跳至正文

Lyapunov稳定性：不解方程也能判定系统命运

  • 由
🟣 数学证明 🟢 成熟理论 📅 2026年3月 ⏱ 阅读约15分钟

一个钟摆被推了一把，它会左右摇摆，但最终回到竖直平衡位置——这是稳定的。一根倒立的铅笔被轻轻碰触，它会直接倒下，永远离开平衡点——这是不稳定的。两个系统同样有”平衡点”，却表现出截然不同的命运。

更深的问题是：你怎么判断？直觉上，你可以用”能量”来感受——钟摆扰动后能量来回转换，总量受限；倒笔被推后，重力势能直接把它拉离。但”能量”是个物理概念，对更抽象的数学系统怎么办？神经网络的训练过程稳定吗？生态系统在外来物种入侵后会崩溃吗？1892年，俄国数学家亚历山大·李亚普诺夫（Aleksandr Lyapunov）给出了一套框架：不用解方程，只需构造一个像”广义能量”的函数，就能判断稳定性[1]。这个思想，在一个多世纪后的今天，仍然是控制理论、混沌研究和机器学习动力学的核心工具[2][3]。

📑 本文目录

一、Lyapunov稳定性：不解方程判稳定

🔑 核心概念：稳定性不是”回到原位”，而是”不跑太远”

日常语言里，”稳定”往往意味着”会回来”。但数学家的定义更精细，分三个层次：

  • Lyapunov稳定（稳定）：扰动后，轨迹永远待在平衡点附近。不要求回去，只要求不跑太远。
  • 渐近稳定：扰动后不仅不跑远，还会主动收敛回平衡点。
  • 不稳定：任意小的扰动都可能让轨迹跑到任意远处。

考虑一个连续动力系统，其状态随时间演化满足：

ẋ(t) = f(x(t))

人话翻译：x是系统的当前状态（比如钟摆的角度和角速度），ẋ是状态变化的速率，f描述”在当前状态下，系统想往哪个方向走”。

设x=0为平衡点（即f(0)=0）。Lyapunov稳定性的精确定义是：对任意ε>0，存在δ>0，使得若初始状态满足‖x(0)‖<δ，则对所有未来时刻t≥0均有‖x(t)‖<ε。

∀ε>0, ∃δ>0: ‖x(0)‖<δ ⟹ ‖x(t)‖<ε, ∀t≥0

人话翻译：只要初始扰动足够小（小于δ），系统就永远待在一个半径ε的球里。ε可以是你想要的任意精度，δ是为此付出的代价。

💡 直觉：碗里的小球 vs 山顶的小球

把状态空间想象成一片地形。碗底是稳定平衡点——小球被扰动后，在碗内来回滚动，但永远出不了碗。山顶是不稳定平衡点——小球一被推就滚下山，越走越远。渐近稳定相当于碗有摩擦，小球最终停在碗底。

Lyapunov的天才之处在于：他把这种”地形”概念从物理能量推广到了抽象数学对象。

传统分析稳定性的方法是线性化——在平衡点附近用雅可比矩阵近似系统，然后看特征值的符号。但这只对小邻域成立，对非线性系统的全局行为、对带有时滞的系统、对切换系统，线性化都会失效[1]。Lyapunov直接法绕开了这一限制。

二、Lyapunov函数：能量的推广

Lyapunov直接法的核心是找一个”类能量函数”V(x)，通过分析V的性质来推断系统行为，而完全不需要求解微分方程。

📐 Lyapunov稳定性定理（直接法）

若存在连续可微函数V(x)满足：

  1. V(0) = 0，且对x≠0有V(x) > 0（正定性）
  2. V(x)在系统轨迹上的导数 V̇(x) = ∇V·f(x) ≤ 0（非增性）

则平衡点x=0是Lyapunov稳定的。若进一步有V̇(x) < 0对x≠0成立，则是渐近稳定的。

V̇(x) = (∂V/∂x) · f(x) ≤ 0

人话翻译：V̇是V随时间的变化率。V̇≤0意味着”广义能量”永不增加，系统总是向能量更低的状态演化或停在原地，所以不会逃跑。V̇<0则保证能量严格下降，系统最终收敛。

🌍 应用：切换模糊控制系统的稳定性设计

在工业控制中，很多系统根据当前状态切换不同的控制器（比如汽车的自适应悬挂根据路况切换模式）。每个模式单独稳定，但切换本身可能破坏稳定性。Ohtake等人（2006）提出了切换Lyapunov函数方法：为每个工作模式设计一个局部Lyapunov函数，然后证明切换时函数值不会跳升[7]。Li等人（2008）进一步发展了模糊Lyapunov函数，允许V本身也依赖系统的隶属函数，从而大幅降低稳定性条件的保守性[8]。

Lyapunov函数的”艺术性”在于：定理本身是严格的，但函数V的构造没有统一公式。对简单系统，二次型V(x) = xᵀPx（P为正定矩阵）是标准选择；对约束系统，研究者发展出了Barrier Lyapunov函数（BLF）——它在约束边界附近趋向无穷大，像一堵无形的墙，确保状态永远无法穿越边界。

🌍 应用：带视场角约束的导弹制导

Wei等人（2024）将积分Barrier Lyapunov函数用于飞行器固定时间制导控制——不仅要求导弹击中目标，还要保证视场角约束（导引头只能看到一定范围内的目标）在整个飞行过程中不被违反[9]。Hosseinnajad等人（2024）则将BLF用于双积分器系统的固定时间控制，证明了收敛时间上界与初始状态无关[10]。

当系统状态被神经网络参数化时，Lyapunov稳定性条件变成了神经网络的训练目标。Fuentes-Aguilar等人（2020）用微分神经网络进行状态约束自适应追踪，其稳定性证明基于BLF，确保跟踪误差不超过给定界[11]。He等人（2017）则把非对称BLF用于海洋船舶的自适应神经控制，对不同方向设置不同约束[12]。

更深层的理论进展来自几何视角。Michalska等人（2026）用几何方法重新审视带漂移非线性系统的反馈镇定问题，揭示了Lyapunov稳定性与系统几何可控结构之间的深层联系[13]。Koelewijn等人（2019）发展了增量稳定性框架，关注的不再是”轨迹是否收敛到平衡点”，而是”任意两条轨迹之间的距离是否收缩”——这对时变参数系统更为自然[14]。

📜 理论延伸：时滞系统与脉冲系统

现实系统往往有”记忆”——当前的控制输出，过一段时间才影响系统状态（如网络控制中的通信延迟）。Tian等人（2024）将Lyapunov方法扩展到时滞偏微分方程系统，给出指数稳定性的判定条件[2]。Mancilla-Aguilar等人（2019）处理了”脉冲系统”——状态在某些时刻发生跳变，证明了在脉冲频率最终有界时的统一稳定性[5]。Pinsky（2024）则给出了带时滞向量系统的有界性和稳定性新判据[6]。

三、Lyapunov指数：混沌的温度计

Lyapunov稳定性关注的是”平衡点附近的行为”。但很多有趣的动力系统根本没有（或不趋向）稳定平衡点——它们是混沌的，在相空间中永无止境地游荡。如何量化这种游荡的”失控程度”？答案是Lyapunov指数。

🔑 核心概念：初值敏感性的定量刻画

混沌系统的标志性特征是”蝴蝶效应“——初始状态的极微小差异，随时间以指数速率放大。Lyapunov指数λ就是量化这种指数增长速率的数字：

  • λ > 0：相邻轨迹指数分离，系统混沌，初值预测失效
  • λ = 0：相邻轨迹线性分离，临界状态（如周期轨道）
  • λ < 0：相邻轨迹指数收敛，系统稳定（对应Lyapunov稳定意义下的渐近稳定）

对一个n维系统，存在n个Lyapunov指数，构成Lyapunov谱。最大Lyapunov指数（MLE，Maximum Lyapunov Exponent）是最关键的一个，它决定了系统的混沌程度：

λ₁ = lim_{t→∞} (1/t) · ln(‖δx(t)‖ / ‖δx(0)‖)

人话翻译：δx(0)是两条初始轨迹的差距，δx(t)是t时刻的差距。λ₁就是这个差距”以多快的速率指数增长”。正数意味着差距爆炸式增大，负数意味着差距不断缩小。

符号含义
λ₁最大Lyapunov指数
δx(t)t时刻两轨迹的偏差向量
‖·‖向量的范数（距离）
lim_{t→∞}取时间趋于无穷的极限，抹去短暂的波动

🔬 实验：最大Lyapunov指数的统计性质

Franchi等人（2014）系统研究了用”发散率法”（divergence rate method）计算MLE的统计性质[15]。他们发现：由于时间序列有限，估计出的MLE本身是随机量，有统计分布。如果不了解这一点，很可能把估计误差当作系统的真实特征——这对判断一个系统究竟是混沌还是噪声驱动尤为重要。

❌ 常见误区：正Lyapunov指数 = 混沌？

不一定。Shuai & Durand（2001）研究了”奇异非混沌吸引子“（SNA）——这类系统的最大Lyapunov指数为正，但轨迹并不表现出经典混沌的特征，而是在一个几何上不规则但非随机的吸引子上运动[16]。这提醒我们：Lyapunov指数是必要工具，但单靠一个数字无法给复杂动力系统下定论。

Lyapunov指数还有一个重要性质：n维系统全部n个指数之和等于系统的”体积膨胀率”（即雅可比矩阵的迹）。对耗散系统（如大多数物理系统），这个和是负的——系统在相空间中是”体积收缩”的，轨迹被压缩到低维吸引子上。

四、从时间序列估计Lyapunov指数

理论定义给出了Lyapunov指数的数学框架，但现实中我们往往没有方程——只有一串随时间记录的观测数据。如何从时间序列中还原Lyapunov指数？

📐 Wolf算法的基本思路

最经典的方法（Wolf et al., 1985，可参考Franchi 2014的综述[15]）：

  1. 对一段时间序列进行相空间重构（Takens定理保证这是可行的）
  2. 找到重构相空间中，某个参考点的最近邻
  3. 追踪两者的距离随时间如何增长
  4. 当距离变大到超过阈值，重新寻找最近邻，重复循环
  5. 对全部增长率取平均，得到MLE估计

🔬 现代挑战：混沌与随机性共存

García-Gutiérrez等人（2026）提出了一种基于方差的新方法，专门处理随机噪声与确定性混沌共存的场景[18]。传统方法在噪声较大时往往把噪声引起的发散和混沌引起的发散混淆；新方法通过对不同时间尺度上的方差进行分解，能在更强的噪声背景下给出更可靠的Lyapunov指数估计。

Margazoglou等人（2023）把稳定性分析从”有模型”推进到了”纯数据驱动”：直接从混沌系统的观测数据中提取协变Lyapunov向量（Covariant Lyapunov Vectors，CLV）——这些向量描述了相空间中局部不稳定和稳定的”方向”[3]。CLV比标量MLE承载更多信息：它告诉你系统在哪个”维度”上最容易失控，是预测能力分析和湍流控制的基础工具。

🌍 应用：Echo State Network的动力学分析

Bianchi等人（2018）用递归分析法（recurrence analysis）研究了回声状态网络（ESN）的内部动力学，揭示了网络在”混沌边缘”工作时计算能力最强的规律[19]。这与Lyapunov指数框架高度相关：当MLE接近零，系统处于稳定与混沌的临界区，既有足够的”记忆”（不立即忘记输入），又有足够的”多样性”（不会陷入单调循环）——这正是储层计算能力的最优区间。

五、跨领域联系：从控制工程到神经网络

5.1 时变网络上的Lyapunov指数

经典Lyapunov指数定义在固定结构的动力系统上——方程是固定的，只有状态在变化。但现实中，很多系统的结构本身也在随时间变化：社交网络中的连接时有时无，神经系统中的突触权重不断更新，传染病传播网络随人员流动而变化。

Caligiuri等人（2023）把Lyapunov指数概念推广到了时变网络系统[17]。他们证明，在时变耦合条件下，系统的稳定性（以Lyapunov指数刻画）受到网络结构变化节律的显著影响——有时，快速切换的网络比任何一个瞬时静态网络都更稳定（时间平均效应）。这为分析流行病传播、神经振荡的同步与失同步提供了新工具。

系统稳定性与网络结构的关系

  • 慢变网络：稳定性接近瞬时静态网络的平均
  • 快变网络：时间平均效应主导，稳定性由平均耦合决定
  • 中间频率：可能出现共振，稳定性意外恶化

5.2 潜在空间中的稳定性分析

现代机器学习系统——大语言模型、扩散模型、强化学习智能体——的”状态”往往是高维潜在向量，而不是传统意义上的物理量。能否把Lyapunov稳定性分析用到这些系统上？

Özalp等人（2025）提出了在潜在空间中直接进行稳定性分析的框架[4]：先用自编码器把高维观测压缩到低维潜在空间，再在潜在空间中估计Lyapunov谱。他们发现，对混沌时间序列（如天气数据），潜在空间中的Lyapunov指数与已知理论值高度吻合，且所需数据量远少于直接在原始高维空间中估计。这一方法的意义在于：它为分析我们理解不了其内部机制的复杂系统（黑盒模型）提供了一个量化稳定性的新入口。

🚀 前沿：Lyapunov稳定性与几何控制的深层联系

Punzi & Wohlfarth（2009）从黎曼几何的视角重新审视动力系统稳定性，把Lyapunov稳定性与测地线稳定性（geodesic stability）联系起来[1]。在这一框架下，稳定性不再依赖于参考坐标系的选取——这对处理具有内禀几何结构的系统（如机器人运动学、广义相对论中的轨道稳定性）尤为重要。Michalska等人（2026）则从几何方法出发，系统化了带漂移非线性系统的反馈镇定理论[13]，为高维非线性控制设计提供了坐标无关的理论基础。

六、局限与前沿

❌ 局限一：Lyapunov函数不是万能的——找不到不等于不存在

Lyapunov定理的逆定理（Lyapunov逆定理）保证：若系统渐近稳定，则Lyapunov函数必然存在。但”存在”和”能被找到”是两回事。对高维非线性系统，构造Lyapunov函数至今是开放问题，常依赖人工经验或对系统结构的深刻理解。找不到函数，不能证明不稳定。

❌ 局限二：MLE是全局平均，丢失了局部信息

最大Lyapunov指数是对整条轨迹的长时间平均，它无法告诉你系统在相空间某个特定区域的局部稳定性。Margazoglou等人（2023）正是为此引入了协变Lyapunov向量——它在每个时间点都给出局部的扩张/收缩方向，而非全局平均[3]。这在分析湍流、极端气候事件的预测窗口时更为关键。

❌ 局限三：有限数据下的估计误差不可忽视

从时间序列估计Lyapunov指数，需要足够长的数据。Franchi等人（2014）的分析表明，有限样本下MLE估计量的方差可能很大[15]；Shuai & Durand（2001）的奇异非混沌吸引子案例则说明，正MLE可能是假阳性[16]。在实际应用中，单靠MLE的符号下结论需要极度谨慎。

🚀 前沿一：数据驱动的Lyapunov稳定性分析

未来的方向是完全摆脱对方程的依赖。Margazoglou（2023）从数据中提取CLV[3]，Özalp（2025）在潜在空间中估计Lyapunov谱[4]，García-Gutiérrez（2026）在噪声环境下可靠估计MLE[18]——这三项工作共同勾勒了”无方程稳定性分析”的轮廓。结合机器学习模型的潜在表征，Lyapunov分析有望成为解释AI系统动力学行为的基础工具。

🚀 前沿二：时变网络与复杂系统

Caligiuri等人（2023）把Lyapunov指数推广到时变网络[17]，开启了”动态结构+动态状态”的双重分析框架。这一方向与社会网络动力学、大脑功能连接的时变分析、全球气候系统的网络稳定性分析高度相关。未来的挑战在于如何处理网络结构变化和节点状态变化之间的相互反馈。

🎯 关键要点
  • Lyapunov稳定性不要求轨迹”回到原位”，只要求”扰动后不跑太远”；渐近稳定才保证最终回归。
  • Lyapunov直接法的核心：构造一个类能量函数V(x)，若V沿轨迹非增，则系统稳定——完全不需要解方程。
  • Barrier Lyapunov函数将稳定性保证扩展到带约束系统，是现代自适应控制和机器人控制的核心工具。
  • 最大Lyapunov指数（MLE）量化混沌强度：λ₁>0意味着初值敏感，预测窗口有限；但正MLE不等于混沌（奇异非混沌吸引子）。
  • 数据驱动方向：无需方程，从时间序列（Wolf法）、潜在空间（Özalp 2025）或方差分解（García-Gutiérrez 2026）均可估计Lyapunov指数。
  • 时变网络上的Lyapunov扩展（Caligiuri 2023）为分析结构动态变化的复杂系统（神经网络、社交网络、流行病传播）提供了新框架。

📚 参考文献

  1. Punzi R, Wohlfarth M. Geometry and stability of dynamical systems. Physical Review E. 2009. doi:10.1103/PhysRevE.79.046606
  2. Tian H, et al. Exponential stability analysis of delayed partial differential equation systems: Applying the Lyapunov method and delay-dependent techniques. Heliyon. 2024. doi:10.1016/j.heliyon.2024.e32650
  3. Margazoglou G, et al. Stability analysis of chaotic systems from data. Nonlinear Dynamics. 2023. doi:10.1007/s11071-023-08285-1
  4. Özalp E, et al. Stability analysis of chaotic systems in latent spaces. Nonlinear Dynamics. 2025. doi:10.1007/s11071-024-10712-w
  5. Mancilla-Aguilar JL, et al. Uniform stability of nonlinear time-varying impulsive systems with eventually uniformly bounded impulse frequency. 2019. arXiv:1912.04343
  6. Pinsky MA. A New Approach to Reducing Vector Delay Nonlinear Systems: Boundedness and Stability Analysis. 2024. arXiv:2410.20674
  7. Ohtake H, Tanaka K, Wang HO. Switching fuzzy controller design based on switching Lyapunov function for a class of nonlinear systems. IEEE Transactions on Systems, Man, and Cybernetics Part B. 2006. doi:10.1109/TSMCB.2005.852473
  8. Li J, et al. Fuzzy control system design via fuzzy Lyapunov functions. IEEE Transactions on Systems, Man, and Cybernetics Part B. 2008. doi:10.1109/TSMCB.2008.928224
  9. Wei S, et al. Integral barrier Lyapunov function-based fixed-time integrated guidance and control with asymmetric field-of-view angle constraints. ISA Transactions. 2024. doi:10.1016/j.isatra.2024.06.004
  10. Hosseinnajad A, et al. Barrier Lyapunov function-based homogeneous fixed-time controller design for a double integrator system. ISA Transactions. 2024. doi:10.1016/j.isatra.2024.06.005
  11. Fuentes-Aguilar R, et al. Adaptive Tracking Control of State Constraint Systems Based on Differential Neural Networks: A Barrier Lyapunov Function Approach. IEEE Transactions on Neural Networks and Learning Systems. 2020. doi:10.1109/TNNLS.2020.2966914
  12. He W, et al. Adaptive Neural Network Control of a Marine Vessel With Constraints Using the Asymmetric Barrier Lyapunov Function. IEEE Transactions on Cybernetics. 2017. doi:10.1109/TCYB.2016.2554621
  13. Michalska H, et al. A Geometric Approach to Feedback Stabilization of Nonlinear Systems with Drift. 2026. arXiv:2602.15370 / doi:10.1016/S0167-6911(03)00169-5
  14. Koelewijn PJW, et al. Linear Parameter-Varying Control of Nonlinear Systems based on Incremental Stability. 2019. arXiv:1909.07154 / doi:10.1016/j.ifacol.2019.12.345
  15. Franchi M, et al. Statistical properties of the maximum Lyapunov exponent calculated via the divergence rate method. Physical Review E. 2014. doi:10.1103/PhysRevE.90.062920
  16. Shuai J, Durand DM. Positive Lyapunov exponents calculated from time series of strange nonchaotic attractors. Physical Review E. 2001. doi:10.1103/PhysRevE.64.026220
  17. Caligiuri A, et al. Lyapunov exponents for temporal networks. Physical Review E. 2023. doi:10.1103/PhysRevE.107.044305
  18. García-Gutiérrez A, et al. Chaos meets stochasticity: A variance-based method for Lyapunov exponent estimation. Chaos. 2026. doi:10.1063/5.0311209
  19. Bianchi F, et al. Investigating Echo-State Networks Dynamics by Means of Recurrence Analysis. IEEE Transactions on Neural Networks and Learning Systems. 2018. doi:10.1109/TNNLS.2016.2630802