鲁棒控制——线性矩阵不等式处理（俞立）(1)

Neverdice

已于 2022-06-23 20:47:06 修改

阅读量3.7k

点赞数 2

分类专栏：鲁棒控制文章标签：矩阵算法

于 2022-06-23 11:56:44 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/slimen/article/details/125414061

版权

线性矩阵不等式非线性系统 Schur补性质系统分解特征值问题

关键词由CSDN通过智能技术生成

鲁棒控制专栏收录该内容

1 篇文章 0 订阅

订阅专栏

第一章引言

1.1 模型的不确定性

- 描述物理系统的解析模型很难，甚至不可能精确地刻画，因此为了便于处理，不得不简化模型。
- 一个模型，无论多么详细，都不可能是物理系统的一个精确表示。因此模型存在本质的不精确性。

1.2 解决的手段

将一个系统分解成线性部分和非线性部分，进而用一个更容易处理和分析的对象来代替这个非线性部分，达到简化目的。

如非线性微分方程(1.1)：

$\dot x=f(x,u)$

$y=h(x,u)$

初始条件：
$x(0),x(t),y(t),u(t)$ 是向量值函数
$f,h$ 是光滑的向量值函数

PS.向量值函数：一个函数，其值域是一个线性空间或一个线性空间的子集。

PPS.线性空间：该空间内的向量满足加法和数乘封闭。

将其在原点 $(x,u)=(0,0)$ 处分解(1.2):

$\dot x=Ax+Bu+g(x,u)$

$y=Cx+Du+r(x,u)$

其中： $A,B,C,D$ 就是系统的一个线性化近似

$A=\frac{\partial f}{\partial x}|_{(x,u)=(0,0)},B=\frac{\partial f}{\partial x}|_{(x,u)=(0,0)},C\frac{\partial h}{\partial u}|_{(x,u)=(0,0)},D=\frac{\partial h}{\partial u}|_{(x,u)=(0,0)}$

改写(1.2)成(1.3):

$\dot x=Ax+Bu+w_1$

$y=Cx+Du+w_2$

$(w_1,w_2)=(g(x,u),r(x,u))$

假设G是 $(\dot x,y)$ 的映射， $G:(w_1,w_2,u)\mapsto (x,u,y)$

Q是 $(w_1,w_2)$ 的映射, $Q:(x,u) \mapsto (w_1,w_2)$

系统关系图：

其中，G是系统的线性部分，Q是静态的非线性映射，这样就把系统的非线性部分分离出来，归入映射Q中，非线性部分和线性部分通过反馈关联。

为了处理这部分非线性映射Q，人为定义一个集合 $\Delta$ 来代替它：

集合 $\Delta$ 有如下性质，对于某个输入 $p$ ， $q=Q(p)$ ，则存在一个映射 $\Delta_i \in \Delta$ ，使 $q=\Delta _i (p)$

集合 $\Delta$ 比函数Q要来的简单的多，它们之间相差的程度确定了用集合 $\Delta$ 代替非线性映射Q的保守程度。

第二章线性矩阵不等式

2.1 线性矩阵不等式的一般表示

一个线性矩阵一般式（2.1）

$F(x)=F_0+x_1F_1+...+x_mF_m<0$

其中 $x_1,...,x_m$ 是m个实数变量，称为(2.1)的决策变量， $x=(x_1,...,x_m)^T\in R^m$ ，称为决策向量

$F_i=F_i^T\in R^{n*n},i=0,1,...,m$ 是一组给定的实对称矩阵

<代表矩阵 $F(x)$ 是负定的，即对于所有非零向量 $v \in R^n$ , $v^TF(x)v<0$ ,或者 $F(x)$ 的最大特征值小于0。

2.2 Schur补性质

在许多将一些非线性矩阵不等式转化为线性矩阵不等式的问题中，常常用到Schur补性质：

这里的矩阵小于0是矩阵负定的意思。

由上述引理2.1.2推导到一般线性矩阵不等式 $F(x)<0$ ，其中 $F(x)=\begin{bmatrix} F_{11}(x) & F_{12}(x) \\ F_{21}(x) & F_{22}(x) \end{bmatrix}$ ， $F_{11}(x)$ 是方阵，则可以应用到Schur补性质

当 $F_{11}(x)<0$ :

$\left\{\begin{matrix} F_{11}(x)<0\\ F_{22}(x)-F_{12}^T(x)F_{11}^{-1}F_{12}(x)<0 \end{matrix}\right.$

或

$\left\{\begin{matrix} F_{22}(x)<0\\ F_{11}(x)-F_{12}^T(x)F_{22}^{-1}F_{12}(x)<0 \end{matrix}\right.$

对于经典的二次型矩阵不等式：

$A^TP+PA+PBR^{-1}B^TP+Q<0$

其中， $A,B,Q=Q^T,R=R^T>0$ 是常数矩阵，P是对称矩阵

适应Schur补性质（逆用）：

$\begin{bmatrix} A^TP+PA+Q & PB \\ B^TP & -R \end{bmatrix}<0$

就转变成了一个关于矩阵变量P的线性矩阵不等式。

2.3 标准的线性矩阵不等式问题

假定条件F、G、H是对称的矩阵值仿射函数，c是一个给定的参数向量。

1.可行性问题（LMIP）

对给定的线性矩阵不等式 $F(x)<0$ ,检验是否存在x，使其成立，若x存在，改线性矩阵不等式的问题就是可行的。

2.特征值问题（EVP）

在一个线性矩阵不等式约束下，求矩阵G(x)的最大特征值最小化问题或确定问题的约束的可行的。

一般形式：

$min \lambda$

$s.t. G(x)<\lambda I$

$H(x)<0$

但是少见，更多的是以下的等价问题：

$min c^Tx$

$s.t. F(x)<0$

3.广义特征值问题（GEVP）

略

关注

2
点赞
踩
16

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。