概率逻辑控制系统的吸引域与渐近反馈可达性
《European Journal of Control》:Attraction Domain and Asymptotical Feedback Reachability of Probabilistic Logical Control Systems
【字体:
大
中
小
】
时间:2026年09月27日
来源:European Journal of Control 2.6
编辑推荐:
摘要
概率逻辑控制系统(PLCS)是一种切换马尔可夫链,其中控制输入作为切换信号。此类系统被广泛采用以描述生物网络的演化过程。本研究探讨了PLCSs在状态反馈下的渐近可达性,称为渐近反馈可达性。具体而言,我们旨在确定是否存在一种状态反馈,使得目标集从初始集渐近可达。为了分析连
摘要
概率逻辑控制系统(PLCS)是一种切换马尔可夫链,其中控制输入作为切换信号。此类系统被广泛采用以描述生物网络的演化过程。本研究探讨了PLCSs在状态反馈下的渐近可达性,称为渐近反馈可达性。具体而言,我们旨在确定是否存在一种状态反馈,使得目标集从初始集渐近可达。为了分析连续时间PLCSs(CT-PLCSs)在采样数据状态反馈下的渐近可达性,我们引入了给定集合下CT-PLCS的吸引域和最大反馈吸引域(LFAD)的概念,并提出了一种确定LFAD的算法。基于此,我们获得了CT-PLCSs渐近反馈可达性的充要判据。对于满足渐近反馈可达性条件的一对初始集和目标集,我们提出了一种设计采样数据状态反馈的算法,在该反馈下任何来自初始集的解都收敛到目标集。遵循类似的思想,讨论了离散时间PLCSs在状态反馈下的渐近可达性。所得理论结果通过示例得到了支持。
引言
逻辑系统是一类具有有限状态空间的系统。离散时间布尔网络(Kauffman, 1969)旨在描述基因调控网络的动力学演化,是基础且重要的离散时间逻辑系统。离散时间概率逻辑系统(DT-PLS)是具有独立同分布切换序列的离散时间逻辑系统,因此DT-PLS的动态实际上是一个齐次马尔可夫链。DT-PLS的一个典型例子是离散时间概率布尔网络(Shmulevich等,2002),旨在描述具有随机性和不确定性的基因调控网络。除了生物网络外,DT逻辑系统和PLSs还被应用于其他领域,例如网络化演化博弈(Cheng等,2015)和网络化逻辑有限状态机(Zhang等,2025)。矩阵半张量积理论和逻辑的向量表示法极大地促进了DT逻辑系统和PLSs的发展,因为它允许我们将逻辑方程转换为代数形式(Cheng等,2011a)。例如,应用矩阵半张量积理论,对离散时间布尔网络和概率布尔网络的分析与控制综合进行了广泛研究。文献中报道的问题包括稳定性与镇定(Cheng等,2011b;Guo, Wu, Li, Gui, 2024, Guo, Zhou, Wu, Gui, Yang, 2019;Li and Wang, 2017;Zhou等,2020),可控性与可观测性(Cheng and Qi, 2009;Fornasini, Valcher, 2013, Fornasini, Valcher, 2019;Li and Sun, 2011;Li等,2021a;Liang等,2017;Zhou等,2019;Zhu等,2024b),状态估计(Chen等,2020;Guo等,2020;Meng and Xiao, 2023),最优控制(Wu, Guo, Toyoda, 2021, Wu, Sun, Zhao, Shen, 2019;Zhao等,2011),以及观测器设计(Fornasini and Valcher, 2013;Yang等,2020;Zhang等,2020)。
为了表征基因调控网络的连续时间演化和随机性,采用连续时间概率逻辑网络来模拟p53对DNA损伤响应的生物过程(Stoll等,2012)。在连续时间概率逻辑网络中,所有节点状态的动态演化由连续时间有限齐次马尔可夫链描述。在本研究中,我们将连续时间有限齐次马尔可夫链视为一种逻辑系统,并将此类逻辑系统称为连续时间概率逻辑系统(CT-PLS)。CT-PLSs的稳定性分析最近已在Guo等(2022)、Li等(2023b)和Zhu等(2024a)中进行了研究。概率逻辑控制系统(PLCS)是带有控制输入的PLS。我们不变地假设在CT-PLCS中,控制输入是分段常数。那么,将控制输入视为切换信号,CT-PLCS可被视为一种切换CT-PLS(Guo等,2022)。
可达性是控制系统的一种基本属性。它描述了是否存在一种控制输入,使得系统可以从一个状态引导到另一个状态。可达性分析和控制设计非常重要,特别是在系统不是全局镇定时。PLCSs的可达性和可控性在过去的几年中被报道过。大多数研究集中于DT-PLCSs在自由输入序列或状态反馈下的几乎必然有限时间可达性和可控性,见Li and Sun(2011)、Dai and Guo(2023)和Liu等(2015)等。此外,DT马尔可夫跳跃布尔控制网络在自由输入序列下的几乎必然有限时间可达性在Meng等(2019)中进行了研究。DT-PLCSs的可达性和可控性也被定义为在随机输入序列下的迟早可达性(Zhao and Cheng, 2014)。另外,DT-PLCSs在时变状态反馈下的正概率有限时间可达性在Toyoda and Wu(2020)中进行了研究。在我们先前的研究Li等(2023a)和Li等(2021b)中,讨论了CT-PLCSs在采样数据状态反馈(SDSF)下和DT-PLCSs在状态反馈下的渐近可达性和可控性,称为渐近反馈可达性和可控性。已经证明,对于CT或DT-PLCS,一个状态从所有状态渐近反馈可达当且仅当它渐近反馈可镇定,并且系统渐近反馈可控当且仅当每个状态渐近反馈可镇定。然而,一个渐近反馈不可镇定的状态仍可能从某些初始状态渐近反馈可达。如何验证给定一对状态之间的渐近反馈可达性并设计一种反馈以渐近地将系统从一个状态引导到另一个状态,是一个尚未解决的挑战性问题。
在本研究中,我们探讨了CT和DT-PLCSs在状态和集合之间的渐近反馈可达性。主要贡献总结如下:
1. 对于CT-PLCS,引入了吸引域和最大反馈吸引域的概念。具体而言,在给定SDSF下相对于给定集合的吸引域刻画了在SDSF下闭环解渐近收敛到给定集合的初始状态集合。我们证明了在SDSF下相对于任何集合的吸引域是闭环系统的一个不变集。我们还证明了在任何两个不同SDSF下相对于同一集合的吸引域的并集总是可以被另一个SDSF下相对于同一集合的吸引域所覆盖。这一观察表明,存在一个SDSF,在该SDSF下相对于集合的吸引域恰好等于在所有可能SDSF下相对于同一集合的吸引域的并集,这被称为相对于集合的最大反馈吸引域。
2. 提出了一种逐步算法来确定CT-PLCS相对于给定集合的最大反馈吸引域。最大反馈吸引域的确定直接提供了CT-PLCSs在状态和集合之间渐近反馈可达性的充要判据,该判据指出:目标集/状态从初始集/状态渐近反馈可达当且仅当初始集/状态包含在相对于目标集/状态的最大反馈吸引域中。此外,提出了一种设计SDSF以渐近地将任何属于初始集的状态引导到目标集的程序。
3. 为DT-PLCSs引入了类似吸引域和最大反馈吸引域的概念。也推导了基于最大反馈吸引域的DT-PLCSs在集合之间渐近反馈可达性的判据,并提出了一种设计状态反馈以渐近地将任何属于初始集的状态引导到目标集的方法。
本文其余部分组织如下。缩略语和符号分别列在表1和表2中。模型描述和问题设置在第2节中提出。几个预备概念和结果在第3节中提出。CT-PLCSs在SDSF下的吸引域和最大反馈吸引域的计算在第4节中提出。CT-PLCSs的渐近反馈可达性结果在第5节中提出。DT-PLCSs的吸引域和渐近反馈可达性在第6节中提出。本研究的结论在第7节中得出,附录在第8节中提出。
部分摘录
CT-PLCSs的模型描述
考虑一个具有N个状态和M个控制模式的CT-PLCS。系统的状态和控制输入分别表示为x(t)和u(t),它们分别在ΔN和ΔM中取值,其中Δn表示集合{δn1, δn2, ?, δnn},其中每个δni, i∈[1:n]为n×n单位矩阵的第i列。x(t)的概率分布向量表示为p(t),定义为[p(t)]i:=Pr{x(t)=δNi}, i∈[1:N],其中[p(t)]i表示p(t)的第i个分量。我们假设当u(t)为常数时……
预备知识
我们首先分析CT-PLCSs的渐近反馈可达性。为此,我们需要以下预备知识。
SDSF下CT-PLCSs的吸引域
本节提出了SDSF下CT-PLCSs吸引域的结果,这将用于确定CT-PLCSs的渐近反馈可达性。
CT-PLCSs的渐近反馈可达性
利用命题3来直接验证目标状态是否从初始状态渐近反馈可达是不方便的,因为我们需要针对给定的一对状态搜索所有可能的反馈增益矩阵。在本节中,我们旨在找到一种有效的方法来验证集合之间的渐近反馈可达性。此外,对于从另一个集合渐近反馈可达给定的集合对,我们旨在提供一种方法设计SDSF以渐近地将任何属于初始集的状态引导到目标集。
DT-PLCSs的渐近反馈可达性
与CT-PLCS的情况类似,我们通过分析系统在状态反馈下的吸引域来研究DT-PLCSs的渐近反馈可达性。为此,我们首先分析状态反馈下的闭环系统。
结论
为CT-PLCSs引入了相对于给定集合的吸引域和最大反馈吸引域。提出了一种确定相对于给定集合的最大反馈吸引域的算法。基于此,获得了集合之间渐近反馈可达性的可验证充要条件。对于满足一个集合从另一个集合渐近反馈可达的一对集合,提出了一种确定SDSF以……
命题2的证明
证明
由(20)式,对于任何s∈[1:M]和任何δNj∈M?H,有∑i∈Idx(Mc)[Rs]i,j>0。由引理1,这等价于∑i∈Idx(Mc)[eQst]i,j>0, ?s∈[1:M], ?t>0, ?δNj∈M?H。因此,对于任何δNj∈M?H,δNj?Ic(M)成立。即,Ic(M)?H。
此外,由(20)式,对于每个δNj∈H,存在sj∈[1:M]使得∑i∈Idx(Mc)[Rsj]i,j=0。由引理1,这等价于Pr{x(t)∈Mc|x(0)=δNj,u(t)≡δMsj}=∑i∈Idx(Mc)[eQsjt]i,j=0, ?t>0, ?δNj∈H,即Pr{x(t)∈M|x(0)=δNj,u(t)≡δMsj}=1, ?t>0, ?δNj∈H。接下来,我们展示……
CRediT作者贡献声明
Zhitao Li:撰写–审阅与编辑,撰写–原稿撰写,验证,软件,方法学,调查,形式化分析,概念化。Yong Ding:撰写–审阅与编辑,验证。Yuqian Guo:撰写–审阅与编辑,验证,监督,资金获取。
利益冲突声明
作者声明他们没有任何已知的竞争性经济利益或个人关系可能影响本文报告的工作。
Zhitao Li | Yong Ding | Yuqian Guo