MathLabs

微分方程与动力系统

动力系统的稳定性

根据附近轨迹是收敛还是发散,对动力系统的平衡点进行分类。

直观直觉:一个被轻轻推一下的系统会返回,还是会跑开?

放在碰碎底部的球被轻轻推一下会滚回底部;而平衡在山顶上的球被轻轻推一下则会滚走再也不回来。垂直向下悬挂的钟摆是稳定的;而同一个钷摆平衡地直立则是不稳定的。动力系统 x˙=f(x)\dot x=f(x) 在 f(x∗)=0f(x^{*})=0 的地方具有平衡点 x∗x^{*} —— 一个若不受干扰则什么都不会移动的状态。稳定性理论要问:若系统从靠近 x∗x^{*} 而非恰好在其上开始,它会保持靠近、收敛回去,还是漂移远去?

展示收敛与发散的离散动力系统有向图
二维相图 x′=Ax\mathbf{x}' = A\mathbf{x}:拖动控制参数跨过稳定性阈值 tr(A)=0\mathrm{tr}(A) = 0,观察轨迹在向内盘旋(渐近稳定)与向外发散(不稳定)之间切换。

大学平衡点与线性化

大学平衡点与线性化

定义: 平衡点与李雅普诺夫稳定性

对于 Rn\mathbb{R}^n 上的系统 x˙=f(x)\dot x=f(x),满足 f(x∗)=0f(x^{*})=0 的点 x∗x^{*} 称为平衡点。若从足够靠近 x∗x^{*} 的点出发的轨迹在以后任何时刻都保持任意靠近,则称为(李雅普诺夫)稳定;若此外当 t→∞t\to\infty 时还收敛到 x∗x^{*},则称为渐近稳定。若无论起点多么靠近都有部分附近轨迹远离,则 x∗x^{*} 为不稳定。

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

为了研究平衡点附近的非线性系统,记微小偏离为 ξ=x−x∗\xi=x-x^{*},并将 ff 做泰勒展开:f(x)=Df(x∗)ξ+o(∥ξ∥)f(x)=Df(x^{*})\xi+o(\|\xi\|),其中 Df(x∗)Df(x^{*}) 是在平衡点处求值的偏导数雅可比矩阵。舍去微小余项得到线性化系统,它在 x∗x^{*} 附近近似真实的非线性动态。

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

雅可比矩阵 A=Df(x∗)A=Df(x^{*}) 的特征值决定了局部图景:若每个特征值的实部都严格为负,则 x∗x^{*} 渐近稳定;若至少一个特征值的实部严格为正,则 x∗x^{*} 不稳定。若某个特征值实部为零(且没有为正的),该平衡点称为非双曲,仅凭线性化无法判定稳定性 —— 必须直接考察非线性项。

根据雅可比矩阵的迹与行列式对二维平衡点分类
迹/行列式特征值类型与稳定性
det⁡A>0, tr A<0, (tr A)2>4det⁡A\det A>0,\ \text{tr}\,A<0,\ (\text{tr}\,A)^{2}>4\det A实数,两个都为负稳定结点
det⁡A<0\det A<0实数,符号相反马鞍点,总是不稳定
det⁡A>0, tr A<0, (tr A)2<4det⁡A\det A>0,\ \text{tr}\,A<0,\ (\text{tr}\,A)^{2}<4\det A复数,实部为负稳定焊点
tr A=0, det⁡A>0\text{tr}\,A=0,\ \det A>0纯虚数线性化中为中心;真实行为由非线性项决定

大学主要定理

设 A=Df(x∗)A=Df(x^{*})。若 AA 的每个特征值实部都严格为负,则 x∗x^{*} 是非线性系统 x˙=f(x)\dot x=f(x) 的渐近稳定平衡点。若 AA 至少有一个特征值实部严格为正,则 x∗x^{*} 不稳定。

为什么成立?

在 x∗x^{*} 附近,非线性项远小于线性项,因此若线性部分在每个方向上都指数收缩,那么这种收缩就会占主导,并把真实轨迹也拉回 x∗x^{*}。

证明

由于 AA 的每个特征值实部为负(AA 为黄斯矩阵),矩阵方程 ATP+PA=−IA^{T}P+PA=-I 有唯一对称正定解 PP,由收敛积分 P=∫0∞eATteAt dtP=\int_0^{\infty}e^{A^{T}t}e^{At}\,dt 显式给出。

对偏离 ξ=x−x∗\xi=x-x^{*} 定义候选李雅普诺夫函数 V(ξ)=ξTPξ≥0V(\xi)=\xi^{T}P\xi\ge0。将非线性系统写为 ξ˙=Aξ+g(ξ)\dot\xi=A\xi+g(\xi),其中当 ξ→0\xi\to0 时 g(ξ)=o(∥ξ∥)g(\xi)=o(\|\xi\|)(泰勒余项),计算沿非线性轨迹 VV 的时间导数。

用 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)。因为 g(ξ)=o(∥ξ∥)g(\xi)=o(\|\xi\|),存在 x∗x^{*} 的一个這邻域使得 2ξTPg(ξ)≤12∥ξ∥22\xi^{T}Pg(\xi)\le\frac{1}{2}\|\xi\|^{2},因此在那里 V˙≤−12∥ξ∥2<0\dot V\le-\frac{1}{2}\|\xi\|^{2}<0(ξ≠0\xi\ne0)。

由于 VV 正定且 V˙\dot V 在 x∗x^{*} 附近负定,李雅普诺夫直接法(随后证明)表明从该鄰域出发的轨迹收敛到 x∗x^{*}:渐近稳定。对于不稳定情况,若 AA 有一个实部为正的特征值,对称构造(切塔夫不稳定性定理)给出一个 VV 增大的方向,表明无论起点多么靠近,轨迹都会被推离 x∗x^{*}。

设 VV 在 x∗x^{*} 附近连续可微,V(x∗)=0V(x^{*})=0,且附近 x≠x∗x\ne x^{*} 时 V(x)>0V(x)>0。若在 x∗x^{*} 附近每条轨迹上都有 V˙(x)≤0\dot V(x)\le0,则 x∗x^{*} 稳定;若取而代之地附近 x≠x∗x\ne x^{*} 时 V˙(x)<0\dot V(x)<0,则 x∗x^{*} 渐近稳定 —— 无需求解方程甚至无需线性化。

为什么成立?

将 VV 看作一种广义能量:若能量沿轨迹从不增加,且仅在 x∗x^{*} 处为零,系统就不能漂离 x∗x^{*};若能量严格减少,它最终必须停在唯一的零点上。

证明

固定足够小的 ε>0\varepsilon>0,使得闭球 {∥x−x∗∥≤ε}\{\|x-x^{*}\|\le\varepsilon\} 位于 VV 的定义域内且除 x∗x^{*} 外为正,设其边界球面为 Sε={∥x−x∗∥=ε}S_\varepsilon=\{\|x-x^{*}\|=\varepsilon\}。由于 VV 在紧致集 SεS_\varepsilon 上连续且严格为正,它取得最小值 m=min⁡SεV>0m=\min_{S_\varepsilon}V>0。

由 VV 的连续性及 V(x∗)=0V(x^{*})=0,选取足够小的 δ∈(0,ε)\delta\in(0,\varepsilon) 使 ∥x(0)−x∗∥<δ\|x(0)-x^{*}\|<\delta 推出 V(x(0))<mV(x(0))<m。

因沿轨迹有 V˙≤0\dot V\le0,对解存在的每个 t≥0t\ge0 都有 V(x(t))≤V(x(0))<mV(x(t))\le V(x(0))<m。SεS_\varepsilon 上每一点都有 V≥mV\ge m,因此轨迹永远不能到达 SεS_\varepsilon;由 t↦x(t)t\mapsto x(t) 的连续性,它必须对所有 t≥0t\ge0 保持在半径 ε\varepsilon 的球内。这正是李雅普诺夫稳定性的定义。

若此外附近 x≠x∗x\ne x^{*} 时严格 V˙(x)<0\dot V(x)<0,则 V(x(t))V(x(t)) 严格递减且下有界于 00,因此收敛到某极限 c≥0c\ge0。若 c>0c>0,轨迹将停留在 V≥c>0V\ge c>0 的紧致环形区域中,在那里 V˙\dot V 取得严格负的最大值,这会迫使 VV 在有限时间内降到 cc 以下 —— 矛盾。因此 c=0c=0,由于 VV 正定,这迫使 x(t)→x∗x(t)\to x^{*}:渐近稳定。

大学实际应用与典型例题

控制工程师通过将闭环动态线性化并验证每个特征值实部为负,来检查反馈控制器是否能使无人机、机械臂或化学反应器保持在设定点;经济学家研究市场均衡价格在受到冲击后是否能自我修正;生态学家对捕食者-献饰模型线性化,以查看共存平衡是否能承受小的种群波动;而流行病学家则检查无病平衡的稳定性,以判断疫情是会消退还是扩散。

例题: 阱减钠进两个平衡点的稳定性

阱减钠满足 θ¨+bθ˙+gLsin⁡θ=0\ddot\theta+b\dot\theta+\frac{g}{L}\sin\theta=0。令 ω=θ˙\omega=\dot\theta 将其写为一阶系统: θ˙=ω, ω˙=−bω−gLsin⁡θ\dot\theta=\omega,\ \dot\omega=-b\omega-\frac{g}{L}\sin\theta,存在两个平衡点(模 2π2\pi):(θ,ω)=(0,0)(\theta,\omega)=(0,0)(垂直向下悬挂)与 (π,0)(\pi,0)(垂直向上平衡)。取 g/L=10 s−2g/L=10\text{ s}^{-2},b=1 s−1b=1\text{ s}^{-1},对每个平衡点的稳定性分类。

解答

(θ˙,ω˙)(\dot\theta,\dot\omega) 关于 (θ,ω)(\theta,\omega) 的雅可比矩阵为 J(θ,ω)=(01−gLcos⁡θ−b)J(\theta,\omega)=\begin{pmatrix}0&1\\-\frac{g}{L}\cos\theta&-b\end{pmatrix}。

在 (0,0)(0,0) 处:cos⁡0=1\cos0=1,因此 J=(01−10−1)J=\begin{pmatrix}0&1\\-10&-1\end{pmatrix},满足 tr J=−1<0\text{tr}\,J=-1<0,det⁡J=10>0\det J=10>0。由于 (tr J)2−4det⁡J=1−40=−39<0(\text{tr}\,J)^{2}-4\det J=1-40=-39<0,特征值为实部为负的复数:(0,0)(0,0) 为稳定焊点 —— 钠会回到垂直悬挂状态。

在 (π,0)(\pi,0) 处:cos⁡π=−1\cos\pi=-1,因此 J=(0110−1)J=\begin{pmatrix}0&1\\10&-1\end{pmatrix},det⁡J=−10<0\det J=-10<0。行列式为负意味着无论迹如何,特征值都为符号相反的实数,因此 (π,0)(\pi,0) 为马鞍点。

马鞍点总是不稳定的:即使存在阱减,任何偏离真实直立位置的扰动都会沿不稳定方向增长,因此钠会倒下而非保持平衡 —— 正如直觉所预测。

例题: Logistic人口模型中不动点的稳定性

离散 logistic 映射 xn+1=rxn(1−xn)x_{n+1}=rx_n(1-x_n)(0≤xn≤10\le x_n\le1 为归一化的人口,r>0r>0 为增长率)有两个不动点:x∗=0x^{*}=0 与 x∗=1−1rx^{*}=1-\frac{1}{r}(当 r>1r>1)。用一维稳定性判定 ∣f′(x∗)∣<1|f'(x^{*})|<1,求使每个不动点稳定的 rr 取值范围。

解答

f(x)=rx(1−x)f(x)=rx(1-x) 的导数为 f′(x)=r−2rxf'(x)=r-2rx。

在 x∗=0x^{*}=0 处:f′(0)=rf'(0)=r,因此稳定性条件 ∣f′(0)∣<1|f'(0)|<1 变为 ∣r∣<1|r|<1,即 0<r<10<r<1(因为 r>0r>0)。在此范围内,无论初始规模如何,人口总会灵向 00 而灭绝。

在 x∗=1−1rx^{*}=1-\frac{1}{r}(仅当 r>1r>1 时存在)处: 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。稳定性条件 ∣2−r∣<1|2-r|<1 等价于 1<r<31<r<3。

因此当 0<r<10<r<1 时,灭绝平衡 x∗=0x^{*}=0 稳定;当 1<r<31<r<3 时,该平衡变为不稳定(任何非零人口都会远离它增长),而共存平衡 x∗=1−1/rx^{*}=1-1/r 变为稳定的;当 r>3r>3 时,两个不动点都不稳定,人口转而进入振荡或混沌 —— 这就是使 logistic 映射成为动力系统经典例子的著名倍周期分岳道路。

平衡点 x∗x^{*} 的(李雅普诺夫)稳定与渐近稳定有何区别?

二维系统的一个平衡点处,雅可比矩阵满足 tr A=−3\text{tr}\,A=-3,det⁡A=2\det A=2。对该平衡点分类。

工程师如何利用稳定性理论来证明无人机的平衡控制器能从一阵小风中恢复?

李雅普诺夫函数用于什么?

参考文献

  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