摘要:
本文研究了具有随机输入增益的离散线性时不变系统线性二次型最优控制。我们定义每个输入通道的总容量,其和产生所有输入通道的总容量。与可用动态规划法求解的有限视界情况不同的是,如果每个通道的容量是先验固定的,无限视界情况无法解决。本文工作的新颖之处在于将问题处于信道/控制器协同设计的框架下,这允许控制器设计者又额外的自由去设计通道。我们假设总共的通道容量是受限制的,可以分配给各个通道。通过信道/控制器设计表明,当且仅当输入通道的总体容量比开环增益的拓扑熵要大时,无限视界可解。并且最优控制信号是线性状态反馈。
1.引言(Introduction)
2.问题描述(Problem Formulation)
考虑如下跟随系统:离散线性时不变(LTI)随即输入增益系统
![](https://i-blog.csdnimg.cn/blog_migrate/c062dd39c941fd1161213d35fe0fdf90.png)
状态空间方程如下:
![](https://i-blog.csdnimg.cn/blog_migrate/9477d0bf2a34e6b915cd57316fac5b27.png)
其中,D是列满秩的,与经典LTI系统不同的是,加入了随机输入增益:
![](https://i-blog.csdnimg.cn/blog_migrate/f2741ead290ad32380f09675befd76e8.png)
其中
![](https://i-blog.csdnimg.cn/blog_migrate/12218c652196647574680ec98a30267e.png)
该矩阵是由白噪声序列组成的,均值和方差分别如下:
![](https://i-blog.csdnimg.cn/blog_migrate/9d2a7996169a51d7f30ee6f08c5a3ecd.png)
![](https://i-blog.csdnimg.cn/blog_migrate/706cf97a09f84b74b12fce20e56f385b.png)
第i个输入信道的信噪比为:
![](https://i-blog.csdnimg.cn/blog_migrate/a9005a2520d87603e0115c3505332615.png)
均值/均方差
这样的带随机输入增益的LTI系统具有广泛应用。对于不同场合,这种随机输入具有不同的物理解释。
第i个输入通道的均方容量定义为:
![](https://i-blog.csdnimg.cn/blog_migrate/794747a9f566623eb7f448b5e560d797.png)
总体均方容量:
![](https://i-blog.csdnimg.cn/blog_migrate/95773cefe02f6b405b9931a6ecd5a2ea.png)
本文主要工作是:找到在一些场合使闭环系统稳定的控制信号并且最小化LQ损失函数。
![](https://i-blog.csdnimg.cn/blog_migrate/479c4617c1e92cc41a80ab4ba6446258.png)
![](https://i-blog.csdnimg.cn/blog_migrate/b2eb603f9ea5eec1b7db125aba37a891.png)
传统方法解决这类问题的方法是,固定每个通道容量先验,找到最优控制信号,最小化性能指标。
在这种问题中,并不总是对每个信号容量都适用,例如,损失函数总是无限值或者损失函数是有限值,但是在这种控制信号下,系统无法稳定。
为了解决这一难题,信号协同设计框架提供了一个重要的作用,是本文的创新点。
在这种情况下,信号容量不是给定的,而是被设计的,或者在总体容量限制下被分配的。对于每个信道的总体容量分配被称为信道资源分配。由概率向量给出:
![](https://i-blog.csdnimg.cn/blog_migrate/7f38d322ebd74f3669d84c9ca59920da.png)
![](https://i-blog.csdnimg.cn/blog_migrate/466126b6dbcb3bafc9eb050825ccbdf8.png)
![](https://i-blog.csdnimg.cn/blog_migrate/386ac57b2ff786f89737ffd6b48737e9.png)
3.有限视界LQ最优控制(Finite-horizon LQ Optimal Control)
在确定LQ最优控制问题中,无限视界情况是通过有限情况在视界长度区域无穷时的解。所以,首先研究有限视界的LQ最优控制。
在有限视界中,初始状态x(0)、N视界长度的损失函数
![](https://i-blog.csdnimg.cn/blog_migrate/fa0b870f2090df09d28525133e63946a.png)
![](https://i-blog.csdnimg.cn/blog_migrate/17fde826da53a7ca514079c5b4d7e7bb.png)
目标是找到最优控制信号最小化新能指标:
![](https://i-blog.csdnimg.cn/blog_migrate/56f160a93e68805679adefb369a3d9ed.png)
下面的定理表明:最优控制信号是状态的线性函数并且依赖每个信号容量的均方差。(证明见附录)
定理1:
![](https://i-blog.csdnimg.cn/blog_migrate/fcf60b8dc5a8101e12e70bcb349b1a69.png)
证明见附录。但是没看懂。。。
4.无限视界LQ最优控制(Infinite-horizon LQ Optimal Control)
如果每个通道容量不是先验固定的,可能不是良好定态的。然而,凭借信道/控制器协同设计,在确定假设下变为良好定态的。
4.1 预备知识(Preliminary)
在进行之前,回忆两个概念:
一个是Mahler方法,nxn矩阵A,A不稳定特征值的绝对值
![](https://i-blog.csdnimg.cn/blog_migrate/e52048dbee339028c9fac160475c6afa.png)
第二个是A的拓扑熵:
![](https://i-blog.csdnimg.cn/blog_migrate/1e1c6ebf650c4a29b8f07d65be411e60.png)
考虑离散随机系统:
![](https://i-blog.csdnimg.cn/blog_migrate/a41ba75535516e32cc4402dd706a40cc.png)
![](https://i-blog.csdnimg.cn/blog_migrate/616a786cd1c01586783c71f3ddf9f6b6.png)
是独立随机变量。
若对任意初始状态x(0)
![](https://i-blog.csdnimg.cn/blog_migrate/ffc459737760c2fe8ef61f3dfcca65ca.png)
是界限清楚的,对于任意k>0,并且
![](https://i-blog.csdnimg.cn/blog_migrate/f3efd4db0bf65881aecc202d9713e31e.png)
可以说是均方稳定。
定义1:
![](https://i-blog.csdnimg.cn/blog_migrate/68c1cee73d192d375ed70eb3102263d3.png)
当
![](https://i-blog.csdnimg.cn/blog_migrate/43912f7894d4002dbed74c1ec31dba06.png)
此定义就退化为经典的稳定。
接下来的引理中给出带容量的[A|B]稳定性的几个充分必要条件,在信道资源分配下,对于均方稳定所需最小总信道容量与开环设备拓扑熵相等。
引理1:
![](https://i-blog.csdnimg.cn/blog_migrate/3a465ff0a21a6403e27f944df4fc1b7f.png)
Remark2:不失一般性,[A|B]有如下的Wonham分解:
![](https://i-blog.csdnimg.cn/blog_migrate/1346448b1847f47a058abf75f5dd03e1.png)
每一对[Ai|bi]都是稳定的,从Wonham分解中可以得出Ai包含A中所有的不稳定特征值,他们可以被第i个输入控制但不能被先前任何输入控制
4.2 主要成果(Main Result)
在无限视界情况下,损失函数:
![](https://i-blog.csdnimg.cn/blog_migrate/7ffb0ab01d10764e050cdb2e8b6198d6.png)
![](https://i-blog.csdnimg.cn/blog_migrate/189b459ca392269e6e0ac689a26a3420.png)
由于定理1给出有限视界情况的结果,当N趋于无穷时,便是无限视界情况。
然而,要求当N趋于无穷时,在(3)中XN (k)的向后迭代求解的矩阵XN(0)收敛到满足下列离散修改的ARE方程(MARE):
![](https://i-blog.csdnimg.cn/blog_migrate/08c2cbde03e478bc8a0e81883f64ff13.png)
而且,矩阵X需要是均方稳定,在某种意义上和状态反馈增益相关联:
![](https://i-blog.csdnimg.cn/blog_migrate/323cd28cdfed3a24e02a0c60a9ff4064.png)
闭环系统(4)是均方稳定的。不幸的是,上面的要求对于任何信道容量都不一定满足。如果每个个体容量是先验的,根据引理1,均方稳定都无法保证,何谈最优控制信号存在。
为了解决这个问题,我们研究在信道协同设计框架下,随机输入增益的无限视界LQ最优控制。
假设1:
![](https://i-blog.csdnimg.cn/blog_migrate/12fe5c1e5847494f1eea5e4d74481899.png)
由于信道/控制器协同设计提供了额外的自由度,无限视界情况可以被轻松解决。
定理2:
![](https://i-blog.csdnimg.cn/blog_migrate/2e1cf2e6dc83c9c5749f98c5769edc33.png)
定理2的证明没读懂。。。
5.总结(Conclusion)
有限视界情况可以通过动态规划法解决,但是无限视界情况无法解决,如果每个通道容量先验固定。为了解决这一问题,我们将这个问题置于允许控制器有额外自由度去设计信道的信道/控制器协同设计框架下。假设所有的信道容量是有限的,并且是可以分配到每个信道中。当且仅当输入通道的总体容量比开环系统的拓扑熵要大时,无限视界LQ控制信号有解。均方稳定控制信号是线性状态反馈与MARE(6)有关的反馈增益
附录
英文注释:
priori 先验的;
novelty 新奇;
co-design 协同设计;
allocated 分配;
entropy 熵;
plant 装置;
tackle 解决;
deterministic 确定的;
virtue 凭借;
stochastic 随机的;
well-defined 界限清楚的;
sufficient 充分的;
feasible 可行的;
sequentially 从而;
proceed 进行;
monotonically increasing 单调递增;