编排观察者节律：面向范围观察者双部图-单部图时空（ROBUST）网络的动力学

现有的网络分析方法在面对视野有限的动态环境时难以优化观察者布局。这项学位论文引入了 novel 的 ROBUST（Ranged Observer Bipartite-Unipartite SpatioTemporal）框架，在复杂时空领域中为建模、分析和优化观察者网络提供了显著的突破。ROBUST 利用独特的双部图-单部图方法，区分观察者与被观察实体，同时纳入空间约束和时间动态。该研究通过引入 novel 图基度量，扩展了时空网络理论，包括 myopic degree、spatial closeness centrality 和 edge length proportion。这些度量结合高级聚类技术如 Proximal Recurrence，提供了对网络结构、韧性和观察者布局有效性的洞见。ROBUST 框架在资源分配和战略响应方面优于传统模型。海洋学监测、城市安全网络和多智能体路径规划的案例研究表明其实际可行性和适应性。结果在覆盖范围、响应时间和整体网络效率方面均实现显著提升。该工作为未来在不完美知识、细化时间路径方法以及应用范围扩展方面的研究开辟了道路。通过将理论进步与实际解决方案相结合，ROBUST 作为该领域的重要贡献，展望着在网络优化和多智能体系统规划中持续影响和激发后续研究。