傳統(tǒng)設(shè)計方法的另一種可替代性方法是將機器人組織成一個執(zhí)行預(yù)定任務(wù)的自組織系統(tǒng)。因此，機器人通過簡單的局部交互實現(xiàn)了全局系統(tǒng)行為，而無需集中控制。正如自然界中的許多例子所展示的那樣，簡單的交互規(guī)則可以出現(xiàn)相當(dāng)復(fù)雜的行為，同時能夠針對干擾和故障展現(xiàn)出可擴展性和魯棒性。這將使得簡單的控制系統(tǒng)，例如特定的機器人，身上具有一個小型的人工神經(jīng)網(wǎng)絡(luò)（ANN）。

　　一種顯示輸入、輸出和隱藏神經(jīng)元組的神經(jīng)網(wǎng)絡(luò)的可能性布線方式。其中，粗線表示用更為強健的權(quán)重進行的連接，而權(quán)重較輕的連接則用灰色線表示。

　　不幸的是，現(xiàn)在還沒有一個直接的方法能夠設(shè)計這些規(guī)則，從而使整個系統(tǒng)顯示出所需的屬性。通常而言，這一新興服務(wù)是很難甚至是無法對其進行預(yù)測的。因此，對于系統(tǒng)設(shè)計人員來說，找到一組能夠使整個系統(tǒng)展現(xiàn)出所需屬性的規(guī)則是一項巨大且艱難的挑戰(zhàn)。主要問題在于，一個參數(shù)的微小變化可能會導(dǎo)致意想不到、甚至是違反直覺的結(jié)果。

　　要想設(shè)計一個具有所需新興行為的自組織系統(tǒng)，關(guān)鍵是要為系統(tǒng)組件（智能體）的行為找到局部規(guī)則，從而在系統(tǒng)規(guī)模上生成預(yù)期的行為。在大多數(shù)情況下，這需要進行大量的實驗和反復(fù)的試錯才能夠成功，而且在這個過程中，如果系統(tǒng)具有高度復(fù)雜性，那么效率將會非常低，甚至是不可能完成的。由于參數(shù)之間的意外依賴性關(guān)系，參數(shù)密集型系統(tǒng)也會受到結(jié)果的不可預(yù)測性影響。

使用不同I / O接口的人工神經(jīng)網(wǎng)絡(luò)（ANN）進行比賽的結(jié)果顯示

　　在本文中，我們討論了進化方法在設(shè)計自組織機器人團隊的基于人工神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)中的應(yīng)用。具體來說，我們對神經(jīng)控制器和機器人之間的界面設(shè)計進行了處理，并詳細說明適應(yīng)度函數(shù)（fitness function）參數(shù)對結(jié)果的特殊影響。作為該方法的案例研究，我們描述了模擬足球機器人的神經(jīng)控制程序的演變過程。

　　我們已經(jīng)描述了一種用于協(xié)同機器人團隊進化神經(jīng)網(wǎng)絡(luò)控制器的方法。給定一個總體目標(biāo)函數(shù)，我們使用進化算法，演化出神經(jīng)網(wǎng)絡(luò)控制器的特定權(quán)重和偏差。因此，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)對感官輸入進行解釋以控制機器人執(zhí)行器，并根據(jù)有利于給定任務(wù)的策略行為進行行動。該方法是非常靈活的，可以應(yīng)用于各種各樣的問題，但它依賴于一個足夠精確的模擬，以及一個能夠為進化算法提供必要梯度的適應(yīng)度函數(shù)。

模擬足球機器人比賽中，一組用于檢測球的輸入神經(jīng)元

　　在案例研究中，我們已經(jīng)對模擬足球機器人的控制行為進行了演化，從而協(xié)同性地贏得足球比賽。經(jīng)過數(shù)百次的生成之后，一個團隊的球員能夠采取有用的行為方式。與相關(guān)研究工作形成對比的是，這些球員并沒有演變成諸如后衛(wèi)、中場或前鋒這樣先驗定義的角色，但他們都有一個相同的神經(jīng)網(wǎng)絡(luò)控制器的實例。但是，在比賽期間，球員會根據(jù)他們所處的情況狀態(tài)而表現(xiàn)出不同的行為。因此，與生物系統(tǒng)類似，實體會以一種自組織的方式指定不同的角色。但由于這些實體是相同的，所以該系統(tǒng)對一些實體的失敗具有很高的魯棒性。

　　在實驗中，我們研究了各種因素可能會對結(jié)果造成的影響，結(jié)果顯示，最重要的因素是神經(jīng)網(wǎng)絡(luò)與傳感器/執(zhí)行器之間的接口設(shè)計。雖然從理論上來說，人工神經(jīng)網(wǎng)絡(luò)可以采用不同的傳感器/執(zhí)行器接口表示方式，但是找到一個對于人工神經(jīng)網(wǎng)絡(luò)來說具有較低“認知復(fù)雜度”的接口是很有必要的，在我們的例子中，這是一個傳感器和預(yù)期的機器人運動的簡單直角坐標(biāo)表示（cartesian representation）。除此之外，我們還分析了使用不同大小和類型的人工神經(jīng)網(wǎng)絡(luò)所產(chǎn)生的影響。雖然神經(jīng)元的數(shù)量對性能表現(xiàn)的影響最小，但這種表示類型主要是有利于完全連接的網(wǎng)絡(luò)類型。

　　未來，我們打算對所生成解決方案的魯棒性和容錯性進行評估。此外，我們的系統(tǒng)對表示（例如，使用不同的控制器類型）、優(yōu)化方法和問題定義（例如，將方法應(yīng)用于不同的問題域）呈現(xiàn)一個開放的狀態(tài)，而該領(lǐng)域仍具有很大的發(fā)展空間。