《IEEE Access》：Fuzzy Fractional-Order Adaptive Control for Mobility-as-a-Service Orchestration: A Cybernetic Approach *Achieving Complete Decision Coverage Through 2,187-Rule Architecture
编辑推荐：
为解决现有出行即服务（MaaS）协调方法在不确定时变需求下，缺乏可证稳定性和系统化不确定性处理能力的问题，研究人员开展了模糊分数阶自适应控制（FOAFC）主题研究。该研究提出了首个融合分数阶建模、完全模糊规则覆盖与李雅普诺夫稳定性的控制论框架，在仿真中实现了95.35%的收敛率和相比经典PID控制器95.7%的RMSE降低，为安全关键的城市出行系统提供了坚实的理论保证。
在现代都市的脉络中，交通系统如同一个精密而脆弱的生命体，其脉搏——交通流——时刻跳动着不确定性。出行即服务（Mobility-as-a-Service， MaaS）的兴起，旨在将碎片化的交通方式整合为统一、按需的服务，以优化城市出行体验。然而，这一愿景的实现面临着严峻的协调挑战。系统需在瞬息万变的需求中，同时权衡服务品质、资源利用效率和动态定价等多个目标，即服务品质指数（Service Quality Index， SQI）、车队利用率（Fleet Utilization Ratio， FUR）和动态定价指数（Dynamic Pricing Index， DPI）。传统的解决方案，如多智能体强化学习（Multi-Agent Reinforcement Learning， MARL）或混合学习优化方法，虽然在特定场景下展现潜力，但普遍缺乏可证明的稳定性保证，也未能系统性地处理城市环境中固有的、复杂的非线性与不确定性。这就像试图用经验法则来驾驶一架没有仪表盘的飞机，在风平浪静时或许可行，一旦遭遇剧烈湍流（如突发大客流、交通事故），系统的可靠性与安全性便面临巨大考验。为了构建真正稳健、可信赖的MaaS协调系统，亟需一个植根于严谨数学理论、能够驾驭“复杂性”的框架。为此，一篇发表在《IEEE Access》上的研究论文，提出了一种开创性的控制论方法。
本研究主要采用了几个关键技术方法。首先，研究构建了分数阶Grünwald-Letnikov动力学模型，其微分阶次q设定为0.99，以精确刻画城市交通流中约30秒的遗传记忆效应（hereditary memory effects）和长程拥堵传播特性。其次，研究设计了分数阶自适应模糊控制器（Fractional-Order Adaptive Fuzzy Controller， FOAFC），其核心是一个包含2187条规则的完全模糊推理系统，旨在实现控制决策的完全覆盖。最后，研究运用分数阶Barbalat引理，对闭环系统的李雅普诺夫稳定性进行了严格证明，为控制器在参数不确定性和非线性动力学下的渐进收敛性提供了理论担保。
研究结果
1. 分数阶建模与控制器设计
本研究首先指出，整数阶模型在结构上无法准确表征城市交通流的长记忆特性。通过采用分数阶Grünwald-Letnikov微积分，研究成功地捕捉了需求关联时间尺度约为30秒的交通动态。基于此，提出的FOAFC控制器结构包含两个协同工作的部分：一个比例环节，用于衰减大规模扰动并提供全局稳定性；以及一个完整的2187规则模糊推理系统，旨在运行平衡点附近放大细粒度的决策多样性。这一双机制设计体现了阿什比必要多样性定律，使控制器的复杂性能够匹配MaaS运行包络的内在多样性。
2. 稳定性分析与证明
研究的核心理论贡献在于为所提出的非线性分数阶自适应控制系统提供了严格的稳定性保证。通过构造一个合适的李雅普诺夫函数，并应用分数阶Barbalat引理，研究证明了闭环系统的所有信号是一致有界的，并且跟踪误差能够渐近收敛到零。这一证明确保了即使在存在参数不确定性和未建模动力学的情况下，控制器也能维持系统的稳定运行。
3. 仿真验证与性能评估
通过数值仿真，研究评估了FOAFC控制器的性能。仿真结果表明，所提出的控制器能够实现95.35%的收敛率，达到目标平衡点。这一收敛率被解释为跟踪精度与稳定性之间的最优工程权衡，因为当控制增益超过临界值K2= 195时，将导致系统完全失效。在性能对比方面，FOAFC相比经典比例-积分-微分（PID）控制器，将均方根误差（Root Mean Square Error, RMSE）降低了95.7%。同时，在RMSE、稳定时间、超调量和控制努力等多个指标上，FOAFC对纯自适应控制策略表现出三重优势（triple dominance）。
研究结论与讨论
本研究的结论是，所提出的基于分数阶模型和完全模糊规则覆盖的自适应控制框架，为解决MaaS协调中的稳定性与不确定性难题提供了首个控制论解决方案。该方法不仅通过分数阶动力学精确描述了交通系统的遗传记忆效应，还通过庞大的模糊规则库实现了对复杂运行环境的精细决策。理论分析证明了系统的渐进稳定性，仿真结果则验证了其在收敛精度和鲁棒性上相对于现有方法的显著优越性。
这项研究的重要意义在于，它将控制理论中的严格稳定性工具引入MaaS这一复杂系统协调领域，弥补了现有数据驱动方法在理论可靠性上的不足。通过将阿什比的必要多样性原理具体化为控制器设计准则，研究为处理高维、非线性、不确定的系统协调问题提供了一个可扩展的范式。尽管仿真环境与真实世界的复杂性仍有差距，但该框架为未来开发具有可证明安全边界的实际MaaS协调系统奠定了坚实的理论基础，推动智能交通系统从“表现良好”向“理论上可信”迈进。
