机器人的集体操作，例如以团队或群为单位运行的无人机（UAV），受其个人功能的影响，这反过来又取决于其物理设计，也就是形态。但是，除了一些（尽管临时）进化机器人技术方法外，在理解形态和集体行为的相互作用方面几乎没有工作。特别缺乏计算框架来同时寻找机器人形态和其行为模型的超参数，这些模型共同优化了集体（团队）绩效。为了解决这一差距，本文提出了一个新的共同设计框架。在这里，通过新颖的``人才''指标有效地缓解了原本嵌套的形态/行为共同设计的爆炸计算成本；同时，与典型的亚最佳顺序形态$ \ $ $ to $ $ to Craging to $行为设计相比，还允许明显更好的解决方案方法。该框架包括四个主要步骤：人才指标的选择，人才帕累托探索（多目标形态优化过程），行为优化和形态学最终确定。通过将其应用于设计无用的无人机，可以证明这种共同设计的概念团队本地化信号源，例如在受害者搜索和危害本地化中。在这里，集体行为是由最近报道的批评贝叶斯搜索算法的驱动的，称为贝叶斯 - 工作。我们的案例研究表明，共同设计的结果可显着更高的成功。与基线设计相比，信号源定位的速率，各种信号环境和团队6至15个无人机。此外，与预测的嵌套设计方法相比，该共同设计过程提供了两个降低计算时间的数量级。

做出公正的决定对于在社交环境中实施机器学习算法至关重要。在这项工作中，我们考虑了反事实公平的著名定义[Kusner等，Neurips，2017]。首先，我们表明一种满足反事实公平的算法也满足人口统计学的偏见，这是一个更简单的公平限制。同样，我们表明所有满足人口统计学奇偶校验的算法都可以进行微不足道的修改以满足反事实公平。总之，我们的结果表明，反事实公平基本上等同于人口统计学，这对不断增长的反事实公平工作具有重要意义。然后，我们从经验上验证了我们的理论发现，分析了三种现有的算法，以针对三个简单的基准分析反事实公平。我们发现，在几个数据集上，两种简单的基准算法在公平，准确性和效率方面都优于所有三种现有算法。我们的分析使我们实现了一个具体的公平目标：保留受保护群体中个人的顺序。我们认为，围绕个人在受保护群体中的秩序的透明度使公平的算法更加值得信赖。根据设计，两个简单的基准算法满足了这个目标，而现有的反事实公平算法则不能。