笔记-Itô型随机Markov跳变系统相关的稳定性理论

Itô型随机Markov跳变系统相关的稳定性理论

非线性系统

定义1： 对于一个正定函数$V(x(t),{\eta }_t,t)$，其Markovian无穷小算子 $\mathcal{L}$ 定义为：
$$\mathcal{L}V(x(t),{\eta }_t,t)=\underset{\Delta \to 0}{\lim }\frac{1}{\Delta }\left[\mathbb{E}\left\{V(x(t),{\eta }_t,t)\mid x(t^{-}),{\eta }_{t^{-}},t^{-}\right\}-V(x(t^{-}),{\eta }_{t^{-}},t^{-})\right]$$

式中，$\Delta =t-t^{-}$，$\mathbb{E}$为数学期望。
以式$(1)$所示的跳变系统动态方程为例：
$$\dot{x}(t)=f(x(t),u(t),{\eta }_t,t)\text{\hspace{1em}(1)}$$

式中，对于$\forall {\eta }_t\in \mathbf{M}$，若$f(\cdot )$是关于$t$和$x(t)$的光滑连续函数，那么在$t$时刻、${\eta }_t$处于$k$模态时，有：
$$\mathcal{L}V(x(t),k,t)=\frac{\partial V(x(t),k,t)}{\partial t}+\frac{\partial V(x(t),k,t)}{\partial x}f(x(t),u(t),{\eta }_t,t)+\sum _{p=1}^M{\pi }_{kp}V(x(t),p,t)\text{\hspace{1em}(2)}$$

式中，$\frac{\partial V(x(t),k,t)}{\partial t}$、$\frac{\partial V(x(t),k,t)}{\partial x}$分别表示函数$V(x(t),k,t)$在$(x(t),k,t)$处对$t$和$x(t)$的偏导数。

定义2： 针对跳变系统$(1)$，假设存在正常数$r$使得$\Vert x_0\Vert <r$，当$t_0<t<\infty$时，如果有常数$\epsilon >0$和$0\le \delta <1$，使得从初始状态出发的系统状态方程的解$x(t)$满足：
$$\mathrm{Pr}\left\{\underset{t_0<t<\infty }{\sup }\Vert x(t,x_0,{\eta }_0)\Vert \ge \epsilon \right\}\le \delta$$

则称跳变系统$(1)$的状态变量$x(t)$依概率一致有界，且界为$\epsilon$。特别地，当满足${\lim }_{t\to \infty }\mathrm{Pr}\left\{{\sup }_{s\ge t_0}\Vert x(s,x_0,{\eta }_0)\Vert \ge \epsilon \right\}=0$时，称系统$(1)$的状态变量$x(t)$依概率1渐近稳定。

定义3： 针对跳变系统$(1)$，如果存在常数$\alpha >0$、$\beta >0$，使得从初始状态出发的系统状态方程的解$x(t)$满足：
E { ∥ x ( t , x 0 , η 0 ) ∥ p } ≤ β ∥ x 0 ∥ p e − α t \mathbb{E} \left\{ \left \| x(t, x_0, \eta_0) \right \| ^{p} \right\} \leq \beta \left \| x_0 \right \| ^{p} e^{- \alpha t} E{∥x(t,x0​,η0​)∥p}≤β∥x0​∥pe−αt

则称跳变系统$(1)$是 $p$阶矩指数稳定的。特别地，当$p=2$时，则称系统指数均方稳定的。
定义4： 针对跳变系统$(1)$，对于从初始状态出发的系统状态方程的解满足：
$$\mathrm{Pr}\left\{\underset{t_0<t<\infty }{\sup }\Vert x(t,x_0,{\eta }_0)\Vert \ge \epsilon \right\}<\delta$$

则称系统是随机稳定的。

---

定理1： 假设跳变系统$(1)$在$t\in \left[t_0,\infty \right)$ 上存在唯一解，以及存在一个正定函数$V(x(t),{\eta }_t,t)$，常数$D>0$和$c>0$，使得下式成立：
E { V ( x ( t ) , η t , t ) } ≤ D e − c ( t − t 0 ) sup ⁡ t > t 0 , ∣ x ∣ < ε V ( x ( t ) , η t , t ) → 0 ⇔ ε → 0 \mathbb{E} \left\{ V(x(t), \eta_t, t) \right\} \leq De^{-c (t - t_0)} \\ \sup_{t > t_0, |x| < \varepsilon} V(x(t), \eta_t, t) \rightarrow 0 \Leftrightarrow \varepsilon \rightarrow 0 E{V(x(t),ηt​,t)}≤De−c(t−t0​)t>t0​,∣x∣<εsup​V(x(t),ηt​,t)→0⇔ε→0
那么对于任意的初始状态$x_0$和${\eta }_0$，系统平衡点$x=0$是依概率渐近稳定的。
备注：$\sup$和$\inf$分别表示函数的上确界和下确界。

定理2： 假设跳变系统$(1)$在$t\in \left[t_0,\infty \right)$ 上存在唯一解，以及存在一个正定函数$V(x(t),{\eta }_t,t)$和常数$d_c>0$，使得下式成立：
E { V ( x ( t ) , η t , t ) } ≤ d c ε → ∞ ⇒ inf ⁡ t > t 0 , ∣ x ∣ > ε V ( x ( t ) , η t , t ) → ∞ \mathbb{E} \left\{ V(x(t), \eta_t, t) \right\} \leq d_c \\ \varepsilon \rightarrow \infin \Rightarrow \inf_{t > t_0, |x| > \varepsilon} V(x(t), \eta_t, t) \rightarrow \infin E{V(x(t),ηt​,t)}≤dc​ε→∞⇒t>t0​,∣x∣>εinf​V(x(t),ηt​,t)→∞
那么对于任意的初始状态$x_0$和${\eta }_0$，系统的解是依概率有界的。

假设 { η t } \{ \eta_t \} {ηt​}是不可约的各态历经的Markovian过程，也就是说对于$\forall k\in \mathbf{M}$，存在唯一的平稳分布$\xi =[{\xi }_1,...,{\xi }_M]$满足：
$${\xi }_k>0,\sum _{k=1}^M{\xi }_k=1\text{and}\xi \Pi =0$$
对于满足式$(2)$的正定函数$V(x(t),{\eta }_t,t)$，有下式成立：
E { V ( x ( t ) , η t , t ) } = ∑ k = 1 M E { V ( x ( t ) , η t , t ) ξ k } E { L V ( x ( t ) , η t , t ) } = ∑ k = 1 M E { L V ( x ( t ) , η t , t ) ξ k } \mathbb{E} \left\{ V(x(t), \eta_t, t) \right\} = \sum_{k=1}^{M} \mathbb{E} \left\{ V(x(t), \eta_t, t) \xi_k \right\} \\ \mathbb{E} \left\{ \mathcal{L} V(x(t), \eta_t, t) \right\} = \sum_{k=1}^{M} \mathbb{E} \left\{ \mathcal{L} V(x(t), \eta_t, t) \xi_k \right\} E{V(x(t),ηt​,t)}=k=1∑M​E{V(x(t),ηt​,t)ξk​}E{LV(x(t),ηt​,t)}=k=1∑M​E{LV(x(t),ηt​,t)ξk​}

《Markovian跳变非线性系统的自适应输出跟踪控制研究》里对控制理论相关的基础知识介绍略微优点乱，需要整理整理。

线性系统

aaa待增加

参考文献

1. 常茹. Markovian跳变非线性系统的自适应输出跟踪控制研究. 燕山大学, 2016.
2. 陈蓓. 随机Markov跳跃系统的滑模控制方法研究. 华东理工大学, 2013.