Consensus Tracking of Perturbed Open Multi-Agent Systems with Repelling Antagonistic Interactions
本文通过将开放多智能体系统中受迁移诱导扰动和排斥对抗交互影响的一致性跟踪问题建模为受扰多模态多维系统，并证明在特定网络切换条件下可实现最终有界或渐近跟踪，从而解决了该问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一群鸟、一群无人机，或一列自动驾驶汽车。在理想世界中，它们都和谐地协同移动，跟随一个领导者。这就是工程师所称的“多智能体系统”。
但本文聚焦于一个更混乱、更现实的版本：开放多智能体系统（OMAS）。这就像一条繁忙的高速公路或一个拥挤的舞池。智能体（汽车或舞者）不断加入群体，又不断离开。有时一辆新车汇入；有时一辆车撞出。由于群体规模始终在变化，连接它们的“网络”也不断地开启和关闭。
本文的研究人员提出了一个严峻的问题：如果这个混乱、变化的群体同时遭受攻击或干扰，会发生什么？
他们考察了两种特定类型的干扰：
- 排斥性对抗交互：想象一下，不是相互帮助，而是某些智能体开始互相推离。在网络中，这就像一种“坏连接”或“破坏性链路”，试图将群体拆散，而非将其维系在一起。
- 持续性扰动：想象智能体不断受到外部力量的推撞——如阵风、路面颠簸或数字噪声——这些扰动从未完全消失。
核心问题：“推”与“拉”
作者发现，如果“推离”（排斥）的力量强于“维系”（合作）的力量，整个系统就会变得不稳定。无论网络是否连通，只要坏连接占主导，群体就会自然分崩离析或陷入失控。
解决方案：“拔河”策略
那么，如何防止一个不断变化、相互推撞、有时甚至彼此对抗的群体分崩离析？
作者提出了一套规则，规定网络应如何在不同状态之间切换。他们使用了一个称为“分段平均驻留时间”的概念。
这里有一个简单的类比：
想象智能体们正在玩一场“拔河”游戏。
- 好队伍（稳定模式）：这是网络健康的时刻，连接以正向为主。绳子被拉向领导者。
- 坏队伍（不稳定模式）：这是网络被破坏的时刻，存在过多的“排斥”连接。绳子被拉离领导者，或队伍正在分崩离析。
本文证明，即使坏队伍很强，你仍然可以赢得比赛（实现“一致性跟踪”，即所有人始终靠近领导者），只要遵循两条规则：
- 比例规则：好队伍必须比坏队伍拉动更长的时间。不能让坏队伍拉动太久，否则绳子会断。
- 切换规则：你不能过于频繁地在好队伍和坏队伍之间切换。你需要在“好队伍”模式下停留至少一段时间，让群体恢复并稳定下来，然后再切换。
结果：两种情景
本文根据扰动的“强度”展示了两种不同的结果：
情景 A：嘈杂、颠簸的世界（非消失扰动）
如果外部颠簸和“推离”力量从未完全停止，智能体将永远无法与领导者达到“完美”接近。然而，本文证明它们将保持在“安全、可预测的距离”之内。它们可能会抖动和跳跃，但不会 runaway。它们实现了所谓的“最终有界一致性”。- 类比：想象一群人试图在一条直线上行走，同时不断被人群推挤。他们不会走出一条完美的直线，但会保持在一个紧密的集群中，不会走散。
情景 B：逐渐平息的世界（消失扰动）
如果外部颠簸最终停止，且“推离”力量逐渐消散，智能体可以实现“完美、渐近的一致性”。它们最终将与领导者完美对齐。- 类比：一旦人群停止推挤，群体自然平滑下来，排成一条完美的直线。
为何重要（根据本文）
作者构建了一个新的数学框架（称为 M3D 系统），以处理这种规模变化、坏连接和持续噪声的特定组合。他们表明，即使在网络时而断裂或断开的混乱环境中，只要“好”连接在时间上主导“坏”连接，群体仍能运作并跟随领导者。
简而言之：即使你的团队不断变化、受到推撞，并偶尔发生冲突，只要你们花足够多的时间协同工作，而不过多时间彼此对抗，你们仍然可以赢得比赛。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。