Set-Based Value Function Characterization and Neural Approximation of Stabilization Domains for Input-Constrained Discrete-Time Systems

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "توصيف القيمة المعتمدة على المجموعات والتقريب العصبي لنطاقات الاستقرار للأنظمة ذات الزمن المنفصل والمقيدة بالمدخلات."

1. بيان المشكلة

تتناول الورقة البحثية تحدي تقدير نطاق الاستقرار (DOS) للأنظمة غير الخطية ذات الزمن المنفصل الخاضعة لقيود المدخلات.

• السياق: بينما توجد العديد من طرق التحكم (مثل التحكم التنبئي بالنماذج، ودوال ليابونوف للتحكم)، إلا أنها غالبًا ما توفر ضمانات استقرار محلية فقط. وغالبًا ما يكون نطاق الجذب (DOA) الناتج أصغر من نطاق الاستقرار الحقيقي (DOS)، خاصة عند وجود قيود على المدخلات.
• الفجوة: إن النهج القائم على دالة القيمة (والذي يوفر نظريًا توصيفًا دقيقًا لـ DOS) غير قابل للتطبيق حسابيًا للأنظمة غير الخطية العامة بسبب "لعنة الأبعاد" وصعوبة حل مسائل التحكم الأمثل ذات الأفق اللانهائي التي تتضمن مؤثرات "الإنفيموم" (infimum) على مدخلات التحكم.
• الهدف: تطوير إطار عمل يقدر الـ DOS الأقصى بدقة ويصنع متحكمات مستقرة للأنظمة المقيدة بالمدخلات دون الاعتماد على التقسيم الشبكي الشامل لفضاء الحالة.

2. المنهجية

يقترح المؤلفون إطار عمل مبتكر يدمج دوال القيمة المعتمدة على المجموعات مع الشبكات العصبية المستوحاة من الفيزياء (PINNs).

أ. توصيف دالة القيمة المعتمدة على المجموعات

بدلاً من تعريف دوال القيمة على فضاء الحالة $\mathbb{R}^n$، يعرّف المؤلفون هذه الدوال على المتجه المترية للمجموعات المتراصة $\mathcal{K}(\mathbb{R}^n)$ المزودة بمسافة هوسدورف (Hausledorff distance).

• التعريفات:
  • ليكن $A$ مجموعة مستقرة تحت التحكم (CIS).
  • يتم تعريف دالة التكلفة $\Psi(X)$ كأدنى قيمة لجزاء يعتمد على المسافة فوق مجموعة $X$: $\Psi(X) = \inf_{y \in X} \alpha(y)$.
  • دالة القيمة $V$ هي المجموع اللانهائي للتكاليف عبر المجموعات الممكن الوصول إليها: $V(X) = \sum_{k=0}^{\infty} \Psi(\mathcal{R}(X, k))$، حيث $\mathcal{R}(X, k)$ هي المجموعة الممكن الوصول إليها عند الزمن $k$.
  • تم تقديم دالة محولة $W(X) = 1 - \exp(-V(X))$ لربط المجموع اللانهائي بنطاق محدود $[0, 1)$.
• النتيجة النظرية الرئيسية: يثبت النظر (Theorem 2) أن الـ DOS ($D_A$) هو بالضبط مجموعة الحالات الأولية $x$ التي تكون فيها $V(\{x\}) < \infty$ (أو بالتالي $W(\{x\}) < 1$). وبالتالي، فإن المجموعات الفرعية لمستوى $W$ توضح نطاق الـ DOS.

ب. المعادلات الوظيفية من نوع بلمان (Bellman-Type)

تشتق الورقة معادلات وظيفية تحققها هذه الدوال القيمية، متجنبةً مؤثرات "الإنفيموم" الصريحة فوق عناصر التحكم في دالة الخسارة:

• بالنسبة لـ $V$: $v(X) = \Psi(X) + v(F(X))$، حيث $F(X)$ هي صورة المجموعة $X$ تحت ديناميكيات النظام وقيود المدخلات.
• بالنسبة لـ $W$: تم اشتقاق معادلة من نوع زوبوف (Zubov-type): $w(X) - w(F(X)) = \xi(X)(1 - w(F(X)))$، حيث تعتمد $\xi(X)$ على التكلفة $\Psi(X)$.
• الأهمية: تسمح هذه المعادلات بتعلم دالة القيمة من خلال تلبية شرط خطأ المتبقي (residual error)، بشكل مشابه لكيفية حل شبكات PINNs للمعادلات التفاضلية الجزئية.

ج. إطار عمل الشبكة العصبية المستوحاة من الفيزياء (PINN)

لتقريب هذه الدوال المعتمدة على المجموعات، يستخدم المؤلفون إطار تعلم يتكون من:

1. تضمين المجموعة (Set Embedding): بما أن الشبكات العصبية تعمل على المتجهات، يفترض المؤلفون وجود رسم خرائط حقني (injective mapping) $T$ يقوم بتضمين المجموعات الفردية $\{x\}$ وصور الوصول إليها $F(\{x\})$ في فضاء محدود الأبعاد $\mathbb{R}^L$ (على سبيل المثال، باستخدام المستطيلات الفائقة أو الزوناتات/zonotopes).
2. دالة الخسارة: يقلل التدريب من خسارة مركبة $L(\theta) = \lambda_d L_d + \lambda_{pi} L_{pi}$:
   • خسارة البيانات ($L_d$): تقلل الفرق بين مخرجات الشبكة وتقريب الأفق المحدود لـ $W$ (يتم حسابه عبر مسارات عينة).
   • الخسارة المستوحاة من الفيزياء ($L_{pi}$): تفرض معادلة بلمان (9) من خلال تقليل المتبقي: $J_{pi} = (W_{\theta}(X) - W_{\theta}(F(X)) - \xi(X)(1 - W_{\theta}(F(X))))^2$.
3. تخليق المتحكم (Controller Synthesis): بمجرد تدريب الشبكة $W_{\theta}$، يتم تخليق متحكم مستقر عن طريق اختيار مدخلات التحكم التي تقلل من دالة القيمة (أي $u$ بحيث يكون $W_{\theta}(f(x, u)) < W_{\theta}(x)$).

3. المساهمات الرئيسية

1. الصياغة المعتمدة على المجموعات: تقديم دوال قيمة معرفة على المتجهات المترية للمجموعات المتراصة، مما يوفر توصيفًا دقيقًا لـ DOS دون الحاجة إلى تقسيم فضاء الحالة.
2. معادلات وظيفية مبتكرة: اشتقاق معادلات من نوع بلمان لديناميكيات المجموعات والتي تلغي الحاجة إلى مؤثرات "الإنفيموم" الصريحة فوق مدخلات التحكم، مما يجعلها مناسبة للتعلم القائم على التدرج.
3. تكامل PINN: تطوير إطار تعلم مستوحى من الفيزياء يدمج المعادلات الوظيفية المشتقة مباشرة في تدريب الشبكة العصبية، مما يضمن أن الدالة المتعلمة تحترم ديناميكيات النظام وخصائص الاستقرار.
4. تخليق تحكم بنائي: طريقة لاستخراج متحكم تغذية راجعة مستقر مباشرة من دالة القيمة المتعلمة، مما يضمن الاستقرار التقاربي ضمن النطاق المقدر.

4. النتائج العددية

تم التحقق من صحة إطار العمل على نظامين غير خطيين بآثار زمنية منفصلة وقيود مدخلات:

• النظام 1: نظام غير خطي ثنائي الأبعاد (2D).
• النظام 2: نظام ثلاثي الأبعاد (3D).
• المقارنة: تمت مقارنة تقديرات الشبكة العصبية لـ DOS مقابل تقديرات دالة ليابونوف التربيعية التقليدية.
• النتائج:
  • قدمت الطريقة المقترحة تقديرات أقل تحفظًا (أكبر) لنطاق الـ DOS مقارنة بنهج ليابونوف التربيعي.
  • اقتربت دالة القيمة المتعلمة $W_{\theta}$ بشكل وثيق من الحد النظري 1 بالقرب من حدود الـ DOS الحقيقي.
  • نجحت المتحكمات المخلقة في تثبيت المسارات من الظروف الأولية داخل النطاق المقدر مع الالتزام بقيود المدخلات.
  • تم إثبات الكفاءة الحسابية مع أوقات تدريب بلغت حوالي 5 دقائق (للثنائي الأبعاد) و15 دقيقة (للثلاثي الأبعاد) على حاسوب محمول قياسي.

5. الأهمية والعمل المستقبلي

• الأثر النظري: يجسد هذا العمل الفجوة بين الضمانات النظرية الصارمة للتحكم القائم على دالة القيمة (والتي غالبًا ما تكون مستحيلة حسابيًا) وقابلية التوسع للتعلم العميق الحديث. فهو يوفر طريقة منهجية لتعلم دوال ليابونوف قصوى للأنظمة المقيدة.
• الأثر العملي: يوفر نهجًا فعالًا من حيث البيانات لتخليق التحكم لا يتطلب مجموعات بيانات ضخمة (على عكس التعلم المعزز المعتمد كليًا على البيانات) ويتجنب "لعنة الأبعاد" المرتبطة بالبرمجة الديناميكية القائمة على الشبكات.
• الاتجاهات المستقبلية: يخطط المؤلفون لدمج أدوات التحقق الرسمي (مثل $\alpha,\beta$-CROWN أو حلول SMT) لتوفير ضمانات موثقة للمتحكمات المتعلمة وتوسيع إطار العمل ليشمل الأنظمة ذات قيود الحالة والاضطرابات.

باخت_صار، تقدم الورقة إطار عمل قويًا ومؤسسًا رياضيًا يستفيد من تحليل المجموعات والشبكات العصبية لحل المشكلة طويلة الأمد المتمثلة في تقديز والتحكم في نطاقات الاستقرار للأنظمة غير الخطية المقيدة.