A Predefined-Time Neurodynamic Model for Solving Absolute Value Equation
一种用于求解绝对值方程的预定时间神经动力学模型
《Neural Networks》:A Predefined-Time Neurodynamic Model for Solving Absolute Value Equation
编辑推荐:
本研究提出了一种新的神经动力学模型用于求解绝对值方程(Absolute Value Equation, AVE)。该模型允许用户根据实际需求灵活预设收敛时间。为了便于理论分析,研究人员首先引入了一个新的关于预定时间收敛的通用引理,随后证明了所提出的模型不仅能在
本研究提出了一种新的神经动力学模型用于求解绝对值方程(Absolute Value Equation, AVE)。该模型允许用户根据实际需求灵活预设收敛时间。为了便于理论分析,研究人员首先引入了一个新的关于预定时间收敛的通用引理,随后证明了所提出的模型不仅能在预定时间内收敛到绝对值方程的精确解,而且对受有界消失和非消失噪声干扰的系统具有强鲁棒性。最后,两个数值实验验证了该模型在收敛速度和鲁棒性方面的优越性。
论文解读:一种用于求解绝对值方程的预定时间神经动力学模型
研究背景、问题与动机
绝对值方程(AVE)作为一类重要的代数方程,在数学规划与优化领域具有广泛应用,例如线性互补问题(LCP)、广义LCP及线性规划等。然而,AVE中的绝对值项引入了非线性和不可微特性,使得其求解面临挑战。尽管传统迭代方法在可解性条件与算法设计上取得了进展,但其固有的串行迭代机制难以满足实时求解的需求。相比之下,神经动力学模型通过将原问题转化为常微分方程组,利用电路硬件实现并行计算,能够高效追踪系统状态的瞬态变化,从而实现实时求解。现有的针对AVE的神经动力学模型主要分为投影型模型和逆矩阵无关(Inverse-Free)模型。投影型模型虽然有效,但涉及矩阵求逆运算,在处理大规模问题时计算成本高昂;而现有的逆矩阵无关模型大多仅能达到全局渐近收敛或固定时间收敛,其收敛时间上界通常依赖于系统初始状态或复杂的参数调节,难以实现精确的收敛时间控制。此外,现实环境中普遍存在的噪声干扰(如环境噪声和测量不确定性)会进一步限制模型的收敛性能。因此,开发一种兼具逆矩阵无关特性、预定时间收敛能力以及强抗噪鲁棒性的新型神经动力学模型,成为该领域亟待解决的关键科学问题。本研究成果已发表于《Neural Networks》期刊。
关键技术方法概述
研究人员采用了理论推导与数值仿真相结合的研究方法。首先,基于Lyapunov稳定性理论和微分方程理论,提出了一个新的预定时间收敛引理,为后续模型分析奠定了理论基础。其次,通过引入一个用户可调参数,构建了用于求解AVE的新型神经动力学模型。在理论证明环节,利用矩阵理论、不等式放缩技术以及随机分析工具,严格论证了模型在无噪声和有噪声环境下的收敛性及鲁棒性。最后,利用MATLAB平台进行了数值实验,通过对比现有模型,验证了理论结果的正确性和所提模型的优越性。
研究结果
Preliminaries(预备知识)
研究人员回顾了AVE的基本定义和相关性质,明确了AVE的标准形式Ax?|x|=b及其一般形式,其中A∈Rn×n,b∈Rn。同时,给出了系统自治性、平衡点以及预定时间稳定性的数学定义,并引述了Mangasarian和Meyer关于AVE解的存在唯一性的相关引理,为后续模型的构建提供了数学基础。
Proposed model and its theoretical analysis(提出的模型及其理论分析)
研究人员构建了新型神经动力学模型,其核心动力学方程为?=??F(x)+α(t)(Ax?|x|?b),其中α(t)是一个与预定时间参数相关的调节函数。理论分析表明,该模型具有以下特性:首先,模型实现了预定时间收敛,即无论系统的初始状态如何,都能在用户预设的时间T内收敛到AVE的解,且该时间上界独立于初始状态。其次,模型具有逆矩阵无关的特性,避免了矩阵求逆运算,显著提高了计算效率。最后,通过对系统加入有界消失噪声和有界非消失噪声的扰动分析,证明了该模型在噪声环境下依然保持稳定收敛,表现出优异的鲁棒性。
Numerical Experiments(数值实验)
研究人员设计了两个具体的数值算例来验证理论分析。实验结果表明,相较于现有的神经动力学模型,本文提出的模型在收敛速度上具有显著优势,能够严格按照预设时间达到稳态。同时,在加入不同类型的噪声后,模型的状态轨迹仍能快速收敛至平衡点附近的小邻域内,充分证实了模型在复杂环境下的实用性和鲁棒性。
Conclusion(结论)
本研究通过引入可调参数成功开发了一种用于高效求解绝对值方程的神经动力学模型。研究人员提出了新的预定时间收敛判据,并从理论上严格证明了该模型不仅能在预定时间内收敛到AVE的精确解,而且对受有界消失和非消失噪声干扰的系统具有强鲁棒性。此外,该模型的收敛时间上界完全独立于系统初始状态,仅由用户参数决定,极大地增强了算法的可控性。这项工作为实时求解AVE及相关优化问题提供了一种新的有效途径,具有重要的理论意义和工程应用价值。
CRediT authorship contribution statement(作者贡献声明)
Xin-Mei Lv负责了概念化、调研、方法论、软件实现、初稿撰写以及文稿审阅与编辑工作;Shu-Xin Miao负责了概念化、方法论、监督指导以及文稿审阅与编辑工作。
Declaration of competing interest(利益冲突声明)
作者声明不存在已知的可能影响本工作的竞争性财务利益或个人关系。
Acknowledgements(致谢)
作者感谢编辑和审稿人的宝贵意见,并声明本研究得到了甘肃省研究生创新创业之星科研项目(编号:2026CXZX-296)的资助。