⚡ electrical engineering

Data-driven approximation of regions of attraction via an LP-based selection of PWA Lyapunov functions

تقترح هذه الورقة طريقة قائمة على البيانات تقوم ببناء مجموعة عدم يقين متعددة السطوح من تقييمات حقل متجه نقطي وحدود ليبشيتز لتخليق دالة ليابونوف قطعة بقطعة خطية (piecewise-affine) عبر البرمجة الخطية، وذلك لاعتماد منطقة جذب للأنظمة الديناميكية غير الخطية المجهولة.

المؤلفون الأصليون: Oumayma Khattabi, Matteo Tacchi-Bénard, Martin Gulan, Sorin Olaru

نُشر 2026-05-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Oumayma Khattabi, Matteo Tacchi-Bénard, Martin Gulan, Sorin Olaru

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 تحاول فهم كيفية عمل آلة غامضة وغير مرئية. لا يمكنك رؤية تروسها أو قراءة كتيب تعليماتها (النموذج الرياضي غير معروف)، ولكن يمكنك النقر عليها في أماكن مختلفة لترى رد فعلها. هدفك هو رسم "سياج" آمن حول مركز الآلة. إذا بدأت من أي مكان داخل هذا السياج، فستستقر الآلة في النهاية عند المركز. أما إذا بدأت من الخارج، فقد تنطلق نحو الفوضى.

تقدم هذه الورقة البحثية طريقة ذكية تعتمد على البيانات لرسم ذلك السياج دون الحاجة أبداً لمعرفة المخططات الداخلية للآلة.

إليك كيف قام المؤلفون بذلك، مقسماً إلى خطوات بسيطة:

1. الخريطة "الضبابية" للاحتمالات

أولاً، يقوم الباحثون بالنقر على الآلة في نقاط محددة (نقاط البيانات). هم يعلمون أن الآلة ليست مجنونة؛ فهي تتبع قاعدة تسمى استمرارية ليبشيتز (Lipschitz continuity). فكر في هذا كأنه حد للسرعة لكيفية تغير سلوك الآلة. إذا حركت إصبعك قليلاً، فلا يمكن لرد فعل الآلة أن يقفز بشكل جامح؛ يمكنه فقط أن يتغير بمقدار معين.

باستخدام نقاط النقر القليلة هذه و"حد السرعة"، يبني المؤلفون مجموعة عدم يقين متعددة الأوجه (polyhedral uncertainty set).

التشبيه: تخيل أنك تحاول تخمين شكل جسم مخفي في غرفة مظلمة عن طريق لمسه في بضع نقاط. أنت تعلم أن الجسم ناعم وليس به نتوءات حادة مستحيلة. بناءً على لمساتك، ترسم "سحابة" لكل الأشكال الممكنة التي يمكن أن يكون عليها هذا الجسم. هذه السحابة ليست شكلاً واحداً؛ بل هي صندوق ضبابي متعدد الجوانب يحتوي على كل نسخة من الآلة تتوافق مع بياناتك.

2. شبكة الأمان "المجزأة"

بعد ذلك، يحتاجون إلى إثبات أن الآلة ستستقر دائماً إذا كانت داخل سياجهم. وللقيام بذلك، يقومون بإنشاء دالة ليابونوف (Lyapunov function).

التشبيه: فكر في دالة ليابونوف كأنها تضاريس من التلال والوديان. مركز الآلة هو قاع الوادي. "سياج الأمان" هو خط كنتور محدد على هذه الخريطة. القاعدة هي: إذا كنت في أي مكان على هذه الخريطة، يجب أن تتدحرج الآلة دائماً "للأسفل" باتجاه المركز. لا يمكنها أبداً التدحرج للأعلى أو البقاء مسطحة.

يستخدم المؤلفون دالة تجزئية خطية (Piecewise Affine - PWA).

التشبيه: بدلاً من محاولة رسم منحنى واحد ناعم ومثالي (وهو أمر صعب عندما لا تعرف الآلة)، يقومون ببناء التضاريس من بلاطات مثلثية مسطحة (مثل أرضية الموزاييك). كل بلاطة عبارة عن منحدر بسيط ومسطح. من خلال دمج هذه البلاطات المسطحة معاً، يمكنهم تقريب أي شكل تقريباً للتلال أو الوديان.

3. "قائمة التحقق" (البرمجة الخطية)

الآن يأتي السحر الحقيقي. لديهم سحابة ضبابية من سلوكيات الآلة المحتملة وأرضية موزاييك من المنحدرات. يتعين عليهم التأكد من أنه مهما كان أي إصدار من الآلة هو الحقيقي (طالما أنه يقع داخل السحابة الضبابية)، فإنه سيتدحرج دائماً للأسفل.

فحص كل احتمال هو أمر مستحيل. لذا، يستخدمون اختصاراً رياضياً يسمى البرمجة الخطية (Linear Programming - LP).

التشبيه: تخيل أن لديك سلة من الكرات المختلفة (سلوكيات الآلة المحتملة). بدلاً من اختبار كل كرة لمعرفة ما إذا كانت ستتدحرج للأسفل على أرضية الموزاييك الخاصة بك، تحتاج فقط إلى اختبار زوايا السلة. إذا تدحرجت الزوايا للأسفل، فإن كل ما بداخل السلة سيفعل ذلك أيضاً.
يقوم الكمبيوتر بحل قائمة تحقق ضخمة (برنامج خطي) لضبط زوايا البلاطات المسطحة حتى تضمن "زوايا" السحبة الضبابية التدحرج نحو المركز.

4. النتيجة: منطقة آمنة معتمدة

إذا وجد الكمبيوتر مجموعة من البلاطات التي تعمل، فإنه يرسم "السياج" (منطقة الجذب - Region of Attraction).

الادعاء: تزعم الورقة أنه إذا بدأت داخل هذا السياج، فإن الآلة ستكون مضمونة الأمان والاستقرار، على الرغم من أن الباحثين لم يروا أبداً النموذج الكامل للآلة. لقد أثبتوا ذلك باستخدام نقاط البيانات القليلة التي جمعوها وقاعدة "حد السرعة".

5. التحسين التكراري (حلقة التعلم)

أحياناً تفشل المحاولة الأولى. ربما تكون السحابة الضبابية واسعة جداً، أو أن الآلة غير متوقعة في منطقة معينة.

التشبيه: إذا قال الكمبيوتر: "لا يمكنني ضمان الأمان هنا"، فإن الخوارزمية تعود وتضغط على الآلة في تلك النقطة الصعبة تحديداً للحصول على مزيد من البيانات. بعد ذلك، تعيد رسم السحابة الضبابية وتحاول بناء أرضية الموزاييك مرة أخرى. تستمر في القيام بذلك حتى تجد سياجاً صلباً ومعتمداً.

ملخص

باختصاف، تتعلق هذه الورقة بـ بناء ضمان سلامة من بيانات متفرقة.

النقر على النظام المجهول للحصول على البيانات.
رسم سحابة ضبابية لكل السلوكيات الممكنة بناءً على تلك البيانات.
بناء أرضية موزاييك (دالة PWA) تجبر النظام على التدحرج نحو المركز.
استخدام قائمة تحقق (برنامج خطي) لإثبات أن كل نسخة ممكنة من النظام داخل السحابة ستتبع القواعد.
إخراج منطقة آمنة معتمدة حيث يُضمن استقرار النظام.

اختبر المؤلفون هذا على بندول متأرجح ومتذبذب معقد، مما أظهر أنه حتى مع قدر ضئيل جداً من البيانات، استطاعوا رسم "منطقة آمنة" مثبتة رياضياً حول النقطة المستقرة للنظام.

ملخص تقني: التقريب القائم على البيانات لنطاق الجذب عبر اختيار دوال ليابونوف للأنظمة المقطعية من نوع (PWA) باستخدام البرمجة الخطية (LP)

صياغة المشكلة
تتناول الورقة تحدي التحقق من الاستقرار وتقريب نطاق الجذب (RoA) للأنظمة الديناميكية غير الخطية ذات الحقول المتجهة المجهولة، $\dot{x} = f(x)$ . يعتمد تحليل الاستقرار التقليدي على نماذج رياضية صريحة، والتي غالباً ما تكون غير متوفرة للأنظمة غير الخطية المعقدة. وبينما توجد طرق قائمة على البيانات، فإن العديد منها (مثل الطرق القائمة على الشبكات العصبية) تفتقر إلى ضمانات المتانة الصريحة، بينما تعتمد طرق أخرى (مثل مجموع المربعات - Sum-of-Squares) على افتراضات هيكلية قد تحد من إمكانية التطبيق القائم على البيانات بشكل كامل.

الهدف هو بناء نطاق جذب (RoA) معتمد باستخدام تقييمات نقطية للحقل المتجه (البيانات) وقيود استمرارية ليبشيتز (Lipschitz continuity) المعروفة. تفترض المشكلة ما يلي:

وجود نقطة اتزان فريدة مستقرة محلياً (تؤخذ كالأصل).
الحقل المتجه $f$ هو حقل ليبشيتز بحد علوي معروف للمكونات $M$ .
مجموعة بيانات $D_{N_d} = \{(x_i, f_i)\}$ متاحة من عمليات المحاكاة أو القياسات.
وجود مجموعة متعددة الأوجه آمنة وصغيرة $A$ تحتوي على نقطة الاتزان.

المنهجية
يسير الإطار المقترح عبر ثلاث مراحل رئيسية: توصيف عدم اليقين، تقسيم فضاء الحالة، وتوليد مرشح ليابونوف عبر البرمجة الخطية (LP).

بناء مجموعة عدم اليقين:
بناءً على فرضية استمرارية ليبشيتز والبيانات المتاحة، يقوم المؤلفون ببناء مجموعة عدم يقين متعددة الأوجه $F_{D_{N_d}}$ تمثل جميع الحقول المتجهة المقبولة والمتسقة مع البيانات.

لكل نقطة بيانات $(x_i, f_i)$ ، يحدد قيد ليبشيتز $|f(x) - f_i| \leq M\|x - x_i\|_\infty$ مجموعة من القيم المقبولة.
تمت إعادة صياغة هذا القيد إلى اتحاد من المخاريط متعددة الأوجه في $\mathbb{R}^{n+1}$ (الحالة وقيمة الحقل المتجه).
مجموعة عدم اليقين العالمية هي تقاطع هذه المجموعات عبر جميع نقاط البيانات.
من الضروري ملاحظة أنه لأي حالة $x$ ، تشكل مجموعة قيم الحقل المتجه المقبولة $F(x)$ صندوقاً فائقاً (Hyperbox) (وهو حاصل ضرب ديكارتي للفترات). تسمح هذه الخريطة ذات القيم المتعددة لوصف ديناميكيات النظام كاحتواء تفاضلي $\dot{x} \in F(x)$ .

تقسيم فضاء الحالة ومرشح (PWA):
يتم تقسيم فضاء الحالة $X$ إلى تقسيم متعدد الأوجه $\{Y_j\}$ . يتم اشتقاق رؤوس هذا التقسيم من إسقاطات رؤوس الرسم البياني لمجموعة عدم اليقين $F(x)$ على فضاء الحالة. يضمن هذا أن التقسيم يتوافق مع الهيكل الهندسي لعدم اليقين.
يتم تعريف دالة ليابونوف مرشحة (PWA) مستمرة فوق هذا التقسيم:
$V(x) = a_j^T x + b_j, \quad \forall x \in Y_j$
حيث تكون المعاملات $(a_j, b_j)$ هي متغيرات القرار المراد تحديدها.
التوليف عبر البرمجة الخطية (LP):
يقوم المؤلفون بصياغة برنامج خطي (LP) لاختيار المعاملات $(a_j, b_j)$ بحيث تحقق $V(x)$ شروط ليابونوف لجميع الديناميكيات المقبولة في $F(x)$ .

الإيجابية والاستمرارية: يتم فرضها عبر قيود خطية عند رؤوس التقسيم وعلى حدود الخلايا.
شرط التناقص: يجب أن يتحقق الشرط $\nabla V(x)^T f(x) < 0$ لجميع $f(x) \in F(x)$ . وبما أن $F(x)$ هو صندوق فائق محدب، فإن قيمته القصوى تتحقق عند رؤوسه. لذلك، يتم فرض الشرط فقط عند المجموعة المحدودة من الرؤوس $F_v(x)$ للصندوق الفائق.
الاسترخاء (Relaxation): يتم إدخال متغيرات "الارتخاء" (Slack variables) للتعامل مع عدم الإمكانية (على سبيل المثال، بالقرب من نقطة الاتزان أو حيث تكون البيانات غير كافية)، مما يسمح بعملية تحسين تكرارية.

الخوارزمية التكرارية:
يُقترح خوارزمية تكرارية (الخوارزمية 1):

بناء مجموعة عدم اليقين واستخراج الرؤوس.
حل البرمجة الخطية (LP).
إذا لم يتحقق شرط تناقص ليابونوف (الذي يشير إليه وجود متغيرات ارتخاء غير سالبة) أو إذا كانت مجموعة عدم اليقين تحتوي على الصفر (مما يشير إلى عدم كفاية البيانات)، يتم إضافة نقاط بيانات جديدة عند الرؤوس الإشكالية.
تتكرر العملية حتى يتم اعتماد نطاق جذب (RoA) صالح أو الوصول إلى حدود التكرار.

المساهمات الرئيسية

النمذجة الصريحة لعدم اليقين: توفر الورقة طريقة دقيقة لبناء مجموعة عدم يقين متعددة الأوجه من بيانات متفرقة وقيود ليبشيتز، مما يحول الديناميكيات المجهولة إلى احتواء تفاضلي يمكن التعامل معه.
الاعتماد (Certification) عبر البرمجة الخطية: على عكس الطرق البديلة التي تعتمد على البرمجة الهرمية من الدرجة الثانية (SOCP) أو الشبكات العصبية، تصيغ هذه الطريقة التحقق من الاستقرار كبرنامج خطي (LP). ويتحقق ذلك من خلال استغلال هيكل الصندوق الفائق لعدم اليقين وتقييم الشروط فقط عند رؤوسه.
فصل الاهتمامات: تفصل المنهجية بين توصيف عدم اليقين وتوليف ليابونوف. يحسن هذا النهج ذو المرحلتين من قابلية التفسير ويسمح بالتحسين التكراري بناءً على معلوماتية البيانات.
استخراج نطاق الجذب (RoA) المعتمد: تضمن الطريقة أن المجموعة تحت المستوى (sublevel set) لدالة (PWA) الناتجة، والمقيدة بالمكون المتصل الذي يحتوي على نقطة الاتزان، هي نطاق جذب صالح ومتسق مع البيانات.

النتائج العددية
تم التحقق من صحة الطريقة باستخدام مثالين: بندول مخمد بسيط ومتذبذب "فان دير بول" (Van der Pol) ذو الزمن المعكوس.

البندول المخمد: تقاربت الخوارزمية في 4 تكرارات، ونجحت في استخراج نطاق جذب معتمد يطابق شكل نطاق الجذب الحقيقي. كان وقت التحسين ضئيلاً مقارنة بوقت معالجة البيانات المطلوب لحساب حدود عدم اليقين.
متذبذب فان دير بول: تقاربت الطريقة في 3 تكرارات. وبينما تم تحديد نطاق الجذب المعتمد بنجاح، أظهرت النتائج أن شرط تناقص ليابونوف لم يتحقق عالمياً (بقيت بعض متغيرات الارتخاء غير سالبة خارج المنطقة المعتمدة)، مما يوضح قدرة الطريقة على توفير حدود محافظة ومعتمدة حتى عندما لا يمكن إثبات الاستقرار العالمي من البيانات المتاحة.

الأهمية والادعاءات
تدعي الورقة أن مساهمتها الأساسية هي تقديم إطار عمل عملي وقابل للتطبيق بالكامل على البيانات للتحقق من الاستقرار، والذي يتجنب طبيعة "الصندوق الأسود" للشبكات العصبية والافتراضات الهيكلية للطرق متعددة الحدود. ومن خلال الجمع بين مجموعات عدم اليقين الصريحة ودوال ليابونوف (PWA)، تقدم هذه الطريقة:

المتانة: الضمانات تسري على جميع الديناميكيات المتسقة مع البيانات وقيود ليبشيتز، وليس فقط النقاط التي تم أخذ عينات منها.
القابلية للحساب: استخدام البرمجة الخطية (LP) يجعل المشكلة قابلة للتوسع مقارنة بصيغ (SOCP).
قابلية التفسير: يوفر فصل نمذجة عدم اليقين عن اختيار ليابونوف عملية اعتماد واضحة الخطوات.

يضع المؤلفون هذا العمل كجسر بين التحكم القوي النظري (الاحتواء التفاضلي) والتحكم الحديث القائم على البيانات، مما يوفر أداة عملية لاستخراج خصائص الاستقرار المعتمدة من بيانات متفرقة دون الحاجة إلى نموذج بارامتري للنظام.