导语：对一组自组织机器人的神经网络控制器进行进化。这个2010年的研究成果使用一种自玩比赛的选择对一组协同智能体进行进化，他们组织进行一个模拟的足球游戏。仅仅通过500次的生成之后，一个较为理想的策略就出现了。

　　自组织系统通过在大量的组件或智能体之间进行典型的简单局部交互，从而获得例如全局系统行为。这一新兴服务（emergent service）通常表现出适应性、鲁棒性和可扩展性等属性，这使得自组织范式对于像协同自主机器人（cooperative autonomous robots）这样的技术应用程序具有至关重要的作用。可以这样说，局部交互的行为往往很简单，但通常很难对正确的交互规则集进行定义以实现所需的全局行为。在本文中，我们描述了一种全新的设计方法，它使用一种进化算法和人工神经网络对设计过程中需要大部量研究工作的部分进行自动化处理。我们实施了一场模拟机器人足球比赛，从而对所提出的方法进行测试和评估。我们还引入了一种能够与该方法相媲美的新方法，它采用Swiss System而不是完整的比赛以减少必要的模拟次数。

　　由多个自主移动机器人所组成的系统，这一概念之所以具有吸引力，原因如下：多个协同机器人将能够以更好的性能表现或以更低的成本完成任务。此外，相较于执行相同任务的单个强大机器人，松散耦合的分布式系统往往更具有鲁棒性，也更加灵活。移动机器人协同交互的好处可能是一项新兴的服务，即一个渐进的结果，它远不止是个体努力的总和。因此，一群机器人从而可以建立一个自组织系统。

　　FREVO框架的组成部分：通过进化算法对智能体表示进行优化，以最大化给定问题的适应度

　　在过去的几十年里 ，机器人技术的不断发展为我们提供了大量小型的、廉价的自主设备硬件。然而，设计机器人之间的行为和交互仍然是一项非常复杂的任务。使用具有固定任务分解和分配的标准自顶向下设计方法通常会导致系统仅适用于一小部分参数。另一方面，像变化的环境或硬件故障等影响往往需要一个具有鲁棒性且灵活的解决方案，从而为许多可能的系统状态提供有用的服务。