长春建站塔山双喜网络广告营销案例有哪些

一、李雅普诺夫优化中二次漂移函数的推导

李雅普诺夫优化的核心是通过设计 “李雅普诺夫函数” 和 “漂移项”，保证系统状态收敛到稳定点。以下以线性时不变系统为例（非线性系统推导逻辑类似，仅动力学方程更复杂），推导二次漂移函数的形式。

1. 系统定义与假设

考虑连续时间线性系统（离散时间推导类似，仅用差分替代微分）：$$\dot{x}(t)=Ax(t)+Bu(t)$$ 其中：

• $x(t)\in {\mathbb{R}}^n$为系统状态向量，
• $(u(t)\in {\mathbb{R}}^m$ 为控制输入，
• $A\in {\mathbb{R}}^{n\times n}$、$B\in {\mathbb{R}}^{n\times m}$为系统矩阵（已知，体现动力学特性）。

目标：设计控制输入 $u(t)$，使系统状态 $x(t)$ 收敛到原点（稳定点，即 $x^{\ast }=0$。

2. 李雅普诺夫函数的构造

李雅普诺夫函数 $V(x)$ 需满足：

• 正定性：$V(x)>0$ 对所有 $x\ne 0$ 成立，且 $V(0)=0$；

• 径向无界性：当 $\Vert x\Vert \to \infty$ 时，$V(x)\to \infty$（保证全局收敛）。

最常用的二次型李雅普诺夫函数为：$V(x)=x^{T}Px$ 其中 $P\in {\mathbb{R}}^{n\times n}$ 是正定对称矩阵（$P>0$），确保 $V(x)$ 满足正定

3. 二次漂移函数的推导

“漂移” 指李雅普诺夫函数随时间的变化率（连续时间为导数，离散时间为差分），用于衡量系统偏离稳定点的趋势。

（1）连续时间漂移

对 $V(x)$ 求时间导数：

​ $$\dot{V}(x)=\frac{d}{dt}(x^{T}Px)={\dot{x}}^{T}Px+x^{T}P\dot{x}$$

代入系统动力学方程

​ $$\dot{x}=Ax+Bu：dotV(x)=(Ax+Bu{)}^{T}Px+x^{T}P(Ax+Bu)$$

展开并利用用矩阵转置性质$(AB{)}^T=B^T{A}^T$：

​ $$\dot{V}(x)=x^T{A}^{T}Px+u^T{B}^{T}Px+x^{T}PAx+x^{T}PBu$$

因 (P) 对称$P^T=P$，故

​ $$x^{T}PAx=(x^{T}PAx{)}^T=x^T{A}^{T}Px$$

合并同类项：

​ $$\dot{V}(x)=2x^T{A}^{T}Px+u^T{B}^{T}Px+x^{T}PBu$$

为使系统稳定，需设计 $u(t)$ 使 $\dot{V}(x)<0$（负定性，保证$V(x)$ 随时间减小，即状态向原点收敛。

若采用线性反馈控制 $u=-Kx$, $K$ 为反馈增益矩阵，代入得：

​ $$\dot{V}(x)=x^T\left(A^{T}P+PA-PBK-K^T{B}^{T}P\right)x$$

令$Q=-(A^{T}P+PA-PBK-K^T{B}^{T}P)$ ，则：

​ $$\dot{V}(x)=-x^{T}Qx$$ 其中 (Q > 0)（正定）

因此 $\dot{V}(x)$ 是负定二次型，即漂移函数为二次形式。

（2）离散时间漂移

若系统为离散时间（更贴近强化学习的时序特性）：

​ $$x_{t+1}=A{x}_t+B{u}_t$$

则漂移定义为相邻时刻李雅普诺夫函数的差分：

​ $$\Delta V(x_t)=V(x_{t+1})-V(x_t)=x_{t+1}^{T}P{x}_{t+1}-x_t^{T}P{x}_t$$

代入 $$x_{t+1}=A{x}_t+B{u}_t$$：

​ $$\Delta V(x_t)=(A{x}_t+B{u}_t{)}^{T}P(A{x}_t+B{u}_t)-x_t^{T}P{x}_t$$

展开得：

​ $$\Delta V(x_t)=x_t^T{A}^{T}PA{x}_t+x_t^T{A}^{T}PB{u}_t+u_t^T{B}^{T}PA{x}_t+u_t^T{B}^{T}PB{u}_t-x_t^{T}P{x}_t$$

合并后可写成：

​ $$\Delta V(x_t)=x_t^T(A^{T}PA-P)x_t+2x_t^T{A}^{T}PB{u}_t+u_t^T{B}^{T}PB{u}_t$$

这仍是关于$x_t$和 $u_t$的二次型函数，即二次漂移函数。

4. 核心结论

李雅普诺夫优化的二次漂移函数（连续时间的$\dot{V}(x)$ 或离散时间的$\Delta V(x_t)$本质是二次型误差度量，通过约束状态（及控制输入）的二次项，确保系统向稳定点收敛。

二、SAC 中 TD 目标损失函数的推导

SAC（Soft Actor-Critic）是基于最大熵强化学习的算法，其价值网络的损失函数通过 TD（Temporal Difference）目标定义，核心是最小化 “预测 Q 值” 与 “bootstrapped 目标 Q 值” 的偏差。

1. 问题定义（马尔可夫决策过程，MDP）

SAC 的优化对象是 MDP，定义为 $(\mathcal{S},\mathcal{A},r,p,\gamma )$：

• $\mathcal{S}$：状态空间，$\mathcal{A}$：动作空间，
• $r(s,a)\in \mathbb{R}$：状态 $s$ 下执行动作$a$ 的即时奖励，
• $p(s^{\prime }|s,a)$：状态转移概率（从 $s$ 到 $s^{\prime }$ ），
• $\gamma \in [0,1)$：折扣因子（未来奖励的权重）。

目标：学习策略 $\pi (a|s)$（状态 $s$ 下动作 $a$ 的概率分布），最大化累积熵奖励：

​ $$J(\pi )={\mathbb{E}}_{\tau \sim \pi }\left[\sum _{t=0}^{\infty }{\gamma }^t\left(r(s_t,a_t)+\alpha H(\pi (\cdot |s_t))\right)\right]$$

其中 $H(\pi (\cdot |s))=-{\mathbb{E}}_{a\sim \pi }[\log \pi (a|s)]$ 是策略的熵（鼓励探索），$\alpha >0$ 是熵温度参数。

2. 软 Q 值（Soft Q-Function）的定义

为量化策略的累积熵奖励，定义 “软 Q 值” $Q^{\pi }(s,a)$ 为：
$$Q^{\pi }(s,a)=\mathbb{E}\left[\sum _{k=0}^{\infty }{\gamma }^k\left(r(s_{t+k},a_{t+k})+\alpha H(\pi (\cdot |s_{t+k}))\right)|s_t=s,a_t=a\right]$$

利用时序分解（类似贝尔曼方程），软 Q 值满足：
$$Q^{\pi }(s,a)=r(s,a)+\gamma {\mathbb{E}}_{s^{\prime }\sim p,a^{\prime }\sim \pi }\left[Q^{\pi }(s^{\prime },a^{\prime })\right]$$
（推导：将累积和拆分为即时奖励 + 未来奖励的折扣期望，因$a^{\prime }\sim \pi$，故未来熵奖励已包含在 $Q^{\pi }(s^{\prime },a^{\prime })$中）。

3. TD 目标与损失函数的构造

SAC 通过价值网络参数化软 Q 值：$Q_{\theta }(s,a)\approx Q^{\pi }(s,a)$（$\theta$ 为网络参数）。为优化 $\theta$，需定义损失函数，使其最小化 “预测 Q 值” 与 “目标 Q 值” 的偏差。

（1）TD 目标的定义

目标 Q 值（TD 目标）由 “即时奖励 + 未来软 Q 值的折扣期望” 构成，为避免训练不稳定，SAC 使用目标网络 ($Q_{{\theta }^{\prime }}$（参数 $\theta$缓慢更新，与 $\theta$ 分离）：

​ $$y_t=r_t+\gamma {\mathbb{E}}_{a^{\prime }\sim {\pi }_{\varphi }}\left[Q_{{\theta }^{\prime }}(s^{\prime },a^{\prime })-\alpha \log {\pi }_{\varphi }(a^{\prime }|s^{\prime })\right]$$

其中：

• $p{i}_{\varphi }(a|s)$ 是参数化策略（$\varphi$ 为策略参数），
• 减去 $\alpha \log {\pi }_{\varphi }(a^{\prime }|s^{\prime })$ 是因为：${\mathbb{E}}_{a^{\prime }\sim \pi }[Q^{\pi }(s^{\prime },a^{\prime })]={\mathbb{E}}_{a^{\prime }\sim \pi }[Q_{{\theta }^{\prime }}(s^{\prime },a^{\prime })-\alpha \log \pi (a^{\prime }|s^{\prime })]$（软 Q 值的性质）。

（2）损失函数的推导

价值网络的优化目标是最小化 “预测 Q 值 $Q_{\theta }(s,a)$” 与 “TD 目标 $y_t$” 的均方误差（MSE），即：

​ $$\mathcal{L}(\theta )={\mathbb{E}}_{(s,a,r,s^{\prime })\sim \mathcal{D}}\left[{\left(Q_{\theta }(s,a)-y_t\right)}^2\right]$$

其中 $\mathcal{D}$ 是经验回放池（存储历史样本 $(s,a,r,s^{\prime })$）。

代入 $y_t$ 的表达式，损失函数展开为：

​ $$\mathcal{L}(\theta )=\mathbb{E}\left[{\left(Q_{\theta }(s,a)-\left(r+\gamma {\mathbb{E}}_{a^{\prime }\sim {\pi }_{\varphi }}\left[Q_{{\theta }^{\prime }}(s^{\prime },a^{\prime })-\alpha \log {\pi }_{\varphi }(a^{\prime }|s^{\prime })\right]\right)\right)}^2\right]$$

4. 核心结论

SAC 的 TD 目标损失函数是二次型误差，衡量 “当前 Q 值预测” 与 “基于未来奖励和策略熵的目标值” 的偏差，通过梯度下降最小化该误差，使 Q 值估计收敛到真实软 Q 值。

三、两者数学结构的相似性对比

通过推导可见，两个公式的核心相似性体现在二次型误差和时序递推的数学结构上：

维度	李雅普诺夫二次漂移函数（离散时间）	SAC 的 TD 目标损失函数
二次项形式	$\Delta V(x_t)=x_{t+1}^{T}P{x}_{t+1}-x_t^{T}P{x}_t$)（二次型差分）	$\mathcal{L}(\theta )=(\text{预测值}-\text{目标值}{)}^2$（二次误差）
时序关联	依赖 $x_t$ 与 $x_{t+1}$ 的关系（状态转移）	依赖 $(s,a)$ 与 $(s^{\prime },a^{\prime })$ 的关系（MDP 转移）
优化目标	最小化漂移（使 $\Delta V\le 0$，保证状态收敛	最小化二次误差，使 Q 值估计收敛到真实值
核心变量	系统状态 x（物理 / 抽象状态）	价值估计 Q（对累积奖励的预测）

总结

两者的数学推导均围绕 “二次型误差度量” 和 “相邻时间步的递推关系” 展开：李雅普诺夫漂移通过状态的二次型差分约束系统稳定性，SAC 的 TD 损失通过 Q 值的二次误差约束估计准确性。这种相似性源于动态系统优化的共性需求 —— 用可微的二次项量化偏差，并通过时序关联将长期目标转化为局部优化问题。