学习随笔#12 最优化控制（Optimal Control）

最优化控制（Optimal Control）

  在约束条件下达到最优的系统表现。下图是一个单输入单输出（SISO）系统的控制系统框图。

  在这个系统中，我们定义误差$e(t)$为参考信号$r(t)$与输出信号$y(t)$的差，即$e(t)=y(t)-r(t)$。如果我们使得${\int }_0^t{e}^2\mathrm{d}t$越小，则系统的跟踪性能越好；如果使得${\int }_0^t{u}^2\mathrm{d}t$越小，则系统的输入越小，因此我们就有了若干优化指标。
  如果分别调整这些优化指标，需要进行大量的调整和测试才能得到最优结果，但如果能把这些指标统一到一个式子中，那么我们只要求解这个式子就可以得到最优结果，因此我们提出了代价函数（Cost Function）的概念。
$$J={\int }_0^t(q{e}^2+r{u}^2)\mathrm{d}t$$
  通过求解代价函数的最小值，我们就可以得到最优的输入信号。方程中的$q$和$r$是两个因数，若$q\ll r$，说明我们更重视误差$e$对结果的影响；若$q\gg r$，说明我们更重视输入$u$对结果的影响。
  对于多输入多输出（MIMO）系统来说，设其状态方程为
$$\{\begin{array}{l}\frac{\mathrm{d}x}{\mathrm{d}t}=Ax+Bu\\ Y=Cx\end{array}$$
则其代价函数为
$$J={\int }_0^t(E^{T}QE+U^{T}RU)\mathrm{d}t$$
其中
$$E=Y-R=\left[\begin{array}{c}{y}_1-r_1\\ y_2-r_2\end{array}\right]=\left[\begin{array}{c}{x}_1\\ x_2\end{array}\right]$$
注意此处$R$为参考矩阵，与上下文的调节矩阵不同。
所以
$$\{\begin{array}{l}{E}^{T}QE=q_1{x}_1^2+q_2{x}_2^2\\ U^{T}RU=r_1{u}_1^2+r_2{u}_2^2\end{array}$$
其中$Q$、$R$为调节矩阵，$q_1$、$q_2$、$r_1$、$r_2$为权重系数。以上就是最优化控制的思路。