更改

在数学中，'''线性系统（Linear System）'''是指系统的输出变化与输入变化成比例，并且系统内部各要素之间满足'''叠加原理（Superposition Principle）'''<ref name=":0">Alan V. Oppenheim, Alan S. Willsky, and S. Hamid Nawab, ''Signals and Systems'', 2nd ed., Prentice Hall, 1997.</ref><ref name=":1">S. Axler, Linear Algebra Done Right, 3rd ed. Cham, Switzerland: Springer, 2015.</ref>的系统。叠加原理包括两个基本性质：'''齐次性'''和'''可加性'''。也就是说，如果某一输入产生某一响应，那么该输入按比例放大或缩小后，系统响应也会按相同比例变化；如果多个输入同时作用于系统，则系统的总响应等于各个输入单独作用时响应的代数和。因此，线性系统的整体行为可以由局部行为组合得到，通常比非线性系统更加直观、规则且易于分析和控制。

在数学中，'''线性系统（Linear System）'''是指系统的输出变化与输入变化成比例，并且系统内部各要素之间满足'''[[叠加原理]]（Superposition Principle）'''<ref name=":0">Alan V. Oppenheim, Alan S. Willsky, and S. Hamid Nawab, ''Signals and Systems'', 2nd ed., Prentice Hall, 1997.</ref><ref name=":1">S. Axler, Linear Algebra Done Right, 3rd ed. Cham, Switzerland: Springer, 2015.</ref>的系统。叠加原理包括两个基本性质：'''[[齐次性]]'''和'''[[可加性]]'''。也就是说，如果某一输入产生某一响应，那么该输入按比例放大或缩小后，系统响应也会按相同比例变化；如果多个输入同时作用于系统，则系统的总响应等于各个输入单独作用时响应的代数和。因此，线性系统的整体行为可以由局部行为组合得到，通常比非线性系统更加直观、规则且易于分析和控制。

当这种线性关系进一步用于描述系统状态随时间的演化时，就得到'''线性动力系统（Linear Dynamical System）'''。与一般线性系统相比，线性动力系统更强调“状态如何变化”以及“当前状态如何决定未来状态”。因此，线性动力系统可以看作线性系统在时间演化问题中的具体形式<ref name=":0" /><ref name=":2">H. K. Khalil, Nonlinear Systems, 3rd ed. Upper Saddle River, NJ, USA: Prentice Hall, 2002.</ref>。

当这种线性关系进一步用于描述系统状态随时间的演化时，就得到'''[[线性动力系统（Linear Dynamical System）]]'''。与一般线性系统相比，[[线性动力系统]]更强调“状态如何变化”以及“当前状态如何决定未来状态”。因此，[[线性动力系统]]可以看作线性系统在时间演化问题中的具体形式<ref name=":0" /><ref name=":2">H. K. Khalil, Nonlinear Systems, 3rd ed. Upper Saddle River, NJ, USA: Prentice Hall, 2002.</ref>。

== '''定义''' ==

== '''定义''' ==

<nowiki>[math]\displaystyle{ \frac{d\mathbf{x}}{dt}=A\mathbf{x} }[/math]</nowiki>

<nowiki>[math]\displaystyle{ \frac{d\mathbf{x}}{dt}=A\mathbf{x} }[/math]</nowiki>

其中，[math]\displaystyle{ \mathbf{x}\in\mathbb{R}^n }[/math]表示系统的状态向量，A 为常数矩阵，用于描述系统内部各状态变量之间的线性耦合关系。该方程表明，系统状态的变化率由当前状态经过矩阵 A 的线性变换决定。

其中，[math]\displaystyle{ \mathbf{x}\in\mathbb{R}^n }[/math]表示系统的状态向量，A 为常数矩阵，用于描述系统内部各状态变量之间的[[线性耦合]]关系。该方程表明，系统状态的变化率由当前状态经过矩阵 A 的线性变换决定。

线性系统的一个核心优势在于，它们往往存在解析解。例如，对于上述常系数线性系统，其解可以形式化地写为

线性系统的一个核心优势在于，它们往往存在解析解。例如，对于上述常系数线性系统，其解可以形式化地写为

[math]\displaystyle{ \mathbf{x}(t)=e^{At}\mathbf{x}(0) }[/math]

[math]\displaystyle{ \mathbf{x}(t)=e^{At}\mathbf{x}(0) }[/math]

其中，x(0) 为初始状态，[math]\displaystyle{ e^{At} }[/math] 为矩阵指数。通过分析矩阵 A 的特征值和特征向量，可以进一步研究系统的稳定性、振荡行为、相轨迹结构以及长期演化趋势<ref name=":3" />。

其中，x(0) 为初始状态，[math]\displaystyle{ e^{At} }[/math] 为矩阵指数。通过分析矩阵 A 的特征值和特征向量，可以进一步研究系统的[[稳定性理论|稳定性]]、[[振荡行为]]、[[相轨迹]]结构以及长期演化趋势<ref name=":3" />。

== '''性质''' ==

== '''性质''' ==

=== 状态空间中的向量场 ===

=== [[状态空间]]中的[[向量场]] ===

<nowiki>线性动力系统不仅可以表示为代数意义上的矩阵微分方程，也可以理解为状态空间中的几何结构。对于连续时间系统 [math]\dot{\mathbf{x}}=A\mathbf{x}[/math]，每一个状态点 [math]\mathbf{x}\in\mathbb{R}^n[/math]都通过矩阵 A 对应一个速度向量 [math]\dot{\mathbf{x}}[/math]，表示系统在该点处的瞬时变化方向和变化速率。所有状态点上的速度向量共同构成系统的</nowiki><nowiki>'''</nowiki>向量场<nowiki>'''</nowiki>，用于描述系统在状态空间中的整体流动趋势。<ref name=":4">S. H. Strogatz, 非线性动力学与混沌, 孙梅, 译. 北京, 中国: 机械工业出版社, 2016.</ref>。

线性动力系统不仅可以表示为代数意义上的矩阵微分方程，也可以理解为[[状态空间]]<nowiki>中的几何结构。对于连续时间系统 [math]\dot{\mathbf{x}}=A\mathbf{x}[/math]，每一个状态点 [math]\mathbf{x}\in\mathbb{R}^n[/math]都通过矩阵 A 对应一个速度向量 [math]\dot{\mathbf{x}}[/math]，表示系统在该点处的瞬时变化方向和变化速率。所有状态点上的速度向量共同构成系统的</nowiki><nowiki>'''</nowiki>向量场<nowiki>'''</nowiki>，用于描述系统在状态空间中的整体流动趋势。<ref name=":4">S. H. Strogatz, 非线性动力学与混沌, 孙梅, 译. 北京, 中国: 机械工业出版社, 2016.</ref>。

=== 状态空间与相轨迹 ===

=== [[状态空间]]与[[相轨迹]] ===

由系统全部状态变量构成的几何空间称为<nowiki>'''</nowiki>相空间<nowiki>'''</nowiki>。给定初始状态 [math]\mathbf{x}(0)=\mathbf{x}_0[/math]后，系统状态会随时间 t 在相空间中演化，其描绘出的曲线称为<nowiki>'''</nowiki>相轨迹<nowiki>'''</nowiki>。相轨迹反映了系统从不同初始状态出发后的演化路径，是分析系统稳定性、振荡行为和长期趋势的重要工具。在二维情形下，相空间通常称为<nowiki>'''</nowiki>相平面<nowiki>'''</nowiki>。<ref name=":4" />

由系统全部状态变量构成的几何空间称为<nowiki>'''</nowiki>[[相空间]]<nowiki>'''</nowiki>。给定初始状态 [math]\mathbf{x}(0)=\mathbf{x}_0[/math]后，系统状态会随时间 t 在相空间中演化，其描绘出的曲线称为<nowiki>'''</nowiki>[[相轨迹]]<nowiki>'''</nowiki>。相轨迹反映了系统从不同初始状态出发后的演化路径，是分析系统稳定性、振荡行为和长期趋势的重要工具。在二维情形下，相空间通常称为<nowiki>'''</nowiki>[[相平面]]<nowiki>'''</nowiki>。<ref name=":4" />

=== 线性系统的定性行为 ===

=== 线性系统的定性行为 ===

在线性动力系统的研究中，分析重点不仅在于求出显式解[math]\mathbf{x}(t)[/math]，也在于从状态空间中的整体轨迹结构理解系统的宏观行为。通过考察相轨迹的几何形状、流动方向及其与平衡点的关系，可以在不直接求解方程的情况下，判断系统的稳定性、振荡性和长期演化趋势。对于低维系统，这些性质常可通过相图直观呈现；对于高维系统，则通常结合特征值、特征向量及不变子空间进行分析。<ref name=":4" />

在线性动力系统的研究中，分析重点不仅在于求出显式解[math]\mathbf{x}(t)[/math]，也在于从状态空间中的整体轨迹结构理解系统的宏观行为。通过考察相轨迹的几何形状、流动方向及其与平衡点的关系，可以在不直接求解方程的情况下，判断系统的[[稳定性理论|稳定性]]、振荡性和长期演化趋势。对于低维系统，这些性质常可通过相图直观呈现；对于高维系统，则通常结合特征值、特征向量及不变子空间进行分析。<ref name=":4" />

=== 平衡点与稳定性 ===

=== [[平衡点]]与[[稳定性理论|稳定性]] ===

<nowiki>在线性动力系统中，除了考察状态轨迹在相空间中的整体分布，另一个核心问题是系统在平衡状态附近的局部演化行为。对于连续时间系统 [math]\dot{\mathbf{x}}=A\mathbf{x}[/math]，若某一状态[math]\mathbf{x}^\ast[/math] 满足 [math]A\mathbf{x}^\ast=\mathbf{0}[/math]，则称其为系统的</nowiki><nowiki>'''</nowiki>不动点<nowiki>'''</nowiki>或<nowiki>'''</nowiki>平衡点<nowiki>'''</nowiki>。在齐次线性系统中，原点[math]\mathbf{x}=\mathbf{0}[/math] 总是一个平衡点；若矩阵 A 非奇异，则原点是唯一平衡点。系统在平衡点附近的轨迹走向决定了其稳定性，例如轨迹趋向平衡点表示渐近稳定，远离平衡点则表示不稳定。<ref name=":4" />

<nowiki>在线性动力系统中，除了考察状态轨迹在相空间中的整体分布，另一个核心问题是系统在平衡状态附近的局部演化行为。对于连续时间系统 [math]\dot{\mathbf{x}}=A\mathbf{x}[/math]，若某一状态[math]\mathbf{x}^\ast[/math] 满足 [math]A\mathbf{x}^\ast=\mathbf{0}[/math]，则称其为系统的</nowiki><nowiki>'''</nowiki>[[不动点]]<nowiki>'''</nowiki>或<nowiki>'''</nowiki>[[平衡点]]<nowiki>'''</nowiki>。在齐次线性系统中，原点[math]\mathbf{x}=\mathbf{0}[/math] 总是一个平衡点；若矩阵 A 非奇异，则原点是唯一平衡点。系统在平衡点附近的轨迹走向决定了其稳定性，例如轨迹趋向平衡点表示渐近稳定，远离平衡点则表示不稳定。<ref name=":4" />

=== 稳定性概念的层级 ===

=== 稳定性概念的层级 ===

在线性系统中，常用的稳定性概念包括：

在线性系统中，常用的稳定性概念包括：

* 吸引的 (Attracting)：若从不动点附近出发的轨迹在 [math]\displaystyle{ t\to\infty }[/math] 时都收敛到该点。

* 吸引的 (Attracting)：若从不动点附近出发的轨迹在 [math]\displaystyle{ t\to\infty }[/math] 时都收敛到该点。

* 李雅普诺夫稳定 (Lyapunov stable)：若任意足够靠近不动点的初始条件产生的轨迹，在未来始终保持在给定的较小邻域内。

* [[李雅普诺夫稳定]] (Lyapunov stable)：若任意足够靠近不动点的初始条件产生的轨迹，在未来始终保持在给定的较小邻域内。

* 渐近稳定 (Asymptotically stable)：若一个不动点同时满足上述两个条件。

* [[渐近稳定]] (Asymptotically stable)：若一个不动点同时满足上述两个条件。

* 中性稳定 (Neutrally stable)：轨迹始终保持在平衡点附近但不向其收敛（如无阻尼谐振子的闭合椭圆）。

* [[中性稳定]] (Neutrally stable)：轨迹始终保持在平衡点附近但不向其收敛（如无阻尼谐振子的闭合椭圆）。

* 不稳定 (Unstable)：无论扰动多么微小，轨迹都可能逐渐远离平衡点。

* [[不稳定]] (Unstable)：无论扰动多么微小，轨迹都可能逐渐远离平衡点。

== 在线性化和非线性系统分析中的作用 ==

== 在线性化和非线性系统分析中的作用 ==

设一个连续时间非线性动力系统<ref name=":4" />为

设一个连续时间非线性动力系统<ref name=":4" />为

<nowiki>[math]\displaystyle{ \frac{d\mathbf{x}}{dt}=\mathbf{F}(\mathbf{x}) }[/math]</nowiki>

<nowiki>[math]\displaystyle{ \frac{d\mathbf{x}}{dt}=\mathbf{F}(\mathbf{x}) }[/math]</nowiki>

其中，[math]\displaystyle{ \mathbf{x}\in\mathbb{R}^n }[/math] 为状态向量，[math]\displaystyle{ \mathbf{F}(\mathbf{x}) }[/math] 为非线性向量场。若 [math]\displaystyle{ \mathbf{x}^\ast }[/math] 是系统的不动点，即

其中，[math]\displaystyle{ \mathbf{x}\in\mathbb{R}^n }[/math] 为[[状态向量]]，[math]\displaystyle{ \mathbf{F}(\mathbf{x}) }[/math] 为[[非线性向量场]]。若 [math]\displaystyle{ \mathbf{x}^\ast }[/math] 是系统的[[不动点]]，即

[math]\displaystyle{ \mathbf{F}(\mathbf{x}^\ast)=\mathbf{0} }[/math]

[math]\displaystyle{ \mathbf{F}(\mathbf{x}^\ast)=\mathbf{0} }[/math]

<nowiki>[math]\displaystyle{ J(\mathbf{x}^\ast)=\left.\frac{\partial \mathbf{F}}{\partial \mathbf{x}}\right|_{\mathbf{x}=\mathbf{x}^\ast} }[/math]</nowiki>

<nowiki>[math]\displaystyle{ J(\mathbf{x}^\ast)=\left.\frac{\partial \mathbf{F}}{\partial \mathbf{x}}\right|_{\mathbf{x}=\mathbf{x}^\ast} }[/math]</nowiki>

称为该非线性系统在不动点处的<nowiki>'''雅可比矩阵'''</nowiki>（Jacobian matrix）。因此，非线性系统在不动点附近的局部行为，通常可以由一个线性常系数系统来近似刻画。

称为该[[非线性系统]]在[[不动点]]处的<nowiki>'''</nowiki>[[雅可比矩阵]]<nowiki>'''</nowiki>（Jacobian matrix）。因此，[[非线性系统]]在[[不动点]]附近的局部行为，通常可以由一个线性常系数系统来近似刻画。

这种方法称为'''线性化'''。通过分析雅可比矩阵的特征值，可以判断不动点附近的局部稳定性。例如，若所有特征值的实部均小于零，则该不动点通常是局部稳定的；若存在特征值的实部大于零，则该不动点通常是不稳定的。若特征值为复数，则系统可能表现出振荡、螺旋收敛或螺旋发散等相空间行为。

这种方法称为'''线性化'''。通过分析[[雅可比矩阵]]的特征值，可以判断[[不动点]]附近的局部稳定性。例如，若所有特征值的实部均小于零，则该不动点通常是局部稳定的；若存在特征值的实部大于零，则该[[不动点]]通常是不稳定的。若特征值为复数，则系统可能表现出振荡、螺旋收敛或螺旋发散等[[相空间]]行为。

因此，线性系统不仅本身具有独立的研究价值，也构成了研究非线性动力系统的重要基础。特别是在[[二维线性动力系统|二维]]及更高维相空间中，线性系统可以用于刻画稳定节点、鞍点、焦点、中心等典型局部结构。这些结构为理解更复杂的非线性现象，如分岔、[https://wiki.swarma.org/index.php/%E6%9E%81%E9%99%90%E7%8E%AF 极限环]和混沌等，提供了基本分析框架<ref name=":2" /><ref name=":4" />。

因此，线性系统不仅本身具有独立的研究价值，也构成了研究[[非线性动力系统]]的重要基础。特别是在[[二维线性动力系统|二维]]及更高维[[相空间]]中，线性系统可以用于刻画稳定节点、鞍点、焦点、中心等典型局部结构。这些结构为理解更复杂的非线性现象，如[[分岔理论|分岔]]、[https://wiki.swarma.org/index.php/%E6%9E%81%E9%99%90%E7%8E%AF 极限环]和[[混沌理论|混沌]]等，提供了基本分析框架<ref name=":2" /><ref name=":4" />。