1.简介
近年来,多群模型因其在生物学、流行病学等许多不同领域的广泛应用而受到越来越多的关注[1,2]. 多组模型的不同动力学行为已被广泛研究,参见[三,4]为了全球稳定[5]用于同步和[6]用于平稳分布。 在许多多种群模型中,特别是在多径环境中,多重扩散具有很大的影响,并且物种之间总是存在不同的扩散。此外,自然界中的系统必须受到随机扰动的影响[7,8,9,10]. 具有多重分散性的随机多群模型是有效的数学模型,已引起越来越多的关注,参见[11,12,13]. 应该注意的是,许多研究中的拓扑结构[三,4,5,6,8,9,10,11,12,13]已知。事实上,在许多实际应用中,拓扑结构通常是未知的或不确定的。因此,识别具有多重扩散的随机多群模型的未知拓扑结构非常重要。 在本文中,我们考虑以下具有多重分散的随机多群模型哪里是的状态向量我-中的第个组件k个-第个组。我们定义对于.表示的状态向量k个-第th组。代表的性能我-的第个组件k个-第个组。显示了上的扰动强度我-的第个组件k个-第个组。是指我-第个组件小时-第个组到k个-第个组。在这里,如果没有分散我-第个组件小时-第个组到k个-第个组。是顶点的影响小时在顶点上k个,是一维布朗运动。为了更好地理解,我们画了一个由四个群和两个分散体组成的图,参见图1在这里,, 在本文中,数学模型有若干组。如果我们为每个组添加一个控制器,将导致高控制成本。众所周知,固定控制策略是减少受控组数量的有效技术[14,15,16]. 另一方面,如果大量群具有未知的部分拓扑结构,或者我们只对部分拓扑结构感兴趣,那么钉扎控制是一种有效的技术。因此,我们将尝试使用固定控制机制来识别未知的部分拓扑结构(1). 值得一提的是,Lyapunov方法是研究局部拓扑识别的有效工具[17,18,19]. 然而,很难为(1)由于多组和分散。令人鼓舞的是,Li和他的合作者将图论和Lyapunov方法相结合,间接地为耦合系统构建了全局Lyapunow函数。同时,他们使用这种方法来研究耦合系统的全局稳定性[20]. 这种方法称为图形理论方法。据我们所知,利用图论方法对随机多群模型进行局部拓扑识别的工作很少。 基于上述讨论,本文旨在利用图理论方法识别具有多重离散的随机多群模型的未知局部拓扑结构。主要贡献如下。
本文的其余部分组织如下。在第2节,显示一些初步信息。主要结果介绍于第3节.英寸第4节,用两个数值算例验证了理论结果的有效性。结论见第5节. 2.前期工作
图论和随机微分方程的一些必要基础知识
有向图包含一个集合顶点和集合P(P)弧的,其中是从初始顶点算起的弧我到端子顶点j个.给定一个有向图具有N个顶点,我们定义加权矩阵谁的条目等于弧的权重如果从顶点有弧我到顶点j个,否则为0。带权矩阵的有向图单位描述为拉普拉斯矩阵属于定义为,其中.
假设系数和第页,共页(1)满足局部Lipschitz条件和线性增长条件[21,22]. 然后,对于初始值, (1)具有唯一的连续解,表示为此外,如果,和,然后(1)承认一个微不足道的解决方案. 我们定义微分算子执行以及(1)作为哪里 ,.
柠檬 1 ([21]).假设有一个函数,一个函数和一个连续函数这样的话和微分算子作用于V的轨迹(1)满足 此外,被限定为然后,对于每个初始值,存在并且几乎肯定是有限的。此外, 柠檬 2 (中的定理2.2[20]).假设.是第k个对角线元素的余因子。然后,以下身份保持不变: 在这里,是任意函数,是的所有生成单圈图的集合,是的重量、和表示的定向循环
3.主要成果
在本节中,我们将研究基于自适应钉扎同步和图形理论方法的具有多重分散的随机多组模型的局部拓扑识别问题。
为了识别具有多重分散的随机多群模型的局部拓扑结构,取(1)作为驱动系统,带有自适应固定控制器的响应系统描述为 和扰动强度和函数控制我-的第个组件k个-分别为响应网络中的第th组。是的状态向量我-中的第个组件k个-第个组。表示的状态向量k个-第个组。表示未知部分耦合矩阵的估计.是通用的自适应固定控制器。在不损失一般性的情况下,识别由前沿组成的多分散随机多群模型的局部拓扑结构就足够了我群体及其扩散,即,.让是同步错误,其中.我们表示.系统间同步误差的动力系统(1)和(三)可以写为哪里. 假设以下条件适用于每个和.
(A1)有常数如下不等式适用于任何: (A2)假设被限定为存在一个常数这样的话 (A3)存在正常数和这样的话 (A4)假设每个和,在轨道上线性无关外部同步歧管的
接下来,我们给出了一些自适应钉扎控制器和更新律,.哪里和是任意正常数。 定理 1 如果(A1)–(A4)保持不变每个都紧密相连,然后是未知的局部拓扑结构耦合网络的(1)可以通过以下方式识别控制器下方(5)和更新法律(6)概率为1。也就是说,它适用于每个那个 证明。 我们定义在哪儿是一个足够大的正数。然后,它从微分算子的定义出发那个 我们定义哪里是的辅因子k个-的拉普拉斯矩阵的第th个对角元素那么,不难推导出 根据引理2,它产生哪里是的所有生成单圈图的集合,是的重量和是指.采取它认为 作为足够大,存在因此,哪里是一个常数,由和此外,上述分析表明 因此,从引理1,存在并且几乎肯定是有限的。它还认为结合拉萨尔不变性原理、假设(A4)和误差系统(4),可以得到集合是最大的不变集因此,对于误差系统的任何初始值(4),轨迹渐近收敛到概率为1[21]. 证明了具有多重扩散的随机多群模型(1)和(三)自适应控制器下渐近实现完全外同步(5)和更新法律(6). 此外,未知的多重拓扑结构已由成功识别概率为1,这就完成了这个证明。□ 备注 1 众所周知,李亚普诺夫方法在局部拓扑识别的研究中起着重要的作用[17,18,19]. 然而,本文考虑了多重扩散和随机扰动,这使得数学模型更加复杂。因此,对于多群模型,很难直接构造全局Lyapunov函数。动机[20,23,24],我们通过顶点Lyapunov函数的加权求和来构造全局Lyapunow函数以…的形式在这里,是拉普拉斯矩阵第k对角元素的余因子显然,这种方法与网络的拓扑结构密切相关。由于这种方法使用了图论的一些结果,所以通常称为图论方法。该方法可用于研究许多其他网络的动态行为。例如,在[20]利用图论方法研究了具有扩散的单种群生态模型的稳定性。他们获得的全球稳定结果比[25,26]. 此外,利用图理论方法还可以得到耦合振子和多匹配捕食-被捕食模型的全局渐近稳定性。 备注 2 虽然自适应控制方法可以实现多组模型的拓扑识别,但它需要为每个组添加一个控制器[27,28]. 然而,在本文中,该模型包含了大量组。将控制器添加到所有组有时很难实施,并且控制成本可能更高。因此,本文提出的钉扎控制是有用的。一方面,它可以降低控制成本,因为只需要控制一小部分群体。另一方面,更可行的方法是只向感兴趣的组添加控制器来识别相应的未知拓扑结构。 什么时候?,我们可以获得整个拓扑识别。具体来说,驱动系统的相应响应系统(1)可以通过以下特征 然后,驱动系统之间的错误系统(1)和响应系统(10)可以表示为 自适应控制器及其更新律如下所示:哪里是任意正常数。然后,我们得到以下推论。 推论 1 如果(A1)–(A4)保持不变每个都紧密相连,然后是未知的整体拓扑结构耦合网络的(1)可以通过以下方式识别控制器下方(12)和更新法律(13). 也就是说,它适用于每个那个 这个证明类似于定理1,我们在这里省略了它。
如果,则可以在中找到相应的整个拓扑识别结果[27]. 因此,本文的数学模型更具一般性。此外,本文的理论结果是通用的,可以得到局部拓扑识别和整体拓扑识别。 4.仿真结果
在这一部分中,给出了两个仿真实例来验证理论结果的有效性。我们使用Lorenz系统来描述每个组的动态。显然,洛伦兹系统满足(A1)[29]. 例子 1 我们考虑一个具有四个群和三种扩散的一般耦合系统。驱动系统可以采用以下形式:哪里 . ,;
,;
,.
一些砝码配置矩阵的可以任意选择为
其他值设置为0。在不损失通用性的情况下,我们将控制器添加到前两个组中。然后,我们只需要识别部分权重配置矩阵因此,具有自适应钉扎控制器的响应系统可以表示为
我们定义然后,误差系统(14)和(15)可以显示为 可从定理1获得三个权重配置矩阵可以通过以下方式进行估算根据以下控制器和更新规则. 拿我们可以得到一些模拟结果。驱动系统同步错误(14)和响应系统(15)如所示图2.图2a显示第一组的同步错误图2b表示第二组的同步错误。显然,随着时间的推移,所有误差曲线都接近0,这意味着驱动响应系统可以达到同步。图3给出了时间演变在系统中(15).图3a显示了的识别结果观察到曲线稳定在三个常数:2和,1用于的和0.图3b显示了我们可以看到倾向于4,倾向于3,趋于1且趋于0。图3c显示了如我们所见,曲线收敛到2,曲线收敛到1和曲线收敛到0。因此可以收敛到一个实值,这意味着局部拓扑识别是成功的。 例子 2 在这个例子中,我们假设网络结构遵循Newman和Watts提出的小世界算法[30]. 考虑系统(14)由八个组组成,固定组的数量与上面的示例相同。为了更好地查看,拓扑结构如所示图4,其中图4a遵守带参数的小世界算法,图4b遵守带参数的小世界算法,图4c遵守带参数的小世界算法其中, 其他的此外,一些参数可以任意设置如下:其他参数与上述示例相同。
在与上例相同的条件下,可以得出定理1的所有假设都满足。这意味着三个重量配置矩阵可以通过以下方式进行估算在控制器和更新法则下(17)和(18)的. 图5显示了的仿真结果很明显,所有曲线都稳定在实值,这意味着局部拓扑识别是成功的。 5.结论
总之,本文的内容有四个方面。
- (1)
该模型考虑了多群模型、多重扩散和随机扰动。
- (2)
利用图论方法,可以间接地构造具有多重离散的随机多群模型的全局李亚普诺夫函数。特别是,该方法可以用于研究大规模复杂网络的许多动力学行为,如耦合振子的稳定性和多匹配捕食者-食饵模型。
- (3)
利用钉扎控制可以成功地识别随机多群模型的未知局部拓扑结构。
- (4)
通过数值算例,可以看出本文得到的理论结果是有效的。
在本文中,噪声是白噪声。然而,在实际应用中也存在颜色噪声。因此,带彩色噪声的多组模型局部拓扑识别将是未来的工作之一。