[论文解读] The Koopman Expectation: An Operator Theoretic Method for Efficient Analysis and Optimization of Uncertain Hybrid Dynamical Systems

Adam R. Gerlach, Andrew Leonard+2 more|arXiv (Cornell University)|Aug 20, 2020

Model Reduction and Neural Networks参考文献 8被引用 5

一句话总结

本文提出了一种基于算子理论的方法——Koopman期望，无需显式构造Koopman算子，即可计算不确定混合动力系统中可观测量的期望。通过利用Koopman算子与Frobenius-Perron算子之间的伴随关系，该方法实现了期望值及高阶统计量的高效计算，在弹跳球测试案例中，计算速度相比蒙特卡罗方法最高提升1700倍，且精度高出数个数量级。

ABSTRACT

For dynamical systems involving decision making, the success of the system greatly depends on its ability to make good decisions with incomplete and uncertain information. By leveraging the Koopman operator and its adjoint property, we introduce the Koopman Expectation, an efficient method for computing expectations as propagated through a dynamical system. Unlike other Koopman operator-based approaches in the literature, this is possible without an explicit representation of the Koopman operator. Furthermore, the efficiencies enabled by the Koopman Expectation are leveraged for optimization under uncertainty when expected losses and constraints are considered. We show how the Koopman Expectation is applicable to discrete, continuous, and hybrid non-linear systems driven by process noise with non-Gaussian initial condition and parametric uncertainties. We finish by demonstrating a 1700x acceleration for calculating probabilistic quantities of a hybrid dynamical system over the naive Monte Carlo approach with many orders of magnitudes improvement in accuracy.

研究动机与目标

• 开发一种计算高效的算法，用于在具有非高斯不确定性与过程噪声的不确定混合动力系统中计算期望值。
• 克服传统蒙特卡罗方法在高维或复杂系统中计算缓慢且缺乏可靠误差估计的局限性。
• 通过使用Koopman期望重新表述期望损失和约束函数，实现不确定性下的优化。
• 通过向量值可观测量与基于Koopman的积分方法，高效计算高阶统计矩（如方差、偏度、峰度）。
• 提供一种无需显式构造Koopman算子即可保持精度并支持误差估计的框架。

提出的方法

• 利用Koopman算子与Frobenius-Perron算子之间的伴随性质，将未来可观测量的期望表示为Koopman算子对初始概率密度进行前向拉回的运算。
• 将期望计算重新表述为对初始不确定性分布上Koopman变换后可观测量的积分，避免了对概率密度的前向传播。
• 采用数值积分方法（如高斯-勒让德求积）高效计算Koopman期望，并基于积分方法推导误差界。
• 将方法扩展至向量值可观测量，通过在分量函数上应用Koopman期望，实现对五阶中心矩的计算。
• 将Koopman期望集成至优化循环中，实现对随机最优控制问题的快速且精确求解。
• 在具有非高斯初始条件与过程噪声的混合动力系统（弹跳球）上验证了该方法，与蒙特卡罗模拟进行对比。

实验结果

研究问题

• RQ1 Koopman期望能否为具有非高斯不确定性的混合动力系统中的期望计算提供比蒙特卡罗方法更高效的替代方案？
• RQ2 在不显式表示Koopman算子的前提下，Koopman期望在多大程度上可实现高阶统计矩的计算？
• RQ3 与蒙特卡罗方法相比，Koopman期望在不确定性优化中的计算效率与精度如何提升？
• RQ4 Koopman期望能否作为空间积分方法的副产品提供可靠的误差估计，而蒙特卡罗方法则需大量采样才能获得类似估计？
• RQ5 Koopman期望在具有大量不确定参数或复杂噪声过程的系统中具有怎样的可扩展性？

主要发现

• 在弹跳球系统中，Koopman期望在计算期望平方偏离距离时，相比单次蒙特卡罗评估，计算速度提升了1700倍。
• 在计算五阶中心矩时，Koopman期望相比一千万次蒙特卡罗模拟，速度提升了77,000倍，且第二阶矩的解算精度在±3.878×10⁻⁵以内。
• Koopman期望仅通过26次函数评估，便在0.117秒内完成平方偏离距离的期望值计算，相比蒙特卡罗方法单次目标函数计算所需时间，实现了17.5倍的速度提升。
• Koopman期望作为空间积分方法的副产品，提供了紧致的误差界，而蒙特卡罗方法则需大量采样才能获得类似精度的误差估计。
• 该方法仅通过225次模拟即可实现对五阶高阶矩的精确计算，展示了其在第一阶期望之外的统计分析中的高效性。
• Koopman期望在速度与精度上均优于蒙特卡罗方法，即使蒙特卡罗方法使用了一千万次采样，其残差误差仍低于1.776×10⁻³（三阶中心矩）与1.536×10⁻³（四阶中心矩）。