[论文解读] Controlling a self-organizing system of individuals guided by a few external agents -- particle description and mean-field limit

Martin Burger, René Pinnau+3 more|arXiv (Cornell University)|Oct 5, 2016

Distributed Control Multi-Agent Systems参考文献 16被引用 4

一句话总结

本文提出了一套数学框架，用于使用少量外部代理控制大规模自组织粒子系统，比较了瞬时控制（IC）与最优控制（OC）策略。研究建立了微观控制向粒子数量增加时的平均场控制收敛的理论，采用伴随法优化，并通过数值验证展示了在驱赶动力学等应用中的有效性。

ABSTRACT

Optimal control of large particle systems with collective dynamics by few agents is a subject of high practical importance (e.g. in evacuation dynamics), but still limited mathematical basis. In particular the transition from discrete optimal control to a continuum setting as the number of particles tends to infinity is by far not fully understood. In this paper we contribute to this issue by studying a canonical model of controlling an interacting particle system into a certain spatial region by repulsive forces from few external agents, which might be interpreted as shepherd dogs leading sheep to their home. We discuss the appropriate modelling of such a problem and the associated optimality systems, providing some connections between the Lagrange multipliers in the discrete and continuum setting. As control strategies we investigate an Instantaneous Control and a global Optimal Control approach. The solutions of a family of control problems for the particle system with external agents are numerically compared to the mean-field controls as the number of particles tends to infinity. In both cases, this leads to a high dimensional phase space requiring tailored optimization strategies. All control problems arising are solved using adjoint information to compute the descent directions. The numerical results indicate the convergence of controls for both optimization strategies.

研究动机与目标

• 开发一种数学上严谨的框架，用于使用少量外部代理控制大规模相互作用粒子系统。
• 比较瞬时控制（IC）与最优控制（OC）策略在控制集体动力学方面的性能与收敛特性。
• 建立当粒子数量趋于无穷时，微观控制向平均场控制收敛的理论。
• 在最优控制设置下，提供离散粒子系统与其连续平均场近似之间数值验证的关联。
• 解决大规模控制问题中高维相空间带来的计算挑战。

提出的方法

• 使用基于粒子的描述建模系统，其中个体与外部代理之间存在排斥相互作用，并通过动力学方程推导其平均场极限。
• 制定两种控制策略：瞬时控制（IC），即代理对人群状态即时响应；最优控制（OC），即全局规划未来轨迹。
• 定义代价泛函，以最小化能量消耗并引导粒子到达目标区域，同时满足状态方程的约束。
• 对微观与平均场系统分别使用伴随微积分推导一阶最优性条件，以计算下降方向。
• 基于一阶导数信息实现定制化优化算法，以处理高维状态与控制空间。
• 通过不同粒子数（N = 1000, 2000, 4000）与平均场网格（M25, M50）的数值模拟，比较控制性能与收敛性。

实验结果

研究问题

• RQ1 随着粒子数量增加，大规模离散粒子系统的控制策略是否收敛至相应的平均场控制？
• RQ2 在高维系统中，瞬时控制（IC）与最优控制（OC）的计算成本与内存需求如何比较？
• RQ3 微观系统中的最优控制在轨迹与密度演化方面，对平均场控制的逼近程度如何？
• RQ4 在微观与平均场设置下，控制解对初始控制数据的选择有多敏感？
• RQ5 伴随法优化是否能有效处理粒子与平均场控制问题的高维相空间？

主要发现

• 随着粒子数量增加，微观粒子系统的控制收敛至平均场控制，当N=4000时，相对控制差异降低至约2.5%。
• 使用M50网格对N=4000个粒子进行直方图计算得到的平均场密度，与平均场解的相对L2误差为8.9968e-05。
• IC方法在内存消耗上显著低于OC（例如，N=1000时IC为0.15 GB，OC为0.82 GB），使其在长时间模拟中更具可扩展性。
• 尽管初始控制不同，模拟中得到的人群形态与狗的轨迹保持一致，表明控制策略具有鲁棒性。
• OC算法成功捕捉了人群与狗的动力学集体行为，且在t=3.3、6.6与10时，微观模型与平均场模型的轨迹高度吻合。
• 代价泛函与相对速度变化在所有模拟中收敛趋势相似，表明优化过程稳定且一致。