第2章 最优控制中的变分法
最优控制问题是在一定的约束条件下,寻求使性能达到极值时的控制函数。
注:本文总结自胡寿松教授的专著《最优控制理论与系统》第二章 最优控制中的变分法。文章中举的例题均用自己的方法写了一遍,没有依照书上的解法写。
全文的公式使用LaTex公式编辑器编辑而成
2.1 欧拉方程
2.1.1 无约束泛函极值的必要条件
无约束泛函极值问题为
min
x
J
(
x
)
=
∫
t
0
t
f
L
(
x
,
x
˙
,
t
)
d
t
(1)
\min_xJ(x)=\int_{t_0}^{t_f} L(x,\dot{x},t)\mathrm{d}t \tag{1}
xminJ(x)=∫t0tfL(x,x˙,t)dt(1)
【定理】 对于式
(
1
)
(1)
(1),使其取极值的必要条件,是轨线*x(t)*满足下列欧拉方程
∂
L
∂
x
−
d
d
t
∂
L
∂
x
˙
=
0
\frac{\partial L}{\partial x}-\frac{\mathrm{d}}{\mathrm{d}t} \frac{\partial L}{\partial \dot{x}}=0
∂x∂L−dtd∂x˙∂L=0
2.1.2 有约束泛函极值的必要条件
有等式约束的泛函极值问题为
min
x
J
(
x
)
=
∫
t
0
t
f
L
(
x
,
x
˙
,
t
)
d
t
s
.
t
.
f
(
x
,
x
˙
,
t
)
=
0
(2)
\begin{matrix} \min_xJ(x)=\int_{t_0}^{t_f} L(x,\dot{x},t)\mathrm{d}t\\ \mathrm{s. t. }\quad f(x,\dot{x},t )=0 \end{matrix} \tag{2}
minxJ(x)=∫t0tfL(x,x˙,t)dts.t.f(x,x˙,t)=0(2)
【定理】 对于式
(
2
)
(2)
(2),使其取极值的必要条件,是轨线 x(t) 满足下列欧拉方程
∂
L
∂
x
−
d
d
t
∂
L
∂
x
˙
=
0
\frac{\partial L}{\partial x}-\frac{\mathrm{d}}{\mathrm{d}t} \frac{\partial L}{\partial \dot{x}}=0
∂x∂L−dtd∂x˙∂L=0
式中
L
(
x
,
x
˙
,
λ
,
t
)
=
g
(
x
,
x
˙
,
λ
)
+
λ
T
(
t
)
f
(
x
,
x
˙
,
λ
)
L(x,\dot{x},\lambda,t)=g(x,\dot{x},\lambda)+\lambda^\mathrm{T}(t)f(x,\dot{x},\lambda)
L(x,x˙,λ,t)=g(x,x˙,λ)+λT(t)f(x,x˙,λ)
λ
∈
R
n
\lambda \in R^n
λ∈Rn 为待定拉格朗日乘子向量。
2.1.3 无约束泛函极值的充分条件
使式
(
1
)
(1)
(1) 成立的充分条件是:除了欧拉方程应成立之外,下列等价勒让德条件之一应成立:
[
∂
2
L
∂
x
2
∂
2
L
∂
x
∂
x
˙
(
∂
2
L
∂
x
∂
x
˙
)
T
∂
2
L
∂
x
˙
2
]
(3)
\begin{bmatrix} \frac{\partial^2 L}{\partial x^2} & \frac{\partial^2 L}{\partial x \partial \dot{x} } \\ (\frac{\partial^2 L}{\partial x \partial \dot{x} })^\mathrm{T} & \frac{\partial^2 L}{\partial \dot{x}^2} \end{bmatrix} \tag{3}
[∂x2∂2L(∂x∂x˙∂2L)T∂x∂x˙∂2L∂x˙2∂2L](3)
∂ 2 L ∂ x 2 − d d t ∂ 2 L ∂ x ∂ x ˙ ≥ 0 , ∂ 2 L ∂ x ˙ 2 > 0 (4) \frac{\partial^2 L}{\partial x^2}- \frac{\mathrm{d}}{\mathrm{d}t} \frac{\partial^2 L}{\partial x \partial \dot{x} }\geq 0, \quad \frac{\partial^2 L}{\partial \dot{x}^2}>0 \tag{4} ∂x2∂2L−dtd∂x∂x˙∂2L≥0,∂x˙2∂2L>0(4)
∂ 2 L ∂ x 2 − d d t ∂ 2 L ∂ x ∂ x ˙ > 0 , ∂ 2 L ∂ x ˙ 2 ≥ 0 (5) \frac{\partial^2 L}{\partial x^2}- \frac{\mathrm{d}}{\mathrm{d}t} \frac{\partial^2 L}{\partial x \partial \dot{x} } > 0, \quad \frac{\partial^2 L}{\partial \dot{x}^2} \geq 0 \tag{5} ∂x2∂2L−dtd∂x∂x˙∂2L>0,∂x˙2∂2L≥0(5)
2.1.4 有约束泛函极值的充分条件
使式
(
2
)
(2)
(2) 成立的充分条件是:除了欧拉方程应成立和约束条件满足之外,下列等价勒让德条件之一应成立:
[
∂
2
L
∂
x
2
∂
2
L
∂
x
∂
x
˙
(
∂
2
L
∂
x
∂
x
˙
)
T
∂
2
L
∂
x
˙
2
]
(6)
\begin{bmatrix} \frac{\partial^2 L}{\partial x^2} & \frac{\partial^2 L}{\partial x \partial \dot{x} } \\ (\frac{\partial^2 L}{\partial x \partial \dot{x} })^\mathrm{T} & \frac{\partial^2 L}{\partial \dot{x}^2} \end{bmatrix} \tag{6}
[∂x2∂2L(∂x∂x˙∂2L)T∂x∂x˙∂2L∂x˙2∂2L](6)
∂ 2 L ∂ x 2 − d d t ∂ 2 L ∂ x ∂ x ˙ ≥ 0 , ∂ 2 L ∂ x ˙ 2 > 0 (7) \frac{\partial^2 L}{\partial x^2}- \frac{\mathrm{d}}{\mathrm{d}t} \frac{\partial^2 L}{\partial x \partial \dot{x} }\geq 0, \quad \frac{\partial^2 L}{\partial \dot{x}^2}>0 \tag{7} ∂x2∂2L−dtd∂x∂x˙∂2L≥0,∂x˙2∂2L>0(7)
∂ 2 L ∂ x 2 − d d t ∂ 2 L ∂ x ∂ x ˙ > 0 , ∂ 2 L ∂ x ˙ 2 ≥ 0 (8) \frac{\partial^2 L}{\partial x^2}- \frac{\mathrm{d}}{\mathrm{d}t} \frac{\partial^2 L}{\partial x \partial \dot{x} } > 0, \quad \frac{\partial^2 L}{\partial \dot{x}^2} \geq 0 \tag{8} ∂x2∂2L−dtd∂x∂x˙∂2L>0,∂x˙2∂2L≥0(8)
式中
L
(
x
,
x
˙
,
λ
,
t
)
=
g
(
x
,
x
˙
,
λ
)
+
λ
T
(
t
)
f
(
x
,
x
˙
,
λ
)
L(x,\dot{x},\lambda,t)=g(x,\dot{x},\lambda)+\lambda^\mathrm{T}(t)f(x,\dot{x},\lambda)
L(x,x˙,λ,t)=g(x,x˙,λ)+λT(t)f(x,x˙,λ)
λ
∈
R
n
\lambda \in R^n
λ∈Rn 为待定拉格朗日乘子向量。
2.2 横截条件
求解欧拉方程,需要由横截条件提供两点边界值1。
在实际工程中,会出现很多种情况:
- 初始时刻 t 0 t_0 t0 和末端时刻 t f t_f tf 自由;
- 初始时刻 t 0 t_0 t0 和末端时刻 t f t_f tf 固定;
- 初始时刻 t 0 t_0 t0 固定、末端时刻 t f t_f tf 自由;
- 初始时刻 t 0 t_0 t0 自由、末端时刻 t f t_f tf 固定。
2.2.1 末端时刻固定时的横截条件
当末端时刻固定时,由泛函极值的必要条件可知,横截条件的一般表达式为
(
∂
L
∂
x
˙
)
T
δ
x
∣
t
0
t
f
=
(
∂
L
∂
x
˙
)
T
∣
t
=
t
f
δ
x
(
t
f
)
−
(
∂
L
∂
x
˙
)
T
∣
t
=
t
0
δ
x
(
t
0
)
=
0
(9)
(\frac{\partial L}{\partial \dot{x}})^\mathrm{T}\delta x\bigg |^{t_f}_{t_0} =(\frac{\partial L}{\partial \dot{x}})^\mathrm{T}\bigg |_{t=t_f}\delta x(t_f) -(\frac{\partial L}{\partial \dot{x}})^\mathrm{T}\bigg |_{t=t_0}\delta x(t_0) =0 \tag{9}
(∂x˙∂L)Tδx∣∣∣∣t0tf=(∂x˙∂L)T∣∣∣∣t=tfδx(tf)−(∂x˙∂L)T∣∣∣∣t=t0δx(t0)=0(9)
只要不是两端固定问题,宗量变分
δ
x
(
t
f
)
\delta x(t_f)
δx(tf) 和
δ
x
(
t
0
)
\delta x(t_0)
δx(t0) 不能同时为零,使泛函一次变分
δ
J
=
0
\delta J=0
δJ=0 缺少条件,就应当由极值的基本必要条件来补足:或是
(
∂
L
∂
x
˙
)
T
∣
t
f
=
0
(\frac{\partial L}{\partial \dot{x}})^\mathrm{T}\bigg |_{t_f}=0
(∂x˙∂L)T∣∣∣∣tf=0,或是
(
∂
L
∂
x
˙
)
T
∣
t
0
=
0
(\frac{\partial L}{\partial \dot{x}})^\mathrm{T}\bigg |_{t_0}=0
(∂x˙∂L)T∣∣∣∣t0=0.
如果把初始状态 x ( t 0 ) x(t_0) x(t0) 称为起点,把末端状态 x ( t f ) x(t_f) x(tf) 称为终点,有如下几个性质:
- 起点固定时, x ( t 0 ) = x 0 , δ x ( t 0 ) = 0 x(t_0)=x_0,\quad \delta x(t_0)=0 x(t0)=x0,δx(t0)=0 ;
- 起点自由时, x ( t 0 ) ≠ 0 x(t_0) \ne 0 x(t0)=0 ;
- 终点固定时, x ( t f ) = x f , δ x ( t f ) = 0 x(t_f)=x_f,\quad \delta x(t_f)=0 x(tf)=xf,δx(tf)=0 ;
- 终点自由时, x ( t f ) ≠ x f x(t_f) \ne x_f x(tf)=xf 。
则得到末端时刻 t f t_f tf 固定时的各种横截条件表格。
2.2.2 末端时刻自由时的横截条件
末端时刻自由问题的实质是,末端时间 t f t_f tf 不固定,末端状态或自由、或受约束,属于变动端点问题。
经过一系列运算后,得到末端变动、
t
f
t_f
tf 自由时泛函极值的必要条件
∂
L
∂
x
−
d
d
t
∂
L
∂
x
˙
=
0
\frac{\partial L}{\partial x}-\frac{\mathrm{d}}{\mathrm{d}t} \frac{\partial L}{\partial \dot{x}}=0
∂x∂L−dtd∂x˙∂L=0
以及
(
∂
L
∂
x
˙
)
T
∣
t
f
δ
x
(
t
f
)
−
(
∂
L
∂
x
˙
)
T
∣
t
0
δ
x
(
t
0
)
+
L
(
x
∗
,
x
˙
∗
,
t
)
∣
t
f
δ
t
f
=
0
(10)
(\frac{\partial L}{\partial \dot{x}})^\mathrm{T}\bigg |_{t_f}\delta x(t_f) -(\frac{\partial L}{\partial \dot{x}})^\mathrm{T}\bigg |_{t_0}\delta x(t_0)+L(x^*,\dot{x}^*,t)\bigg |_{t_f}\delta t_f =0 \tag{10}
(∂x˙∂L)T∣∣∣∣tfδx(tf)−(∂x˙∂L)T∣∣∣∣t0δx(t0)+L(x∗,x˙∗,t)∣∣∣∣tfδtf=0(10)
式
(
10
)
(10)
(10) 称为横截条件,除提供求解欧拉方程所需的两点边界值外,还提供了一个确定最优末端时间
t
f
∗
t_f^*
tf∗ 所需边界条件。
(1)起点固定、末端自由
有 x ( t 0 ) = x 0 , δ x ( t 0 ) = 0 x(t_0)=x_0,\quad \delta x(t_0)=0 x(t0)=x0,δx(t0)=0。
整理得公式为
(
L
−
x
˙
T
(
t
)
∂
L
∂
x
˙
)
∣
t
f
δ
t
f
+
(
∂
L
∂
x
˙
)
T
∣
t
f
δ
x
f
=
0
(11)
\left(L-\dot{x}^\mathrm{T}(t)\frac{\partial L}{\partial \dot{x}}\right)\bigg |_{t_f}\delta t_f+ \left(\frac{\partial L}{\partial \dot{x}}\right)^\mathrm{T}\bigg |_{t_f}\delta x_f =0 \tag{11}
(L−x˙T(t)∂x˙∂L)∣∣∣∣tfδtf+(∂x˙∂L)T∣∣∣∣tfδxf=0(11)
因
δ
t
f
\delta t_f
δtf 和
δ
x
f
\delta x_f
δxf 任意,即
δ
t
f
≠
0
\delta t_f \ne 0
δtf=0、
δ
x
f
≠
0
\delta x_f \ne 0
δxf=0 ,故横截条件为
{
(
L
−
x
˙
T
(
t
)
∂
L
∂
x
˙
)
∣
t
f
δ
t
f
=
0
(
∂
L
∂
x
˙
)
=
0
x
(
t
0
)
=
x
0
\left\{\begin{matrix} \left(L-\dot{x}^\mathrm{T}(t)\frac{\partial L}{\partial \dot{x}}\right)\bigg |_{t_f}\delta t_f =0\\ \left(\frac{\partial L}{\partial \dot{x}}\right) = 0\\ x(t_0)=x_0 \end{matrix}\right.
⎩⎪⎪⎨⎪⎪⎧(L−x˙T(t)∂x˙∂L)∣∣∣∣tfδtf=0(∂x˙∂L)=0x(t0)=x0
(2)起点固定、末端受约束
设末端约束方程为
x
(
t
f
)
=
c
(
t
f
)
x(t_f)=c(t_f)
x(tf)=c(tf)
因为末端受约束,则
δ
x
f
\delta x_f
δxf 不能任意。那么横截条件在式
(
11
)
(11)
(11) 的基础上进一步演化为
(
L
−
x
˙
T
(
t
)
∂
L
∂
x
˙
)
∣
t
f
δ
t
f
+
(
∂
L
∂
x
˙
)
T
∣
t
f
c
˙
(
t
f
)
δ
t
f
=
[
L
+
(
c
˙
−
x
˙
T
)
]
∣
t
f
δ
t
f
=
0
\left(L-\dot{x}^\mathrm{T}(t)\frac{\partial L}{\partial \dot{x}}\right)\bigg |_{t_f}\delta t_f+ \left(\frac{\partial L}{\partial \dot{x}}\right)^\mathrm{T}\bigg |_{t_f}\dot{c}(t_f)\delta t_f =\left[L+(\dot{c}-\dot{x}^\mathrm{T})\right]\bigg |_{t_f}\delta t_f=0
(L−x˙T(t)∂x˙∂L)∣∣∣∣tfδtf+(∂x˙∂L)T∣∣∣∣tfc˙(tf)δtf=[L+(c˙−x˙T)]∣∣∣∣tfδtf=0
因
δ
t
f
\delta t_f
δtf 任意,即
δ
t
f
≠
0
\delta t_f \ne 0
δtf=0,故横截条件为
{
[
L
+
(
c
˙
−
x
˙
T
)
]
∣
t
f
=
0
x
(
t
f
)
=
c
(
t
f
)
x
(
t
0
)
=
x
0
\left\{\begin{matrix} \left[L+(\dot{c}-\dot{x}^\mathrm{T})\right]\bigg |_{t_f} =0\\ x(t_f)=c(t_f)\\ x(t_0)=x_0 \end{matrix}\right.
⎩⎪⎪⎨⎪⎪⎧[L+(c˙−x˙T)]∣∣∣∣tf=0x(tf)=c(tf)x(t0)=x0
2.2.3 初始时刻自由时的横截条件
初始时刻自由问题的实质时:末端固定 x ( t f ) = x f x(t_f)=x_f x(tf)=xf,初始时刻 t 0 t_0 t0 不固定,初始状态 x ( t 0 ) x(t_0) x(t0) 或自由、或受约束。例如,空对地导弹的攻击。
如果把初始状态 x ( t 0 ) x(t_0) x(t0) 称为起点,把末端状态 x ( t f ) x(t_f) x(tf) 称为终点,有如下几个性质:
- 起点固定时, x ( t 0 ) = x 0 , δ x ( t 0 ) = 0 x(t_0)=x_0,\quad \delta x(t_0)=0 x(t0)=x0,δx(t0)=0 ;
- 起点自由时, x ( t 0 ) ≠ 0 x(t_0) \ne 0 x(t0)=0 ;
- 终点固定时, x ( t f ) = x f , δ x ( t f ) = 0 x(t_f)=x_f,\quad \delta x(t_f)=0 x(tf)=xf,δx(tf)=0 ;
- 终点自由时, x ( t f ) ≠ x f x(t_f) \ne x_f x(tf)=xf 。
则得到末端时刻 t f t_f tf 固定时的各种横截条件表格。
2.3 用变分法解最优控制问题
对于一般的最优控制问题,应广泛采用拉格朗日乘子法,引入哈密顿函数概念,将泛函条件极值问题转化为无约束泛函极值问题,以获得最优解的必要条件和充分条件。
2.3.1 末端时刻固定时的最优解
当末端时刻
t
f
t_f
tf 固定时,最优控制问题可以归结为如下一般形式:
min
u
(
t
)
J
=
φ
[
x
(
t
f
)
]
+
∫
t
0
t
f
L
(
x
,
u
,
t
)
d
t
s
.
t
.
f
(
x
,
u
,
t
)
−
x
˙
(
t
)
=
0
,
x
(
t
0
)
=
x
0
Ψ
[
x
(
t
f
)
]
=
0
\min_{u(t)}J=\varphi[x(t_f)]+ \int_{t_0}^{t_f} L(x,u,t)\mathrm{d}t \\ \mathrm{s.\ t.} \quad f(x,u,t)-\dot{x}(t)=0, \quad x(t_0) =x_0 \\ \Psi [x(t_f)]=0
u(t)minJ=φ[x(tf)]+∫t0tfL(x,u,t)dts. t.f(x,u,t)−x˙(t)=0,x(t0)=x0Ψ[x(tf)]=0
假设各向量维数同前。末端状态
x
(
t
f
)
x(t_f)
x(tf) 存在如下状态:
- 末端状态受约束;
- 末端状态自由;
- 末端状态固定。
若末端自由,则 Ψ [ x ( t f ) ] = 0 \Psi [x(t_f)]=0 Ψ[x(tf)]=0 不会出现;若末端固定,则因 δ x ( t f ) = 0 \delta x(t_f)=0 δx(tf)=0,那么横截条件 λ ( t f ) = ∂ φ ∂ x ( t f ) + ∂ Ψ T ∂ x ( t f ) γ \lambda(t_f)=\frac{\partial \varphi}{\partial x(t_f)} +\frac{\partial \Psi^\mathrm{T}}{\partial x(t_f)}\gamma λ(tf)=∂x(tf)∂φ+∂x(tf)∂ΨTγ 将不存在。
下面给出了末端时刻固定时最优解的必要条件。
【定理】 对于如下最优控制问题
min
u
(
t
)
J
=
φ
[
x
(
t
f
)
]
+
∫
t
0
t
f
L
(
x
,
u
,
t
)
d
t
,
t
f
固
定
s
.
t
.
f
(
x
,
u
,
t
)
−
x
˙
(
t
)
=
0
,
x
(
t
0
)
=
x
0
Ψ
[
x
(
t
f
)
]
=
0
,
(
末
端
受
约
束
情
况
有
此
项
、
末
端
自
由
和
末
端
固
定
没
有
此
项
)
(12)
\min_{u(t)}J=\varphi[x(t_f)]+ \int_{t_0}^{t_f} L(x,u,t)\mathrm{d}t,\quad t_f固定 \\ \mathrm{s.\ t.} \quad f(x,u,t)-\dot{x}(t)=0, \quad x(t_0) =x_0 \\ \Psi [x(t_f)]=0,\quad (末端受约束情况有此项、末端自由和末端固定没有此项) \tag{12}
u(t)minJ=φ[x(tf)]+∫t0tfL(x,u,t)dt,tf固定s. t.f(x,u,t)−x˙(t)=0,x(t0)=x0Ψ[x(tf)]=0,(末端受约束情况有此项、末端自由和末端固定没有此项)(12)
①
x
(
t
)
x(t)
x(t) 和
λ
(
t
)
\lambda (t)
λ(t) 满足下列正则方程
x
˙
(
t
)
=
∂
H
∂
λ
λ
˙
(
t
)
=
−
∂
H
∂
x
\dot x(t)=\frac{\partial H}{\partial \lambda} \\ \dot \lambda(t)=- \frac{\partial H}{\partial x}
x˙(t)=∂λ∂Hλ˙(t)=−∂x∂H
式中
H
(
x
,
u
,
λ
,
t
)
=
L
(
x
,
u
,
t
)
+
λ
T
f
(
x
,
u
,
t
)
H(x,u,\lambda,t)=L(x,u,t)+\lambda^{\mathrm{T}}f(x,u,t)
H(x,u,λ,t)=L(x,u,t)+λTf(x,u,t)
② 边界条件
a)若末端受约束,则有
x
(
t
0
)
=
x
0
λ
(
t
f
)
=
∂
φ
∂
x
(
t
f
)
+
∂
Ψ
T
∂
x
(
t
f
)
γ
Ψ
[
x
(
t
f
)
]
=
0
x(t_0) = x_0 \\ \lambda(t_f)=\frac{\partial \varphi}{\partial x(t_f)} +\frac{\partial \Psi^\mathrm{T}}{\partial x(t_f)}\gamma \\ \Psi[x(t_f)]=0
x(t0)=x0λ(tf)=∂x(tf)∂φ+∂x(tf)∂ΨTγΨ[x(tf)]=0
按我理解,上式应写为
x
i
(
t
0
)
=
x
i
0
λ
i
(
t
f
)
=
∂
φ
∂
x
i
(
t
f
)
+
∂
Ψ
T
∂
x
i
(
t
f
)
γ
Ψ
[
x
(
t
f
)
]
=
0
x_i(t_0) = x_{i0} \\ \lambda_i(t_f)=\frac{\partial \varphi}{\partial x_i(t_f)} +\frac{\partial \Psi^\mathrm{T}}{\partial x_i(t_f)}\gamma \\ \Psi[x(t_f)]=0
xi(t0)=xi0λi(tf)=∂xi(tf)∂φ+∂xi(tf)∂ΨTγΨ[x(tf)]=0
式中,
i
i
i 代表第
i
i
i 个微分方程(或动态系统方程)。
b)若末端自由,则有
x
(
t
0
)
=
x
0
λ
(
t
f
)
=
∂
φ
∂
x
(
t
f
)
x(t_0) = x_0 \\ \lambda(t_f)=\frac{\partial \varphi}{\partial x(t_f)}
x(t0)=x0λ(tf)=∂x(tf)∂φ
c)若末端固定,则有
x
(
t
0
)
=
x
0
x
(
t
f
)
=
x
f
x(t_0) = x_0 \\ x(t_f) = x_f
x(t0)=x0x(tf)=xf
③ 极值条件
∂ H ∂ u = 0 \frac{\partial H}{\partial u}=0 ∂u∂H=0
总结
-
先找对应的模型,或是末端受约束,或是末端自由,或是末端固定。
-
按照“ ① 求解正则方程 —> ② 边界条件 —> ③ 极值条件”的顺序解题。解到 “③ 极值条件”一般可以求出 u ( t ) u(t) u(t) ,再把 u ( t ) u(t) u(t) 代回求解 λ ( t ) \lambda(t) λ(t) 或 x ( t ) x(t) x(t) ,将末端时刻 t f t_f tf 代入方程中,可求出最优轨线 x ∗ ( t ) x^*(t) x∗(t) 和最优控制解 u ∗ ( t ) u^*(t) u∗(t) 。
例题
(最优控制理论与系统【胡寿松】, 第三版, pp35-36)试求被控系统
{
x
˙
1
(
t
)
=
x
2
(
t
)
x
˙
2
(
t
)
=
u
(
t
)
\left\{\begin{matrix} \dot x_1(t) = x_2(t)\\ \dot x_2(t) = u(t) \end{matrix}\right.
{x˙1(t)=x2(t)x˙2(t)=u(t)
由已知初态
x
1
(
0
)
=
0
x_1(0)=0
x1(0)=0 和
x
2
(
0
)
=
0
x_2(0)=0
x2(0)=0 出发,在
t
f
=
1
t_f=1
tf=1 时转移到目标集合
x
1
(
1
)
+
x
2
(
1
)
=
1
x_1(1)+x_2(1)=1
x1(1)+x2(1)=1
且使性能指标
J
=
1
2
∫
0
1
u
2
(
t
)
d
t
J=\frac{1}{2}\int_{0}^{1}u^2(t)\mathrm{d}t
J=21∫01u2(t)dt
为最小的最优控制
u
∗
(
t
)
u^*(t)
u∗(t) 及相应的最优轨迹
x
∗
(
t
)
x^*(t)
x∗(t)。
【解】 本题是积分型性能指标、 t f t_f tf固定、末端受约束的最优化问题。按照总结中提到的解题步骤来解题。
① 求正则方程 x ( t ) x(t) x(t) 和 λ ( t ) \lambda (t) λ(t)
构建哈密顿函数
H
=
1
2
u
2
(
t
)
+
λ
1
x
2
(
t
)
+
λ
2
u
(
t
)
H = \frac{1}{2}u^2(t) + \lambda_1 x_2(t) + \lambda_2 u(t)
H=21u2(t)+λ1x2(t)+λ2u(t)
求解正则方程
x
˙
1
=
∂
H
∂
λ
1
=
x
2
(
t
)
,
x
˙
2
=
∂
H
∂
λ
2
=
u
(
t
)
λ
˙
1
=
−
∂
H
∂
x
1
=
0
,
λ
˙
2
=
−
∂
H
∂
x
2
=
−
λ
1
(
t
)
\dot x_1 = \frac{\partial H}{\partial \lambda_1}=x_2(t), \quad \dot x_2 = \frac{\partial H}{\partial \lambda_2}=u(t) \\ \dot \lambda_1 = -\frac{\partial H}{\partial x_1}=0, \quad \dot \lambda_2 = -\frac{\partial H}{\partial x_2}=-\lambda_1(t)
x˙1=∂λ1∂H=x2(t),x˙2=∂λ2∂H=u(t)λ˙1=−∂x1∂H=0,λ˙2=−∂x2∂H=−λ1(t)
② 边界条件
x
1
(
0
)
=
0
,
x
2
(
0
)
=
0
λ
1
(
1
)
=
∂
φ
∂
x
1
(
1
)
+
∂
Ψ
T
∂
x
1
(
1
)
γ
=
γ
,
λ
2
(
1
)
=
∂
φ
∂
x
2
(
1
)
+
∂
Ψ
T
∂
x
2
(
1
)
γ
=
γ
x
1
(
1
)
+
x
2
(
1
)
=
1
x_1(0)=0,\quad x_2(0)=0 \\ \lambda_1(1)=\frac{\partial \varphi}{\partial x_1(1)} +\frac{\partial \Psi^\mathrm{T}}{\partial x_1(1)}\gamma=\gamma,\quad \lambda_2(1)=\frac{\partial \varphi}{\partial x_2(1)} +\frac{\partial \Psi^\mathrm{T}}{\partial x_2(1)}\gamma=\gamma \\ x_1(1)+x_2(1)=1
x1(0)=0,x2(0)=0λ1(1)=∂x1(1)∂φ+∂x1(1)∂ΨTγ=γ,λ2(1)=∂x2(1)∂φ+∂x2(1)∂ΨTγ=γx1(1)+x2(1)=1
③ 极值条件
∂
H
∂
u
=
u
(
t
)
+
λ
(
t
)
=
0
⇒
u
(
t
)
=
−
λ
(
t
)
\frac{\partial H}{\partial u}=u(t)+\lambda(t)=0\Rightarrow u(t)=-\lambda(t)
∂u∂H=u(t)+λ(t)=0⇒u(t)=−λ(t)
又因为
λ
˙
1
(
t
)
=
0
⇒
λ
1
(
t
)
=
c
1
λ
˙
2
(
t
)
=
−
λ
1
(
t
)
=
−
c
1
⇒
λ
2
(
t
)
=
−
c
1
t
+
c
1
\dot \lambda_1(t) = 0 \Rightarrow \lambda_1(t) = c_1 \\ \dot \lambda_2(t) = -\lambda_1(t) =-c_1 \Rightarrow \lambda_2(t) = -c_1 t + c_1
λ˙1(t)=0⇒λ1(t)=c1λ˙2(t)=−λ1(t)=−c1⇒λ2(t)=−c1t+c1
得到
u
(
t
)
=
−
λ
2
(
t
)
=
−
c
1
t
+
c
1
u(t) = -\lambda_2(t) = -c_1 t + c_1
u(t)=−λ2(t)=−c1t+c1
那么
x
˙
2
(
t
)
=
u
(
t
)
=
−
c
1
t
+
c
1
⇒
x
2
(
t
)
=
1
2
c
1
t
2
−
c
2
t
+
c
3
x
˙
1
(
t
)
=
x
2
(
t
)
=
1
2
c
1
t
2
−
c
2
t
+
c
3
⇒
x
1
(
t
)
=
1
6
c
1
t
3
−
1
2
c
2
t
2
+
c
3
t
+
c
4
\dot x_2(t)=u(t)=-c_1 t+c_1 \Rightarrow x_2(t)=\frac{1}{2}c_1t^2-c_2t+c_3 \\ \dot x_1(t)=x_2(t)=\frac{1}{2}c_1t^2-c_2t+c_3\Rightarrow x_1(t)=\frac{1}{6}c_1t^3-\frac{1}{2}c_2t^2+c_3t+c_4
x˙2(t)=u(t)=−c1t+c1⇒x2(t)=21c1t2−c2t+c3x˙1(t)=x2(t)=21c1t2−c2t+c3⇒x1(t)=61c1t3−21c2t2+c3t+c4
④ 解方程
代入初值
x
1
(
0
)
=
0
x_1(0)=0
x1(0)=0 、
x
2
(
0
)
=
0
x_2(0)=0
x2(0)=0 以及末端状态
x
1
(
1
)
+
x
2
(
1
)
=
1
x_1(1)+x_2(1)=1
x1(1)+x2(1)=1,得到
{
x
1
(
0
)
=
c
4
=
0
x
2
(
0
)
=
c
3
=
0
x
1
(
1
)
+
x
2
(
1
)
=
1
6
c
1
−
1
2
c
2
+
1
2
c
1
−
c
2
=
2
3
c
1
−
3
2
c
2
=
1
\left\{\begin{matrix} x_1(0)=c_4=0 \\ x_2(0)=c_3=0 \\ x_1(1)+x_2(1)=\frac{1}{6}c_1-\frac{1}{2}c_2+\frac{1}{2}c_1-c_2=\frac{2}{3}c_1-\frac{3}{2}c_2=1 \end{matrix}\right.
⎩⎨⎧x1(0)=c4=0x2(0)=c3=0x1(1)+x2(1)=61c1−21c2+21c1−c2=32c1−23c2=1
又因为
λ
1
(
1
)
=
λ
2
(
1
)
=
γ
\lambda_1(1)=\lambda_2(1)=\gamma
λ1(1)=λ2(1)=γ
得到
c
1
=
−
c
1
×
1
+
c
2
c_1=-c_1 \times1 + c_2
c1=−c1×1+c2
解得
c
1
=
1
2
c
2
c_1=\frac{1}{2}c_2
c1=21c2
代回上式,得到
c
1
c_1
c1 、
c
2
c_2
c2 、
c
3
c_3
c3、
c
4
c_4
c4的值为
{
c
1
=
−
3
7
c
2
=
−
6
7
c
3
=
0
c
4
=
0
\left\{\begin{matrix} c_1 = -\frac{3}{7} \\ c_2 = -\frac{6}{7} \\ c_3 = 0 \\ c_4 = 0 \end{matrix}\right.
⎩⎪⎪⎨⎪⎪⎧c1=−73c2=−76c3=0c4=0
⑤ 求解结果
最优轨线
{
x
1
∗
(
t
)
=
−
1
14
t
3
+
3
7
t
2
x
2
∗
(
t
)
=
−
3
14
t
2
+
6
7
t
\left\{\begin{matrix} x_1^*(t)=-\frac{1}{14}t^3+\frac{3}{7}t^2 \\ x_2^*(t)=-\frac{3}{14}t^2+\frac{6}{7}t \end{matrix}\right.
{x1∗(t)=−141t3+73t2x2∗(t)=−143t2+76t
最优控制
u
∗
(
t
)
=
−
3
7
t
+
6
7
u^*(t)=-\frac{3}{7}t+\frac{6}{7}
u∗(t)=−73t+76
代码为
clear;clc;close all;
syms x1 x2 u
% 系统方程
Dx1 = x2;
Dx2 = u;
% 代价函数
syms g
g = 0.5*u^2;
% Step 1:构造Hamilton函数,求正则方程
syms lambda1 lambda2
H = g + lambda1*Dx1 + lambda1*Dx2;
% 求解正则方程
Dlambda1 = -diff(H,x1);
% Dlambda2 = -diff(H,x2);
% Step 2:边界条件
syms Psi gamma
Psi = x1 + x2 - 1;
lambda1(1) = diff(Psi,'x1')*gamma;
% lambda2(1) = diff(Psi,'x2')*gamma;
% Step 3:极值条件
dU = diff(H,'u');
% sol_u = solve(dU,u);
% Step 4:解方程
syms t c1 c2 c3 c4 gamma
Flambda1 = int(Dlambda1);
if Flambda1 == '0'
Flambda1 = c1;
end
Int_lambda1 = Flambda1;
Dlambda2 = Int_lambda1;
Flambda2 = -int(Dlambda2,t) + c2;
Int_lambda2 = Flambda2;
sol_u = -Int_lambda2;
Dx2 = subs(Dx2,u,sol_u);
x2 = int(Dx2) + c3;
Dx1 = x2;
% x1 = int(Dx1) + c4;
eq1 = c1 == gamma;
eq2 = -c1 + c2 == gamma;
eq3 = (1/6)*c1 - (1/2)*c2 + (1/2)*c1 - c2 == 1;
s = solve(eq1,eq2,eq3,c1,c2,gamma);
c1 = s.c1;
c2 = s.c2;
c3 = 0;
c4 = 0;
x1 = (c1*t^3)/6 - (c2*t^2)/2 + c3*t + c4
x2 = (c1*t^2)/2 - c2*t + c3
lambda2 = -c1*t + c2;
u = -lambda2
仿真结果为
下面给出了末端时刻固定时最优解的充分条件。
【定理】
对于如下最优控制问题
min
u
(
t
)
J
=
φ
[
x
(
t
f
)
]
+
∫
t
0
t
f
L
(
x
,
u
,
t
)
d
t
,
t
f
固
定
s
.
t
.
f
(
x
,
u
,
t
)
−
x
˙
(
t
)
=
0
,
x
(
t
0
)
=
x
0
Ψ
[
x
(
t
f
)
]
=
0
\min_{u(t)}J=\varphi[x(t_f)]+ \int_{t_0}^{t_f} L(x,u,t)\mathrm{d}t,\quad t_f固定 \\ \mathrm{s.\ t.} \quad f(x,u,t)-\dot{x}(t)=0, \quad x(t_0) =x_0 \\ \Psi [x(t_f)]=0
u(t)minJ=φ[x(tf)]+∫t0tfL(x,u,t)dt,tf固定s. t.f(x,u,t)−x˙(t)=0,x(t0)=x0Ψ[x(tf)]=0
式中
t
f
t_f
tf 固定。是性能泛函
J
J
J 取极小值的最优解的充分条件是下列等价勒让德条件之一成立:
[
∂
2
H
∂
x
2
∂
2
H
∂
u
∂
x
(
∂
2
H
∂
x
∂
u
)
T
∂
2
H
∂
u
2
]
>
0
,
∂
2
Θ
[
x
(
t
f
)
,
γ
]
∂
x
2
(
t
f
)
≥
0
\begin{bmatrix} \frac{\partial^2 H}{\partial x^2} & \frac{\partial^2 H}{\partial u \partial x } \\ (\frac{\partial^2 H}{\partial x \partial u })^\mathrm{T} & \frac{\partial^2 H}{\partial u^2} \end{bmatrix}>0, \quad \frac{\partial^2 \Theta[x(t_f),\gamma]}{\partial x^2(t_f)} \geq 0
[∂x2∂2H(∂x∂u∂2H)T∂u∂x∂2H∂u2∂2H]>0,∂x2(tf)∂2Θ[x(tf),γ]≥0
[ ∂ 2 H ∂ x 2 ∂ 2 H ∂ u ∂ x ( ∂ 2 H ∂ x ∂ u ) T ∂ 2 H ∂ u 2 ] ≥ 0 , ∂ 2 Θ [ x ( t f ) , γ ] ∂ x 2 ( t f ) > 0 \begin{bmatrix} \frac{\partial^2 H}{\partial x^2} & \frac{\partial^2 H}{\partial u \partial x } \\ (\frac{\partial^2 H}{\partial x \partial u })^\mathrm{T} & \frac{\partial^2 H}{\partial u^2} \end{bmatrix}\geq 0, \quad \frac{\partial^2 \Theta[x(t_f),\gamma]}{\partial x^2(t_f)} > 0 [∂x2∂2H(∂x∂u∂2H)T∂u∂x∂2H∂u2∂2H]≥0,∂x2(tf)∂2Θ[x(tf),γ]>0
式中
H
(
x
,
u
,
λ
,
t
)
=
L
(
x
,
u
,
t
)
+
λ
T
(
t
)
f
(
x
,
u
,
t
)
Θ
[
x
(
t
f
)
,
γ
]
=
φ
[
x
(
t
f
)
]
+
γ
T
Ψ
[
x
(
t
f
)
]
H(x,u,\lambda,t)=L(x,u,t)+\lambda^{\mathrm{T}}(t)f(x,u,t) \\ \Theta[x(t_f),\gamma]=\varphi[x(t_f)]+\gamma^{\mathrm{T}}\mathit{\Psi}[x(t_f)]
H(x,u,λ,t)=L(x,u,t)+λT(t)f(x,u,t)Θ[x(tf),γ]=φ[x(tf)]+γTΨ[x(tf)]
2.3.2 末端时刻自由时的最优解
当末端时刻 t f t_f tf 自由时,末端状态又可区分为受约束、自由或固定三种情况。
当末端时刻
t
f
t_f
tf 固定时,最优控制问题可以归结为如下一般形式:
min
u
(
t
)
J
=
φ
[
x
(
t
f
)
]
+
∫
t
0
t
f
L
(
x
,
u
,
t
)
d
t
s
.
t
.
f
(
x
,
u
,
t
)
−
x
˙
(
t
)
=
0
,
x
(
t
0
)
=
x
0
Ψ
[
x
(
t
f
)
]
=
0
\min_{u(t)}J=\varphi[x(t_f)]+ \int_{t_0}^{t_f} L(x,u,t)\mathrm{d}t \\ \mathrm{s.\ t.} \quad f(x,u,t)-\dot{x}(t)=0, \quad x(t_0) =x_0 \\ \Psi [x(t_f)]=0
u(t)minJ=φ[x(tf)]+∫t0tfL(x,u,t)dts. t.f(x,u,t)−x˙(t)=0,x(t0)=x0Ψ[x(tf)]=0
假设各向量维数同前。末端状态
x
(
t
f
)
x(t_f)
x(tf) 存在如下状态:
- 末端状态受约束;
- 末端状态自由;
- 末端状态固定。
若末端自由,则 Ψ [ x ( t f ) ] = 0 \Psi [x(t_f)]=0 Ψ[x(tf)]=0 不会出现;若末端固定,则因 δ x ( t f ) = 0 \delta x(t_f)=0 δx(tf)=0,那么横截条件 λ ( t f ) = ∂ φ ∂ x ( t f ) + ∂ Ψ T ∂ x ( t f ) γ \lambda(t_f)=\frac{\partial \varphi}{\partial x(t_f)} +\frac{\partial \Psi^\mathrm{T}}{\partial x(t_f)}\gamma λ(tf)=∂x(tf)∂φ+∂x(tf)∂ΨTγ 将不存在。
下面给出了末端时刻自由时最优解的必要条件。
【定理】 对于如下最优控制问题
min
u
(
t
)
J
=
φ
[
x
(
t
f
)
]
+
∫
t
0
t
f
L
(
x
,
u
,
t
)
d
t
,
t
f
固
定
s
.
t
.
f
(
x
,
u
,
t
)
−
x
˙
(
t
)
=
0
,
x
(
t
0
)
=
x
0
Ψ
[
x
(
t
f
)
]
=
0
,
(
末
端
受
约
束
情
况
有
此
项
、
末
端
自
由
和
末
端
固
定
没
有
此
项
)
(12)
\min_{u(t)}J=\varphi[x(t_f)]+ \int_{t_0}^{t_f} L(x,u,t)\mathrm{d}t,\quad t_f固定 \\ \mathrm{s.\ t.} \quad f(x,u,t)-\dot{x}(t)=0, \quad x(t_0) =x_0 \\ \Psi [x(t_f)]=0,\quad (末端受约束情况有此项、末端自由和末端固定没有此项) \tag{12}
u(t)minJ=φ[x(tf)]+∫t0tfL(x,u,t)dt,tf固定s. t.f(x,u,t)−x˙(t)=0,x(t0)=x0Ψ[x(tf)]=0,(末端受约束情况有此项、末端自由和末端固定没有此项)(12)
①
x
(
t
)
x(t)
x(t) 和
λ
(
t
)
\lambda (t)
λ(t) 满足下列正则方程
x
˙
(
t
)
=
∂
H
∂
λ
λ
˙
(
t
)
=
−
∂
H
∂
x
\dot x(t)=\frac{\partial H}{\partial \lambda} \\ \dot \lambda(t)=- \frac{\partial H}{\partial x}
x˙(t)=∂λ∂Hλ˙(t)=−∂x∂H
式中
H
(
x
,
u
,
λ
,
t
)
=
L
(
x
,
u
,
t
)
+
λ
T
f
(
x
,
u
,
t
)
H(x,u,\lambda,t)=L(x,u,t)+\lambda^{\mathrm{T}}f(x,u,t)
H(x,u,λ,t)=L(x,u,t)+λTf(x,u,t)
② 边界条件
a)若末端受约束,则有
x
(
t
0
)
=
x
0
λ
(
t
f
)
=
∂
φ
∂
x
(
t
f
)
+
∂
Ψ
T
∂
x
(
t
f
)
γ
Ψ
[
x
(
t
f
)
]
=
0
x(t_0) = x_0 \\ \lambda(t_f)=\frac{\partial \varphi}{\partial x(t_f)} +\frac{\partial \Psi^\mathrm{T}}{\partial x(t_f)}\gamma \\ \Psi[x(t_f)]=0
x(t0)=x0λ(tf)=∂x(tf)∂φ+∂x(tf)∂ΨTγΨ[x(tf)]=0
按我理解,上式应写为
x
i
(
t
0
)
=
x
i
0
λ
i
(
t
f
)
=
∂
φ
∂
x
i
(
t
f
)
+
∂
Ψ
T
∂
x
i
(
t
f
)
γ
Ψ
[
x
(
t
f
)
]
=
0
x_i(t_0) = x_{i0} \\ \lambda_i(t_f)=\frac{\partial \varphi}{\partial x_i(t_f)} +\frac{\partial \Psi^\mathrm{T}}{\partial x_i(t_f)}\gamma \\ \Psi[x(t_f)]=0
xi(t0)=xi0λi(tf)=∂xi(tf)∂φ+∂xi(tf)∂ΨTγΨ[x(tf)]=0
式中,
i
i
i 代表第
i
i
i 个微分方程(或动态系统方程)。
b)若末端自由,则有
x
(
t
0
)
=
x
0
λ
(
t
f
)
=
∂
φ
∂
x
(
t
f
)
x(t_0) = x_0 \\ \lambda(t_f)=\frac{\partial \varphi}{\partial x(t_f)}
x(t0)=x0λ(tf)=∂x(tf)∂φ
c)若末端固定,则有
x
(
t
0
)
=
x
0
x
(
t
f
)
=
x
f
x(t_0) = x_0 \\ x(t_f) = x_f
x(t0)=x0x(tf)=xf
③ 极值条件
∂
H
∂
u
=
0
\frac{\partial H}{\partial u}=0
∂u∂H=0
④ 哈密顿函数在最优轨线末端满足
a)若末端受约束,则有
H
(
t
f
)
=
−
∂
φ
∂
t
f
−
γ
T
(
t
f
)
∂
Ψ
∂
t
f
H(t_f)=-\frac{\partial \varphi}{\partial t_f}-\gamma^{\mathrm{T}}(t_f)\frac{\partial \Psi}{\partial t_f}
H(tf)=−∂tf∂φ−γT(tf)∂tf∂Ψ
b)若末端自由,则有
H
(
t
f
)
=
−
∂
φ
∂
t
f
H(t_f)=-\frac{\partial \varphi}{\partial t_f}
H(tf)=−∂tf∂φ
c)若末端固定,则有
H
(
t
f
)
=
−
∂
φ
∂
t
f
H(t_f)=-\frac{\partial \varphi}{\partial t_f}
H(tf)=−∂tf∂φ
总结
-
先找对应的模型,或是末端受约束,或是末端自由,或是末端固定。
-
按照“ ① 求解正则方程 —> ② 边界条件 —> ③ 极值条件 —> ④ 哈密顿函数在最优轨线末端满足条件”的顺序解题。解到 “③ 极值条件”一般可以求出 u ( t ) u(t) u(t) ,解到 “④ 哈密顿函数在最优轨线末端满足条件”可以求出 u ( t ) u(t) u(t) 的真正表达式,再把 u ( t ) u(t) u(t) 代回求解 λ ( t ) \lambda(t) λ(t) 或 x ( t ) x(t) x(t) ,将末端时刻 t f t_f tf 代入方程中,可求出最优轨线 x ∗ ( t ) x^*(t) x∗(t) 和最优控制解 u ∗ ( t ) u^*(t) u∗(t) 。
例题
(最优控制理论与系统【胡寿松】, 第三版, pp40-41)设一阶系统方程为
x
˙
(
t
)
=
u
(
t
)
\dot x(t)=u(t)
x˙(t)=u(t)
性能指标取为
J
=
t
f
+
1
2
∫
0
t
f
u
2
(
t
)
d
t
J=t_f+\frac{1}{2}\int_0^{t_f}u^2(t)\mathrm{d}t
J=tf+21∫0tfu2(t)dt
式中
t
f
t_f
tf 自由。试确定最优控制
u
∗
(
t
)
u^*(t)
u∗(t),使系统由
x
(
0
)
=
1
x(0)=1
x(0)=1 转移到
x
(
t
f
)
=
0
x(t_f)=0
x(tf)=0 ,并使性能指标为极小值。
【解】 本题是复合型性能指标、 t f t_f tf 自由、末端固定、控制变量取值无约束的最优化问题。按照总结中提到的解题步骤来解题。
① 求正则方程 x ( t ) x(t) x(t) 和 λ ( t ) \lambda (t) λ(t)
构建哈密顿函数
H
=
1
2
u
2
(
t
)
+
λ
u
(
t
)
H = \frac{1}{2}u^2(t)+\lambda u(t)
H=21u2(t)+λu(t)
求解正则方程
x
˙
=
∂
H
∂
λ
1
=
u
(
t
)
λ
˙
=
−
∂
H
∂
x
=
0
⇒
λ
(
t
)
=
c
1
\dot x = \frac{\partial H}{\partial \lambda_1}=u(t) \\ \dot \lambda = -\frac{\partial H}{\partial x}=0 \Rightarrow \lambda(t)=c_1
x˙=∂λ1∂H=u(t)λ˙=−∂x∂H=0⇒λ(t)=c1
② 边界条件
x
(
0
)
=
0
,
x
(
t
f
)
=
0
x(0)=0,\quad x(t_f)=0 \\
x(0)=0,x(tf)=0
③ 极值条件
∂
H
∂
u
=
u
(
t
)
+
λ
(
t
)
=
0
⇒
u
(
t
)
=
−
λ
(
t
)
=
−
c
1
\frac{\partial H}{\partial u}=u(t)+\lambda(t)=0\Rightarrow u(t)=-\lambda(t)=-c_1
∂u∂H=u(t)+λ(t)=0⇒u(t)=−λ(t)=−c1
④ 哈密顿函数在最优轨线末端满足
因为末端固定,所以
H
(
t
f
)
=
−
∂
φ
∂
t
f
=
−
1
⇒
1
2
u
2
(
1
)
+
c
1
u
(
1
)
=
−
1
⇒
1
2
c
1
2
+
c
1
2
=
−
1
⇒
c
1
2
=
1
2
⇒
c
1
=
2
H(t_f)=-\frac{\partial \varphi}{\partial t_f}=-1 \\ \Rightarrow \frac{1}{2}u^2(1)+c_1u(1)=-1 \\ \Rightarrow \frac{1}{2}c_1^2+c_1^2=-1 \\ \Rightarrow c_1^2=\frac{1}{2} \\ \Rightarrow c_1=\sqrt{2}
H(tf)=−∂tf∂φ=−1⇒21u2(1)+c1u(1)=−1⇒21c12+c12=−1⇒c12=21⇒c1=2
那么
x
˙
(
t
)
=
−
c
1
=
−
2
⇒
x
(
t
)
=
−
2
t
+
c
2
\dot x(t)=-c_1=-\sqrt{2} \\ \Rightarrow x(t)=-\sqrt{2}t+c_2
x˙(t)=−c1=−2⇒x(t)=−2t+c2
因为
x
(
0
)
=
c
2
=
1
x(0)=c_2=1
x(0)=c2=1
所以
x
(
t
)
=
−
2
t
+
1
x(t)=-\sqrt{2}t+1
x(t)=−2t+1
又
x
(
t
f
)
=
−
2
t
f
+
1
=
0
⇒
t
f
=
1
2
x(t_f)=-\sqrt{2}t_f+1=0 \\ \Rightarrow t_f=\frac{1}{\sqrt{2}}
x(tf)=−2tf+1=0⇒tf=21
⑤ 求解结果
最优轨线
x
∗
(
t
)
=
−
2
t
+
1
x^*(t)=-\sqrt{2}t+1
x∗(t)=−2t+1
最优控制
u
∗
(
t
)
=
−
2
u^*(t)=-\sqrt{2}
u∗(t)=−2
思考:按照步骤一步一步解即可,书上的解法反而让人感觉眼花缭乱,摸不着重点。
至此,使用变分法解最优控制问题便已全部介绍完毕。
初始时刻和末端时刻的值 ↩︎