Conference on Robotics and Bio- [9]KHAMIS A.HUSSEIN A.ELMOGY A.Multi-robot task mimetics.Tianjin,China:IEEE,2010. allocation:a review of the state-of-the-art[M].KOUBAA [21]MARTIN J.BARJA I,LOPEZ P.Chemical scent con- A,MARTINEZ-DE DIOS J.Cooperative Robots and stituents in feces of wild Iberian wolves(Canis lupus sig Sensor Networks 2015.Studies in Computational Intelli- natus )[J].Biochemical systematics and ecology,2010, gence.Cham,Germany:Springer,2015. 38(6y1096-1102 [10]LIU Chun,KROLL A.Performance impact of mutation [22]NOWAK S.JEDRZEJEWSKI W.SCHMIDT K.et al. operators of a subpopulation-based genetic algorithm for Howling activity of free-ranging wolves(Canis lupus )in multi-robot task allocation problems[J].SpringerPlu, the Bialowieza primeval forest and the western Beskidy 2016,5(1):1361 Mountains (Poland)[J].Journal of ethology,2007,25(3): [11]GERKEY B P,MATARIC M J.A formal analysis and 231-237. taxonomy of task allocation in multi-robot systems[J]. [23]HEBERLEIN MT E,TURNER D C,RANGE F,et al.A The international journal of robotics research,2004, comparison between wolves,Canis lupus,and dogs, 23(9):939-954. Canis familiaris,in showing behaviour towards [12]WANG Jianping,GU Yuesheng,LI Xiaomin.Multi-ro- humans[J].Animal behaviour,2016,122:59-66 bot task allocation based on ant colony algorithm[J]. [24]WHITE K A J,LEWIS M A,MURRAY J D.A model for Journal of computers,2012,7(9):2160-2167. wolf-pack territory formation and maintenance[J].Journ- [13]LI Hao,XIAO Renbin,WU Husheng.Modelling for com- al of theoretical biology,1996,178(1):29-43. bat task allocation problem of aerial swarm and its solu- [25]WU Husheng,ZHANG Fengming.A uncultivated wolf tion using wolf pack algorithm[J].International journal of pack algorithm for high-dimensional functions and its ap-
参考文献： ROBINSON G E. Regulation of division of labor in insect societies[J]. Annual review of entomology, 1992, 37(1): 637–665. [1] XIAO Renbin, WANG Yingcong. Labour division in swarm intelligence for allocation problems: a survey[J]. International journal of bio-inspired computation, 2018, 12(2): 71–86. [2] 肖人彬, 王英聪. 群智能自组织劳动分工研究进展 [J]. 信 息与控制, 2019, 48(2): 129–139, 148. XIAO Renbin, WANG Yingcong. Research progress of self-organized labor division in swarm intelligence[J]. Information and control, 2019, 48(2): 129–139, 148. [3] PARPINELLI R S, LOPES H S. New inspirations in swarm intelligence: a survey[J]. International journal of bio-inspired computation, 2011, 3(1): 1–16. [4] BESHERS S N, FEWELL J H. Models of division of labor in social insects[J]. Annual review of entomology, 2001, 46(1): 413–440. [5] 王伟嘉, 郑雅婷, 林国政, 等. 集群机器人研究综述 [J]. 机 器人, 2020, 42(2): 232–256. WANG Weijia, ZHENG Yating, LING Guozheng, et al. Swarm robotics: a review[J]. Robot, 2020, 42(2): 232–256. [6] TAN Ying, ZHENG Zhongyang. Research advance in swarm robotics[J]. Defence technology, 2013, 9(1): 18–39. [7] KORSAH G A, STENTZ A, DIAS M B. A comprehensive taxonomy for multi-robot task allocation[J]. The international journal of robotics research, 2013, 32(12): 1495–1512. [8] KHAMIS A, HUSSEIN A, ELMOGY A. Multi-robot task allocation: a review of the state-of-the-art[M]. KOUBÂA A, MARTÍNEZ-DE DIOS J. Cooperative Robots and Sensor Networks 2015. Studies in Computational Intelligence. Cham, Germany: Springer, 2015. [9] LIU Chun, KROLL A. Performance impact of mutation operators of a subpopulation-based genetic algorithm for multi-robot task allocation problems[J]. SpringerPlu, 2016, 5(1): 1361. [10] GERKEY B P, MATARIĆ M J. A formal analysis and taxonomy of task allocation in multi-robot systems[J]. The international journal of robotics research, 2004, 23(9): 939–954. [11] WANG Jianping, GU Yuesheng, LI Xiaomin. Multi-robot task allocation based on ant colony algorithm[J]. Journal of computers, 2012, 7(9): 2160–2167. [12] LI Hao, XIAO Renbin, WU Husheng. Modelling for combat task allocation problem of aerial swarm and its solution using wolf pack algorithm[J]. International journal of [13] innovative computing and applications, 2016, 7(1): 50–59. BENI G. From swarm intelligence to swarm robotics[M]. SAHIN E, SPEARS W M. Swarm Robotics. Berlin, Heidelberg: Springer, 2004: 1–9. [14] MECH D L. Alpha status, dominance, and division of labor in wolf packs[J]. Canadian journal of zoology, 1999, 77(8): 1196–1203. [15] 吴虎胜, 张凤鸣, 吴庐山. 一种新的群体智能算 法—狼群算法 [J]. 系统工程与电子技术, 2013, 35(11): 2430–2438. WU Husheng, ZHANG Fengming, WU Lushan. A new swarm intelligence algorithm-wolf pack algorithm[J]. Systems engineering and electronics, 2013, 35(11): 2430–2438. [16] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in engineering software, 2014, 69: 46–61. [17] PIEREZAN J, COELHO L D S. Coyote optimization algorithm: a new metaheuristic for global optimization problems[C]//Proceedings of 2018 IEEE Congress on Evolutionary Computation (CEC). Rio de Janeiro, Brazil: IEEE, 2018. [18] WU Husheng, XIAO Renbin. Flexible wolf pack algorithm for dynamic multidimensional knapsack problems[J]. Research, 2020, 2020: 1762107. [19] MADDEN J D, ARKIN R C, MACNULTY D R. Multirobot system based on model of wolf hunting behavior to emulate wolf and elk interactions[C]//Proceedings of 2010 IEEE International Conference on Robotics and Biomimetics. Tianjin, China: IEEE, 2010. [20] MARTÍN J, BARJA I, LÓPEZ P. Chemical scent constituents in feces of wild Iberian wolves ( Canis lupus signatus )[J]. Biochemical systematics and ecology, 2010, 38(6): 1096–1102. [21] NOWAK S, JĘDRZEJEWSKI W, SCHMIDT K, et al. Howling activity of free-ranging wolves ( Canis lupus ) in the Białowieża primeval forest and the western Beskidy Mountains (Poland)[J]. Journal of ethology, 2007, 25(3): 231–237. [22] HEBERLEIN M T E, TURNER D C, RANGE F, et al. A comparison between wolves, Canis lupus , and dogs, Canis familiaris , in showing behaviour towards humans[J]. Animal behaviour, 2016, 122: 59–66. [23] WHITE K A J, LEWIS M A, MURRAY J D. A model for wolf-pack territory formation and maintenance[J]. Journal of theoretical biology, 1996, 178(1): 29–43. [24] WU Husheng, ZHANG Fengming. A uncultivated wolf pack algorithm for high-dimensional functions and its ap- [25] ·132· 智 能 系 统 学 报 第 16 卷
第1期 吴虎胜，等：群智能新研究：角色-匹配的狼群劳动分工 ·133· plication in parameters optimization of PID XIAO Renbin,WANG Yingcong.A new approach to controller[Cl/Proceedings of the 2014 IEEE Congress on labor division in swarm intelligence for time allocation Evolutionary Computation.Beijing,China:IEEE,2014: problem[J].CAAI transactions on intelligent systems, 1477-1482. 2019,14(3):438-448. [26]BONABEAU E.THERAULAZ G.DENEUBOURG JL. [32]WANG Yingcong,XIAO Renbin,WANG Huimin.A Quantitative study of the fixed threshold model for the flexible labour division approach to the polygon packing regulation of division of labour in insect societies.Pro- problem based on space allocation[J].International journ- ceedings of the royal society of London.series B:biolo- al of production research,2017,55(11):3025-3045. gical sciences,1996,263(1376):1565-1569. [33]曹勇，肖人彬.蜂群激发抑制与刺激响应相结合的群机 [27]BESHERS S N,HUANG Z Y,OONO Y,et al.Social in- 器人区域覆盖算法U.复杂系统与复杂性科学，2019， hibition and the regulation of temporal polyethism in 16(4):1-12. honey bees[J].Journal of theoretical biology,2001, CAO Yong,XIAO Renbin.Swarm robot region coverage 213(3):461-479. algorithm combined with bee colony activator inhibition [28]DUARTE A,PEN I,KELLER L,et al.Evolution of self- with stimulus response[J].Complex systems and com- organized division of labor in a response threshold plexity science,2019,16(4):1-12. model[J].Behavioral ecology and sociobiology,2012, 作者简介： 66(6):947-957. 吴虎胜，副教授.主要研究方向为 [29]胡亮.基于激发抑制的群智能劳动分工方法求解动态 群智能、无人系统及其作战运用、军事 分配问题D]武汉：华中科技大学，2019 装备论证。主持国家自然科学基金 军内装备科研等省部级以上项目 HU Liang.Solving dynamic allocation problems by activ- 10余项。发表学术论文30余篇。 ator-inhibitor based labor division approach in swarm in- telligence[D].Wuhan:Huazhong University of Science and Technology,2019. [30]WU Husheng,LI Hao,XIAO Renbin,et al.Modeling and 肖人彬，教授，博士生导师.主要 研究方向为群智能、涌现计算、复杂系 simulation of dynamic ant colony's labor division for task 统建模与仿真。主持国家级项目多 allocation of UAV swarm[].Physica A:statistical mech- 项，获得教育部、湖北省自然科学奖和 anics and its applications,2018,491:127-141. 科技进步奖5项。发表学术论文 [31]肖人彬，王英聪.一种面向时间分配问题的群智能劳动 200余篇，入选Elsevier“中国高被引 分工新方法J.智能系统学报，2019.14(3)：438-448. 学者”榜单
plication in parameters optimization of PID controller[C]//Proceedings of the 2014 IEEE Congress on Evolutionary Computation. Beijing, China: IEEE, 2014: 1477–1482. BONABEAU E, THERAULAZ G, DENEUBOURG J L. Quantitative study of the fixed threshold model for the regulation of division of labour in insect societies[J]. Proceedings of the royal society of London. series B: biological sciences, 1996, 263(1376): 1565–1569. [26] BESHERS S N, HUANG Z Y, OONO Y, et al. Social inhibition and the regulation of temporal polyethism in honey bees[J]. Journal of theoretical biology, 2001, 213(3): 461–479. [27] DUARTE A, PEN I, KELLER L, et al. Evolution of selforganized division of labor in a response threshold model[J]. Behavioral ecology and sociobiology, 2012, 66(6): 947–957. [28] 胡亮. 基于激发抑制的群智能劳动分工方法求解动态 分配问题 [D]. 武汉: 华中科技大学, 2019. HU Liang. Solving dynamic allocation problems by activator-inhibitor based labor division approach in swarm intelligence[D]. Wuhan: Huazhong University of Science and Technology, 2019. [29] WU Husheng, LI Hao, XIAO Renbin, et al. Modeling and simulation of dynamic ant colony's labor division for task allocation of UAV swarm[J]. Physica A: statistical mechanics and its applications, 2018, 491: 127–141. [30] 肖人彬, 王英聪. 一种面向时间分配问题的群智能劳动 分工新方法 [J]. 智能系统学报, 2019, 14(3): 438–448. [31] XIAO Renbin, WANG Yingcong. A new approach to labor division in swarm intelligence for time allocation problem[J]. CAAI transactions on intelligent systems, 2019, 14(3): 438–448. WANG Yingcong, XIAO Renbin, WANG Huimin. A flexible labour division approach to the polygon packing problem based on space allocation[J]. International journal of production research, 2017, 55(11): 3025–3045. [32] 曹勇, 肖人彬. 蜂群激发抑制与刺激响应相结合的群机 器人区域覆盖算法 [J]. 复杂系统与复杂性科学, 2019, 16(4): 1–12. CAO Yong, XIAO Renbin. Swarm robot region coverage algorithm combined with bee colony activator inhibition with stimulus response[J]. Complex systems and complexity science, 2019, 16(4): 1–12. [33] 作者简介： 吴虎胜，副教授，主要研究方向为 群智能、无人系统及其作战运用、军事 装备论证。主持国家自然科学基金、 军内装备科研等省部级以上项目 10 余项。发表学术论文 30 余篇。 肖人彬，教授，博士生导师，主要 研究方向为群智能、涌现计算、复杂系 统建模与仿真。主持国家级项目多 项，获得教育部、湖北省自然科学奖和 科技进步奖 5 项。发表学术论文 200 余篇，入选 Elsevier “中国高被引 学者”榜单。 第 1 期 吴虎胜，等：群智能新研究：角色−匹配的狼群劳动分工 ·133·
