Compensated Splitting For Generalized Lyapunov Equations

技术摘要：广义李雅普诺夫方程的补偿分裂法

问题陈述
本文研究了广义李雅普诺夫方程的数值解问题：
$$AX + XA^H + \sum_{j=1}^m N_j X N_j^H + BB^H = 0,$$
其中 $A, N_j \in \mathbb{C}^{n \times n}$ 且 $B \in \mathbb{C}^{n \times \ell}$（且 $\ell \ll n$）。该方程出现在双线性及线性参数变化系统的模型阶缩减、线性随机微分方程的稳定性分析，以及随机连续时间代数 Riccati 方程的线性化等领域。

标准方法是将线性算子自然地分裂为 $M(X) = AX + XA^H$ 和 $N(X) = -\sum_{j=1}^m N_j X N_j^H$，从而得到标准的固定点迭代（sFPI）。当 $\rho(M^{-1}N) < 1$ 时，sFPI 的收敛性是有保证的。当 $\rho(M^{-1}N) \ge 1$ 时，标准迭代会发散。此外，即使在收敛的情况下，如果谱半径接近 1，收敛速度也可能极其缓慢。由于直接求解器的复杂度为 $O(n^6)$，对于大规模 $n$ 而言是不可行的，因此必须使用迭代法。

方法论
作者提出了一种**补偿分裂（compensated splitting）方案来修改迭代算子，旨在降低所得迭代矩阵的谱半径。其核心思想是将“重型”的 $N$ 部分分解为一个补偿项和一个残差项：
$$-N(X) = (EX + XE^H) - \tilde{N}(X),$$
其中 $E \in \mathbb{C}^{n \times n}$ 是待确定的矩阵。由此产生一个新的分裂：
$$\tilde{M}(X) = M(X) + EX + XE^H = (A+E)X + X(A+E)^H,$$
$$\tilde{N}(X) = \tilde{N}(X) - BB^H.$$
由此产生的补偿固定点迭代（cFPI）**在每一步求解 $\tilde{M}(X_k) = \tilde{N}(X_{k-1}) - BB^H$。

为了确定最优的 $E$，作者构建了一个优化问题，旨在最小化原始 $N$ 算子与补偿项之间的 Frobenius 范数之差，并引入正则化项以防止 $E$ 过大：
$$\min_{E} \left( \left\| \sum_{j=1}^m N_j X N_j^H - (EX + XE^H) \right\|_F^2 + \mu \|EX + XE^H\|_F^2 \right),$$
其中 $\mu \ge 0$ 是正则化参数。

主要贡献与理论结果

1. 最优 $E$ 的推导： 本文推导出了使松弛目标函数最小化的最优 $E$ 的闭式解。解由下式给出：
   $$E = \frac{1}{n(1+\mu)} \sum_{j=1}^m \text{tr}(\bar{N}_j) \left[ N_j - \frac{1}{2n}\text{tr}(N_j) \cdot I_n \right].$$
   作者证明了该极小值在实数情况下是唯一的，并且是在复数情况下具有最小 Frobenius 范数的唯一极小值。

2. 算法实现： 提出的 cFPI 在算法 2.1 中实现。一个关键的计算优势在于，所有的内层李雅普诺夫方程都共享相同的系数矩阵 $(A+E)$，这使得 $(A+E)$ 的 Schur 分解可以在迭代循环之外仅计算一次。

3. 收敛性的理论分析： 作者分析了 $A$ 的特征值分布对补偿效果的影响。他们指出，如果 $A$ 的特征值位于右半平面，补偿项 $E$（通常向右移动特征值）会将特征值进一步推离虚轴，从而可能提高 $\tilde{M}$ 的可逆性。相反，如果 $A$ 位于左半平面，这种偏移可能会使特征值更靠近零，尽管这可能会恶化 $\tilde{M}$ 的条件，但减少迭代算子的谱半径仍可能带来净收益。

数值结果
论文通过三个数值实验（两个实数情况，一个复数情况）对比了 cFPI 与 sFPI 在不同参数 $\xi$（控制 $N_j$ 的量级）下的表现。

• 示例 1 & 2（实数）： 在 sFPI 发散（谱半径 $\ge 1$）的情况下，cFPI 能够成功收敛。在 sFPI 收敛的情况下，cFPI 始终需要更少的迭代次数和更少的 CPU 时间。
• 特征值敏感性： 实验证实了关于特征值位置的理论观察。当用 $-A$ 代替 $A$（将特征值移至右半平面）时，补偿分裂产生的谱半径显著小于标准分裂，从而实现了更快的收敛。
• 复数情况（示例 3）： 该方法对复矩阵同样有效，展示了与 sFPI 类似的优越性，包括在 sFPI 失效时实现收敛的能力。
• 正则化参数： 作者指出，在实验中设置 $\mu = 0$ 效果最好，但他们承认目前尚缺乏选择 $\mu$ 的系统化方法。

意义与主张
本文声称，补偿分裂技术为广义李雅普诺夫方程中标准固定点迭代的发散问题提供了实用的补救措施。其主要意义在于两个方面：

1. 挽救发散： 它允许固定点迭代在自然分裂失效（$\rho(M^{-1}N) \ge 1$）的情景下实现收敛。
2. 加速： 当标准方法已经收敛但速度较慢时，它能加速收敛过程。

作者明确表示，本文并未将此想法与先进的子空间投影技术（如 Krylov 方法）相结合，而是专注于固定点迭代框架本身。他们建议，将补偿策略与最先进的子空间方法相结合是未来的研究方向。论文结论较为谦逊，指出虽然目前的 $E$ 推导并未显式考虑 $M$ 部分，但数值证据表明该方法是鲁棒且有效的，特别是在 $A$ 的特征值位于右半平面时。