企业官网建设流程全解析

最近好几个学弟学妹拿着卷子来问我状态转移矩阵到底怎么求，我发现大家最大的困扰不是“不会算”，而是“方法太多不知道用哪个”。翻开任意一本《现代控制理论》，状态转移矩阵的求法少则两三种、多则五六种，教材里每种方法各写各的，例题还都不一样，学完只觉得脑袋里塞了一团浆糊。

这篇文章就把状态转移矩阵的四种主流求法——拉普拉斯反变换法、凯莱-哈密顿定理法、无穷级数法、相似变换法，从头到尾各走一遍，而且统一用同一个二阶系统做例子。你跟着算完这四遍，会发现它们其实是在用四种语言描述同一件事：矩阵指数 e^{At} 到底长什么样。把这个底层逻辑想通了，以后做题、考试、做工程仿真，你都能快速判断该上哪种方法。

1. 先把概念捋清楚：状态转移矩阵到底在干什么

1.1 从状态方程说起

现代控制理论和经典控制理论最大的区别，就是引入了状态空间描述。对于线性定常系统，状态方程写成：

x'(t) = A·x(t) + B·u(t)

其中 x(t) 是 n 维状态向量，A 是 n×n 系统矩阵。当输入 u(t) = 0 时，方程变成齐次形式：

x'(t) = A·x(t)

这个方程的解是：

x(t) = e^{A(t-t0)}·x(t0)

这里面的 e^{At} 就是状态转移矩阵，通常记作 Φ(t)。它回答的问题是：给定初始状态 x(0)，系统在没有任何外部输入的情况下，经过时间 t 之后状态会跑到哪里去。如果把系统比作一辆松开油门的车，状态转移矩阵就是描述这辆车在无动力情况下滑行轨迹的“演化规则”。

注意，这里 e^{At} 不是把矩阵 A 的每个元素取指数，而是矩阵指数的严格定义：

e^{At} = I + At + (A²t²)/2! + (A³t³)/3! + ...

所以“求状态转移矩阵”本质上就是“计算矩阵指数”。四种方法，全是围绕这个指数展开的。

1.2 四种方法其实是四种视角

为什么同一个 e^{At} 会有这么多求法？因为它们从不同角度逼近同一个数学对象：

• 拉普拉斯反变换法：把矩阵指数放到复频域里处理，借助 (sI - A)^{-1} 的反变换回到时域。
• 凯莱-哈密顿定理法：利用矩阵满足自身特征方程这条性质，把无穷级数降次成有限项矩阵多项式。
• 无穷级数法：直接回到定义，硬算级数，理论上最“朴素”，实操上最“劝退”。
• 相似变换法：通过特征分解把 A 变成对角阵或约当标准形，把矩阵指数变成标量指数的组合。

这四个视角在数学上是完全等价的，但工程场景不同、矩阵结构不同，计算量天差地别。理解了这一点，你才算真正看穿了状态转移矩阵的本质。

1.3 贯穿全文的例题

为了让四种方法可以横向对比，我统一用下面这个二阶系统矩阵：

A = [ 0 1 -2 -3 ]

后面所有方法求的都是同一个 e^{At}。这样你就能直观看到，四种方法殊途同归。A 的特征值也先算好放着：det(λI - A) = λ² + 3λ + 2 = (λ+1)(λ+2)，特征值 λ₁ = -1，λ₂ = -2。这个结论后面每种方法都要用到。

2. 方法一：拉普拉斯反变换法

2.1 原理与步骤

拉普拉斯法可以说是国内教材里出现频率最高的一种。它的推导只有两步：先对状态方程做拉普拉斯变换，再把频域结果反变换回时域。

对 x'(t) = A·x(t) 两边取拉普拉斯变换，注意初始条件 x(0)：

s·X(s) - x(0) = A·X(s)

移项整理：

(sI - A)·X(s) = x(0) X(s) = (sI - A)^{-1}·x(0)

而时域中 x(t) = e^{At}·x(0)，所以必有：

e^{At} = L^{-1}[(sI - A)^{-1}]

也就是说，只要算出 (sI - A)^{-1}，再对矩阵每一个元素做拉普拉斯反变换，就得到了状态转移矩阵。具体操作步骤：

1. 构造 sI - A；
2. 求 (sI - A) 的逆矩阵，通常是“伴随矩阵除以行列式”；
3. 对逆矩阵的每个元素做部分分式展开；
4. 查拉普拉斯变换表，逐项反变换回时域；
5. 用 Φ(0) = I 验算。

2.2 完整计算演示

第一步，构造 sI - A：

sI - A = [ s -1 2 s+3 ]

第二步，求行列式：

det(sI - A) = s(s+3) - (-1)·2 = s² + 3s + 2 = (s+1)(s+2)

第三步，求逆矩阵。二阶矩阵的伴随矩阵规则是“主对角线互换，副对角线取负”，直接套：

(sI - A)^{-1} = 1/[(s+1)(s+2)] · [ s+3 1 -2 s ]

第四步，对四个元素分别做部分分式展开。

先看第一行第一列，(s+3)/[(s+1)(s+2)]：

(s+3)/[(s+1)(s+2)] = 2/(s+1) - 1/(s+2)

反变换得到：2e^{-t} - e^{-2t}。

再看第一行第二列，1/[(s+1)(s+2)]：

1/[(s+1)(s+2)] = 1/(s+1) - 1/(s+2)

反变换得到：e^{-t} - e^{-2t}。

第二行第一列，-2/[(s+1)(s+2)]：

-2/[(s+1)(s+2)] = -2/(s+1) + 2/(s+2)

反变换得到：-2e^{-t} + 2e^{-2t}。

第二行第二列，s/[(s+1)(s+2)]：

s/[(s+1)(s+2)] = -1/(s+1) + 2/(s+2)

反变换得到：-e^{-t} + 2e^{-2t}。

所以最终结果：

e^{At} = [ 2e^{-t} - e^{-2t} e^{-t} - e^{-2t} -2e^{-t} + 2e^{-2t} -e^{-t} + 2e^{-2t} ]

验算一下：t = 0 时，第一行第一列为 2-1 = 1，第一行第二列为 1-1 = 0，第二行第一列为 -2+2 = 0，第二行第二列为 -1+2 = 1，正是单位阵。没问题。

2.3 方法点评与适用边界

拉普拉斯法的最大优点是“机械、不容易错思路”。只要你能正确求逆矩阵，剩下的就是高数里部分分式的活。但它有两个痛点：

一是求逆矩阵本身很繁琐，三阶以上手算伴随矩阵很容易出错，到四阶基本就不是人干的了。二是部分分式展开时，如果系统矩阵 A 的维数高或者特征值复杂，频域表达式的分母阶次很高，展开过程会非常痛苦。

所以我的个人判断：这个方法适合二阶、三阶的低阶系统，尤其适合考试里那种“特征值就是 -1、-2、-3”的整数特征值题目。但凡特征值是复数共轭或者重根，算起来虽然也能算，但工作量和出错率都会明显上升。

3. 方法二：凯莱-哈密顿定理法

3.1 原理：矩阵如何“降次”

凯莱-哈密顿定理的内容可以表述成一句话：任何一个 n 阶方阵 A，都满足它自己的特征方程。也就是说，如果 A 的特征多项式是：

p(λ) = λⁿ + aₙ₋₁λⁿ⁻¹ + ... + a₁λ + a₀

那么代入矩阵 A 后：

p(A) = Aⁿ + aₙ₋₁Aⁿ⁻¹ + ... + a₁A + a₀I = 0

这条性质的威力在于：它告诉我们 Aⁿ 可以由 I, A, ..., A^{n-1} 线性表示。于是 A^{n+1}、A^{n+2} 这些更高次幂，也可以不断降次，最终全部写成 I, A, ..., A^{n-1} 的线性组合。

矩阵指数 e^{At} 本身是 A 的无穷级数，既然每一项 A^k 都能降次成 I, A, ..., A^{n-1} 的线性组合，那么整个无穷级数求和的结果，也必然能写成：

e^{At} = α₀(t)·I + α₁(t)·A + ... + αₙ₋₁(t)·A^{n-1}

这就把“求无穷级数”转化为“求 n 个关于 t 的函数 α₀(t), α₁(t), ..., αₙ₋₁(t)”。怎么求？利用特征值。

3.2 完整计算演示

对矩阵 A 的每一个特征值 λᵢ，前面那个矩阵多项式关系在标量上也成立：

e^{λᵢt} = α₀(t) + α₁(t)·λᵢ + α₂(t)·λᵢ² + ... + αₙ₋₁(t)·λᵢⁿ⁻¹

本例 A 是 2×2 矩阵，特征值 λ₁ = -1，λ₂ = -2，所以设：

e^{At} = α₀(t)·I + α₁(t)·A

代入两个特征值：

e^{-t} = α₀ - α₁ e^{-2t} = α₀ - 2α₁

两式相减消去 α₀：

e^{-t} - e^{-2t} = α₁

所以 α₁ = e^{-t} - e^{-2t}，代回去得 α₀ = e^{-t} + α₁ = 2e^{-t} - e^{-2t}。

然后把 α₀、α₁ 代回矩阵多项式：

e^{At} = α₀·[1 0] + α₁·[0 1] [0 1] [-2 -3] = [ α₀ α₁ -2α₁ α₀ - 3α₁ ]

代入 α₀、α₁：

e^{At} = [ 2e^{-t} - e^{-2t} e^{-t} - e^{-2t} -2e^{-t} + 2e^{-2t} -e^{-t} + 2e^{-2t} ]

和拉普拉斯法的结果完全一致。

这里要特别提醒：当特征值有重根时，n 个特征值给不出 n 个独立的方程，必须对重根补充“导数方程”。比如若 λ₁ = λ₂ 是二重根，则除了代入 e^{λ₁t} = α₀ + α₁λ₁ 之外，还要对两边关于 λ 求导，得到：

t·e^{λ₁t} = α₁

这样才能凑够方程数。这是凯莱-哈密顿法最容易翻车的地方，后面第 7 节我会展开讲。

3.3 方法点评与适用边界

凯莱-哈密顿法的优势非常明显：完全不涉及矩阵求逆，不需要求特征向量，只需要知道特征值，然后解一个线性方程组。对于二阶、三阶系统，这几乎是最快的路径，考研题尤其吃这一套。

它的问题在于：随着矩阵阶数升高，需要设的 α 系数数量线性增加，方程组的规模也在涨，而且重根时补充导数方程的规则容易记混。所以四阶以上，除非题目特征值设计得非常“友好”，否则手算也不是轻松事。

另外提醒一句：凯莱-哈密顿定理在理论上没有可对角化限制，任何方阵都能用。这一点比特征向量法适用范围更广。

4. 方法三：无穷级数法

4.1 原理与“为什么几乎没人手算到底”

无穷级数法不需要任何推导，矩阵指数定义本身就给出了算法：

e^{At} = I + At + (A²t²)/2! + (A³t³)/3! + ...

把 A 代进去，一项一项加到“差不多”为止。问题是，这个级数一般是无穷项，实际计算必须截断，截断到第几项完全取决于你对精度的要求。高阶矩阵、大数值 t 或者特征值模很大的情况下，级数收敛可能很慢，需要算几十甚至上百项才能满足精度。

而且手算的时候还有个尴尬：矩阵乘法不是标量乘法，每一项算起来都费劲。所以这个方法在“手算考试”里基本是下下策，但它有不可替代的价值——它是其他所有方法的“总源头”，也是计算机数值实现的理论基础。

4.2 特殊矩阵的级数法巧用例

不过，无穷级数法遇到两类特殊矩阵时反而无比好用：幂零矩阵和对角矩阵。

幂零矩阵指的是某个正整数 k 使得 A^k = 0 的矩阵。比如：

A = [ 0 1 0 0 ]

可以验证 A² = 0。这时级数从第二项开始全部消失：

e^{At} = I + At = [ 1 t 0 1 ]

这种“上三角移位”结构在约当标准形里到处出现，所以约当块的状态转移矩阵本质上都是靠幂零性截断的。

对角矩阵更简单，如果 A = diag(λ₁, λ₂, ..., λₙ)，那么：

e^{At} = diag(e^{λ₁t}, e^{λ₂t}, ..., e^{λₙt})

这是所有方法里最直接的情况，也是相似变换法最终想达到的效果——把一般矩阵变成对角阵，然后各特征值分别取指数。

4.3 数值实现：MATLAB expm 干的是什么活

工程上真正算 e^{At}，没人用手算级数，都是丢给软件。MATLAB 里的 expm 函数是业界标准实现，但它并不是傻乎乎地截断级数，而是用了“放缩与平方”策略（scaling and squaring）配合 Padé 逼近。

核心思想是：先找一个整数 s，把矩阵“缩小”成 A/2^s，让这个缩小后的矩阵的范数足够小，这样级数收敛极快，用低阶 Padé 逼近就能达到很高精度；然后把结果连续平方 s 次，恢复出 e^{A}：

e^{A} = (e^{A/2^s})^{2^s}

这套流程每秒要处理大量矩阵运算，是手算根本无法想象的量级。所以我的建议是：搞懂级数法的定义和性质，但实际工程计算请放心交给 expm，别自己写级数求和。

5. 方法四：相似变换法（对角化与约当标准形）

5.1 可对角化情形

相似变换法的思路是：如果 A 可以分解成 A = PΛP^{-1}，其中 Λ 是对角矩阵，那么矩阵指数的计算可以“穿过”相似变换：

e^{At} = e^{(PΛP^{-1})t} = P·e^{Λt}·P^{-1}

而 e^{Λt} 就是对角元素逐一取指数的对角矩阵。所以整个流程变成：

1. 求特征值和特征向量；
2. 把特征向量按列拼成矩阵 P；
3. 计算 P^{-1}（二阶矩阵用伴随矩阵法很快）；
4. 写出 e^{Λt}；
5. 做两次矩阵乘法 P·e^{Λt}·P^{-1}。

注意，上面的“指数穿过相似变换”成立，本质上是因为 (PΛP^{-1})^k = PΛ^kP^{-1}，这个性质在每项级数里都能用，所以整个 e^{At} 也能用。

5.2 不可对角化：约当块怎么处理

现实里很多矩阵是不可对角化的，典型例子是特征值重根且几何重数小于代数重数。这时 PΛP^{-1} 里的 Λ 换成约当标准形 J，A = PJP^{-1}，公式变成：

e^{At} = P·e^{Jt}·P^{-1}

约当标准形是一堆约当块组成的块对角矩阵。每个约当块 Jᵢ = λᵢI + N，其中 N 是上方有一条 1 的移位矩阵，满足 N^k = 0（k 为约当块阶数）。利用幂零性：

e^{Jᵢt} = e^{λᵢt}·e^{Nt} = e^{λᵢt}·(I + Nt + N²t²/2! + ... + N^{k-1}t^{k-1}/(k-1)!)

一个三阶约当块的结果非常漂亮：

e^{Jt} = e^{λt}·[ 1 t t²/2 0 1 t 0 0 1 ]

这其实是第 4 节里幂零矩阵“级数截断”技巧的实战应用。

5.3 完整计算演示

回到我们的例题 A = [0 1; -2 -3]，特征值 λ₁ = -1，λ₂ = -2 互异，所以可对角化。

求特征向量。对 λ₁ = -1，解 (A + I)v = 0：

(A + I) = [ 1 1 -2 -2 ]

解得 v₁ = [1; -1]（随便取一个非零解）。

对 λ₂ = -2，解 (A + 2I)v = 0：

(A + 2I) = [ 2 1 -2 -1 ]

解得 v₂ = [1; -2]。

于是：

P = [ 1 1 -1 -2 ]

P 的逆矩阵，用二阶矩阵公式“主对角线互换、副对角线取负，再除以行列式”。det(P) = 1·(-2) - 1·(-1) = -1，所以：

P^{-1} = [ -2 -1 1 1 ] · (-1) = [ 2 1 -1 -1 ]

验证一下 P·P^{-1} 确实等于单位阵。

然后：

e^{Λt} = [ e^{-t} 0 0 e^{-2t} ]

三连乘：

e^{At} = P·e^{Λt}·P^{-1} = [ 1 1 ] [ e^{-t} 0 ] [ 2 1 ] [ -1 -2 ] [ 0 e^{-2t} ] [ -1 -1 ]

先算右边两个矩阵相乘，再左乘 P，最终结果和前面两种方法完全一致：

e^{At} = [ 2e^{-t} - e^{-2t} e^{-t} - e^{-2t} -2e^{-t} + 2e^{-2t} -e^{-t} + 2e^{-2t} ]

这个方法做下来你会明显感觉到：相似变换法最大的开销在求特征向量、构造 P 和求 P^{-1}。对于二阶系统，这些操作还算轻松；对三阶以上，求特征向量和逆矩阵的工作量会直线上升。

5.4 方法点评与适用边界

相似变换法的优势是物理意义清晰——特征值直接对应系统模态，特征向量告诉我们每个模态在状态空间中的方向。如果你不仅要算 e^{At}，还想分析系统的模态特性、做解耦控制，这个方法的信息量最足。

缺点是计算链条长：特征值、特征向量、P、P^{-1}、矩阵乘，哪一步错都会导致结果不对。而且当矩阵不可对角化时，还要引入广义特征向量和约当标准形，复杂度进一步增加。

6. 四种方法横向对比与选型建议

6.1 一张表看懂四种方法

6.2 实战选型：三种场景下我怎么做

如果是考研或课程考试，我的固定套路是：先用两秒钟判断特征值——如果特征值是互异实数，直接上凯莱-哈密顿法，因为只需要解一个 n 元一次方程组，速度最快；如果特征值带复数，拉普拉斯法可能更稳，因为复数特征值会把特征向量的计算变成复数运算，反而更容易出错。

如果是做控制系统分析，比如我要看系统的模态、设计状态反馈，我会选相似变换法。因为变换矩阵 P 本身就是模态信息，一次计算能同时拿到特征值、特征向量和状态转移矩阵，性价比很高。

如果是写代码做仿真，直接调 expm，但我会在脑海里用凯莱-哈密顿法估算一下期望的解析解，用于验证数值结果是否合理。另外，如果你在用 Python，scipy.linalg.expm 的底层算法和 MATLAB 类似，同样可以直接用。

7. 我踩过的坑：状态转移矩阵求法高频错误与排查

7.1 错误一：求出结果从不验算

不用怀疑，最贵的错误永远是最简单的。状态转移矩阵有一个天生自带的验算工具——初始条件：

Φ(0) = e^{A·0} = I

不管用什么方法求出 e^{At}，只要把 t = 0 代进去不是单位阵，结果必然错了。这个检查只需要十秒钟，却能在考场上救回一整道大题。我见过太多同学花了二十分钟算出个漂亮结果，t = 0 一代是乱七八糟的矩阵，还浑然不知继续往下写。建议形成肌肉记忆：算出 e^{At} 的第一件事，代 t = 0 验算。

7.2 错误二：重根直接把凯莱-哈密顿法套错

凯莱-哈密顿法在重根这里翻车率极高。比如 A 的特征值是 λ₁ = -1，λ₂ = -1 二重根，很多同学直接列两个方程：

e^{-t} = α₀ + α₁·(-1) e^{-t} = α₀ + α₁·(-1)

这俩方程一模一样，根本解不出 α₀ 和 α₁。正确做法是补充导数方程，对特征方程两边关于 λ 求导。具体地说，二重根除了原始方程，还要加：

d/dλ [e^{λt}] = d/dλ [α₀ + α₁λ]

也就是：

t·e^{λt} = α₁

如果再遇到三重根，还要继续对二阶导数成立。这个规则很像高数里求重根时的“重根对应多个条件”，理解之后就不容易忘。

7.3 错误三：级数法截断与 e^{A+B} = e^A e^B 的滥用

两个最常见的级数法误区，第一个是截断阶数拍脑袋定。级数收敛速度取决于 ||A·t|| 的大小，换成实际感受就是：A 的范数大、t 大，就需要更多项。如果你一定要手算级数，至少先估算一下 ||A·t||，不要想当然取前两项就完事。

第二个更隐蔽的坑是指数运算律。标量里 e^{a+b} = e^a · e^b，但矩阵里这个等式只有在 A 与 B 可交换（即 AB = BA）时才成立。把 e^{(A+B)t} 拆成 e^{At} · e^{Bt}，在 A、B 不对易时是错的。这个性质在推导很多公式时都会被悄悄用到，使用前务必确认交换性。

7.4 错误四：特征值和特征向量顺序搞混

相似变换法里，P 的列是特征向量，Λ 对角线是特征值，两者必须按同一顺序排列。如果你把 λ₁ 放在 Λ(1,1) 位置，那 P 的第一列就必须是 λ₁ 对应的特征向量。顺序一旦错乱，算出来的 e^{At} 奇奇怪怪，而且往往 t = 0 时还恰好是单位阵——因为它本质上还是同一个矩阵的另一种相似表示，只是中间过程乱了。这种错误最难发现。

我的习惯是写下一个顺序检查口诀：P 的第 k 列对应 Λ 的第 k 个对角元，P^{-1} 的第 k 行也对应同一个特征值。列完 P 之后先算一次 P^{-1}AP 或 P^{-1}·P，确认能还原出原来的 A，再继续往下。

7.5 一个小技巧：二阶矩阵快速心算路径

最后分享一个我自己的实战小技巧。遇到二阶矩阵想快速求 e^{At}，先看特征值是否互异，若是，直接用凯莱-哈密顿法，设 e^{At} = α₀I + α₁A，解二元一次方程组。整个流程我一般能在两分钟内完成，比拉普拉斯反变换法省掉大量部分分式展开。

如果特征值是共轭复数 λ = σ ± jω，同样用凯莱-哈密顿法，最终结果里会出现 e^{σt}(cos ωt) 和 e^{σt}(sin ωt) 的组合。这里不用害怕复数运算，把 α₀、α₁ 作为待定系数代入两个复数方程，解出来的 α 依然是实数，因为虚部会彼此抵消。

再补充一个验算技巧：除了 Φ(0) = I，还可以利用半群性质 Φ(t₁)·Φ(t₂) = Φ(t₁+t₂) 做抽查，比如算一下 Φ(0.1)·Φ(0.2) 是否等于 Φ(0.3)。这个性质在数值仿真时检验 expm 结果是否可靠也很好用。

做了这么多年控制相关的分析和仿真，我的体会是：状态转移矩阵的四种求法，真正到工程里常用的其实就两个——手算解析用凯莱-哈密顿法，数值计算交给 expm。但拉普拉斯法和相似变换法绝对不能不会，因为它们一个是频域分析的基础语言，一个是模态分析、模型降阶、解耦控制的底层工具。把这四种方法用同一个例子走一遍，你会发现它们不是四个孤立的知识点，而是一张网上的四个节点，最终都能通到同一个答案。这个“殊途同归”的感觉，才是你真正掌握状态转移矩阵的信号。