无人机系统（UAS）是近期颠覆性技术的最佳范例之一，理所当然地成为无数新型军事和民用应用的主力军。无人机系统技术已经发展到这样一个地步：从后勤角度看，部署成群的无人机系统是一项合理可行的活动。然而，完全自主和分布式地控制这些无人机蜂群仍然遥不可及。特别是，如果蜂群成员或它们所支持的其他网络节点处于通信断开状态，那么蜂群的协调工作就会变得尤为困难。此类研发活动的高风险性质和潜在危险后果也使其实施极为罕见。此外，从自动化设计和部署的角度来看，算法的可扩展性问题依然存在。本论文旨在通过模拟和机器人现场实验解决这些问题，利用生物启发和强化学习方法为常见的无人机系统应用生成蜂群控制方案。

在论文的技术部分中，第 4 章至第 6 章提出了几种新型蜂群控制算法，以支持通信和其他基于位置的任务。通过对由此产生的新兴行为进行数学分析，可以深入了解协调是如何发生的。论文进一步研究了这些算法适应不同环境条件的方式，如通信连接、蜂群规模和角色要求。第 7 章和第 8 章从自动算法设计和实际通信的角度探讨了蜂群的可扩展性问题。前者表明，通过多智能体强化学习架构生成的控制策略的移植取决于智能体观察环境的方式；据作者所知，这是首个此类结果。这一结果允许部署大型蜂群，而无需训练其所有成员。在后者中，随着通信信道拥塞程度的增加，出现行为的崩溃也会随之加剧，从而为衡量此类算法中的出现行为提供了新的衡量标准。

作为一项完整的工作，本论文通过模拟和数学分析，为推动自主蜂群控制的现状做出了多项贡献。在可行的情况下，还在真实系统上进行了实验，以进一步验证现实世界中的结果。这些贡献的一个理想结果是提高了利用蜂群控制的系统的可信自主性。