下载文档原格式
控制论常用的矩阵不等式控制论是一门研究如何通过控制手段来实现系统稳定、优化和鲁棒性的学科，而矩阵不等式则是控制论中常用的数学工具之一。
本文将介绍控制论中常用的几种矩阵不等式，并讨论其在控制系统设计中的应用。
1. 线性矩阵不等式(LMI)线性矩阵不等式是控制论中最常用的矩阵不等式之一。
它的形式为：$$A(x)X+B(x)Y+C^{T}(x)YC(x)<0$$其中，$A(x)$、$B(x)$、$C(x)$均为实系数矩阵函数，$X$、$Y$均为矩阵变量。
该不等式表示的是矩阵函数$A(x)$、$B(x)$、$C(x)$构成的线性系统对应的闭环系统是渐进稳定的，即对任意的初值$x_0$，系统的输出$y(t)$都会收敛到零。
2. Lyapunov矩阵不等式Lyapunov矩阵不等式是控制论中另一种常用的矩阵不等式。
它的形式为：$$A^{T}P+PA<-Q$$其中，$A$为系统的状态转移矩阵，$P$为对称正定矩阵，$Q$为对称正定矩阵。
该不等式表示的是系统的Lyapunov函数$V(x)=x^{T}Px$满足$V(x)leqslant-alpha x^{T}x$，其中$alpha$是正常数。
3. Riccati矩阵不等式Riccati矩阵不等式也是控制论中常用的矩阵不等式之一。
它的形式为：$$A^{T}P+PA-PBR^{-1}B^{T}P<-Q$$其中，$A$、$B$为系统的状态转移矩阵和输入矩阵，$P$为对称正定矩阵，$R$为对称正定矩阵。
该不等式表示的是系统的最优控制输入满足线性方程$u=-R^{-1}B^{T}Px$。
4. Schur矩阵不等式Schur矩阵不等式是控制论中最基本的矩阵不等式之一。
它的形式为：$$Mprec N$$其中，$M$、$N$为两个对称矩阵，$prec$表示矩阵的部分序。
该不等式表示的是矩阵$N-M$是正定的。
总之，矩阵不等式在控制论中具有广泛的应用，可以用于系统稳定性分析、最优控制设计和鲁棒性分析等领域。
lmi 特征值
线性矩阵不等式（LMI）是有如下形式的一种约束描述：其中：$x$是$m$个实数变量，称为线性矩阵不等式（1）的决策变量；$x$是由决策变量构成的向量，称之为决策向量；$A_i$是一组给定的实对称矩阵；（1）式中的不等号“$<0$”表示$F(x)$是“负定”的，也就是说，对所有非零的$x$或者$F(x)$的最大特征值小于零。
在一些将非线性矩阵不等式转化为线性矩阵不等式的问题中，常用到矩阵的Schur补性质。
在LMI特征值问题中，在一个LMI约束下，求矩阵$G(x)$的最大特征值的最小化问题，或确定问题的约束是不可行的。
如需了解更多关于LMI特征值的信息，你可以提供更具体的背景和条件，再次向我提问。
矩阵的几个不等式1. 矩阵的不等式定义：矩阵的不等式指的是一组矩阵的元素之间的比较，它可以是大于、小于或等于关系。
矩阵的不等式可以表示为A≤B，其中A和B分别是两个矩阵，A≤B表示A中的每个元素都小于等于B中的对应元素。
## 2. 矩阵的不等式性质1. 对于任意的n阶矩阵A，有A+A≥A；2. 对于任意的n阶矩阵A，有A+A≤2A；3. 对于任意的n阶矩阵A，有A+A≠A；4. 对于任意的n阶矩阵A，有A+A≠2A；5. 对于任意的n阶矩阵A，有A+A≥2A；6. 对于任意的n阶矩阵A，有A+A≤A；7. 对于任意的n阶矩阵A，有A+A≠0；8. 对于任意的n阶矩阵A，有A+A≠-A；9. 对于任意的n阶矩阵A，有A+A≥0；10. 对于任意的n阶矩阵A，有A+A≤-A。
3. 矩阵的不等式应用矩阵的不等式应用可以用于多种情况，如矩阵的范数估计、矩阵的特征值估计、矩阵的迹估计、矩阵的奇异值估计、矩阵的乘积估计等。
此外，矩阵的不等式应用还可以用于求解线性方程组、求解矩阵的逆等问题。
此外，矩阵的不等式应用还可以用于矩阵的正定性判断、矩阵的正交性判断等。
#### 4. 矩阵的不等式推导1. 对于矩阵A，若A的行列式不为零，则有A的逆矩阵存在；2. 若A的行列式为零，则A的逆矩阵不存在；3. 对于任意矩阵A，有A+A的逆矩阵存在；4. 对于任意矩阵A，有A*A的逆矩阵存在；5. 对于任意矩阵A，有A*A+A的逆矩阵存在；6. 对于任意矩阵A，有A*A*A的逆矩阵存在；7. 对于任意矩阵A，有A*A*A+A的逆矩阵存在；8. 对于任意矩阵A，有A*A*A*A的逆矩阵存在；9. 对于任意矩阵A，有A*A*A*A+A的逆矩阵存在。
5. 矩阵的不等式变换：矩阵的不等式变换是指将一个矩阵中的不等式变换为另一个矩阵，这样可以更容易地解决矩阵的不等式问题。
变换的方法有很多，比如可以使用行列式，矩阵乘法，矩阵加法，矩阵转置等。
LMI：Linear Matrix Inequality，就是线性矩阵不等式。
在Matlab当中，我们可以采用图形界面的lmiedit命令，来调用GUI接口，但是我认为采用程序的方式更方便（也因为我不懂这个lmiedit的GUI）。
对于LMI Lab，其中有三种求解器（solver）： feasp，mincx和gevp。
每个求解器针对不同的问题：feasp：解决可行性问题（feasibility problem），例如：A(x)<B(x)。
mincx：在线性矩阵不等式的限制下解决最小化问题（Minimization of a linear objective under LMI constraints），例如最小化c'x，在限制条件A(x) < B(x)下。
gevp：解决广义特征值最小化问题。
例如：最小化lambda，在0<B(x),A(x)<lamba*B(x)限制条件下。
要解决一个LMI问题，首要的就是要把线性矩阵不等式表示出来。
对于以下类型的任意的LMI问题N' * L(X1, . . . , XK) * N < M' * R(X1, . . . , XK) * M其中X1, . . . , XK是结构已经事先确定的矩阵变量。
左侧和右侧的外部因子（outer factors）N和M是给定的具有相同维数的矩阵。
左侧和右侧的内部因子（inner factors）L(.)和R(.)是具有相同结构的对称块矩阵。
每一个块由X1, . . . , XK以及它们的转置组合而成形成的。
解决LMI问题的步骤有两个：1、定义维数以及每一个矩阵的结构，也就是定义X1, . . . , XK。
2、描述每一个LMI的每一项内容（Describe the term content of each LMI）此处介绍两个术语：矩阵变量（Matrix Variables）：例如你要求解X满足A(x)<B(x)，那么X就叫做矩阵变量。
