🔢 mathematics

Reachable and observable sets for switched systems via generalized Lyapunov equations: application to switched descriptor systems

本文证明了为切换描述符系统模型阶数降低所提出的广义李雅普诺夫方程解，有效地包络了系统的可达集和可观测集，从而在理论上验证了其在基于平衡的降阶中的适用性。

原作者： Mattia Manucci, Benjamin Unger

发布于 2026-08-05

📖 1 分钟阅读🧠 深度阅读

原作者： Mattia Manucci, Benjamin Unger

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图操控一台庞大而复杂的机器——比如一个机械臂或一个电网——它并不会一直平稳运行。相反，它有不同的“模式”可以切换，就像汽车换挡或在行走与跑步之间切换一样。有时，当机器切换模式时，它不仅仅是改变速度，它可能会突然剧烈抖动、跳跃，甚至在进入新节奏之前产生一个微小的、尖锐的“脉冲”（就像一次突然的电火花）。在工程领域，这些被称为切换系统（switched systems）。挑战在于，这些机器通常由混合了正常运动（微分方程）和刚性约束（代数方程）的方程来描述，这使得在计算机上进行模拟变得异常困难。如果机器过于复杂，计算机会在试图计算每一个细节时陷入瘫痪。

为了解决这个问题，工程师们使用了一种名为模型阶数削减（Model Order Reduction, MOR）的技巧。你可以把它想象成为这台机器创建一个“简化草图”。与其模拟每一个微小的螺栓和电线，你更希望找到那些真正会对你的控制做出反应且最重要的部分，并忽略其余的部分。为了知道哪些部分是重要的，你需要绘制出可达集（reachable set，即如果你按下按钮，机器能到达的所有地方）和可观测集（observable set，即从外部可以观察到或测量到的部分）。那么，大问题来了：对于一台在切换档位时会跳跃和产生脉冲的机器，你该如何找到这些地图？这正是 Mattia Manucci 和 Benjamin Unger 在他们最近的研究中所解决的谜题。

论文的故事：绘制跳跃机器的地图

在这篇论文中，Manucci 和 Unger 扮演着制图师的角色，试图绘制一片非常棘手的领地：一台会在不同行为之间切换，并且偶尔会发生跳跃或脉冲的机器。他们的目标是证明一种特定的数学工具——广义李雅普诺夫方程（Generalized Lyapunov Equations, GLEs）——能够成功地描绘出这片领地的边界。

以下是他们的核心发现：他们证明了，如果你求解这些特定的 GLE，所得出的数学“形状”（称为图像集）能够保证**包围（enclose）**系统的实际可达集和可观测集。

为了理解这一点，想象你正试图找出公园里一只狗可以奔跑的确切区域。这只狗跑得很快，但它有时也会被一条绳子猛地拽向新方向（这就是跳跃和脉冲）。由于这些突然的拽拉，计算狗的精确路径是一场噩梦。然而，作者证明了 GLE 就像一个巨大的、略显宽松的安全网。如果你把这张网投向公园，它一定会覆盖狗可能到达的每一个点，即使这张网比实际面积稍微大一点也没关系。

为什么这个“更大的网”很有用？因为在工程学中，你并不总是需要精确的边界来构建一个好的简化模型。你只需要知道重要的部分位于你找到的边界之内。通过证明 GLE 的解总是包含真实的、可达的和可观测的集合，作者证明了使用这些方程来创建简化模型的合理性。如果一个部件位于 GLE 网内，那么它在你的简化草图中就是值得保留的；如果它在外面，你就可以安全地忽略它。

他们是如何证明的

作者并非凭空猜测；他们在混乱的现实世界系统与更简洁的数学工具之间建立了一座严密的桥梁。

重构混乱： 首先，他们将原始系统（带有跳跃和脉冲的系统）改写成了一个略微不同的版本。他们证明了，尽管内部状态看起来不同，但“输入-输出”行为（你投入什么，得到什么）是完全相同的。这使得他们可以将跳跃视为仅仅是输入或输出的一部分，而不是一种混乱的内部事件。
“无跳跃”对比： 然后，他们将这个混乱的系统与一个没有跳跃的“干净”版本的同一台机器进行了比较。他们证明了，这个带有跳跃的混乱机器的可达集和可观测集，始终是那个干净机器集合的子集。换句话说，如果考虑到额外的输入，跳跃机器所能到达的地方，绝不会超出干净机器所能到达的范围。
GLE 的联系： 对于这个“干净”的机器（没有跳跃），已知 GLE 的解能完美匹配其可达集和可观测集。
结论： 既然混乱机器的领地在干净机器的领地之内，而干净机器的领地又在 GLE 网之内，那么混乱机器的领地也必然在 GLE 网之内。

他们并未声称的事项

需要注意的是，本文并没有声称什么。作者并不是在声称 GLE 的解能给你精确的可达集。他们明确指出，GLE 的解提供的是一个包围或包含真实集合的集合。GLE 网可能比实际区域稍大，但它绝不会太小（它不会漏掉任何可达的点）。

此外，他们并未声称自己发明了一种解决这些方程的新方法，也没有声称解决了宇宙中所有可能类型的机器问题。他们的工作是一个理论证明，旨在证明使用现有的方法（即他们之前工作中提到的 GLE）来处理一类特定的复杂系统（带有跳跃的切换描述系统）是合理的。他们依靠数学证明和逻辑，而非在这篇特定的论文中引用新的实验数据或模拟（尽管他们在之前的研究中提到了数值实验）。

为什么这很重要

对于一个好奇的青少年来说，可以将这看作是寻找一条可靠的捷径。如果你想为一个复杂的机器人构建一个视频游戏模拟，你不希望你的计算机崩溃。你需要简化机器人的代码。但如果你简化过度，机器人可能会表现异常或损坏。这篇论文给了工程师一个“安全保证”。它说：“嘿，如果你使用这些特定的数学方程来决定保留什么和丢弃什么，你就能保证你的简化机器人仍然能够完成真实机器人所能做的一切。你不会意外地删掉一个至关重要的部分。”

通过证明这些广义李雅普诺夫方程总能覆盖必要的范围，作者为使复杂的、具有切换和跳跃特性的系统更容易被模拟和控制提供了坚实的理论基础，同时不会丢失使其发挥作用的核心行为。

技术摘要：通过广义李雅普诺夫方程研究切换系统的可达集与可观测集

1. 问题陈述

本文旨在为在切换微分代数方程（DAE）的模型阶缩减（MOR）背景下使用广义李雅普诺夫方程（GLE）解提供理论依据。具体研究对象为如下形式的切换系统：
$\begin{cases} E_{q(t)}\dot{x}(t) = A_{q(t)}x(t) + B_{q(t)}u(t), \\ y(t) = C_{q(t)}x(t), \end{cases}$
其中 $q(t)$ 是切换信号，且矩阵 $E_{q(t)}$ 可能为奇异矩阵。

核心挑战在于如何严格刻画此类系统的可达集（reachable sets）与可观测集（observable sets）。尽管近期的研究（Manucci & Unger, 2024）提出利用 GLE 推导用于此类系统的基于平衡的 MOR 方法，但 GLE 解与此类切换 DAE 的实际可达/可观测子空间之间的理论联系尚未得到充分建立。本文旨在证明 GLE 解的图像集始终包围（enclose）切换系统的可达集和可观测集，从而验证其作为 MOR 中 Gram 行列（Gramians）的有效性。

2. 研究方法

2.1 解空间与重构

作者在分段光滑分布（ $\mathcal{D}^{\infty}_{pw}$ ）空间内进行工作，以处理由于在具有不同一致性空间的模式之间切换而产生的跳变（jumps）和 Dirac 脉冲（Dirac impulses）。

利用拟魏尔斯特拉斯型（Quasi-Weierstrass Form, QWF），将切换 DAE 重构为一个等价的带有状态相关跳变和脉冲的切换常微分方程（ODE）系统。重构后的系统 (8) 如下：
$\begin{cases} \dot{x}(t) = A^{\text{diff}}_{q_k}x(t) + B^{\text{diff}}_{q_k}u(t), & t \in (t_k, t_{k+1}), \\ x(t_k^+) = \Pi_{q_k}x(t_k^-) + \Pi_{q_k}B_{q_{k-1}}U_{q_{k-1}}(t_k^-), \\ y(t) = C^{\text{diff}}_{q_k}x(t) + D_{q_k}U_{q_k}(t), \\ y[t_k] = \取决于于 x(t_k^-) 的脉冲项}. \end{cases}$
此处， $\Pi_j$ 代表一致性投影算子，输入 $U$ 包含了直到系统幂零指数（nilpotency index）为止的控制信号导数。

2.2 可达性与可观测性的刻画

本文对该重构系统严格定义了可达集和可观测集：

可达性： 作者定义了一个考虑了输入相关跳变的“修正可达集”。他们证明（引理 3.3）可达集可以通过递归方式计算。至关重要的是，定理 3.4 表明，具有输入-状态相关跳变的系统的可达集，包含在一个具有状态相关跳变及增广输入矩阵的简化系统可达集中。
可观测性： 类似地，不可观测集通过考虑脉冲输出项被递归地刻画（引理 4.3）。定理 4.5 表明，原系统的不可观测集等价于一个不含输出脉冲但具有增广输出矩阵的系统的不可观测集。

2.3 与广义李雅普诺夫方程的联系

作者引入了一个进一步简化的切换线性系统 (35)，其特点是：

跳变纯粹是状态相关的（无输入相关跳变）。
输入和输出经过增广，以捕捉原系统脉冲的影响。
投影矩阵 $\Pi_j$ 被一般化处理。

定理 5.1 确立了一个关键的包含关系：

具有跳变的系统的可达集 $R$ 是无跳变系统（但具有增广矩阵）的可达集 $\tilde{R}$ 的子集。
可观测集 $O$ 是无跳变系统可观测集 $\tilde{O}$ 的子集。

对于具有增广矩阵的无跳变系统，已知结果（引用自 [13]）表明，其可达集和可观测集与以下广义李雅普诺夫方程的解 $P$ 和 $Q$ 的图像空间一致：
$\begin{aligned} AP + PA^T + \sum_{j=1}^M (F_j P F_j^T + \tilde{B}_j \tilde{B}_j^T) &= 0, \\ A^T Q + QA + \sum_{j=1}^M (F_j^T Q F_j + \tilde{C}_j^T \tilde{C}_j) &= 0. \end{aligned}$

3. 主要贡献与结果

严格刻画： 本文在分段光滑分布空间内，为切换 DAE 提供了可达集和可观测性的形式化定义及递归刻画。
包含定理： 本文的主要理论结果是证明了复杂的切换 DAE（具有跳变和脉冲）的可达集与可观测集，是特定增广切换 ODE 系统的子集。
对 GLE 的验证： 通过将包含定理与已有的关于切换 ODE 的 GLE 的结果相结合，作者证明了 [12] 中提出的 GLE 解 $P$ 和 $Q$ 满足：
$\text{可达集} \subseteq \text{span}(P) \quad \text{且} \quad \text{可观测集} \subseteq \text{span}(Q).$
这证实了 GLE 解的图像“包围”了真实的系统子空间。

4. 意义与主张

本文声称为在切换 DAE 中使用基于 GLE 的平衡法进行模型阶缩减提供了必要的理论基础。

对 MOR 的辩护： 作者指出，由于 GLE 解包围了可达集和可观测集，因此它们适合作为平衡法 MOR 中的 Gram 行列。这确保了降阶模型能够保留原切换 DAE 系统的输入-输出行为。
主张范围： 作者对自己的主张保持谦逊。他们在本工作中并未提出新的数值算法或实验应用。相反，他们澄清了为什么其前作 ([12]) 的方法是有效的。他们明确指出，这种重构并不会改变输入-输出映射，而这正是 MOR 的主要目标。
局限性： 本文承认重构涉及的增广矩阵依赖于相邻模式，这可能导致产生一个拥有 $M(M-1)^2$ 个模式的系统。然而，他们指出，无论采用何种具体的公式，GLE 解的图像集都是一致的。

总之，本文架起了抽象切换 DAE 理论（涉及分布和脉冲）与用于模型缩减的 GLE 实际应用之间的桥梁，证明了后者能够正确捕捉前者的本质动力学特性。