⚡ electrical engineering

Neural Vector Lyapunov-Razumikhin Certificates for Delayed Interconnected Systems

本文提出了一种针对离散时滞互联系统的神经向量 Lyapunov-Razumikhin 证书合成与验证框架，通过建立充分条件实现了大规模系统的可扩展输入状态稳定性（sISS）形式化保证，并在混合自主车队、无人机编队及微电网等场景中验证了其高效性与控制性能。

原作者： Jingyuan Zhou, Yuexuan Wang, Kaidi Yang

发布于 2026-04-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jingyuan Zhou, Yuexuan Wang, Kaidi Yang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文提出了一种名为**“神经向量 Lyapunov-Razumikhin 证书”**的新方法，旨在解决一个非常棘手的问题：如何让由许多部分组成的庞大系统（比如车队、无人机群、智能电网），在通信有延迟的情况下，依然保持安全、稳定，并且能证明这种稳定性。

为了让你轻松理解，我们可以把这篇论文的核心思想比作**“给一群有延迟的舞者编排并验证一套永不摔倒的舞蹈”**。

1. 背景：为什么这很难？（“有延迟的乐队”）

想象一下，你指挥一支庞大的乐队（比如几百辆自动驾驶汽车组成的车队，或者一群无人机）。

互联性：每个乐手（智能体）都要听旁边乐手的节奏来调整自己的动作。
延迟：但是，声音传到耳朵里需要时间（通信延迟）。当你听到“起立”的指令时，可能已经过了半秒。
黑盒问题：现在的 AI 控制器（神经网络）像是一个天才但神秘的指挥家，它凭直觉（数据训练）指挥得很好，但我们不知道它为什么好，也无法向警察（安全审查员）保证它永远不会出错。

痛点：如果乐队太大，或者延迟太严重，大家很容易因为听错节奏而乱套（系统不稳定）。传统的数学方法太慢，算不过来；而 AI 方法虽然快，但没法给出“绝对安全”的数学证明。

2. 核心方案：什么是“神经证书”？（“智能的防摔指南”）

作者们发明了一种方法，让 AI 不仅学会跳舞，还能自己写出一本“防摔指南”（这就是所谓的“证书”）。

Lyapunov 函数（能量计）：想象每个乐手手里都有一个“能量计”。如果大家都离队形中心很近，能量计读数就低（安全）；如果跑偏了，读数就高（危险）。
Razumikhin 条件（回头看）：因为动作有延迟，乐手不能只看现在的能量，还得回头看过去几秒的能量。如果过去的能量虽然有点高，但正在快速下降，那现在就是安全的。
神经证书（AI 写的指南）：作者训练了一个神经网络来充当这个“能量计”。它不是死板的公式，而是能根据复杂情况灵活判断的“智能指南”。

创新点：以前的方法要么只能算小乐队，要么算不了有延迟的情况。这篇论文的方法，能处理大规模且有延迟的系统，并且能自动学习出这个“防摔指南”。

3. 三大贡献：如何做到既快又准？

第一招：制定“防摔规则”（理论突破）

作者首先建立了一套数学规则（定理 4.1）。这就好比制定了一条铁律：

“只要每个乐手的‘能量计’读数，在考虑了延迟后的‘回头看’数据，依然满足‘下降趋势’，那么整个乐队就永远不会散伙。”

这条规则是专门为“有延迟的大系统”设计的，以前没人能这么清晰地定义它。

第二招：两阶段“安检”流程（验证框架）

直接检查几百个乐手在每一秒的状态，工作量太大，电脑会死机。作者设计了一个聪明的**“两阶段安检”**：

外部安检（Outside）：检查那些离队形较远、能量较高的状态。这里主要看“回头看”的逻辑是否成立（Razumikhin 条件）。
内部安检（Inside）：检查那些已经靠近队形中心、能量较低的状态。这里直接看能量是否在持续下降。
比喻：就像机场安检，对刚进门的陌生人（外部）查得严之又严，对已经过安检在候机厅的人（内部）则简化流程。这样既保证了安全，又大大提高了速度。

第三招：举一反三（可扩展性）

这是最精彩的部分。如果验证了“一个乐手”和“他的邻居”是安全的，那么对于结构相同的几百个乐手，我们不需要重新算一遍！

比喻：如果你验证了“左边的乐手”和“右边的乐手”配合没问题，那么对于“上边”和“下边”结构完全一样的乐手，直接套用同样的证明即可。
效果：这让验证速度随着系统变大而几乎不增加，实现了真正的“可扩展”。

4. 实验结果：真的管用吗？

作者在三个真实场景中测试了这套方法：

混合自动驾驶车队：像一列火车，有自动驾驶车也有人类驾驶的车。
无人机编队：一群无人机在空中保持队形。
微电网：像小型的电力网络，需要保持频率稳定。

结果：

速度：相比以前的方法，验证速度提升了几个数量级（以前算 50 辆车要超时，现在几秒搞定）。
性能：在遇到干扰（比如突然的刹车、风速变化）时，这套方法控制的系统比传统方法更稳，误差更小。
无需模型：它不需要完全知道车辆的物理公式，直接通过数据学习，非常实用。

总结

这篇论文就像是为未来的智能交通、机器人集群和智能电网设计了一套**“自动生成的安全说明书”**。

它解决了两个大难题：

延迟：即使消息传得慢，也能保证不撞车、不坠机。
规模：不管车队是 10 辆车还是 1000 辆车，这套方法都能快速证明它是安全的。

简单来说，它让 AI 控制的庞大系统，从“凭运气运行”变成了“有数学保证的安全运行”。

这是一份关于论文《Neural Vector Lyapunov–Razumikhin Certificates for Delayed Interconnected Systems》（面向延迟互联系统的神经向量 Lyapunov-Razumikhin 证书）的详细技术总结。

1. 研究背景与问题 (Problem Statement)

核心挑战：
大型互联系统（如智能交通车队、无人机编队、微电网）在现实应用中面临显著的通信延迟、建模不匹配、外部干扰等不确定性。确保这些系统的**可扩展输入到状态稳定性（Scalable Input-to-State Stability, sISS）**对于安全至关重要。

现有局限：

基于模型的方法：通常需要精确的系统模型，且难以处理未知动态和复杂的延迟效应。
基于学习的方法：虽然能处理未知动态，但神经网络作为“黑盒”，难以提供形式化的稳定性保证。现有的尝试要么限制在特定系统（如正系统），要么仅将稳定性作为软约束，缺乏严格的数学证明。
延迟问题：现有的稳定性分析方法（如 Lyapunov-Krasovskii 泛函）通常针对固定规模网络，难以扩展到大规模系统；而针对无延迟系统的可扩展稳定性方法无法直接应用于具有记忆效应的延迟系统。

目标：
设计一种框架，能够在不假设已知精确动力学模型的情况下，为具有通信延迟的大规模离散时间互联系统合成并验证神经向量 Lyapunov-Razumikhin 证书，从而提供形式化的 sISS 保证。

2. 方法论 (Methodology)

该论文提出了一种包含理论推导、合成与验证的完整框架。

2.1 理论基础：离散时间 sISS 向量 Lyapunov-Razumikhin 函数

作者首先建立了离散时间延迟互联系统的 sISS 充分条件（定理 4.1）：

向量 Lyapunov 函数：为每个子系统 $i$ 定义局部 Lyapunov 函数 $V_i(x_i)$ 。
Razumikhin 条件：处理延迟状态。如果当前时刻的 Lyapunov 值大于过去 $\tau_{max}$ 步内邻居状态的最大值（即 $V_j(x_{j, k-s}) \le p \cdot V_i(x_{i, k})$ ），则系统应表现出递减性。
小增益条件：要求耦合增益 $\gamma_{i,j}$ 满足 $\sum \gamma_{i,j} \le 1-\epsilon$ ，确保网络规模无关的收缩性。
结论：满足上述条件可证明系统状态受初始状态和外部干扰的有界约束，且界与网络规模 $N$ 无关。

2.2 神经证书合成 (Synthesis)

参数化：使用神经网络参数化 Lyapunov 函数 $V_i$ 和耦合矩阵 $\Gamma$ 。
损失函数：联合训练控制器和证书，最小化包含以下项的损失函数：
- Class-K 界约束：确保 $V_i$ 是正定且径向无界的。
- Razumikhin 条件约束：通过逻辑蕴含（ $A \Rightarrow B \iff \neg A \lor B$ ）转化为可优化的损失项，确保在满足 Razumikhin 条件时 Lyapunov 函数递减。
- 策略正则化：保持学习到的策略接近表现良好的标称策略。
CEGIS 循环：采用“反例引导的归纳合成”（Counterexample-Guided Inductive Synthesis）。如果验证失败，将反例加入训练集重新训练，直到证书被验证通过。

2.3 可扩展验证框架 (Scalable Verification)

为了克服大规模系统验证的计算复杂性，提出了两阶段策略和结构复用机制：

可达性约束延迟域 (Reachability-constrained delay domains)：
- 不验证整个状态空间，而是仅验证从初始集出发、在有限时间 horizon 内可达的延迟历史状态。
- 利用采样和网格化方法，将无限维的连续验证问题转化为有限点的检查，并利用 Lipschitz 连续性保证从采样点到连续点的泛化。
两阶段验证策略：
- 外部区域（ $V_{max} > R$ ）：验证基于 Razumikhin 逻辑的条件，确保系统状态能收敛到目标区域。
- 内部区域（ $V_{max} \le R$ ）：验证无条件的收缩性，确保一旦进入该区域，系统状态将保持有界。
结构同构与节点等价性：
- 利用系统的结构对称性（如星型、环型拓扑中的等价节点），证明如果一个小规模系统或子结构满足 sISS，则具有相同结构的更大系统或等价节点可以直接复用证书。这极大地降低了验证复杂度。

3. 主要贡献 (Key Contributions)

理论突破：首次为离散时间延迟互联系统建立了基于向量 Lyapunov-Razumikhin 函数的 sISS 充分条件，实现了网络规模无关的稳定性证明。
可扩展框架：提出了一套可扩展的“合成 - 验证”流水线。通过结合可达性约束和结构复用（子结构同构和节点等价性），解决了大规模延迟系统验证中的“维数灾难”问题。
实证验证：在三个典型应用场景（混合自主车队、无人机编队、微电网）中进行了验证。结果表明，该方法在保持竞争性控制性能的同时，显著提高了验证效率，且能处理通信延迟和外部干扰。

4. 实验结果 (Results)

论文在三个基准测试中进行了评估：

混合自主车队 (Mixed-autonomy platoons)：
- 验证效率：提出的方法（结合可达性约束和结构复用）在所有规模（N=10, 50）和延迟设置下均能完成验证，运行时间几乎不随 N 增加而增加。相比之下，仅使用可达性约束的方法在 N=50 时超时，直接验证方法在所有情况下均超时。
- 控制性能：在正弦干扰下，提出的方法产生的均方根误差（RMSE）最低，比现有的组合 ISS 和标称控制器分别降低了约 5.8% 和 22.8%。
无人机编队 (Drone formations)：
- 在干扰下表现出鲁棒性，RMSE 与基于模型的预测反馈基线相当，且优于其他证书基线。
微电网 (Microgrids)：
- 在初始频率扰动下，提出的方法 RMSE 最低，优于预测反馈基线，证明了在无精确微电网模型下也能实现稳定控制。

可视化结果：

Lyapunov 函数值在平衡点附近较小，随状态偏离而增加，符合能量度量特征。
系统轨迹（车速、无人机速度、逆变器频率）均收敛或保持在期望值附近。

5. 意义与影响 (Significance)

填补空白：解决了大规模延迟互联系统中“学习控制器缺乏形式化稳定性保证”的关键难题。
可扩展性：通过利用系统的结构特性（同构性），使得验证成本不再随系统规模线性或指数级增长，为实际大规模应用（如城市级交通网、大型电网）提供了可行性。
通用性：该方法不依赖精确的物理模型，适用于动力学未知或难以建模的复杂系统，且能处理通信延迟这一普遍存在的工程问题。
安全性：为自动驾驶、机器人协作和关键基础设施（如电网）中的 AI 控制算法提供了严格的安全认证工具，有助于推动 AI 在安全关键领域的落地。

综上所述，该论文通过结合控制理论（Lyapunov-Razumikhin）、形式化验证（CEGIS、可达性分析）和深度学习，提出了一种高效、可扩展的解决方案，显著提升了延迟互联系统的安全性和可靠性。