LQR与LQG问题

最优控制理论主要探讨的是让动力系统以在最小成本来运作，若系统动态可以用一组线性微分方程表示，而其成本为二次泛函，这类的问题称为线性二次（LQ）问题。此类问题的解即为线性二次调节器（英语：linear–quadratic regulator），简称LQR。

LQR是回授控制器，方程式在后面会提到。LQR是LQG（线性二次高斯）问题解当中重要的一部份。而LQG问题和LQR问题都是控制理论中最基础的问题之一。

控制机器（例如飞机）的控制器，或是控制制程（例如化学反应）的控制器，可以进行最佳控制，方式是先设定成本函数，再由工程师设定加权，利用数学演算法来找到使成本函数最小化的设定值。成本函数一般会定义为主要量测量（例如飞行高度或是制程温度）和理想值的偏差的和。演算法会设法调整参数，让这些不希望出现的偏差降到最小。而控制量的大小本身也会包括在成本函数中。

LQR演算法减少了工程师为了让控制器最佳化，而需付出的心力。不过工程师仍然要列出成本函数的相关参数，并且将结果和理想的设计目标比较。因此控制器的建构常会是迭代的，工程师在模拟过程中决定最佳控制器，再去调整参数让结果更接近设计目标。

在本质上，LQR演算法是找寻合适状态回授控制器的自动化方式。因此也常会有控制工程师用其他替代方式，例如全状态回授（也称为极点安置）的作法，此作法对控制器参数和控制器性能之间的关系比较明确。而LQR演算法的困难之处在找合适的加权因子，这也限制了以LQR控制器合成的相关应用。

LQG控制（linear–quadratic–Gaussian control）的全名是线性二次高斯控制，是控制理论中的基础最优控制问题之一。此问题和存在加性高斯白噪声的线性系统有关。此问题是要找到最佳的输出回授律，可以让二次费用函数的期望值最小化。其输出量测假设受到高斯噪声的影响，其初值也是高斯随机向量。

在“使用线性控制律”的最佳控制假设下，可以用completion-of-squares论述进行推导[1]。此控制律即为LQG控制器，就是卡尔曼滤波（线性二次状态估测器，LQE）和LQR控制器的结合。分离原理指出状态估测器和状态回授可以独立设计。LQG控制可以应用在线性时不变系统及线性时变系统，产生容易计算以及实现的线性动态回授控制器。LQG控制器本身是一个类似其受控系统的动态系统，两者有相同的维度。

根据分离原理，在一些范围较宽可能是非线性的控制器中，LQG控制器仍然是最佳的。也就是说“使用非线性控制架构不一定可以改善费用泛函的期望值”。这个版本的分离原理是随机控制的分离原理（separation principle of stochastic control）提到就算过程及输出噪声源可能是非高斯鞅，只要其系统动态是线性的，其最佳控制仍可以分离为最佳状态估测器（不再是卡尔曼滤波器）及LQR控制器[2][3]。LQR控制器也有用来控制扰动的非线性系统[4]。

Linear-Quadratic Regulator (LQR) design - MATLAB lqr- MathWorks 中国This MATLAB function calculates the optimal gain matrix K, the solution S of the associated algebraic Riccati equation, and the closed-loop poles P for the continuous-time or discrete-time state-space model sys.https://ww2.mathworks.cn/help/control/ref/lti.lqr.html?searchHighlight=LQR&s_tid=srchtitle_LQR_1

Linear-Quadratic-Gaussian (LQG) design - MATLAB lqg- MathWorks 中国This MATLAB function computes an optimal linear-quadratic-Gaussian (LQG) regulator reg given a state-space model sys of the plant and weighting matrices QXU and QWV.https://ww2.mathworks.cn/help/control/ref/ss.lqg.html?searchHighlight=LQG&s_tid=srchtitle_LQG_1