变分法的基本概念

1、泛函

变分法是研究泛函极值问题的工具。泛函就是函数的函数，它是普通函数概念的一种补充。

首先回顾一下函数的概念：如果变量 $y$ 因 $x$ 的变化按某一确定的规律而变化，或者说，对应于 $x$ 定义域中的每一个 $x$ 值，$y$ 都有一个（或一组）确定的值与之对应，则称 $y$ 是 $x$ 的函数，记作 $y=f(x)$。这里宗量 $x$ 是独立自变量，而 $y$ 是因变量。

与函数概念相对应，可以这样来阐明泛函的概念：如果一个因变量，它的宗量不是独立自变量，而是另一些独立自变量的函数，则称该因变量为这个宗量函数的泛函。或者说，对应于某一类函数中的每一个确定的函数 $y(x)$ （注意，不是函数值），因变量 $J$ 都有一确定的值（注意，不是函数）与之对应，则称因变量 $J$ 为宗量函数 $y(x)$ 的泛函数，简称泛函。记作 $J=J[y(x)]$ 或简记为 $J$。应该强调的是这个记号中的 $y(x)$ 应理解为某一特定函数的整体，而不是对应于 $x$ 的函数值 $y(x)$，因此有时又记作 $J=J[y(\cdot )]$。

例如，在直角坐标平面中有两点 $A(x_a,y_a)$ 和 $B(x_b,y_b)$，连接这两点的曲线长度（弧长 $l$）是曲线函数 $y=y(x)$ 的泛函。因为当 $y=y(x)$ 一经确定，就可具体计算出 $A、B$ 两点间的弧长。

由弧长的微分：
$$(\mathrm{d}l{)}^2=(\mathrm{d}x{)}^2+(\mathrm{d}y{)}^2$$

得
$$\frac{\mathrm{d}l}{\mathrm{d}x}=\sqrt{1+(\frac{\mathrm{d}y}{\mathrm{d}x}{)}^2}=\sqrt{1+{\dot{y}}^2}$$

所以
$$l={\int }_{x_a}^{x_b}\sqrt{1+{\dot{y}}^2}\mathrm{d}x$$

显然对不同得曲线 $y(x)$，就有不同得弧长 $l$ 与之对应，所以弧长 $l$ 是宗量函数 $y(x)$ 的泛函，记作 $J[y(x)]$，即
$$J[y(x)]={\int }_{x_a}^{x_b}\sqrt{1+{\dot{y}}^2}\mathrm{d}x={\int }_{x_a}^{x_b}L(\dot{y})\mathrm{d}x$$

一般地，$L$ 也是 $x,y$ 的函数，因此应写成：
$$J={\int }_{x_a}^{x_b}L(y,\dot{y},x)\mathrm{d}x\text{\hspace{1em}(1)}$$

很显然，两点间的最短弧长应是直线 $y^{\ast }(x)$，即
$$l_{min}=J^{\ast }=\min J[y(x)]=J[y^{\ast }(x)]$$

在控制系统中，自变量是时间 $t$，宗量函数是状态矢量 $x(t)$，因此式（1）可写成
$$J={\int }_{x_a}^{x_b}L(x,\dot{x},t)\mathrm{d}t$$

又因 $\dot{x}(t)=f[x(t),u(t),t]$，所以 $J$ 又可写成
$$J={\int }_{t_0}^{t_f}L[x(t),u(t),t]\mathrm{d}t$$

这就是积分型性能泛函。$J$ 的值取决于函数 $u(t)$，不同的函数 $u(t)$，有不同的 $J$ 值与之相对应，所以，$J$ 是函数 $u(t)$ 的泛函，所谓求最优控制 $u^{\ast }(t)$，就是寻求使性能泛函 $J$ 取极值时的控制 $u(t)$。

综上可见，泛函与函数的区别，仅在于泛函的宗量是函数，而函数的宗量是变数。

2、泛函的极值

求泛函的极大值或极小值问题称为变分问题。求泛函极值的方法称为变分法。

如果泛函 $J[y(x)]$ 在任何一条与 $y_0(x)$ 接近的曲线上所取得值不小于 $J[y_0(x)]$，即
$$\Delta J=J[y(x)]-J[y_0(x)]\ge 0$$

则成泛函 $J[y(x)]$ 在 $y_0(x)$ 曲线上达到了极小值。反之，达到了极大值。

何谓两个函数的接近呢？在函数中，说自变量 $x$ 接近于 $x_0$，不外乎只有两个方向，一个是沿着 $x$ 轴的左边接近，另一个是沿着 $x$ 轴的右边接近。但是泛函的宗量是函数，说两个函数接近，问题就没这样简单。如果对于定义域中的一切 $x$，下式都成立：
$$|y(x)-y_0(x)|\le \epsilon$$

其中 $\epsilon$ 是一正的小量，则称函数 $y(x)$ 与 $y_0(x)$ 有零阶接近度。如图所示，具有零阶接近度的两条曲线的形状可能差别很大。

如果不仅是函数值，而且它的各阶导数也很接近，即满足：
$$\{\begin{array}{l}|y(x)-y_0(x)|\le \epsilon \\ |y^{\prime }(x)-y_0^{\prime }(x)|\le \epsilon \\ |y^{\prime \prime }(x)-y_0^{\prime \prime }(x)|\le \epsilon \\ ⋮\\ |y^k(x)-y_0^k(x)|\le \epsilon \end{array}$$

则称 $y(x)$ 与 $y_0(x)$ 有 $k$ 阶接近度，如图可见，接近度阶次越高，表明函数的接近程度越好。

3、泛函的变分

泛函的增量可表示为：
$$\begin{array}{rl}\Delta J& =J[y(x)+\delta y(x)]-J[y(x)]\\ & =L[y(x),\delta y(x)]+R[y(x),\delta y(x)]\end{array}\text{\hspace{1em}(2)}$$

式中，$\delta y(x)=y(x)-y_0(x)$ 为宗量 $y(x)$ 的变分；$L[y(x),\delta y(x)]$ 为 $\delta y(x)$ 的线性连续泛函；$R[y(x),\delta y(x)]$ 为 $\delta y(x)$ 的高阶无穷小项。

定义泛函增量的线性主部：
$$\delta J=L[y(x),\delta y(x)]\text{\hspace{1em}(3)}$$

为泛函的变分。若泛函有变分，而且增量 $\Delta J$ 可用式（2）表达时，则称泛函是可微的。

泛函的变分也可定义为：
$$\delta J=\frac{\partial }{\partial \alpha }J[y(x)+\alpha \delta y(x)]{|}_{\alpha =0}\text{\hspace{1em}(4)}$$

实际上，二者是一致的。即
$$\frac{\partial }{\partial \alpha }J[y(x)+\alpha \delta y(x)]{|}_{\alpha =0}=L[y(x),\delta y(x)]$$

根据式（4）利用函数的微分法则可方便地进行泛函变分的计算。

---

证明：

泛函增量可以表示成：
$$\Delta J=J[y(x)+\alpha \delta y(x)]-J[y(x)]=L[y(x),\alpha \delta y(x)]+R[y(x),\alpha \delta y(x)]$$

式中，$L[y(x),\alpha \delta y(x)]$ 为关于 $\alpha \delta y(x)$ 的线性连续泛函，因此有
$$L[y(x),\alpha \delta y(x)]=\alpha L[y(x),\delta y(x)]$$

又由于 $R[y(x),\alpha \delta y(x)]$ 是关于 $\alpha \delta y(x)$ 的高阶无穷小量，所以有：
$$\underset{\alpha \to 0}{\lim }\frac{R[y(x),\alpha \delta y(x)]}{\alpha }=\underset{\alpha \to 0}{\lim }\frac{R[y(x),\alpha \delta y(x)]}{\alpha \delta y(x)}\delta y(x)=0$$

考虑到以上两点，便得到：
∂ ∂ α J [ y ( x ) + α δ y ( x ) ] ∣ α = 0 = lim ⁡ α → 0 Δ J α = lim ⁡ α → 0 J [ y ( x ) + α δ y ( x ) ] − J [ y ( x ) ] α = lim ⁡ α → 0 1 α { α L [ y ( x ) , δ y ( x ) ] } = L [ y ( x ) , δ y ( x ) ] \begin{aligned} &\dfrac{\partial}{\partial\alpha}J[y(x)+\alpha\delta y(x)]\Big|_{\alpha=0}=\lim_{\alpha\rightarrow0}\dfrac{\Delta J}{\alpha}\\[2ex] &=\lim_{\alpha\rightarrow0}\dfrac{J[y(x)+\alpha\delta y(x)]-J[y(x)]}{\alpha}\\[2ex] &=\lim_{\alpha\rightarrow0}\dfrac{1}{\alpha}\{\alpha L[y(x),\delta y(x)]\}\\[2ex] &=L[y(x),\delta y(x)] \end{aligned} ​∂α∂​J[y(x)+αδy(x)] ​α=0​=α→0lim​αΔJ​=α→0lim​αJ[y(x)+αδy(x)]−J[y(x)]​=α→0lim​α1​{αL[y(x),δy(x)]}=L[y(x),δy(x)]​

---

例：求下列泛函的变分：
$$J={\int }_{t_0}^{t_f}{x}^2(t)\mathrm{d}t$$

解：由式（2）得
$$\begin{array}{rl}\Delta J& ={\int }_{t_0}^{t_f}[x(t)+\delta x(t){]}^2\mathrm{d}t-{\int }_{t_0}^{t_f}{x}^2(t)\mathrm{d}t\\ & ={\int }_{t_0}^{t_f}2x(t)\delta x(t)\mathrm{d}t+{\int }_{t_0}^{t_f}[\delta x(t){]}^2\mathrm{d}t\end{array}$$

线性主部为：$L[x(t),\delta x(t)]={\int }_{t_0}^{t_f}2x(t)\delta x(t)\mathrm{d}t$

根据式（3）得变分：
$$\delta J={\int }_{t_0}^{t_f}2x(t)\delta x(t)\mathrm{d}t$$

另一方面，亦可由式（4）得：
$$\begin{array}{rl}\delta J& =\frac{\partial }{\partial \alpha }J[y(x)+\alpha \delta y(x)]{|}_{\alpha =0}={\int }_{t_0}^{t_f}\frac{\partial }{\partial \alpha }[x(t)+\alpha \delta x(t){]}^2\mathrm{d}t{|}_{\alpha =0}\\ & ={\int }_{t_0}^{t_f}2[x(t)+\alpha \delta x(t)]\delta x(t)\mathrm{d}t{|}_{\alpha =0}={\int }_{t_0}^{t_f}2x(t)\delta x(t)\mathrm{d}t\end{array}$$

可见，二者结果是一致的。

4、泛函极值定理

定理： \quad 若可微泛函 $J[y(x)]$ 在 $y_0(x)$ 上达到极值，则在 $y=y_0(x)$ 上得变分等于零。即
$$\delta J=0$$

证明： \quad 已知 $J[y_0(x)]$ 是泛函极值。考察对极值曲线 $y_0(x)$ 或得增量 $\delta y$ 后得泛函，设宗量变分 $\delta y$ 任意取定不变，则 $J[y_0(x)+\alpha \delta y(x)]$ 便是实变量 $\alpha$ 的函数，即
$$\phi (\alpha )=J[y_0(x)+\alpha \delta y(x)]$$

将 $\phi (\alpha )$ 对 $\alpha$ 求导数，并令 $\alpha =0$，于是根据泛函变分的定义有
$$\dot{\phi }(\alpha ){|}_{\alpha =0}=\frac{\partial }{\partial \alpha }J[y_0(x)+\alpha \delta y(x)]{|}_{\alpha =0}=\delta J[y_0(x)]$$

另一方面，对函数 $\phi (\alpha )$，当 $\alpha =0$ 时，有 $\phi (0)=J[y_0(x)]$ 已知是极值，根据函数极值定理必满足条件
$$\dot{\phi }(\alpha ){|}_{\alpha =0}=0$$

因此，$\delta J[y_0(x)]=0$ 成立，定理得证。

上述概念同样适用于多元函数，多元函数取极值的必要条件仍然是
$$\delta J=0$$