延迟系统稳定化的谱方法
课程大纲
本课程主要探讨延迟系统的稳定化问题，采用谱方法进行分析。课程分为三个主要部分：首先介绍延迟系统的基本概念，然后深入分析这类系统的谱特性，最后讨论由重数引起的主导性现象及其在系统稳定化中的应用。
第一部分：延迟系统简介
延迟系统的基本概念
在实际工程和科学应用中，我们经常会遇到这样一类特殊的动力系统：系统当前状态的变化率不仅依赖于当前时刻的状态，还受到过去某些时刻状态的影响。这种时间上的滞后效应就是我们所说的延迟。
数学上，对于一个延迟系统，状态变量 x 在时刻 t 的导数 x'(t) 可以表示为当前状态 x(t) 和过去某个时刻状态 x(t-h) 的函数，其中 h > 0 代表延迟时间。这里的延迟 h 可以是固定的常数，也可以是时变的，甚至可以有多个不同的延迟同时存在。
延迟的物理意义在不同的应用场景中有着不同的体现。在通信系统中，延迟代表信号从发送端传输到接收端所需的时间；在生物系统中，延迟可能表示细胞成熟或化学反应所需的时间；在控制系统中，延迟往往来源于传感器的测量延迟或执行器的响应时间。这些延迟虽然在很多情况下数值较小，但对系统的动态行为和稳定性可能产生显著影响。
延迟在实际系统中的表现
延迟通常代表着系统中的各种滞后现象：通信过程中的信号传输延迟、生物系统中的成熟时间、化学反应中的反应时间等。这些延迟虽然在数值上可能很小，但对系统的动态行为有着不可忽视的影响。
实例分析
1. 线性控制系统
考虑一个标准的线性控制系统：
其中 x(t) 是 n 维状态向量，u(t) 是 m 维控制输入，y(t) 是 p 维输出向量。矩阵 A \in \mathbb{R}^{n \times n} 是系统矩阵，B \in \mathbb{R}^{n \times m} 是输入矩阵，C \in \mathbb{R}^{p \times n} 是输出矩阵，D \in \mathbb{R}^{p \times m} 是直通矩阵。
当我们引入反馈控制时，如果反馈信号存在延迟，系统就变成了闭环延迟系统：
这里 K 是反馈增益矩阵，\tau > 0 是常数延迟。这个延迟 \tau 的存在使得系统从有限维变成了无穷维系统。原因在于，为了确定系统在 t 时刻之后的演化，我们不仅需要知道 t 时刻的状态 x(t)，还需要知道整个区间 [t-\tau, t] 上的输出历史 y(s)。这就导致系统的状态空间从 \mathbb{R}^n 扩展到了函数空间。
闭环系统中延迟的影响是双重的。一方面，延迟会降低控制的实时性，使得控制器基于过时的信息做出决策；另一方面，延迟会改变系统的稳定性边界，原本稳定的系统可能因为延迟的引入而变得不稳定。更复杂的是，延迟还可能引起系统的振荡行为，即使在没有外部扰动的情况下。
2. TCP网络中的主动队列管理（AQM）
在TCP网络中，路由器需要管理数据包队列以避免网络拥塞。主动队列管理是一种预防性的拥塞控制机制，通过在队列溢出之前主动丢弃部分数据包来向发送端发出拥塞信号。
这个系统的核心在于路由器根据当前队列长度决定数据包的丢弃概率，而发送端根据收到的拥塞信号调整发送速率。然而，从路由器检测到拥塞、发出信号，到发送端接收信号、调整速率，再到新的速率影响到达路由器，这整个过程存在显著的时间延迟。这个延迟主要由网络传播延迟和排队延迟组成，在广域网中可能达到数百毫秒。
延迟的存在使得AQM系统的设计变得复杂。如果控制参数设置不当，系统可能出现队列长度的持续振荡，导致网络性能下降。这就需要我们在设计控制算法时充分考虑延迟的影响，通过合适的参数选择来保证系统在存在延迟情况下的稳定性。
数学建模与关键变量
AQM系统涉及多个相互关联的状态变量，每个变量都有明确的物理意义：
Q(t) 表示路由器在时刻 t 的队列长度，单位是数据包数量。这是系统最直接的状态指标，反映了路由器当前的负载情况。
C 是路由器的处理容量，单位是数据包每秒（packets/s）。这是一个固定的硬件参数，决定了路由器能够转发数据的最大速率。
N(t) 表示网络中活跃的TCP连接数，即网络的TCP负载。这个变量随时间变化，反映了网络的使用强度。
R(t) 是数据包的往返时间（Round-Trip Time, RTT），单位是秒。这个时间包含了数据包从发送端到接收端再返回的全部时间。
\tau 是传播延迟，这是一个固定值，由物理距离和传输介质决定。即使网络完全空闲，数据包也需要这个最小时间来完成传输。
p(t) 是在时刻 t 丢弃数据包的概率。这是AQM算法的控制变量，通过调整这个概率来影响发送端的行为。
W(t) 是TCP窗口大小，表示在一个数据包中发送的数据量。TCP通过动态调整窗口大小来控制发送速率。
AQM系统的动力学方程
AQM系统可以用以下四个相互耦合的方程来描述：
首先是丢包概率与队列长度的关系：
这里 K 是控制增益参数。这个线性关系表明队列越长，丢包概率越大。需要注意的是，在时刻 t 发送的数据包是否被丢弃的决定，实际上要到时刻 t+R(t) 才会被发送端知晓，这就引入了时间延迟。
往返时间由两部分组成：
固定的传播延迟 \tau 加上排队延迟 Q(t)/C。当队列长度增加时，数据包需要更长时间等待处理，因此往返时间也随之增加。
队列长度的变化率描述了队列的动态演化：
这个方程反映了队列的流入流出平衡。-C 项表示路由器以恒定速率 C 处理数据包（流出），而 N(t)W(t)/R(t) 项表示所有TCP连接的总流入速率。当流入大于流出时，队列增长；反之则减小。
TCP窗口大小的演化是最复杂的：
第一项 1/R(t) 表示窗口的线性增长，这是TCP拥塞控制的"加性增加"部分。每经过一个RTT，窗口大小增加1。第二项表示窗口的减小，当检测到丢包时触发。这里的关键是时间延迟：在时刻 t，TCP协议根据时刻 t-R(t) 的丢包情况来调整窗口。如果检测到丢包，窗口大小减半，这是"乘性减少"策略。
延迟在AQM系统中的本质作用
这个系统中的延迟不是偶然的，而是TCP/IP网络的固有特性。从路由器决定丢包，到发送端检测到丢包并调整发送速率，再到这个调整影响到路由器的队列，整个反馈回路存在至少一个RTT的延迟。这个延迟使得系统变成了延迟微分方程系统，其分析比普通微分方程系统复杂得多。
延迟的存在可能导致系统出现不稳定的振荡行为：路由器队列长度周期性地在接近满和接近空之间摆动，TCP窗口大小也相应地剧烈变化。这种振荡不仅降低了网络的利用率，还增加了数据传输的抖动，影响用户体验。因此，在设计AQM算法时，必须仔细选择控制参数 K，确保系统在存在延迟的情况下保持稳定。
状态依赖的延迟
在AQM系统中，我们看到系统状态由 (Q, W) 组成，即队列长度和窗口大小。这里的一个关键特征是延迟 R 本身是变化的，且依赖于系统状态 Q。这种状态依赖性使得系统分析变得更加复杂，因为延迟不再是一个固定的参数，而是随着系统演化而动态变化的量。当队列长度 Q 增加时，排队延迟增加，导致总的往返时间 R 增大。这种反馈机制创造了一个非线性的耦合关系，使得传统的线性分析方法不再适用。
第三个实例：交通流模型
系统设置
考虑一条单车道公路上的车辆队列，有 k 辆车依次行驶。每辆车的速度用 v_1, v_2, \ldots, v_k 表示，其中 v_1 是领头车的速度，v_k 是第 k 辆车的速度。在这个模型中，每个驾驶员根据前方车辆的行为来调整自己的速度，但这种调整存在反应时间的延迟。
第一个模型：简单的跟随模型
最简单的车辆跟随模型假设每个驾驶员仅根据前方紧邻车辆的速度来调整自己的速度。对于第 k 辆车（k \geq 2），速度的变化率可以表示为：
这里 \alpha_k > 0 是第 k 个驾驶员的反应灵敏度参数，反映了驾驶员对速度差的调整强度。\tau_k > 0 是第 k 个驾驶员的反应时间，包括观察、判断和执行动作所需的时间。
这个方程的物理含义是：驾驶员在时刻 t 的加速度取决于他在 \tau_k 时间之前观察到的速度差。如果前车速度大于自己的速度，即 v_{k-1}(t-\tau_k) > v_k(t-\tau_k)，则加速；反之则减速。反应时间 \tau_k 的存在意味着驾驶员总是基于过去的信息做决策，这在现实中是不可避免的。
然而，这个模型存在一个明显的局限性：它假设驾驶员只关注某个特定时刻（t-\tau_k 时刻）的速度差，完全忽略了其他时刻的信息。实际上，人类驾驶员具有短期记忆能力，会综合考虑一段时间内观察到的信息来做出决策。
第二个模型：分布式延迟模型
为了更真实地描述驾驶行为，我们引入分布式延迟的概念。第二个模型考虑了驾驶员的记忆效应：
这个模型引入了几个新的要素。首先，\alpha_{k,i} 表示第 k 个驾驶员对第 i 辆车的关注权重。这允许驾驶员不仅关注紧邻的前车，还可以考虑更前方车辆的行为。其次，核函数 f_k(\theta) 描述了过去不同时刻的信息在当前决策中的权重。\theta 是延迟积分变量，表示过去的时间。
核函数 f_k(\theta) 必须满足归一化条件：
这确保了权重的总和为1。典型的核函数形式包括指数衰减核 f_k(\theta) = \lambda e^{-\lambda\theta}，表示近期信息权重更大；或者均匀核，表示在某个时间窗口内的信息同等重要。
两个模型之间的关系
第一个模型实际上是第二个模型的特殊情况。当我们设置：
- \alpha_{k,i} = 0 对所有 i \neq k-1（只关注紧邻前车）
- f_k = \delta_{\tau_k}（Dirac质量函数集中在 \tau_k 处）
第二个模型就退化为第一个模型。Dirac质量函数 \delta_{\tau_k} 的性质是：
对任何连续函数 g。这意味着积分只"提取"了 \theta = \tau_k 时刻的值。
分布式延迟模型的优势在于它能够描述更复杂的驾驶行为。例如，一个谨慎的驾驶员可能会持续观察前车一段时间，综合这段时间内的速度变化趋势来决定自己的加速度。这种行为用分布式延迟可以自然地表示，但用固定延迟模型则很难刻画。
延迟类型的分类
通过这些例子，我们可以看到延迟系统中存在不同类型的延迟：
分布式延迟 vs 集中式延迟：第二个交通流模型使用分布式延迟，考虑了一段连续时间内的历史信息；而第一个模型使用集中式延迟，只考虑特定时刻的信息。
有界延迟 vs 无界延迟：第二个模型中，积分上限是无穷大，理论上考虑了所有历史信息，这是无界延迟。实际应用中，如果核函数 f_k(\theta) 快速衰减，远过去的信息权重可以忽略不计，可以近似为有界延迟。
这些不同类型的延迟需要不同的数学工具来分析，也会导致系统具有不同的动力学特性。理解这些差异对于设计稳定的控制系统至关重要。
造血过程的数学建模
造血过程的生物学基础
骨髓中的血细胞生成过程称为造血。血细胞在被释放到血液循环之前需要经历多个发育阶段。在每个发育阶段，细胞处于两种可能的状态之一：静止状态或增殖状态。静止状态指细胞暂时停止分裂，处于休眠期；增殖状态则指细胞正在进行活跃的分裂复制。理解这两种状态的转换对于建立造血的数学模型至关重要，因为细胞在不同阶段会在这两种状态间切换，最终决定了血细胞的产出速率。
单个分化阶段的动力学模型
对于造血过程中的某一特定分化阶段 \lambda，我们需要追踪该阶段细胞的数量变化。这个阶段的细胞群体可以用几个关键变量来刻画。首先是从上一个阶段 \lambda-1 进入当前阶段的细胞数量，记为 K_{n-1}。这些新进入的细胞会进入一个增殖池，在这个池中细胞进行分裂扩增。
增殖池中的细胞行为由以下几个过程决定。细胞在增殖池中停留的时间有一个上限，记为 \omega_\lambda，这是该阶段的最大增殖周期。在这个时间段内，细胞会不断进行分裂。当增殖细胞的年龄为 x 时，其分裂率由函数 \beta_\lambda(x) 描述，这个函数告诉我们在不同年龄阶段细胞的分裂速度。将分裂率 \beta_\lambda(x) 与细胞年龄 x 相乘，得到的权重函数为：
这个权重函数 w_\lambda(x) 反映了不同年龄细胞对总体增殖贡献的加权，年龄和分裂率共同决定了细胞在增殖过程中的"重要性"。
在增殖过程中，并非所有细胞都能存活。增殖期细胞的死亡率记为 X_\lambda。这些在增殖过程中死亡的细胞会从系统中移除，减少了最终能够成熟的细胞数量。
当细胞完成增殖周期后，它们不会立即进入下一个分化阶段，而是先进入一个静止期。从增殖期转入静止期的细胞比例记为 K_\lambda。这个比例决定了有多少增殖后的细胞会进入休眠状态等待进一步分化。相应地，我们定义：
这个 L_\lambda 代表不进入静止期的细胞比例。由于比例的完备性，进入静止期和不进入静止期的比例之和必然为1，因此有上述关系式。
在静止期，细胞同样面临两种可能的命运。一部分静止细胞会发生死亡，或者分化为其他细胞谱系，这部分细胞的比例或速率记为 S_\lambda。这意味着即使细胞成功度过了增殖期，在静止期仍然可能无法最终进入下一个阶段。那些既没有死亡也没有转向其他谱系的静止细胞，最终会被激活并进入下一个分化阶段 \lambda+1。
整个流程可以理解为一个多级筛选过程：首先从上一阶段 K_{n-1} 接收细胞，这些细胞在增殖池中经历 \omega_\lambda 时间的扩增，期间按照 \beta_\lambda(x) 的速率分裂，同时承受 X_\lambda 的死亡损失。随后存活下来的细胞按照比例 K_\lambda 进入静止池，在静止池中又要面对 S_\lambda 的损失，最后剩余的细胞才能成功晋级到下一个阶段。这个模型通过这些参数完整地刻画了单个造血分化阶段的细胞动力学特征。
造血系统的偏微分方程模型
增殖期细胞的动力学方程
现在建立描述第 \lambda 阶段细胞数量随时间演化的完整微分方程。对于第 \lambda 阶段增殖池中的细胞数量 x_\lambda(t)，其时间变化率 x_\lambda'(t) 由以下方程给出：
方程右侧的第一项 -\delta_\lambda x_\lambda(t) 描述增殖期细胞的死亡流失。这里 \delta_\lambda 是该阶段增殖细胞的死亡率常数，与之前提到的 X_\lambda 对应。负号表示死亡导致细胞数量减少。第二项 -w_\lambda(x_\lambda(t)) 描述增殖细胞完成分裂周期后离开增殖池的流出。回顾前面定义的权重函数 w_\lambda(x) = \beta_\lambda(x)x，这一项综合考虑了细胞年龄和分裂率对流出速度的影响。
除了这些损失项，增殖池还需要考虑来自上一个阶段的补充。这个补充不是瞬时的，而是带有时间延迟的分布式输入。方程中的积分项：
描述了从第 \lambda-1 阶段静止池直接进入第 \lambda 阶段增殖池的细胞流。这里积分变量 a 代表延迟时间，表示细胞从 t-a 时刻开始在上一阶段的增殖池中积累，经过时间 a 后在时刻 t 到达当前阶段。函数 f_{\lambda-1}(a) 是延迟的分布密度函数，描述不同延迟时间的相对权重。指数衰减因子 e^{-\gamma_{\lambda-1}a} 表示在延迟期间细胞的存活概率，\gamma_{\lambda-1} 是相应的衰减率。项 w_{\lambda-1}(x_{\lambda-1}(t-a)) 是 t-a 时刻上一阶段增殖池的输出强度。系数 L_\lambda 正是前面定义的不经过静止期而直接晋级的比例。
第二个积分项具有类似的结构：
这一项描述从第 \lambda-1 阶段静止池经过一段静止期后进入第 \lambda 阶段增殖池的细胞流。与前一个积分项相比，唯一的区别是系数从 L_\lambda 变为 K_{\lambda-1}。这是因为 K_{\lambda-1} 代表上一阶段进入静止期的比例，这些细胞在静止期存活后最终会流入当前阶段。
方程末尾注明边界条件 K_0 = 0，表示在初始阶段（第0阶段）没有细胞从静止期流入，因为在造血层级的起点不存在上游的静止池。
这个方程的核心特征是包含分布式延迟。延迟 a 不是一个固定的常数，而是在区间 [0, \omega_\lambda] 上按照密度函数 f_{\lambda-1}(a) 分布。这意味着不同细胞从上一阶段到达当前阶段所需的时间各不相同，反映了造血过程中细胞成熟时间的异质性。通过积分将所有可能的延迟时间综合起来，得到当前时刻的总输入流。
时滞系统的一般理论
为了更好地理解上述包含时间延迟的微分方程，需要回顾时滞动力系统的基本概念。考虑一个带有单一常数延迟的系统，其动力学方程写为：
这里 x(t) 是系统的状态变量，\tau 是固定的时间延迟，u(t) 是外部输入或控制信号，g 是定义系统演化规律的函数。这个方程说明当前时刻状态的变化率不仅依赖于当前状态 x(t) 和输入 u(t)，还依赖于过去时刻 x(t-\tau) 的状态。
要完整确定这个系统在 t \geq 0 时的演化轨迹，仅仅知道初始时刻 t=0 的状态值是不够的。由于方程右侧包含 x(t-\tau)，在 t \in [0, \tau] 区间内，我们需要用到 x(t-\tau) 在 t-\tau \in [-\tau, 0] 区间的值。因此，时滞系统的初始条件必须指定整个历史区间上的状态。具体而言，需要给定 u(t) 对所有 t \geq 0 的值，以及 x(t) 在 t \in [-\tau, 0] 区间上的完整函数形态。
系统的初始条件是一个函数 x_0: [-\tau, 0] \to \mathbb{R}^n，它给出了从时刻 -\tau 到时刻 0 之间所有时间点的状态值。这个函数刻画了系统在开始演化之前的"记忆"。状态空间不再是有限维的向量空间 \mathbb{R}^n，而是函数空间，即所有从 [-\tau, 0] 到 \mathbb{R}^n 的函数构成的集合。通常使用连续函数空间 C([-\tau, 0], \mathbb{R}^d) 作为状态空间，其中 d 是状态向量的维数。
从图示可以更直观地理解这个结构。时间轴从 -\tau 开始，经过 0 时刻，然后延伸到未来。在 [-\tau, 0] 区间，初始函数 x_0 给出所有必要的历史信息。从 t=0 开始，系统根据微分方程向前演化。在 0 到 \tau 这段时间内，方程右侧的 x(t-\tau) 恰好对应初始函数 x_0 的值。当 t 超过 \tau 之后，x(t-\tau) 则对应已经演化出的解。这样，整个解在时间轴上逐步构造出来。
时滞系统的一个根本特征是其无穷维性质。即使状态向量 x 本身是有限维的，由于初始条件必须是一个函数，系统的完整状态空间是无穷维的函数空间。这与常微分方程系统形成鲜明对比，后者的状态空间是有限维向量空间。无穷维特性使得时滞系统的分析和数值计算都更加复杂，需要使用泛函分析和偏微分方程理论的工具。
时间延迟系统的分类
三种基本类型的时间延迟系统
时间延迟系统根据最高阶导数在延迟项中的出现方式，可以分为三种截然不同的类型。这种分类对于理解系统的数学性质和求解方法至关重要。
第一类是滞后型系统。在这类系统中，最高阶导数仅出现在不含延迟的当前状态项 x(t) 中，而所有包含延迟的项 x(t-\tau) 都不含最高阶导数。考虑一阶系统的例子：
这个方程左侧的导数 x'(t) 只依赖当前时刻，右侧虽然有延迟项 x(t-1)，但延迟项本身不带导数。滞后型系统还可以包含分布式延迟，例如：
这里导数仅作用于 x(t)，积分中的延迟项 x(t-\theta) 不含导数。滞后型是最常见和最容易处理的时间延迟系统类型，因为当前时刻的变化率完全由当前和过去的状态决定，符合因果性原则。
第二类是中立型系统。这类系统的特征是最高阶导数既出现在无延迟项中，也出现在含延迟的项中。一阶例子：
左侧同时包含 x'(t) 和 x'(t-1)，即当前时刻和过去时刻的导数都出现在方程中。高阶的例子：
二阶导数 x''(t) 和 x''(t-1) 同时存在。中立型系统的数学处理比滞后型复杂得多，因为导数项的延迟会导致特殊的稳定性问题和数值困难。
第三类是超前型系统。这是最特殊的一类，最高阶导数只出现在含延迟的项中。看似矛盾的例子：
通过变量替换，令 t \to t+1，这个方程改写为：
这个形式揭示了超前型系统的本质特征：当前时刻的导数依赖于未来时刻的状态。这违背了通常的因果关系，在物理系统中很少自然出现，但在某些控制问题和经济模型中会遇到。超前型系统通常需要指定未来的边界条件才能求解，与初值问题的标准框架不同。
时间延迟系统的谱分析
滞后型系统的一般形式
现在转向滞后型系统的深入分析。考虑线性滞后型系统的标准形式，记为系统 (R)：
这里状态变量 x(t) \in \mathbb{R}^d 是 d 维实向量。系数矩阵 A_0, A_1, \ldots, A_m \in M_d(\mathbb{R}) 都是 d \times d 的实矩阵。延迟时间 \tau_1, \tau_2, \ldots, \tau_m 满足严格不等式：
系统包含 m 个不同的离散延迟。这个形式涵盖了大多数实际应用中的线性滞后系统。需要注意的是，后续所有理论结果在系统同时包含有界分布式延迟时仍然成立。分布式延迟意味着方程右侧还可以包含形如 \int_0^{\tau} K(\theta) x(t-\theta) d\theta 的项，但只要积分上限 \tau 有界，谱分析的框架依然适用。
从常微分方程到延迟系统的谱理论类比
对于标准的线性常微分方程系统：
其中 A 是常数矩阵，我们寻找指数形式的解：
这里 \lambda \in \mathbb{C} 是复数，v \in \mathbb{C}^d 是复向量。将这个形式代入微分方程，得到 \lambda e^{\lambda t} v = A e^{\lambda t} v，消去指数因子后得到特征方程 A v = \lambda v。系统存在非平凡解当且仅当 \lambda 是矩阵 A 的特征值。矩阵 A 的全部特征值构成系统的谱，这个有限集合完全决定了系统的动力学行为，包括稳定性、振荡模式等所有长期性质。
对于时间延迟系统，我们同样希望寻找指数形式的解来进行谱分析。但由于延迟项的存在，问题变得复杂得多。将 x(t) = e^{\lambda t} v 代入滞后系统 (R)，延迟项变为 e^{\lambda(t-\tau_n)} v = e^{-\lambda \tau_n} e^{\lambda t} v。这导致特征方程不再是简单的代数方程，而是包含指数函数的超越方程。因此时间延迟系统的谱不再是有限个离散点，而是无穷集合，反映了系统的无穷维本质。
特征矩阵和特征方程的推导
现在将指数解的思路应用到滞后系统 (R) 中。假设系统存在形如 x(t) = e^{\lambda t} v 的解，其中 v \neq 0 是非零复向量，\lambda 是待定的复数。将这个试探解代入系统 (R) 的方程：
左侧导数计算为 x'(t) = \lambda e^{\lambda t} v。右侧第一项是 A_0 e^{\lambda t} v，第二项中的延迟项 x(t-\tau_n) = e^{\lambda(t-\tau_n)} v = e^{-\lambda \tau_n} e^{\lambda t} v。将所有项代入后得到：
两边同时除以公共因子 e^{\lambda t}（因为指数函数恒不为零），得到关于 v 的代数方程：
将所有项移到左侧，提取向量 v：
这里 I 是 d \times d 单位矩阵。定义特征矩阵：
特征矩阵 \Delta(\lambda) 是关于复变量 \lambda 的矩阵值函数。方程变为 \Delta(\lambda) v = 0。这个齐次线性方程组有非零解 v \neq 0 的充要条件是系数矩阵 \Delta(\lambda) 不可逆，即其行列式为零。同时，非零解 v 必须属于 \Delta(\lambda) 的核空间 \text{Ker} \, \Delta(\lambda)，也就是所有满足 \Delta(\lambda) v = 0 的向量构成的子空间。
特征函数的定义
基于上述分析，定义系统 (R) 的特征函数为特征矩阵的行列式：
展开行列式的定义：
特征函数 Q(\lambda) 是复变量 \lambda 的标量函数。使 Q(\lambda) = 0 成立的复数 \lambda 称为特征根或谱值。所有特征根构成的集合称为系统 (R) 的谱或特征函数 Q 的谱。每个特征根对应一个指数解模式 e^{\lambda t}，特征根的实部决定对应解的增长或衰减速率，虚部决定振荡频率。
特征函数 Q(\lambda) 的结构比普通多项式复杂。虽然 \lambda I - A_0 是关于 \lambda 的多项式矩阵，但求和项中的 e^{-\lambda \tau_n} 包含指数函数，使得整个特征函数成为多项式与指数函数的复合。这种函数被称为拟多项式，是延迟系统谱分析的核心对象。
拟多项式的数学定义
拟多项式是时间延迟系统特征函数的自然数学形式。一个从复数域到复数域的函数 P: \mathbb{C} \to \mathbb{C} 称为拟多项式，如果它可以表示为以下形式：
这里 N 是非负整数，r_0, r_1, \ldots, r_N 是实数（称为指数），q_k(\lambda) 是关于 \lambda 的多项式（可以是复系数多项式）。拟多项式的每一项都是一个指数函数 e^{\lambda r_k} 与多项式 q_k(\lambda) 的乘积。通过调整指数 r_k 和多项式 q_k 的次数，拟多项式可以描述比普通多项式更丰富的渐近行为。对于延迟系统，特征函数中的 e^{-\lambda \tau_n} 项正是拟多项式结构的来源，其中指数 r_k = -\tau_n 对应各个延迟时间。
拟多项式的结构和次数
在拟多项式的定义中：
各项指数 r_0, r_1, \ldots, r_N 是实数且满足严格递增的排序关系：
这个排序约定确保了表示的唯一性，避免了将相同指数的项重复计算。每个系数 q_0, q_1, \ldots, q_N 都是复系数多项式。这意味着 q_k(\lambda) 可以写成 q_k(\lambda) = \sum_{j=0}^{d_k} c_{kj} \lambda^j 的形式，其中 c_{kj} \in \mathbb{C}，d_k 是该多项式的次数。
拟多项式 P 的次数定义为一个综合指标，它同时考虑了指数项的个数和多项式项的最高次数。具体定义为：
这个定义的第一部分 N 计数不同指数项的总数减一（因为指标从0开始）。第二部分 \sum_{k=0}^N \deg(q_k) 是所有多项式系数的次数之和。将这两部分相加得到拟多项式的总次数。这个次数定义反映了函数的复杂程度，对后续根的计数和分布估计起关键作用。
延迟系统特征函数作为拟多项式的例子
对于延迟系统的特征函数 Q(\lambda)，展开特征矩阵的行列式：
行列式的计算涉及矩阵元素的所有可能乘积组合。矩阵中的每个元素都是 \lambda 的多项式与若干个 e^{-\lambda \tau_n} 的乘积。当计算行列式时，这些项相乘并求和，最终结果可以写成拟多项式的标准形式。在这个展开过程中，指数 r_k 是各个延迟 -\tau_n 的和。例如，某一项可能包含 e^{-\lambda \tau_1} \cdot e^{-\lambda \tau_2} = e^{-\lambda(\tau_1 + \tau_2)}，对应指数 r_k = -(\tau_1 + \tau_2)。通过对所有可能的延迟组合求和，我们得到一系列不同的指数值 r_k，每个指数对应一个多项式系数 q_k(\lambda)。
Pólya-Szegö界引理
Pólya-Szegö界是关于拟多项式根分布的基本定理，它给出了在复平面某个竖直带状区域内根的个数的精确估计。
引理表述如下：设 \alpha \leq \beta 是两个实数，定义竖直带状区域为 \{\lambda \in \mathbb{C} : \alpha \leq \text{Re}(\lambda) \leq \beta\}。记 n 为拟多项式 P(\lambda) 在这个带状区域内的根的个数（计重数）。则 n 满足不等式：
其中 D = \deg(P) 是拟多项式的次数。
这个不等式给出了根的个数的上下界。不等式中的主项 \frac{(r_N - r_0)(\beta - \alpha)}{2\pi} 正比于带状区域的宽度 \beta - \alpha 和指数的跨度 r_N - r_0。这个主项刻画了根在带状区域中的平均密度。误差项 \pm D 只依赖于拟多项式的次数，是一个有界的修正量。当带状区域的宽度 \beta - \alpha 趋向无穷大时，主项线性增长，而误差项保持常数，因此根的计数渐近地由主项决定。
Pólya-Szegö界的推论
从Pólya-Szegö界可以立即得出两个关于拟多项式根的结构性结论。
推论的第一部分断言：如果 N \geq 1，即拟多项式至少包含两个不同的指数项，那么 P 必然有无穷多个根。这是因为当 N \geq 1 时，指数跨度 r_N - r_0 > 0。取固定的 \alpha 并让 \beta \to +\infty，带状区域不断向右扩展。根据不等式，区域内根的个数 n 至少有：
当 \beta \to +\infty 时，右侧趋向正无穷，说明存在无穷多个根。这与普通多项式（只有有限个根）形成对比，反映了延迟系统的无穷维特性。
推论的第二部分限制了根的重数：拟多项式 P 的任何根 \lambda 的重数至多为 \deg(P)。这是因为如果某个根 \lambda_0 的重数超过 D，那么在 \lambda_0 附近的小邻域 [\alpha, \beta] 内，单单这一个根的贡献就会超过 D，与Pólya-Szegö界的上界 \frac{(r_N - r_0)(\beta - \alpha)}{2\pi} + D 矛盾（当邻域足够小时主项可以任意小）。因此每个根的重数都被拟多项式的次数所限制。
拟多项式根的分布定理
利用Pólya-Szegö界，可以证明关于拟多项式根分布的更强结果。下面通过两个构造性证明展示根的无穷性和虚轴附近根的存在性。
第一个证明构造水平带状区域来展示根的无穷性。取整数序列 k \in \mathbb{Z}，定义虚轴方向的分割点：
这里 D = \deg(P) 是拟多项式的次数。相邻分割点之间的间距为 \alpha_{k+1} - \alpha_k = \frac{2\pi D}{r_N - r_0} + 1。对于每个整数 k，考虑水平带状区域 \{\lambda \in \mathbb{C} : \alpha_k \leq \text{Im}(\lambda) \leq \alpha_{k+1}\}，其中 \text{Im}(\lambda) 表示 \lambda 的虚部。将Pólya-Szegö引理应用于这个带状区域，取 \beta = \alpha_{k+1} 和 \alpha = \alpha_k。注意这里的 \alpha, \beta 对应虚部的范围（需要在复平面上考虑水平带而非竖直带，或者理解为对旋转后的坐标系应用引理）。根据引理的下界估计，在这个带内至少存在一个根 \lambda 满足 \alpha_k \leq \text{Im}(\lambda) \leq \alpha_{k+1}。由于这个构造对所有整数 k \in \mathbb{Z} 都成立，我们在无穷多个不重叠的水平带中各找到至少一个根，从而证明了拟多项式有无穷多个根。
第二个证明关注虚轴附近的根。取 \beta = \alpha = 1（或者某个固定实数），考虑实部在1附近的竖直带状区域。通过类似的论证，可以确定在特定区域内根的存在性。这个构造说明根不仅数量无穷，而且在复平面上具有一定的分布模式。
延迟系统的稳定性定义
对于滞后型系统 (R)：
其特征矩阵和特征函数分别为：
现在给出零解稳定性的精确数学定义。
定义1：系统 (R) 的零解称为渐近稳定的，如果满足以下两个条件。首先是稳定性条件：对任意 \varepsilon > 0，存在 \delta > 0，使得对所有初始条件 x_0 \in C([-\tau_m, 0], \mathbb{R}^d)，只要初始函数的范数满足 ||x_0||_{\infty} < \delta，相应的解 x_t 在所有 t \geq 0 时刻都满足 ||x_t||_{\infty} < \varepsilon。这保证了小的初始扰动导致小的后续偏差。其次是渐近性条件：解在时间趋向无穷时趋向零，即对所有初始条件 x_0 \in C([-\tau_m, 0], \mathbb{R}^d)，都有：
这里 x 是对应初始条件 x_0 的唯一解。范数 ||x_t||_{\infty} 表示函数 x_t 在其定义域上的最大值。
定义2：系统 (R) 的零解称为指数稳定的，如果存在常数 C > 0 和 \gamma > 0，使得对所有初始条件 x_0 \in C([-\tau_m, 0], \mathbb{R}^d) 和所有时刻 t \geq 0，解满足指数衰减估计：
这个不等式说明解的范数以至少 e^{-\gamma t} 的速度指数衰减到零。常数 C 是一个放大因子，\gamma 是衰减率。指数稳定性是比渐近稳定性更强的条件，因为它不仅要求解趋向零，还要求衰减速度有指数下界。
稳定性的等价刻画定理
对于有限维常微分方程系统 x'(t) = Ax(t)，渐近稳定性和指数稳定性是等价的概念。它们都等价于矩阵 A 是Hurwitz矩阵，即 A 的所有特征值实部都严格为负。这个等价性为稳定性分析提供了代数判据，只需检查特征值的位置即可判断系统的长期行为。
对于时间延迟系统 (R)，存在类似的等价性定理。该定理断言以下三个命题是等价的：
- 系统 (R) 是渐近稳定的
- 系统 (R) 是指数稳定的
- 特征函数 Q 的所有根 \lambda 都满足 \text{Re}(\lambda) < 0
这个定理的意义在于，它将动力学性质（稳定性）与谱性质（根的位置）联系起来。第三个条件提供了一个可验证的代数判据：只要检查特征函数的所有根是否都位于复平面的左半平面，就能判断系统是否稳定。由于延迟系统有无穷多个特征根，实际应用中通常需要数值方法或者主导根的概念来处理这个判据。定理的等价性表明，对于延迟系统，即使有无穷多个特征根，稳定性依然可以通过谱条件完全刻画，这与有限维系统的Hurwitz判据形成了理论上的统一。
谱的定性性质
特征函数 Q 拥有无穷多个根，这使得我们无法通过逐一计算的方式获得所有根的完整信息。在这种情况下，研究根的整体性质和分布规律变得至关重要，特别是需要识别出对系统动力学行为影响最大的那些关键根。
根序列的模趋向无穷
命题：设 (\lambda_n)_{n \in \mathbb{N}} 是特征函数 Q 的一个互不相同的根序列，则有：
这个命题断言，当我们将根按某种方式排列成序列时（只要序列中的根两两不同），这些根的模必然趋向无穷大。换句话说，不存在聚集在某个有界区域内的无穷多个互不相同的根。
证明采用反证法。假设结论不成立，即存在根序列 (\lambda_n) 使得 |\lambda_n| 不趋向无穷。这意味着可以找到常数 M，使得无穷多个根满足 |\lambda_n| \leq M。必要时我们可以提取子序列，得到一个模有界的根序列。模有界的复数序列必然位于某个以原点为中心的圆盘内，因此也位于某个水平带状区域 \{\lambda \in \mathbb{C} : \alpha \leq \text{Im}(\lambda) \leq \beta\} 中（选取足够大的 \alpha, \beta 使得圆盘被包含）。但根据Pólya-Szegö界，任何有界带状区域内只能包含有限多个根。这与我们假设的无穷多个根矛盾，因此原命题成立。
根序列实部的渐近行为
命题：设 (\lambda_n)_{n \in \mathbb{N}} 是特征函数 Q 的根序列，若满足模趋向无穷：
则必然有实部趋向负无穷：
这个结果揭示了拟多项式根分布的深层结构：虽然根在复平面上分布无限广，但它们不能无限向右扩展，而是必然向左半平面的深处延伸。直观地说，除了有限多个可能的例外，绝大多数根都具有很大的负实部。这个性质对稳定性分析至关重要，因为它表明系统的大部分模态都对应强衰减的指数因子。
根分布的推论
从前面两个命题可以推导出关于根分布的三个具体结论。
推论的第一部分：对任意实数 \alpha \leq \beta，竖直带状区域 \{\lambda \in \mathbb{C} : \alpha \leq \text{Re}(\lambda) \leq \beta\} 内只包含有限多个特征函数 Q 的根 \lambda。这是因为该区域中所有根的实部都被 \beta 所界，根据前面的命题，这样的根只能有有限多个。这个结论说明复平面可以按实部划分为无穷多个竖直带，每个带内只有有限个根。
推论的第二部分：存在实数 \gamma，使得特征函数 Q 的所有根 \lambda 都满足 \text{Re}(\lambda) \leq \gamma。这个 \gamma 称为谱的实部上界，它保证了不存在实部任意大的根。结合推论的第三部分可以理解其意义。
推论的第三部分：特征函数 Q 在右半平面 \{\lambda \in \mathbb{C} : \text{Re}(\lambda) \geq 0\} 内只有有限多个根。这直接应用第一部分的结论，取 \alpha = 0 和任意大的 \beta 即可。这个结论对稳定性判别具有决定性意义：系统是否稳定仅取决于有限个根（即实部非负或接近零的那些根），而无需考虑全部无穷多个根。
包络曲线概念
前述不等式所描述的区域边界称为包络曲线。在复平面的图示中，虚轴作为纵轴，实轴作为横轴。包络曲线将复平面划分为两个区域：在曲线左侧是可能含有无穷多个根的区域（实部很负的区域），在曲线右侧及附近是只能包含有限个根的"油脂区域"。这个"油脂区域"恰好包含所有实部非负（\text{Re}(\lambda) \geq 0）的根。包络曲线的形状由拟多项式的系数和延迟参数共同决定，它直观地展示了根在复平面上的整体分布趋势。对于稳定性分析，我们主要关注包络曲线右侧的有界区域，因为该区域决定了系统的稳定性。
有界区域内根的数值计算
存在专门的算法可以计算拟多项式在有界区域内的所有根。这些算法的理论基础来自特征方程的等价形式。
复数 \lambda 是特征函数 Q 的根，等价于特征矩阵的行列式为零：
这又等价于 \lambda 是矩阵的特征值：
虽然这个等价性看似循环定义（因为 \lambda 同时出现在等式两边），但在数值算法中可以利用它进行迭代求解。给定一个搜索区域，算法通过网格化搜索、牛顿迭代法或特征值求解器等技术，逐步逼近该区域内的所有根。由于根的个数有限（根据前述推论），这些算法可以在有限时间内完成计算，为稳定性判别和系统分析提供实用工具。