群集系统的分群行为，表征为一个聚合的母群分裂成若干子群的现象。作为群集系统的固有运动模式，分群行为不仅弥补了单一组群运动难以对群集分裂现象进行有效表征的缺陷，而且赋予了群集更多的运动灵活性和行为多样性，是群集对环境适应能力的典型表现。因而，开展群集系统分群控制的研究，对于揭示群集“分裂-融合”行为的内在机制，深化对自组织群集运动机理的认知，以及促进分群行为的工程应用，均具有重要的理论价值和实践意义。本文以国家自然科学基金项目(No.51179156)为依托，针对一类不依赖于指派、协商等智能规划机制的典型自组织分群运动行为，在深入揭示其产生机理的基础上，对基于信息耦合度(Information coupling degree, ICD)的自组织分群控制方法及相关问题展开研究。　　本研究主要内容包括：⑴以生物群集的分群行为作为参考，从刺激信息在群内定向传播的角度出发，研究了分群运动中群集内部信息的传播机制，指出分群行为是多元外部刺激信息在群内传播所引起的一种个体运动分化现象，并发现个体间关联强度的差异是导致分群行为的根本原因。基于该认识，定义了对个体间关联强度进行表征的指标一信息耦合度，并提出了一种基于信息耦合度的分群控制模型框架，为后续分群控制算法的设计奠定了基础。⑵借鉴生物群集个体间的交互作用关系，综合利用个体位置和速度信息，建立了信息耦合度模型。然后，从刺激信息在群内传播最大化的角度出发，提出了一种基于“max-ICD”的分群控制策略。进而，将自组织“成对交互”规则融入传统的“分离/组队/聚合”群集协同规则中，设计了基于信息耦合度的分群控制算法，实现了外部刺激下群集系统的自组织分群行为。理论分析和仿真实验均验证了所提出的分群控制算法的有效性。⑶针对无速度测量下群集系统的自组织分群问题，提出了一种仅利用位置信息的分群控制方法。首先，通过构建分布式观测器，实现了利用个体间的相对位置信息对相对速度信息的实时估计。进而，以基于信息耦合度的分群控制理论框架为基础，结合速度信息未知的情形，利用个体间的相对位置信息和估计的相对速度信息，设计了无需速度测量的分群控制算法，实现了群集系统的自组织分群运动。理论分析和仿真实验均验证了所提出的无速度测量下自组织分群控制算法的有效性。⑷针对分群运动中个体信息获取存在时延的问题，首先对前面提出的基于信息耦合度的分群控制算法的时延局限性展开讨论，发现时延的存在会显著降低分群算法的性能。进而，分定常时延和时变时延两种情况，对时延下群集系统的分群控制方法展开研究。对于定常时延情形，采用Lyapunov-Razumikhin定理得出了群集实现稳定分群运动的时延上界及相关收敛条件。对于时变时延情形，利用Lyaponov-Krasovskii泛函得出了线性矩阵不等式形式的时延上界及相关收敛条件。理论分析和仿真实验均验证了所提出的时延下群集系统分群控制算法的有效性。⑸以E-puck群集机器人系统为实验平台，对基于信息耦合度的自组织分群控制方法展开实验验证工作。针对E-puck机器人的特点，首先建立其运动学模型，并结合所量测的邻居距离-方位信息，以基于信息耦合度的分群控制思想为基础，设计了面向群集机器人分群应用的控制算法，最后在Webots机器人仿真平台上开展的分群实验验证了所提算法的可行性和有效性。