[足式机器人]Part2 Dr. CAN学习笔记-Ch00-1 - 数学知识基础

本文仅供学习使用
本文参考：
B站：DR_CAN
《控制之美(卷1)》 王天威
《控制之美(卷2)》 王天威

---

本章主要讲解最优控制理论中的数学基础知识，包括线性时不变系统状态空间方程的解、状态空间方程离散化、矩阵的运算基础、向量的导数以及向量矩阵求导的应用等方面的内容。

本章的学习目标包括：

• 理解线性时不变系统状态空间方程的解和离散化方法
• 掌握向量的导数和向量矩阵求导的方法。
• 理解矩阵求导的具体应用，包括线性回归和最小二乘法等。

1. Ch0-1 矩阵的导数运算

在状态空间方程的表达式中,系统的输人(控制量)$u_{[k]}$是以向量形式出现的,这也是控制算法需要关注的变量。在进行控制算法的设计和优化时,经常需要对向量$u_{[k]}$求导。为此,需要掌握向量求导的基本知识。向量求导与标量求导有所不同,其中包含了向量运算矩阵运算和多元函数求导等多种数学概念。

1.1标量向量方程对向量求导，分母布局，分子布局

最优控制的问题本质上是“求极值”的问题,而使用向量的偏导数可以使问题的表达更加简洁、易于理解。特别是在多维度、复杂的系统中,使用向量的偏导数可以更加方便地对系统进行建模、求解。

1.1.1 标量方程对向量的导数

• $y$ 为 一元向量 或 二元向量
  
• $y$为多元向量
  $$\vec{y}=\left[y_1,y_2,\cdots ,y_{\mathrm{n}}\right]\Rightarrow \frac{\partial f\left(\vec{y}\right)}{\partial \vec{y}}$$
  其中：$f\left(\vec{y}\right)$ 为标量 $1\times 1$, $\vec{y}$为向量 $1\times n$

1. 分母布局 Denominator Layout——行数与分母相同
   $\frac{\partial f\left(\vec{y}\right)}{\partial \vec{y}}={\left[\begin{array}{c}\frac{\partial f\left(\vec{y}\right)}{\partial y_1}\\ ⋮\\ \frac{\partial f\left(\vec{y}\right)}{\partial y_{\mathrm{n}}}\end{array}\right]}_{n\times 1}$
   它实际上是$f(u)$对向量$u$中的每一个元素逐个求偏导并将结果排列成一个列向量。
2. 分子布局 Nunerator Layout——行数与分子相同
   $\frac{\partial f\left(\vec{y}\right)}{\partial \vec{y}}={\left[\begin{array}{ccc}\frac{\partial f\left(\vec{y}\right)}{\partial y_1}& \cdots & \frac{\partial f\left(\vec{y}\right)}{\partial y_{\mathrm{n}}}\end{array}\right]}_{1\times n}$

分子布局与分母布局这两种表达形式没有本质区别,它们互为转置。在不同的问题中,我们可能会采用分子布局或分母布局,但需要保证在使用过程中始终保持一致。除非特别说明,大部分推导都将采用分母布局的形式。也请读者在阅读其他相关书籍时，一定要注意它们所采用的布局方式。

1.1.2 向量方程(vector function)对向量的导数

$\vec{f}\left(\vec{y}\right)={\left[\begin{array}{c}{\vec{f}}_1\left(\vec{y}\right)\\ ⋮\\ {\vec{f}}_{\mathrm{n}}\left(\vec{y}\right)\end{array}\right]}_{n\times 1},\vec{y}={\left[\begin{array}{c}{y}_1\\ ⋮\\ y_{\mathrm{m}}\end{array}\right]}_{\mathrm{m}\times 1}$
$\frac{\partial \vec{f}{\left(\vec{y}\right)}_{n\times 1}}{\partial {\vec{y}}_{\mathrm{m}\times 1}}={\left[\begin{array}{c}\frac{\partial \vec{f}\left(\vec{y}\right)}{\partial y_1}\\ ⋮\\ \frac{\partial \vec{f}\left(\vec{y}\right)}{\partial y_{\mathrm{m}}}\end{array}\right]}_{\mathrm{m}\times 1}={\left[\begin{array}{ccc}\frac{\partial f_1\left(\vec{y}\right)}{\partial y_1}& \cdots & \frac{\partial f_{\mathrm{n}}\left(\vec{y}\right)}{\partial y_1}\\ ⋮& \ddots & ⋮\\ \frac{\partial f_1\left(\vec{y}\right)}{\partial y_{\mathrm{m}}}& \cdots & \frac{\partial f_{\mathrm{n}}\left(\vec{y}\right)}{\partial y_{\mathrm{m}}}\end{array}\right]}_{\mathrm{m}\times \mathrm{n}}$, 为分母布局——被称为雅可比矩阵(Jacobi matrix)

若： $\vec{y}={\left[\begin{array}{c}{y}_1\\ ⋮\\ y_{\mathrm{m}}\end{array}\right]}_{\mathrm{m}\times 1},A=\left[\begin{array}{ccc}{a}_{11}& \cdots & a_{1\mathrm{n}}\\ ⋮& \ddots & ⋮\\ a_{\mathrm{m}1}& \cdots & a_{\mathrm{mn}}\end{array}\right]$, 则有：

• $\frac{\partial A\vec{y}}{\partial \vec{y}}=A^{\mathrm{T}}$(分母布局)
• $\frac{\partial {\vec{y}}^{\mathrm{T}}A\vec{y}}{\partial \vec{y}}=A\vec{y}+A^{\mathrm{T}}\vec{y}$, 当$A=A^{\mathrm{T}}$时, $\frac{\partial {\vec{y}}^{\mathrm{T}}A\vec{y}}{\partial \vec{y}}=2A\vec{y}$

若为分子布局，则有：$\frac{\partial A\vec{y}}{\partial \vec{y}}=A$

1.2 案例分析，线性回归

• $\frac{\partial A\vec{y}}{\partial \vec{y}}=A^{\mathrm{T}}$(分母布局)
• $\frac{\partial {\vec{y}}^{\mathrm{T}}A\vec{y}}{\partial \vec{y}}=A\vec{y}+A^{\mathrm{T}}\vec{y}$, 当$A=A^{\mathrm{T}}$时, $\partial$