Lyapunov equation,sylvester equation and ricatti quation

1. Lyapunov方程
   $$AM+MB=C$$
   很重要的是关于其中$\mathrm{A}(M):=AM+MB$特征值是矩阵A与矩阵B的特征值和的证明
   令$\mu$ 是矩阵A对应于特征值${\lambda }_i$的右特征值,所以$A\mu ={\lambda }_i\mu$；令$v$为矩阵B对应于特征值${\mu }_j$的左特征值，所以$vB=v{\mu }_j$,将矩阵$uv$作为变量带入映射$\mathrm{A}$,我们可以得到
   $$\Lambda (uv)=Auv+uvB={\lambda }_{i}uv+uv{\mu }_j=({\lambda }_i+{\mu }_j)uv$$
   在线性系统中的应用：
   比如说，我们对于可控的线性系统可以通过状态反馈任意配置系统的特征值，在计算相应的feedback gain的时候，我们可以利用计算lyapunov equation的方式计算。

2. Sylvester方程
   一般的Sylvester方程的形式：$A\in {\mathbb{R}}^{m\times m},B\in {\mathbb{R}}^{n\times n}$
   $$XA-BX=Q$$
   《output regulation》这本书中给出的证明是通过克罗内克积去证明的，其实最本质的东西没说出来，为什么特征值就是两个矩阵特征值的差。
   Sylvester equation方程有解的有唯一解的充分必要条件是$A$,$B$ 没有公共特征值。
   证明用到了克罗内克积与向量函数(vector-valued function)
   首先给出一个克罗内克积的性质：
   vec$(BXA)$=$(A^T\otimes B)$vec$(X)$
   在线性系统输出调节中的应用：

3. Ricatti方程
   Algebraic Riccati equation（代数黎卡提方程）:
   $A^{T}P+PA-PB{R}^{-1}{B}^{T}P+Q=0$
   一般的简化形式为：
   $A^{T}P+PA+I_n-PB{B}^{T}P=0$
   此方程具有很多的解，不过我们想要求得其使得相关的LQR系统闭回路的系统稳定的稳定唯一解，只有当系统(A,B)是可控的时候，方程有唯一一个正定解。