5D Library › 多层条件激发系统中的幂律权重与逆向控制可及性 · English

第五章 自下而上的可控性

从「金字塔」到控制系统

作者框架的第二个方向是自下而上:知识投入 C5C_5 是唯一能直接施加的输入,它能否通过层与层之间的耦合,一层层往上推动,最后「逆向解锁」顶层?控制论为这类问题提供了精确的语言。本章把五层写成一个线性控制系统,问三个问题:输入能到达哪些层?到达需要多少「能量」?这些答案取决于什么?

推导

作者的模型(线性化)。 记 x=(c1,…,c5)𝖳x = (c_1, \ldots, c_5)^{\mathsf T} 为五层相对于某一基线的偏离,u(t)u(t) 为施加在 C5C_5 上的输入:

ẋ=Ax+Bu,B=(0,0,0,0,1)𝖳.\dot{x} = A x + B u, \qquad B = (0, 0, 0, 0, 1)^{\mathsf T}.

矩阵 AA 描述层与层之间的耦合:Aij≠0A_{ij} \neq 0 表示第 jj 层的变化会推动第 ii 层。本章比较三种耦合结构(数值都是示意的):

  • TD(只有自上而下): 第 ii 层推动第 i+1i+1 层,增益 0.5;第 2—5 层各自以速率 1 衰减;C1C_1 不变。
  • UP(加上自下而上的反馈): 在 TD 之外,第 i+1i+1 层推动第 ii 层,增益 0.4(C5→C4→C3→C2C_5 \to C_4 \to C_3 \to C_2),例如知识提高声誉、声誉改善网络、网络带来更好的时机;C1C_1 仍然不变。
  • PL(「可塑的先验」): 在 UP 之外,加上 C2→C1C_2 \to C_1,增益 ε=0.05\varepsilon = 0.05,C1C_1 以速率 0.1 衰减。这对应「先验本身可以被经验缓慢改写」的假设。

「C1C_1 不变」是作者自己的设定:先天先验是不可改变的量。下面会看到,这一设定在数学上直接决定了答案。

卡尔曼秩判据

证据

可控性。 卡尔曼在 1960 年提出,线性系统 ẋ=Ax+Bu\dot{x} = Ax + Bu 能从任意初态在有限时间内到达任意终态(完全可控),当且仅当可控性矩阵 [B,AB,A2B,…,An−1B][B, AB, A^2B, \ldots, A^{n-1}B] 的秩等于状态维数 nn (Kalman 1960)。等价的波波夫—贝列维奇—豪图斯(PBH)判据是:不存在左特征向量 vv 使 v𝖳A=λv𝖳v^{\mathsf T}A = \lambda v^{\mathsf T} 且 v𝖳B=0v^{\mathsf T}B = 0。这些结论的系统阐述见桑塔格的教科书 (Sontag 1998)。林证明了「结构可控性」:可控性在很大程度上只取决于 AA、BB 中哪些元素非零,而不是它们的具体数值;对几乎所有满足同一零模式的数值,秩都相同 (Lin 1974)。刘、斯洛廷与巴拉巴西把这些思想用于复杂网络,研究需要多少个驱动节点才能控制整个网络 (Liu et al. 2011)。

推导

命题(作者的设定下 C1C_1 不可控)。 若 AA 的第一行全为零(C1C_1 不受任何层影响,也不衰减),且 BB 的第一个分量为零(输入不直接作用于 C1C_1),则对任何输入 u(t)u(t),c1(t)=c1(0)c_1(t) = c_1(0)。

证明。 ċ1=∑jA1jxj+B1u=0\dot{c}_1 = \sum_j A_{1j} x_j + B_1 u = 0,所以 c1c_1 恒为常数。用 PBH 判据的语言:e1𝖳A=0=0⋅e1𝖳e_1^{\mathsf T}A = 0 = 0 \cdot e_1^{\mathsf T},e1𝖳B=0e_1^{\mathsf T}B = 0,所以 e1e_1 是一个不可控的模态。▫\square

这个命题与耦合的强弱无关,也与其他层之间如何耦合无关:只要「先天不可改变」,它在模型中就是不可控的。程序用卡尔曼矩阵验证三种结构。

# Bottom-up controllability of the five layers (author's model, Chapter 5).
# x' = A x + B u, x = deviations of layers C1..C5, one input u on C5: B = e5.
# Couplings (illustrative): TD  C_i -> C_(i+1) gain 0.5, decay 1 in layers 2-5, C1 frozen;
# UP  TD plus feedback C_(i+1) -> C_i gain 0.4 for i = 2, 3, 4, C1 still frozen;
# PL  UP plus a "plastic prior": C2 -> C1 gain eps = 0.05, decay 0.1 in C1.
# Kalman: controllable iff rank [B, AB, A^2 B, A^3 B, A^4 B] = 5. PBH test for C1: if
# e1' A = 0 and e1' B = 0, then c1' = 0 whatever u does, so C1 cannot be moved.

def structure(name, k=0.5, h=0.4, eps=0.05, d1=0.1):
    A = [[0.0] * 5 for _ in range(5)]
    for i in range(1, 5): A[i][i] = -1.0
    for i in range(4): A[i + 1][i] = k
    if name in ("UP", "PL"):
        for i in range(1, 4): A[i][i + 1] = h
    if name == "PL": A[0][0], A[0][1] = -d1, eps
    return A

def rank(cols, tol=1e-9):
    M = [c[:] for c in cols]; r = 0; scale = max(abs(x) for c in M for x in c)
    for j in range(len(M[0])):
        p = max(range(r, len(M)), key=lambda i: abs(M[i][j]), default=None)
        if p is None or abs(M[p][j]) < tol * scale: continue
        M[r], M[p] = M[p], M[r]
        for i in range(len(M)):
            if i != r: M[i] = [a - M[i][j] / M[r][j] * b for a, b in zip(M[i], M[r])]
        r += 1
    return r

def krylov(A, b):
    cols = [b]
    for _ in range(4):
        cols.append([sum(a * v for a, v in zip(row, cols[-1])) for row in A])
    return cols

if __name__ == "__main__":
    B = [0, 0, 0, 0, 1.0]
    for name in ("TD", "UP", "PL"):
        A = structure(name); K = krylov(A, B)
        reach = [f"C{i + 1}" for i in range(5) if any(abs(c[i]) > 1e-12 for c in K)]
        print(f"{name}: Kalman rank {rank(K)}; reached by u: {', '.join(reach)}")
        print(f"    e1'A = ({', '.join(f'{x:g}' for x in A[0])}), e1'B = {B[0]:g}"
              + ("  -> C1 is an uncontrollable mode" if not any(A[0]) else ""))
        print("    (A^j B)_1 for j = 0..4: " + " ".join(f"{c[0]:.4f}" for c in K))
# TD: Kalman rank 1; reached by u: C5
#     e1'A = (0, 0, 0, 0, 0), e1'B = 0  -> C1 is an uncontrollable mode
#     (A^j B)_1 for j = 0..4: 0.0000 0.0000 0.0000 0.0000 0.0000
# UP: Kalman rank 4; reached by u: C2, C3, C4, C5
#     e1'A = (0, 0, 0, 0, 0), e1'B = 0  -> C1 is an uncontrollable mode
#     (A^j B)_1 for j = 0..4: 0.0000 0.0000 0.0000 0.0000 0.0000
# PL: Kalman rank 5; reached by u: C1, C2, C3, C4, C5
#     e1'A = (-0.1, 0.05, 0, 0, 0), e1'B = 0
#     (A^j B)_1 for j = 0..4: 0.0000 0.0000 0.0000 0.0000 0.0032

在只有自上而下耦合的 TD 结构中,卡尔曼矩阵的秩是 1:输入只能改变 C5C_5 本身,因为没有任何通道把它向上传。加上自下而上的反馈(UP),秩升到 4:C2C_2 到 C5C_5 都可以到达,但 C1C_1 仍然不可控,正如命题所说。只有在 PL 结构中,即假设先验可以被 C2C_2 缓慢改写,秩才是 5;而且 AjBA^jB 的第一个分量在 j=4j = 4 之前都是零,到 j=4j = 4 才出现 0.0032:输入要经过四次耦合才能到达 C1C_1,每经过一次都被增益缩小。

可控性格拉姆矩阵与控制能量

秩只回答「能不能」,不回答「难不难」。后者由可控性格拉姆矩阵刻画:

Wc(T)=∫0TeAtBB𝖳eA𝖳tdt.W_c(T) = \int_0^T e^{At} B B^{\mathsf T} e^{A^{\mathsf T} t}\, dt.

在时间 TT 内把系统从原点推到终态 xfx_f 所需的最小能量 ∫0Tu2dt\int_0^T u^2\, dt 等于 xf𝖳Wc(T)−1xfx_f^{\mathsf T} W_c(T)^{-1} x_f(要求 WcW_c 可逆,即系统完全可控;WcW_c 奇异时,只有其值域内的终态可以到达)。若只要求第 ii 层移动一个单位、其他层不限,最小能量是 1/(Wc)ii1/(W_c)_{ii};(Wc)ii=0(W_c)_{ii} = 0 意味着这一层无论花多少能量都推不动。

证据

控制能量与网络结构。 颜等人研究了控制复杂网络所需的能量,发现即使网络在秩的意义上可控,所需能量也可能随目标方向与时间窗口相差许多个数量级 (Yan et al. 2012)。帕斯夸莱蒂、赞皮耶里与布洛系统讨论了基于格拉姆矩阵的可控性度量及其局限 (Pasqualetti et al. 2014)。

推导

程序用两种方法计算 Wc(10)W_c(10):一是数值求解微分形式的李雅普诺夫方程 Ẇ=AW+WA𝖳+BB𝖳\dot{W} = AW + WA^{\mathsf T} + BB^{\mathsf T},W(0)=0W(0) = 0;二是先算出 v(t)=eAtBv(t) = e^{At}B(解 v̇=Av\dot{v} = Av),再对 vv𝖳v v^{\mathsf T} 做辛普森积分。两种方法应当一致。然后报告移动每一层所需的能量,以及能量怎样随耦合 ε\varepsilon、时间窗口 TT 与反馈增益 hh 变化。

# Controllability Gramian and control energy for the couplings of p10 (Chapter 5).
# W(T) = integral_0^T e^(At) B B' e^(A't) dt, computed two ways and compared:
#   (1) the differential Lyapunov equation W' = A W + W A' + B B', W(0) = 0 (RK4);
#   (2) v(t) = e^(At) B from v' = A v (RK4), then W = integral of v v' (Simpson's rule).
# Least energy (integral of u^2) to move layer i by one unit by T, others free: 1 / W_ii
# (infinite if W_ii = 0). Horizon T = 10; couplings illustrative.
import math

def structure(name, k=0.5, h=0.4, eps=0.05, d1=0.1):
    A = [[0.0] * 5 for _ in range(5)]
    for i in range(1, 5): A[i][i] = -1.0
    for i in range(4): A[i + 1][i] = k
    if name in ("UP", "PL"):
        for i in range(1, 4): A[i][i + 1] = h
    if name == "PL": A[0][0], A[0][1] = -d1, eps
    return A

def mm(X, Y): return [[sum(a * b for a, b in zip(r, c)) for c in zip(*Y)] for r in X]
def add(X, Y, s=1.0): return [[a + s * b for a, b in zip(r, q)] for r, q in zip(X, Y)]

def rk4(f, x, h, n):
    out = [x]
    for _ in range(n):
        k1 = f(x); k2 = f(add(x, k1, h / 2)); k3 = f(add(x, k2, h / 2))
        k4 = f(add(x, k3, h))
        x = add(x, add(add(k1, k4), add(k2, k3), 2.0), h / 6); out.append(x)
    return out

def gramian_lyapunov(A, T=10.0, n=2000):
    BB = [[1.0 if i == j == 4 else 0.0 for j in range(5)] for i in range(5)]
    At = [list(c) for c in zip(*A)]
    return rk4(lambda W: add(add(mm(A, W), mm(W, At)), BB), [[0.0] * 5] * 5, T / n, n)[-1]

def gramian_trajectory(A, T=10.0, n=2000):
    traj = rk4(lambda v: mm(A, v), [[0.0]] * 4 + [[1.0]], T / n, n)
    vs = [[r[0] for r in v] for v in traj]
    wt = [1 if i in (0, n) else (4 if i % 2 else 2) for i in range(n + 1)]
    return [[sum(w * x[i] * x[j] for w, x in zip(wt, vs)) * T / n / 3 for j in range(5)]
            for i in range(5)]

def energies(W): return [1 / W[i][i] if W[i][i] > 1e-14 else math.inf for i in range(5)]

if __name__ == "__main__":
    print("energy to move one layer by one unit (T = 10):    C1       C2       C3"
          "       C4       C5")
    for name in ("TD", "UP", "PL"):
        A = structure(name); W = gramian_lyapunov(A); W2 = gramian_trajectory(A)
        gap = max(abs(a - b) for r, q in zip(W, W2) for a, b in zip(r, q))
        print(f"  {name} (the two methods differ by {gap:.0e}): "
              + " ".join(f"{e:8.3g}" for e in energies(W)))
    print("PL: energy to move C1 by one unit, by coupling eps and horizon T")
    for eps in (0.05, 0.2):
        A = structure("PL", eps=eps)
        row = [energies(gramian_lyapunov(A, T=T, n=200 * T))[0] for T in (10, 20, 40)]
        print(f"  eps = {eps:4.2f}: T = 10: {row[0]:6.0f}   T = 20: {row[1]:6.0f}"
              f"   T = 40: {row[2]:6.0f}")
    print("UP, stronger upward feedback h [largest eigenvalue of layers 2-5]")
    for h in (0.4, 0.7, 0.9):
        lam = -1 + 2 * math.sqrt(0.5 * h) * math.cos(math.pi / 5)
        E = energies(gramian_lyapunov(structure("UP", h=h)))
        print(f"  h = {h}: [{lam:+.3f}] energies C2..C5:"
              + "".join(f"{e:8.3g}" for e in E[1:]))
# energy to move one layer by one unit (T = 10):    C1       C2       C3       C4       C5
#   TD (the two methods differ by 3e-11):      inf      inf      inf      inf        2
#   UP (the two methods differ by 4e-11):      inf      540     77.6     14.4     1.75
#   PL (the two methods differ by 4e-11): 1.18e+04      464     76.1     14.4     1.75
# PL: energy to move C1 by one unit, by coupling eps and horizon T
#   eps = 0.05: T = 10:  11819   T = 20:   4448   T = 40:   3445
#   eps = 0.20: T = 10:    501   T = 20:     91   T = 40:     17
# UP, stronger upward feedback h [largest eigenvalue of layers 2-5]
#   h = 0.4: [-0.276] energies C2..C5:     540    77.6    14.4    1.75
#   h = 0.7: [-0.043] energies C2..C5:    5.49    2.33    1.91    1.39
#   h = 0.9: [+0.085] energies C2..C5:   0.425   0.267   0.394   0.864
把每一层移动一个单位所需的最小控制能量(对数坐标,T = 10)。灰色:只有自上而下的耦合,只有 C_5 能动。紫色:加上自下而上的反馈,C_2—C_5 能动,能量逐层上升约一个数量级,C_1 不能动(∞)。金色:「可塑的先验」,C_1 在原则上能动,但所需能量约为 C_5 的 6,740 倍。青色:反馈增益提高到 0.7 时,各层之间的差距大大缩小。

两种计算方法的差别小于 10−1010^{-10}。在 UP 结构中,格拉姆矩阵在 C1C_1 方向上为零((Wc)11=0(W_c)_{11} = 0);移动 C5C_5 一个单位需要能量 1.75,C4C_4 需要 14.4,C3C_3 需要 77.6,C2C_2 需要 540,C1C_1 不可能。在 PL 结构中,C1C_1 变得可控,但需要约 11,800,是移动 C5C_5 的约 6,740 倍。延长时间窗口或加强耦合会降低能量:ε=0.05\varepsilon = 0.05 时,TT 从 10 延长到 40,能量从约 11,800 降到约 3,400;ε=0.2\varepsilon = 0.2 时,T=10T = 10 需要约 500,T=40T = 40 只需 17。

这为作者的直觉「越上层越难推动」提供了一个模型内的解释:输入每经过一层耦合都被衰减,所以到达越远的层,需要的能量越多。但程序的最后三行显示,这个排序依赖耦合的数值:把反馈增益 hh 从 0.4 提高到 0.7,C2C_2 所需的能量从 540 降到 5.49,各层的差距从两个多数量级缩小到四倍;提高到 0.9 时,第 2—5 层的子系统变得不稳定(实部最大的特征值为 +0.085),能量排序甚至颠倒,上层比下层更容易推动。不稳定的系统意味着偏离会自我放大而无界增长,这在现实中通常意味着模型已经不适用。

注

能量是模型里的量。 控制能量 ∫u2dt\int u^2\, dt 是一个数学定义,不是「努力的小时数」。把它解释为时间、金钱或心力,需要额外的假设与测量。本章的结论都是在写明的耦合下成立的数学性质,它们说明的是「如果层与层这样耦合,那么……」,而不是「现实就是这样」。

假说 · 尚未验证

逐层衰减假说(作者的假说,尚未确立)。在真实的职业轨迹中,对较低层的持续投入向较高层的传递是逐层衰减的:投入对直接作用的层影响最大,对相邻上层的影响较小,对更上层的影响更小。可以检验的预测:在随机分配了某种投入(例如培训)的研究中,预先定义各层的测量,投入对各层的效应量按层距单调递减。如果投入对远层的效应与近层相当,或者不随层距变化,这一假说就被否定。注意:这一假说只涉及 C2C_2—C5C_5;按作者的设定,C1C_1 不可控,不在检验范围内。

本章小结

把五层写成线性控制系统后,作者设定的「先天不可改变」直接推出:C1C_1 是不可控的模态,格拉姆矩阵在这一方向为零,任何来自底层的输入都推不动它。输入能到达哪些层只取决于耦合结构:只有自上而下的耦合时,底层的输入哪里也去不了;有了自下而上的反馈,C2C_2—C5C_5 可控;只有在「先验可塑」的假设下 C1C_1 才可控,但所需能量是推动 C5C_5 的数千倍。「越上层越难推动」在逐层衰减的耦合下成立,但随耦合强度变化,在强反馈下甚至会颠倒。下一章区分「潜能」与「兑现」,看作者所说的「解锁」在模型中究竟是什么。

参考文献

Kalman, Rudolf E. 1960. “Contributions to the Theory of Optimal Control.” Boletín de La Sociedad Matemática Mexicana 5: 102–19.
Lin, Ching-Tai. 1974. “Structural Controllability.” IEEE Transactions on Automatic Control 19 (3): 201–8. https://doi.org/10.1109/TAC.1974.1100557.
Liu, Yang-Yu, Jean-Jacques Slotine, and Albert-László Barabási. 2011. “Controllability of Complex Networks.” Nature 473 (7346): 167–73. https://doi.org/10.1038/nature10011.
Pasqualetti, Fabio, Sandro Zampieri, and Francesco Bullo. 2014. “Controllability Metrics, Limitations and Algorithms for Complex Networks.” IEEE Transactions on Control of Network Systems 1 (1): 40–52. https://doi.org/10.1109/TCNS.2014.2310254.
Sontag, Eduardo D. 1998. Mathematical Control Theory: Deterministic Finite Dimensional Systems. 2nd ed. Texts in Applied Mathematics 6. Springer. https://doi.org/10.1007/978-1-4612-0577-7.
Yan, Gang, Jie Ren, Ying-Cheng Lai, Choy-Heng Lai, and Baowen Li. 2012. “Controlling Complex Networks: How Much Energy Is Needed?” Physical Review Letters 108 (21): 218703. https://doi.org/10.1103/PhysRevLett.108.218703.

Fan, Y. (2026). Power-Law Weighting and Bottom-Up Controllability in Multi-Tier Conditional Excitation Systems: A Mathematical Synthesis of Endogenous Priors, Timing Windows, Network Topology and Reputational Games [多层条件激发系统中的幂律权重与逆向控制可及性] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23810093 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).