一种基于高阶拓扑势中心性的单纯复形网络牵制控制方法
本发明涉及控制与信息,尤其涉及一种基于高阶拓扑势中心性的单纯复形网络牵制控制方法。
背景技术:
1、随着复杂网络科学的发展,网络控制技术在通信、交通、生物系统、社会学、人工智能等多个领域得到了广泛应用。传统复杂网络通常基于节点间的二元交互进行建模,牵制控制方法通过控制网络中少量关键节点来实现对整个网络状态的调控。然而,现实世界中的许多复杂系统,如生物神经集群的协同放电、社交网络的群体极化效应、智能电网的多节点协同调控等,其动力学演化往往依赖于多个节点之间的高阶交互作用。传统的图论模型难以刻画这种多体协同与拓扑异质性,导致牵制控制的效率受限。
2、近年来,高阶网络理论通过引入单纯复形等数学工具,能够自然描述多个节点之间的高阶交互关系。现有研究虽然在高阶网络建模与同步分析方面取得了一定进展,但针对高阶网络的牵制控制策略仍存在以下不足:节点选择多依赖低阶中心性指标,忽略了节点在高阶单纯形中的参与度,所选择的牵制节点可能并非高阶交互中的核心枢纽,从而降低控制效率;控制增益通常采用固定值,无法适应高阶网络动态耦合特性的变化,难以在控制能耗与同步性能之间取得平衡;缺乏融合低阶分布式协议与高阶补偿机制的协同控制架构,可能导致网络在多尺度动力学耦合场景下控制效果不佳。因此,需要一种能够充分利用单纯复形结构特征、实现高效低能耗控制的高阶网络牵制控制方法。
技术实现思路
1、针对现有技术的不足,本发明提供一种基于高阶拓扑势中心性的单纯复形网络牵制控制方法;通过构建单纯复形网络模型、设计融合高阶拓扑势中心性的节点选择准则、自适应增益分配算法及分层控制架构,实现对单纯复形网络的高效牵制同步,通过充分利用高阶拓扑结构信息,提高了网络同步收敛速度,降低了控制能耗。
2、一种基于高阶拓扑势中心性的单纯复形网络牵制控制方法,包括以下步骤:
3、步骤1:确定
d-维单纯复形网络的动力学方程;
4、构造一个具有
n个节点的单纯复形网络
g=(
v,
e),其中,
v={
v1,
v2,…,
vn}表示节点的非空有限集合,
vn表示第
n个节点;
e={(
vi,
vj)}为边集,
vi和
vj分别表示第
i个节点和第
j个节点; (
i1,
i2,…,
id+1)表示节点之间的高阶交互,
id+1为第
d+1个节点;在此基础上使用单纯形来表示节点之间的高阶交互,其中0-单纯形为一个节点,1-单纯形为一条边,2-单纯形为一个三角形,依此类推,
d-单纯形为
d+1个节点所构成的完全图;所述单纯复形网络无向、无权且连通;第
i个节点的动力学方程表示如下:
5、(1);
6、其中,表示节点
i的状态向量,
xim表示
xi的第
m个分量,为
xi对时间
t的一阶导数,表示
m维实向量集合,上标
t表示向量的转置;是描述节点自身动力学的连续可微函数;
d表示单纯复形网络的最大维数,即网络中存在的最高维单纯形的维度;是
d-单纯形对应的耦合强度;为阶邻接张量的元素,若节点组构成一个-单纯形则取值为1,否则为0;表示-单纯形中节点状态变量之间的内耦合函数;
7、单纯复形网络达到同步状态
xs(
t)时,所有节点状态满足,,其中
xs(
t)满足孤立系统方程,表示节点自身动力学函数,表示时间,下文在函数表示中对
t进行省略;
8、步骤2:基于高阶拓扑势中心性设计牵制控制律,使单纯复形网络实现同步目标;
9、牵制控制律包含选择牵制控制节点、控制增益分配和分层控制输入三个环节;首先,基于高阶拓扑势中心性指标选择网络中的关键节点作为牵制控制对象,随后采用双重自适应增益分配算法,根据同步误差动态调节控制增益强度,并构建由低阶一致性协议、高阶补偿机制及混合控制组成的分层架构;受牵制控制的-维单纯复形网络动力学方程表示如下:
10、(2)
11、其中,为二元变量,在节点
i上施加牵制控制,则,否则;为施加在节点
i上的牵制控制律;
12、步骤2.1:基于高阶拓扑势中心性选择牵制控制节点;
13、高阶拓扑势中心性
htci作为衡量节点在单纯复形网络中的多维结构特征参数,同时融合了节点低阶中心性与高阶耦合特性,表示如下:
14、(3);
15、其中,
htci表示节点
i的高阶拓扑势中心性,为归一化后节点
i的度,表示为节点
i的一阶度
ki与单纯复形网络中所有节点的最大一阶度的比值,即,;表示节点
i参与的
k-单纯形的数量,
tk为网络中所有
k-单纯形的集合,为指示函数,若节点
i属于单纯形σ则取1,否则取0;为
k阶耦合权重;为调节因子;计算所有节点的值,选择值最大的前
p个节点作为牵制控制节点,
p为预设牵制控制节点个数;
16、步骤2.2:设计双重自适应增益分配算法;
17、全局增益调节根据网络同步误差动态调整总体控制增益强度,表示如下:
18、(4);
19、其中,为全局增益基准;为误差阈值;为双曲正切函数;表示取最小值,为同步误差的欧几里得范数;
20、局部增益分配依据单个节点的高阶拓扑势中心性占所有节点的比例,差异化分配节点增益,表示如下:
21、(5);
22、其中,表示第个节点的控制增益,
ni为节点
i的邻居集合;和分别为节点
i和节点
j的高阶拓扑势中心性;
23、步骤2.3:构建分层牵制控制架构;
24、分层牵制控制架构包含低阶控制层、高阶协调层和混合控制层,各层控制输入表示如下:
25、低阶控制层针对1-单纯形采用以下分布式一致性协议,表示如下:
26、(6);
27、其中,为低阶控制输入,
aij为邻接矩阵元素,若节点
i和节点
j之间有边相连则,否则;
28、高阶协调层针对阶单纯形增加了高阶补偿系数,表示如下:
29、(7);
30、其中,为阶补偿输入;为高阶补偿系数;为网络中所有-单纯形的集合;为指示函数,若节点属于单纯形则取1,否则取0;表示单纯形包含的节点个数;
31、混合控制层将低阶控制层和高阶协调层的控制输入综合起来,作为总控制输入,表示如下:
32、(8);
33、步骤3:利用最大绝对误差判断单纯复形网络是否同步;
34、在判断单纯复形网络是否同步到期望状态时,将所有节点的状态与同步状态之间差值的最大绝对值作为判断依据,即:
35、(9);
36、其中,表示最大绝对误差,表示节点的状态向量的第个分量,为同步状态的第个分量,为节点总数,为状态向量的维数,表示取最大值,符号表示取绝对值;通过设计满足上述判断依据的牵制控制律,使单纯复形网络实现同步目标。
37、采用上述技术方案所产生的有益效果在于:
38、本发明提供一种基于高阶拓扑势中心性的单纯复形网络牵制控制方法,通过高阶拓扑势中心性指标融合节点一阶度与高阶单纯形参与度,能够更精准地识别关键控制节点;双重自适应增益分配算法可根据同步误差动态调整控制增益强度,比固定增益策略更能有效降低能耗;分层控制架构协调低阶与高阶动力学,提升了同步收敛速度和对拓扑扰动的鲁棒性。本发明可为生物神经网络、智能电网、社交网络等复杂系统的调控提供有效的理论工具。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com