基于收缩引导的自适应划分用于神经网络控制系统可达性分析

在本文中，我们提出了一种收缩引导的自适应划分算法，用于改进带有神经网络控制器和扰动的 nonlinear 反馈回路中区间值鲁棒可达集估计。该算法基于过近似区间的收缩率估计，选择何时以及何处进行划分。然后，通过解耦神经网络验证步骤与可达性划分层，该算法能以极小的计算代价提供精度提升。该方法适用于任何具有足够精度的开环区间值可达性估计技术以及任何约束神经网络输入输出行为的方法。利用基于收缩的鲁棒性分析，我们给出了该算法在混合单调可达性下的性能保证。最后，我们通过若干数值仿真展示了算法的性能，并与文献中现有方法进行了比较。特别地，我们报告称，与最先进的方法相比，在以一小部分运行时间下可达集估计的精度得到了显著提升。