面向非线性系统的基于掩码的间歇模糊自适应控制与大语言模型预设触发机制
《Fuzzy Sets and Systems》:Mask-based intermittent fuzzy adaptive control with large language model prescribed triggering for nonlinear systems
【字体:
大
中
小
】
时间:2026年10月01日
来源:Fuzzy Sets and Systems 3.1
编辑推荐:
## 摘要
本文针对一类在通信带宽约束下运行的不确定严格反馈非线性系统,研究了一种基于掩码的间歇模糊自适应控制策略,其触发机制由大语言模型(LLM)预设。未知非线性动力学由模糊逻辑系统进行逼近,同时引入空间掩码矩阵,仅激活局部相关的模糊规则,以减少冗余的高维模糊计算。为进一
## 摘要
本文针对一类在通信带宽约束下运行的不确定严格反馈非线性系统,研究了一种基于掩码的间歇模糊自适应控制策略,其触发机制由大语言模型(LLM)预设。未知非线性动力学由模糊逻辑系统进行逼近,同时引入空间掩码矩阵,仅激活局部相关的模糊规则,以减少冗余的高维模糊计算。为进一步降低不必要的参数更新与通信传输,本文将间歇自适应机制与动态事件触发条件相结合,其阈值由LLM根据网络负载信息进行预设。在控制器设计中,采用动态表面控制作为标准的递归设计工具来构建虚拟控制器和实际控制器。通过Lyapunov分析证明了所有闭环信号均为半全局一致最终有界的,且触发阈值的正下界保证了排除Zeno行为的发生。最后,通过对比仿真实验结果表明,所提方法在保持良好跟踪性能的同时,能够同时降低活跃模糊节点数量和触发频率。
## 引言
严格反馈非线性系统在近年来受到广泛关注,因为它们能够描述包括网络化系统、机电系统和多智能体系统在内的广泛实际应用 [1], [2], [3]。然而,在物理系统普遍存在的未知动力学条件下,控制方案的成败在很大程度上取决于所使用逼近器的性能。得益于通用逼近定理,模糊逻辑系统(FLSs)已成为容纳非线性不确定性的核心范式。在此基础上,研究者发展了多种模糊自适应控制框架来处理复杂的运行约束。例如,Cheng等人 [4] 将FLSs集成到预设时间反步架构中,并通过补偿滤波器来补偿随机动力学和输入死区。同样,针对离散时间场景下不可测量状态和不匹配扰动问题,文献 [5] 构建了配备指令滤波器的自适应模糊输出反馈控制器,以克服非因果性问题。这些研究表明,模糊自适应控制在处理未知非线性和复杂约束方面具有强适用性。与此同时,随着模糊系统在**高维建模**、智能控制和数据驱动学习中的广泛应用,模糊规则的规模与模糊结构的紧凑性持续引起学术界关注。当输入维度或隶属函数数量增加时,模糊规则库可能迅速膨胀,从而影响模型的可解释性和在线实施效率。为应对这一问题,现有研究已探讨了分布式模糊规则建模、特征选择、规则提取和高维模糊学习结构 [6], [7], [8], [9]。这些工作表明,构建紧凑且具有局部相关性的模糊结构仍然是模糊系统领域的重要研究方向。对于模糊自适应控制而言,这一问题不仅反映在离线模型结构上,还体现在控制器实施过程中模糊基函数和权重参数的在线更新上。具体而言,传统模糊自适应律通常以统一方式更新整个模糊规则集,而常用的模糊基函数具有固有的局部激活特性:在给定工作状态附近,只有部分规则的激发强度相对较大,而远离当前操作区域的规则对瞬时逼近贡献甚微。因此,在每个采样时刻以相同程度更新所有规则可能会引入不必要的时间计算冗余。基于这一观察,有必要在模糊自适应更新中引入在线空间选择机制,使控制器能够更关注当前操作区域附近的有效局部规则。
除底层物理回路内的计算冗余外,现代网络化控制系统还面临通信约束问题。连续高频传输全局参数会消耗有限的网络带宽,并可能在外部扰动下加剧权重累积,从而引发参数漂移。为从时间维度减轻此类冗余,间歇更新和事件触发机制(ETMs)已被广泛引入自适应控制框架中 [10], [11], [12]。例如,文献 [13] 开发了一种配备双独立采样机制的事件触发策略,以实现具有显著时间尺度差异的系统的实用固定时间稳定。聚焦于鲁棒输出跟踪,Behera等人 [14] 设计了一种二自由度滑模控制器,其事件触发执行仅依赖反馈测量,成功在匹配扰动下生成了高度稀疏的采样序列。近年来,事件触发与自适应控制方法已进一步扩展到更复杂的非线性系统、受约束系统和安全关键控制问题中。对于不确定严格反馈非线性系统,已采用自适应滤波和异步事件触发机制来减少传感器到控制器传输和控制器更新中的通信负担 [15]。对于非严格反馈非线性系统,也已发展出事件触发鲁棒模糊自适应控制方法,在节省通信资源的同时保证预设的跟踪性能 [16]。相关研究还进一步考虑了非线性系统的非对称全状态约束、输入量化和预设时间指令滤波器自适应控制等问题 [17], [18], [19]。此外,对于安全关键的流程系统和受约束的多智能体系统,反步神经网络控制、控制屏障函数和动态表面控制已被结合使用来处理安全约束、容错和跟踪误差约束 [20], [21]。这些研究表明,事件触发机制、自适应逼近和约束处理已成为非线性控制领域的重要课题。然而,大多数现有方法主要关注通信触发、性能约束或安全保持,而对在线FLS更新中涉及的空间冗余问题关注相对较少。这些策略旨在通过预设特定误差阈值来实现按需通信和稳态参数锁定。然而,大多数现有事件触发模糊控制方案严重依赖静态常数或刚性的预定义数学衰减函数作为触发阈值。这种被动机制本质上缺乏感知宏观网络环境的认知能力。因此,当面临突发网络拥塞时,传统ETMs无法执行上下文感知的资源折衷,可能引发严重的数据包丢失、通信延迟延长以及后续的整体控制性能退化。
为缓解传统阈值预设的刚性,探索一种能够利用宏观语义信息的监督决策模块具有重要意义。近年来,大语言模型(LLMs)在逻辑推理、上下文感知和零样本决策方面展现出了卓越的能力 [22], [23], [24]。与依赖大量低层数值拟合的传统神经网络不同,LLMs擅长处理具有高歧义性和复杂逻辑的语义级任务。近期研究探索了将LLM智能体集成到复杂运行环境中的可能性。例如,文献 [25] 利用LLMs的零样本泛化能力构建了可适应多种路口配置的通用交通信号控制框架。在动态网络基础设施中,Vasilis Avgerinos等人 [26] 利用LLM智能体执行自主故障缓解和根因分析。此外,文献 [27] 将LLM引导的物理信息先验嵌入图学习架构中,加速了大规模电力系统的实时应急控制。尽管取得了这些跨学科进展,但将LLM驱动的语义推理集成到模糊自适应控制中以编排事件触发机制仍是一个引人注目但尚未充分探索的前景。受此启发,部署LLM监督者可使网络化系统感知实时带宽负载并动态调整触发阈值。这种调度机制有助于缓解网络拥塞下传统ETMs的被动性,并促进计算资源与通信资源的更灵活协同配置。
基于上述讨论,本文提出了一种针对非线性系统的基于掩码的间歇模糊自适应控制策略,其触发机制由LLM预设。本文的主要贡献总结如下:
1. 将空间掩码矩阵嵌入模糊逼近器中,以选择性激活隶属度较高的局部规则,从而减少冗余的模糊规则计算。同时引入间歇自适应律,在稳态期间冻结学习过程,有助于抑制参数漂移。
2. 突破传统ETMs的静态阈值限制,部署LLM作为高层认知调度核心。通过对实时网络负载进行语义评估并动态预设最优触发阈值,该机制实现了通信带宽利用与跟踪精度之间的智能平衡。
## 系统描述
考虑一类不确定的n阶严格反馈非线性系统 [28], [29], [30],可由以下微分方程建模:
$$\begin{cases} \dot{\xi}_j(t) = \xi_{j+1}(t) + F_j(\bar{\xi}_j) + D_j(t), & 1 \leq j \leq n-1 \\ \dot{\xi}_n(t) = u(t) + F_n(\bar{\xi}_n) + D_n(t) \\ \psi(t) = \xi_1(t) \end{cases}$$
其中 $\bar{\xi}_j = [\xi_1, \xi_2, \cdots, \xi_j]^T \in \mathbb{R}^j$ 构成到第 $j$ 个子系统的可测状态向量;$u(t) \in \mathbb{R}$ 和 $\psi(t) \in \mathbb{R}$ 分别表示实际控制输入和系统输出。项 $F_j(\bar{\xi}_j): \mathbb{R}^j \to \mathbb{R}$ 表示完全未知的连续非线性系统函数。
## 主要结果:控制器设计与稳定性分析
本节基于反步技术详细介绍了所提基于掩码的间歇模糊自适应控制器的递归设计过程。为解决传统反步法中固有的"复杂性爆炸"问题,引入了一阶指令滤波器动态表面控制(DSC)。
## 仿真结果与对比分析
本节通过数值仿真考察所提基于掩码的间歇模糊自适应控制策略的跟踪行为以及时空资源使用情况。为进行对比,在同一系统、扰动和控制器参数条件下,还实现了基于全模糊规则更新的连续FLS-DSC控制器 [4], [5], [43] 以及动态ETM FLS-DSC控制器 [44]。选用四种LLM,分别为DeepSeek V3、GPT-5.5、Gemini 3.5 Flash和Grok 4.5。
## 结论
本文针对一类不确定严格反馈非线性系统,开发了一种基于掩码的间歇模糊自适应控制框架,其触发机制由LLM预设。所提方法结合了模糊逼近、基于空间掩码的规则激活和间歇自适应更新,以减少冗余的模糊计算和不必要的参数更新。LLM被用作高层监督模块,根据……来预设事件触发阈值。
## CRediT作者贡献声明
Xinyi Dai(戴馨怡):写作 – 审阅与编辑,写作 – 原始稿件。Feng Jiang(江峰):监督指导,方法论,经费获取。Zongyu Wang(王宗宇):写作 – 原始稿件。
## 利益冲突声明
作者声明,他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
Xinyi Dai | Feng Jiang | Zongyu Wang
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号