Tsai笔记：GPOPS学习笔记（1）—— 高斯伪谱法的最基本优化方程求解思路（例子介绍）

最新推荐文章于 2023-04-14 09:34:54 发布

Tsaichasel

最新推荐文章于 2023-04-14 09:34:54 发布

阅读量2.1w

点赞数 32

分类专栏： Tsai——GPOPS学习笔记文章标签：最优化 MATLAB 控制理论

本文链接：https://blog.csdn.net/weixin_43338642/article/details/88781403

版权

Tsai——GPOPS学习笔记专栏收录该内容

1 篇文章 2 订阅

订阅专栏

Tsai笔记：GPOPS学习笔记（1）—— 高斯伪谱法的最基本优化方程求解思路（例子介绍）

Tsai三步。（第一步，基本说明。第二步，结果图显示。第三步，代码展示。）

第一步，基本说明。

A、问题说明：系统运动微分方程、初始状态、控制变量及其目标函数为

$\bg_white \fn_cm \LARGE \dpi{120} \bg_white \fn_cm \LARGE {\color{DarkBlue} \dot{x1}=-x1+u;\dot{x2}=x1; x1(0)=1; x2(0)=0;-1\leq u\leq 1; J=\int_{0}^{1}(x2\left ( 1 \right ))dt;}$

用最小值原理求u*，使得J达到最小值。

B、基本步骤说明：写出主函数main，cost函数和dae函数。

main函数基本框架为：

%% 参数设置 前面可设置参数
clear all
clc

%% 状态变量和控制变量约束设 假设有r个阶段、n个控制变量、m个状态变量、i个路径约束、j个事件、k个参数、s个时间猜测点
iphase = 1;
limits(iphase).time.min = [t0min tfmin];%两端点时间的下限
limits(iphase).time.max = [t0max tfmax];%两端点时间的上限
limits(iphase).control.min = [u1min;...;unmin];%表示n个控制变量的下限
limits(iphase).control.max = [u1max;...;unmax];%表示n个控制变量的上限
limits(iphase).state.min = [x10min x1min x1fmin;%表示m个状态变量的上限
                            x20min x2min x2fmin;
                            ......;
                            xm0min xm1min xmfmin];
limits(iphase).state.max = [x10max x1max x1fmax;%表示m个状态变量的上限
                            x20max x2max x2fmin;
                            ......;
                            xm0max xm1max xmfmax];
limits(iphase).parameter.min = [q1min;q2min;...;qkmin];%表示k个参数的下限
limits(iphase).parameter.max = [q1max;q2max;...;qkmax];%表示k个参数的上限
limits(iphase).path.min =[c1min;...;cimin];%表示i个路径约束的下限
limits(iphase).path.max =[c1max;...;cimax];%表示i个路径约束的上限
limits(iphase).event.min = [o1min;...;ojmin];%表示j个事件的下限
limits(iphase).event.max = [o1max;...;ojmax];%表示j个事件的上限
%其实对这个guess不是很理解 暂且保留疑问
guess(iphase).time = [t0;...;ts];
guess(iphase).state(:,1) = [x10;x11;...;x1s];
guess(iphase).state(:,2) = [x20;x21;...;x2s];
...
guess(iphase).state(:,m) = [xm0;xm1;...;xms];
guess(iphase).control(:,1) = [u10;u11;...;u1s];
...
guess(iphase).control(:,n) = [un0;un1;...;uns];
guess(iphase).parameter = [q1;q2;...;qk];


%% 阶段二 同理
iphase = 2;
...


%% linkage设置
ipair = 1; % 第一个连接点
linkages(ipair).left.phase = 1;%与第一阶段相连
linkages(ipair).right.phase = 2;%与第二阶段相连
linkages(ipair).min = [0; 0; 0; 0; 0];
linkages(ipair).max = [0; 0; 0; 0; 0];

ipair = 2; % 第二个连接点
linkages(ipair).left.phase = 2;%与第二阶段相连
linkages(ipair).right.phase = 3;%与第三阶段相连
linkages(ipair).min = [0; 0; 0; 0; 0];
linkages(ipair).max = [0; 0; 0; 0; 0];
...


%% setup设置  是基本设置名称不要写错
setup.name = 'Problem';
setup.funcs.cost = 'Cost';
setup.funcs.dae = 'Dae';
setup.funcs.link = 'link';
setup.limits = limits;
setup.guess = guess;
setup.linkages = linkages;
setup.derivatives = 'finite-difference';
setup.checkDerivatives = 0;
setup.autoscale = 'off';
setup.mesh.tolerance = 0.1;
setup.mesh.iteration = 10;
setup.mesh.nodesPerInterval.min = 10;
setup.mesh.nodesPerInterval.max = 20;


输出数据到output和gpopsHistory，这部分看一下MATLAB结果就清楚
[output,gpopsHistory] = gpops(setup);

%也可以是使用这种方式
%tic;%tic用来保存当前时间，而后使用toc来记录程序完成时间
%output = gpops(setup);
%solution=output.solution;
%toc;

cost函数基本框架为：

%cost基本是一个函数，里面的格式也相对固定
%积分使用Lagrange
function [Mayer,Lagrange] = Cost(sol)
t0 = sol.initial.time;
x0 = sol.initial.state;
tf = sol.terminal.time;
xf = sol.terminal.state;
t = sol.time;
x = sol.state;
u = sol.control;
p = sol.parameter;
x1=x(:,1);x2=x(:,2);x3=x(:,3);x4=x(:,4);x5=x(:,5);

%Mayer多项式（a scalar size 1*1）
Mayer =zeros(size(solcost.time);%当没有值得时候
%Lagrange积分项（a column vector of size N*1）
Lagrange =zeros(size(solcost.time);%当没有值得时候

dae函数基本框架为：

%是个函数 基本也很固定
function [dae] = Dae(sol)

t = sol.time;
x = sol.state;
u = sol.control;
p = sol.parameter;

%状态方程（dae a matrix of size N * (m + i)）
x1=x(:,1);x2=x(:,2);
x1dot=-x1+u;
x2dot=x1;
dae = [x1dot x2dot ... xmdot path1 path2 ... pathi];

第二步，结果图显示。

第三步，代码展示。

main函数：

%------------------------------------------------------------------%
% BEGIN: script 例5.1                               %
%------------------------------------------------------------------%
% This example is taken from the following reference:              %
% The optimal control problem is described as follows:             %
%------------------------------------------------------------------%
clear all
close all
clc

%设置状态量限制条件
x10=1;
x20=0;
x1min=-10;
x1max=10;
x2min=-10;
x2max=10;
%设置控制量限制条件
umin=-1;
umax=1;
%设置时间
t0=0;
tf=1;


iphase = 1;
%设置时间限制条件
limits(iphase).time.min    = [t0 tf];
limits(iphase).time.max    = [t0 tf];
%设置状态变量
limits(iphase).state.min = [x10 x1min x1min;
                            x20 x2min x2min];
limits(iphase).state.max = [x10 x1max x1max;
                            x20 x2max x2max];
%设置控制变量限制条件
limits(iphase).control.min = umin;
limits(iphase).control.max = umax;
%设置时间估计值
guess(iphase).time      = [t0; tf];
%设置状态变量估计值
guess(iphase).state(:,1)     = [x10; x1max];
guess(iphase).state(:,2)     = [x20; x2max];
%设置控制变量估计值
guess(iphase).control   = [umin; umax];
guess(iphase).parameter      = [];
limits(iphase).parameter.min = [];
limits(iphase).parameter.max = [];
limits(iphase).path.min      = [];
limits(iphase).path.max      = [];
limits(iphase).event.min     = [];
limits(iphase).event.max     = [];

setup.name  = 'Optimal-Problem';
setup.funcs.cost = 'Cost';
setup.funcs.dae = 'Dae';
setup.linkages = [];
setup.limits = limits;
setup.guess = guess;
setup.derivatives = 'finite-difference';
setup.checkDerivatives = 0;
setup.autoscale = 'off';
setup.mesh.tolerance = 1e-6;
setup.mesh.iteration = 20;
setup.mesh.nodesPerInterval.min = 4;
setup.mesh.nodesPerInterval.max = 20;

[output,gpopsHistory] = gpops(setup);
%----------------------------------%
% END: script hyperSensitiveMain.m %
%----------------------------------%


figure('name','State x1(t) vs t')
axis equal
plot(output.solutionPlot.time,output.solutionPlot.state(:,1),'bo')
xlabel('(a) State x1(t) vs t')
ylabel('x1(t)')
hold off
grid on
axis([0,2,-1,1])


figure('name','State x2(t) vs t')
axis equal
plot(output.solutionPlot.time,output.solutionPlot.state(:,2),'ro')
xlabel('(b) State x2(t) vs t')
ylabel('x2(t)')
hold off
grid on
axis([0,2,-1,1])


figure('name','Control u(t) vs t')
plot(output.solutionPlot.time,output.solutionPlot.control,'go')
xlabel('(c) Control u(t) vs t')
ylabel('u(t)')
hold off
grid on
axis([0,2,-2,1])

cost函数：

%--------------------------------------%
% BEGIN: function hyperSensitiveCost.m %
%--------------------------------------%
function [Mayer,Lagrange] = Cost(sol)

%不需要修改
t0 = sol.initial.time;
x0 = sol.initial.state;
tf = sol.terminal.time;
xf = sol.terminal.state;
t  = sol.time;
x  = sol.state;
u  = sol.control;
p  = sol.parameter;

x1=x(:,1);x2=x(:,2);

%性能指标
%多项式
Mayer = xf(2);
%积分项
Lagrange = zeros(size(t));

%--------------------------------------%
% END: function hyperSensitiveCost.m   %
%--------------------------------------%

dae函数：

%-------------------------------------%
% BEGIN: function hyperSensitiveDae.m %
%-------------------------------------%
function [dae] = Dae(sol)

t = sol.time;
x = sol.state;
u = sol.control;
p = sol.parameter;

%状态方程dx=x-u;
x1=x(:,1);x2=x(:,2);
x1dot=-x1+u;
x2dot=x1;
dae = [x1dot x2dot];

%-------------------------------------%
% END: function hyperSensitiveDae.m   %
%-------------------------------------%

将学习GPOPS过程中遇到的小问题解决并记录下来，如有错误，请各位前辈指导。

若对我的笔记有兴趣的可以查看我的博客，地址：https://blog.csdn.net/weixin_43338642?t=1。

Tsaichasel

关注

32
点赞
踩
172

收藏

觉得还不错? 一键收藏
12
评论
Tsai笔记：GPOPS学习笔记（1）—— 高斯伪谱法的最基本优化方程求解思路（例子介绍）

Tsai笔记：GPOPS学习笔记（1）—— 高斯伪谱法的最基本优化方程求解思路（例子介绍）Tsai三步。（第一步，基本说明。第二步，结果图显示。第三步，代码展示。）第一步，基本说明。A、问题说明：系统运动微分方程、初始状态、控制变量及其目标函数为用最小值原理求u*，使得J达到最小值。B、基本步骤说明：写出主函数main，cost函数和dae函数。main函数基本框架为：...
复制链接

扫一扫