文档定位

本文档不按某一篇论文逐段讲解，而是从方法论角度，把前面两篇论文中最关键的数学分析逻辑整理出来。它想解决的，不只是“这两个证明写了什么”，更重要的是帮助读者建立一种以后继续读稳定性论文也能复用的理解框架。

读完这篇之后，最好能够回答这样几个问题：Lyapunov 方法到底在做什么，Lyapunov 函数为什么能和系统方程结合起来，哪些项会把系统往失稳方向推，控制项为什么能把这种趋势压住，不知道非线性项的精确表达式时为什么仍然可以分析，balancing function 到底在补什么空缺，随机系统里 Itô 公式为什么不可替代，以及一篇稳定性证明到底应该怎样读。

为什么稳定性证明总绕不开 Lyapunov 方法

Lyapunov 方法之所以在稳定性理论里占据核心位置，原因很直接。对大多数复杂系统来说，状态轨迹很难显式求出来。系统一旦带有非线性、随机扰动、时滞、切换、脉冲或者网络耦合，想把状态 $x(t)$ 完整求出来往往并不现实。可稳定性问题又必须回答，于是就需要一种不依赖精确解的分析方式。

Lyapunov 方法提供的就是这样一种思路。它不直接追着状态轨迹本身跑，而是先构造一个用来衡量状态大小的函数，通常记作 $V(x)$。这个函数可以理解为某种广义“能量”。只要能够证明沿着系统演化， $V$ 总体在下降，就说明系统状态在朝平衡点收缩。

最基础的例子是 $V(x)=|x|^2$ ，这个函数衡量的是状态到零点的平方距离。如果随着时间推进， $V(x(t))$ 越来越小，那么状态自然也会越来越接近平衡点。于是，原本很难直接处理的“轨迹问题”，就被转化成了一个更容易组织的“能量函数变化率问题”。

所以，Lyapunov 方法的真正作用可以概括为：把对状态轨迹的直接追踪，转化成对一个能量函数是否持续下降的判断。

Lyapunov 函数和系统方程到底是什么关系

这是理解整套方法的第一道门槛。很多人读证明时觉得 Lyapunov 函数像是“额外塞进来的东西”，其实它和系统方程的关系非常紧。

系统方程负责告诉你状态是怎么动的。比如一个最简单的确定性系统写成 $\dot x=f(x)+u(x)$

这个式子描述的是状态变化方向，也就是系统此刻会往哪里走。

Lyapunov 函数负责告诉你状态“有多大”。例如 $V(x)=|x|^2$

它把状态映射成一个标量，用来衡量当前离平衡点有多远。

真正关键的一步，是把这两者接起来。对 $V(x)$ 沿着系统轨迹求导，就得到 $\dot V(x)=\nabla V(x)\cdot \dot x$

在最简单的 $V(x)=|x|^2$ 情形下，有 $\dot V(x)=2x^\top \dot x$

再把系统方程代进去，就变成 $\dot V(x)=2x^\top f(x)+2x^\top u(x)$

到这里，系统动力学和能量变化率就被打通了。以后我们关心的，不再只是系统朝哪个方向动，而是它在运动的同时，状态大小到底是在缩小还是在放大。

所以，这里的逻辑关系很清楚：

系统方程给出演化规则。 Lyapunov 函数给出状态尺度。 导数或者生成元把这两者连接起来。

一篇稳定性论文的大部分证明，本质上都在做这件事。

为什么不直接看状态，而要引入 Lyapunov 函数

如果系统非常简单，当然也可以直接看状态。但论文里的系统通常并不简单。它们可能是非线性的，也可能带随机扰动、时滞、切换、脉冲和网络耦合。在这种背景下，直接求状态几乎总是困难的，甚至没有解析解可写。

Lyapunov 方法有价值，正是因为它绕开了“必须求解状态轨迹”这个障碍。你不需要知道 $x(t)$ 的精确表达式，只需要找到一个足够合适的 $V(x)$，并证明它沿着系统轨迹总体在下降，就能推出稳定性结论。

所以，Lyapunov 方法之所以经久不衰，不是因为它形式优雅，而是因为它特别适合处理“轨迹难求、结构复杂、但仍然必须判断稳定性”的系统。

为什么有些项会让 Lyapunov 导数变正

这个问题表面上是在问符号，本质上是在问：哪些机制在给系统注入能量。

先看最简单的情形。若取 $V(x)=|x|^2$ ，则有 $\dot V(x)=2x^\top \dot x$

如果系统写成 $\dot x=f(x)+u(x)$ ，那么 $\dot V(x)=2x^\top f(x)+2x^\top u(x)$

这里，哪一项如果推动状态进一步远离零点，它在 Lyapunov 导数中的贡献就可能表现为正项。也就是说，只要某个机制使系统更容易“往外走”，它通常就会让 $\dot V$ 变大，甚至变成正值。

几类典型的增长来源很常见。

自身动力学可能天然有增长趋势

如果某一段动力学满足 $x^\top f(x)>0$，那就说明系统本身就在把状态往平衡点外面推。这种情况下，即便没有攻击、没有噪声，系统也未必自然稳定。

耦合项可能放大局部误差

在网络系统里，一个节点的波动可能通过耦合关系传播给其他节点。于是某个局部偏差会被网络结构放大，最终在 Lyapunov 估计里体现成正的增长项。

随机扰动会扩大状态波动

在随机系统中，噪声不会像普通项那样简单消失，它通常以平方形式进入生成元。这意味着随机项往往会提高系统的平均波动水平，因此也可能表现为增长来源。

时滞会削弱当前控制的收缩效果

系统当前演化受过去状态影响时，控制作用和状态变化之间就存在滞后，这会增加振荡和放大的可能性。在 Lyapunov 导数中，时滞项常常会引入难处理的交叉项和附加上界。

失稳脉冲会在瞬间放大状态

第二篇里很典型。若某个脉冲让状态从 $10$ 立刻跳到 $12$，那它显然是在给系统“加能量”。这种脉冲在 Lyapunov 跳变估计中就表现为增长项。

所以，一项为什么会让导数变正，根本上取决于它是否推动系统偏离平衡点。你读证明时，真正要看的不是这一项叫什么名字，而是它最后在不等式里对应的是“收缩”还是“放大”。

为什么控制项能够把导数压回负值

控制项之所以能稳定系统，是因为它通常被设计成具有耗散作用的负反馈结构。最简单的例子是 $u=-Kx$

代入后有 $\dot V=2x^\top f(x)-2x^\top Kx$ ，其中 $-2x^\top Kx$ 就是一个明确的负项。如果矩阵 $K$ 选得足够合适，这个负项就能压过系统自身动力学带来的增长项，于是整体导数就重新转向负方向。

从能量角度理解，控制的作用就是人为往系统里加入一个“耗散机制”。系统原本可能因为自身动力学、耦合、时滞或者噪声而不断积累能量，控制项则试图把这些能量往下拉。

第二篇中的连续反馈项就是一个很清楚的例子： $u_a(t)=\alpha_a(t)\rho_a\eta_a(t),\qquad \rho_a<0$

若取类似 $V_a=|\eta_a|^2$ 的 Lyapunov 函数，那么这部分会贡献 $2\eta_a^\top (\rho_a\eta_a)=2\rho_a|\eta_a|^2$

因为 $\rho_a<0$，所以它对应的就是负耗散项。也正因此，一旦 DoS 攻击让 $\alpha_a(t)=0$ ，这部分耗散就消失了，系统稳定性会立刻受到削弱。

所以，控制项的本质作用可以概括为：通过负反馈制造足够强的耗散结构，把系统从增长趋势重新拉回收缩趋势。

为什么证明里总在找“主负项”

很多稳定性证明最后都会整理成 $\dot V \le -cV+\text{剩余项}$ ，或者在随机系统里写成 $\mathcal{L}V \le -cV+\text{剩余项}$

这里的 $-cV$ 就是所谓的主负项。它代表系统整体上存在一个明确的收缩趋势。后面的剩余项，则代表耦合、时滞、噪声、攻击、误差或者脉冲带来的附加影响。

为什么证明总要寻找这个结构？因为只要最后能够说明，主负项足够强，足以压住所有其余增长项和残差项，就能推出系统总体仍然往稳定方向走。

所以，很多稳定性证明看上去像是在做一堆不等式整理，其实它们都在围绕同一个目标展开：找到并保住一个总体为负的能量变化结构。

不知道非线性项的精确形式，为什么还能分析

这是初学者最容易疑惑的地方。很多论文里的非线性项 $F$、$fa$、$Ga$ 并没有给出精确显式公式，那为什么作者还能继续推导？

关键原因在于，稳定性分析通常不需要知道“它长什么样”，只需要知道“它最多能有多坏”。也就是说，分析依赖的往往是上界条件，而不是解析表达式。

例如，论文可能给出这样的假设： $|F_a(t,\eta_a)|\le \xi_{a1}|\eta_a|$ 或者 $|f_a(\rho_a,\tilde\rho_a,i,t)|\le \alpha_{1i}|\rho_a|+\alpha_{2i}|\tilde\rho_a|$

这种条件说明，尽管我们不知道函数的精确形式，但知道它不会增长得比某个线性上界更快。这样一来，在 Lyapunov 导数估计中，就可以写成 $2\eta_a^\top F_a(t,\eta_a)\le 2|\eta_a||F_a(t,\eta_a)|\le 2\xi_{a1}|\eta_a|^2$

于是，原本看上去不可控的未知函数，就被替换成了一个可以和 $|\eta_a|^2$ 比较的上界项。

所以，控制理论里很多时候并不追求知道系统的完整封闭形式，而是追求知道它满足什么类型的增长约束。真正重要的不是“它到底是什么函数”，而是：它的增长速度能否被压进一个可估计的上界里。

那些上界和不等式到底是从哪里来的

读证明时常见的一个挫败感是，感觉作者总在“凭空写不等式”。其实这些估计通常来自几个非常清楚的来源。

一部分来自系统方程本身

系统动力学已经告诉你状态变化由哪些项组成，例如 $\dot x=f(x)+Hx+u$ ，这会直接决定导数中会出现哪些对象。

一部分来自建模假设

很多上界不是推出来的，而是作者一开始就对研究对象作出的结构性假设。例如 Lipschitz 条件、线性增长条件、有界时滞条件、耦合矩阵性质等。这些条件限定了系统不会坏到完全失去分析可能性。

一部分来自标准代数不等式

这是稳定性证明里最常见的技术工具。比如 $x^\top y \le |x||y|$ 来自 Cauchy-Schwarz 不等式。又比如 $2x^\top y \le \varepsilon |x|^2+\frac{1}{\varepsilon}|y|^2$ 来自 Young 不等式。它特别常用，因为它能把一个难处理的交叉项拆成两个平方项，而平方项通常更容易与 Lyapunov 函数匹配。

还有一部分来自随机分析工具

在随机系统里，普通导数已经不够，需要使用 Itô 公式和生成元。这些工具会自动引入噪声平方项，因此随机系统中的估计结构和确定性系统会有明显差异。

所以，论文里的不等式通常并不神秘。你可以把它们理解成三步组合：先从系统方程里找项，再用建模假设给这些项套上增长范围，最后用标准不等式把它们压成统一可比较的形式。

Itô 公式为什么在随机系统里这么重要

一旦系统包含布朗运动项，普通求导规则就不再够用了。随机系统常写成 $\mathrm{d}x=b(x)\mathrm{d}t+\sigma(x)\mathrm{d}B(t)$

这里状态变化不仅有确定性漂移项 $b(x)$，还有随机扩散项 $\sigma(x)\mathrm{d}B(t)$ 。如果这时还像确定性系统那样直接算 $\dot V$，就会漏掉最关键的噪声贡献。

Itô 公式的作用，就是告诉你 Lyapunov 函数在随机轨道下该怎样变化。以最简单的 $V(x)=|x|^2$ 为例，生成元通常会出现类似 $\mathcal{L}V(x)=2x^\top b(x)+\|\sigma(x)\|^2$

这里额外出现的噪声平方项，就是随机系统区别于确定性系统的重要地方。它说明噪声不是“平均一下就没了”，而是会以平方强度的形式真实进入能量变化率。

所以，Itô 公式之所以重要，是因为它给了你在随机系统里正确计算 Lyapunov 变化率的方式。没有它，很多稳定性结论根本写不严谨。

Lyapunov 函数到底是怎么选出来的

Lyapunov 函数不是从系统方程里机械算出来的，而是根据系统结构和证明目标设计出来的。你可以把它理解成一个分析工具的选型问题。

最基本的起点通常是 $V(x)=|x|^2$ ，因为它最自然地衡量状态大小。可一旦系统结构变复杂，单纯的 $|x|^2$ 常常不够用。

第一篇里有时滞、采样误差、模式失配、攻击区间和切换行为。若只用 $|x|^2$，这些因素的影响很难被完整吸收进去，所以需要构造更复杂的 Lyapunov functional，把过去状态、积分项或者误差项也纳入进去。

第二篇里虽然没有第一篇那样的离散观测误差，但它有脉冲时刻、非脉冲区间、稳定脉冲、失稳脉冲、攻击区间和节点异步行为。这里单靠一个静态的 Lyapunov 函数也不够，于是要借助 balancing function 去刻画时间轴上不同区间的稳定与失稳效应。

所以，Lyapunov 函数选择的真正标准不是“长得像能量”就可以，而是：代入系统方程之后，它的变化率必须能够被有效估计，并最终整理出总体收缩结构。

balancing function 为什么有用

balancing function 的意义，只有在系统中同时存在很多方向不同的作用机制时才会显得特别清楚。

如果一个系统始终处在同一种模式下，控制始终有效，所有脉冲都朝稳定方向作用，那么 Lyapunov 分析可能只需要盯住一个统一的衰减不等式。但两篇论文处理的都不是这种简单情况。它们面对的是多种区间、多种事件和多种机制交错出现的系统。

第一篇中，需要同时考虑攻击与非攻击区间、模式匹配与模式失配区间、节点异步切换行为。 第二篇中，需要同时考虑稳定脉冲与失稳脉冲、脉冲时刻与非脉冲区间、攻击与非攻击区间，以及不同节点的异步脉冲行为。

在这种背景下，一个固定不变的衰减率已经无法准确描述系统的净效应。balancing function 的作用，就是把这些分散在不同时间段里的有利作用和不利作用统一记录下来。你可以把它理解成一本动态账本。哪些时间段在“盈利”，哪些时间段在“亏损”，它都会被编码进去。

最后如果能够证明，总账仍然持续朝着有利于衰减的方向走，那么系统仍然是稳定的。也正因为这样，balancing function 在两篇论文里都不是可有可无的装饰，而是把局部碎片化分析拼成全局稳定性结论的关键桥梁。

图论方法在这里补的是什么空缺

两篇论文面对的都不是单节点系统，而是网络化大规模系统。节点之间存在耦合项，例如 $\sum_b h_{ab}\rho_b(t)$ 或者 $\sum_b d_{ab}\eta_b(t)$

只做单节点分析时，这些项会表现为别的节点对当前节点的交叉影响。问题在于，单节点估计并不能自动推出整个网络的稳定性，因为网络拓扑可能让误差在节点之间传播、叠加甚至放大。

图论方法补上的，就是从局部节点到全局网络的这一跳。借助图结构、拉普拉斯矩阵、余子式或者强连通性质，作者可以更系统地组织这些耦合项，控制交叉项的传播方式，最终把“节点层面的估计”提升为“全系统层面的稳定结论”。

所以，图论方法的根本作用是：把分散的局部分析，拼成整个网络的全局分析。

阅读稳定性证明时，怎样判断一项是增长项还是衰减项

判断一项的性质时，不要看它的名字，要看它最后在 Lyapunov 不等式里以什么符号出现。

如果最终它被估计成 $+c|x|^2$ ，那它就是潜在增长项，说明它倾向于让系统远离零点。如果最终它被估计成 $-c|x|^2,\qquad c>0$，那它就是衰减项，说明它提供了耗散作用。

所以，阅读证明时最重要的，不是记住每一项叫“时滞项”“耦合项”还是“控制项”，而是看它最后在主不等式中落到了哪一边，以及它是否能被主负项压住。很多看似复杂的证明，一旦你用这个视角去读，就会清楚很多。

一篇稳定性证明到底应该怎样读

如果你想真正看懂一篇稳定性证明，建议按下面这条线去读。

先找清楚状态变量是谁

第一篇的状态是 $\rho_a(t)$，第二篇的状态是 $\eta_a(t)$ 。你必须先知道论文到底在稳定什么。

再看系统方程里有哪些作用机制

通常要先识别自身动力学、耦合项、控制项、噪声项、时滞项、脉冲项或者攻击开关项。只有知道系统里有哪些力在同时作用，后面才能理解 Lyapunov 导数里每一项从哪来。

接着看作者选了什么 Lyapunov 函数或泛函

这里的重点不是把表达式背下来，而是问自己：作者为什么要这么选。这个函数想吸收哪些系统结构，它试图解决哪个难点。

然后看导数或生成元是怎么计算的

对于确定性系统，要看普通导数。对于随机系统，要看 Itô 公式或生成元。对脉冲系统，还要看跳变时刻前后的 Lyapunov 变化。你需要把连续时间段和离散事件时刻分别看清楚。

再逐项判断谁在增长，谁在衰减

这一步是整篇证明的核心阅读动作。自身动力学、耦合、噪声、时滞、失稳脉冲可能提供增长。控制、稳定脉冲或者某些有效区间可能提供衰减。

最后看作者怎样把它们收束成统一形式

很多证明最后都会整理到“主负项加剩余项”的结构，再通过参数条件保证主负项压住所有其余影响。这时你再去看定理里的条件，就会明白它们不是随意出现的，而是在保障某种整体净收缩。

所以，一篇稳定性证明的阅读主线，其实就是：识别系统结构，识别 Lyapunov 工具，识别增长与衰减项，识别作者最后怎样保住总体负结构。

两篇论文在方法论上的共同骨架是什么

虽然第一篇和第二篇研究对象不同，一个更偏离散观测分散控制，一个更偏异步脉冲混合系统，但它们在方法论上的骨架非常接近。

首先，都是先把复杂系统建模出来，明确系统中有哪些可能导致失稳的因素，也明确有哪些可以提供稳定作用的机制。 然后，构造节点级 Lyapunov 函数或泛函，用来衡量局部状态大小。 接着，引入 balancing function 处理异步行为、攻击区间、模式失配、脉冲跳变等时间依赖效应。 再借助图论方法把局部节点估计推广到整体网络。 最后，把所有估计整理成一个均方指数稳定判据。

从这个角度看，两篇论文属于同一研究风格并不是偶然的。它们共享的是一套很清楚的方法论框架。

如何用一句话概括 Lyapunov 方法在这两篇论文中的作用

可以概括为：

Lyapunov 方法把复杂随机网络系统的稳定性问题转化成一个能量变化率的不等式分析问题，核心是通过构造合适的 Lyapunov 函数或泛函，并结合控制作用、脉冲作用与 balancing function 提供足够的净耗散，去压过系统自身动力学、耦合、时滞、噪声、攻击和失稳因素带来的增长效应。

如果答辩时要用一段话概括方法论

可以直接这样说：

这两篇论文在方法上都属于 Lyapunov 稳定性分析框架。基本思路是先构造一个衡量系统状态大小的 Lyapunov 函数或泛函，再结合系统方程计算其导数或生成元。系统中的自身动力学、耦合、噪声、时滞或者失稳脉冲通常会表现为增长项，控制项或稳定脉冲则提供衰减项。由于系统中还存在攻击区间、异步行为和离散事件，论文进一步引入 balancing function 去统一记录不同时间段内的稳定与失稳效应，最后再结合图论工具处理节点耦合结构，从而推出整体系统的均方指数稳定判据。

本篇应当带走的核心认识

读完这篇之后，最重要的是把“为什么能证明稳定”这一层逻辑真正打通。

Lyapunov 方法研究的是能量函数是否总体下降。 系统方程决定状态如何变化，Lyapunov 函数决定如何衡量状态大小。 导数变正，说明某些机制在给系统注入能量。 控制项或稳定脉冲提供负耗散，用来压制这种增长。 即使不知道非线性项的精确形式，只要知道它满足某种上界条件，仍然可以做稳定性估计。 各种代数不等式和随机分析工具的作用，是把复杂项统一压缩成可比较的上界形式。 balancing function 的意义，在于把异步和分段效应统一纳入同一个账本。 图论方法的意义，在于把节点级分析提升为整体网络分析。

如果说前面几篇文档主要解决的是“论文在研究什么”，那么这一篇真正想解决的是：论文为什么能够这样证明。

【拓展思考】 很多人学 Lyapunov 方法时，容易把注意力过度放在公式推导技巧上，结果记住了不等式，没记住证明的骨架。真正更重要的，其实是三件事：你在衡量什么，哪些因素在制造增长，哪些机制在提供耗散。只要这三点抓稳，证明里的大部分技术步骤都会有位置感。你后面如果还要继续整理知识库，我建议再补一篇“证明模板页”，专门把稳定性论文常见的推导结构总结成固定流程，例如“选函数”“算导数”“拆交叉项”“吸收残差”“形成主负项”“套积分或比较引理”“得到指数收敛”。这样你以后读新论文时，进入速度会快很多。