具有形式化保证的大规模网络数据驱动控制：无小增益方法

本文提出了一种数据驱动的分治策略，用于分析具有未知数学模型和互连拓扑的大规模互连网络。我们的数据驱动方案将未知网络视为个体智能体（也称子系统）的互连，旨在通过收集个体智能体轨迹数据来构建其符号模型，即未知智能体的离散域表示。主要目标是利用来自个体智能体符号模型的局部控制器，合成一种控制策略，以保证未知网络上的期望行为。为实现这一目标，我们利用交替子双模拟函数（ASBF）的概念来捕获每个未知智能体与其数据驱动符号模型的状态轨迹之间的接近程度。在一种新开发的数据驱动组合条件下，我们随后基于个体智能体的ASBF，在未知网络与其符号模型之间建立交替双模拟函数（ABF），同时提供正确性保证。尽管现有工作中的样本复杂度相对于网络规模呈指数增长，但我们证明我们的分治策略将其显著降低到相对于智能体数量的线性规模。我们还展示了我们的数据驱动组合条件不需要传统的小增益条件，后者需要精确了解互连拓扑才能满足。我们将数据驱动结果应用于三个基准测试，这些基准测试包含具有任意数量智能体且先验未定义数量以及未知互连拓扑的未知网络。