看到“周期切换下基于有向图的一类自适应分布式观测器设计与实现——对一般线性领导系统的有效自适应算法”这个题目第一反应是这不是那种套个矩阵就能跑通演示的“仿真作业”而是多智能体协同控制里非常硬核的一类问题。好在这个方向的应用价值足够大——无人集群编队、多车协同定位、移动传感器网络——只要有“一组个体需要通过局部通信去共同估计一个领导者的动态”这种需求就会碰到它。这个题目背后真正的难点有三个领导者是一般线性系统不只是简单的积分器通信拓扑是有向图信息传递有方向性拓扑还会按周期切换固定强连通的假设根本不成立。这三件事叠加在一起传统分布式观测器会很容易失效而这套自适应算法恰好是为了解决“通信调度变化时节点如何靠局部信息自动调节增益并完成估计”这个问题。这几年我在实际项目里反复用过这类算法也踩过不少坑。这篇文章不打算堆砌定理而是把这个方向的设计动机、观测器结构、稳定性直觉、仿真实现和常见问题一次讲透适合正在做多智能体估计、协同控制课题的同学参考。1. 标题拆解与控制问题定位1.1 分布式观测器到底在解决什么问题先把最基础的问题说清楚。多智能体系统里有若干跟随者它们各自能测到自己的状态比如无人机的位置速度、车辆的位移加速度但只有极少数节点能直接测量到领导者状态。这时候需要设计一个分布式观测器让每个智能体仅仅依靠自己和邻居交换的估计值去重构领导者的完整状态。它本质上是把一个集中式状态观测器拆散到每个节点上并行运行。传统集中式观测器要求所有测量都汇总到同一个计算单元这在通信条件好的场合没问题。但编队、集群场景里节点之间通信规模受限不允许把全部信息传到中心节点。分布式观测器则要求每个节点只维护自己的一份领导状态估计 (\hat{x}_i)通过邻居之间的估计值交换来逐步消除所有节点的估计误差。核心指标只有一个估计误差 (e_i(t)\hat{x}_i(t)-x_0(t)) 是否随时间趋于零。能实现这个目标后面的一致性控制、编队跟踪才有基础。1.2 为什么强调“一般线性领导系统”很多初学的人会误以为分布式估计很简单因为如果领导者动态是 [ \dot{x}_0 0 ] 也就是静止目标那么每个节点只需要把通信图上的信息平均一下就能得到答案这属于静态平均一致性难度低很多。如果领导者是积分器 (\dot{x}_0 u_0)问题也相对好处理因为误差模型里没有容易发散的内部模式。但“一般线性领导系统”指的是更通用的形式 [ \dot{x}_0 A x_0 ] 其中 (A) 是任意给定的常数矩阵。这个矩阵可能具有正实部特征值也就是说领导者的开环动态本身是不稳定的。例如 (A \begin{bmatrix} 0 1 \ 1 0 \end{bmatrix}) 的特征值为 (\pm 1)领导者的状态会沿某个方向指数增长。此时如果某个节点暂时收不到邻居信息它的估计误差就会按 (e^{At}) 增长。观测器必须跑得比误差发散更快这个约束直接决定了算法的调节能力。强调“一般线性”还有一个原因只有 ((A,B)) 可控反馈增益才能有效压制误差。可控条件在这里是基本的可行性前提也是设计矩阵 (P) 和增益 (K) 的依据。这里提一句如果领导者模型里还有外部输入例如 (\dot{x}_0 A x_0 B_0 u_0)估计器要么需要知道 (u_0)要么把它建模为扰动问题会更复杂。题目里讨论的是无输入的一般线性系统这也是分布式观测器最标准的设定。1.3 周期切换拓扑固定拓扑假设在工程中太理想早期文献大量假设通信拓扑是固定的强连通图或者至少是持续连通的。但实际系统里通信拓扑很少在一个任务周期内保持不变通信资源受限时节点会按 TDMA 调度轮流发送数据相当于通信边在周期性地通断某些节点为了省电会周期性休眠它对应的边会暂时消失编队队形改变或者障碍物遮挡也会导致部分节点间通信中断。周期切换是对这类情况的确定性抽象拓扑不是一直连通而是在若干个固定拓扑之间循环切换每个拓扑持续一个驻留时间 (\tau)。比如四个拓扑 (G_1,G_2,G_3,G_4) 按顺序切换一个周期是 (T4\tau)。这里的关键点是在任意一个驻留时间内通信图可能都不是强连通的信息流是断裂的。算法必须保证在一个完整周期内信息能通过拓扑切换“接力”传到每个节点。这个条件比传统持续连通假设更弱也更接近真实通信调度。1.4 有向图为什么比无向图难一个量级无向图里边是双向的通信关系天然对称。分析时只要利用拉普拉斯矩阵的对称性和二次型的配对关系很多项会自然消掉稳定性证明很干净。换成有向图节点之间的边可能只有单向。智能体 A 能收到 B 的信息B 却收不到 A 的信息。这带来两个直接后果拉普拉斯矩阵不对称特征值可能带虚部甚至不是半正定信息只能沿有向路径传播一旦某个方向上缺少路径信息就会永久缺失。因此在有向图条件下必须要求所有节点位于某个有向生成树上并且领导者作为根节点能到达每个跟随者。也就是说联合图需要“联合连通”且 leader 可达。这个条件比无向图只需要连通性要严格得多。更麻烦的是有向图中节点能收到的信息方向是固定的切换顺序如果和传播方向不匹配收敛速度会差很多。这个细节后面仿真部分会细说。2. 观测器结构与自适应算法设计2.1 图与切换建模的符号约定先统一符号。跟随者编号 (1,\dots,N)领导者编号 0。当前切换时刻通信拓扑是 (G_{\sigma(t)})其中 (\sigma(t)) 是一个分段常函数取值于有限集 ({1,\dots,M})每隔驻留时间 (\tau) 切换一次。定义邻接矩阵 (A_{\sigma(t)})其中 (a_{ij}(t)0) 表示节点 (j) 能向节点 (i) 发送信息。入邻居集合 (\mathcal{N}_i(t)) 是当前拓扑下能向节点 (i) 发信息的节点集合。另外定义对角矩阵 [ D(t)\text{diag}{d_1(t),\dots,d_N(t)} ] 若节点 (i) 能直接获得领导者状态则 (d_i(t)1)否则为 0。大多数情况下 (d_i) 不随拓扑切换变化比如只有节点 1 能直连领导者那么 (D\text{diag}{1,0,\dots,0}) 一直不变。这套符号是分布式观测器领域的通用语言后面的方程全部基于它展开。注意邻居方向(a_{ij}0) 表示 (j \to i)这直接决定误差项里括号的顺序。2.2 观测器方程从集中式到分布式常规集中式 Luenberger 观测器的形式是 [ \dot{\hat{x}} A\hat{x} L(y - C\hat{x}) ] 它用输出误差来修正估计。分布式场景下没有全局测量于是把修正项换成邻居之间的估计偏差。本文对应的自适应分布式观测器结构是 [ \dot{\hat{x}}_i A \hat{x}i - \mu_i B K \left( \sum{j\in\mathcal{N}i(t)} a{ij}(t)(\hat{x}_i - \hat{x}_j) d_i(t)(\hat{x}_i - x_0) \right) ] 其中 (\mu_i) 是节点 (i) 的自适应耦合增益。括号里的量本质上是节点 (i) 的估计与邻居估计、以及领导者真实状态的偏差之和。如果没有邻居信息和 leader 直连信息括号里就是 0观测器退化为开环系统 (\dot{\hat{x}}_i A\hat{x}_i)误差会因为矩阵 (A) 的不稳定特性而发散。这正是周期切换下需要设计自适应增益的原因。增益矩阵 (K) 一般取 [ K B^{\top}P ] 其中 (P0) 是代数 Riccati 方程或者线性矩阵不等式的解。它的作用是把估计偏差映射到节点自身动态的输入通道上压缩误差。这里的 (P) 不依赖任何图信息只和领导者动态 ((A,B)) 有关因此每个节点可以提前离线算好。2.3 自适应增益更新律为什么能摆脱全局图信息固定增益方案需要知道一个关键量通信图的代数连通度或者更准确地说是拉普拉斯矩阵的非零特征值下界。在有向图和动态拓扑里这个量会随着拓扑切换不停变化集中式求解并不现实。节点无法实时知道全局谁连接谁自然也不知道当前该用多大的增益才够。自适应方法把这个问题绕过去了。增益 (\mu_i) 的设计原则很朴素误差大、信息多就把增益调大误差接近零增益就基本不动。典型自适应律是 [ \dot{\mu}i \rho_i \left| \sum{j\in\mathcal{N}i(t)} a{ij}(t)(\hat{x}_i - \hat{x}_j) d_i(t)(\hat{x}_i - x_0) \right|^2 ] (\rho_i0) 是自适应速率。这个公式的含义是括号里这个“信息残差”越大说明节点 (i) 的估计和它能看到的信息差得越多于是 (\mu_i) 增长越快修正强度随之增强。当估计误差趋于零残差趋于零(\mu_i) 自动停止增长。这个机制与固定增益的本质差异在于增益不是预先按全局图算好的常数而是每个节点根据自己局部残差逐步试出来的。这是“有效自适应算法”的核心价值也是这个方向能在有向周期切换条件下成立的关键。2.4 算法有效性相比固定增益方案的优势对比为了更直观我把固定增益方案和自适应方案做一个对比对比维度固定增益方案自适应增益方案全局图信息需求需要知道拉普拉斯特征值下界不需要任何全局图信息拓扑切换适应性拓扑变化后可能需要重新计算增益增益在线自动调节参数选择难度增益太小不收敛太大会放大噪声只需调初值和自适应速率有向图适用性必须预先分析有向图连通性联合连通时也能工作实现复杂度离线计算简单在线鲁棒性差需要增加积分算 (\mu_i)但工程可实现工程上通信拓扑切换频繁时固定增益方案想维持理论条件很麻烦尤其是大规模集群集中式计算拉普拉斯特征值本身就是瓶颈。自适应方案则把负担分摊到每个节点的局部计算上这也是我比较偏好在实际项目里采用这类算法的原因。有一点需要提醒(\mu_i) 是单调不减的实际系统中需要设置上限防止某个节点长期处于无信息区间时一旦恢复通信就瞬间把增益冲得过大导致控制量饱和。3. 稳定性分析与收敛机制3.1 误差系统的推导定义节点 (i) 的估计误差 [ e_i \hat{x}_i - x_0 ] 把观测器方程减去领导者动态得到误差动态 [ \dot{e}i A e_i - \mu_i B K \left( \sum{j\in\mathcal{N}i(t)} a{ij}(t)(e_i - e_j) d_i(t)e_i \right) ]这个误差系统是切换的且带时变增益 (\mu_i)。(\mu_i) 本身又由自适应律驱动。这意味着稳定性分析必须同时处理切换过程和参数自适应过程不能把两者分开处理。集合所有 (e_i) 成向量 (e[e_1^{\top},\dots,e_N^{\top}]^{\top})再令 (M(t)\text{diag}{\mu_1,\dots,\mu_N})可以写成紧凑形式。但因为 (M(t)) 与拉普拉斯矩阵相乘后不是对称阵很难直接用一般的矩阵稳定性理论处理这也是为什么这类问题的证明通常要用 Lyapunov 方法加 Barbalat 引理。3.2 Lyapunov 函数直觉自适应参数相当于储能一个常用的 Lyapunov 候选函数形式是 [ V(t) \sum_{i1}^{N} \frac{1}{\mu_i(t)} e_i^{\top} P e_i ] 这个形式有几个直觉层面的含义(\mu_i) 在分母上。(\mu_i) 增大时这部分能量变小相当于系统把存储在参数里的“势能”释放出来压估计误差。(\mu_i) 单调递增所以 (V) 有天然的单向衰减趋势。但切换拓扑会在一个驻留时间内打破这种单调性。比如某个节点在当前拓扑下没有入邻居也没有 leader 直连那么它的修正项为 0(\dot{e}_i A e_i)估计误差按开环动态增长对应 (V) 在那个局部是上升的。如果驻留时间过长误差可能爆炸但如果驻留时间控制得当信息在下一个阶段到来并修正误差就会回落。整体上一个周期内衰减量大于增长量(V) 在每个周期末严格下降最终收敛。这个“周期内净衰减”的思路和切换系统的平均化思想是一致的。直观类比就是(V) 是蓄水池(\mu_i) 是闸门。信息流到来时闸门打开误差能量被排出信息流中断时闸门关闭虽然误差会因为领导者的不稳定动态而泄漏一些水进池子但只要排水效率高于泄漏速度池子水位就会逐步下降。严格证明需要保证两点一是每个周期内至少有一次信息传递能让所有节点的误差被修正二是开环增长的时间不能超过误差动态时间常数的量级。前者由联合连通性保证后者由驻留时间上界保证。3.3 周期切换为什么能放宽持续连通如果拓扑固定为有向图且不含全局可达的根节点那么总有一个节点永远无法获得信息估计误差必然发散。周期切换的妙处在于一个节点当前拓扑下没有信息不等于下一个拓扑下没有信息。只要一个周期内所有边的并集构成一个有向生成树并且领导者始终能到达根节点那么每个节点在周期内至少有一次机会获得来自领导者的间接信息。再配合自适应增益就得到更强的性质即使单个拓扑下的增益不足也可以通过多个周期的调整逐步逼近临界值。也就是说自适应参数在时间维度上“补”上了拓扑在空间维度上的缺口。这是算法能在周期切换有向图下保持有效性的根本原因。稳定性的关键条件小结条件含义违反后果((A,B)) 可控领导者的动态模式能被观测器重构部分误差模式无法被抑制联合图包含有向生成树每个节点在一个周期内至少获得信息个别节点误差永不收敛leader 可达所有节点信息能从领导者传到每个跟随者无法建立全局估计驻留时间有合理上界开环误差不会在等待期间爆炸误差发散速度超过收敛速度自适应初值 (\mu_i(0)0)保证初期就有修正能力初期收敛过慢3.4 关于严格证明的一点点经验很多读者可能会以为有了 Lyapunov 函数就万事大吉。实际操作中由于有向图拉普拉斯矩阵不对称、(\mu_i) 又时时变化求导后会出现若干难以配平的交叉项。常规处理手段是先用坐标变换把误差系统化到某种规范形式再利用周期采样时刻构造离散状态的 Lyapunov 函数证明每个周期的离散状态有压缩性。这个证明思路适合用“离散时间传递矩阵 周期内一致性”去写。我自己做仿真验证时反倒更依赖大量不同初值、不同拓扑序列下的数值实验因为理论条件给的是充分条件工程里更关心实际边界在哪。4. 仿真实现一个接力式拓扑切换网络4.1 案例设定为了把周期切换的效果展示清楚我设计一个极端但很有代表性的案例4 个跟随者节点任意时刻全网络只有一条有效有向边。这意味着每个时刻只有一对节点在通信其余节点几乎处于开环状态。传统固定增益观测器在这种条件下几乎必发散而自适应算法因为能在信息到来时快速调大增益可以压住误差。领导者动态取 [ A \begin{bmatrix} 0 1 \ 1 0 \end{bmatrix}, \quad B \begin{bmatrix} 0 \ 1 \end{bmatrix} ] 特征值为 (\pm 1)属于不稳定的鞍点系统。这样可以看到清晰的开环发散过程也能更直观感受自适应增益的调节能力。四个拓扑按顺序循环(G_1)节点 1 向节点 2 发送信息(G_2)节点 2 向节点 3 发送信息(G_3)节点 3 向节点 4 发送信息(G_4)节点 4 向节点 1 发送信息。领导者直连信息一直给节点 1即 (D\text{diag}{1,0,0,0})。这个设定的并图是一个完整的有向环 (1 \to 2 \to 3 \to 4 \to 1)联合图强连通且 leader 可达。每个驻留时间 (\tau0.5) 秒周期 (T2) 秒。设计 (K) 时用 LQR 解代数 Riccati 方程 [ PA A^{\top}P - PBB^{\top}P Q 0 ] 取 (QI)(R1)然后 (KB^{\top}P)。这样得到的增益在理论上保证 (A-BK) 稳定也是分布式观测器通常采用的构造方式。4.2 MATLAB 核心仿真代码直接贴一份我调试过的 MATLAB 主循环骨架供复现参考。clear; clc; N 4; % 跟随者节点数 A [0 1; 1 0]; % 领导者系统矩阵 B [0; 1]; % 输入矩阵 % 用 CARE 求解 P得到 K Q eye(2); R 1; [P, ~, ~] care(A, B, Q, R); K B * P; % 因为 R1反馈增益很简洁 % 四个拓扑每个邻接矩阵按“行表示接收者”的方式定义 Adj{1} zeros(N); Adj{1}(2,1) 1; % G1: 1 - 2 Adj{2} zeros(N); Adj{2}(3,2) 1; % G2: 2 - 3 Adj{3} zeros(N); Adj{3}(4,3) 1; % G3: 3 - 4 Adj{4} zeros(N); Adj{4}(1,4) 1; % G4: 4 - 1 % leader 直连信息只给节点 1 D diag([1 0 0 0]); tau 0.5; % 每个拓扑驻留时间 t_end 15; % 仿真总时长 rho 0.2; % 自适应速率 mu0 ones(N, 1); % 自适应增益初值 x0_0 [2; -1]; % 领导者真实状态初值 Xhat0 zeros(N, 2); % 各节点估计初值 t_all []; x0 x0_0; Xhat Xhat0; mu mu0; err_all []; seg_total ceil(t_end / tau); for k 1:seg_total idx mod(k-1, 4) 1; % 当前拓扑索引 t0 (k-1) * tau; t1 min(k * tau, t_end); z0 [x0; reshape(Xhat, [], 1); mu]; [tt, zz] ode45((t, z) dynamics(t, z, idx, ... A, B, K, Adj, D, rho, N), [t0 t1], z0); x0 zz(end, 1:2); Xhat reshape(zz(end, 3:22*N), 2, N); mu zz(end, 32*N:end); t_all [t_all; tt]; err_all [err_all; zeros(length(tt), N)]; end function dz dynamics(t, z, idx, A, B, K, Adj, D, rho, N) x0 z(1:2); Xhat reshape(z(3:22*N), 2, N); mu z(32*N:end); dx0 A * x0; dXhat zeros(N, 2); dmu zeros(N, 1); for i 1:N u zeros(2, 1); for j 1:N if Adj{idx}(i, j) 0 u u (Xhat(i,:) - Xhat(j,:)); end end u u D(i,i) * (Xhat(i,:) - x0); dXhat(i,:) (A * Xhat(i,:) - mu(i) * B * K * u); dmu(i) rho * (u * u); end dz [dx0; reshape(dXhat, [], 1); dmu]; end上面这段代码有几处需要特别解释。第一邻接矩阵的方向定义必须和观测器方程一致。我在Adj{1}(2,1)1表示节点 1 的信息能到节点 2函数内if Adj{idx}(i,j)0判断的是节点 i 能否收到节点 j 的信息。如果你习惯按出度方向定义请自行转置否则括号里的误差方向会反仿真结果会出现“越修正越偏”的奇怪现象。第二我把所有状态拼成一个向量z[x0; Xhat; mu]一起积分是为了避免人为分离系统中的耦合。代码里Xhat被 reshape 成 (N \times 2) 的矩阵每次积分后需要重新 reshape。这一步很容易因为维度错位报错建议先在命令行里单步调试一遍维度。第三这里直接跨切换点用ode45积分。理想情况下应该在每个切换时刻拆分 ODE 事件函数避免积分器大步跨过切换点导致拓扑使用错误。我在快速验证时习惯用分段积分正式算长期结果时会用事件驱动的写法。4.3 结果解读与关键参数经验以这个配置跑仿真最直观的现象是节点 1 因为一直有 leader 直连信息它的估计误差收敛最快(\mu_1) 基本不怎么增长节点 2 在 (G_1) 阶段能收到节点 1 的信息然后进入自己在 (G_1) 之外的“开环等待期”误差会在等待期先涨一点等下一周期 (G_2) 到来时又被压下去。这样反复几个周期节点 2 到节点 4 的估计误差都会呈阶梯式下降。(\mu_i) 的变化曲线很有趣它不是光滑增长的而是呈阶梯状。每个节点只有在自己的信息到来阶段 (\mu_i) 才显著增大无信息阶段几乎不变。初看起来像“脉冲充电”这正是周期切换下自适应增益的典型动态。参数选择上我踩过几个坑(\rho) 太小时比如 0.01(\mu_i) 增长太慢前几个周期收敛不明显误差下降速度慢。但如果 (\rho) 太大比如 5误差瞬态阶段会出现明显振荡原因是 (\mu) 对残差过于敏感稍微有一点误差就大幅增大反而造成过冲。我的建议是 (\rho) 从 0.1 起步先看误差趋势再逐步增加。(\mu_i(0)) 不宜设 0。初值太小时初期修正能力弱前 1 到 2 个周期误差会偏大。取 0.5 到 1 之间比较稳。领导者系统 (A) 的最大特征值是 1因此驻留时间 (\tau) 不能远大于 1。如果 (\tau3) 秒节点 4 等待信息的时间过长开环误差会涨到很大之后即使有信息也需要好几个周期才能拉回来。(\tau) 取 0.3 到 1 秒在这个例子中都是合理的。4.4 一个值得注意的收敛细节如果切换顺序改成 (G_4, G_3, G_2, G_1)理论上联合图仍然强连通但因为信息传播方向和切换顺序相反节点 4 要到最后一拍才能把信息传给节点 1节点 2 和节点 3 要等到快接近周期末才收到前一节点信息。这种情况下收敛速度会明显变慢瞬态误差峰值也更高。这说明周期切换下的收敛性能不仅取决于联合图连通性还和切换顺序强相关。工程上做通信调度时应该尽量让拓扑切换顺序与信息传播路径方向一致。这不是理论条件能完全约束的但却是实际效果差异最大的因素。5. 常见问题与排查手册5.1 自适应增益持续增大误差却不收敛最直接的排查点联合图是否真的包含有向生成树以及 leader 是否可达所有节点。比如把例子里的 (G_4) 改成边 1 → 4那么并图里节点 3 就永远没有入边它始终处于开环状态任何自适应算法都救不回来。另一个原因是方向符号反了(\mu_i) 更新律里用的是邻居误差差而不是自身误差差会让修正方向错误误差不但不收敛反而持续增长(\mu_i) 也会因为残差不断增大而无脑上涨。5.2 驻留时间 (\tau) 怎么确定(\tau) 适合在什么范围核心看领导者系统开环动态的时间常数。粗略估算可用矩阵 (A) 的最大特征值实部取倒数再乘一个系数。实例中最大特征值是 1所以 (\tau) 选 0.5 附近是合理的。若 (A) 的特征值实部更大驻留时间要相应缩小。这个说法在实践里可以作为快速评估的标尺不需要一开始做精细的稳定性分析。另一个角度是通信时延如果信息传输本身有延迟驻留时间至少要大于一次完整的邻居信息交换往返时间否则信息来不及发挥作用。5.3 联合图连通但某几段误差仍发散如果联合图确实有向生成树但个别阶段误差明显发散优先检查节点在无信息阶段的等待时间。比如节点长时间没有入边它的观测器就是纯开环系统。如果这个时间太长误差会在等待期间暴涨。解决思路有两个缩短 (\tau)让节点等待时间变短或者把该节点的 (A) 动态做一次本地预测补偿在无信息阶段用 (\dot{\hat{x}}_i A\hat{x}_i) 维持估计至少不要比真实状态发散得更快这相当于在开环阶段引入模型预测。5.4 仿真与理论不一致的几个隐藏原因仿真里容易踩的坑包括初值矩阵维度不对导致误差计算错位拓扑切换索引忘记取模跨切换点时使用错误拓扑以及积分器默认精度不足。前三种比较低级敲代码时细心点就能避免。第四种隐蔽一些自适应律包含残差的平方项收敛阶段残差很小精度不够时 (\mu_i) 停止增长或出现数值抖动此时需要把odeset(RelTol,1e-8,AbsTol,1e-10)加上并检查 (\mu_i) 在稳态是否平滑。5.5 从仿真到工程落地的几个额外提醒周期切换在工程中通常是人为设计的通信调度切换时刻所有节点可以预先同步好。这和随机丢包有本质区别周期切换的拓扑序列是确定的可以离线分析联合连通性随机丢包则只能用概率意义上的连通性描述理论工具完全不同别生搬硬套。另外在实际系统中领导者的真实状态 (x_0) 只有部分节点能测到测量通常带噪声。这时自适应律里的残差项会被噪声污染(\mu_i) 会缓慢漂移。建议给 (\mu_i) 加投影限幅把增益限制在上限和下限之间同时避免饱和。最后再分享一个我自己的调试习惯验证算法是不是真的自适应在工作先把 (\rho0) 跑一遍观测器退化为固定增益模式看看误差最终是否收敛。如果连固定增益都不收敛再去检查拓扑条件。如果固定增益发散、而 (\rho0) 收敛说明自适应机制确实在起关键作用。这个对照实验几分钟就能做却能在定位问题时省下大量时间。