最优控制总结(小五字体,每页四个).docVIP

C1 1.最优控制问题 三个基本要素：被控对象/系统的数学模型,物理约束条件及性能指标。数学描述:设被控对象的状态方程及初始条件为；其中,为状态向量，为状态向量的可容许集；为控制向量，为控制向量的可容许集。试确定容许的最优控制和最优状态轨迹，使得系统实现从初始状态到目标集的转移,同时使得性能指标达到极值。 2.分类:(1)系统状态方程形式(连续,离散)(2)最优控制形式(开环,闭环) (3)实际应用(时间,燃料,能量,终端) (4)终端条件(固定,自由) (5)被控对象形式(精确,随机)。 3.静态最优化问题由优化变量、目标函数及约束条件组成的静态优化问题可以描述为：在满足一系列约束条件的可行域中，确定一组优化变量，使目标函数达到最优值(极大值或极小值)。 数学描述：， 静态、动态最优化区别：静态最优化问题，也称为参数最优化问题，它的三个基本要素是优化变量、目标函数和约束条件，其本质是解决函数求极值的问题。 动态最优化问题，也称为最优控制问题，它的三个基本要素是被控对象数学模型、物理约束条件和性能指标，其本质是解决泛函求极值的问题。 C2（静态） 1.最优梯度法(1)多变量目标函数沿着初始搜索点的负梯度方向搜索,函数值下降最快,又称最速下降法;(2)多变量无约束。 2.惩罚函数法(1)根据具体的最优换问题构造合适的惩罚函数,将多变量有约束最优化问题转换为一系列多变量无约束最优化问题,从而采用合适的无约束优化方法继续完成求解;(2)多变量有约束(外点法:等式约,不等式约束;内点法:不等式约束)。 3.拉格朗日乘子法(1)通过构造拉格朗日函数,将原多变量有约束最优化问题转化为一个多变量无约束最优化问题,从而采用合适的无约束方法继续完成求解;(2)多变量有约束(等式约束,不等式约束)。 4.最优梯度法计算 梯度定义，Hessian矩阵,最优梯度法(无约束)：迭代，，终止误差 例：；；；，是极小值点。 5.拉格朗日乘子法计算 有约束最优化：约束为： (1) 等式约束：，利用解出极大值点或极小值点。 (2) 不等式约束：，引入附加变量使得不等式约束变为等式约束：，再有等式拉格朗日乘子法. 6.惩罚函数法计算 (1)外部：1)等式约束,用求解出,令求出; 2)不等式约束： 3) 复合形式： (2)内部：只适用于不等式约束，惩罚函数，，利用求解出，令求出 C3（变分法） 1.一次变分求解，变分规则：， 2.泛函取极值必要条件 欧拉方程,横截条件方程 问题描述 边界条件 横截条件 固定，固定 无 固定，自由 自由，固定 自由，自由 且互相独立 自由,自由,且通过 ， 3.欧拉方程特殊结果 (1)被积函数只依赖于 ： 直线 (2)被积函数只依赖于t和 ：，先求，再积分求 (3)被积函数只依赖于和 ： (4)常用积分：1)原点到直线的距离为；到平面的距离为； 2)曲线长度 4.角点条件 (1) ,不相关: (2) ,相关: 5.有约束泛函极值 (1)微分方程约束:存在约束，引入拉~乘子,拉格朗日函数:，变为无约束。 (2)等周约束:存在约束，引入，拉格朗日函数为，必要条件为：a)对L的欧拉方程 b) c) 。 6.离散欧拉方程 ，离散欧拉方程， 自由时横截条件为： 7.变分法求解最优控制问题目标：，约束，构造哈密顿函数，正则方程：，控制方程： （哈密顿函数性质:, 当中不显含t，恒为常数） 问题描述 边界条件 横截条件 H在终端时刻处满足 固定 固定 无 无 自由 受约束 自由 固定 无 自由 受约束 C4（极小值原理） 1.极小值原理提出的意义及核心结论 意义：变分法求解最优控制问题基于假设(1)容许控制量和容许状态量都是没有任何约束的;(2)哈密顿函数对是连续可微的.这在实际系统中往往不能满足。极小值原理有效地克服了经典变分法的局限性，除了可以很好地处理控制向量受约束的情况,还不要求哈密顿函数对控制向量的连续可微性。核心结论:使泛函取得极小值的最优控制满足的必要条件:，，即在区间内，对于任意的可容许控制变量，都有最优控制使得哈密顿