MPC学习（2）

北白川家的氷菓

已于 2022-08-20 16:49:46 修改

阅读量388

点赞数

分类专栏：笔记文章标签：学习人工智能

于 2022-08-16 20:35:57 首次发布

本文链接：https://blog.csdn.net/aliezaliezaliez/article/details/126373839

版权

笔记专栏收录该内容

5 篇文章 4 订阅

订阅专栏

六、关于最优控制的进一步理解

1.最优控制问题的基本组成

（1）系统的数学模型

$\dot x(t)=f[x(t),u(t),t]$

（2）边界条件与目标集

边界条件：即系统状态变量的运动轨迹的两点边界值

目标集：对于末态状态 $\psi [x(t_f),t_f]$ ，有以下几种情况：

$x(t_f)$ 自由： $\psi[.]$ 扩展到整个r维空间
$x(t_f)$ 是一个固定量： $\psi[.]$ 只有一列元素 $x(t_f)$
$x(t_f)$ 需要满足某些条件： $\psi[.]$ 为n维空间中的r维超曲面

（3）容许控制

对于闭集控制，输入量u(t) 一般有一个范围Ω ，对于属于Ω 且分段连续的u(t) ，我们成 $x(t)=f[x(t),u(t),t],x(t_0)=x_0$ 为容许控制

（4）性能指标

又称性能泛函，目标函数等

2.最优控制问题的提法

设系统的状态方程和初始条件为：

$x(t)=f[x(t),u(t),t],x(t_0)=x_0$

其中

$x \in R^n$ $f(x,u,t) \in R^n$ ,是x(t),u(t),t的连续向量，对x(t)和t连续可微

u(t)在 $[t_0,t_f]$ 分段连续，且 $u(t)\in \Omega \in R^m$

目标函数：

$J=\phi[x(t_f),t_f]+\int_{t_0}^{t_f}[L(x(t),u(t),t)]dt$

达到极值

同时应该满足：

① 控制不等式约束：

$g[x(t),u(t),t]\geq 0$

② 目标集等式的约束：

$\psi [x(t_f),t_f]=0$

其中，对于不同的问题，性能指标L不同

(1) 积分型性能指标

① 最短时间控制

$L[x(t),u(t),t]=1$

$J=\int_{t_0}^{t_f} dt =t_f-t_0$

② 最少燃耗控制

$L[x(t),u(t),t]=\sum _{j=1}^{m} \left | u_j(t) \right |dt$

$J=\int_{t_0}^{t_f}\sum _{j=1}^{m} u_j(t) dt$

③ 最少能量控制

$J= \int _{t_0}^{t_f} u^T(t)u(t) dt$

(2)末值型性能指标

$J=\phi [x(t_f),t_f]$

(3)复合型性能指标

① 有限时间线性状态调节器问题

$J=\frac{1}{2} x^T(t_f)Fx(t_f)+\frac{1}{2} \int _{t_0}^{t_f}[x^T(t)Q(t)x(t)+u^T(t)R(t)u(t)]dt$

其中 $F^T=F$ $Q^T=Q$ $R^T=R$

② 有限时间线性跟踪系统问题

$J=\frac{1}{2} e^T(t_f)Fe(t_f)+\frac{1}{2} \int _{t_0}^{t_f}[e^T(t)Q(t)e(t)+u^T(t)R(t)u(t)]dt$

$e(t)=y_{exp}(t)-y(t)$

3.泛函的引入

（1）变分

例：对于 $J=\int _{t_0}^{t_f}L(x,\dot x,t)dt$

$\delta J = \frac{\partial }{\partial \xi }\int _{t_0}^{t_f} L(x+\xi \delta x,\dot x +\xi \delta \dot x,t)dt |_{\xi=0}$

$=\int _{t_0}^{t_f}(\frac{\partial L}{\partial x} \delta x +\frac{\partial L }{\partial \dot x} \delta \dot x) dt$

（2）欧拉方程

对于无约束泛函极值问题，

$\underset{x}{min} J(x)=\int _{t_0}^{t_f}L(x,\dot x,t) dt$

$x(t)$ 在 $[t_0,t_f]$ 上连续可微， $x(t_0)=x_0,x(t_f)=x_f,x(t)\in R^n$

求可以满足最小值的极值轨线 $x^*(t)$

设 $x^*(t)$ 是满足边界条件 $x(t_0)=x_0,x(t_f)=x_f$ 的极值轨线， $x(t)$ 是 $x^*(t)$ 邻域中的一条容许轨线，如图：

$x(t)=x^*(t)+\delta x(t)$

$x(t)=x^*(t)+\delta \dot x(t)$

$x(t_0)=x^*(t_0)=x_0,x(t_f)=x^*(t_f)=x_f$

轨线 $x(t)$ 满足以下方程：

$\frac{\partial L}{\partial x} -\frac{\partial }{\partial t}\frac{\partial L }{\partial \dot x} =0$

当有等式约束时：

若系统的微分方程为： $f(x,\dot x ,t)=0$

则极值问题转化为：

$\underset{x}{min} J(x)=\int _{t_0}^{t_f}L(x,\dot x,t) dt$

$s.t. f(x,\dot x ,t)=0$

引入拉格朗日方程：

$L(x,\dot x,\lambda ,t)=g(x,\dot x,t)+\lambda^T(t)f(x,\dot x,t)$

其应该满足欧拉方程：

$\frac{\partial L}{\partial x} -\frac{\partial }{\partial t}\frac{\partial L }{\partial \dot x} =0$

例题：

当然，满足欧拉方程只是泛函取极值的必要条件，为了确定极值的性质，需要给出泛函取最小值的充分条件。

（3）泛函极小值的充分条件

① 无约束情况

$\begin{bmatrix} \frac{\partial^2 L}{\partial x^2}& \frac{\partial^2 L}{\partial x \partial \dot x } \\ ( \frac{\partial^2 L}{\partial x \partial \dot x })^T& \frac{\partial^2 L}{\partial \dot x^2} \end{bmatrix} >0$

$\frac{\partial^2 L }{\partial x^2}-\frac{\partial }{\partial t}\frac{\partial^2 L }{\partial x \partial \dot x}\geqslant 0,\frac{\partial^2 L}{\partial \dot x^2}>0$

$\frac{\partial^2 L }{\partial x^2}-\frac{\partial }{\partial t}\frac{\partial^2 L }{\partial x \partial \dot x}> 0,\frac{\partial^2 L}{\partial \dot x^2}\geqslant0$

② 若存在约束： $f(x,\dot x ,t)=0$

则：

$\frac{\partial^2 L }{\partial x^2}-\frac{\partial }{\partial t}\frac{\partial^2 L }{\partial x \partial \dot x}\geqslant 0,\frac{\partial^2 L}{\partial \dot x^2}>0$

$\frac{\partial^2 L }{\partial x^2}-\frac{\partial }{\partial t}\frac{\partial^2 L }{\partial x \partial \dot x}> 0,\frac{\partial^2 L}{\partial \dot x^2}\geqslant0$

其中： $L(x,\dot x,\lambda ,t)=g(x,\dot x,t)+\lambda^T(t)f(x,\dot x,t)$