導語：對一組自組織機器人的神經網絡控制器進行進化。這個2010年的研究成果使用一種自玩比賽的選擇對一組協同智能體進行進化，他們組織進行一個模擬的足球游戲。僅僅通過500次的生成之后，一個較為理想的策略就出現了。

　　自組織系統通過在大量的組件或智能體之間進行典型的簡單局部交互，從而獲得例如全局系統行為。這一新興服務（emergent service）通常表現出適應性、魯棒性和可擴展性等屬性，這使得自組織范式對于像協同自主機器人（cooperative autonomous robots）這樣的技術應用程序具有至關重要的作用。可以這樣說，局部交互的行為往往很簡單，但通常很難對正確的交互規則集進行定義以實現所需的全局行為。在本文中，我們描述了一種全新的設計方法，它使用一種進化算法和人工神經網絡對設計過程中需要大部量研究工作的部分進行自動化處理。我們實施了一場模擬機器人足球比賽，從而對所提出的方法進行測試和評估。我們還引入了一種能夠與該方法相媲美的新方法，它采用Swiss System而不是完整的比賽以減少必要的模擬次數。

　　由多個自主移動機器人所組成的系統，這一概念之所以具有吸引力，原因如下：多個協同機器人將能夠以更好的性能表現或以更低的成本完成任務。此外，相較于執行相同任務的單個強大機器人，松散耦合的分布式系統往往更具有魯棒性，也更加靈活。移動機器人協同交互的好處可能是一項新興的服務，即一個漸進的結果，它遠不止是個體努力的總和。因此，一群機器人從而可以建立一個自組織系統。

　　FREVO框架的組成部分：通過進化算法對智能體表示進行優化，以最大化給定問題的適應度

　　在過去的幾十年里 ，機器人技術的不斷發展為我們提供了大量小型的、廉價的自主設備硬件。然而，設計機器人之間的行為和交互仍然是一項非常復雜的任務。使用具有固定任務分解和分配的標準自頂向下設計方法通常會導致系統僅適用于一小部分參數。另一方面，像變化的環境或硬件故障等影響往往需要一個具有魯棒性且靈活的解決方案，從而為許多可能的系統狀態提供有用的服務。