[论文解读] Scalability in nonlinear network systems affected by delays and disturbances

Shihao Xie, Giovanni Russo+1 more|arXiv (Cornell University)|Jun 12, 2020

Distributed Control Multi-Agent Systems参考文献 44被引用 23

一句话总结

本文提出了一种新颖的框架，用于确保在通信时延和外部扰动影响下，非线性异构网络系统的可扩展性。通过形式化 L∞-可扩展输入-状态稳定性（L∞-sISS）和 L∞-可扩展输入-输出稳定性（L∞-sIOS），作者利用具有最大可分度量的微分几何理论，推导出两个充分条件，从而为领导者-跟随者和无领导者网络（包括时变配置和循环神经网络）提供了可扩展控制协议的设计准则。

ABSTRACT

This paper is concerned with the study of scalability in nonlinear heterogeneous networks affected by communication delays and disturbances. After formalizing the notion of scalability, we give two sufficient conditions to assess this property. Our results can be used to study leader-follower and leaderless networks and also allow to consider the case when the desired configuration of the system changes over time. We show how our conditions can be turned into design guidelines to guarantee scalability and illustrate their effectiveness via numerical examples.

研究动机与目标

• 形式化在通信时延和外部扰动影响下，非线性异构网络系统的可扩展性。
• 解决非线性、时延和扰动网络缺乏可扩展稳定性分析的问题，特别是在神经网络和移动代理构型中的应用。
• 开发不依赖时延边界的设计准则，以确保大规模系统中的鲁棒性。
• 将现有的串稳定性与网络一致性概念扩展至非线性、异构且存在时延的网络系统，同时考虑扰动影响。
• 展示该框架在移动代理网络和循环神经网络（包括联想记忆系统）中的适用性。

提出的方法

• 通过 L∞-可扩展输入-状态稳定性（L∞-sISS）和 L∞-可扩展输入-输出稳定性（L∞-sIOS）形式化非线性异构代理在时延和扰动下的可扩展性。
• 应用具有最大可分度量的微分几何理论，利用矩阵测度 µ∞ 和 σ-min/max 奇异值，推导出可扩展性的充分条件。
• 利用关键洞察：相对于最大可分度量的收缩性意味着可扩展性，从而实现与时延无关的分析。
• 通过将充分条件转化为对控制协议和激活函数权重的约束，制定设计准则。
• 通过移动代理构型和具有时变参考输入与扰动的霍普菲尔德神经网络的数值仿真验证该框架。
• 利用反馈线性化和坐标变换（如 χi = Ti(xi)）简化动力学，使稳定性框架可应用于实际系统。

实验结果

研究问题

• RQ1 如何在存在通信时延和扰动的非线性异构网络系统中，正式定义并评估可扩展性？
• RQ2 在不依赖时延边界的情况下，确保此类网络系统满足 L∞-sISS 和 L∞-sIOS 的充分条件是什么？
• RQ3 所提出的条件能否转化为移动代理网络中分布式控制协议的实际设计准则？
• RQ4 该框架能否扩展以确保在循环神经网络中的可扩展性，特别是针对联想记忆应用？
• RQ5 可扩展性如何防止大规模网络中的扰动放大？在扰动下可扩展性的极限是什么？

主要发现

• 本文确立：若一个网络系统相对于最大可分度量是收缩的，则其本质上是可扩展的，从而在收缩性与可扩展性之间建立了基础性联系。
• 推导出两个 L∞-sISS 和 L∞-sIOS 的充分条件，其与时延边界无关，适用于领导者-跟随者和无领导者配置。
• 在移动代理仿真中，可扩展协议成功跟踪了时变速度轨迹，同时有效抑制了扰动，即使在 55 个代理的扰动下，偏差仍保持有界。
• 对于包含 60 个神经元的霍普菲尔德网络，当自连接强度从 ci=10 增加到 ci=15（随后增至 ci=32）时，满足所推导的条件，确保了可扩展性并防止了扰动放大。
• 数值结果表明，可扩展网络在扰动下（例如 1 秒内 10% 幅度扰动）仍能保持有界偏差，而非可扩展网络则表现出无界增长。
• 该框架成功识别出激活函数和权重的条件，以保证循环网络中的 L∞-sISS，标志着首次对这类神经网络中的可扩展性进行明确处理。