Synchronization of dynamical network via weighted average of several nodes' states
0 引 言
动力学网络是自然科学领域的重要研究课题.很多自然现象可由动力学网络的同步来解释,因而动力学网络同步得到各领域专家和学者的深入研究[1, 2].实际中,网络受到各种不同的外界因素影响,各节点间很难自发地达到同步.为了实现网络各节点间的同步,学者们提出了一些控制方法. 文献[3]讨论了牵制控制方法. 选取部分节点加以控制就可实现整个网络的同步,因此牵制控制是一种很好的动力学网络同步的控制方法. 然而,在网络结构未知时控制节点的选定还是一个未解决的问题,并且该控制方法要求网络的各节点必须完全相同.
另一方面,网络同步的全节点控制方法也得到了一定的研究. 由于脉冲控制的结构简单,文献[4, 5]讨论了结构未知的动力学同步的脉冲控制方法. 由于自适应控制的自动化、反应快速等优点,文献[6]讨论了动力学网络同步的自适应控制方法. 然而,这些控制方法都是以节点系统的一个解为控制目标轨道. 当节点系统的解无法获得不是稳定的同步流形时,这些控制方法或不能应用. 文献[7]以节点状态的平均为目标轨道,设计了网络的同步方法来解决上述问题,并且该方法也适用于有参数失配的动力学网络. 基于节点状态的加权平均,文献[8]设计了实现网络同步的脉冲控制方案. 本文以节点状态的加权平均为目标轨道,设计实现有参数失配的动力学网络同步的自适应控制方法,并通过理论分析该方法的有效性.
1 自适应同步方案及理论分析
考虑由m个节点构成的动力学网络
$\dot{x}$i=F(xi,pi)+gi(x1,x2,…,xm),i=1,2,…,m,
|
(1) |
其中xi=(x1i,x2i,…,xni)T是第i个节点的状态向量,gi(x1,x2,…,xm)是网络的未知耦合函数,F(x,pi)=(F1(x,pi),F2(x,pi),…,Fn(x,pi))T是描述第i个节点的动力学的向量函数,且具有下列形式:
Fk(x,pi)=ck(x)+$\sum\limits_{j=1}^{l}{{}}$pkji fkj(x),i=1,2,…,m,k=1,2,…,n.
|
(2) |
其中ck(x)和fkj (x)是线性或非线性函数. n×l阶矩阵pi=(pkji)n×l是节点系统的未知参数.
在每个节点加上控制器ui=(u1,u2,…,un)T,则受控的网络为
${\dot{x}}$i=F(xi,pi)+gi(x1,x2,…,xm)+ui.
|
(3) |
文献[9]利用节点状态的加权平均X(t)=$\sum\limits_{i=1}^{m}{{}}$ξixiξi≥0,$\sum\limits_{i=1}^{m}{{}}$ξi=1提出了研究网络同步的稳定性的一种新方法. 本文以X(t)=$\sum\limits_{i=1}^{m}{{}}$ξixiξi≥0,$\sum\limits_{i=1}^{m}{{}}$ξi=1为同步目标轨道,设计网络同步的自适应控制方法. 显然,X(t)满足方程
${\dot{X}}$(t)=$\sum\limits_{i=1}^{m}{{}}$[ξiF(xi,pi)+ξigi(x1,x2,…,xm)+ξiui].
|
(4) |
定义同步误差
δxi=xi-x(t),i=1,2,…,m.
|
(5) |
显然,同步误差服从方程
δ${\dot{x}}$i=f(xi,pi)+gi(x1,x2,…,xm)+ui-G(x),i=1,2,…,m.
|
(6) |
其中向量函数
G(
x)为
G(x)=$\sum\limits_{i=1}^{m}{{}}$[ξiF(xi,pi)+ξigi(x1,x2,…,xm)+ξiui].
|
(7) |
注意到同步误差满足
$\sum\limits_{i=1}^{m}{{}}$ξiδxi=0.
|
(8) |
本文的目标是设计控制器ui(i=1,2,…,m)使系统(6)在原点稳定. 受文献[7, 8, 9, 10, 11, 12]启发,引入如下自适应反馈控制器
uki=εk(xki-Xk(t))-$\sum\limits_{j=1}^{l}{{}}$=1qkji fkj(X(t)),i=1,2,…,m,k=1,2,…,n.
|
(9) |
其中qkji 和 εk 常称为反馈控制强度,按如下规律更新:
${\dot{\varepsilon }}$k=-γk$\frac{1}{m}$$\sum\limits_{i=1}^{m}{{}}$(xki-Xk(t))2,k=1,2,…,n,
|
(10) |
${\dot{q}}$kji=σkj (xki-Xk(t))fkj(X(t)),i=1,2,…,m,k=1,2,…,n,j=1,2,…,l,
|
(11) |
其中γk和σkj 是正常数.
由方程(11)得
$\sum\limits_{i=1}^{m}{{}}$ξi${\dot{q}}$kji=σkj fkj(X(t))$\sum\limits_{i=1}^{m}{{}}$ξi(xki-Xk(t))=0.
|
(12) |
则$\sum\limits_{i=1}^{m}{{}}$ξiqkji 是由初值确定的常数. 若选取初值qkji=0,则$\sum\limits_{i=1}^{m}{{}}$ξiqkji 将恒为零.
基于网络各节点状态的平均值X(t)=$\sum\limits_{i=1}^{m}{{}}$$\frac{{{x}^{i}}}{m}$,文献[7]设计了实现有参数失配的动力学网络同步的自适应控制方法,并且每个节点都采用不同的自适应控制强度. 这就要求为每个节点增加一个n维的系统来计算控制强度ε,并且每个节点都需要把状态信息发送给网络其他所有节点. 本文方法的优点在于所有的节点采用相同的反馈强度ε,因此对整个网络只需增加一个n维系统来计算ε,降低了控制系统的维数. 利用X(t)=$\sum\limits_{i=1}^{m}{{}}$ξixiξi≥0,$\sum\limits_{i=1}^{m}{{}}$ξi=1.作为目标控制轨道. ξi≥0,令某个 ξi=1,其他所有ξi=0. 在这种情况下,只有节点i需要将自己的状态信息发给其他节点,降低了控制过程中的信号传递量.
为分析控制方法的有效性,给出如下假设.
假设1 假设动力学网络(3)是有界的. 令Ω1⊂Rn和Ω2⊂Rmn是2个有界集,并对x1,x2∈Ω1和y1,y2∈Ω2,存在正常数l1,l2,使得
‖F(x1,pi)-F(x2,pi)‖≤l1‖x1-x2‖,
|
(13) |
‖g(y1)-g(y2)‖≤l2‖y1-y2‖.
|
(14) |
假设2 ∀x1=x2=…=xm=x∈Rn,耦合函数gi(x1,x2,…,xm)满足
g1(x,x,…,x)=g2(x,x,…,x)=…=gm(x,x,…,x).
|
(15) |
条件(13),(14)为一般性的李普希兹条件. 条件(15)为确保存在稳定的同步流形.在先前的研究中要求gi(x,x,…,x)=0或gi(x,x,…,x)+ui=0,因此同步目标轨道一定是节点系统的一个解. 由条件(15)知,本文的方法不需要同步目标轨道是节点系统的一个解.
为证明式(3),(9)~(11)构成的系统达到同步,引入如下非负函数
V(δxi)=$\frac{1}{2}\sum\limits_{i=1}^{m}{{}}\delta {{x}^{{{i}^{T}}}}\delta {{x}^{i}}+\frac{m}{2}\sum\limits_{i=1}^{m}{{}}\frac{1}{{{\gamma }_{k}}}{{\left( {{\varepsilon }_{k}}+L \right)}^{2}}+\frac{1}{2}\sum\limits_{i=1}^{m}{{}}\sum\limits_{k=1}^{n}{{}}\sum\limits_{j=1}^{l}{{}}\frac{1}{{{\sigma }_{kj}}}{{\left( q_{kj}^{i}-p_{kj}^{i}+\sum\limits_{h=1}^{m}{{}}{{\xi }^{h}}p_{kj}^{h} \right)}^{2}},$
|
其中L为可选择的常数.对V求微分,并利用式(8)得
${\dot{V}}$=$\sum\limits_{i=1}^{m}{{}}$[δxiTF(xi,pi)+δxiTgi(x1,x2,…,xm)]-
$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{h=1}^{m}{{}}$ξhδxi[F(xh,ph)+gh(x1,x2,…,xm)]+
$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{k=1}^{n}{{}}$δxki$\sum\limits_{h=1}^{m}{{}}$ξh$\sum\limits_{j=1}^{l}{{}}$qkjh fkj(X(t))+
$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{k=1}^{n}{{}}$$\sum\limits_{j=1}^{l}{{}}$-pkji+$\sum\limits_{h=1}^{m}{{}}$ξhpkjh δxki fkj(X(t))-$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{j=1}^{n}{{}}$Lδxki2.
|
(16) |
式(16)中
$\sum\limits_{i=1}^{m}{{}}$δxiTF(xi,pi)-$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{h=1}^{m}{{}}$ξhδxiF(xh,ph)=
$\sum\limits_{i=1}^{m}{{}}$δxiT[F(xi,pi)-F(X(t),pi)]-$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{h=1}^{m}{{}}$ξhδxi[F(xh,ph)-F(X(t),ph)]+
$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{k=1}^{n}{{}}$$\sum\limits_{j=1}^{l}{{}}$pkji-$\sum\limits_{h=1}^{m}{{}}$ξhpkjh δxkifkj(X(t)),
|
(17) |
及
$\sum\limits_{i=1}^{m}{{}}$δxiTgi(x1,x2,…,xm)-$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{h=1}^{m}{{}}$ξhδxigh(x1,x2,…,xm)=
$\sum\limits_{i=1}^{m}{{}}$δxiT[gi(x1,x2,…,xm)-gi(X(t),X(t),…,X(t))]-
$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{h=1}^{m}{{}}$ξhδxi[gh(x1,x2,…,xm)-gh(X(t),X(t),…,X(t))].
|
(18) |
将式(17)~(18)带入式(16)得
${\dot{V}}$=$\sum\limits_{i=1}^{m}{{}}$δxiT[F(xi,pi)-F(X(t),pi)]-$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{j=1}^{m}{{}}$ξhδxi[F(xh,ph)-F(X(t),ph)]+
$\sum\limits_{i=1}^{m}{{}}$δxiT[gi(x1,x2,…,xm)-gi(X(t),X(t),…,X(t))]-
$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{j=1}^{m}{{}}$ξhδxi[gh(x1,x2,…,xm)-gh(X(t),X(t),…,X(t))]+
$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{k=1}^{n}{{}}$δxki$\sum\limits_{h=1}^{m}{{}}$ξh$\sum\limits_{j=1}^{l}{{}}$qkjh fkj(X(t)) -$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{j=1}^{m}{{}}$Lδxi2k.
|
若初始条件为qkji=0,利用等式(12),得
${\dot{V}}$=$\sum\limits_{i=1}^{m}{{}}$δxiT[F(xi,pi)-F(X(t),pi)]-$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{h=1}^{m}{{}}$ξhδxi[F(xh,ph)-F(X(t),ph)]+
$\sum\limits_{i=1}^{m}{{}}$δxiT[gi(x1,x2,…,xm)-gi(X(t),X(t),…,X(t))]-
$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{j=1}^{m}{{}}$ξhδxi[gh(x1,x2,…,xm)-gh(X(t),X(t),…,X(t))]-$\sum\limits_{i=1}^{m}{{}}$$\sum\limits_{j=1}^{m}{{}}$Lδxi2k.
|
利用假设1和假设2,得
${\dot{V}}$≤(1+m)l1$\sum\limits_{i=1}^{m}{{}}$‖δxi‖2+(1+m)l2$\sum\limits_{i=1}^{m}{{}}$‖δxi‖2-L$\sum\limits_{i=1}^{m}{{}}$‖δxi‖2.
|
显然,若L足够大,${\dot{V}}$≤0,并且 ${\dot{V}}$=0当且仅当δxki=0.利用微分方程的稳定性理论,当t→+∞时,δxi →0,且ε,qi趋于常数,若δki和ε的初值任意选取,qkli 的初值选为零.
2 数值算例
为表述方便,引入如下标量
ej(t)=1m$\sum\limits_{i=1}^{m}{{}}$|δxji |,j=1,2,…,n.
|
显然,当t→∞时,若ej(t)趋于零,则δxji趋于零. 在下文统一混沌系统的例子中,令节点数m=100,耦合函数为
gki(x1,x2,…,xkm)=1m$\sum\limits_{j=1}^{m}{{}}$bijsin(xj),i=1,2,…,m.
|
其中(bij)m×m是随机选取的,bij=1(i≠j)的概率为0.5,且bii=$-\sum\limits_{i\ne j}^{{}}{{}}{{b}_{ij}}$-1.
统一混沌系统可描述为
${\dot{x}}$1=-(25α+10)(x1-x2),
${\dot{x}}$2=-x1 x3+(28-35α)x1+(29α-1)x2,
${\dot{x}}$3=x1 x2-$\frac{\alpha +8}{3}$x3.
|
其中α为[0,1]上变化的参数[13, 14]. 考虑到参数失配,令第i个节点的系统参数为αi=α+ηi,其中ηi随机的从[-0.05,0.05]上选取. 在数值模拟中,令σk=0.1,γk=0.1,qki和εk为零,且xki在 [1,-1]随机选取. 相应的数值结果见图 1.在图 1(a)中,令参数α=0.3,ξ1=1,ξi=0(i≠1);在图 1(b)中,令参数α=0.3,ξi=0.05(i=1,…,20),ξi=0(i=21,…,100).结果表明随时间同步误差趋于零,网络的各节点达到同步.
3 结束语
基于网络节点状态的加权平均,设计了实现有参数失配的动力学网络同步的自适应控制方法,并基于微分方程的稳定性理论分析了方法的有效性. 与先前以节点系统的解为控制目标轨道的控制方法相比,该方法适用于有参数失配的动力学网络,且同步目标轨道不必是节点系统的解. 与先前以节点状态的平均值为同步目标轨道的同步方法相比,该控制方法的控制系统结构更加简单,且控制过程中信息的传递量更小.文中网络的每个节点是由一般的常微分方程描述,实际中节点可由其他类型方程来描述,如分数阶系统. 将此方法推广到这类网络系统还有待进一步研究.