Динамическая адаптация топологии связи в роботизированных роях на основе локальной k -связности графа

Обеспечение устойчивости коммуникационной структуры роботизированных роев при ограниченном радиусе связи требует разработки эффективных механизмов адаптации топологии взаимодействий между агентами. В условиях динамически изменяющейся среды традиционные подходы с фиксированной топологией оказываются недостаточно надежными, что требует адаптивных решений, работающих без глобальной информации о сети. Работа посвящена исследованию метода динамического управления графом связности на основе показателя локальной k-связности узлов, характеризующего минимальное число агентов, удаление которых приводит к изоляции данного узла от остальной сети. Предложен алгоритм выбора управляющих агентов по критерию степенной центральности с учетом структуры связных компонент графа, реализованный в модульной программной среде для воспроизводимого тестирования на моделях двойного интегратора и квадрокоптеров. Вычисления выполняются децентрализованно на основе локальных измерений, что минимизирует нагрузку на каналы связи и обеспечивает масштабируемость при росте численности группы. Экспериментальное исследование на системах размером от 10 до 100 агентов показало, что применение адаптивного подхода повышает вероятность сохранения связности с 64 до 88 % при наличии 20 % вредоносных агентов в разреженных топологиях; среднее значение локальной k-связности увеличивается с 2,3 до 3,8 для топологии k ближайших соседей при k = 3. Анализ вычислительной сложности подтвердил масштабируемость метода, время обновления графа составило 15...45 мс для систем, содержащих до 100 агентов, при частоте дискретизации 20 Гц. Низкие задержки расчета топологии позволяют встраивать алгоритм в контуры реального времени бортовых контроллеров микроБПЛА и наземных платформ. В перспективе метод может быть дополнен моделями задержек передачи данных и кинематическими ограничениями реальных роботов для перехода к полевым испытаниям. Результаты вносят вклад в теорию децентрализованного управления распределенными системами и обеспечивают основу для проектирования отказоустойчивых архитектур роботизированных роев.

1. Tang R., Tang J., Talip M. S. А., Halid F., Jusoh J. A., Ferdaus M. M., Ismail А. R. Enhanced multi agent coordination algorithm for drone swarm patrolling in durian orchards // Scientific Reports. 2025. Vol. 15, N. 1. P. 9139. DOI: 10.1038/s41598-025-88145-7.

2. Романов А. М. Обеспечение масштабирования и заданного уровня отказоустойчивости систем управления роботов // Вестник МГТУ им. Н. Э. Баумана. Сер. Приборостроение. 2023. № 2. С. 12—25

3. Белкин У. В., Приходский А. А., Сериков С. А. Разработка и оценка алгоритмов децентрализованного управления роями роботов в сценариях ликвидации последствий чрезвычайных ситуаций // Известия Волгоградского государственного технического университета. 2025. № 4 (299). С. 12—15. DOI 10.35211/1990-5297-2025-4-299-12-15.

4. Белкин У. В., Приходский А. А., Сериков С. А. Совершенствование методов децентрализованного управления роем роботов для реагирования на чрезвычайные ситуации: алгоритм рассредоточения // Качество и жизнь. 2025. № 2 (46). С. 63—70.

5. Sabattini L., Chopra N., Secchi C. Decentralized Connectivity Maintenance for Cooperative Control of Mobile Robotic Systems // The International Journal of Robotics Research. 2013. Vol. 32, N. 12. P. 1411—1423. DOI: 10.1177/0278364913499085.

6. Reynolds C. W. Flocks, Herds, and Schools: А Distributed Behavioral Model // Computer Graphics (SIGGRAPH ‘87 Conference Proceedings). 1987. Vol. 21, N. 4. P. 25—34. DOI: 10.1145/37402.37406.

7. Olfati-Saber R. Flocking for Multi-Agent Dynamic Systems: Algorithms and Theory // IEEE Transactions on Automatic Control. 2006. Vol. 51, N. 3. P. 401—420. DOI: 10.1109/TAC.2005.864190.

8. Chen G., Duan Z. Network synchronizability analysis: А graph-theoretic approach // Chaos: An Interdisciplinary Journal of Nonlinear Science. 2008. Vol. 18, N. 3. P. 037102. DOI: 10.1063/1.2965530.

9. Li Y., Huang Y., Feng J., Chen Z. Multiagent Reinforcement Learning Based on Structural Coordination // Tsinghua Science and Technology. 2025. Vol. 30, N. 3. P. 278—291. DOI: 10.26599/TST.2025.9010043.

10. Baltes J., Akbar I., Saeedvand S. Cooperative dual-actor proximal policy optimization algorithm for multi-robot complex control task // Advanced Engineering Informatics. 2025. Vol. 63. P. 102960. DOI: 10.1016/j.aei.2024.102960.

11. Kargar E., Kyrki V. MACRPO: Multi-agent cooperative recurrent policy optimization // Frontiers in Robotics and AI. 2024. Vol. 11. P. 1394209. DOI: 10.3389/frobt.2024.1394209.

12. Ян Ш., Филимонов Н. Б. Проблемы консенсуса мультиагентных систем: состояние и перспективы // Высокопроизводительные вычислительные системы и технологии. 2025. Т. 9, № 1. С. 197—207.

13. He C., Feng Z., Ren Z. А flocking algorithm for multiagent systems with connectivity preservation under hybrid metrictopological interactions // PLOS ONE. 2018. Vol. 13, N. 2. P. e0192987. DOI: 10.1371/journal.pone.0192987.

14. Tarjan R. E. Depth-first search and linear graph algorithms // SIAM Journal on Computing. 1972. Vol. 1, N. 2. P. 146—160. DOI: 10.1137/0201010.

15. Freeman L. C. Centrality in social networks conceptual clarification // Social Networks. 1978. Vol. 1, N. 3. P. 215—239. DOI: 10.1016/0378-8733(78)90021-7.

16. Ji M., Egerstedt M. Distributed Coordination Control of Multiagent Systems While Preserving Connectedness // IEEE Transactions on Robotics. 2007. Vol. 23, N. 4. P. 693—703. DOI: 10.1109/TRO.2007.900638.

17. Dimarogonas D. V., Johansson K. H. Decentralized connectivity maintenance in mobile networks with bounded inputs // IEEE International Conference on Robotics and Automation. 2008. P. 1507—1512. DOI: 10.1109/ROBOT.2008.4543418.

18. Albert R., Jeong H., Barab si А. L. Error and attack tolerance of complex networks // Nature. 2000. Vol. 406. P. 378—382. DOI: 10.1038/35019019.

19. Beineke L. W., Oellermann O. R., Pippert R. E. The average connectivity of a graph // Discrete Mathematics. 2002. Vol. 252, N. 1—3. P. 31—45. DOI: 10.1016/S0012-365X(01)00180-7.

20. Cao Y., Ren W. Distributed Coordinated Tracking With Reduced Interaction via a Variable Structure Approach // IEEE Transactions on Automatic Control. 2012. Vol. 57, N. 1. P. 33—48. DOI: 10.1109/TAC.2011.2146830.

21. Gerdpratoom N., Yamamoto K. Decentralized nonlinear model predictive control-based flock navigation with real-time obstacle avoidance in unknown obstructed environments // Frontiers in Robotics and AI. 2025. Vol. 12. P. 1540808. DOI: 10.3389/frobt.2025.1540808.

22. Wang L., Ames A. D., Egerstedt M. Safety Barrier Certificates for Collisions-Free Multirobot Systems // IEEE Transactions on Robotics. 2017. Vol. 33, N. 3. P. 661—674. DOI: 10.1109/TRO.2017.2659727.

23. Hildenbrandt H., Carere C., Hemelrijk C. K. Self-organized aerial displays of thousands of starlings: a model // Behavioral Ecology. 2010. Vol. 21, N. 6. P. 1349—1359. DOI: 10.1093/beheco/arq149.

24. Dey S., Xu Н. Distributed Adaptive Flocking Control for Large-Scale Multiagent Systems // IEEE Transactions on Neural Networks and Learning Systems. 2025. Vol. 36. P. 3126—3135. DOI: 10.1109/TNNLS.2024.3456789.