【最优控制笔记】——1静态优化

1.静态优化

1.1 无约束优化

（1）目标：

找到让优化指标$L(u)$（标量）达到最小值的控制量$u$。

（2）过程：

求导的思想，最小值处应该满足$L_u=0$

（2.1）原理：

利用泰勒级数展开$L(u)$，有：

当满足$L_u=0$时，有：

对于任意控制$du$，若最小值（局部）时，都应该有增长的$dL$，若最大值（局部）时，都应该有减小的$dL$，相应的，就应该有$Q=L_{uu}$的分类：

1.2 具有等式约束的优化

（1）目标：

将优化指标$L$推广成包含系统状态$x$的形式$L(x,u)$，引入简单的约束$f(x,u)=0$，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$du=0$，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$\lambda$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$du=0$，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$df$对优化指标变化$dL$的影响：

(3)求解方法：

将拉格朗日乘子$\lambda$，引入Hamilton函数：

在约束条件$f(x,u)=0$时其满足：

用前文无约束优化的方法求解（$L_u=0$）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$f(x,u)=0$，则$H_{\lambda }=0$也成立，得式(1.2-25a)。同时，在此条件下，$dx$和$du$的关系确定，很容易可以找到一个$\lambda$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$L_u=dL/du=H_u=0$，此为式(1.2-25c)。

（3.2）验证最小/最大（$L_{uu}$）：

用泰勒级数将$dL$和$df$展开：

引入拉格朗日乘子构造Hamilton函数形式得：

将$dx$和$du$的关系代入得$L_{uu}$：

（3.3）约束条件变化对优化指标的影响：

详见$Pag{e}_{44}-Pag{e}_{51}$