矩陣差分方程 是一種差分方程 ，其中某時刻的變量向量（或矩陣）與之前時刻的值通過矩陣相關。[1] [2] 階 是變量向量任意兩個指示值之間的最大時差。例如
x
t
=
A
x
t
−
1
+
B
x
t
−
2
{\displaystyle \mathbf {x} _{t}=\mathbf {Ax} _{t-1}+\mathbf {Bx} _{t-2}}
是二階矩陣差分方程，其中x n × 1A B n × n
x
t
+
2
=
A
x
t
+
1
+
B
x
t
{\displaystyle \mathbf {x} _{t+2}=\mathbf {Ax} _{t+1}+\mathbf {Bx} _{t}}
或
x
n
=
A
x
n
−
1
+
B
x
n
−
2
{\displaystyle \mathbf {x} _{n}=\mathbf {Ax} _{n-1}+\mathbf {Bx} _{n-2}}
最常見的矩陣差分方程都是一階的。
非齊次一階情形及穩態 [ 編輯 ] 非齊次一階矩陣差分方程如：
x
t
=
A
x
t
−
1
+
b
{\displaystyle \mathbf {x} _{t}=\mathbf {Ax} _{t-1}+\mathbf {b} }
與一個加性常向量 b x x *x *x t x t −1x *x *
x
∗
=
[
I
−
A
]
−
1
b
{\displaystyle \mathbf {x} ^{*}=[\mathbf {I} -\mathbf {A} ]^{-1}\mathbf {b} }
其中I n × n 單位矩陣 ，假定[I − A ]
[
x
t
−
x
∗
]
=
A
[
x
t
−
1
−
x
∗
]
{\displaystyle \left[\mathbf {x} _{t}-\mathbf {x} ^{*}\right]=\mathbf {A} \left[\mathbf {x} _{t-1}-\mathbf {x} ^{*}\right]}
一階情形的穩定性 [ 編輯 ] 一階矩陣差分方程[x t x *] = A [x t −1x *] 穩定 的，即若且唯若轉移矩陣A x t x *
解一階情形 [ 編輯 ] 假定方程齊次形式為y t = Ay t −1初始條件 y 0 y 0 y
y
1
=
A
y
0
y
2
=
A
y
1
=
A
2
y
0
y
3
=
A
y
2
=
A
3
y
0
{\displaystyle {\begin{aligned}\mathbf {y} _{1}&=\mathbf {Ay} _{0}\\\mathbf {y} _{2}&=\mathbf {Ay} _{1}=\mathbf {A} ^{2}\mathbf {y} _{0}\\\mathbf {y} _{3}&=\mathbf {Ay} _{2}=\mathbf {A} ^{3}\mathbf {y} _{0}\end{aligned}}}
以此類推，由數學歸納法 ，用t
y
t
=
A
t
y
0
{\displaystyle \mathbf {y} _{t}=\mathbf {A} ^{t}\mathbf {y} _{0}}
此外，若A A
y
t
=
P
D
t
P
−
1
y
0
,
{\displaystyle \mathbf {y} _{t}=\mathbf {PD} ^{t}\mathbf {P} ^{-1}\mathbf {y} _{0},}
其中P n × n A D n × n 對角矩陣 ，對角元是A A A t
從一階矩陣系統中提取單一純量變量的動力特性 [ 編輯 ] 從n y t Ay t −1y 1 yt y 1,t A n y 1 y 1
y
1
,
t
=
a
1
y
1
,
t
−
1
+
a
2
y
1
,
t
−
2
+
⋯
+
a
n
y
1
,
t
−
n
{\displaystyle y_{1,t}=a_{1}y_{1,t-1}+a_{2}y_{1,t-2}+\dots +a_{n}y_{1,t-n}}
其中參數ai A 特徵方程式 ：
λ
n
−
a
1
λ
n
−
1
−
a
2
λ
n
−
2
−
⋯
−
a
n
λ
0
=
0.
{\displaystyle \lambda ^{n}-a_{1}\lambda ^{n-1}-a_{2}\lambda ^{n-2}-\dots -a_{n}\lambda ^{0}=0.}
因此，n n
高階情形的解與穩定性 [ 編輯 ] 可用分塊矩陣將高階矩陣差分方程轉換到一階，可以求解時滯超過一個周期的高階方程，並分析其穩定性。例如，假設有二階方程
x
t
=
A
x
t
−
1
+
B
x
t
−
2
{\displaystyle \mathbf {x} _{t}=\mathbf {Ax} _{t-1}+\mathbf {Bx} _{t-2}}
變量向量x n × 1A B n × n
[
x
t
x
t
−
1
]
=
[
A
B
I
0
]
[
x
t
−
1
x
t
−
2
]
{\displaystyle {\begin{bmatrix}\mathbf {x} _{t}\\\mathbf {x} _{t-1}\\\end{bmatrix}}={\begin{bmatrix}\mathbf {A} &\mathbf {B} \\\mathbf {I} &\mathbf {0} \\\end{bmatrix}}{\begin{bmatrix}\mathbf {x} _{t-1}\\\mathbf {x} _{t-2}\end{bmatrix}}}
其中I n × n 單位矩陣 ，0 n × n 零矩陣 。然後將當前變量和一度滯後變量的2n × 1 z t 2n × 2n L
z
t
=
L
t
z
0
{\displaystyle \mathbf {z} _{t}=\mathbf {L} ^{t}\mathbf {z} _{0}}
與之前一樣，若且唯若矩陣L
非線性矩陣差分方程：黎卡提方程 [ 編輯 ] 在LQG控制 中，會出現一個當前和未來成本矩陣反向演化的非線性矩陣方程，下面用H 黎卡提方程 ，當據線性矩陣差分方程演化的變量向量受外源向量的控制，以優化二次 損失函數 時，就會產生這個方程。黎卡提方程形式如下：
H
t
−
1
=
K
+
A
′
H
t
A
−
A
′
H
t
C
[
C
′
H
t
C
+
R
]
−
1
C
′
H
t
A
{\displaystyle \mathbf {H} _{t-1}=\mathbf {K} +\mathbf {A} '\mathbf {H} _{t}\mathbf {A} -\mathbf {A} '\mathbf {H} _{t}\mathbf {C} \left[\mathbf {C} '\mathbf {H} _{t}\mathbf {C} +\mathbf {R} \right]^{-1}\mathbf {C} '\mathbf {H} _{t}\mathbf {A} }
其中H K A n × n C n × k R k × k n k A C K R 此處 。
一般來說，該方程無法根據t H t H t [3] R = 0 n = k + 1有理差分方程 分析求解；對任意k n A [4]
在大多數情況下，H H H *隨機控制#離散時間系統 。
相關的黎卡提方程[5]
X
t
+
1
=
−
[
E
+
B
X
t
]
[
C
+
A
X
t
]
−
1
{\displaystyle \mathbf {X} _{t+1}=-\left[\mathbf {E} +\mathbf {B} \mathbf {X} _{t}\right]\left[\mathbf {C} +\mathbf {A} \mathbf {X} _{t}\right]^{-1}}
其中X , A , B , C , E n × n
X
t
=
N
t
D
t
−
1
{\displaystyle \mathbf {X} _{t}=\mathbf {N} _{t}\mathbf {D} _{t}^{-1}}
t = 0N 0 = X 0 D 0 = I
X
t
+
1
=
−
[
E
+
B
N
t
D
t
−
1
]
D
t
D
t
−
1
[
C
+
A
N
t
D
t
−
1
]
−
1
=
−
[
E
D
t
+
B
N
t
]
[
[
C
+
A
N
t
D
t
−
1
]
D
t
]
−
1
=
−
[
E
D
t
+
B
N
t
]
[
C
D
t
+
A
N
t
]
−
1
=
N
t
+
1
D
t
+
1
−
1
{\displaystyle {\begin{aligned}\mathbf {X} _{t+1}&=-\left[\mathbf {E} +\mathbf {BN} _{t}\mathbf {D} _{t}^{-1}\right]\mathbf {D} _{t}\mathbf {D} _{t}^{-1}\left[\mathbf {C} +\mathbf {AN} _{t}\mathbf {D} _{t}^{-1}\right]^{-1}\\&=-\left[\mathbf {ED} _{t}+\mathbf {BN} _{t}\right]\left[\left[\mathbf {C} +\mathbf {AN} _{t}\mathbf {D} _{t}^{-1}\right]\mathbf {D} _{t}\right]^{-1}\\&=-\left[\mathbf {ED} _{t}+\mathbf {BN} _{t}\right]\left[\mathbf {CD} _{t}+\mathbf {AN} _{t}\right]^{-1}\\&=\mathbf {N} _{t+1}\mathbf {D} _{t+1}^{-1}\end{aligned}}}
因此通過歸納法，形式
X
t
=
N
t
D
t
−
1
{\displaystyle \mathbf {X} _{t}=\mathbf {N} _{t}\mathbf {D} _{t}^{-1}}
t N D
[
N
t
+
1
D
t
+
1
]
=
[
−
B
−
E
A
C
]
[
N
t
D
t
]
≡
J
[
N
t
D
t
]
{\displaystyle {\begin{bmatrix}\mathbf {N} _{t+1}\\\mathbf {D} _{t+1}\end{bmatrix}}={\begin{bmatrix}-\mathbf {B} &-\mathbf {E} \\\mathbf {A} &\mathbf {C} \end{bmatrix}}{\begin{bmatrix}\mathbf {N} _{t}\\\mathbf {D} _{t}\end{bmatrix}}\equiv \mathbf {J} {\begin{bmatrix}\mathbf {N} _{t}\\\mathbf {D} _{t}\end{bmatrix}}}
因此可歸納
[
N
t
D
t
]
=
J
t
[
N
0
D
0
]
{\displaystyle {\begin{bmatrix}\mathbf {N} _{t}\\\mathbf {D} _{t}\end{bmatrix}}=\mathbf {J} ^{t}{\begin{bmatrix}\mathbf {N} _{0}\\\mathbf {D} _{0}\end{bmatrix}}}
參考文獻 [ 編輯 ]
^ Cull, Paul; Flahive, Mary ; Robson, Robbie. Difference Equations: From Rabbits to Chaos . Springer. 2005. ch. 7. ISBN 0-387-23234-6 ^ Chiang, Alpha C. Fundamental Methods of Mathematical Economics 608–612 . ISBN 9780070107809 ^ Balvers, Ronald J.; Mitchell, Douglas W. Reducing the dimensionality of linear quadratic control problems (PDF) . Journal of Economic Dynamics and Control. 2007, 31 (1): 141–159 [2023-10-15 ] . doi:10.1016/j.jedc.2005.09.013 存檔 (PDF) 於2022-01-18）. ^ Vaughan, D. R. A nonrecursive algebraic solution for the discrete Riccati equation. IEEE Transactions on Automatic Control. 1970, 15 (5): 597–599. doi:10.1109/TAC.1970.1099549 ^ Martin, C. F.; Ammar, G. The geometry of the matrix Riccati equation and associated eigenvalue method. Bittani; Laub; Willems (編). The Riccati Equation. Springer-Verlag. 1991. ISBN 978-3-642-63508-3doi:10.1007/978-3-642-58223-3_5
![{\displaystyle \mathbf {x} ^{*}=[\mathbf {I} -\mathbf {A} ]^{-1}\mathbf {b} }](https://wikimedia.org/api/rest_v1/media/math/render/svg/e404724ee47f75c0d0868fc5f6b4f7ea2d2900cd)
![{\displaystyle \left[\mathbf {x} _{t}-\mathbf {x} ^{*}\right]=\mathbf {A} \left[\mathbf {x} _{t-1}-\mathbf {x} ^{*}\right]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/70c1370a2651fb30908b000bb5d0691110681d2f)
![{\displaystyle \mathbf {H} _{t-1}=\mathbf {K} +\mathbf {A} '\mathbf {H} _{t}\mathbf {A} -\mathbf {A} '\mathbf {H} _{t}\mathbf {C} \left[\mathbf {C} '\mathbf {H} _{t}\mathbf {C} +\mathbf {R} \right]^{-1}\mathbf {C} '\mathbf {H} _{t}\mathbf {A} }](https://wikimedia.org/api/rest_v1/media/math/render/svg/e64f06b4994f69562e1d37c1355fe368bcadff50)
![{\displaystyle \mathbf {X} _{t+1}=-\left[\mathbf {E} +\mathbf {B} \mathbf {X} _{t}\right]\left[\mathbf {C} +\mathbf {A} \mathbf {X} _{t}\right]^{-1}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/dafb4978c954da6fa028bb46421954fcb135e0bc)
![{\displaystyle {\begin{aligned}\mathbf {X} _{t+1}&=-\left[\mathbf {E} +\mathbf {BN} _{t}\mathbf {D} _{t}^{-1}\right]\mathbf {D} _{t}\mathbf {D} _{t}^{-1}\left[\mathbf {C} +\mathbf {AN} _{t}\mathbf {D} _{t}^{-1}\right]^{-1}\\&=-\left[\mathbf {ED} _{t}+\mathbf {BN} _{t}\right]\left[\left[\mathbf {C} +\mathbf {AN} _{t}\mathbf {D} _{t}^{-1}\right]\mathbf {D} _{t}\right]^{-1}\\&=-\left[\mathbf {ED} _{t}+\mathbf {BN} _{t}\right]\left[\mathbf {CD} _{t}+\mathbf {AN} _{t}\right]^{-1}\\&=\mathbf {N} _{t+1}\mathbf {D} _{t+1}^{-1}\end{aligned}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/66124b1c1269543330c06330e11bb3c9cf65f15e)
3rd. McGraw-Hill. 1984: 608–612. ISBN 9780070107809.
