基于时变系数的神经动力学方法求解逆拟变分不等式问题的稳定性分析

《Mathematical and Computational Applications》：Stability Analysis via a Neurodynamic Approach with Time-Varying Coefficients for Solving Inverse Quasi-Variational Inequality Problems

　　

本文提出带时变增益（time-varying coefficients）的有限时间（Finite-Time, FT）和固定时间（Fixed-Time, FXT）神经动力学模型（Neurodynamic Model, NDM），用于求解逆拟变分不等式问题（Inverse Quasi-Variational Inequality Problems, IQVIPs）。研究人员设计了两种带时依增益（time-dependent gains）的投影型模型，以提升收敛速度与瞬态性能。标称模型（Nominal Model）建立了平衡点（equilibrium point）与IQVIP解之间的等价关系。在Lipschitz连续性与强单调（strong monotonicity）假设下，保证了所提模型解的存在性、唯一性及全局收敛性。借助Lyapunov稳定性理论（Lyapunov stability theory），严格证明了连续时间模型的有限时间与固定时间收敛性，其中固定时间情形导出了与初始条件无关的显式调节时间上界（explicit settling-time bounds independent of initial conditions）。此外，分析了所提模型在含界扰动（bounded disturbances）下的鲁棒性（robustness）。为验证理论发现，研究人员基于向前欧拉法（forward Euler method）开发了离散时间实现方案。数值实验表明所有轨迹均在一致上界内收敛，表现出与连续时间模型固定时间稳定特性一致的收敛行为——尽管收敛时间随初值变化，但仍被一致有界。所提框架为求解IQVIPs提供了计算高效且可扩展的方法，可应用于交通均衡（traffic equilibrium）、通信网络、分布式控制系统及多智能体协调（multi-agent coordination），其自适应结构与固定时间收敛性质特别适用于动态不确定环境下的实时优化。

一、研究背景与意义

变分不等式问题（Variational Inequality Problem, VIP）及其逆形式——逆变分不等式问题（Inverse Variational Inequality Problem, IVIP），是优化、互补问题、Nash均衡及不动点理论中的重要工具。当可行集依赖于状态变量时，问题推广为逆拟变分不等式问题（Inverse Quasi-Variational Inequality Problem, IQVIP），在交通网络分析与经济均衡中有直接应用。传统求解IQVIP的一阶神经动力学模型多采用常系数设计，存在收敛速度受初值影响大、无显式时间上界、未分析扰动鲁棒性等局限。有限时间（Finite-Time, FT）收敛虽比渐近收敛快，但其调节时间依赖初始偏差；固定时间（Fixed-Time, FXT）收敛则提供与初值无关的一致上界，更适于机器人、实时监控等实时应用。现有有限/固定时间神经动力学研究多集中于经典优化与标准VI，尚未涉及带状态依赖约束映射的IQVIP，且缺乏带时变增益（Time-Varying Coefficient, TVC）设计与扰动鲁棒性分析。为此，研究人员在《Mathematical and Computational Applications》上发表此文，构建带时变系数的FT与FXT神经动力学模型（Time-Varying Coefficient NeuroDynamic Models, TVCNDM）求解IQVIPs，建立解的存在唯一性、平衡点等价性、FT/FXT收敛显式上界及有界扰动下鲁棒固定时间稳定性，并通过投影离散化与数值实验验证。

二、主要关键技术方法

研究人员在?^k空间中考虑非空闭凸集????^k及Lipschitz连续β-强单调算子?(·)与集值映射??(θ)，建立IQVIP数学描述。首先给出标称时变神经动力学模型（TVNDM）并证明平衡点与IQVIP解的等价性（Lemma 4, Lemma 8）。FT模型在右端引入‖x-P_??(x)[x-γ(t)?(x)]‖^p-2项（p∈(1,2)）构造有限时间吸引项；FXT模型叠加α‖·‖^p-2+β‖·‖^q-2（p∈(0,1), q>1）项实现固定时间收敛。选用二次Lyapunov函数V(t)=?‖x(t)-θ‖²（θ为IQVIP唯一解），结合强单调性、投影算子非扩张性及引理3（固定时间Lyapunov判据）完成收敛性证明。扰动分析在FXT模型中加入满足‖d(t,x)‖≤d₀‖x-θ*‖的有界扰动并证鲁棒性。离散实现采用向前欧拉法配变步长η_k，数值实验取一维与二维IQVIP实例，以‖x_k-P_??(xk)[x_k-γ(t)?(x_k)]‖<10^-6为停算准则。

三、研究结果

2. Preliminaries（预备知识）

定义了单调、强单调与Lipschitz连续算子，列出度量投影算子P_??(·)的非扩张性与变分不等式特征。给出有限时间（Definition 3）与固定时间（Definition 4）稳定的定义及固定时间收敛引理（Lemma 3：若?V≤-aV^α-bV^β，α∈(0,1),β>1，则T≤(1/a(1-α))+(1/b(β-1))）。

2.2 A Nominal Time-Varying Neurodynamic Model for IQVIPs（IQVIP的标称时变神经动力学模型）

提出标称TVNDM：dx/dt = γ(t)[P_??(x)(x-γ(t)^-1?(x))-x]，证明平衡点?IQVIP解（Lemma 4），且在Assumption 1下IQVIP有唯一解（Lemma 5），TVNDM有唯一平衡点即IQVIP唯一解（Lemma 8）。

3. FT Stability Analysis for a Time-Varying Model（时变模型的有限时间稳定性分析）

构造FT-TVCNDM：dx/dt = γ(t)[P_??(x)(x-γ(t)^-1?(x))-x]+λ‖x-P_??(x)[x-γ(t)^-1?(x)]‖^p-2·[P_??(x)(x-γ(t)^-1?(x))-x]，p∈(1,2)。取V=?‖x-θ‖²，由强单调性得V? ≤ -2βλV^p/2，依据Lemma 9得有限时间收敛，调节时间T(x₀)≤(‖x₀-θ‖^2-p)/[βλ(2-p)]。结论：FT-TVCNDM平衡点（即IQVIP解）为有限时间稳定，收敛时间依赖初值范数。

4. FXT Stability Analysis（固定时间稳定性分析）

4.1 The FXT-TVCNDM for IQVIPs（IQVIP的固定时间时变神经动力学模型）

提出FXT-TVCNDM：dx/dt = α(t)[P_??(x)(x-α(t)^-1?(x))-x]+a‖P_??(x)(x-α(t)^-1?(x))-x‖^p-2·[P_??(x)(x-α(t)^-1?(x))-x]+b‖P_??(x)(x-α(t)^-1?(x))-x‖^q-2·[P_??(x)(x-α(t)^-1?(x))-x]，p∈(0,1),q>1,a,b>0。证明平衡点同TVNDM（Proposition 2），即同IQVIP解（Corollary 2），且右端局部Lipschitz保证解存在唯一（Proposition 3）。

4.2 FXT Convergence（固定时间收敛）

取V=?‖x-θ*‖²，推导V? ≤ -aβV^p/2-bβV^q/2，由Lemma 3得固定时间收敛，调节时间上界T≤(1/aβ(1-p/2))+(1/bβ(q/2-1))，与初值无关。给出不同α(t)、γ(t)选取下的具体上界表达式（Corollary 3）。

5. Robust FXT Analysis（鲁棒固定时间分析）

考虑带扰动模型dx/dt = FXT-TVCNDM右端 + d(t,x)，‖d(t,x)‖≤d₀‖x-θ‖。取同Lyapunov函数得V? ≤ -(aβ-d₀)V^p/2-(bβ-d₀)V^q/2，当aβ>d₀, bβ>d₀时仍满足固定时间判据，轨迹在扰动下固定时间收敛至θ。结论：所提FXT-TVCNDM对有界消失扰动具鲁棒固定时间稳定性。

6. Numerical Experiments（数值实验）

6.1 一维例：?(x)=2x, ??(x)=[0,1+x/2]，初值取多组，时变系数γ(t)=γ₀e^-δt+γ_∞，所有轨迹在约200–295次迭代内收敛，验证了与初值无关的一致上界。时变系数模型较常系数模型迭代次数由201降至134，证实加速效果。

6.2 二维例：?(x)=[2x₁+0.5x₂; 0.5x₁+2x₂]，??(x)={y∈?²:‖y‖≤R(x)}，多初值下86–259次迭代内收敛，验证高维可扩展性与一致有界收敛。

四、讨论与结论翻译

研究人员得出结论：本文发展了求解IQVIP的FT与FXT时变神经动力学模型（TVCNDM），建立了平衡点等价于IQVIP解、解的唯一存在性，借助Lyapunov理论证明了FT与FXT收敛性并给出显式调节时间上界——FXT情形的上界与初值无关。分析了有界扰动下的鲁棒固定时间稳定性。基于向前欧拉法的投影离散化得到可实现的迭代算法，数值实验在一维与二维IQVIP实例中验证了固定时间收敛特征与时变增益带来的收敛加速效果。该框架可扩展应用于交通均衡、通信网络资源分配、分布式控制及多智能体协调等实时优化场景。未来工作将面向大规模高维扩展、数据驱动实时实现及更好保持固定时间性质的离散化策略展开。