最优控制(控制无边界)的必要条件推导- Lagrange problem

yyakow

已于 2024-04-11 09:03:24 修改

阅读量356

点赞数 5

分类专栏：最优控制的学习笔记文章标签：算法

于 2024-04-10 13:57:20 首次发布

本文链接：https://blog.csdn.net/yyakow/article/details/137588051

版权

最优控制的学习笔记专栏收录该内容

10 篇文章 0 订阅

订阅专栏

首先介绍最优控制问题:

$\max\limits_{u} \int_{t_{0}}^{t_{1}} f(t, x(t), u(t))dt$

subject to $\dot{x}(t)=g(t, x(t), u(t))$

$x(t_{0})=x_{0}$ and $x(t_{1})$ free.

所谓的必要性条件就是, 如果 $u^{*}(t)$ , $x^{*}(t)$ 是最优的, 那么他们应该满足什么条件? 下面我们开始推导必要条件. 首先, 我们令目标函数

$J(u)=\int_{t_{0}}^{t_{1}}f(t, x(t), u(t))dt$

假设分段连续的最优控制 $u^{*}(t)$ 存在, 对应的状态变量为 $x^{*}(t)$ , 并且对任意的 $u$ 均有 $J(u)\leq J(u^{*})<\infty$ . 令 $h(t)$ 是任一个分段连续函数, $\epsilon$ 是一个实常值. 则

$u^{\epsilon}(t)=u^{*}(t)+\epsilon h(t)$

是一个分段连续的控制.

令 $x^{\epsilon}$ 是控制 $u^{\epsilon}$ 对应的状态变量, 则 $x^{\epsilon}$ 满足

$\frac{\rm{d}}{\rm{d}t}x^{\epsilon}(t)=g(t, x^{\epsilon}(t), u^{\epsilon}(t))$

因为所有的轨迹都从相同的位置开始, 我们取 $x^{\epsilon}(t_{0})=x_{0}$

由 $u^{\epsilon}$ 的表达式, 我们可以得到 $u^{\epsilon}(t)\rightarrow u^{*}(t), \epsilon \rightarrow 0$ , 并且

$\frac{\partial u^{\epsilon}(t)}{\partial \epsilon}\mid _{\epsilon=0}=h(t)$

事实上, 对于 $x^{\epsilon}$ 我们具有同样的结论

$x^{\epsilon}(t)\rightarrow x^{*}(t), \epsilon \rightarrow 0$ and $\frac{\partial x^{\epsilon}(t)}{\partial \epsilon}\mid _{\epsilon=0}$ exists.

在控制 $u^{\epsilon}$ 处的目标函数变为:

$J(u^{\epsilon})=\int_{t_{0}}^{t_{1}} f(t, x^{\epsilon}(t), u^{\epsilon}(t))$

对于伴随函数 $\lambda(t)$ , 我们具有如下性质:

$\int_{t_{0}}^{t_{1}} \frac{\rm{d}}{\rm{d} t}[\lambda(t) x^{\epsilon}(t)] dt=\lambda(t_{1}) x^{\epsilon}(t_{1})-\lambda(t_{0}) x^{\epsilon}(t_{0})$

即

$\int_{t_{0}}^{t_{1}} \frac{\rm{d}}{\rm{d} t}[\lambda(t) x^{\epsilon}(t)] dt + \lambda(t_{0}) x^{\epsilon}(t_{0})-\lambda(t_{1}) x^{\epsilon}(t_{1})=0$

从而

$J(u^{\epsilon})=\int_{t_{0}}^{t_{1}}\left[ f(t, x^{\epsilon}(t), u^{\epsilon}(t))+ \frac{d}{dt} (\lambda(t)x^{\epsilon}(t))\right]dt + \lambda(t_{0})x_{0}-\lambda(t_{1}) x^{\epsilon}(t)\\ ~~~~~~~~=\int_{t_{0}}^{t_{1}}\left[ f(t, x^{\epsilon}(t), u^{\epsilon}(t))+ \dot{\lambda}(t)x^{\epsilon}(t) + \lambda(t) g(t, x^{\epsilon}(t), u^{\epsilon}(t)) \right]dt + \lambda(t_{0})x_{0}-\lambda(t_{1}) x^{\epsilon}(t)$

因为 $J$ 在 $u^{*}$ 处取得最大值, 所以

$0=\frac{d}{d\epsilon}J(u^{\epsilon})\mid_{\epsilon=0}=\lim\limits_{\epsilon\rightarrow 0}\frac{J(u^{\epsilon})-J(u^{*})}{\epsilon}$

即

$0=\frac{d}{d\epsilon}J(u^{\epsilon}) \mid_{\epsilon}=0\\ ~~ =\int_{t_{0}}^{t_{1}} \frac{\partial}{\partial \epsilon}\left[ f(t, x^{\epsilon}(t), u^{\epsilon}(t)) + \dot{\lambda}(t)x^{\epsilon}(t)+\lambda(t) g(t, x^{\epsilon}(t), u^{\epsilon}(t))dt \right ] \mid_{\epsilon=0}-\frac{\partial}{\partial \epsilon}\lambda(t_{1})x^{\epsilon}(t_{1})\mid_{\epsilon=0}$

从而

$0=\int_{t_{0}}^{t_{1}}\left[ f_{x} \frac{\partial x^{\epsilon}}{\partial \epsilon}+ f_{u} \frac{\partial u^{\epsilon}}{\partial \epsilon} + \dot{\lambda}(t) \frac{\partial x^{\epsilon}}{\partial \epsilon} + \lambda(t) \left( g_{x}\frac{\partial x^{\epsilon}}{\partial \epsilon}+g_{u} \frac{\partial u^{\epsilon}}{\partial \epsilon} \right )\right ]\mid_{\epsilon=0} dt-\lambda(t_{1})\frac{\partial x^{\epsilon}}{\partial \epsilon}(t_{1})\mid_{\epsilon=0}$

即

$0=\int_{t_{0}}^{t_{1}}\left[ \left( f_{x}+\lambda(t)g_{x}+\dot{\lambda}(t) \right ) \frac{\partial x^{\epsilon}}{\partial \epsilon}(t) \mid_{\epsilon=0} + (f_{u}+\lambda(t)g_{u})h(t)\right ] dt-\lambda(t_{1})\frac{\partial x^{\epsilon}}{\partial \epsilon}(t_{1})\mid_{\epsilon=0}$ （1）

我们需要选择合适的伴随函数 $\lambda(t)$ 使得 (1) 式恒成立, 因此伴随函数满足:

$\dot{\lambda}(t)=-\left[ f_{x}(t, x^{*}(t), u^{*}(t)) +\lambda(t) g_{x}(t, x^{*}(t), u^{*}(t)) \right ]$ (3)

我们称此式为伴随方程. 并且满足边界条件:

$\lambda(t_{1})=0$ (4)

此式称为横截条件. 从而 (1)式变为

$0=\int_{t_{0}}^{t_{1}} \left(f_{u}(t, x^{*}(t), u^{*}(t))+\lambda(t)g_{u}(t, x^{*}(t), u^{*}(t))\right)h(t) dt$ (5)

此式应该对任意的分段连续函数 $h(t)$ 均成立, 因此不妨取

$h(t)=f_{u}(t, x^{*}(t), u^{*}(t))+\lambda(t)g_{u}(t, x^{*}(t), u^{*}(t))$

则 (5) 式变为

$0=\int_{t_{0}}^{t_{1}} \left(f_{u}(t, x^{*}(t), u^{*}(t))+\lambda(t)g_{u}(t, x^{*}(t), u^{*}(t))\right)^{2}dt$

因此最优控制与最优控制下的状态变量应该满足:

$f_{u}(t, x^{*}(t), u^{*}(t))+\lambda(t)g_{u}(t, x^{*}(t), u^{*}(t))=0$ (6)

我们称 (6) 式为最优条件, 它实际上等价于 $\frac{\partial H}{\partial u}=0, u=u^{*}$ .

Tips: 不同的目标函数形式会具有不同的横截条件, 具体问题应该自行推导, 并不是所有的最优问题的横截条件均是终止时刻的伴随函数的值为0, 即 $\lambda(t_{1})=0$ .

yyakow

关注

5
点赞
踩
3

收藏

觉得还不错? 一键收藏
1
评论
最优控制(控制无边界)的必要条件推导- Lagrange problem

Tips: 不同的目标函数形式会具有不同的横截条件, 具体问题应该自行推导, 并不是所有的最优问题的横截条件均是终止时刻的伴随函数的值为0, 即。是最优的, 那么他们应该满足什么条件?下面我们开始推导必要条件. 首先, 我们令目标函数。我们称 (6) 式为最优条件, 它实际上等价于。因为所有的轨迹都从相同的位置开始, 我们取。所谓的必要性条件就是, 如果。此式应该对任意的分段连续函数。存在, 对应的状态变量为。的表达式, 我们可以得到。假设分段连续的最优控制。对应的状态变量, 则。是一个分段连续的控制.
复制链接

扫一扫