⚡ electrical engineering

A Hybrid Systems Model of Feedback Optimization for Linear Systems: Convergence and Robustness

本文提出了一种将线性系统连续时间动力学与离散时间输入计算相结合的混合系统反馈优化模型，证明了该模型的适定性、解的完备性（排除芝诺行为）及指数收敛性，并解析地展示了其对输出测量、系统矩阵及输入施加时间的扰动具有鲁棒性。

原作者： Oscar Jed Chuy, Matthew Hale, Ricardo Sanfelice

发布于 2026-03-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Oscar Jed Chuy, Matthew Hale, Ricardo Sanfelice

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

这篇文章介绍了一种**“混合系统”模型**，用来解决一个非常实际的问题：如何让机器在实时运行中，一边干活，一边自动调整自己，以达到最佳状态，即使它的“大脑”和“身体”运作方式不同步。

为了让你更容易理解，我们可以把这个系统想象成一位正在学习驾驶新赛车的“教练”和“赛车手”。

1. 核心问题：身体和大脑的“时差”

赛车手（连续时间系统）： 赛车在赛道上飞驰，它的速度、位置是连续变化的，就像水流一样，一刻不停。
教练（离散时间优化算法）： 教练坐在指挥室里，通过屏幕看数据。但他不能每毫秒都说话，他只能每隔几秒看一眼数据，然后计算一下：“嘿，下一脚油门踩深一点还是浅一点？”
传统方法的局限： 以前的研究要么假设教练和赛车手都是连续运作的（不现实，因为电脑是离散的），要么假设都是离散的（不现实，因为物理世界是连续的）。这就像试图用“秒针跳动”的模型去描述“水流”的流动，不够精准。

2. 本文的解决方案：混合系统模型

作者建立了一个**“混合系统”模型**，完美地结合了这两者：

赛车手（连续流）： 在两次指令之间，赛车手按照物理定律（连续时间）自己跑，保持油门不变。
教练（离散跳）： 每隔一段时间（或者当赛车手跑完一圈），教练**“跳”一下**（离散事件），读取最新的数据，计算新的指令，然后立刻发给赛车手。

这就好比： 赛车手在自动巡航（连续），教练每隔 5 秒看一眼仪表盘，然后按下一个按钮调整设定（离散）。

3. 三大核心贡献（用比喻解释）

A. 证明系统不会“卡死”或“发疯” (Well-posedness & Zeno Behavior)

比喻： 想象教练太急了，想在 1 秒钟内看 1000 次仪表盘并下达 1000 次指令。如果系统没设计好，赛车手可能会因为指令太多而“死机”，或者在有限时间内无限次地切换状态（这叫"Zeno 行为”）。
论文成果： 作者证明了他们的模型是稳固的。无论怎么跑，赛车手都不会卡死，也不会陷入无限循环的疯狂指令中。系统能一直稳定地运行下去。

B. 快速收敛到目标 (Convergence)

比喻： 假设目标是让赛车跑在赛道正中央。一开始赛车可能偏左或偏右。
论文成果： 作者证明了，只要教练的指令频率合适，赛车手的状态会指数级地快速靠近目标。就像你修正航向，一开始偏得远，修正得快；越接近目标，修正得越精准，最终误差会缩小到一个极小的范围内（就像一个完美的圆圈）。

C. 极强的“抗干扰”能力 (Robustness)

这是本文最厉害的地方。现实世界充满了噪音和错误，作者证明了这套系统非常**“皮实”**：

数据不准（测量误差）： 教练看仪表盘时，屏幕有点花，数据有误差。系统能容忍。
模型不对（认知误差）： 教练以为赛车是 A 型号，其实是 B 型号（比如重量、引擎参数搞错了）。系统依然能工作。
时间不准（计时误差）： 教练本来想每 5 秒看一次，结果因为忙，变成了 4.8 秒或 5.2 秒。系统依然能工作。

比喻： 就像一位经验丰富的老教练，即使手表慢了、眼镜花了、甚至对车的参数记错了，他依然能凭经验把车开得很好，不会翻车。

4. 模拟实验结果

作者用电脑模拟了各种情况：

正常情况： 赛车完美地跑到了目标位置。
捣乱情况： 他们故意给系统加了很多“噪音”（比如故意把车的参数改错，故意让教练看表的时间乱跳）。
结果： 即使在这些混乱的情况下，赛车依然能跑在目标附近，误差虽然变大了一点，但完全在可控范围内。这证明了理论分析是靠谱的。

总结

这篇论文就像是在说：

“我们设计了一套**‘混合驾驶系统’，它承认物理世界是连续的，而电脑计算是离散的**。我们证明了这套系统不会死机，能快速跑向目标，而且特别抗造——哪怕你的传感器坏了、模型算错了、或者时间对不准，它依然能稳定工作。这对于未来的自动驾驶、智能电网和机器人控制来说，是一个非常重要的理论基石。”

简单来说，就是让“连续的身体”和“离散的大脑”和谐共处，并且让它们在面对混乱时依然能保持冷静和高效。

1. 研究背景与问题陈述 (Problem)

背景：
许多自动化任务需要优化动态系统的行为。传统的“前馈”优化依赖于精确的系统模型来生成参考输入，但模型误差会导致次优解。相比之下，“反馈优化”（Feedback Optimization）利用实时输出测量值，在闭环中通过优化算法计算输入，从而对模型误差和时变参数具有鲁棒性。

现有局限：
现有的反馈优化研究通常将系统动力学和优化算法统一建模为纯连续时间或纯离散时间。然而，在实际应用中，物理系统通常由连续时间微分方程描述，而数字计算机（优化算法）则以离散时间步长运行。这种混合特性导致现有的纯连续或纯离散模型无法准确捕捉实际系统的动态行为，特别是输入更新和输出采样的非周期性特征。

核心问题：
如何建立一个能够同时描述连续时间线性系统动力学和离散时间优化计算的混合系统模型？并在此模型下，证明系统的解是良定义的（Well-posed），分析其收敛性，并建立对多种扰动（如测量误差、模型参数误差、输入应用时间误差）的鲁棒性保证。

2. 方法论 (Methodology)

本文提出了一种基于混合系统理论（Hybrid Systems Theory, 框架参考 [18]）的建模与分析方法。

2.1 系统建模

被控对象： 线性时不变（LTI）系统 $\dot{x} = Ax + Bu, y = \Psi x + d$ 。其中 $d$ 是未知常数扰动。假设 $A$ 是 Hurwitz 矩阵（系统本身稳定）。
优化目标： 最小化二次目标函数 $\Phi(u, y) = \frac{1}{2}u^T Q_u u + \frac{1}{2}(y - \hat{y})^T Q_y (y - \hat{y})$ ，受限于稳态映射 $y = Hu + d $和输入约束$ u \in U$。
混合状态向量： $\zeta = [x, u, y_s, z, \tau_c, \tau_g]^T$ $ζ = [x, u, y_{s}, z, τ_{c}, τ_{g}]^{T}$ 。
- $x, u$ ：系统状态和输入。
- $y_s$ ：采样的输出值（在两次采样间保持恒定）。
- $z$ ：优化算法的当前迭代变量。
- $\tau_c$ ：输入更新计时器（倒计时）。
- $\tau_g$ ：优化迭代计算计时器（倒计时）。
混合流与跳变：
- 流（Flow）： 当 $\tau_c > 0$ 且 $\tau_g > 0$ 时，系统连续演化。 $x$ 根据 LTI 动力学变化，计时器线性递减，其他状态保持不变。
- 跳变（Jump）： 当计时器归零时发生离散跳变。
  - 情况 1 ( $\tau_g=0, \tau_c>0$ )： 完成一次梯度下降迭代，更新 $z$ ，重置 $\tau_g$ 。
  - 情况 2 ( $\tau_c=0, \tau_g>0$ )： 应用新输入 $u=z$ ，采样新输出 $y_s$ ，重置 $\tau_c$ 。
  - 情况 3 ( $\tau_c=\tau_g=0$ )： 同时发生上述两种跳变。

2.2 理论分析工具

混合基本条件（Hybrid Basic Conditions）： 验证模型满足外半连续性（Outer Semicontinuity）和局部有界性，确保解的存在性和唯一性（在集合意义下）。
Lyapunov 分析与收敛性： 利用强凸性和梯度下降的收缩性质，结合 LTI 系统的指数稳定性，推导状态误差的上界。
鲁棒性分析： 基于混合系统理论中的 $(\tau, \epsilon)$ -接近性定义，分析模型参数（ $A, B, H$ ）、测量值（ $y_s$ ）和计时器（ $\tau_c, \tau_g$ ）受到扰动时的系统行为。

3. 主要贡献 (Key Contributions)

建立了混合反馈优化模型：
首次将连续时间 LTI 动力学与离散时间梯度下降优化算法统一在一个混合系统框架下。该模型允许非周期性的采样和输入更新，更贴近实际数字控制系统的实现。
证明了系统的良定性（Well-posedness）与完备性：
- 证明了该混合模型满足混合基本条件。
- 证明了所有最大解都是完备的（Complete，即定义域无限长），且排除了芝诺行为（Zeno behavior，即有限时间内无限次跳变）。
建立了指数收敛界：
证明了系统状态 $x$ 以指数速率收敛到一个已知半径的球内，该球心为期望的稳态目标点 $\tilde{x}$ 。收敛半径取决于优化步长、系统参数以及输入更新的频率。
提供了全面的鲁棒性保证（核心创新）：
这是已知文献中首个在混合/采样数据反馈优化设置下，同时证明对以下三类扰动具有鲁棒性的分析结果：
- 测量输出值的扰动（ $y_s$ 的误差）。
- 输入应用时间的扰动（采样时刻的不确定性）。
- 系统模型矩阵的扰动（ $A, B, \Psi$ 或 $H$ 的建模误差）。
  证明了在有限混合时间范围内，受扰系统的解与标称系统的解是 $(\tau, \epsilon)$ -接近的。

4. 研究结果 (Results)

收敛性定理 (Theorem 1 & 2)：
在满足特定步长条件（ $\gamma \in (0, \frac{2}{\lambda_{min}(Q_u)+L})$ ）和最小迭代次数条件（假设 2：在两次输入更新之间至少进行 $\ell$ 次梯度迭代）下，系统状态 $x(t,j)$ 与最优稳态 $\tilde{x}$ 的距离满足：
$\|\phi(t, j)\|_{\mathcal{A}} \leq M e^{-\rho t} \|\phi(0,0)\|_{\mathcal{A}} + \text{常数项}$
其中 $\rho$ 与 $A$ 矩阵的特征值实部有关。随着时间 $t \to \infty$ ，状态收敛到一个半径为 $r$ 的球内。通过预反馈控制（Pole Placement），该半径 $r$ 可任意缩小。
鲁棒性定理 (Theorem 3)：
对于任意给定的时间 $\tau$ 和精度 $\epsilon$ ，存在一个扰动阈值 $\delta$ ，使得当系统受到的扰动（包括模型误差、计时器误差、测量噪声）小于 $\delta$ 时，受扰系统的解与标称系统的解在时间 $\tau$ 内是 $\epsilon$ -接近的。这证明了该混合反馈优化策略对实际工程中的不确定性具有内在的鲁棒性。
仿真验证 (Section VI)：
- 标称系统： 仿真显示状态误差 $\|x - \tilde{x}\|$ 迅速收敛至 $3.26 \times 10^{-15}$ （数值误差级别），验证了理论收敛性。
- 扰动系统： 引入模型矩阵误差（ $\hat{A}, \hat{B}$ ）和计时器误差（ $\kappa, \theta$ ）。结果显示，虽然稳态误差随模型误差 $\mu$ 增大而增大，但系统依然保持收敛，且误差大小与模型扰动强相关，与时间扰动相关性较弱。这验证了理论分析中关于鲁棒性的结论。

5. 意义与影响 (Significance)

填补理论空白： 解决了现有文献中缺乏对“连续动力学 + 离散优化”混合架构进行严格鲁棒性分析的问题。
工程指导价值： 为实际工程中设计基于反馈优化的控制器提供了理论依据。特别是证明了即使存在模型失配、传感器噪声和采样时间抖动，系统仍能保持稳定性和收敛性。
通用性框架： 提出的混合系统建模方法不仅适用于线性系统，其框架（利用混合基本条件、排除芝诺行为、分析收敛性）可扩展至非线性系统和更复杂的优化算法（如非凸优化，作为未来工作）。
多源扰动鲁棒性： 首次同时量化了反馈优化对模型误差、测量误差和时间同步误差的鲁棒性，这对于在复杂、不确定的工业环境（如电力系统、化工过程）中部署反馈优化算法至关重要。

总结： 该论文通过建立严谨的混合系统模型，从理论上证明了反馈优化在“连续 - 离散”混合架构下的收敛性和对多重扰动的鲁棒性，为下一代智能控制系统的理论设计奠定了坚实基础。