正实代数Riccati方程的因式分解Newton迭代:基于矩阵符号函数的GENPF算法

《Mathematics》:On the Factored Newton Iteration for Positive-Real Algebraic Riccati Equations via the Matrix Sign Function

【字体: 大 中 小 】 时间:2026年10月23日 来源:Mathematics 2.3

编辑推荐:

  研究人员将Benner等人最初针对具有负二次项的代数Riccati方程所发展的因式分解Newton迭代推广到正实情形。与负号情形不同,正号引入了两个适定性问题:每个中间矩阵Ak必须保持非奇异,且必须保持DC增益条件以确保因式分解求逆公式的

  
研究人员将Benner等人最初针对具有负二次项的代数Riccati方程所发展的因式分解Newton迭代推广到正实情形。与负号情形不同,正号引入了两个适定性问题:每个中间矩阵Ak必须保持非奇异,且必须保持DC增益条件以确保因式分解求逆公式的有效性。研究人员严格证明了这两个性质在Newton更新下保持不变。由此产生的利用结构的求解器GENPF在输入矩阵为高瘦形时,将每步迭代成本从16n3浮点运算降至约2n3浮点运算。数值实验证实,GENPF保持了传统Newton迭代的二次收敛性和精度,所需计算时间显著更少,并在整个迭代过程中维持DC增益条件。
代数Riccati方程(algebraic Riccati equation, ARE)是系统与控制理论中的核心矩阵方程,广泛用于最优控制、滤波、模型降阶与鲁棒控制。传统连续时间代数Riccati方程(continuous-time algebraic Riccati equation, CARE)中二次项为负号,称为负号ARE,其典型来源是线性二次最优控制(linear-quadratic optimal control, LQOC)、Kalman滤波和标准平衡截断。然而,在保无源模型降阶、VLSI互连仿真、H∞最优控制和无源控制等场景中,需要求解二次项为正号的正实代数Riccati方程。正号使得Hamiltonian矩阵的结构与负号情形不同,进而改变了Sherman–Morrison–Woodbury求逆公式:负号情形对应的矩阵恒正定,Cholesky分解无条件安全;正实情形对应的矩阵正定性等价于DC增益条件,若该条件不成立,因式分解算法会在数值上失效。因此,将Benner等针对负号ARE提出的因式分解Newton迭代推广到正实情形并非平凡。

研究人员在严格有界实假设下开展了理论分析与算法构造。他们证明了在初始有界实条件下,Newton更新能够保持每个中间矩阵Ak非奇异、Hamiltonian矩阵无虚轴特征值、稳定不变子空间具有固定对称正半定X的图表示,以及DC增益条件在每一迭代步成立。这些性质保证了因式分解求逆公式和所有Cholesky分解的适定性。在此基础上,研究人员提出广义正实因式分解Newton迭代(generalized positive-real factored Newton iteration, GENPF)。当输入矩阵为高瘦低秩形式时,GENPF将每步迭代成本从传统Newton迭代的16n3浮点运算降至约2n3浮点运算。数值实验表明,GENPF保持Newton型二次收敛,精度与传统Newton迭代相当,并在测试算例中显著减少计算时间。

### 主要技术方法

主要技术方法包括:基于矩阵符号函数的Newton迭代框架;利用Sherman–Morrison–Woodbury公式的因式分解求逆;严格有界实引理与Hamiltonian矩阵稳定不变子空间的图表示;Cholesky分解与三角求解;截断奇异值分解(truncated singular value decomposition, truncated SVD)低秩压缩;收敛后通过QR分解求解最小二乘问题恢复镇定解。数值测试使用随机生成的高瘦低秩算例和SLICOT基准CDplayer模型,并通过缩放输入输出矩阵使模型满足有界实条件。

### 研究结果

#### 4.1 算例1:合成大规模正实ARE

研究人员构造了一个大规模合成正实代数Riccati方程,其中输入因子B和输出因子C分别只有少量列,形成典型的高瘦低秩结构。GENPF与传统Newton迭代(conventional Newton iteration, CNI)均以相同迭代次数收敛,GENPF达到与CNI相当的相对残差,同时减少了约2.25倍计算时间。迭代过程中DC增益值始终严格小于1,所有Cholesky分解均有效,验证了理论适定性结论。

#### 4.2 算例2:另一合成正实ARE

研究人员构造了第二个合成算例,其低秩因子宽度更小,且边界距离略近。GENPF与CNI的迭代次数基本一致,GENPF在保持精度的同时获得约1.21倍加速。该算例进一步确认:在严格有界实条件具有合理裕度时,GENPF是适定且数值可靠的。

#### 4.3 算例3:CDplayer基准模型

研究人员使用SLICOT基准集合中的CDplayer模型。原始模型的H∞范数大于1,不满足有界实条件;研究人员对输入输出矩阵进行等因子缩放,使缩放后模型的H∞范数估计为0.5,从而构造出满足严格有界实条件的算例。在该稀疏小规模问题上,两种方法均收敛,但CNI更快,原因是基准矩阵A高度稀疏且病态,CNI可借助稀疏线性代数并无需秩压缩,而GENPF需要形成稠密因子并逐次压缩。该结果被明确报告,说明因式分解方法的优势主要体现在大规模稠密高瘦问题上。

#### 4.4 规模、秩与边界距离的影响

研究人员在不同矩阵规模、因子宽度和边界距离下进行缩放研究。结果显示,GENPF与CNI的迭代次数在几乎所有配置中一致,证明因式分解不改变底层Newton迭代的收敛性。随着规模n增大,GENPF的计算优势逐步显现。当边界裕度参数m较小时,两种方法的残差均退化,且相关矩阵的条件数增大,说明接近有界实条件边界时有限精度下的数值困难不可避免。

#### 4.5 秩增长与压缩效应

研究人员考察了截断奇异值分解压缩对秩增长的控制作用。没有压缩时,因子宽度每步翻倍,经过8次迭代即可达到512;启用压缩后,同一算例的因子宽度降至12,计算时间大幅减少,且压缩前后解的相对差异很小。压缩阈值τ在远低于外部迭代容差时,残差随τ放宽而缓慢增长。该结果表明,低秩压缩不是可选优化,而是保证GENPF低复杂度的必要机制。

### 讨论与结论

在讨论部分,研究人员指出,随着DC增益接近1,因式分解求逆涉及的条件数趋于增大。实际实现中不显式形成逆矩阵,而是通过Cholesky因子或三角求解计算所需乘积,并监测条件数估计以识别数值不可靠情形。论文结论部分明确指出,本研究将Benner等的因式分解Newton迭代从负号代数Riccati方程推广到正实情形,严格证明了中间矩阵非奇异、稳定不变子空间图表示不变以及DC增益条件保持,从而保证GENPF的适定性。GENPF在高瘦低秩输入下显著低于传统Newton迭代成本,数值实验支持了理论预测。未来工作包括发展面向正实代数Riccati方程的结构保持倍增算法、分析有界实条件边界附近的数值行为、将框架推广到具有不定二次项的Riccati方程,以及在VLSI互连仿真等大规模保无源模型降阶问题中进行系统评估。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号