🔢 mathematics

Discrete-Time Event-Triggered Extremum Seeking

本文提出了一种针对非线性系统的离散时间事件触发极值寻求控制方案，通过仅在满足状态依赖触发条件时更新控制输入，在利用离散时间平均和 Lyapunov 分析证明其收敛性与稳定性的同时，显著减少了不必要的执行器动作和通信开销。

原作者： Victor Hugo Pereira Rodrigues, Tiago Roux Oliveira, Miroslav Krstić, Frank Allgöwer

发布于 2026-04-03

📖 1 分钟阅读🧠 深度阅读

原作者： Victor Hugo Pereira Rodrigues, Tiago Roux Oliveira, Miroslav Krstić, Frank Allgöwer

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

这篇论文提出了一种更聪明、更省力的“自动寻优”方法。为了让你轻松理解，我们可以把这项技术想象成**“在迷雾中摸索着寻找最高山峰的登山向导”**。

1. 核心任务：寻找“宝藏”（极值点）

想象你被蒙着眼睛，站在一片未知的地形上。你的目标是找到最高的山峰（最大值）或者最深的山谷（最小值）。

传统方法（周期性更新）： 就像是一个死板的机器人，不管周围情况如何，它每隔 1 秒就迈一步，不管这一步有没有用，它都机械地执行。这就像你每隔一秒就盲目地挪动一下脚，哪怕你正站在平地上，或者正往反方向走，它也会继续迈。这非常浪费体力（计算资源）和通讯带宽。
本文的新方法（事件触发）： 这是一个聪明的向导。它不会盲目地每隔一秒就动。相反，它会时刻观察脚下的坡度（梯度）。只有当它感觉到“嘿，这里坡度变了，或者我离目标更近了，需要调整方向”时，它才会迈出新的一步。如果它发现原地踏步或者方向没变，它就停下来休息，不再浪费力气。

2. 关键创新：从“连续”到“离散”的跨越

以前的研究（连续时间）： 就像在一条平滑的公路上开车，你可以随时微调方向盘。
现在的挑战（离散时间）： 现实中的计算机（比如手机、无人机芯片）是数字化的。它们不能“随时”调整，只能按时间片（比如每秒 100 次）来工作。这就好比你在玩一个回合制游戏，或者像老式电影，是一帧一帧跳动的。
这篇论文的突破： 作者设计了一套专门针对这种“一帧一帧”数字世界的规则。他们证明了，即使在只能按部就班（离散）工作的数字世界里，这种“只在需要时行动”的策略依然有效，而且能大幅减少不必要的操作。

3. 工作原理：如何判断“该不该动”？

这个系统里有一个**“触发器”**（就像家里的智能门锁）：

探测： 系统会不断测量当前的“坡度”（梯度估计值 $\hat{G}$ ）。
比较： 它会拿当前的“坡度”和上一次“迈脚”时的“坡度”做对比，计算出一个误差（ $e$ ）。
决策：
- 如果误差很小，说明情况没大变化，“别动，保持现状”。
- 如果误差超过了某个设定的阈值（就像门被推得太用力了），“触发警报，立刻重新计算并迈出新的一步”。

这就好比你在黑暗中摸索墙壁找开关。如果你手摸到的地方和上次感觉差不多，你就继续摸索；如果你突然摸到了不一样的纹理（比如开关的凸起），你才会停下来确认并按下开关。

4. 为什么这很重要？（省资源）

在现实应用中，比如：

无人机群： 电池很宝贵，通讯信号很拥挤。如果每架无人机都疯狂地每隔一秒就发一次数据调整高度，电池很快就耗尽了，信号也会堵塞。
工业控制： 传感器和控制器之间的连线如果太频繁地传输数据，会占用大量带宽。

这篇论文的方法就像给这些设备装上了**“节能模式”**。

结果： 在模拟实验中，原本可能需要更新 1000 次控制指令，现在只需要更新 19 次！
效果： 虽然动作变少了，但它依然能精准地找到那个“最高峰”（最优解），而且速度依然很快（指数级稳定）。

5. 总结：用“少”换“多”

简单来说，这篇论文发明了一种**“该出手时才出手”**的算法。

传统做法： 像机关枪一样，哒哒哒哒不停射击（更新），不管有没有打中。
新方法： 像狙击手一样，瞄准、观察、等待最佳时机，然后砰地一击（更新），既省子弹（计算资源）又打得准。

一句话概括： 这是一项让数字控制系统变得更“懒”（减少不必要的动作），但更“聪明”（依然能精准找到最优解）的技术，特别适合用在电池有限或网络带宽紧张的现代设备上。

以下是关于论文《离散时间事件触发极值寻求控制》（Discrete-Time Event-Triggered Extremum Seeking）的详细技术总结：

1. 研究背景与问题定义 (Problem)

核心问题：针对非线性系统的实时优化问题，传统的离散时间极值寻求（Extremum Seeking, ES）控制通常依赖周期性的输入更新。这种固定频率的更新方式往往导致不必要的执行器动作和通信开销，特别是在资源受限（如电池供电、带宽有限）的数字实现场景中。
挑战：虽然连续时间的事件触发极值寻求已有研究，但将其直接离散化并非易事。离散时间系统涉及采样、输入保持（Input Holding）和更新约束，其动态行为与连续时间系统有本质区别。因此，需要一种专门针对离散时间动态设计的框架，而非简单的离散化。
目标：设计一种离散时间事件触发极值寻求控制方案，仅在满足特定状态依赖条件时更新控制输入，从而在保持优化性能的同时，显著减少控制更新次数和通信负载。

2. 方法论 (Methodology)

论文提出了一种基于梯度估计的离散时间事件触发控制架构，主要包含以下关键步骤：

A. 系统建模与梯度估计

静态映射：考虑未知的非线性静态映射 $Q[\theta] = Q^* + \frac{H^*}{2}(\theta - \theta^*)^2$ ，其中 $Q^*$ （极值）、 $H^*$ （海森矩阵）和 $\theta^*$ （最优解）均未知。
扰动与解调：输入 $\theta[k]$ 由估计值 $\hat{\theta}[k]$ 叠加正弦扰动 $a \sin(\omega \epsilon k)$ 构成。通过解调信号（demodulation signal） $a \sin(\omega \epsilon k)$ 与输出 $y[k]$ 的乘积来估计梯度 $\hat{G}[k]$ 。
离散动力学：利用移位算子（Shift Operator）推导了梯度估计误差 $\tilde{\theta}[k]$ 和梯度估计值 $\hat{G}[k]$ 的离散时间动态方程。

B. 事件触发机制 (Event-Triggering Mechanism)

触发条件：定义了一个状态依赖的触发条件。控制输入 $u[k]$ $u [k]$ 仅在满足以下条件时更新：
$\sqrt{\sigma}|\hat{G}[k]| - \alpha|e[k]| < 0$
其中：
- $e[k] = \hat{G}[k_l] - \hat{G}[k]$ 是测量误差（当前梯度估计与上一次触发时刻梯度估计的差值）。
- $\sigma \in (0, 1)$ 是设计参数。
- $\alpha$ 是满足特定不等式的正常数，用于保证稳定性。
执行逻辑：在两个触发时刻 $k_l$ 和 $k_{l+1}$ 之间，控制输入保持恒定（Zero-Order Hold），即 $u[k] = -K \hat{G}[k_l]$ 。

C. 理论分析工具

离散时间平均理论 (Discrete-Time Averaging)：由于系统包含高频正弦扰动，论文利用离散时间平均技术将非自治系统转化为自治的平均系统，从而简化分析。
李雅普诺夫稳定性分析 (Lyapunov Analysis)：构建了李雅普诺夫函数，结合输入到状态稳定（ISS）框架，证明了闭环系统的实际收敛性（Practical Convergence）和平均动力学的指数稳定性。
Zeno 行为避免：证明了在离散时间框架下，由于采样步长的存在，触发间隔天然有下界，从而避免了 Zeno 行为（即在有限时间内无限次触发）。

3. 主要贡献 (Key Contributions)

首创离散时间事件触发 ES 框架：不同于以往基于连续时间的研究，本文专门针对离散时间系统的采样和保持特性，设计了独特的触发机制和分析框架。
理论保证：
- 证明了闭环轨迹在实际意义下收敛到未知极值点的邻域内。
- 证明了关联的平均动力学具有指数稳定性。
- 给出了触发间隔的下界，排除了 Zeno 行为。
资源效率优化：通过自适应触发机制，仅在必要时更新控制输入，显著降低了执行器动作频率和通信需求，同时保留了经典 ES 的无模型（Model-free）优化能力。
填补研究空白：为离散时间控制与事件触发机制的结合提供了理论依据，推动了数字实现中资源感知控制的发展。

4. 仿真结果 (Results)

论文通过数值仿真验证了所提方法的有效性：

优化性能：系统输入 $\theta[k]$ 成功收敛到最优解 $\theta^*=3$ ，输出 $y[k]$ 收敛到极值 $Q^*=2$ 。
更新频率大幅降低：在 1000 次迭代中，控制律仅更新了 19 次（平均触发间隔约为 9.47 秒），而传统周期性方法可能需要每步更新。
信号行为：梯度估计 $\hat{G}[k]$ 平滑收敛至零，所有信号保持有界，且触发时刻呈现非周期性分布，符合事件触发的预期特征。

5. 意义与展望 (Significance)

理论意义：该研究证明了在离散时间域引入事件触发机制不会破坏极值寻求的核心优化特性，反而通过自适应更新策略增强了系统的资源适应性。
应用价值：特别适用于资源受限的实时优化场景，如无线传感器网络、嵌入式控制系统、电池供电设备等，能够有效延长设备寿命并节省通信带宽。
未来方向：论文建议未来可研究多智能体（Multi-agent）网络环境下的事件触发极值寻求、测量噪声与延迟的鲁棒性分析，以及在嵌入式平台上的实验验证。

总结：本文成功地将事件触发控制思想引入离散时间极值寻求领域，通过严谨的数学推导和仿真验证，提出了一种既能保证优化收敛性，又能大幅降低控制更新频率的高效控制策略，为数字控制系统的资源优化提供了新的解决方案。