1.静态优化
1.1 无约束优化
(1)目标:
找到让优化指标 L ( u ) L (u) L(u)(标量)达到最小值的控制量 u u u。
(2)过程:
求导的思想,最小值处应该满足 L u = 0 L_u=0 Lu=0
(2.1)原理:
利用泰勒级数展开
L
(
u
)
L(u)
L(u),有:
当满足
L
u
=
0
L_u=0
Lu=0时,有:
对于任意控制
d
u
du
du,若最小值(局部)时,都应该有增长的
d
L
dL
dL,若最大值(局部)时,都应该有减小的
d
L
dL
dL,相应的,就应该有
Q
=
L
u
u
Q=L_{uu}
Q=Luu的分类:
1.2 具有等式约束的优化
(1)目标:
将优化指标 L L L推广成包含系统状态 x x x的形式 L ( x , u ) L(x,u) L(x,u),引入简单的约束 f ( x , u ) = 0 f(x,u)=0 f(x,u)=0,解决优化问题。
(2)原理:
(2.1)必要性:
根据极限思想,在极值点处,应有
d
u
=
0
du=0
du=0,由约束条件可得:
整理(1.2-3)得(1.2-4):
代入(1.2-2),在极值点处偏导=0,故充分性为下式=0:
(2.2)充分性:
(1.2-2,3)可写成(1+n)维的矩阵形式:
极值点时,该方程需要有解,这需要系数阵的行线性相关(rank<n+1),因此可以找到n维向量
λ
\lambda
λ使:
整理可得拉格朗日乘子:
同时也有下式成立,验证了充分性:
(2.3) 拉格朗日乘数的物理意义:
在极值点处
d
u
=
0
du=0
du=0,此时整理(1.2-9)可得:
因此,可以看出拉格朗日乘子代表着约束条件的变化
d
f
df
df对优化指标变化
d
L
dL
dL的影响:
(3)求解方法:
将拉格朗日乘子 λ \lambda λ,引入Hamilton函数:
在约束条件
f
(
x
,
u
)
=
0
f(x,u)=0
f(x,u)=0时其满足:
用前文无约束优化的方法求解( L u = 0 L_u=0 Lu=0)时,要求优化指标的最值,需要满足以下三个条件:
(3.1)原理:
由Hamilton函数可见的形式可以看出:
由约束条件
f
(
x
,
u
)
=
0
f(x,u)=0
f(x,u)=0,则
H
λ
=
0
H_\lambda=0
Hλ=0也成立,得式(1.2-25a)。同时,在此条件下,
d
x
dx
dx和
d
u
du
du的关系确定,很容易可以找到一个
λ
\lambda
λ使下式成立:
此为式(1.2-25b),在此基础上才有:
可以用前述无约束优化问题时的求解办法解决,即应该先满足
L
u
=
d
L
/
d
u
=
H
u
=
0
L_u=dL/du=H_u=0
Lu=dL/du=Hu=0,此为式(1.2-25c)。
(3.2)验证最小/最大( L u u L_{uu} Luu):
用泰勒级数将 d L dL dL和 d f df df展开:
引入拉格朗日乘子构造Hamilton函数形式得:
将
d
x
dx
dx和
d
u
du
du的关系代入得
L
u
u
L_{uu}
Luu:
(3.3)约束条件变化对优化指标的影响:
详见 P a g e 44 − P a g e 51 Page_{44}-Page_{51} Page44−Page51