基于Koopman和和Lie算子用于非线性动态系统的动态特性研究（Python代码实现）

最新推荐文章于 2025-04-28 09:38:40 发布

砌墙_2301

最新推荐文章于 2025-04-28 09:38:40 发布

阅读量823

点赞数 7

文章标签： python 算法开发语言

本文链接：https://blog.csdn.net/2301_79155639/article/details/146152608

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

一、Koopman算子与Lie算子的理论基础

1. Koopman算子的核心定义与性质

2. Lie算子的核心定义与结构

二、在非线性系统动态特性分析中的应用

1. Koopman算子的典型应用

2. Lie算子的典型应用

三、Koopman与Lie算子的结合框架

1. 数学关联性

2. 结合方法

四、案例研究：Lie群值Koopman特征函数

1. 问题背景

2. 方法实现

3. 结果与意义

五、挑战与未来方向

公式与引用示例

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

本文的目标是通过Koopman和Lie算子理论来描述一个非线性动态系统的动态特性。

引言
我们考虑一个随时间演化的量 x（一个向量），它遵循一个动态系统。例如，可以想象我们太阳系中行星的相对位置，它们遵循万有引力定律。

形式上，给定初始状态 x(t=0) ∈ ℝⁿ，在时间 t=0 时，x 的时间演化由以下动态系统控制：
ẋ(t) = f(x(t)) （1）
其中，ẋ(t) := dx/dt 是时间导数，而 f: ℝⁿ → ℝⁿ 是一个给定的映射，用于描述动态。

对于给定的 f，并不总是能够解析地求解微分方程（1）。因此，通常会采用数值方法，对时间 t（以及空间 Ω，如果需要的话）进行积分，以将初始条件 x(0) 传播到期望的时间 T；可以想象为 x(T) = x(0) + ∫₀ᵀ f(x(t)) dt。对方程（1）或积分进行时间离散化会引入数值近似，并根据离散化方案的不同，得到质量各异的 x(T) 估计值。

在数值模拟领域，离散化方案已经被研究了很长时间，并且已经存在数值求解器，能够提供积分的良好估计（远优于简单的离散化方案 xₜ₊dt = xₜ + dt f(xₜ)，这会在每个时间步引入 O(dt²) 的误差）。

本次实践的目标是利用这些数值求解器，通过神经网络改进动态系统的学习。

Koopman算子和Lie算子都是用于动态系统分析的数学工具，但它们在不同的空间中运行，并且具有不同的功能。

**Koopman算子：**
Koopman算子是一个线性算子，作用于定义在动态系统状态空间上的函数。它描述了这些函数随着系统沿其轨迹演化而随时间的演变。Koopman算子对于分析动态系统的长期行为（例如稳定性、振荡和分叉）非常有用，尤其是对于非线性系统，因为它提供了系统动态的线性表示。

在第一种方法中，我们希望最小化总测试损失，其中包括三个损失项，即重建误差、Koopman空间中的预测误差以及相空间中的预测误差。这些损失项的权重由四个超参数（α、β、γ和δ）控制，它们决定了每个损失项的相对重要性。为了平衡每个损失项的重要性，我们调整了超参数α、β、γ和δ的值。如果一个损失项比其他项更重要，则增加其对应的超参数值，同时按比例减少其他超参数的值，以找到合适的超参数组合。

关于不同损失项的量级，它们取决于数据的性质和具体任务。因此，选择适当的超参数值以平衡不同目标的重要性至关重要。

在第二种方法中，为了改进训练过程，我们使用变分自编码器方法优化了作用于潜在空间的损失。我们引入了一个对应的潜在空间损失项，确保潜在空间（即Koopman空间）中的预测服从标准正态分布N(0,1)。额外的损失项惩罚了预测分布与标准正态分布之间的偏差，包括均值为0和标准差为1的差异。

除了上述两种方法之外，我们还可以使用`requires_grad`属性冻结网络某一部分（例如编码器）的梯度，以实现特定目标。当希望训练网络的某一部分以解决特定任务而不影响其他部分时，这种技术非常有用。

**Lie算子：**
Lie算子（也称为Lie导数）是一个微分算子，作用于定义在流形上的向量场。它描述了一个向量场沿另一个向量场生成的流的变化率。换句话说，它决定了一个向量场在沿着另一个向量场的流移动时的变化。Lie算子通常用于研究动态系统的几何特性，例如轨迹的曲率。在我们的实现中，Lie算子用于计算编码器函数相对于输入数据的雅可比向量积（JVP）。然后，JVP用于计算Koopman空间中的预测误差，该误差通过均方误差（MSE）损失函数计算。LieOperator类实现了给定动态系统的Lie算子，并用于计算Koopman算子及其特征向量。相空间中的重建误差也通过MSE损失函数计算。除了预测误差之外，代码还包括编码器函数输出的均值和标准差的正则化损失，这些正则化损失同样使用MSE损失函数计算。总损失函数则是重建误差、预测误差和正则化损失的总和。

**观察结果：**
在连续空间中实现的Lie算子的预测结果似乎比在离散空间中实现的Koopman算子更接近真实值。

一、Koopman算子与Lie算子的理论基础

1. Koopman算子的核心定义与性质

2. Lie算子的核心定义与结构

Lie理论的核心在于连续对称性的研究，其关键数学工具包括：

Lie代数满足反对称性和Jacobi恒等式，为分析非线性系统的对称性和可积性提供框架。

二、在非线性系统动态特性分析中的应用

1. Koopman算子的典型应用

全局模态分析：通过动态模态分解（DMD）或扩展DMD（EDMD）提取Koopman模态，揭示流体流动中的涡旋结构或能量传递机制。
数据驱动建模：无需先验模型，仅通过观测数据构建线性化的Koopman模型，用于机器人轨迹跟踪控制（如全向移动平台）。
稳定性分析：Koopman特征值的实部对应系统稳定性，虚部对应振荡频率，用于混沌系统的吸引子分析。

2. Lie算子的典型应用

对称性与守恒量：利用Lie群对称性寻找系统守恒量，如哈密顿系统中的角动量守恒。
输入-状态线性化：通过Lie导数构造坐标变换，将非线性系统转换为线性可控形式（如机械臂的反馈线性化）。
非线性偏微分方程分析：通过Lie-Bäcklund对称性简化Fokker-Planck方程的解空间。

三、Koopman与Lie算子的结合框架

1. 数学关联性

这表明Koopman算子的演化与向量场ff的Lie导数直接相关。
对称性提升：将Lie群的对称性嵌入Koopman特征函数，构造具有几何不变性的升维空间。例如，Lie群值Koopman特征函数z:M→Gz:M→G满足交换图条件，扩展了传统复数特征值的分析维度。

2. 结合方法

数据驱动的Lie-Koopman建模：
1. 使用EDMD算法近似Koopman算子的有限维矩阵表示。
2. 通过Lie代数约束（如辛结构）保持系统的几何特性（如能量守恒）。
控制设计：
- 利用Koopman线性模型设计模型预测控制（MPC）。
- 通过Lie导数分析控制输入的几何约束，确保稳定性。