1. LMI矩阵理论与Matlab实现基础
线性矩阵不等式（Linear Matrix Inequality, LMI）是现代控制理论中不可或缺的数学工具，它通过矩阵不等式形式描述各种系统约束条件。我第一次接触LMI是在研究鲁棒控制器设计时，当时需要验证一个复杂系统的稳定性条件。传统方法难以处理这种多变量耦合问题，而LMI以其优雅的数学形式完美地描述了这些约束关系。
Matlab的LMI工具箱（现称为Robust Control Toolbox的一部分）提供了从理论到实践的完整解决方案。工具箱的核心函数基于内点法（Interior-Point Method）实现，这种算法由Nesterov和Nemirovski在1990年代提出，能够高效求解凸优化问题。在实际工程应用中，我们通常会遇到这样的矩阵表达式：
matlab复制A'*P + P*A + Q < 0
其中P就是待求的对称正定矩阵，这种形式在Lyapunov稳定性分析中极为常见。值得注意的是，不等式中的"<"表示矩阵负定，而非元素级别的比较。
2. 矩阵不等式中的小矩阵求解技术
当待求矩阵出现在LMI的某个子块中时，问题会变得格外有趣。这种情况在多目标优化设计中经常出现，比如同时考虑H∞性能和H2性能约束时。我曾在飞机姿态控制系统的设计中遇到过这样的挑战：需要在保证系统稳定性的同时，优化执行器的能耗指标。
假设我们有如下形式的LMI：
code复制[ A'*P+P*A P*B ]
[ B'*P -γ*I ] < 0
其中γ是待优化的标量，P是主待求矩阵，而γ实际上构成了LMI右下角的一个"小矩阵"（这里退化为标量）。在Matlab中，这类问题的建模需要特别注意矩阵分块的技巧：
matlab复制setlmis([]);
P = lmivar(1,[n 1]); % 定义n×n对称矩阵P
gamma = lmivar(1,[1 0]); % 定义标量γ
% 构建LMI分块结构
lmiterm([1 1 1 P],A',1,'s'); % A'*P+P*A
lmiterm([1 1 2 P],1,B); % P*B
lmiterm([1 2 2 gamma],-1,1); % -γ*I
关键技巧：当处理包含小矩阵的LMI时，务必检查每个分块的维度一致性。我曾在项目中因为忽略了一个2×2子块的转置操作，导致整个优化问题无解，浪费了两天调试时间。
3. LMI工具箱的进阶应用技巧
经过多个项目的实践，我总结出一些LMI工具箱的高效使用方法。首先是变量定义的艺术——lmivar函数的灵活运用。当待求矩阵具有特殊结构时，恰当的定义可以大幅降低求解复杂度：
matlab复制% 对角矩阵定义
P = lmivar(1,repmat([1 0],n,1));
% 块对角矩阵定义
P = lmivar(3,blkdiag(eye(2),zeros(3)));
其次是求解器的选择策略。对于中小规模问题（矩阵维度<100），默认的mincx求解器表现良好；但对于大规模稀疏LMI，建议采用sparss和sparse等工具先处理矩阵稀疏性。我曾用这种方法将求解时间从3小时缩短到8分钟。
一个典型的完整求解流程如下：
matlab复制% 1. 初始化LMI系统
lmisys = getlmis;
% 2. 设置优化目标（如最小化γ）
c = mat2dec(lmisys,zeros(n),1);
options = [1e-5,0,0,0,0];
% 3. 求解
[copt,xopt] = mincx(lmisys,c,options);
% 4. 提取解
P = dec2mat(lmisys,xopt,P);
gamma = dec2mat(lmisys,xopt,gamma);
4. 实际工程中的问题排查与性能优化
在真实项目中，LMI求解失败的情况比比皆是。根据我的调试经验，90%的问题源于以下几个方面：
-
矩阵维度不匹配：特别是在处理分块矩阵时，各子块的维度必须严格一致。建议在构建LMI前先计算并验证所有矩阵的size。
-
可行性问题：当约束条件过于严格时，LMI可能无解。这时可以尝试：
- 放宽某些性能指标
- 引入松弛变量
- 分阶段求解（先求可行解，再优化）
-
数值病态问题：当矩阵条件数过大时，求解结果可能不可靠。解决方法包括：
- 对系统进行缩放（Scaling）
- 使用更精确的数据类型
- 调整求解器容差参数
下面是一个典型的调试检查表：
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 求解器返回"infeasible" | 约束矛盾 | 检查LMI各项符号是否正确 |
| 结果矩阵包含NaN | 数值不稳定 | 尝试options(1)=1e-6 |
| 求解时间过长 | 问题规模大 | 利用矩阵稀疏性 |
对于性能要求高的应用，可以考虑以下优化手段：
- 预计算不变矩阵部分
- 使用并行计算加速（parfor循环）
- 采用C/C++代码集成关键算法
我在最近的一个无人机编队控制项目中，通过将LMI求解过程移植到GPU（使用Matlab的Parallel Computing Toolbox），将实时优化循环从50ms降到了12ms，满足了严格的实时性要求。