生物医学网络科学Biomedical Network Science
网络可控性与稳定性06 / 17

控制能量与 Gramian 的数值问题

阅读
约 3 分钟

秩判据只回答“能不能控”，控制能量回答“代价多大”。对线性系统，从 𝒙0\mathbf x_0 在时间 TT 内到达 𝒙T\mathbf x_T 的最小能量为（推导见线性系统的可控性） Emin(T)=∫0T∥𝒖*(t)∥2dt=𝒅⊤W(T)−1𝒅,𝒅=𝒙T−eAT𝒙0.E_{\min}(T)=\int_0^T\|\mathbf u^*(t)\|^2dt=\mathbf d^\top W(T)^{-1}\mathbf d,\qquad \mathbf d=\mathbf x_T-e^{AT}\mathbf x_0 . 对单位长度的目标方向 𝒅\mathbf d，能量介于 1/ηmax1/\eta_{\max} 与 1/ηmin1/\eta_{\min} 之间（η\eta 为 Gramian 的特征值）。Gramian 的特征向量构成一个“能量椭球”：沿长轴方向便宜，沿短轴方向昂贵（Yan 等 2015）。

两个可手算的例子

单节点：ẋ=−ax+u\dot x=-ax+u（a>0a>0）。W(T)=∫0Te−2aτdτ=1−e−2aT2aW(T)=\int_0^Te^{-2a\tau}d\tau=\dfrac{1-e^{-2aT}}{2a}，从 0 到 xTx_T 的最小能量 E(T)=2axT21−e−2aT,E(T)≈xT2T(T→0),E(T)→2axT2(T→∞).E(T)=\frac{2a\,x_T^2}{1-e^{-2aT}},\qquad E(T)\approx\frac{x_T^2}{T}\;(T\to0),\qquad E(T)\to2a\,x_T^2\;(T\to\infty). 控制时间越短越贵；但对稳定系统，等待再久也有一个下限——要把系统维持在偏离平衡点的位置，必须持续对抗回复力。

两节点链 1→21\to2（无衰减），只驱动节点 1：eAτB=(1,τ)⊤e^{A\tau}B=(1,\tau)^\top， W(T)=(TT2/2T2/2T3/3),det⁡W=T412.W(T)=\begin{pmatrix}T & T^2/2\\ T^2/2 & T^3/3\end{pmatrix},\qquad \det W=\frac{T^4}{12}. TT 较小时最小特征值约为 det⁡W/tr⁡W≈T3/12\det W/\operatorname{tr}W\approx T^3/12，最难方向的能量约为 12/T312/T^3：节点 2 只能通过节点 1 间接驱动，距离驱动节点越远的方向越贵。

能量的标度律

Yan 等（2012，PRL）推导了单个驱动节点时能量上下界随控制时间 TT 的标度：TT 小时上下界都随 TT 增大而下降（上界按 T−θT^{-\theta}、θ≫1\theta\gg1 的高次幂下降）；TT 大时，结果取决于 AA 的正定性——系统稳定时能量趋于一个有限的平台。Yan 等（2015，Nature Physics）进一步研究了沿随机方向控制所需能量的分布（能量谱）：

驱动方式 能量谱 最难方向的能量 EmaxE_{\max}
驱动全部节点（ND=NN_D=N），无标度网络度指数 γ\gamma P(E)∼E−γP(E)\sim E^{-\gamma} ∼N1/(γ−1)\sim N^{1/(\gamma-1)}，次线性增长
只驱动 1 个节点 P(E)∼E−1P(E)\sim E^{-1} ∼eN\sim e^{N}，指数增长
驱动一部分节点（1<ND<N1<N_D<N） 多峰 ∼eN/ND\sim e^{N/N_D}

最后一行意味着：增加驱动节点能让最难方向的能量指数下降。结构上 NDN_D 个输入“够用”，并不意味着它们在能量上可行；这正是“最少驱动节点”与“实际可操控”之间的鸿沟。代码示例在一个 40 节点的稳定无向网络上随机选择驱动节点：NDN_D 从 40 减到 5 时，Gramian 的最小特征值从约 10−110^{-1} 降到约 10−1510^{-15}。

Gramian 的数值问题

理论可控 ≠ 数值可控。 Gramian 的条件数 κ(W)=ηmax/ηmin\kappa(W)=\eta_{\max}/\eta_{\min} 往往随网络规模指数增长。双精度浮点数只能分辨约 10−1610^{-16} 的相对差别，一旦 κ(W)\kappa(W) 接近 101610^{16}，数值算出的最小特征值可能是 0 甚至负数，W−1W^{-1} 失去意义。代码示例中只驱动 1–2 个节点时，10 次随机选择全部算出非正特征值。

  • Sun 与 Motter（2013，PRL）指出：只要输入数少于状态数，几乎所有状态都不是“严格局部可控”的——即使目标状态就在附近，最小能量轨迹也会绕远路，轨迹长度随 Gramian 条件数增大；并且存在一个随输入数变化的可控性转变：输入少于某个阈值时数值控制总是失败，高于阈值时才成功。即使可控性矩阵 𝒞\mathcal C 条件良好，Gramian 也可能病态。
  • 实践建议：用 Lyapunov 方程而非数值积分求 Gramian；报告条件数与最小特征值的数量级；对“最小特征值大于 0 因此可控”这类结论，检查它是否超过机器精度乘以最大特征值；比较不同驱动集合时用对数尺度和相对排序，而不是绝对数值。

Gramian 的计算。若 AA 稳定（连续时间特征值实部为负），无限时域 Gramian W∞=∫0∞eAτBB⊤eA⊤τdτW_\infty=\int_0^\infty e^{A\tau}BB^\top e^{A^\top\tau}d\tau 是 Lyapunov 方程 AW+WA⊤+BB⊤=0AW+WA^\top+BB^\top=0 的唯一解；离散时间对应 W=AWA⊤+BB⊤W=AWA^\top+BB^\top。有限时域 W(T)W(T) 可以用矩阵指数的分块技巧（Van Loan 方法）或 W(T)=W∞−eATW∞eA⊤TW(T)=W_\infty-e^{AT}W_\infty e^{A^\top T} 计算。

由 Gramian 派生的可控性度量与驱动节点布置

不同应用关心椭球的不同方面，常用的标量度量有（Pasqualetti、Zampieri 与 Bullo 2014）：

度量 含义
λmin(W)\lambda_{\min}(W) 最难方向的能量的倒数（最坏情形）
tr⁡(W−1)\operatorname{tr}(W^{-1}) 沿随机方向的平均能量
tr⁡(W)\operatorname{tr}(W) 平均可控性：输入能注入系统的总“能量”，脑网络中最常用
log⁡det⁡W\log\det W 可达状态椭球的体积

给定驱动节点数，选择使某个度量最优的驱动集合（执行器布置问题）是组合优化问题。tr⁡(W)\operatorname{tr}(W)、log⁡det⁡W\log\det W 等度量具有次模性（边际收益递减），因此贪心算法有可证明的近似保证（Summers 等的系列工作，见 Liu 与 Barabási 2016 综述）；而 tr⁡(W)\operatorname{tr}(W) 是可加的，最优集合就是单节点平均可控性最大的若干节点，但这样选出的集合未必能保证可控。

继续阅读