周期切换有向图下一般线性系统的自适应分布式观测器设计

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 (T=4\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：

1. 拉普拉斯矩阵不对称，特征值可能带虚部，甚至不是半正定；
2. 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 (P>0) 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_i>0) 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：

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_{i=1}^{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：

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 (\tau=0.5) 秒，周期 (T=2) 秒。

设计 (K) 时，用 LQR 解代数 Riccati 方程： [ PA + A^{\top}P - PBB^{\top}P + Q = 0 ] 取 (Q=I)，(R=1)，然后 (K=B^{\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 R=1，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, 3:2+2*N), 2, N)'; mu = zz(end, 3+2*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(3:2+2*N), 2, N)'; mu = z(3+2*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 (\tau=3) 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 (\rho=0) 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 (\rho>0) 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。