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
)
,
η
t
,
t
)
V(x(t), \eta_t, t)
V(x(t),ηt,t),其Markovian无穷小算子
L
\mathcal{L}
L 定义为:
L
V
(
x
(
t
)
,
η
t
,
t
)
=
lim
Δ
→
0
1
Δ
[
E
{
V
(
x
(
t
)
,
η
t
,
t
)
∣
x
(
t
−
)
,
η
t
−
,
t
−
}
−
V
(
x
(
t
−
)
,
η
t
−
,
t
−
)
]
\mathcal{L} V(x(t), \eta_t, t) = \lim_{\Delta \rightarrow 0} \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]
LV(x(t),ηt,t)=Δ→0limΔ1[E{V(x(t),ηt,t)∣x(t−),ηt−,t−}−V(x(t−),ηt−,t−)]
式中,
Δ
=
t
−
t
−
\Delta = t - t^{-}
Δ=t−t−,
E
\mathbb{E}
E为数学期望。
以式
(
1
)
(1)
(1)所示的跳变系统动态方程为例:
x
˙
(
t
)
=
f
(
x
(
t
)
,
u
(
t
)
,
η
t
,
t
)
(1)
\dot{x}(t) = f(x(t), u(t), \eta_t, t) \tag{1}
x˙(t)=f(x(t),u(t),ηt,t)(1)
式中,对于
∀
η
t
∈
M
\forall \eta_t \in \boldsymbol{M}
∀ηt∈M,若
f
(
⋅
)
f(\cdot)
f(⋅)是关于
t
t
t和
x
(
t
)
x(t)
x(t)的光滑连续函数,那么在
t
t
t时刻、
η
t
\eta_t
ηt处于
k
k
k模态时,有:
L
V
(
x
(
t
)
,
k
,
t
)
=
∂
V
(
x
(
t
)
,
k
,
t
)
∂
t
+
∂
V
(
x
(
t
)
,
k
,
t
)
∂
x
f
(
x
(
t
)
,
u
(
t
)
,
η
t
,
t
)
+
∑
p
=
1
M
π
k
p
V
(
x
(
t
)
,
p
,
t
)
(2)
\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) \tag{2}
LV(x(t),k,t)=∂t∂V(x(t),k,t)+∂x∂V(x(t),k,t)f(x(t),u(t),ηt,t)+p=1∑MπkpV(x(t),p,t)(2)
式中, ∂ V ( x ( t ) , k , t ) ∂ t \frac{\partial V(x(t), k, t)}{\partial t} ∂t∂V(x(t),k,t)、 ∂ V ( x ( t ) , k , t ) ∂ x \frac{\partial V(x(t), k, t)}{\partial x} ∂x∂V(x(t),k,t)分别表示函数 V ( x ( t ) , k , t ) V(x(t), k, t) V(x(t),k,t)在 ( x ( t ) , k , t ) (x(t), k, t) (x(t),k,t)处对 t t t和 x ( t ) x(t) x(t)的偏导数。
定义2: 针对跳变系统
(
1
)
(1)
(1),假设存在正常数
r
r
r使得
∥
x
0
∥
<
r
\left \| x_0 \right \| < r
∥x0∥<r,当
t
0
<
t
<
∞
t_0 < t < \infin
t0<t<∞时,如果有常数
ε
>
0
\varepsilon > 0
ε>0和
0
≤
δ
<
1
0 \leq \delta < 1
0≤δ<1,使得从初始状态出发的系统状态方程的解
x
(
t
)
x(t)
x(t)满足:
Pr
{
sup
t
0
<
t
<
∞
∥
x
(
t
,
x
0
,
η
0
)
∥
≥
ε
}
≤
δ
\Pr \left\{ \sup_{t_0 < t < \infin} \left \| x(t, x_0, \eta_0) \right \| \geq \varepsilon \right\} \leq \delta
Pr{t0<t<∞sup∥x(t,x0,η0)∥≥ε}≤δ
则称跳变系统 ( 1 ) (1) (1)的状态变量 x ( t ) x(t) x(t)依概率一致有界,且界为 ε \varepsilon ε。特别地,当满足 lim t → ∞ Pr { sup s ≥ t 0 ∥ x ( s , x 0 , η 0 ) ∥ ≥ ε } = 0 \lim_{t \rightarrow \infin} \Pr \left\{ \sup_{s \geq t_0} \left \| x(s, x_0, \eta_0) \right \| \geq \varepsilon \right\} = 0 limt→∞Pr{sups≥t0∥x(s,x0,η0)∥≥ε}=0时,称系统 ( 1 ) (1) (1)的状态变量 x ( t ) x(t) x(t)依概率1渐近稳定。
定义3: 针对跳变系统
(
1
)
(1)
(1),如果存在常数
α
>
0
\alpha > 0
α>0、
β
>
0
\beta >0
β>0,使得从初始状态出发的系统状态方程的解
x
(
t
)
x(t)
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
)
(1)
(1)是
p
p
p阶矩指数稳定的。特别地,当
p
=
2
p = 2
p=2时,则称系统指数均方稳定的。
定义4: 针对跳变系统
(
1
)
(1)
(1),对于从初始状态出发的系统状态方程的解满足:
Pr
{
sup
t
0
<
t
<
∞
∥
x
(
t
,
x
0
,
η
0
)
∥
≥
ε
}
<
δ
\Pr \left\{ \sup_{t_0 < t < \infin} \left \| x(t, x_0, \eta_0) \right \| \geq \varepsilon \right\} < \delta
Pr{t0<t<∞sup∥x(t,x0,η0)∥≥ε}<δ
则称系统是随机稳定的。
定理1: 假设跳变系统
(
1
)
(1)
(1)在
t
∈
[
t
0
,
∞
)
t \in \left [ t_0, \infin \right)
t∈[t0,∞) 上存在唯一解,以及存在一个正定函数
V
(
x
(
t
)
,
η
t
,
t
)
V(x(t), \eta_t, t)
V(x(t),ηt,t),常数
D
>
0
D > 0
D>0和
c
>
0
c > 0
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∣<εsupV(x(t),ηt,t)→0⇔ε→0
那么对于任意的初始状态
x
0
x_0
x0和
η
0
\eta_0
η0,系统平衡点
x
=
0
x=0
x=0是依概率渐近稳定的。
备注:
sup
\sup
sup和
inf
\inf
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
)
(1)
(1)在
t
∈
[
t
0
,
∞
)
t \in \left [ t_0, \infin \right)
t∈[t0,∞) 上存在唯一解,以及存在一个正定函数
V
(
x
(
t
)
,
η
t
,
t
)
V(x(t), \eta_t, t)
V(x(t),ηt,t)和常数
d
c
>
0
d_c > 0
dc>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)}≤dcε→∞⇒t>t0,∣x∣>εinfV(x(t),ηt,t)→∞
那么对于任意的初始状态
x
0
x_0
x0和
η
0
\eta_0
η0,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
∀
k
∈
M
\forall k \in \boldsymbol{M}
∀k∈M,存在唯一的平稳分布
ξ
=
[
ξ
1
,
.
.
.
,
ξ
M
]
\xi = [\xi_1, ..., \xi_M]
ξ=[ξ1,...,ξM]满足:
ξ
k
>
0
,
∑
k
=
1
M
ξ
k
=
1
and
ξ
Π
=
0
\xi_k > 0, \quad \sum_{k = 1}^M \xi_k = 1 \quad \text{and} \quad \xi \Pi = 0
ξk>0,k=1∑Mξk=1andξΠ=0
对于满足式
(
2
)
(2)
(2)的正定函数
V
(
x
(
t
)
,
η
t
,
t
)
V(x(t), \eta_t, t)
V(x(t),ηt,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∑ME{V(x(t),ηt,t)ξk}E{LV(x(t),ηt,t)}=k=1∑ME{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
- 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.
- 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.