基于稳定图神经网络政策空间的网络系统分布式控制
系统与控制
2026-05-27 v2 机器学习
系统与控制
最优化与控制
摘要
我们研究通过强化学习对网络系统进行分布式控制，其中神经策略必须同时具备可扩展性、表达性和稳定性。我们引入一种策略参数化方法，将图神经网络（GNN）嵌入类似Youla的幅度-方向参数化中，从而产生分布式随机控制器，由设计保证网络级闭环稳定性。幅度实现为由GNN对扰动反馈作出的稳定算子，而方向则是由GNN对局部观测作出的。我们证明了该策略对图拓扑和模型参数的扰动具有鲁棒性。数值实验验证了所提出方法的有效性。
引用
@article{arxiv.2512.18540,
title = {Distributed Control of Network Systems in the Space of Stabilizing Graph Neural Network Policies},
author = {John Cao and Luca Furieri},
journal= {arXiv preprint arXiv:2512.18540},
year = {2026}
}