Lyapunov凸性定理

设 $(X,\mathscr{A})$ 是可测空间, $\mu_1,\mu_2,\cdots,\mu_N$ 是其上的有限正测度, 且无原子. 则

$$M:=\left\{(\mu_1(A),\mu_2(A),\cdots,\mu_N(A))^T\big| A\in \mathscr{A}\right\}$$
是 $\mathbb{R}^N$ 中的凸集.


命 $\mu=\mu_1+\mu_2+\cdots+\mu_N$, 则 $\mu_i\ll \mu,  i=1,2,\cdots,N$. 记
$$W=\{g\in L^\infty(X,\mathscr{A},\mu):0\leq g\leq 1\}.$$
定义
\begin{equation*}
\begin{split}
T: &W\rightarrow \mathbb{R}^N\\
&g\longmapsto \left(\int_X gd\mu_1,\int_X gd\mu_2,\cdots,\int_X gd\mu_N\right)^T.
\end{split}
\end{equation*}
由Alaoglu定理, $L^\infty(X,\mathscr{A},\mu)$ 的单位球是弱 $^*$ 紧的, 下面证明 $W$ 是弱 $^*$  闭的. 事实上, 若 $(g_i)$ 弱 $^*$ 收敛到 $g$, 即对任何 $f\in L^1(X,\mathscr{A},\mu)$, 有
$$\int_X fg_id\mu\rightarrow \int_X fgd\mu.$$
取 $f=1_{\mathbb{E}_n}$, 其中
$$E_n=\left\{x:g(x)\geq 1+\frac{1}{n}\right\}.$$
则有
$$\int_{E_n} g_id\mu\rightarrow \int_{E_n} gd\mu.$$

$$\int_{E_n} g_id\mu\leq \mu(E_n),$$
所以
$$\int_{E_n} gd\mu\leq \mu(E_n).$$
另一方面,
$$\int_{E_n} gd\mu\geq \left(1+\frac{1}{n}\right)\mu(E_n).$$
所以有
$$\mu(E_n)=0.$$
由此可知,
$$g\leq 1,\quad \mathrm{a.e.}$$
同理可证,
$$g\geq 0,\quad \mathrm{a.e.}$$
所以 $g\in W$, 即 $W$ 在 $L^\infty(X,\mathscr{A},\mu)$ 中是弱 $^*$ 闭的, 从而是弱 $^*$ 紧的.

下证~$T$~是弱~$^*$~连续的. 事实上, 若~$(g_i)$~弱~$^*$~收敛到~$g$, 取
$$f_j=\frac{d\mu_j}{d\mu}\in L^1(X,\mathscr{A},\mu),\quad j=1,2,\cdots,N,$$

$$\lim_i\int_X g_id\mu_j=\lim_i\int_Xf_jg_id\mu= \int_Xf_jgd\mu=\int_X gd\mu_j.$$
即~$Tg_i\rightarrow Tg$, 所以~$T$~是弱~$^*$~连续的.

设~$(\lambda_1,\lambda_2,\cdots,\lambda_N)^T\in T(W)$, 我们证明存在~$A\in \mathscr{A}$~ 使得
$$T(1_A)=(\lambda_1,\lambda_2,\cdots,\lambda_N)^T.$$
事实上, 命~$W_0=T^{-1}(\lambda_1,\lambda_2,\cdots,\lambda_N)^T$, 因为~$T$~是弱~$^*$~连续的, 所以~$W_0$~弱~$^*$~闭, 从而弱~$^*$~紧, 且是凸集. 又~$W_0\neq\varnothing$, 由Krein-Milman定理, 存在~$g\in \mathrm{ext}~W_0$. 下证~$g$~为特征函数. 若否, 则存在~$\varepsilon>0$~及~$E\in\mathscr{A}$, $\mu(E)>0$~使得
$$\varepsilon\leq g(x)\leq 1-\varepsilon,\quad x\in E.$$
由于~$\mu_i$~无原子, 所以~$\mu$~无原子.~(仅证明~$n=2$, 若否, 则存在~$F\in\mathscr{A}$~使得~$\mu(F)>0$~且~$E\subset F$~时, 要么~$\mu(E)=0$, 要么~$\mu(E)=\mu(F)$. 对于第一种情形, $\mu_1(E)=\mu_2(E)=0$, 可知~$\mu_1(F)=\mu_2(F)=0$)
所以存在~$E_1\subset E$~使得~$\mu (E_1)>0$, $\mu(E\backslash E_1)>0$, 一直下去, 存在互不相交的~$(E_i)_{i=1}^{N+1}$~满足
$$E=\bigcup_{i=1}^{N+1} E_i,\quad \mu(E_i)>0,~i=1,2,\cdots,N+1.$$
注意到
\begin{equation*}
\begin{pmatrix}
\mu_1(E_1)\\
\mu_2(E_1)\\
\cdots\\
\mu_N(E_1)
\end{pmatrix},
\begin{pmatrix}
\mu_1(E_2)\\
\mu_2(E_2)\\
\cdots\\
\mu_N(E_2)
\end{pmatrix},
\cdots,
\begin{pmatrix}
\mu_1(E_{N+1})\\
\mu_2(E_{N+1})\\
\cdots\\
\mu_N(E_{N+1})
\end{pmatrix}
\in\mathbb{R}^N,
\end{equation*}

从而线性相关, 设存在不全为~$0$~的系数~$a_1,a_2,\cdots,a_{N+1}$~使得
\begin{equation*}
a_1\begin{pmatrix}
\mu_1(E_1)\\
\mu_2(E_1)\\
\cdots\\
\mu_N(E_1)
\end{pmatrix}+
a_2\begin{pmatrix}
\mu_1(E_2)\\
\mu_2(E_2)\\
\cdots\\
\mu_N(E_2)
\end{pmatrix}+
\cdots+
a_{N+1}\begin{pmatrix}
\mu_1(E_{N+1})\\
\mu_2(E_{N+1})\\
\cdots\\
\mu_N(E_{N+1})
\end{pmatrix}
=0.
\end{equation*}
我们可要求
$$\sum_{i=1}^{N+1}|a_i|<\varepsilon.$$

$$h=\sum_{i=1}^{N+1} a_i 1_{E_i}.$$

$$\int_X hd\mu_i=0,\quad i=1,2,\cdots,N+1.$$
注意到
$$g\pm h\in W_0$$

$$g=\frac{1}{2}\left(g+h+g-h\right),\quad h\neq 0,$$
这与~$g\in \mathrm{ext}~W_0$~矛盾, 所以~$g$~为示性函数, 从而~$M=T(W)$, 易知~$W$~凸,~$T$~线性, 所以~$M$~凸, 得证.

转载于:https://www.cnblogs.com/schrodinger/p/8349741.html

### 李雅普诺夫稳定定理的第二种方法 李雅普诺夫稳定理论提供了两种主要的方法来判断系统的稳定:间接法(第一法)和直接法(第二法)。其中,李雅普诺夫直接法是一种无需线化的通用工具,适用于非线系统以及全局稳定的分析[^2]。 #### 定义与条件 在李雅普诺夫直接法中,通过构造一个标量函数 \( V(x) \),称为李雅普诺夫候选函数,可以用来判定系统的稳定。该函数需满足以下质: 1. **正定**:\( V(x) > 0 \) 对于所有 \( x \neq 0 \),且 \( V(0) = 0 \)[^3]。 2. **导数负定**:对于时间导数 \( \dot{V}(x) \leq 0 \),如果其在整个状态空间内成立,则表明系统是稳定的;进一步地,若 \( \dot{V}(x) < 0 \) (严格小于零),则系统是渐近稳定的。 具体而言,当存在这样的李雅普诺夫函数时,可得出如下结论: - 若 \( V(x) \) 正定且 \( \dot{V}(x) \) 负半定,则原点是李雅普诺夫意义下的稳定点。 - 若 \( V(x) \) 正定且 \( \dot{V}(x) \) 负定,则原点是渐近稳定的。 - 如果 \( V(x) \to \infty \) 当 \( \|x\| \to \infty \) 并且上述条件均满足,则系统达到全局渐近稳定。 以下是基于这些原则的一个典型数学推导过程。 --- #### 数学证明框架 假设给定动态系统描述为: \[ \dot{x} = f(x), \quad f(0) = 0, \] 其中 \( x(t) \in \mathbb{R}^n \),并且 \( f : \mathbb{R}^n \rightarrow \mathbb{R}^n \) 是连续向量场。 为了验证平衡点 \( x_e = 0 \) 的稳定,我们寻找一个合适的李雅普诺夫函数 \( V(x) \): 1. 构造一个二次型形式的李雅普诺夫函数: \[ V(x) = x^\top P x, \] 其中矩阵 \( P \succ 0 \) (即 \( P \) 是对称正定矩阵)。 2. 计算沿轨迹的时间导数 \( \dot{V}(x) \): \[ \dot{V}(x) = \frac{\partial V}{\partial x} \cdot \dot{x}. \] 将 \( \dot{x} = f(x) \) 和 \( V(x) = x^\top P x \) 替入得: \[ \dot{V}(x) = 2x^\top P f(x). \] 3. 利用特定结构或约束条件简化表达式。例如,在线情况下 (\( f(x) = Ax \)),有: \[ \dot{V}(x) = x^\top (P A + A^\top P)x. \] 4. 设计矩阵 \( P \) 或其他参数使得 \( \dot{V}(x) \) 成为负定函数。这通常涉及求解李雅普诺夫方程: \[ PA + A^\top P = -Q, \] 这里 \( Q \succ 0 \) 表示另一个正定矩阵。 一旦找到符合条件的 \( V(x) \) 及对应的 \( \dot{V}(x) \),即可依据前述准则断言系统的稳定。 --- ```python import numpy as np from scipy.linalg import solve_continuous_lyapunov # Example of solving the Lyapunov equation for a linear system A = np.array([[-1, 1], [0, -2]]) Q = np.eye(2) # Solve for matrix P using continuous-time Lyapunov solver P = solve_continuous_lyapunov(A.T, -Q) print("Matrix P:", P) def lyapunov_function(x): """Define the quadratic form based on solution to Lyapunov eq.""" return x @ P @ x.T # Test with an example state vector state_vector = np.array([[1], [-1]]) value_V = lyapunov_function(state_vector.flatten()) print(f"Value of V at {state_vector}: {value_V}") ``` 此代码片段展示了如何利用数值计算解决李雅普诺夫方程并构建相应的李雅普诺夫函数实例。 --- ### 结论 综上所述,李雅普诺夫直接法提供了一种强大的手段去评估复杂动力系统的稳定而不需要显式的解析解答路径[^1]^。这种方法不仅限于线模型,还广泛应用于各类工程领域内的实际问题之中。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值