技术摘要：基于算子理论的时间尺度分离研究

问题陈述

本文研究了具有时间尺度分离（或奇异摄动）特征的互联离散时间动力系统的收敛性分析。这些系统建模为：
$$\begin{aligned} x_{t+1} &= x_t + \delta S(x_t, z_t) \\ z_{t+1} &= F(x_t, z_t) \end{aligned}$$
其中 $x_t$ 代表慢状态，$z_t$ 代表快状态，$\delta > 0$ 是一个调节参数，用于控制慢动力相对于快动力的速度。

虽然时间尺度分离理论在连续时间系统中已得到充分研究，但针对离散时间系统的现有结果仍然有限。目前大多数方法依赖于李雅普诺夫（Lyapunov）论证或通用的稳定性理论工具，这些方法往往只能给出纯粹的存在性条件或极度保守且难以在实践中验证的界限。此外，很少有研究涉及包含随机更新、数据包丢失或异步激活的随机设置。本文旨在通过将时间尺度分离理论与算子理论相结合，为确定性和随机性的互联系统提供显式、可解释且在实践中可验证的收敛条件。

方法论

作者提出了一个将系统建模为慢算子与快算子互联的框架，并利用了在优化、学习和控制算法中常见的结构特性（例如：收缩性、非扩张性、平均性以及度量亚正则性）。

核心假设

分析基于以下几项基本假设：

1. 前向不变性： 动力学过程保持在闭集 $X$ 和 $Z$ 内。
2. 快算子不动点流形： 对于冻结的慢状态 $x$，快算子 $F(x, \cdot)$ 拥有一个非空且封闭的不动点集 $Z_{FIX}(x)$。该集合随 $x$ 的变化呈 Lipschitz 连续。
3. 快算子收敛性： 快算子相对于其不动点集 $Z_{FIX}(x)$ 是拟收缩（paracontractive）的（或者在随机期望意义下是收缩的）。这对应于慢状态被冻结时的“边界层”系统的稳定性。
4. 简化算子的存在性： 存在一个简化算子 $R(x)$，使得当 $z \in Z_{FIX}(x)$ 时，$R(x) = S(x, z)$。这定义了“简化系统” $x_{t+1} = x_t + R(x_t)$，代表了快动力学趋于无穷快时的理想极限。
5. Lipschitz 连续性： 快瞬态与慢更新之间的耦合，以及简化算子的敏感性，分别由常数 $L_S$ 和 $L_R$ 进行界定。

分析方法

本文通过分析快动力学向参数化不动点集的收敛性与简化动力学的收敛性之间的相互作用来建立收敛性。分析分为三个主要理论发展阶段：

1. 确定性收缩情形： 假设简化算子 $x + R(x)$ 是收缩的。
2. 确定性平均/亚正则情形： 将分析扩展到 $\alpha$-平均且度量亚正则的简化算子（这是一类涵盖了许多算子分裂算法的更广泛的类别）。
3. 随机扩展： 将该框架推广到由独立随机过程驱动的系统，并以期望收缩类性质来表述假设。

主要贡献与结果

1. 确定性时间尺度分离（收缩情形）

本文证明，如果快算子是拟收缩的且简化算子是收缩的，则全互联系统线性收敛至集合 $\{(x, z) \mid x = x^\star, z \in Z_{FIX}(x^\star)\}$。

• 结果： 推导出了用于调节参数 $\delta$ 的显式上界 $\bar{\delta}$。若 $\delta \in (0, \min\{\bar{\delta}, 1\})$，则系统表现出线性收敛。
• 界限表达式： 该界限取决于快动力学（$c_F$）和简化动力学（$c_S$）的收缩率、耦合的 Lipschitz 常数（$L_S$）以及简化算子的 Lipschitz 常数（$L_R$）和不动点流形的敏感性（$L_{FIX}$）。
  $$\bar{\delta} = \frac{c_S(1 - c_F)}{L_{FIX} L_S (c_S + L_R)}$$

2. 确定性时间尺度分离（平均与度量亚正则情形）

考虑到许多优化算法（例如投影不动点迭代）并非严格收缩，作者将理论扩展到了 $\alpha$-平均且度量亚正则的简化算子。

• 结果： 在这些较弱的条件下，到简化算子不动点集的距离呈线性下降。这一性质足以建立全互联系统的线性收敛性，并且同样给出了与收缩情形具有相同函数形式的 $\delta$ 显式界限。

3. 随机时间尺度分离

该框架被推广到由独立同分布（i.i.d.）随机变量驱动的随机系统。

• 结果： 提供了几乎处处收敛（almost sure convergence）的充分条件。假设是通过快算子和简化随机算子的期望收缩性质来表述的。
• 结论： 推导出的 $\delta$ 界限确保了到解集的期望距离呈线性衰减，通过 Borel-Cantelli 引理意味着几乎处处收敛。

4. 在反馈优化中的应用

研究结果被应用于反馈优化方案，其中优化变量根据物理对象（plant）的测量值进行更新，而物理对象渐近地跟踪其稳态响应。

• 确定性应用： 本文展示了如何为具有收缩性质的物理对象及具有强凸性（或具有二次增长性的凸性）代价函数的系统调节更新速率 $\delta$。
• 随机应用： 结果被应用于随机物理对象模型，提供了即使在存在随机扰动或数据包丢失的情况下也能保证收敛的调节规则。
• 数值验证： 仿真证实，在缺乏时间尺度分离（即 $\delta=1$）的情况下，即使简化系统（梯度法）是收敛的，闭环系统也可能是不稳定的。相反，根据推导出的界限调节 $\delta$ 可确保稳定的线性收敛。

意义与主张

本文声称提供了一种组合式的算子理论原则用于时间尺度分离。其主要意义在于：

• 显式且可检查的界限： 不同于许多仅提供定性或存在性保证的现有奇异摄动结果，该框架直接根据标准算子常数（收缩率、Lipschitz 常数）给出了显式、可计算的 $\delta$ 界限。
• 统一框架： 它统一了确定性和随机性互联系统的分析，涵盖了包括算子分裂和分布式优化在内的广泛算法类别。
• 泛化性： 它超越了单纯的收缩映射，扩展到了在现代优化和学习算法中普遍存在的平均算子和度量亚正则算子。
• 实际适用性： 其结果可直接应用于反馈优化、模型预测控制和寻求平衡（equilibrium-seeking）算法，为物理对象动力学与优化更新之间的耦合提供了系统的调节规则。

作者指出，虽然对于连续时间系统已有相关工作（例如结合收缩理论与奇异摄动），但本文专门针对离散时间设置及随机扩展进行了研究，这对于数字实现和网络化系统至关重要。本研究通过提供更通用的确定性分析（涵盖非收缩简化算子）以及完整的随机扩展，对初步版本进行了实质性的改进。