[論文レビュー] The optimal trajectory to control complex networks

Aming Li, Long Wang+1 more|arXiv (Cornell University)|Jun 11, 2018

Opinion Dynamics and Social Influence参考文献 2被引用数 8

ひとこと要約

本稿は、複雑ネットワークにおける最適制御軌道を体系的に分析するフレームワークを導入し、軌道長 (ℒ) と初期状態からの最大距離 (ℛ) を定量化する。制御時間 (tf) とシステム安定性が軌道の局所性と包括性を決定づけることが明らかになった。ℒ と ℛ は短い tf ではべき乗則に従ってスケーリングし、長い tf では飽和する。ドライバーノードの増加は両指標を低下させ、神経系、生物学的系、工学的系における実用的知見を提供する。

ABSTRACT

Controllability, a basic property of various networked systems, has gained profound theoretical applications in complex social, technological, biological, and brain networks. Yet, little attention has been given to the control trajectory (route), along which a controllable system can be controlled from any initial to any final state, hampering the implementation of practical control. Here we systematically uncover the fundamental relations between control trajectory and several other key factors, such as the control distance between initial and final states ($δ$), number of driver nodes, and the control time. The length ($\mathcal{L}$) and maximum distance to the initial state ($\mathcal{R}$) are employed to quantify the locality and globality of control trajectories. We analyze how the scaling behavior of the averaged $\mathcal{L}$ and $\mathcal{R}$ changes with increasing $δ$ for different initial states. After showing the scaling behavior for each trajectory, we also provide the distributions of $\mathcal{L}$ and $\mathcal{R}$. Further attention is given to the control time $t_{f}$ and its influence on $\mathcal{L}$ and $\mathcal{R}$. Our results provide comprehensive insights in understanding control trajectories for complex networks, and pave the way to achieve practical control in various real systems.

研究の動機と目的

• 抽象的な可制御性を越えて、実装可能性に焦点を当て、複雑ネットワークにおける制御軌道の根本的構造と挙動を理解すること。
• 軌道長 (ℒ) と初期状態からの最大距離 (ℛ) を用いて、制御軌道の局所性と包括性を定量化すること。
• 制御時間 (tf)、システム安定性 (固有値)、ドライバーノード数が ℒ と ℛ に与える影響を調査すること。
• 多様なネットワーク状況において ℒ と ℛ の解析的分布およびスケーリング行動を提供すること。
• 理論的軌道特性を現実世界のシステム制約とダイナミクスに結びつけることで、実用的制御設計を可能にすること。

提案手法

• 固定点の周囲で非線形ネットワークダイナミクスを線形化し、状態空間モデル ẋ(t) = Ax(t) + Bu(t) を導出する。
• 状態空間内でのパス長を測定するため、軌道長 ℒ = ∫‖ẋ(t)‖dt を [t₀, tf] で定義する。
• 初期状態からの最大ずれを定量化するため、半径 ℛ = maxₜ∈[t₀,tf] ‖x(t) - x₀‖ を定義する。
• 与えられた初期状態と終了状態に対して制御エネルギーを最小化する軌道を最適制御理論を用いて計算する。
• 制御距離 (δ)、制御時間 (tf)、システム安定性 (λ₁) に伴う ℒ と ℛ のスケーリング行動を分析する。
• 多数の最終状態を一様にサンプリングした上で、ℒ と ℛ の解析的分布を導出し、統計的パターンを明らかにする。

実験結果

リサーチクエスチョン

• RQ1 異なる初期状態において、制御距離 (δ) の増加に伴い、最適制御軌道の長さ (ℒ) と半径 (ℛ) はどのようにスケーリングするか？
• RQ2 制御時間 (tf) が、特に安定・不安定・臨界系において、軌道の局所性 (ℒ) と包括性 (ℛ) にどのように影響するか？
• RQ3 ドライバーノード数が ℒ と ℛ のスケーリングおよび大きさに与える影響は何か？
• RQ4 システム安定性 (A の固有値) と制御時間の両方が、制御軌道の形状と広がりをどのように決定づけるか？
• RQ5 多数の最終状態にわたる ℒ と ℛ の統計的平均化が、個々の軌道の背後にあるスケーリング行動を曇らせる可能性はあるか？

主な発見

• 短い制御時間 (tf) の場合、ℒ と ℛ は tf に対してべき乗則に従ってスケーリングし、tf のわずかな増加が軌道長およびずれの著しい減少をもたらすことを示している。
• 長い制御時間 (tf) の場合、ℒ と ℛ は飽和し、さらに tf を延ばしても感度を失い、ℒ ≈ ℛ となる。これは初期状態から終了状態への直線的軌道を示している。
• 不安定系 (λ₁ > 0) では、最小制御エネルギー E_min ∼ e^(-2λ₁tf) が指数関数的に減少するにもかかわらず、ℒ と ℛ は tf の増加に対してほぼ一定のまま保たれる。
• 臨界系 (λ₁ = 0) では、tf にかかわらず ℒ と ℛ は正確に δ に等しくなる。これは軌道長が固定であり、制御期間に依存しないことを示している。
• ドライバーノード数を増加させることで、ℒ と ℛ が両方とも低下し、tf に対するべき乗則依存の指数も小さくなる。
• すべてのノードが直接制御される（完全制御）場合、ℒ と ℛ はすべての安定性領域および tf 値において一定のまま保たれ、最大の軌道効率を示している。