[论文解读] Controllability Metrics, Limitations and Algorithms for Complex Networks

Fabio Pasqualetti, Sandro Zampieri+1 more|arXiv (Cornell University)|Aug 6, 2013

Opinion Dynamics and Social Influence参考文献 41被引用 4

一句话总结

本文提出了一种基于可控性 Gramian 最小特征值的定量可控性度量，用于评估复杂网络中的控制能量。该文引入了一种基于网络划分和局部控制律的分布式开环控制策略，表明当仅控制少数节点时，控制能量随网络规模呈指数增长；但当控制节点占固定比例时，控制能量可保持恒定。对于聚类网络，控制能量仅取决于聚类可控性与耦合强度。

ABSTRACT

This paper studies the problem of controlling complex networks, that is, the joint problem of selecting a set of control nodes and of designing a control input to steer a network to a target state. For this problem (i) we propose a metric to quantify the difficulty of the control problem as a function of the required control energy, (ii) we derive bounds based on the system dynamics (network topology and weights) to characterize the tradeoff between the control energy and the number of control nodes, and (iii) we propose an open-loop control strategy with performance guarantees. In our strategy we select control nodes by relying on network partitioning, and we design the control input by leveraging optimal and distributed control techniques. Our findings show several control limitations and properties. For instance, for Schur stable and symmetric networks: (i) if the number of control nodes is constant, then the control energy increases exponentially with the number of network nodes, (ii) if the number of control nodes is a fixed fraction of the network nodes, then certain networks can be controlled with constant energy independently of the network dimension, and (iii) clustered networks may be easier to control because, for sufficiently many control nodes, the control energy depends only on the controllability properties of the clusters and on their coupling strength. We validate our results with examples from power networks, social networks, and epidemics spreading.

研究动机与目标

• 通过基于最坏情况控制能量的度量，量化复杂网络控制的难度。
• 基于网络拓扑与动力学特性，表征控制节点数量与所需控制能量之间的权衡关系。
• 为大规模网络设计一种具有性能保证的分布式开环控制策略。
• 识别影响可控性的结构性限制与特性，尤其关注对称与聚类网络。
• 在实际网络（包括电网、社交网络与流行病模型）上验证该方法。

提出的方法

• 使用可控性 Gramian 的最小特征值作为最坏情况控制能量的度量。
• 通过 Fiedler 特征向量进行网络划分，将网络分解为子网络以实现局部控制。
• 设计一种解耦控制律，基于局部可控性 Gramian 计算局部控制输入。
• 采用最优控制技术以最小化能量，计算复杂度仅依赖于子网络规模。
• 用更快速的方法（如 Louvain）替代谱划分，以提升大规模网络的可扩展性。
• 利用 Schur 稳定性与网络对称性特性，推导控制能量的解析边界。

实验结果

研究问题

• RQ1 在复杂网络中，所需控制能量如何随控制节点数量变化？
• RQ2 网络的哪些结构性特性可导致更低的控制能量，尤其是在对称或聚类拓扑中？
• RQ3 能否设计一种分布式、可扩展的控制策略，以保证性能并保持计算成本较低？
• RQ4 网络拓扑与动力学如何影响实现完全可控性所需的最小控制能量？
• RQ5 当将通用可控性概念应用于具有约束条件的实际网络时，其局限性是什么？

主要发现

• 对于 Schur 稳定且对称的网络，若控制节点数量固定，控制能量会随网络规模呈指数增长。
• 当控制节点数量为网络规模的固定比例时，控制能量可保持恒定，与网络维度无关。
• 聚类网络的控制能量仅取决于聚类可控性与簇间耦合强度，而不依赖于全局网络规模。
• 所提出的解耦控制策略在控制节点较多时，优于基于迹优化与随机节点选择的方法。
• 当使用高效划分方法（如 Louvain）时，该方法实现线性计算复杂度，而标准最小能量控制方法为立方级复杂度。
• 数值结果证实，在控制节点数量达到临界阈值时，控制能量出现急剧下降，与先前的数值可控性相变结果一致。