⚡ electrical engineering

Covariance Steering of Discrete-Time Markov Jump Linear Systems with Multiplicative Noise

本文研究了具有状态与控制依赖乘性噪声的离散时间马尔可夫跳变线性系统的有限时域协方差导向问题，通过引入提升状态表述将问题转化为等价的凸优化形式，并针对含概率约束的情形提出了可处理的凸代理方案及迭代更新机制。

原作者： Fangji Wang, Siddhartha Ganguly, Panagiotis Tsiotras

发布于 2026-04-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Fangji Wang, Siddhartha Ganguly, Panagiotis Tsiotras

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

这篇论文讲述了一个关于**“如何在充满不确定性和突发变化的环境中，精准控制系统走向目标”**的数学难题。

为了让你更容易理解，我们可以把这篇论文的研究对象想象成一个在暴风雨中驾驶帆船的船长，或者一个在拥挤且路况多变的城市里开车的司机。

以下是用通俗语言和比喻对论文核心内容的解读：

1. 核心场景：在“变天”和“颠簸”中导航

想象你要驾驶一艘船（系统），从起点（初始状态）开往终点（目标状态）。你的目标不仅仅是到达终点，还要确保到达时：

船的位置（均值）正好在码头。
船队的分散程度（协方差）要非常整齐，不能散得太开。

难点在于：

天气突变（马尔可夫跳变）： 海况不是固定的。有时候是晴天（模式 A），有时候是狂风暴雨（模式 B）。这些变化是随机的，像掷骰子一样，但有一定的规律（比如晴天后面大概率还是晴天，但也可能突然变暴雨）。
颠簸加剧（乘性噪声）： 这是这篇论文最独特的地方。普通的噪音就像海浪随机拍打船身，不管船多大都一样。但这里的“乘性噪声”意味着：船开得越快、风浪越大，颠簸就越剧烈。就像你开车，速度越快，路面的一点小坑洼带来的震动就越夸张。这种“不确定性随状态放大”的特性，让控制变得极其困难。

2. 传统方法的失效：为什么“直线思维”行不通？

在以前的研究中（没有“乘性噪声”的情况），船长只需要一个公式：“如果船偏左了，就向右打一点舵”（线性反馈）。这就像自动驾驶的定速巡航，简单有效。

但作者发现，当存在“乘性噪声”（颠簸随速度放大）时，光靠“看路打舵”是不够的。

比喻： 想象你在玩一个游戏，规则是：你越用力推杆，杆子本身的抖动就越厉害。如果你只盯着杆子的位置去调整，可能会因为抖动失控而永远无法精准停稳。
论文发现： 为了达到完美的控制，船长除了“看路打舵”（反馈）和“提前规划路线”（前馈）之外，还必须主动引入一些随机的“微调”。就像船长在关键时刻，故意让船稍微随机晃动一下，利用这种随机性来抵消那些随速度放大的剧烈颠簸，从而精准地停在目标点。

3. 核心创新：把“位置”和“抖动”打包成一个“超级变量”

为了解决这个复杂的数学问题，作者发明了一种**“升维”（Lifted State）**的方法。

比喻： 以前，我们分别记录“船在哪里”（均值）和“船晃得有多厉害”（方差）。但在乘性噪声下，这两个量是纠缠在一起的，分开算会乱套。
新方法： 作者把“位置”和“抖动”打包成一个**“超级数据包”**（二阶矩）。这就好比不再分别记录“身高”和“体重”，而是直接记录一个“体型指数”。
效果： 一旦打包，原本复杂的非线性问题（很难解的方程）就变成了一个标准的、可以完美求解的数学问题（半定规划 SDP）。这就像把一团乱麻理成了一个整齐的线团，计算机可以瞬间算出最优解。

4. 安全约束：如何在“不翻船”的前提下到达？

现实世界中，我们不仅要求到达终点，还要求不能翻船（概率约束）。

场景： 比如要求“有 95% 的把握，船不能偏离航道太远”或者“有 95% 的把握，油门不能踩到底”。
挑战： 直接计算这种概率非常难。
解决方案： 作者设计了一套**“保守但安全”的替代方案**，并引入了一个**“迭代更新”**的机制。
- 比喻： 就像你第一次开车去陌生地方，为了安全，你开得特别慢，路线也绕得很远（保守）。开了一圈后，你发现其实路况比想象中好，于是第二次你稍微大胆一点，路线更直一点。
- 迭代： 论文中的算法就是不断重复这个过程：先算一个保守方案 -> 看看结果 -> 根据结果调整参考点 -> 再算一次。这样既能保证安全（不翻船），又能让路线越来越优，不再过于保守。

5. 实际应用：金融领域的“动态对冲”

论文最后用金融投资做了一个生动的例子：

船 = 投资组合（比如你持有的股票和期权）。
天气突变 = 市场模式切换（从“牛市”突然跳到“熊市”或“动荡市”）。
乘性噪声 = 波动率放大（市场越动荡，你的资产价格波动越剧烈）。
目标： 在几天内，把投资组合的风险（方差）降下来，同时把收益（均值）调整到目标值。
约束： 过程中不能亏太多（概率约束）。

作者的方法就像是一个超级智能的交易员，它知道市场会突然变脸，也知道市场越乱波动越大。它能计算出一种策略：既要在平时稳健操作，又要在市场剧烈波动时，主动利用一些随机策略来对冲风险，最终确保在期限结束时，你的账户既安全又符合预期。

总结

这篇论文的核心贡献在于：

打破了旧观念： 证明了在“不确定性随状态放大”的复杂环境下，简单的控制策略行不通，必须引入随机成分。
提供了新工具： 发明了一种“打包变量”的数学技巧，把复杂问题变成了计算机能完美解决的“标准题”。
兼顾了安全与效率： 通过“迭代更新”的方法，让控制策略既严格遵守安全红线，又不会为了安全而牺牲太多性能。

简单来说，就是给在狂风暴雨中驾驶复杂系统的船长，提供了一套既聪明又安全的导航图。

1. 研究背景与问题定义

背景：
马尔可夫跳变线性系统（MJLS）广泛用于建模具有随机模式切换（如故障、环境变化、市场体制转换）的动态系统。然而，许多实际系统（如金融系统、带有执行器不确定性的机器人）不仅存在模式切换，还受到乘性噪声（Multiplicative Noise）的影响，即噪声强度与当前状态或控制输入成正比。现有的协方差转向（Covariance Steering）研究大多针对无乘性噪声或仅含加性噪声的系统，缺乏对同时包含模式切换和乘性噪声系统的有限时域协方差控制研究。

核心问题：
本文研究了一类具有状态相关和控制相关乘性噪声的离散时间 MJLS 的有限时域协方差转向问题。

目标： 最小化二次型运行成本，同时将系统从给定的模式条件初始均值和协方差，引导至预设的终端均值和协方差。
数学模型：
$x_{k+1} = A_k(q_k)x_k + B_k(q_k)u_k + \sum A^{(r)}_k(q_k)x_k\xi^{(r)}_k + \sum B^{(s)}_k(q_k)u_k\eta^{(s)}_k + D_k(q_k)w_k$
其中 $q_k$ 是马尔可夫链， $\xi, \eta$ 是乘性噪声， $w$ 是加性噪声。

2. 方法论与理论框架

本文提出了一套完整的理论框架，将非凸的随机控制问题转化为可求解的凸优化问题。

2.1 控制律参数化（关键发现）

传统认知的突破： 在无乘性噪声的情况下，最优控制通常可以表示为仿射状态反馈（Affine State Feedback）。
本文结论： 作者证明，在存在乘性噪声的情况下，纯仿射状态反馈通常不足以实现所需的终端矩。
新参数化形式： 证明了在不失一般性的前提下，可行控制律可以表示为：
$u_k = K_k(q_k)(x_k - \mu_k(q_k)) + v_k(q_k) + \nu_k$
其中包含：
1. 模式依赖的线性反馈项 $K_k$ 。
2. 前馈项 $v_k$ 。
3. 独立的随机分量 $\nu_k$ （均值为 0，协方差为 $V_k$ ）。
  这一发现是解决该问题的结构基础。

2.2 提升状态（Lifted-State）重构

为了解决均值和协方差动态耦合的难题，作者引入了提升状态（Lifted State） $\tilde{x}_k = [x_k^T, 1]^T$ 。

统一描述： 将原始系统的均值 $\mu$ 和协方差 $\Sigma$ 信息嵌入到提升状态的二阶矩 $\tilde{I}_k = \mathbb{E}[\tilde{x}_k \tilde{x}_k^T]$ 中。
等价性证明： 证明了原始的协方差转向问题（Problem 1）与基于提升状态的矩转向问题（Problem 2）是完全等价的。
无损耗松弛（Lossless Relaxation）： 通过引入矩变量（ $\tilde{I}, \tilde{U}, Y$ ）并构建半定规划（SDP）约束，证明了该松弛是无损耗的。即 SDP 的可行解必然对应原系统的一个可行控制律。

2.3 机会约束处理（Chance Constraints）

针对状态和控制变量的球约束（Ball Constraints）和半空间约束（Half-space Constraints）：

充分条件推导： 利用马尔可夫不等式和 Cantelli 不等式，推导了满足概率约束的凸充分条件（Sufficient Convex Surrogates）。
迭代参考更新机制： 由于充分条件的紧致性依赖于参考变量（Reference Variables）的选择，作者提出了一种迭代框架：
1. 初始化参考变量。
2. 求解 SDP。
3. 利用求解得到的统计量更新参考变量，使约束更紧致。
4. 引入**容差松弛（Tolerance Relaxation）**策略：在初始迭代中使用较大的违规容忍度以保证可行性，随后逐渐减小至目标值，从而避免初始不可行问题并降低保守性。

3. 主要贡献

问题建模创新： 首次为具有状态和控制依赖乘性噪声的 MJLS 建立了有限时域协方差转向问题的数学模型，并允许终端协方差的上界约束（适用于风险管理）。
控制律结构理论： 严格证明了在乘性噪声环境下，必须引入独立的随机控制分量才能覆盖所有可行解，否定了纯仿射反馈的充分性。
精确的 SDP 重构： 提出了基于提升状态的矩变量表述，将非凸随机控制问题转化为精确的半定规划（SDP）问题，实现了无损耗松弛。
机会约束算法： 提出了处理球和半空间机会约束的凸近似方法，并设计了“迭代参考更新 + 容差松弛”算法，有效降低了保守性并保证了数值可行性。
金融应用验证： 将框架应用于动态对冲（Dynamic Hedging）问题，展示了其在处理体制切换、波动率缩放不确定性及执行风险方面的有效性。

4. 数值实验结果

作者通过两个数值实验验证了方法的有效性：

实验一（迭代参考更新）： 展示了随着迭代次数增加，参考变量的更新使得状态轨迹更紧密地贴合约束边界，同时目标函数值单调下降，证明了迭代机制能有效降低保守性。
实验二（容差松弛）： 在强约束条件下（初始参考值导致 SDP 不可行），通过逐渐减小违规容忍度（ $\gamma$ 因子），成功恢复了可行性，并得到了满足严格概率约束的解。
实验三（金融对冲）： 模拟了一个具有两种市场体制（正常/ distressed）的对冲问题。结果显示，该方法能在满足 Delta 和 Vega 误差终端目标的同时，有效管理中间过程的风险（通过概率约束限制状态和控制量的越界），并处理了与状态和控制相关的波动率风险。

5. 意义与展望

学术意义：

填补了 MJLS 在乘性噪声下协方差控制领域的理论空白。
揭示了乘性噪声对控制律结构的根本性影响（需要随机分量），为随机控制理论提供了新的视角。
提供了一种通用的、可计算的工具（SDP），用于处理复杂的随机动态系统矩约束问题。

实际应用价值：

金融工程： 适用于动态对冲、投资组合优化，特别是在市场体制切换和高波动环境下管理风险。
工程控制： 适用于航空航天（模式切换）、机器人（执行器不确定性）和电力系统，特别是在需要严格保证状态分布（如安全约束）的场景。

未来方向：

进一步收紧机会约束的近似，减少保守性。
开发可扩展算法以处理更长时域和更多模式集。
扩展到部分观测（Partial Observation）和输出反馈场景。

总结： 该论文通过引入提升状态和随机控制分量，成功解决了具有乘性噪声的 MJLS 协方差转向这一高难度问题，并将其转化为可高效求解的 SDP 问题，为随机控制理论在复杂不确定环境下的应用提供了强有力的工具。