MathLabs

Phương trình vi phân và Hệ động lực

Tính ổn định của hệ động lực

Phân loại điểm cân bằng của hệ động lực theo việc quỹ đạo lân cận hội tụ hay phân kỳ.

Trực giácTrực giác: một hệ bị xô nhẹ sẽ quay về hay chạy mất?

Một quả bóng nằm ở đáy một cái bát, bị xô nhẹ, lăn trở về đáy; một quả bóng đặt cân bằng trên đỉnh đồi, bị xô nhẹ, lăn đi mất và không bao giờ quay lại. Một con lắc treo thẳng xuống thì ổn định; cùng con lắc đó cân bằng chỉ thẳng lên trên thì không ổn định. Một hệ động lực x˙=f(x)\dot x=f(x) có một điểm cân bằng x∗x^{*} ở bất kỳ đâu f(x∗)=0f(x^{*})=0 — một trạng thái mà nếu để yên, không có gì chuyển động. Lý thuyết ổn định hỏi: nếu hệ bắt đầu gần x∗x^{*} thay vì chính xác tại đó, nó có ở gần, hội tụ trở lại, hay trôi đi không?

Đồ thị có hướng của một hệ động lực rời rạc cho thấy hội tụ và phân kỳ
Chân dung pha 2 chiều x′=Ax\mathbf{x}' = A\mathbf{x}: kéo tham số điều khiển qua ngưỡng ổn định tr(A)=0\mathrm{tr}(A) = 0 để thấy quỹ đạo chuyển từ xoắn vào tâm (ổn định tiệm cận) sang xoắn ra ngoài (bất ổn định).

Đại họcĐiểm cân bằng và tuyến tính hóa

Đại họcĐiểm cân bằng và tuyến tính hóa

Định nghĩa: Điểm cân bằng và ổn định Lyapunov

Với một hệ x˙=f(x)\dot x=f(x) trên Rn\mathbb{R}^n, một điểm x∗x^{*} với f(x∗)=0f(x^{*})=0 là một điểm cân bằng. Nó ổn định (Lyapunov) nếu các quỹ đạo bắt đầu đủ gần x∗x^{*} vẫn gần tùy ý với mọi thời gian sau đó; nó ổn định tiệm cận nếu, thêm vào đó, chúng hội tụ về x∗x^{*} khi t→∞t\to\infty. Nếu một số quỹ đạo lân cận đi xa dù bắt đầu gần đến đâu, x∗x^{*} không ổn định.

x˙=f(x),f(x∗)=0\dot{x}=f(x),\qquad f(x^{*})=0

Để nghiên cứu một hệ phi tuyến gần một điểm cân bằng, viết ξ=x−x∗\xi=x-x^{*} cho độ lệch nhỏ và khai triển ff theo chuỗi Taylor: f(x)=Df(x∗)ξ+o(∥ξ∥)f(x)=Df(x^{*})\xi+o(\|\xi\|), trong đó Df(x∗)Df(x^{*}) là ma trận Jacobian của các đạo hàm riêng tính tại điểm cân bằng. Bỏ số hạng dư nhỏ cho hệ tuyến tính hóa, xấp xỉ động lực phi tuyến thực gần x∗x^{*}.

ξ˙=Df(x∗) ξ,ξ=x−x∗\dot{\xi}=Df(x^{*})\,\xi,\qquad \xi=x-x^{*}

Các trị riêng của ma trận Jacobian A=Df(x∗)A=Df(x^{*}) quyết định bức tranh cục bộ: nếu mọi trị riêng đều có phần thực âm nghiêm ngặt, x∗x^{*} ổn định tiệm cận; nếu ít nhất một trị riêng có phần thực dương nghiêm ngặt, x∗x^{*} không ổn định. Nếu một trị riêng có phần thực bằng không (và không trị riêng nào dương), điểm cân bằng được gọi là không hyperbolic và tuyến tính hóa không thể quyết định được tính ổn định — các số hạng phi tuyến phải được xem xét trực tiếp.

Phân loại điểm cân bằng 2 chiều theo vết và định thức của Jacobian
Vết / định thứcTrị riêngLoại và tính ổn định
det⁡A>0, tr A<0, (tr A)2>4det⁡A\det A>0,\ \text{tr}\,A<0,\ (\text{tr}\,A)^{2}>4\det AThực, cả hai âmNút ổn định
det⁡A<0\det A<0Thực, trái dấuĐiểm yên ngựa, luôn không ổn định
det⁡A>0, tr A<0, (tr A)2<4det⁡A\det A>0,\ \text{tr}\,A<0,\ (\text{tr}\,A)^{2}<4\det APhức, phần thực âmXoắn ốn định (tiêu điểm)
tr A=0, det⁡A>0\text{tr}\,A=0,\ \det A>0Thuần ảoTâm trong tuyến tính hóa; các số hạng phi tuyến quyết định hành vi thực

Đại họcCác định lý chính

Cho A=Df(x∗)A=Df(x^{*}). Nếu mọi trị riêng của AA đều có phần thực âm nghiêm ngặt, thì x∗x^{*} là điểm cân bằng ổn định tiệm cận của hệ phi tuyến x˙=f(x)\dot x=f(x). Nếu ít nhất một trị riêng của AA có phần thực dương nghiêm ngặt, thì x∗x^{*} không ổn định.

Vì sao đúng?

Gần x∗x^{*}, số hạng phi tuyến nhỏ hơn nhiều so với số hạng tuyến tính, nên nếu phần tuyến tính co lại mọi hướng theo hàm mũ, sự co lại đó chiếm ưu thế và kéo quỹ đạo thực về x∗x^{*}.

Chứng minh

Vì mọi trị riêng của AA có phần thực âm (AA là Hurwitz), phương trình ma trận ATP+PA=−IA^{T}P+PA=-I có duy nhất một nghiệm đối xứng xác định dương PP, cho rõ ràng bởi tích phân hội tụ P=∫0∞eATteAt dtP=\int_0^{\infty}e^{A^{T}t}e^{At}\,dt.

Định nghĩa hàm Lyapunov ứng viên V(ξ)=ξTPξ≥0V(\xi)=\xi^{T}P\xi\ge0 cho độ lệch ξ=x−x∗\xi=x-x^{*}. Viết hệ phi tuyến như ξ˙=Aξ+g(ξ)\dot\xi=A\xi+g(\xi) với g(ξ)=o(∥ξ∥)g(\xi)=o(\|\xi\|) khi ξ→0\xi\to0 (số dư Taylor), tính đạo hàm theo thời gian của VV dọc theo quỹ đạo phi tuyến.

Dùng ξ˙=Aξ+g(ξ)\dot\xi=A\xi+g(\xi): V˙=ξ˙TPξ+ξTPξ˙=ξT(ATP+PA)ξ+2ξTPg(ξ)=−∥ξ∥2+2ξTPg(ξ)\dot V=\dot\xi^{T}P\xi+\xi^{T}P\dot\xi=\xi^{T}(A^{T}P+PA)\xi+2\xi^{T}Pg(\xi)=-\|\xi\|^{2}+2\xi^{T}Pg(\xi). Vì g(ξ)=o(∥ξ∥)g(\xi)=o(\|\xi\|), có một lân cận của x∗x^{*} nơi 2ξTPg(ξ)≤12∥ξ∥22\xi^{T}Pg(\xi)\le\frac{1}{2}\|\xi\|^{2}, nên V˙≤−12∥ξ∥2<0\dot V\le-\frac{1}{2}\|\xi\|^{2}<0 với ξ≠0\xi\ne0 trong lân cận đó.

Vì VV xác định dương và V˙\dot V xác định âm gần x∗x^{*}, phương pháp trực tiếp Lyapunov (chứng minh tiếp theo) kết luận các quỹ đạo bắt đầu trong lân cận đó hội tụ về x∗x^{*}: ổn định tiệm cận. Đối với trường hợp không ổn định, nếu AA có một trị riêng phần thực dương, một xây dựng đối xứng (định lý không ổn định Chetaev) chỉ ra một hướng mà VV tăng, cho thấy quỹ đạo bị đẩy ra xa x∗x^{*} dù bắt đầu gần đến đâu.

Giả sử VV khả vi liên tục trên một lân cận của x∗x^{*}, với V(x∗)=0V(x^{*})=0 và V(x)>0V(x)>0 với x≠x∗x\ne x^{*} gần đó. Nếu V˙(x)≤0\dot V(x)\le0 dọc theo mọi quỹ đạo gần x∗x^{*}, thì x∗x^{*} ổn định; nếu thay vào đó V˙(x)<0\dot V(x)<0 với x≠x∗x\ne x^{*} gần đó, thì x∗x^{*} ổn định tiệm cận — không cần giải phương trình hay thậm chí tuyến tính hóa.

Vì sao đúng?

Hãy nghĩ về VV như một năng lượng tổng quát hóa: nếu năng lượng không bao giờ tăng dọc theo quỹ đạo và chỉ bằng không tại x∗x^{*}, hệ không thể trôi xa khỏi x∗x^{*}, và nếu năng lượng giảm nghiêm ngặt thì cuối cùng nó phải dừng lại ở điểm duy nhất mà nó bằng không.

Chứng minh

Cố định ε>0\varepsilon>0 đủ nhỏ để hình cầu đóng {∥x−x∗∥≤ε}\{\|x-x^{*}\|\le\varepsilon\} nằm trong miền nơi VV được xác định và dương ngoài x∗x^{*}, và đặt Sε={∥x−x∗∥=ε}S_\varepsilon=\{\|x-x^{*}\|=\varepsilon\} là mặt cầu biên của nó. Vì VV liên tục và dương nghiêm ngặt trên tập compact SεS_\varepsilon, nó đạt giá trị nhỏ nhất m=min⁡SεV>0m=\min_{S_\varepsilon}V>0.

Bởi tính liên tục của VV và V(x∗)=0V(x^{*})=0, chọn δ∈(0,ε)\delta\in(0,\varepsilon) đủ nhỏ để ∥x(0)−x∗∥<δ\|x(0)-x^{*}\|<\delta kéo theo V(x(0))<mV(x(0))<m.

Vì V˙≤0\dot V\le0 dọc theo quỹ đạo, V(x(t))≤V(x(0))<mV(x(t))\le V(x(0))<m với mọi t≥0t\ge0 mà nghiệm tồn tại. Mọi điểm của SεS_\varepsilon có V≥mV\ge m, nên quỹ đạo không bao giờ đạt đến SεS_\varepsilon; bởi tính liên tục của t↦x(t)t\mapsto x(t), nó phải luôn ở trong hình cầu bán kính ε\varepsilon với mọi t≥0t\ge0. Đây chính là định nghĩa của ổn định Lyapunov.

Nếu thêm vào đó V˙(x)<0\dot V(x)<0 nghiêm ngặt với x≠x∗x\ne x^{*} gần đó, thì V(x(t))V(x(t)) giảm nghiêm ngặt và bị chặn dưới bởi 00, nên nó hội tụ về một giới hạn c≥0c\ge0. Nếu c>0c>0 dương, quỹ đạo sẽ ở trong hình vành khuyên compact nơi V≥c>0V\ge c>0, trên đó V˙\dot V đạt giá trị lớn nhất âm nghiêm ngặt, buộc VV giảm qua cc trong thời gian hữu hạn — mâu thuẫn. Do đó c=0c=0, và vì VV xác định dương, điều này buộc x(t)→x∗x(t)\to x^{*}: ổn định tiệm cận.

Đại họcỨng dụng thực tiễn và Ví dụ minh hoạ

Kỹ sư điều khiển kiểm tra xem một bộ điều khiển hồi tiếp có giữ được drone, tay máy, hay lò phản ứng hóa học tại điểm đặt hay không bằng cách tuyến tính hóa động lực học vòng kín và kiểm tra mọi trị riêng có phần thực âm; các nhà kinh tế nghiên cứu liệu giá cân bằng thị trường có tự điều chỉnh sau một cú sốc hay không; các nhà sinh thái tuyến tính hóa mô hình con mồi-thụ săn để xem điểm cân bằng chung sống có sống sót qua những dao động quần thể nhỏ hay không; và các nhà dịch tễ học kiểm tra tính ổn định của điểm cân bằng không bệnh để quyết định liệu một đợt bùng phát sẽ tắt dần hay lan rộng.

Ví dụ: Tính ổn định của hai điểm cân bằng của con lắc tắt dần

Một con lắc tắt dần tuân theo θ¨+bθ˙+gLsin⁡θ=0\ddot\theta+b\dot\theta+\frac{g}{L}\sin\theta=0. Viết nó như hệ cấp một với ω=θ˙\omega=\dot\theta: θ˙=ω, ω˙=−bω−gLsin⁡θ\dot\theta=\omega,\ \dot\omega=-b\omega-\frac{g}{L}\sin\theta, có hai điểm cân bằng (mod 2π2\pi): (θ,ω)=(0,0)(\theta,\omega)=(0,0) (treo thẳng xuống) và (π,0)(\pi,0) (cân bằng thẳng đứng). Lấy g/L=10 s−2g/L=10\text{ s}^{-2} và b=1 s−1b=1\text{ s}^{-1}, phân loại tính ổn định của mỗi điểm.

Lời giải

Jacobian của (θ˙,ω˙)(\dot\theta,\dot\omega) theo (θ,ω)(\theta,\omega) là J(θ,ω)=(01−gLcos⁡θ−b)J(\theta,\omega)=\begin{pmatrix}0&1\\-\frac{g}{L}\cos\theta&-b\end{pmatrix}.

Tại (0,0)(0,0): cos⁡0=1\cos0=1, nên J=(01−10−1)J=\begin{pmatrix}0&1\\-10&-1\end{pmatrix}, với tr J=−1<0\text{tr}\,J=-1<0 và det⁡J=10>0\det J=10>0. Vì (tr J)2−4det⁡J=1−40=−39<0(\text{tr}\,J)^{2}-4\det J=1-40=-39<0, các trị riêng là phức với phần thực âm: (0,0)(0,0) là một xoắn ổn định — con lắc lắng xuống trở về treo thẳng.

Tại (π,0)(\pi,0): cos⁡π=−1\cos\pi=-1, nên J=(0110−1)J=\begin{pmatrix}0&1\\10&-1\end{pmatrix}, với det⁡J=−10<0\det J=-10<0. Định thức âm nghĩa là các trị riêng thực trái dấu bất kể vết, nên (π,0)(\pi,0) là một điểm yên ngựa.

Một điểm yên ngựa luôn không ổn định: dù có giảm chấn, bất kỳ cú xô nào khỏi vị trí thẳng đứng chính xác đều tăng theo hướng không ổn định, nên con lắc sẽ đổ thay vì giữ thăng bằng — đúng như trực giác dự đoán.

Ví dụ: Tính ổn định của điểm bất động trong mô hình dân số logistic

Ánh xạ logistic rời rạc xn+1=rxn(1−xn)x_{n+1}=rx_n(1-x_n) (với 0≤xn≤10\le x_n\le1 là dân số đã chuẩn hóa và r>0r>0 là tốc độ tăng trưởng) có hai điểm bất động: x∗=0x^{*}=0 và x∗=1−1rx^{*}=1-\frac{1}{r} (với r>1r>1). Dùng kiểm tra ổn định một chiều ∣f′(x∗)∣<1|f'(x^{*})|<1, tìm khoảng giá trị rr để mỗi điểm bất động ổn định.

Lời giải

Đạo hàm của f(x)=rx(1−x)f(x)=rx(1-x) là f′(x)=r−2rxf'(x)=r-2rx.

Tại x∗=0x^{*}=0: f′(0)=rf'(0)=r, nên điều kiện ổn định ∣f′(0)∣<1|f'(0)|<1 trở thành ∣r∣<1|r|<1, tức 0<r<10<r<1 (nhớ r>0r>0). Trong khoảng này, dân số luôn tuyệt chủng về 00 bất kể kích thước ban đầu.

Tại x∗=1−1rx^{*}=1-\frac{1}{r} (chỉ tồn tại với r>1r>1): f′ ⁣(1−1r)=r−2r(1−1r)=r−2r+2=2−rf'\!\left(1-\frac{1}{r}\right)=r-2r\left(1-\frac{1}{r}\right)=r-2r+2=2-r. Điều kiện ổn định ∣2−r∣<1|2-r|<1 tương đương 1<r<31<r<3.

Vậy với 0<r<10<r<1, điểm cân bằng tuyệt chủng x∗=0x^{*}=0 ổn định; với 1<r<31<r<3, điểm đó trở nên không ổn định (bất kỳ dân số khác không nào cũng tăng ra xa nó) trong khi điểm cân bằng chung sống x∗=1−1/rx^{*}=1-1/r trở thành điểm ổn định; với r>3r>3 không điểm bất động nào ổn định và dân số thay vào đó rơi vào dao động hoặc hỗn loạn — con đường nhân đôi chu kỳ nổi tiếng khiến ánh xạ logistic trở thành ví dụ kinh điển trong hệ động lực.

Sự khác biệt giữa ổn định (Lyapunov) và ổn định tiệm cận của một điểm cân bằng x∗x^{*} là gì?

Tại một điểm cân bằng của hệ 2 chiều, Jacobian có tr A=−3\text{tr}\,A=-3 và det⁡A=2\det A=2. Phân loại điểm cân bằng.

Kỹ sư dùng lý thuyết ổn định như thế nào để chứng nhận bộ điều khiển thăng bằng của drone sẽ phục hồi sau một cơn gió nhẹ?

Hàm Lyapunov được dùng để làm gì?

Tài liệu tham khảo

  1. Steven H. Strogatz (2015). Nonlinear Dynamics and Chaos: With Applications to Physics, Biology, Chemistry, and Engineering
  2. Morris W. Hirsch, Stephen Smale, Robert L. Devaney (2013). Differential Equations, Dynamical Systems, and an Introduction to Chaos