自然界中广泛存在着群体智能现象。从蚁群依托信息素介导的路径优化机制实现最短觅食路径选择，到蜂群通过“摇摆舞”信息传递完成高效筑巢与分蜂的群体决策；从鸟类种群基于局部邻域交互规则形成协同飞行编队，再到微生物群体借助群体感应等信号通路构建抗逆性生物膜、实现资源竞争与生存策略协同；这种由多个简单智能个体通过自组织博弈交互，涌现出高效、协调的群体智能的行为广泛存在于自然界不同营养级、不同生物类群的群体行为之中。

群体智能行为的演化机理正逐步渗透到多智能体复杂系统的分析、优化、博弈与控制等关键领域，成为设计高智能自主无人系统的核心环节。同时，群体智能理论作为人工智能领域的重要基础分支，也被列入我国《新一代人工智能发展规划》纲要中，是推动新一代人工智能技术创新突破的核心理论之一。

在传统群体智能行为研究中，系统中智能个体间的博弈交互结构通常被简化为不随时间变化的静态复杂网络。然而在实际系统中，个体之间的博弈交互结构往往处于动态演化中，且可发生在两个体或多个体之间（图1）。如何揭示动态网络化博弈场景中群体智能行为的演化机理、调控群体博弈策略的演化，是当今系统科学、博弈论、控制理论、人工智能等前沿交叉科学研究中的开放性难题。

图1. 动态网络上的群体博弈策略演化

针对这一挑战，李阿明课题组通过采用传统静态复杂网络中节点的度来刻画个体博弈对象集合的规模，以动态复杂网络刻画个体在不同时刻的博弈交互结构，建立了静态与动态复杂网络上博弈策略演化的统一理论框架。基于该框架，他们给出了适用于一般动态网络化博弈场景中的群体最优策略涌现的理论条件，揭示了群体智能行为的演化机理。研究发现，为保证群体最优策略的涌现，采取群体最优策略的个体在动态网络中随时间累积的博弈收益应高于这些个体在对应静态网络上的二阶邻居的累积收益，且智能个体早期博弈交互结构在策略演化过程中起到更关键的作用。

进一步，他们发现为促进群体最优策略演化，应降低博弈对象较多的个体在动态博弈中的交互优先级。基于此，他们提出了调控动态网络上群体最优策略演化的方法，并建立了定量刻画个体交互优先级的指标，用以优化和设计真实动态场景中的博弈对象和博弈顺序。他们同时验证了该方法在更为一般的高阶动态网络（图2A）和基于真实交互数据所构建的动态网络（图2B-E）上的有效性。

图2. 真实动态网络上的博弈顺序优化设计方法

该研究突破了传统演化博弈理论框架仅适用于静态复杂网络的限制，揭示了博弈场景中群体智能行为演化机理，阐明了动态复杂网络在提升群体最优策略演化中的关键作用，为面向真实动态场景中的自主无人系统的博弈策略设计与调控提供了新的思路。相关成果近期以“Promoting collective cooperation through temporal interactions”为题发表在PNAS上。李阿明课题组博士研究生孟瑶为该论文第一作者，李阿明为通讯作者，合作者为北卡罗来纳大学教堂山分校Alex McAvoy助理教授。该研究得到国家自然科学基金，科技部重点研发计划青年科学家项目等的支持。

原文链接：https://doi.org/10.1073/pnas.2509575122