[论文解读] Optimal control of network-coupled subsystems: Spectral decomposition and low-dimensional solutions

Shuang Gao, Aditya Mahajan|arXiv (Cornell University)|Sep 25, 2020

Neural Networks Stability and Synchronization参考文献 63被引用 7

一句话总结

该论文提出了一种针对具有图基动力学和代价耦合的网络耦合子系统最优控制的谱分解方法。通过利用对称耦合矩阵的特征分解，将原始的高维Riccati问题简化为仅需求解Ldist + 1个解耦的dx×dx Riccati方程，其中Ldist为非零特征值的互异数量，从而实现与网络规模无关的可扩展、低复杂度控制综合。

ABSTRACT

In this paper, we investigate optimal control of network-coupled subsystems where the dynamics and the cost couplings depend on an underlying undirected weighted graph. The graph coupling matrix in the dynamics may be the adjacency matrix, the Laplacian matrix, or any other symmetric matrix corresponding to the underlying graph. The cost couplings can be any polynomial function of the underlying coupling matrix. We use the spectral decomposition of the graph coupling matrix to decompose the overall system into (L+1) systems with decoupled dynamics and cost, where L is the rank of the coupling matrix. Furthermore, the optimal control input at each subsystem can be computed by solving (Ldist + 1) decoupled Riccati equations where Ldist (Ldist \leq L) is the number of distinct non-zero eigenvalues of the coupling matrix. A salient feature of the result is that the solution complexity depends on the number of distinct eigenvalues of the coupling matrix rather than the size of the network. Therefore, the proposed solution framework provides a scalable method for synthesizing and implementing optimal control laws for large-scale network-coupled subsystems.

研究动机与目标

• 解决大规模网络化系统中复杂耦合下最优控制律综合的挑战。
• 克服在大规模网络中集中式Riccati解法的计算不可行性（复杂度为O(n²dx²)）。
• 开发一种可扩展框架，基于耦合矩阵的谱特性而非网络规模来降低控制综合复杂度。
• 利用聚合状态信息和邻域数据，实现最优控制的局部或分布式实施。
• 即使耦合在子系统间非均匀，也提供精确最优解而非近似解。

提出的方法

• 对对称耦合矩阵M（如邻接矩阵、拉普拉斯矩阵）应用谱分解，将全局状态投影到L个正交特征子空间，其中L为M的秩。
• 将系统分解为L+1个解耦子系统：对应非零特征值的L个特征子系统，以及一个用于零空间的辅助子系统。
• 将原始的线性二次型调节器（LQR）问题转化为L+1个独立的LQR问题，每个问题均可通过一个dx×dx Riccati方程求解。
• 仅需求解Ldist + 1个Riccati方程，其中Ldist为M的互异非零特征值数量，显著降低计算负载。
• 利用特征子系统解和辅助子系统重构最优控制输入，支持局部或分布式实施。
• 使用M的特征向量定义状态和控制投影，确保动力学和代价函数中的解耦。

实验结果

研究问题

• RQ1 能否基于耦合矩阵的谱特性，将网络耦合子系统的最优控制分解为低维问题？
• RQ2 耦合矩阵的互异非零特征值数量是否决定了最优控制综合的复杂度，而非网络规模？
• RQ3 能否为异质网络耦合合成并实现局部或分布式精确最优控制律？
• RQ4 与大规模网络中的集中式Riccati解法相比，所提方法在计算复杂度上表现如何？
• RQ5 重特征值对所需Riccati方程数量及整体可扩展性有何影响？

主要发现

• 最优控制问题被简化为最多求解Ldist + 1个大小为dx×dx的解耦Riccati方程，其中Ldist为耦合矩阵的互异非零特征值数量。
• 对于20个谐振子以拉普拉斯矩阵耦合的网络，仅需6个Riccati方程（5个互异非零特征值 + 1个辅助方程），相比20×20的集中式解法显著减少。
• 在平均场耦合情形（完全图），该方法退化为一个用于平均状态的Riccati方程和一个用于偏差的方程，与已知结果一致，但通过通用谱框架推导得出。
• 用于零空间的辅助Riccati方程通常得到零解，如拉普拉斯情形中˘P(t) = 0，从而简化实现。
• 该方法实现显著的计算节省：当Ldist ≪ n时，复杂度从O(n²dx²)降低至O(Ldist dx²)，使大规模网络的可扩展性成为可能。
• 该方法支持仅使用邻域信息和投影状态的局部或分布式实施，适用于大规模系统的实际部署。