[论文解读] General inner approximation of vector-valued functions

Mullier Olivier, Éric Goubault+2 more|arXiv (Cornell University)|Oct 7, 2013

Numerical Methods and Algorithms参考文献 6被引用 8

一句话总结

该论文将Goldsztejn和Jaulin的方法扩展至定义域与值域维度不同的向量值函数的内逼近问题。通过利用雅可比矩阵的秩，并提出三种从区间矩阵中提取最大秩子矩阵的技术，该方法可计算函数值域中最多r个分量的内逼近，其中r为雅可比矩阵的秩，从而在高维情形下实现更紧致的范围估计。

ABSTRACT

This paper addresses the problem of evaluating a subset of the range of a vector-valued function. It is based on a work by Gold- sztejn and Jaulin which provides methods based on interval analysis to address this problem when the dimension of the domain and co-domain of the function are equal. This paper extends this result to vector-valued functions with domain and co-domain of different dimensions. This ex- tension requires the knowledge of the rank of the Jacobian function on the whole domain. This leads to the sub-problem of extracting an in- terval sub-matrix of maximum rank from a given interval matrix. Three different techniques leading to approximate solutions of this extraction are proposed and compared.

研究动机与目标

• 解决现有内逼近方法仅适用于定义域与值域维度相等的函数的局限性。
• 在m ≠ n时，实现对向量值函数f: ℝ^m → ℝ^n的值域中最多r个分量的内逼近计算。
• 开发从区间矩阵中提取最大秩子矩阵的实用技术，这是该推广方法中的关键子问题。
• 提供一个支持更紧致范围估计的框架，适用于鲁棒控制、全局优化和抽象解释等应用。
• 处理雅可比矩阵秩恒为r的情形，确保方法的有效性与适用性。

提出的方法

• 该方法通过聚焦于雅可比矩阵秩r恒定（且r ≤ min(m,n)）的函数f: ℝ^m → ℝ^n，推广了Goldsztejn和Jaulin的方法。
• 利用隐函数定理，将函数投影到r个分量上，其对应的雅可比子矩阵具有满秩r。
• 提出了三种不同的技术，用于从给定的区间矩阵中提取最大秩子矩阵：(1) 呈现秩的QR分解，(2) 基于SVD的选择方法，(3) 一种基于区间宽度与行列式界估计的启发式贪心选择法。
• 在变换系统以隔离可逆部分后，对选定的r个分量应用区间牛顿迭代。
• 参数ε控制内逼近的精度，ε越小，逼近越紧，但计算成本越高。
• 该方法依赖区间分析，以确保所有计算出的内逼近在数学上严格成立，且仅包含函数f实际取到的值。

实验结果

研究问题

• RQ1 如何将向量值函数值域的内逼近方法推广至定义域与值域维度不等的情形？
• RQ2 在精确秩提取为NP难问题的背景下，可采用哪些技术从区间矩阵中提取最大秩子矩阵？
• RQ3 如何利用雅可比矩阵的秩来识别可用于计算有效内逼近的函数分量？
• RQ4 不同子矩阵提取技术对所得内逼近的紧致性与计算成本有何影响？
• RQ5 算法中ε的选择如何影响内逼近的精度与性能？

主要发现

• 该方法成功计算出函数值域中最多r个分量的内逼近，其中r为雅可比矩阵的恒定秩，即使在m ≠ n时也适用。
• 在浸入示例（f: ℝ² → ℝ³）中，随着ε减小，内逼近变得更紧致，计算时间分别为0.026s（ε=0.1）、0.10s（ε=0.06）和0.64s（ε=0.02）。
• 在浸出示例（f: ℝ³ → ℝ²）中，由于存在非满秩的雅可比区域，计算时间更长——ε=0.1时为145.53s，ε=0.05时为838.67s。
• 三种子矩阵提取技术的比较表明，在测试案例中，基于SVD与基于QR的方法在秩恢复方面优于启发式贪心法。
• 该方法仅适用于在整个定义域上雅可比矩阵秩恒为r的函数，因为秩的变化会破坏局部可逆性的核心假设。
• 结果表明，即使在高维值域中，该方法仍能提供有意义的内逼近，且在浸入与浸出示例中均通过可视化得到验证。