基于群体智能的传感节点注意力聚焦

最新推荐文章于 2025-12-01 11:25:32 发布

原创最新推荐文章于 2025-12-01 11:25:32 发布 · 729 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#群体智能 #注意力聚焦 #传感节点 #自组织 #分布式算法

在半自主运行的传感节点群体中集中注意力

1 引言

控制感官输入的焦点和精细程度的能力可以说是人类认知的基础，也可能毫无争议地被认为是至关重要的自主机器人领域的前沿进展。社会认知理论将能动性模式分为三种：直接（个人）模式、代理（依赖他人的行动）模式以及群体行为模式（需要社会协调和相互依赖的努力）。同样的分类也适用于认知能力较低的实体（例如细胞）或网络物理系统的集合（例如传感器）。

其中，直接指单元自身的数据生成，代理指由于邻居提供额外数据以覆盖被忽略的区域，从而使该单元能够聚焦，而群体行为则指整个单元种群的整体表现。

在生物系统中，大量细胞通常以一种每个单元独立运作但又与其邻近细胞相互反应和交互的方式共同工作。当细胞作为感觉器官中的传感节点时，这会导致多层信息处理，在大量信息最终传递给更高层次的信息处理单元（即大脑）之前，这些信息会被过滤和处理。这种高效（尽管存在偏差）的多层信号预处理对于复杂的信息物理系统可能是必要的。例如，在智慧城市中，越来越多的互联传感设备使得中央控制系统能够为民防和公共安全力量提供态势感知。

然而，任何设备（无论是生物的还是机械的）的感知能力都是有限的。提高细节水平（例如摄像头的分辨率或一组视觉感受器的焦点）意味着可覆盖的范围会减小。

在感知范围内将增加的注意力分配给多个区域或物体，几乎总是[2]会导致其他地方的数据质量下降（这仅仅是因为传感设备的总体能力是有限的）。将感知能力集中于某一区域（以牺牲其他区域的感知为代价）被称为聚焦[2]。然而，这一过程的具体机制尚未完全明确[3]。

但可以确定的是，存在一些在局部层面发生的过程，这些过程通过相邻传感节点之间的相互作用而引发变化，而另一些过程则受到来自对感知数据进行更复杂分析所产生的外部线索的影响。

我们提出了一种在局部层面进行信号预处理的简单方法。本文受到认知心理学[4]的启发。人脑对视觉信息的处理，例如，在数据到达大脑之前，会经过大量的过滤过程[4]。这需要对某些信息[5]进行选择性处理。我们知道，这种处理通过低层次分组（参见格式塔理论，[4]）以及高层线索[3]（例如，预期在面部中看到两只眼睛，对称地位于鼻子上方及周围）来实现，后者可能需要对所感知的图像进行一定程度的有意识解释。

在认知心理学中，这被称为视觉注意问题[2],[5]。研究表明，人类[6]和灵长类动物[7]能够有意识地将注意力集中在单个细胞上，但这种能力是有限的（在某些猴子中仅为≈6%[6]）；大部分注意力的聚焦发生在意识层面以下。

我们的方法基于理论生物学模型（用于蚂蚁和白蚁等社会性昆虫[8]）。该机制已成功应用于无人机小型集体的生物安全应用。

我们之前报道了相关工作，目前该工作已提交专利申请[9], in[10]。

2 背景与前期工作

2.1 范围与背景

关于动物注意力如何聚焦的理论和数学模型已有该领域的专家提出（例如，[2],[3]），本文的目的或主张并非与这些理论相竞争。我们提出的机制依赖于简单的数学运算，以驱动人工传感系统中的自组织行为。在该系统中，各个传感节点仅与其邻居相互作用，但群体行为却能确保覆盖整个频谱或区域，同时还能实现对特定区域的注意力聚焦（分辨率、测量粒度、数据质量等）。

该方法的一个重要特征是其内在的简单性，便于在计算能力非常有限的设备中实现。此外，由于该方法具有分布式特性，且设备仅对其直接邻居做出反应（有限计算成本），因此随着群体规模的增加，该方法预计具有良好的可扩展性。

受无人机群测试中表现出的优异性能启发，我们研究了该方法在应用于更大群体的半自主运行实体时的性能表现。

2.2 灵感

仿生方法已成功应用于劳动分工[11],资源分配 [12]或调度 [13]。或许在认知领域，特别是聚焦方面，一些最高效的仿生解决方案得以涌现，而这些领域正是我们传统机械式线性方法的薄弱之处。在机器人学领域，特别是在自主机器人[14],设计中，来自生物学和自组织的思想引起了日益增长的兴趣。

我们的研究受到社会性昆虫的启发，这些昆虫生活在由成千上万个个体组成的群体中。例如蜜蜂[15],、白蚁[16]或蚂蚁[17]的群体可以整体运作，并以半稳定的模式持续运行，直到发生某种催化事件[18],，引发局部行为改变，以应对该事件的影响，同时保持群体其余部分的正常运作。

这些群体行为的数学模型已成功应用于负载均衡 [19]和资源分配[12]。与我们之前的工作一致，本文研究的方法依赖于对白蚁研究获得的启示（参见[8]）。

简而言之，白蚁利用环境反馈来引导其概率性行为。换句话说，它们的决策范式可被描述为“富者愈富”或“富者变穷”。也就是说，智能体仅根据现场情况，对建筑材料的聚集进行局部增强或平衡。通过持续且多次地执行这一过程，稳定的结构模式得以形成，并在环境不变的情况下，群体行为最终趋于一种可行的（即满足约束条件的）模式。只要环境变化不过于剧烈，该群体也能适应这些变化，并整体上保持在可接受范围之内。

2.3 以往工作

在本文中，我们将上述决策范式应用于由（计算上）非常简单的感知节点组成的大规模群体。这类似于我们之前的工作，当时我们将该范式应用于更为复杂的智能体，并取得了令人鼓舞的结果。我们利用本页其余部分概述此前的研究工作，但建议感兴趣的读者参考[10]以获取技术规格和实现细节。不再赘述：

2.3.1 应用场景

一个由协作智能体组成的集群，每个智能体都拥有自己的传感设备（并具备调节该设备的能力），其任务是对单个智能体无法独自覆盖的广阔区域提供态势感知。为了控制通信开销，仅在共享某一数据流覆盖范围的智能体之间才需要进行通信。

NEC 欧洲已在新西兰研究基于无人机的动物健康控制，使用红外相机提供关于大型畜群（在野外自由活动）中个体动物体温的信息。

2.3.2 计算智能体

我们使用了能够进行室外飞行操作的定制无人机（见图 1，左）。所有基本的飞行操作和导航动态均由 Pixhawk 飞行模块执行（图1，右下），运行我们算法的机载计算机为树莓派 2（图1，右上）。自动驾驶软件支持飞行操作的仿真，使我们能够在其他树莓派上运行更多智能体实例，从而组成一个最多包含25架无人机的混合集群。

示意图0

2.3.3 实现与评估

这些无人机的构建旨在仅使用机载计算硬件对算法进行现实世界测试。各种技术和社会问题与挑战（参见[20]）使得在野外部署可部署的无人机集群极为困难，这促使我们考虑由真实设备和模拟设备组成的集群。所有设备在其各自的环境中独立运行。

物理硬件。这使我们能够进行概念验证试验，并生成[10],中呈现的数据，我们将在第4.1节中简要总结这些数据。

由于该项目的应用具有实际性质，集群中的成员虽然是相同的，但在物理上是分离的、完全独立的单元，通过虚拟专用网络上的机器人操作系统进行通信。每个软件代理独立运行，完全不知道自身的实体化（即，软件代理并不知道自己是连接到真实无人机还是无人机的仿真）。

3 数学模型与算法

我们对一组简单的信号处理代理或细胞进行建模。这些可以组织在一个n维平面上；本文中使用二维平面，因为这与现实世界中物理传感器的排列方式相匹配，但这种简化对该方法的适用性并无影响（n ≥ 2）。

细胞是信号处理设备，但其复杂性可能非常低：我们可以不失一般性地使用一个极其简单的例子，即细胞仅报告其输入信号值的平均值。

细胞具有可变区域的覆盖范围，并且在某种程度上可以影响分配给它们的信号。重叠覆盖表示相关细胞都能接收到该区域的信号。图2展示了14个细胞的圆形覆盖范围及其重叠情况。

单个细胞执行的信号处理的复杂性仅受限于其处理能力。在我们的模型中，细胞处理的所有信号都以相同的方式进行处理。细胞在特定水平的注意力下运行，这直接转化为细胞覆盖的信号数量：由于所有信号获得相等的处理能力，减少信号数量会增加每个信号所获得的处理量。在这种情况下，覆盖范围半径的线性变化会导致该覆盖范围内每个信号所分配注意力的非线性变化。

性能的一个衡量标准是所有信号接收到的注意力总和。考虑到上述非线性特性，这意味着细胞应根据拓扑结构收敛到相似的注意力水平。具有基本自主决策能力的细胞可能会暂时增加对某些信号的注意力（例如，信号中的峰值可能会触发这种反应）。

示意图1

动作）。为了集中注意力，一个细胞必须收缩其覆盖范围，从而提高（缩小后）覆盖范围内所有信号的信号处理质量。这种变化可能是暂时的，在对该信号进行深入检查后即可恢复。只要这种变化持续存在，我们就会将偏离预期焦点的程度纳入性能度量中。

3.1 数学模型

该机制需要一个由传感节点或细胞组成的小种群C，c；C={c1,…，cn}。这些细胞的拓扑结构t使得每个细胞ci仅与有限数量的其他细胞相邻：t(ci) ={cj，…，ck}，其中术语neigh-bouring表示两个细胞至少共享对某一特定信号a的访问。如果将该种群视为通信图中的边，则成为邻居意味着be connected。细胞仅在局部连接这一特性对于该方法的可扩展性至关重要。

该种群C作为一个整体，处理一组A信号a；A={a1,…，am}。我们用o(ci,aj)表示细胞ci正在处理信号aj的事实。注意：一个信号是否可由多个细胞处理，这对应用有影响，但只要有一个专用细胞拥有该信号，则对我们的模型无关紧要（详见第5节的讨论）。我们采用 o(ci,aj)来表达这种所有权关系。

细胞对其平均信号处理质量的可接受水平具有一个阈值。该阈值在C中不必保持恒定：在[21]中，我们研究了不同阈值对模型的影响。每当细胞未达到其阈值时，该细胞的excitement值ec将增加。此外，如果需要额外的注意力或感官

如果需要更高的分辨率（例如，由于信号发生意外变化），则会进一步增加该细胞的兴奋值。

细胞间信号所有权的交换是随机的，即基于由细胞兴奋度ec决定的加权概率。将an从ci重新分配给cj（即将o(ci,an)更改为o(cj,an)）的概率为：

$$ P_{c_i,c_j}(a_n) = \frac{e_{c_i}}{e_{c_i} + e_{c_j}} $$ (1)

如果ci比cj更兴奋，则ci传递信号的概率超过50%，且兴奋值差异越大，越有可能交出信号的所有权。因此，我们可以利用细胞的兴奋值来影响其减少所拥有信号数量的可能性。周期性地增加兴奋值将迫使系统脱离稳定构型（所有权分配），从而自然产生“凝视”现象（在没有阈值违规的情况下，焦点的游移）。

3.2 实际考虑因素

细胞通过增加或减少其覆盖范围来改变焦点。我们将细胞覆盖范围简化为圆形。细胞若要减小其覆盖半径，必须先将边缘的所有信号移交到另一个细胞。

相反，如果一个细胞增大其半径，那么此后它就能在新的边缘接收所有信号（这意味着处理这些信号中的任何一个都是可能的，因为该细胞已经在所需的聚焦水平上运行）。在我们的模拟中，信号移交受到限制：细胞只能（a）在其覆盖范围的外缘移交信号，以及（b）在或紧邻其外缘的位置接收信号。

如果传递信号需要降低焦点，则该细胞的兴奋值将发生变化。在计算向某个细胞传递信号的概率时，我们使用的是该细胞在已经接收到信号情况下的兴奋值if it already had thesignal。实际上，我们为每个细胞维护两个兴奋值：一个是真实的兴奋值，另一个是表示交换后状态的假设兴奋值。注意：这除了显著加快处理速度（因为它减少了需要交换的信号数量，仅保留那些实际可以传递的信号）外，并不影响整体方法的性能。

3.3 通信

为了避免信号丢失，一定程度的细胞间通信是必要的。在最基本的形式中，细胞需要知道：(a) 它们的邻居，(b) 它们邻居的兴奋值，以及 (c) 哪个信号可以移交给哪个邻居。前两点可以通过细胞定期向其直接邻居广播其兴奋值来轻松实现，甚至不需要知道这些邻居的具体身份。然而，由于信号只能移交给能够为其提供覆盖范围的细胞，因此仅尝试与那些至少在理论上能够接收信号的邻居进行移交是有帮助的。在我们的仿真中，该信息被硬编码到细胞中。这并不影响该想法的适用性。在生物系统中可能正是如此，而在机器人学应用中，可以预先包含此知识，或设计成具备推断该信息的能力。后者允许拓扑结构是动态的（即可能发生变）。注意：(c) 并非严格必需，但通过避免注定失败的移交尝试，能显著加快过程。

3.4 算法

公式1定义了信号从一个细胞传递到另一个细胞的概率。该方法可以实现让细胞将其信号传递给其中一个邻居，或者相反地，从其中一个邻居处窃取信号。这两种方法对系统具有相同的效果，我们通过算法1提供了前一种方法的实现。

通过将细胞之间的相互作用限制在两个细胞之间，我们可以将决策过程的复杂性降低为一个布尔值决策（见公式 2）。由于细胞随机选择其相互作用的伙伴（见算法1），这意味着在信号被分配给理想细胞之前，邻居之间可能需要发生多次相互作用。

这实际上是在信号的高效重新分配与所涉及数学运算的简洁性以及所需交换次数之间的一种权衡。考虑到我们提出的该方法适用于（极）低计算能力的设备，这一点符合我们的需求。然而，这也意味着该方法被假定为持续运行（通过算法1中的 wait语句结合控制参数 time_constant来确定运行频率）。我们期望将其应用于需要持续探索解空间的动态场景。我们的算法和方法正是针对这一需求而设计的。

算法1 细胞 c的算法

当 true 时
等待 (time_constant+ ϵ)
选择随机信号 ai
选择随机邻居 cnew 能够处理 ai
读取来自 cnew 的激励 ecnew
如果 f(ec new，ec)==true（参见公式2）then
o(cnew,ai) = true
o(c,ai) = false

该方法本质上是去中心化的，每个细胞都可以独立于其他细胞运行。等待激活的细胞可以被动接受来自活跃邻居的信号所有权。可能发生的冲突（例如同时收到两次移交请求）通过简单协议（例如，使两个请求均无效）来解决。略微改变等待时间（time_constant+ϵ，见算法1）可防止细胞之间发生同步。

保持底层数学尽可能简单对于所提出的想法至关重要。以下展示了实现公式1的一种直接且计算成本较低的方法。基本上，是否传递信号的决策可以简化为（或实现为）判断一个随机值是否大于激活细胞的兴奋值：

$$ f(e_{c1}, e_{c2}) = \text{rand}(0, (e_{c1} + e_{c2})) > e_{c2} $$ (2)

我们可以设想方程1更简单的实现方式，甚至可能不需要可编程硬件。可以设计非常简单的电子或生物硬件，以实现加权概率偏向兴奋值较高的细胞的想法，从而产生一个布尔值（是/否）决策。

4 结果与讨论

本文讨论的方法是理论性的，我们探讨了其在具有极有限处理能力的大量传感节点中的应用。尽管我们预见到该方法在许多应用领域具有潜力，但目前我们自身尚未拥有此类系统。因此，所呈现的结果均是在仿真环境中收集的。该想法源于实际应用工作，我们知道其底层机制在与负载均衡[19]和动态资源分配[12]相关的多种应用中是有效的。该机制已在复杂硬件[10]上开发、实现并进行了评估，下文讨论的第一组结果（第4.1节）即来自该项目。

然而，这些结果并未提供关于系统在大规模群体节点中的性能表现，或在计算负载最小化至关重要的实现中的表现。为了研究这些方面，开发了一种软件实现，用于模拟大规模群体设备并促进群体行为的数据收集。该研究的结果在第4.2节中进行了介绍。

4.1 实地测试（小种群，高性能计算机）

所提出的方法已应用于一个涉及使用无人机执行集体户外传感任务的实际项目中。该方法被部署在定制无人机的机载计算机上（参见第2.3节），并在室外进行了飞行测试。本文讨论的结果来自一个设备彼此独立运行的集群。由于法律和实际限制，25架无人机从未同时在户外飞行。取而代之的是，该集群在一个能够将真实无人机与模拟无人机相结合的仿真环境中实现。这使得我们能够组建由25个设备组成的集群，其中模拟无人机在树莓派上运行但并不实际飞行。

我们的集群部署在 20 × 20个位置区域上。无人机位于四个此类位置的交点处，并以方格晶格布局均匀分布在该区域内。尽管这种设置在现实场景中不切实际，但它意味着在没有特殊分辨率要求的情况下，最优解是让集群以尽可能小的覆盖范围重叠，在同一高度悬停。

集群独立收敛到较优解的通用能力通过将无人机部署在最高高度进行测试，期望它们都能下降到同一高度，在该高度上提供最优的数据流。因此，我们无需单独考虑25架无人机的具体高度，而只需关注它们高度的标准差：标准差越接近零，表明集群中的所有无人机越接近在同一高度飞行。

事实上，集群收敛到一种低且高效的高度分配，所有无人机的标准差降至零。这种向高效（在本例中为已知最优）分配收敛的能力表明，该方法可用于实现我们的第一个目标，即利用它持续优化信号对细胞的分配。

我们的第二个目标是使细胞种群能够对增强的刺激做出反应，即增加接收细胞对特定信号的注意力。在我们无人机的实际现场测试中，这转化为从集群的集体视频流中请求对特定区域提高分辨率。这将打破集群成员原有的统一飞行高度，因为部分设备需要降低飞行高度以提供所需的分辨率。由于这样做会导致覆盖范围损失，其他无人机则被迫升高飞行高度，以缓解这种覆盖范围的损失。正如[10],中更详细描述的那样，这正是我们观察到的现象。除了有效响应提高分辨率的需求外，集群中的成员还持续交换各自的责任，因为每架无人机都在不断尝试进一步优化当前的解决方案。

4.2 理论评估（模拟大规模群体）

4.2.1 实验设置&数据收集

该实现是对运行在无人机上的原始软件的重新编码，运行于单台机器（PC）上。每个细胞被单独且串行地模拟，因此无需实现通信协议和切换机制。这使得能够及时地模拟大规模群体以及大量信号。此外，不进行实际的信号处理，测量值仅反映分配给每个信号的处理能力。

细胞以随机顺序被激活，并随机选择一个信号和一个合适的相邻细胞进行信号交换。最终的信号分配和

焦点处的变化在400 / 10⁴（群体大小）次细胞激活后被记录（即，在所有细胞都被激活一次之后）。这样一个周期内的变化被汇总为一个数据点。

我们的细胞以特定信号的期望聚焦水平的形式接收外部（模拟）刺激。细胞会计算一个性能值，以表明它们与当前处理的所有信号的焦点之间的差异程度，并试图优化该值（即，将偏移量减少到零）。在没有此类触发器的情况下，细胞将致力于均匀地优化所提供信号的质量（同样针对它们处理的所有信号）。

在尝试将信号在两个细胞之间进行重新分配时，所使用的值是当前正在处理该信号的细胞的实际值，以及另一个细胞的假设值（即，假设该细胞正在处理此信号时的值）。

记录了整个群体中的整体信号处理质量，以及（在适用情况下）提供的信号质量与期望信号质量之间的差异总和。

我们最初模拟了 10⁴个细胞，这些细胞均匀排列，每个细胞与6个邻居相连。这些细胞共同覆盖了 10⁶个信号，在没有任何触发器的情况下，理论上细胞可以达到完美的信号‐细胞分配。我们关注种群的两种行为：（1）系统在没有触发器时的行为（收敛性）；（2）处于稳定配置的种群如何能够通过群体行为重新分配信号所有权以应对临时触发器。由于后者仅影响少量细胞，我们使用较小群体重复实验，以便以图表形式展示单个细胞的行为。在该小规模实验中，我们在相同的信号/细胞比例下模拟了400个细胞（即包含4×10⁴个信号）。400个细胞的模拟结果与 10⁴个细胞的模拟结果几乎完全相同。

4.2.2 讨论（收敛性质）

如细胞种群中聚焦水平的频率分布（如图3所示）所示，细胞开始时的关注水平非常分散，但系统迅速收敛到（已知的）最优构型。系统中没有噪声，所有细胞都是相同的，且拓扑结构和细胞/信号比被设计为允许达到最优状态。虽然在应用意义上这并不现实，但它表明该系统确实按照预期运行。

我们预测，对于更大群体的细胞，收敛过程会更加平滑，因为由随机选择引起的波动在更大群体中会被削弱

示意图2

群体规模增大（大数定律）。事实上，我们发现群体规模的增加并不会影响结果（以达到已知最优解所需的时间来衡量）。这并不令人意外，因为每个细胞仅与其6个邻居相互作用。由于该方法具有随机性，即使在达到稳态后，仍会存在一些预期的波动。因此，在此模拟中，群体规模对单个细胞的性能没有影响。事实上，从更大群体的细胞中获得的结果与从400个细胞和 4 × 10⁴信号的较小规模模拟中获得的结果几乎相同。

4.2.3 讨论（自组织）

在第二次研究中，部分选定的细胞受到触发器的影响（特定信号需要占用细胞更多的处理能力）。细胞群体可以通过提高某些细胞的关注水平来应对这一问题。这需要相邻细胞扩大其关注范围，以覆盖那些变得专注的细胞所丢弃的信号。为了能够研究这种情况是否发生，我们仅在种群达到稳态后（即图3中收敛曲线最右侧端点达到后）才向系统引入这些触发器。图4显示了由此引起的聚焦水平的变化。

我们仅模拟了400个细胞，并引入了4个触发器。这些数值的选择是为了生成有意义的图像。

示意图3

具体而言：在引入触发器后，部分细胞会增加或扩大其关注水平（A1）。一些细胞的聚焦范围扩大超过了严格所需的程度，但这一情况随后被优化，并在 A2再次增强其注意力。类似地，过多的细胞通过增强注意力来响应触发器。在这种情况下，细胞需要稍长时间进行优化（A3）。在 A4/B1时，系统达到了一个稳定且接近最优的配置。在 B2期间，已聚焦的细胞不再发生变化。在 B3/C1移除触发器后，已聚焦的细胞逐渐再次扩大其关注水平，直至 B4/C2。与之前一样，由于聚焦所需时间长于去聚焦，具有更广泛关注的细胞需要稍长时间才能重新稳定于初始稳定状态（C3）。

年龄（参见图4），但对于更大系统而言，性能在所有实际用途上都是相同的。选择较小规模的模拟是合理的，因为只有当有相当数量的细胞发生改变时，所提供的频率分布才有意义。我们将结果与模拟中受影响的细胞子集（ 10⁴个细胞）以及引入100个触发器（均匀分布，以避免相互影响）时的全部细胞群体进行了比较。

图4 突出了本实验的三个阶段：A触发器被引入的时刻。这需要一些细胞增加其焦点，进而导致它们的一些邻居承担那些无法再被覆盖的信号。B种群进入新的稳态的时期，以及C在触发器被移除后的一段时间，使种群能够恢复到实验开始时系统的稳定状态。

显然，集中注意力所需的时间比减少注意力焦点的时间更长。这可以通过以下事实来解释：缩小覆盖范围比扩大覆盖范围更难实现（只有当覆盖范围外缘的所有信号都已移交到相邻区域时，才可能缩小覆盖范围）。

此外，所提供的热图很好地展示了细胞种群的持续波动。这是预期之中的（由于该方法的随机性），也是有意为之的（它构成了对解空间的持续探索）。

4.2.4 讨论（我们的实现和模型）

我们的模拟设定在二维空间中；我们将覆盖范围简化为圆形。这意味着覆盖范围的变化（即半径r的变化）会以非线性方式影响每个被覆盖信号的注意力（即固定的处理能力均匀分布在被覆盖区域A上）：A= πr²。在三维空间中情况更糟（A= 4πr²），并且随着维度增加，这种非线性效应更加显著。我们对圆形覆盖区域的假设并不会导致这一问题，它只是使模拟的计算速度更快。我们认为，这种非线性带来了计算上的难题，而我们此前已在不同场景下通过所提出的方法（[10, 12, 19]）解决了这一问题。

我们还承认，我们的模拟侧重于将信号分配给恰好一个细胞，这在生物实例的背景下显得有些人为。在现实世界中，即使其他细胞也在处理某些信号，细胞很可能将会利用其覆盖范围内的所有信号。这些模拟旨在展示收缩覆盖的能力，而实现的场景则是为了突出这一点。

我们认为，这些简化并不影响我们的论点，即我们的方法适用于极其简单的计算节点。