Collective Behaviour in Multi-Agent Systems: From Biological Foundations to Graph-Based Learning

Abstract

The collective behaviour of multi-agent systems encompassing phenomena such as flocking, alignment, and spatial grouping has attracted sustained scientific interest across biology, physics, robotics, and artificial intelligence. The capacity to automatically classify the collective state of a swarm from observed trajectories constitutes a foundational prerequisite for autonomous swarm monitoring, adaptive formation control, and scientific discovery in biological systems. Despite decades of research, the problem remains substantially open: classical feature-based approaches discard relational structure; sequential deep learning models capture temporal dynamics but ignore inter-agent interactions; and graph-based methods are only beginning to be applied systematically to this domain. This thesis presents a comprehensive survey of the theoretical foundations, computational models, machine learning methodologies, and open research challenges in collective behaviour classification. Beginning from the biological origins of swarm intelligence and the mathematical models of collective motion introduced by Reynolds, Vicsek, and Couzin, the thesis traces the evolution of the field through classical feature engineering, deep learning, and graph-based representation learning.***

Le comportement collectif des systèmes multi-agents, englobant des phénomènes tels que le regroupement (flocking), l’alignement et le regroupement spatial, suscite un intérêt scientifique constant dans des domaines tels que la biologie, la physique, la robotique et l’intelligence artificielle. La capacité à classifier automatiquement l’état collectif d’un essaim à partir des trajectoires observées constitue un prérequis fondamental pour la surveillance autonome des essaims, le contrôle adaptatif des formations et la découverte scientifique dans les systèmes biologiques. Malgré plusieurs décennies de recherche, ce problème demeure largement ouvert. Les approches classiques fondées sur l’ingénierie de caractéristiques éliminent la structure relationnelle des interactions entre agents ; les modèles d’apprentissage profond séquentiel capturent les dynamiques temporelles mais négligent les interactions inter-agents. Cette thèse présente une étude approfondie des fondements théoriques, des modèles computationnels, des méthodologies d’apprentissage automatique et des principaux défis de recherche liés à la classification des comportements collectifs. En s’appuyant sur les origines biologiques de l’intelligence en essaim et sur les modèles mathématiques du mouvement collectif proposés par Reynolds, Vicsek et Couzin, cette étude retrace l’évolution du domaine, depuis les approches classiques fondées sur l’ingénierie de caractéristiques jusqu’aux méthodes modernes d’apprentissage profond et d’apprentissage de représentations basées sur les graphes.