⚡ electrical engineering

Sinkhorn Ambiguity Sets for Distributionally Robust Control: Convexity, Weak Compactness, and Tractability

تُثبت هذه الورقة البحثية تقعر وتراصّ مجموعات غموض سينكهورن (Sinkhorn ambiguity sets) لتقديم إطار تحسين محدب قابل للتنفيذ للتحكم الخطي التربيعي الموزع روبوستیًا، مما يوفر بديلًا فعالًا من حيث البيانات لطرق "واسرشتاين" (Wasserstein) التي تدمج بفعالية بين البيانات المرصودة والمعرفة المسبقة.

المؤلفون الأصليون: Riccardo Cescon, Andrea Martin, Giancarlo Ferrari-Trecate

نُشر 2026-05-06

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Riccardo Cescon, Andrea Martin, Giancarlo Ferrari-Trecate

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك كابتن طائرة ضخمة من طراز بوينج 747، تحاول الطيران من النقطة (أ) إلى النقطة (ب). تريد الوصول بكفاءة، ولكن هناك مشكلة: الرياح غير متوقعة.

في أيام الطيران القديمة (التحكم الكلاسيكي)، كان المهندسون يفترضون أنهم يعرفون الرياح بدقة تامة. كانوا يقولون: "ستكون الرياح بسرعة 10 أميال في الساعة تماماً من جهة الشمال"، ويخططون للرحلة بناءً على ذلك. لكن في الواقع، الرياح فوضوية؛ فأحياناً تكون سرعتها 5 أميال، وأحياناً 20، وأحياناً تهب في اتجاهات غريبة. إذا خططت لمتوسط سرعة الرياح، فقد تؤدي هبة ريح قوية مفاجئة إلى إخراج طائرتك عن مسارها، مما يؤدي لانتهاك قواعد السلامة.

من ناحية أخرى، إذا حاولت أن تكون حذراً للغاية (التحكم المتين/Robust Control)، فستفترض أن الرياح هي أسوأ سيناريو ممكن على الإطلاق — مثل تعرض الطائرة لإعصار يضربها من جميع الزوايا في آن واحد. ستطير ببطء شديد وتتخذ مساراً طويلاً جداً لتكون آمناً. ورغم أنك لن تتحطم أبداً، إلا أنك ستستهلك الكثير من الوقود والوقت. هذا النوع من الحذر مبالغ فيه.

الحل الوسط: التحكم المتين التوزيعي (DRC)
يقترح هذا البحث طريقة أذكى للطيران. بدلاً من التخمين الدقيق للرياح أو الخوف من أسوأ حالة ممكنة، يقول المهندسون: "لدينا بعض البيانات من الرحلات السابقة (عينات)، لكننا نعلم أنها ليست مثالية. دعونا نفترض أن الرياح الحقيقية تقع في مكان ما داخل 'سحابة' من الاحتمالات حول بياناتنا".

هذه "السحابة" تسمى مجموعة الغموض (Ambiguity Set). والهدف هو تصميم مسار طيران يعمل بشكل جيد حتى لو تبين أن الرياح هي أسوأ نسخة ممكنة داخل تلك السحابة المحددة.

المشكلة مع "السحابة" القديمة (مسافة واسرستاين - Wasserstein Distance)
لفترة من الوقت، كانت الطريقة الأفضل لتحديد هذه السحابة هي استخدام أداة رياضية تسمى مسافة واسرستاين. ومع ذلك، فإن هذه الأداة لها عيب غريب. إذا جاءت بياناتك من عدد قليل من عينات الرياح (مثل 5 هبات ريح مسجلة)، فإن "أسوأ حالة" للرياح التي تحسبها الحاسبة ستكون أيضاً مجرد نقاط محددة قليلة. الأمر يشبه القول بأن أسوأ رياح ممكنة هي فقط هبة من الشمال أو فقط هبة من الجنوب، مع تجاهل حقيقة أن الرياح الحقيقية هي تدفق مستمر وناعم يمكن أن يهب من أي مكان بينهما. هذا يجبر الطائرة على أن تكون حذرة بشكل مفرط لأن الرياضيات تعتقد أن الرياح "منقطة" وغير متوقعة بطريقة لا تشبه الطبيعة.

الحل الجديد: سحابة "سينكهورن" (The Sinkhorn Cloud)
يقدم المؤلفون في هذا البحث أداة جديدة تسمى تفاوت سينكهورن (Sinkhorn discrepancy). فكر في هذا كطريقة جديدة لرسم "سحابة" عدم اليقين.

الاستعارة: تخيل أن بياناتك هي بضع قطرات من الحبر على ورقة.
- طريقة واسرستاين تقول إن أسوأ سيناريو هو مجرد بضع قطرات حبر أخرى. إنها لا تملأ الفراغ بينها.
- طريقة سينكهورن تقول: "دعونا نفترض أن الحبر ينتشر بسلاسة مثل الماء". فهي تسمح لأسوأ حالة للرياح بأن تكون تدفقاً ناعماً ومستمراً يغطي السماء بأكملة، وليس مجرد نقاط متفرقة.

هذه ميزة هائلة لأن الضجيج في العالم الحقيقي (مثل اضطرابات الرياح) عادة ما يكون ناعماً ومستمراً، وليس نقاطاً معزولة. باستخدام "سينكهورن"، يمكن للحاسوب أن يقول: "حسناً، قد تكون الرياح نسيماً ناعماً من جهة الشمال الشرقي"، بدلاً من قول "شمال" أو "شرق" فقط. وهذا يؤدي إلى خطة طيران أكثر أماناً من "خطة المتوسط"، ولكنها أقل هدراً من "خطة الحالة الأسوأ".

ماذا أثبتوا؟
يقوم البحث بثلاثة أشياء رئيسية:

السلامة الرياضية: أثبتوا أن "سحب سينكهورن" هذه منضبطة رياضياً. فهي "محدبة" (على شكل وعاء ناعم، وليس صخرة مسننة) و"مدمجة" (لا تمتد إلى ما لا نهاية). هذا مهم لأن المسائل الرياضية المستخدمة لتصميم مسار الطيران يمكن للحواسيب حلها بالفعل دون التعثر.
حل اللغز: أظهروا كيفية تحويل المسألة المعقدة المتمثلة في "إيجاد أسوأ رياح في السحابة" إلى مسألة رياضية قياسية وقابلة للحل (البرمجة المحدبة). وهذا يعني أن المهندسين يمكنهم استخدام هذه الطريقة فعلياً على أجهزة الكمبيوتر الحقيقية.
تجربة القيادة: اختبروا ذلك على محاكاة لطائرة بوينج 747 تطير عبر اضطرابات رياح واقعية.
- خطة الطيران "المتوسطة" تحطمت (انتهكت قيود السلامة).
- الخطة "شديدة الأمان" كانت متحفظة للغاية.
- خطة سينكهورن الجديدة حافظت على سلامة الطائرة وأيضاً استهلكت وقوداً أقل من الخطة شديدة الأمان. لقد وجدت النقطة المثالية.

باخت-القول
يقدم هذا البحث للمهندسين أداة جديدة وأفضل للتعامل مع عدم اليقين. فمن خلال استخدام تفاوت سينكهورن، يمكنهم إنشاء "سحابة" من الأحداث المستقبلية المحتملة تبدو أكثر شبهاً بالعالم الحقيقي (سلسة ومستمرة)، بدلاً من كونها مجموعة مسننة من نقاط البيانات. وهذا يسمح لهم بتصميم أنظمة تحكم (مثل الطيار الآلي) تكون آمنة بما يكفي لمنع الحوادث، وفي نفس الوقت فعالة بما يكفي لتوفير الطاقة، وكل ذلك مع ضمان رياضي للعمل.

ملخص تقني: مجموعات الغموض لسينكهورن في التحكم المتين توزيعياً

بيان المشكلة

يعتمد التحكم العشوائي الكلاسيكي على افتراض أن التوزيع الاحتمالي الحقيقي لعدم اليقين معروف، وهو افتراض غالباً ما يُنتهك في الممارسة العملية حيث تتوفر فقط عينات محدودة. وبينما يعالج التحكم المتين (Robust Control) عدم اليقين عبر تحليل الحالة الأسوأ، إلا أنه غالباً ما يؤدي إلى حلول مفرطة في التحفظ. وتقدم الأمثلة المثلى المتينة توزيعياً (DRO) حلاً وسطاً من خلال التحسين ضد أسوأ توزيع ضمن "مجموعة غموض" (Ambiguity Set) ممركزة حول توزيع اسمي.

ومع ذلك، تواجه أساليب الـ DRO الحالية القائمة على مسافة "واسرشتاين" (Wasserstein distance) -وهي مقياس قياسي للنقل الأمثل- قيوداً كبيرة. فعندما يكون التوزيع الاسمي منفصلاً (على سبيل المثال، توزيع تجريبي من البيانات)، يكون التوزيع الأسوأ أيضاً منفصلاً، مما يفشل في التقاط الطبيعة المستمرة للعديد من عمليات الضجيج الفيزيائية. علاوة على ذلك، فإن تحقيق ضمانات عالية الاحتمالية باستخدام مجموعات "واسرشتاين" يتطلب أنصاف أقطار كبيرة عند ندرة البيانات، مما يؤدي إلى تحفظ مفرط.

تعالج هذه الورقة هذه القيود من خلال اقتراح إطار عمل للتحكم المتين توزيعياً (DRC) يستخدم مجموعات غموض سينكهورن (Sinkhorn ambiguity sets). تُعرف هذه المجموعات عبر تباين سينكهورن، وهو نوع معدل بالإنتروبيا من النقل الأمثل. ويتمثل التحدي الجوهري في إرساء الخصائص النظرية لهذه المجموعات واشتقاق صياغة قابلة للمعالجة لمشاكل التحكم التربيعي الخطي مع قيود السلامة الاحتمالية.

المنهجية

1. الأسس النظرية لمجموعات غموض سينكهورن

قام المؤلفون أولاً بتوصيف الخصائص الهندسية والطوبولوجية لمجموعة غموض سينكهورن، والتي يُرمز لها بـ $\mathcal{B}_{\rho, \epsilon}(P)$ . تحتوي هذه المجموعة على جميع التوزيعات الاحتمالية $Q$ بحيث يكون تباين سينكهورن $W_c^\epsilon(Q, P)$ أقل من أو يساوي نصف قطر $\rho$ .

التحدب (Convexity): تثبت الورقة أن مجموعة غموض سينكهورن محدبة. وهذه خاصية حاسمة لضمان قابلية المعالجة لمشاكل الأمثلة المعرفة فوق هذه المجموعات.
الرتق الضعيف (Weak Compactness): تحت الافتراضات القياسية لتكلفة النقل (تحديداً، أنها تنمو بسرعة كافية)، يثبت المؤلفون أن مجموعة غموض سينكهورن رتقة ضعيفاً. هذه الخاصية ضرورية لضمان وجود أسوأ التوزيعات ولتطبيق نظريات المينيمكس (minimax).
المقارنة مع واسرشتاين: على عكس مجموعات "واسرشتاين"، حيث يكون التوزيع الأسوأ منفصلاً إذا كان المركز منفصلاً، يسمح تباين سينكهورن للتوزيع الأسوأ بمشاركة دعم مقياس مرجعي $\nu$ . ومن خلال اختيار مقياس مرجعي مستمر (مثل التوزيع الطبيعي/Gaussian)، يظل التوزيع الأسوأ مستمراً، مما يقدم نمذجة أكثر واقعية لعدم اليقين.

2. إعادة صياغة قيود CVaR المتينة توزيعياً

تتضمن مشكلة التحكم قيود القيمة المتوقعة عند الخطر (CVaR) لضمان السلامة بمستوى ثقة محدد. استفاد المؤلفون من التحدب والرتق الضعيف لمجموعة سينكهورن لتبديل الحد الأقصى (فوق التوزيعات) والحد الأدنى (فوق عتبات المخاطر) في تعريف الـ CVaR للأسوأ حالة.

اشتقوا صياغة ثنائية قوية للتكلفة المتوقعة والقيود لـ CVaR في أسوأ حالة.
دالة الخسارة هي دالة خطية متعددة الأجزاء (كما هو شائع في القيود متعددة الأوجه) والمقياس المرجعي هو توزيع طبيعي، تتحول عملية الأمثلة ذات الأبعاد اللانهائية فوق التوزيعات إلى مشكلة أمثلة محدبة ذات أبعاد منتهية.
تستعيد هذه الصياغة نتائج "واسرشتاين" المعروفة في الحد الذي يقترب فيه معامل التنظيم $\epsilon \to 0$ .

3. التوليف التحكمي القابل للمعالجة عبر تركيب مستوى النظام (SLS)

تطبق الورقة هذه النتائج على مشكلة تحكم تربيعي خطي ذات أفق زمني محدد مع قيود سلامة احتمالية.

تقييد السياسة: يقيد المؤلفون فضاء البحث في سياسات التغذية الراجعة الخطية (affine feedback policies).
بارامترية SLS: بدلاً من تحسين معاملات التحكم مباشرة، استخدموا إطار عمل "تركيب مستوى النظام" (SLS). ينقل هذا العمل متغيرات التصميم إلى خرائط استجابة النظام المغلق ( $\Phi, \phi$ )، والتي تربط الاضطرابات بالحالات والمدخلات بشكل خطي.
البرنامج المحدب: من خلال الجمع بين بارامترية SLS وإعادة صياغة ثنائية قيود سينكهورن المتينة توزيعياً، أثبت المؤلفون أن مشكلة توليف التحكم بأكملها يمكن صياغتها كـ برنامج أمثلة محدب (تحديداً، برنامج مخروطي عندما تكون $\epsilon > 0$ ).
شروط الإمكانية: توفر الورقة شروطاً صريحة على نصف قطر مجموعة الغموض $\rho$ المطلوبة لجعل المشكلة ممكنة الحل.

المساهمات الرئيسية

الخصائص الطوبولوجية: تثبت الورقة تحدب ورتق مجموعات غموض سينكهورن. وتُقدم هذه النتائج كأعمال ذات أهمية مستقلة لأدبيات النقل الأمثل، حيث تعمل كأساس لحل مشكلات التحكم المقيد المتين توزيعياً.
إعادة الصياغة القابلة للمعالجة: اشتق المؤلفون إعادة صياغة محدبة ذات أبعاد منتهية لمشكلة التحكم التربيعي الخطي المتين توزيعياً (DR-LQ) القائمة على سينكهورن. تتعامل هذه الصياغة مع كل من دالة الهدف وقيود السلامة الاحتمالية (CVaR) في آن واحد.
توصيف الدعم المستمر: يسلط العمل الضوء على قدرة مجموعات سينكهورن على الحفاظ على دعم مستمر للتوزيعات الأسوأ عند استخدام مقياس مرجعي مستمر، مما يتناقض مع محدودية الدعم المنفصل في الـ DRO القائم على "واسرشتاين".
التحقق العددي: تم التحقق من المنهج المقترح باستخدام مشكلة تخطيط مسار لطائرة بوينج 747 معرضة لاضطرابات الرياح الممثلة بمرشح درايدن (Dryden filter).

النتائج والنتائج التجريبية

تقارن التجارب العددية بين ثلاثة متحكمات:

$\pi_{emp}$ : متحكم التكافؤ اليقيني باستخدام التوزيع التجريبي (يتجاهل عدم اليقين).
$\pi_{W}$ : متحكم DRO القائم على "واسرشتاين".
$\pi_{S}$ : متحكم DRO القائم على "سينكهورن" المقترح.

الملاحظات الرئيسية:

الأداء مقابل التحفظ: أظهر المتحكم التجريبي ( $\pi_{emp}$ ) تكاليف تحكم عالية وانتهاكات كبيرة للقيود في بيانات الاختبار غير المرئية. تفوق كلا المتحكمين المتينين ( $\pi_{W}$ و $\pi_{S}$ ) بشكل كبير على الخط المرجعي التجريبي.
تقليل التحفظ: أظهر متحكم سينكهورن ( $\pi_{S}$ ) تحفظاً أقل مقارنة بمتحكم "واسرشتاين" ( $\pi_{W}$ ). وبينما سجل $\pi_{S}$ معدل انتهاك قيود أعلى قليلاً من $\pi_{W}$ عند أنصاف أقطار صغيرة جداً، إلا أنه استوفى باستمرار عتبات السلامة المطلوبة مع تحقيق تكاليف تحكم أقل بكثير.
سلوك المسار: أظهرت التصورات المرئية للحالات النهائية أن مسارات $\pi_{S}$ ظلت أقرب إلى حدود المنطقة الممكنة مقارنة بـ $\pi_{W}$ ، مما يشير إلى أن مجموعة غموض سينكهورن تسمح باستخدام أقل تحفظاً لهامش السلامة دون المساس بضمانات السلامة.
التعقيد الحسابي: يتم حل المشكلة باستخدام بحث القطع الذهبية (golden section search) عبر المتغير الثنائي $\lambda$ ، حيث تحل كل تكرار مسألة أمثلة مخروطية. المنهج قابل للتنفيذ حسابياً لأبعاد النظام المختبرة.

الأهمية والادعاءات

تدعي الورقة أن النهج المقترح يقدم طريقة مبدئية لموازنة المتانة والأداء في تصميم التحكم عندما تكون البيانات شحيحة. ومن خلال استخدام تباين سينكهورن، تقوم الطريقة بـ:

تجنب الآثار المنفصلة: تمنع التوزيع الأسوأ من الانهيار في مجموعة من النقاط المنفصلة، مما يسمح بتمثيل أفضل للطبيعة المستمرة للضجيج الفيزيائي.
دمج المعرفة المسبقة: تسمح بالدمج السلس للمعرفة المسبقة (عبر المقياس المرجعي $\nu$ ) مع البيانات التجريبية.
تمكين الأمثلة المحدبة: تحول مشكلة محتملة التعقيد ذات أبعاد لانهائية ومتينة توزيعياً إلى برنامج محدب قابل للمعالجة، حتى في وجود قيود السلامة.

يضع المؤلفون هذا العمل كخطوة نحو تحكم متين توزيعياً أكثر فعالية، لا سيما في التطبيقات الحرجة للسلامة حيث تكون المقايضة بين ضمانات السلامة والأداء حاسمة. ويشيرون إلى أنه بينما يركز العمل الحالي على الأنظمة الخطية والسياسات الخطية، فإن الخصائص النظرية لمجموعات سينكهورن التي تم إرساؤها هنا تعد أساساً للتوسعات المستقبلية في الأنظمة غير الخطية وطرق الحل القائمة على التدرج.