5D Library › 集群动力学、耦合振子同步与分布式共识的数学模型 · English
第二章 千禧桥的摇晃与网络同步的主稳定函数
一座开放当天就摇晃的桥
证据
工程报告。 达拉德等人 2001 年在《结构工程师》上的报告记载:伦敦千禧人行桥于 2000 年 6 月 10 日开放,当天人群过桥时桥面出现了意料之外的横向晃动 (Dallard et al. 2001)。奥雅纳(Arup)的工程师调查后认为,行人施加的横向力与桥面自身的运动有关:桥一晃,行人为保持平衡而调整步态,这种调整又把能量送回桥上。报告指出这一现象并非该桥设计所独有,任何横向自振频率低于约 1.3 Hz 的桥,在人足够多时都可能发生;改造方案是加装流体黏滞阻尼器与调谐质量阻尼器,使阻尼超过临界阻尼的 20%,在样机上的试验与分析预测相符。
工程试验发现,晃动在桥上人数超过某个临界值时突然出现。这个临界人数在后来的文献中有不同的转述:伦奇与马尔凯贾尼引述达拉德等人的试验,说北跨的临界人数约为 155 人 (Lenci and Marcheggiani 2011);别雷赫等人以约 165 人作为观测值来校准他们的模型 (Belykh et al. 2017)。本书不采用单一数字,只说「约 155 至 165 人」。
斯特罗加茨等人的同步模型
斯特罗加茨、艾布拉姆斯、麦克罗比、埃克哈特与奥特 2005 年在《自然》上提出,千禧桥的晃动可以看成藏本(库拉莫托)同步的一个例子:桥是一个受迫的阻尼振子,每个行人是一个相位振子,桥的晃动把行人的步调拉向同步,同步的步伐又推动桥更大地晃动 (Strogatz et al. 2005)。模型写成 其中 是桥的横向位移,、、 是该振型的模态质量、阻尼与刚度, 是每个行人横向力的幅值, 是行人 的步态相位(左右各迈一步为一周), 是他的自然步频, 与 是桥振动的振幅与相位, 衡量行人对晃动的敏感程度, 是相位滞后。他们取最简单的 , 由拟合工程试验数据得到,约为 。埃克哈特等人 2007 年给出了更完整的分析 (Eckhardt et al. 2007)。
推导
临界人数的推导(本书按上述模型自行推导)。 令 、,,在桥的一个振动周期上平均(桥的阻尼很小, 与 变化缓慢),得到「慢变方程」: 满足 的行人锁定在 的稳定点上,那里 ,即他向桥输入能量;未锁定的行人对 的时间平均贡献为零。 很小时,锁定者的贡献约为 ( 为步频分布密度),于是 换一种说法:每个行人平均贡献了一份负阻尼 ,人数超过 时总阻尼变负,桥的晃动开始增长。
程序模拟上述慢变方程。北跨的模态质量 kg、刚度 N/m、阻尼 kg/s 是伦奇与马尔凯贾尼转引自斯特罗加茨等人的数值 (Lenci and Marcheggiani 2011), 取自斯特罗加茨等人;每人横向力幅值 N 与步频标准差 0.63 rad/s 是示意值。从 100 人开始,每 150 秒增加 10 人,直到 200 人;模拟 5 群随机抽取的行人,记录桥的振幅、行人的序参量 与锁定人数。
推导
# Millennium Bridge model of Strogatz et al. (2005), averaged ("slow-flow") form.
# M X'' + B X' + K X = G sum_i sin(Theta_i)
# Theta_i' = Omega_i + C A sin(Psi - Theta_i + a)
# With X = A sin(Psi), Psi = Omega0 t + psi and a = pi/2, averaging over one bridge cycle:
# A' = -(B / 2M) A + (G / 2 M Omega0) sum_i sin(phi_i), phi_i = Theta_i - Psi
# psi' = -(G / 2 A M Omega0) sum_i cos(phi_i)
# phi_i' = Omega_i - Omega0 - psi' + C A cos(phi_i)
# Locked walkers inject energy; linear threshold N_c = 2 B Omega0 / (pi G C P(Omega0)).
# M, K, B: north-span values quoted by Lenci & Marcheggiani (2011) from Strogatz et al.;
# C = 16 /(m s) from Strogatz et al.; G = 30 N, SD(Omega) = 0.63 rad/s are ILLUSTRATIVE.
import math, random
M, KS, B, C, G, SD = 113000.0, 4.73e6, 11000.0, 16.0, 30.0, 0.63
W0 = math.sqrt(KS / M)
def crowd(n_max, seed=2000, hold=150.0, dt=0.05, step=10, n0=100):
rng = random.Random(seed)
nu = [rng.gauss(0, SD) for _ in range(n_max)] # Omega_i - Omega0
phi = [rng.uniform(-math.pi, math.pi) for _ in range(n_max)]
A, rows = 0.001, [] # 1 mm of ambient motion
for n in range(n0, n_max + 1, step):
for _ in range(int(hold / dt)):
s = sum(math.sin(p) for p in phi[:n]); c = sum(math.cos(p) for p in phi[:n])
dpsi = -G * c / (2 * A * M * W0)
A += dt * (-B / (2 * M) * A + G * s / (2 * M * W0))
A = max(A, 1e-4)
phi[:n] = [p + dt * (v - dpsi + C * A * math.cos(p))
for p, v in zip(phi[:n], nu[:n])]
R = math.hypot(sum(math.cos(p) for p in phi[:n]), s) / n
locked = sum(abs(v - dpsi) < C * A for v in nu[:n])
rows.append((n, 1000 * A, R, locked))
return rows
if __name__ == "__main__":
P0 = 1 / (SD * math.sqrt(2 * math.pi))
zeta = B / (2 * M * W0)
print(f"Omega0 = {W0:.3f} rad/s ({W0 / (2 * math.pi):.3f} Hz), damping ratio"
f" {100 * zeta:.2f} %, P(Omega0) = {P0:.3f} s")
print(f"linear threshold N_c = 2 B Omega0 / (pi G C P) = "
f"{2 * B * W0 / (math.pi * G * C * P0):.1f} walkers")
runs = [crowd(200, seed=s) for s in range(5)] # 5 independent crowds
print("walkers amplitude (mm): mean of 5 crowds [min - max] walker order R locked")
for k, (n, *_rest) in enumerate(runs[0]):
a = [r[k][1] for r in runs]; R = sum(r[k][2] for r in runs) / 5
lk = sum(r[k][3] for r in runs) / 5
print(f" {n:3d} {sum(a) / 5:6.2f} [{min(a):6.2f} - {max(a):6.2f}]"
f" {R:.3f} {lk:5.1f}")
# Omega0 = 6.470 rad/s (1.030 Hz), damping ratio 0.75 %, P(Omega0) = 0.633 s
# linear threshold N_c = 2 B Omega0 / (pi G C P) = 149.1 walkers
# walkers amplitude (mm): mean of 5 crowds [min - max] walker order R locked
# 100 2.37 [ 1.04 - 4.47] 0.117 7.6
# 110 2.33 [ 0.49 - 5.68] 0.079 6.4
# 120 4.30 [ 0.98 - 11.23] 0.159 14.0
# 130 8.44 [ 1.89 - 16.82] 0.193 26.2
# 140 12.98 [ 1.08 - 27.22] 0.292 38.0
# 150 17.40 [ 2.49 - 33.35] 0.292 51.6
# 160 22.09 [ 2.17 - 38.78] 0.327 63.2
# 170 28.49 [ 3.29 - 47.94] 0.384 82.0
# 180 40.66 [ 5.75 - 56.68] 0.547 119.6
# 190 53.71 [ 25.16 - 63.28] 0.688 152.6
# 200 66.42 [ 62.03 - 69.13] 0.792 181.0在这些参数下,桥的横向频率为 1.030 Hz,阻尼比 0.75%, 时的临界人数为 149.1 人。这与工程上观察到的 155 至 165 人量级相同,但不能当作模型得到独立验证: 是拟合试验数据得到的, 与步频离散度是示意值,改变它们就会成比例地改变 。
模拟显示了更值得注意的两点。第一,有限人群中没有锐利的阈值:100 人时 5 群行人的平均振幅已有 2.37 mm,150 人时为 17.40 mm,但 5 群之间相差很大(2.49 至 33.35 mm);到 200 人时平均 66.42 mm,5 群都在 62 mm 以上。第二,振幅与行人的同步一起增长:100 人时 ,接近随机水平;150 人时 0.292;200 人时 0.792,锁定人数从约 8 人增加到 181 人。在这个模型里,失稳之初只有一小部分行人锁定,它们提供的负阻尼足以让桥开始晃动,晃动再把更多的人拉入锁定。也就是说,即使在斯特罗加茨等人的同步模型中,「先全体同步、后桥摇晃」也不是正确的图像。
后来的批评
证据
同步是原因还是结果? 别雷赫、杰特与别雷赫 2017 年用基于生物力学的倒立摆步态模型研究这个问题,认为要出现千禧桥那样的大幅晃动,行人锁相是必要的,但初始的小幅晃动可能伴随着多次相位滑移与不同步的调整,「同步引发晃动」的通俗说法可能过于简化;他们的模型在约 165 人时失稳,并且人数减少到约 135 人时晃动才消失,存在滞后 (Belykh et al. 2017)。别雷赫、博奇安、尚普尼斯、戴利、杰特、麦克唐纳与麦克罗比 2021 年在《自然·通讯》上更进一步:不同步的行人在平均意义上就能给桥带来负阻尼,总阻尼可写成 ,临界人数为 ;步调同步主要出现在失稳之后,是结果而不是原因 (Belykh et al. 2021)。
这两种解释在数学上并不冲突:本章的推导同样把临界条件写成「人均负阻尼乘以人数等于桥的阻尼」。分歧在于负阻尼来自哪里——来自锁相的少数人,还是来自每个行人为保持平衡而调整落脚点的平均效应。后者的结论更有工程意义:只要人数足够多,即使行人之间毫无协调,桥也可能失稳。
假说 · 尚未验证 · 摇晃先于同步
作者的推测(延续别雷赫等人 2021 年的观点):在横向频率低于约 1.3 Hz 的人行桥上逐步增加人数时,桥的振幅开始持续增长的时刻,早于行人步态序参量 明显高于随机水平(例如超过 )的时刻。可以用带运动传感器的现场人群试验检验。如果在多数试验中 先显著升高、振幅随后才增长,这个推测就是错的。
网络上的同步:主稳定函数
桥与行人是全局耦合的;许多系统的耦合则沿着网络进行。佩科拉与卡罗尔 1990 年证明,两个混沌系统可以同步 (Pecora and Carroll 1990);1998 年,他们提出了判断网络上相同振子能否同步的通用方法——主稳定函数 (Pecora and Carroll 1998)。
推导
主稳定函数。 设 个相同的系统 , 是网络的拉普拉斯矩阵(行和为 0),其特征值为 。在同步态 附近线性化,并按 的特征向量分解,每个横向模态满足 这些方程形式相同,只是参数 不同。把方程的最大李雅普诺夫指数记作 ,这就是主稳定函数;同步态稳定当且仅当所有 。如果稳定区是无界区间 ,只需 ,加大耦合总能同步;如果稳定区是有界区间 ,就需要 且 ,存在合适的 当且仅当
上面的比值条件直接由佩科拉与卡罗尔 1998 年的主稳定函数得到;把特征值比 作为比较不同网络「可同步性」的指标,是巴拉奥纳与佩科拉 2002 年的工作 (Barahona and Pecora 2002):他们发现在规则环上加入少量随机捷径会显著降低这个比值,小世界网络的可同步性与随机图相当。框架把这个判据归于佩科拉与卡罗尔 1998 年并不算错,但应补充 2002 年的来源;而且它只适用于稳定区有界的情形。比值大意味着两种失败方式: 太小,网络像两块之间只有一根细线,慢模态不收敛; 太大,短波长的模态被过强的耦合推出稳定区。希吉、佩科拉与卡罗尔 1995 年指出了后一种「短波长分岔」:对规则环来说,振子数增加会使 变大,原本可以同步的环会因为加入更多振子而失去同步 (Heagy et al. 1995)。西川等人 2003 年进一步发现,度分布越不均匀,网络越难同步,即使它的平均路径更短——「异质性悖论」(Nishikawa et al. 2003)。阿雷纳斯等人 2008 年的综述总结了这些结果 (Arenas et al. 2008)。
一个精确可解的有界例子。 耦合逻辑斯谛映射 ,。 的李雅普诺夫指数为 ,第 个横向模态每步放大 倍, 是归一化拉普拉斯矩阵 的特征值 (Jost and Joy 2002)。稳定要求 对所有 成立,所以存在可同步的 当且仅当 。程序用雅可比方法求几种网络的特征值,算出可同步的 区间(另要求 ,使 留在 内),取使最坏模态放大倍数最小的 ,再从同步态加上 的扰动迭代 3000 步,检验预测。
推导
# Master stability function for coupled chaotic maps (an exactly solvable bounded case).
# x_i(t+1) = (1 - e) f(x_i) + (e / k_i) sum_{j ~ i} f(x_j), f(x) = 4 x (1 - x)
# Transverse mode k grows by |1 - e lambda_k| e^h, h = ln 2 (Lyapunov exponent of f), and
# lambda_k the eigenvalues of the normalised Laplacian. Stable iff e lambda_k lies in
# (1 - 1/2, 1 + 1/2) for all k >= 2: a window exists iff lambda_N / lambda_2 < 3.
import math, random
def jacobi_eigs(S, sweeps=60): # eigenvalues of a symmetric matrix
a = [row[:] for row in S]; n = len(a)
for _ in range(sweeps):
off = sum(a[i][j] ** 2 for i in range(n) for j in range(n) if i != j)
if off < 1e-22: break
for p in range(n - 1):
for q in range(p + 1, n):
if abs(a[p][q]) < 1e-15: continue
t = (a[q][q] - a[p][p]) / (2 * a[p][q])
t = (1 if t >= 0 else -1) / (abs(t) + math.sqrt(t * t + 1))
c = 1 / math.sqrt(t * t + 1); s = t * c
for k in range(n):
u, v = a[k][p], a[k][q]
a[k][p], a[k][q] = c * u - s * v, s * u + c * v
for k in range(n):
u, v = a[p][k], a[q][k]
a[p][k], a[q][k] = c * u - s * v, s * u + c * v
return sorted(a[i][i] for i in range(n))
def norm_lap(adj): # I - D^-1/2 A D^-1/2, same spectrum as I - D^-1 A
n = len(adj); d = [len(x) for x in adj]
return [[(i == j) - (1 / math.sqrt(d[i] * d[j]) if j in adj[i] else 0.0)
for j in range(n)] for i in range(n)]
def ring(n, k=1):
return [{(i + s) % n for s in range(-k, k + 1) if s} for i in range(n)]
def graphs():
rng = random.Random(7); sw, sw2 = ring(20, 2), ring(20, 2)
for m, g in ((6, sw), (40, sw2)): # random shortcuts
for _ in range(m):
i, j = rng.sample(range(20), 2); g[i].add(j); g[j].add(i)
two = [set() for _ in range(20)] # two complete 10-cliques joined by one edge
for i in range(20):
two[i] = {j for j in range(20) if j != i and (j < 10) == (i < 10)}
two[0].add(10); two[10].add(0)
star = [set(range(1, 20))] + [{0} for _ in range(19)]
full = [set(range(20)) - {i} for i in range(20)]
return [("ring N=5", ring(5)), ("ring N=6", ring(6)), ("ring N=20, k=2", ring(20, 2)),
("ring N=20, k=2 + 6 shortcuts", sw),
("ring N=20, k=2 + 40 shortcuts", sw2), ("two cliques + 1 bridge", two),
("star N=20", star), ("complete N=20", full)]
def sync_error(adj, e, steps=3000, seed=1):
rng = random.Random(seed); x0 = rng.random()
x = [x0 + 1e-7 * rng.uniform(-1, 1) for _ in adj]
for _ in range(steps):
fx = [4 * v * (1 - v) for v in x]
x = [(1 - e) * fx[i] + e * sum(fx[j] for j in nb) / len(nb)
for i, nb in enumerate(adj)]
return max(x) - min(x)
if __name__ == "__main__":
print("graph lam_2 lam_N ratio window for e best e"
" growth spread")
for name, adj in graphs():
lam = jacobi_eigs(norm_lap(adj)); l2, lN = lam[1], lam[-1]
lo, hi = 0.5 / l2, min(1.0, 1.5 / lN) # e <= 1 keeps x inside [0, 1]
e = min(1.0, 2 / (l2 + lN)) # minimises the worst mode
g = 2 * max(abs(1 - e * l2), abs(1 - e * lN)) # per-step growth, worst mode
win = f"({lo:.3f},{hi:.3f})" if lo < hi else " none "
print(f"{name:30s} {l2:5.3f} {lN:5.3f} {lN / l2:6.2f} {win} {e:5.3f}"
f" {g:5.3f} {sync_error(adj, e):.0e}")
print("spread = max - min of x after 3000 steps, from a 1e-7 perturbation of sync")
# graph lam_2 lam_N ratio window for e best e growth spread
# ring N=5 0.691 1.809 2.62 (0.724,0.829) 0.800 0.894 0e+00
# ring N=6 0.500 2.000 4.00 none 0.800 1.200 5e-01
# ring N=20, k=2 0.120 1.559 13.00 none 1.000 1.760 1e-01
# ring N=20, k=2 + 6 shortcuts 0.180 1.583 8.79 none 1.000 1.640 7e-01
# ring N=20, k=2 + 40 shortcuts 0.424 1.546 3.65 none 1.000 1.153 4e-01
# two cliques + 1 bridge 0.019 1.192 63.99 none 1.000 1.963 2e-01
# star N=20 1.000 2.000 2.00 (0.500,0.750) 0.667 0.667 0e+00
# complete N=20 1.053 1.053 1.00 (0.475,1.000) 0.950 0.000 0e+00
# spread = max - min of x after 3000 steps, from a 1e-7 perturbation of sync预测与模拟完全一致:放大倍数小于 1 的网络(5 个振子的环、星形、完全图)扰动消失,最终离散为 0;放大倍数大于 1 的网络离散增长到 0.1 以上。三个结果值得注意。第一,「短波长分岔」:5 个振子的环比值为 2.62,可以同步;6 个振子的环比值为 4.00,不能。第二,捷径有帮助,但不一定足够:20 个振子、每人连左右各 2 人的环比值为 13.00,加 6 条随机捷径降到 8.79,加 40 条降到 3.65,仍然高于 3。由两个完全子图与一根桥组成的网络比值高达 63.99。第三,星形网络在归一化耦合(每个节点对邻居取平均)下比值为 2.00,可以同步;在不归一化的耦合下,星形网络的拉普拉斯特征值为 ,比值等于 。异质性是否妨碍同步,取决于耦合是否按度归一化,这是比较不同网络时必须写明的建模选择。
本章小结
千禧桥的晃动可以用斯特罗加茨等人的同步模型描述,其临界人数 等价于「人均负阻尼乘以人数等于桥的阻尼」;不同文献转述的观测临界人数在 155 到 165 之间。模型与后来的研究都表明,同步与晃动一起增长,晃动之初并不需要全体同步;2021 年的研究认为同步是失稳的结果。网络同步的主稳定函数方法把动力学与网络结构分开; 判据由佩科拉与卡罗尔 1998 年的方法直接得到,巴拉奥纳与佩科拉 2002 年把它用作网络可同步性的指标,只在稳定区有界时适用,结果还取决于耦合是否归一化。下一章从振子转向会移动的个体。
参考文献
Fan, Y. (2026). Collective Dynamics, Coupled-Oscillator Synchrony and Distributed Consensus: From the Kuramoto Phase Transition and Vicsek Flocking to DeGroot Spectral Convergence, Read Beside Classical Chinese Thought on Harmony and Conformity [集群动力学、耦合振子同步与分布式共识的数学模型] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828063 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).