基于?2-平滑谱横坐标的AI细化神经网络代理优化：面向时滞振动抑制

《Results in Engineering》：AI-Refined Neural-Network Surrogate Optimization for Delayed Vibration Suppression Using the Smoothed Spectral Abscissa

　　

研究人员提出一种面向时滞振动抑制（delayed vibration suppression）的混合AI辅助优化框架。该框架采用局部神经网络（Neural-Network, NN）代理策略，在真实最优解附近逼近?₂-平滑谱横坐标（?₂-smoothed spectral abscissa），从而在避免不可靠外推的同时减少谱评估次数。框架引入回退验证（fallback validation）与AI细化（AI-refinement）机制，以面向真实时滞系统动力学与稳定性，并分析谱横坐标主导优化与?₂导向性能之间的转变。

时滞系统（time-delay systems, TDSs）广泛存在于网络化控制、过程工业、通信系统以及带反馈延迟的机械系统。延迟引入无限维动力学，使稳定性由准多项式特征方程的根决定。谱横坐标（spectral abscissa）定义为特征根的最大实部，直接决定闭环系统的指数衰减率，因此最小化谱横坐标可增强稳定性并改善瞬态响应；但其对控制器参数具有非光滑、非凸依赖，直接优化计算困难。?₂-平滑谱横坐标提供可微近似，且平滑参数?→0时趋近经典谱横坐标最小化，较大?时逐渐强调?₂性能。QPmR（Quasi-Polynomial Mapping-based Rootfinder，准多项式映射求根器）可高保真计算规定复平面区域内的特征根，但在优化中反复评价代价高。现有延迟振动控制多关注解析稳定性分析、半主动控制或直接数值优化，较少研究在保留原时滞模型谱验证的同时，以NN代理降低重复高保真评价。为此，该研究由Feleke Tsegaye Yareshe、Libor Peka?、Meron Tadele Roba、Mihret Kochito Wolde和Abebe Alemu Wendimu开展，提出将QPmR精确谱评价、固定?连续化、局部NN代理、回退验证与AI细化结合的混合框架，使AI作为物理一致优化循环中的计算代理，而非替代原谱模型。其意义在于兼顾计算效率、谱可解释性和基于模型验证的可靠性。

方法上，本研究为数值研究，不涉及样本队列；数据来自QPmR精确谱采样。关键技术包括：QPmR计算特征根并评价谱横坐标；固定?连续化与对数二分估计临界阈值?^?；在独立粗搜或前一步验证解确定的局部箱内构造前馈NN代理；以fmincon的序列二次规划（sequential quadratic programming, SQP）执行真实优化；代理候选经真实模型回退验证，必要时AI细化；并以时滞微分方程时域仿真、机械参数扰动及耦合二自由度（two-degree-of-freedom, 2-DoF）三变量K₁、K₂、τ基准评估。

3.1 固定?真实优化结果：在?∈[10^?5,10⁰]内，真实优化设计几乎不变，K^?≈2.2517、τ^?≈0.0170、α^★≈?2.0411，表明小中平滑水平下最优解位于稳健区域并主要受谱横坐标最小化支配；?增大后设计变化，?=8时优化平滑谱横坐标转为正值，用于识别稳定边界；大?解趋向设计边界K=K_max=3、τ=τ_min=0.01，原文强调这是目标与设计域交互，不应解释为任意大增益和任意小延迟的物理最优。AI-assisted在小?下偏差较大，AI-refined可恢复接近真实最优的目标值。

3.2 计算性能：原文区分代理构建的离线成本与代理优化的在线成本。1-DoF基准采用15×15局部采样网格，每?最多225个真实模型样本，用于离线构建代理；AI-assisted在线阶段仅需对最终代理候选作真实验证，因而在线谱评价和耗时少；AI-refined重新引入精确目标并作局部真实优化，可能比直接真实优化更耗时，其作用是提高真实模型精度而非保证计算节省。连续化仅作为优化热启动，不表示复用已计算特征根。

3.3 临界平滑阈值：自适应连续化识别出?^?∈[6.3995857244,6.3997210974]，细化下界约为6.3995857244；该阈值处K≈2.9999999989、τ≈0.0100000000，真实谱横坐标α≈?0.3495314558，而平滑谱横坐标≈?4.4501×10^?6。结论是平滑准则在转变点附近较保守，原时滞系统在细化阈值处仍严格指数稳定。

3.4 全局谱横坐标景观：粗QPmR谱分析显示 admissible 设计域内谱横坐标景观非凸、非光滑，稳定区满足α(K,τ)<0，强衰减区域较窄；因此采用围绕粗搜/连续化中心的局部NN代理，而非全局代理。独立计算的真实最优仅作为评价基准，不用于定义代理区域。

3.5 谱横坐标优化策略比较分析：比较真实QPmR、AI-assisted、AI-refined及简化γ=0方法可见，小?时前三者目标值明显比γ=0更负；AI-assisted能跟随真实趋势，AI-refined在多数平滑范围内更接近真实QPmR解；?增大后平滑谱横坐标趋近零，各法差异变小，而γ=0法偏差明显。真实谱横坐标与优化平滑谱横坐标在小?时近乎重合，随?增大平滑量趋零，说明?控制由谱横坐标导向稳定性优化向?₂平滑准则影响的过渡。

3.6 时域验证：三种控制器响应均快速收敛至平衡且无明显振荡；AI-assisted与AI-refined响应近乎重叠，细化仅带来小的瞬态变化；初始瞬态中二者略快于真实优化设计，接近平衡后差异可忽略。结论是代理辅助设计保持稳定且快速衰减的时域行为。

3.7 AI细化方法精度：相对误差分析表明延迟τ比增益K更敏感，尤其在小?的稳定性主导区域；K的相对误差全程较小。原始AI-assisted在小?有可见目标误差，而AI-refined的目标值非常接近真实优化。结论是NN代理更适合作为计算加速器和初值来源，最终细化对恢复真实模型精度至关重要。

3.8 与简化γ=0公式比较：小中?下，所提方法的时域衰减率较简化γ=0公式在代表性案例中提高约45%；接近临界平滑区域时二者差异减小。简化法在全?范围给出恒定参数K=3.0、τ=0.01，表现为固定?₂型优化；所提方法使K和τ随?变化，并在?^?附近明显变化，反映由谱横坐标主导向?₂主导的转变。结论是当谱信息和振动衰减特性为中心目标时，应保留隐式平滑形式。

3.9 机械参数扰动下的鲁棒性：通过扰动机械参数比较衰减率、调节时间和积分绝对误差（integral absolute error, IAE）。质量增加20%提高估计衰减率，质量减少20%降低衰减率；阻尼增加50%使衰减率约降低6%；刚度增加30%引起最大变化，在?≤1时衰减率约增46–49%，调节时间约降28%，IAE约降23%。?=4时真实与AI设计差异较明显，但定性鲁棒趋势一致；AI-refined响应接近真实设计，原始AI-assisted在小?有偏差。结论是在所考察扰动下设计未表现过度敏感，细化可保留瞬态与鲁棒特性。

3.10 耦合2-DoF时滞系统可扩展性评估：固定?=10^?2，先作8×8×8粗QPmR搜索，需512次评价和约515.30 s；随后以102个多起点精确优化获得真实最优，总耗时约4730.72 s，最优θ^★=[1.703150,2.025074,0.115311]^T，α^★≈?3.711490，平滑目标≈?3.711252。局部代理区域以独立粗解为中心，9×9×9网格中689个有效稳定样本，数据生成约217.27 s；三层NN含32、32、16个神经元，采用Levenberg–Marquardt训练及85/15训练—测试划分，测试均方根误差（root mean square error, RMSE）为0.4451、平均绝对误差（mean absolute error, MAE）为0.2824。初始代理预测与真实验证差异触发两轮自适应重训练；最终AI-assisted候选θ^★_AI=[1.790046,1.496432,0.238384]^T，NN预测?3.706979，真实验证α_AI=?3.1817、平滑目标?3.176051，与真实最优目标差约14.42%。AI细化得θ^★_ref=[1.737298,1.539218,0.237518]^T，α_ref=?3.579529、平滑目标?3.578145，差约3.59%。在线AI-assisted耗时3.19 s，代理构建与自适应更新约779.64 s，细化额外149.41 s。时域结果表明真实最优的平滑谱横坐标最负，但不保证所有有限时域指标最优；AI-refined对x₁(t)的IAE和积分平方误差（integral squared error, ISE）低于真实最优，两种AI设计对x₂(t)的IAE和ISE更低。结论是框架可扩展至三设计变量耦合系统，但NN代理仍为局部模型，精度依赖训练区域位置与覆盖，精确验证、自适应重训练和后续细化在高维问题中仍属必要。

讨论部分总结：原文强调大?边界解反映平滑目标与设计域约束的交互，并非普适物理最优；计算比较必须区分离线代理构建与在线优化成本；?扫描中的谱量变化来自重新QPmR与隐式平滑计算，连续化只是优化层热启动；平滑谱横坐标准则在临界阈值附近较保守；NN应作为计算代理而非谱模型替代；高维结果揭示局部代理的精度限制，回退验证和AI细化用于保持物理可行性与真模型一致性。

研究结论（翻译）：该论文建立了基于?₂-平滑谱横坐标的时滞振动控制混合AI辅助优化框架，结合QPmR高保真谱计算、固定?连续化、局部NN代理建模、精确验证和真实模型细化。结果表明，AI-assisted策略在代理构建后能够以较低在线成本搜索候选，而AI-refined策略通过高保真局部优化提高代理生成解的精度；因此NN是计算代理而非底层谱模型的替代。分析还阐明平滑参数影响：小?时优化密切反映谱横坐标最小化，增大?逐渐转向?₂导向性能；估计的临界阈值?^?确定本研究稳定平滑最优分支的极限。与简化γ=0公式比较进一步表明，当谱信息和振动衰减特性是设计目标核心时，保留隐式平滑形式很重要。框架在1-DoF时滞振子和含K₁、K₂、τ三设计变量的耦合2-DoF系统上均得到评估，显示QPmR–NN结构可超越原二参数问题并保留精确验证与细化；时域仿真和鲁棒性分析证实所考察案例具有有效振动衰减和稳定闭环行为。计算结果表明，原文明确区分代理构建离线成本与代理优化在线成本，从而透明评估计算—精度权衡。