矩阵的特征值和特征向量于动态系统

特征值和特征向量

对于特征值或者特征向量，很多人的记忆都停留在：

A是一个矩阵，是一个特征向量，是一个特征值。或者熟悉MATLAB的同学会（）：

>>[T, D] = eig(A)

T和D都是矩阵，T的列向量是A的特征向量，D是对角矩阵且是A的对应特征向量的特征值。那么寻找特征向量的意义又是什么呢？

我们先从下面的短视频来直观的感受一下特征向量和特征值：

线性变换时的特征向量

我们有矩阵A：

通过MATLAB，我们可以计算出：

>>[T D] = eig([3 1; 0 2])

T =

    1.0000   -0.7071
         0    0.7071


D =

     3     0
     0     2

视频中，我标出了3个向量：

可以看出，虽然经过了线性变换， 和 （A的特征向量）依然停留在之前方向，而  却偏离了之前的方向。这就是特征向量的含义。那特征值呢？视频中不难看出，虽然  和  停留在之前方向，但是他们的长度却被分别放大了3倍和2倍。这就是特征值的含义。

那它们存在的意义呢？我们探讨的是工程数学，所以我们当然是考虑计算量。

假设现在有个向量:

如果我们需要计算，计算的过程会很繁琐：

但是，如果我们根据，可以将A改写成，所以上面的计算可以变为：

而，上面的计算又可以写成：

而

将这些代入的，计算会简单太多。那么，计算  又有什么意义呢？请继续往下看。

动态系统的解以及稳定性

生活中方方面面遇到的几乎都是动态的系统，比方说人口的增长，汽车的行驶，倒立摆等等。当提到动态系统的时候，我们需要很自然地想到微分方程来表示这样的动态系统，比方说人口增长：

或者

.

表示增长率（动态系统的变化）和人口基数相关。而且我们需要很快就反应过来，它的解是：

 表示时间 时刻的状态值，或者初始状态。所以当大于零的时候，人口会一直增长，这样的系统就不稳定（当然，人口的增长除了和基数有关，也受其它条件限制，不会无尽地增长）。而当小于零的时候，人口会逐渐降低，直至消失，也就是会趋向于稳定。

刚刚所描述的动态系统，只有一个状态。如果有更多的状态呢？现代控制理论会用State Space Representation来描述一个系统（这里仅局限于线性时不变系统，且没有输入）：

是一个向量，描述系统的各个状态。回想刚刚人口增长动态系统的解，对于这个多状态的系统，我们很容易知道它的解是：

对于，我们可以通过泰勒展开式进行求解：

然而，如果我们根据（即 ），对进行坐标变换：

而，我们可以得到：

进而得到：

新的动态系统的解是：

或者，更直白点：

这里，我们可以很显然知道，如果有一个是大于零的，这个系统对应的状态就是不稳定的，也导致了整个系统的不稳定。所以，判断系统是否稳定，可以通过计算矩阵的特征值来判断。

另一种分析思路是，根据 ，我们可以将改写成：

\begin{split}
    e^{At}&=TT^{-1}+TDT^{-1}t+\frac{TDT^{-1}TDT^{-1}t^2}{2!}+\frac{TDT^{-1}TDT^{-1}TDT^{-1}t^3}{3!}+\cdot \cdot \cdot \\
    &=T[I+Dt+\frac{D^2t^2}{2!}+\frac{D^3t^3}{3!}+...]T^{-1}\\
    &=Te^{Dt}T^{-1}\\
\end{split}

所以，这个系统的解是：

对比不难发现， 正是 ，  正是 ，而。

准确来说，可以是复数，而判断系统的稳定是看的实数部分，因为（令）：

括号内部被限定在单位圆内，真正影响系统的稳定是，所以，我们说，如果所有特征值的实数部分是负数，系统稳定。

举例

我们看下面这个系统：

通过MATLAB，我们很容易计算出

>>eig([0 1; -1 -0.1])
ans =

  -0.0500 + 0.9987i
  -0.0500 - 0.9987i

所以系统是稳定的（特征值的虚数部分表示这个系统在稳定之前会摇摆，比方说倒立摆，它会左右摇摆慢慢停下来）。

那系统：

通过MATLAB，我们很容易计算出

>>eig([0 1; 1 -0.1])
ans =

   -1.0512
    0.9512

所以这个系统是不稳定的。

对于不稳定的系统，我们该怎么办呢？开环控制？闭环控制？我将再写几篇关于控制理论的博文。