最优控制应用概述Word文档格式.doc
《最优控制应用概述Word文档格式.doc》由会员分享，可在线阅读，更多相关《最优控制应用概述Word文档格式.doc（10页珍藏版）》请在冰点文库上搜索。
最优控制在被控对象参数已知的情况下，已成为设计复杂系统的有效方法之一。
2.1最优控制问题的描述
控制系统的最优控制问题一般提法为：
对于某个由动态方程描述的系统，在某初始和终端状态条件下，从系统所允许的某控制系统集合中寻找一个控制，使得给定的系统的性能目标函数达到最优。
2.1.1系统的动态方程（状态方程）
系统状态方程给出了系统内部状态随系统控制输入的变化关系，或者说是内部状态的一种约束关系。
2.1.2系统状态的始端条件和终端条件
始端和终端条件却给出了系统状态在系统控制开始和结束时刻的约束条件。
端点条件一般有三种类型：
固定端、自由端和可变端。
固定端就是时间和状态值都是固定的端点。
例如初始时间t0及其初始状态X（t0）都固定就称始端固定条件，而终端时间tf及其终端状态X（tf）都固定就称终端固定条件。
一般来说，两端固定是最简单的情况。
自由端是指端点时间固定，但端点状态值不受任何限制的端点。
有始端自由和终端自由两种。
可变端就是端点时间及其状态值都可变的端点。
但一般它满足一定条件，如满足：
初始状态为：
x（t0）=x0终端状态x（tf）可用如下约束条件表示N1[x（tf），tf]=0或N2[x（tf），tf]≤0。
2.1.3系统控制域
在实际控制系统中，控制输入u（t）往往是不能不受限制地任意取值的，例如作为驱动电机，其输出力矩就有最大力矩的限制。
所以在许多最优控制问题中，需要规定一个允许的控制域。
2.1.4系统目标泛函（性能指标）
即系统的性能指标，一般都是一个函数的函数，即泛函。
在状态空间中要使系统的状态由初始状态，可以用不同的控制规律来实现。
为了衡量控制系统在每一种控制规律作用下工作的优劣，就需要用一个性能指标来判断。
性能指标的内容、形式取决于最优控制所完成的任务。
不同最优控制问题就应有不同的性能指标。
同一最优控制问题，其性能指标也可能因设计者着眼点而异。
对连续时间系统，目标泛函的一般形式为：
式中—标量函数，对每一个控制函数都有一个对应值；
—标量函数：
动态性能指标；
终端性能指标；
—控制函数整体
上式的目标泛函称为综合性或波尔扎（Bolza）型性能指标，其第一部分表示对系统的终端状态的要求，而第二部分表示对系统的整个控制过程的要求。
若系统目标泛函只取上式的第一项，即，则称为终端型或麦耶尔（Mager）型性能指标。
若系统目标泛函只取上式的第二项，即，则称为积分变量或拉格朗日（Lagrange）型性能指标。
以上三种性能指标，通过一些简单的数学处理，可以相互转化。
在特殊情况下，可采用如下的二次型性能指标
式中F—维半正定终端加权矩阵；
Q（t）—维半正定状态加权矩阵；
R（t）—维正定控制加权矩阵
2.2最优控制问题的分类
①按状态方程分类：
连续最优化系统、离散最优化系统。
②按控制作用实现方法分类：
开环最优控制系统、闭环最优控制系统。
③按性能指标分类：
最小时间控制问题、最少燃料控制问题、线性二次型性能
指标最优控制问题、非线性性能指标最优控制问题。
④按终端条件分类：
固定终端最优控制问题、自由终端（可变）最优控制问题、
终端时间固定最优控制问题、终端时间可变最优控制问题。
⑤按应用领域来分：
终端控制问题、调节器问题、跟踪问题、伺服机构问题、效果研究问题、最小时间问题、最少燃料问题。
2.3最优控制问题的解决方法
2.3.1古典变分法
研究对泛函求极值的一种数学方法。
古典变分法只能用在控制变量的取值范围不受限制的情况。
在许多实际控制问题中，控制函数的取值常常受到封闭性的边界限制，如方向舵只能在两个极限值范围内转动，电动机的力矩只能在正负的最大值范围内产生等。
因此，古典变分法对于解决许多重要的实际最优控制问题，是无能为力的。
2.3.2极大值原理（庞特里亚金）
极大值原理，是分析力学中哈密顿方法的推广。
极大值原理的突出优点是可用于控制变量受限制的情况，能给出问题中最优控制所必须满足的条件。
2.3.3动态规划（贝尔曼）
动态规划是数学规划的一种，同样可用于控制变量受限制的情况，是一种很适合于在计算机上进行计算的比较有效的方法。
3最优控制理论应用领域
最优控制理论已被应用于综合和设计最速控制系统、最省燃料控制系统、最小能耗控制系统、线性调节器等。
[例1]快速控制问题
设初始时刻，M离地面高度为；
垂直运动的速度为。
什么样的，使M能
最快地到达地面，并使到达地面时的速度等于零？
设物体M的质量为1，表示物体离地面的高度。
M的运动微分方程式为图2快速控制
选择为状态变量，可写出M的状态方程
其初始条件为
可把研究的问题变为：
寻找一个满足约束条件的控制作用力，使物体在最短的时间内从初态到终态使为最小，这样的控制的方式，称为最优控制。
[例2]最少能量消耗问题（飞船月球软着落问题）
飞船离地面的高度，向上为正，垂向速度
可以表示为：
设发动机推力为，
飞船的质量为，,M为飞船自身
重量，F为所带燃料质量。
飞船的初始高度为
，初始速度为。
选择为状态图3飞船月球软着落
变量，可以列出飞船的状态方程：
其中k表示控制力与燃料消耗率成正比的比例常数
初始条件：
时
端点条件：
约束条件其中，是发动机的最大推力
要使燃料消耗最少，也就是要使飞船在着陆时的质量为最大，即要求使目标函数：
达到最大值。
所要完成的任务是寻求发动机推力的最优控制规律，在满足约束条件下，使飞船由初始状态转移到最终状态时，能使性能指标J为最大。
[例3]拦截问题
设、分别表示拦截器L和目标M的相对位置和相对速度向量。
是包括空气动力与地心引力所产生的加速度在内的相对加速度向量，它是、的函数，也可以看成是时间的函数。
设m（t）是拦截器的质量，f（t）是其推力的大小。
用u表示拦截器推力方向的单位矢量。
C是有效喷气速度，可看做常数。
则拦截器与目标的相对运动方程式可写成：
初始条件为：
为实现拦截，既要控制推力f（t）的大小，又要改变推力的方向。
拦截器的最大推力f（t）是一有限值，瞬时推力f（t）应满足：
。
要求控制拦截器从相对目标的初始状态出发，于某终点时刻与目标相遇（拦截），即且应满足。
其中，为燃料耗尽后拦截器的质量。
为实现快速拦截，并且消耗燃料最少，综合考虑这两种要求，取性能指标
问题归结为：
选择f（t）,u（t）和，除实现拦截外还要使规定的性能指标最小，即在性能指标J下的最优拦截问题。
[例4]线性调节器问题
设系统可控，其状态方程为：
，系统的性能指标为如下形式的二次型函数，试确定系统的最优控制使性能指标具有最小值，这个问题称为线性调节器问题。
可以用黎卡提方程求解。
[例5]线性二次最优控制（LQR）
二次型性能指标一般形式如下：
一般情况下：
R增加时，控制力减少，角度变化减少，跟随速度变慢。
矩阵Q中某元素相对增加，其相对的状态变量的响应速度增加，其他变量的响应速度相对减慢，如：
若Q对应于角度的元素增加，使得角度变化速度减小，而位移的响应速度减慢；
若Q对应于位移的元素增加，使得位移的跟踪速度变快，而角度的变化幅度增大。
应用便携式直线一级倒立摆可以进行验证。
4最优控制理论新的进展
4.1在线优化方法
基于对象数学模型的静态优化方法，是理想化的方法。
因为尽管工业过程被设计得按一定的正常工况连续运行，但由于存在外部环境变动等各种干扰因素，原来的设计就未必是最优的。
鉴于这种情况在线优化方法得到了发展，其中常见的方法有：
局部参数最优化和整体最优化设计方法、预测控制中的滚动优化算法、稳态阶梯控制、系统优化和参数估计的集成研究方法。
4.1.1局部参数最优化和整体最优化设计方法
局部参数最优化方法的基本思想是按照参考模型和被控过程输出之差来调整控制器可调参数，使输出误差平方的积分达到最小。
这样可使被控过程和参考模型尽快保持精确一致。
此外，静态最优与动态最优相结合可将局部最优变为整体最优。
4.1.2预测控制中的滚动优化算法
预测控制，又称基于模型的控制（Model-basedControl），是70年代后期兴起的一种新型优化控制算法。
但它与通常的离散最优控制算法不同，不是采用一个不变的全局优化目标，而是采用滚动式的有限时域优化策略。
这意味着优化过程不是一次离线进行，而是反复在线进行的。
这种有限化目标的局部性使其在理想情况下只能得到全局的次优解，但其滚动实施，却能顾及由于模型失配、时变、干扰等引起的不确定性，及时进行弥补，始终把新的优化建立在实际的基础之上，使控制保持实际上的最优。
这种启发式的滚动优化策略，兼顾了对未来充分长时间内的理想优化和实际存在的不确定性的影响。
在复杂的工业环境中，这比建立在理想条件下的最优控制更加实际有效。
预测控制的优化模式具有鲜明的特点：
它的离散形式的有限优化目标及滚动推进的实施过程，使得在控制的全过程中实现动态优化，而在控制的每一步实现静态参数优化。
用这种思路，可以处理更复杂的情况，例如有约束、多目标、非线性乃至非参数等。
吸取规划中的分层思想，还可把目标按其重要性及类型分层，实施不同层次的优化。
可把大系统控制中分层决策的思想和人工智能方法引入预测控制，形成多层智能预测控制的模式。
这种多层智能预测控制方法的，将克服单一模型的预测控制算法的不足，是当前研究的重要方向之一。
4.1.3稳态阶梯控制
由于工业过程较精确的数学模型不易求得，而且工业过程往往呈非线性及慢时变性。
因此，优化算法中采用数学模型求得的解是开环优化解。
在大工业过程在线稳态控制的设计阶段，开环优化解可以用来决定最有工作点。
但在实际使用上，这个解未必能使工业过程处于最优工况，相反还会违反约束。
他们提出的全新思想是:
从实际过程提取关联变量的稳态信息，并反馈至协调决策单元，并用它修正基于模型求出的最优解，使之接近真实最优解。
这就是我们实际应用中经常遇到的开环控制和闭环控制。
4.1.4系统优化和参数估计的集成研究方法
稳态递阶控制的难点是，实际过程的输入输出特性是未知的。
波兰学者提出的反馈校正机制，得到的只能是一个次优解。
但其主要缺点在于一般很难准确估计次优解偏离最优解的程度，而且次优解的次优程度往往依赖于初始点的选取。
一个自然的想法是将优化和参数估计分开处理并交替进行，直到迭代收敛到一个解。
这样计算机的在线优化控制就包括两部分任务：
在粗模型（粗模型通常是能够得到的）基础上的优化和设定点下的修正模型。
这种方法称为系统优化和参数估计的集成研究方法。
4.2智能优化方法
对于越来越多的复杂控制对象，一方面，人们所要求的控制性能不再单纯的局限于一两个指标；
另一方面，上述各种优化方法，都是基于优化问题具有精确的数学模型基础之上的。
但是许多实际工程问题是很难或不可能得到其精确的数学模型的。
这就限制了上述经典优化方法的实际应用。
随着模糊理论、神经网络等智能技术和计算机技术的发展。
智能式的优化方法得到了重视和发展。
4.2.1神经网络优化方法
人工神经网络的研究起源于1943年和McCulloch和Pitts的工作。
在优化方面，1982年Hopfield首先引入Lyapuov能量函数用于判断网络的稳定性，提出了Hopfield单层离散模型；
Hopfield和Tank又发展了Hopfield单层连续模型。
1986年，Hopfield和Tank将电子电路与Hopfield模型直接对应，实现了硬件模拟；
Kennedy和Chua基于非线性电路理论提出了模拟电路模型，并使用系统微分方程的Lyapuov函数研究了电子电路的稳定性。
这些工作都有力地促进了对神经网络优化方法的研究。
根据神经网络理论，神经网络能量函数的极小点对应于系统的稳定平衡点，这样能量函数极小点的求解就转换为求解系统的稳定平衡点。
随着时间的演化，网络的运动轨道在空间中总是朝着能量函数减小的方向运动，最终到达系统的平衡点——即能量函数的极小点。
因此如果把神经网络动力系统的稳定吸引子考虑为适当的能量函数（或增广能量函数）的极小点，优化计算就从一初始点随着系统流到达某一极小点。
如果将全局优化的概念用于控制系统，则控制系统的目标函数最终将达到希望的最小点。
这就是神经优化计算的基本原理。
与一般的数学规划一样，神经网络方法也存在着重分析次数较多的弱点，如何与结构的近似重分析等结构优化技术结合，减少迭代次数是今后进一步研究的方向之一。
由于Hopfield模型能同时适用于离散问题和连续问题，因此可望有效地解决控制工程中普遍存在的混合离散变量非线性优化问题。
图4遗传过程
4.2.2遗传算法
遗传算法和遗传规划是一种新兴的搜索寻优技术。
它仿效生物的进化和遗传，根据“优胜劣汰”原则，使所要求解决的问题从初始解逐步地逼近最优解。
在许多情况下，遗传算法明显优于传统的优化方法。
该算法允许所求解的问题是非线性的和不连续的，并能从整个可行解空间寻找全局最优解和次优解，避免只得到局部最优解。
这样可以为提供更多有用的参考信息，以便更好地进行系统控制。
同时其搜索最优解的过程是有指导性的，避免了一般优化算法的维数灾难问题。
遗传算法的这些优点随着计算机技术的发展，在控制领域中将发挥越来越大的作用。
研究表明，遗传算法是一种具有很大潜力的结构优化方法。
它用于解决非线性结构优化、动力结构优化、形状优化、拓扑优化等复杂优化问题，具有较大的优势。
4.2.3模糊优化方法
最优化问题一直是模糊理论应用最为广泛的领域之一。
自从Bellman和Zadeh在20世纪70年代初期对这一研究作出开创性工作以来，其主要研究集中在一般意义下的理论研究、模糊线性规划、多目标模糊规划、以及模糊规划理论在随机规划及许多实际问题中的应用。
主要的研究方法是利用模糊集的a截集或确定模糊集的隶属函数将模糊规划问题转化为经典的规划问题来解决。
模糊优化方法与普通优化方法的要求相同，仍然是寻求一个控制方案（即一组设计变量），满足给定的约束条件，并使目标函数为最优值，区别仅在于其中包含有模糊因素。
普通优化可以归结为求解一个普通数学规划问题，模糊规划则可归结为求解一个模糊数学规划（fuzzymathematicalprogramming）问题。
包含控制变量、目标函数和约束条件，但其中控制变量、目标函数和约束条件可能都是模糊的，也可能某一方面是模糊的而其它方面是清晰的。
例如模糊约束的优化设计问题中模糊因素是包含在约束条件（如几何约束、性能约束和人文约束等）中的。
求解模糊数学规划问题的基本思想是把模糊优化转化为非模糊优化即普通优化问题。
方法可分为两类：
一类是给出模糊解（fuzzysolution）；
另一类是给出一个特定的清晰解（crispsolution）。
必须指出，上述解法都是对于模糊线性规划（fuzzylinearprogramming）提出的。
然而大多数实际工程问题是由非线形模糊规划（fuzzynonlinearprogramming）加以描述的。
于是有人提出了水平截集法、限界搜索法和最大水平法等，并取得了一些可喜的成果。
5.小结
在控制领域中，模糊控制与自学习算法、模糊控制与遗传算法相融合，通过改进学习算法、遗传算法，按给定优化性能指标，对被控对象进行逐步寻优学习，从而能够有效地确定模糊控制器的结构和参数。
最优控制理论的应用领域十分广泛，如时间最短、能耗最小、线性二次型指标最优、跟踪问题、调节问题和伺服机构问题等。
但它在理论上还有不完善的地方，其中两个重要的问题就是优化算法中的鲁棒性问题和最优化算法的简化和实用性问题。
大体上说，在最优化理论研究和应用方面应加强的课题主要有：
①适合于解决工程上普遍问题的稳定性最优化方法的研究；
②智能最优化方法、最优模糊控制器设计的研究；
③简单实用的优化集成芯片及最优化控制器的开发和推广利用；
④复杂系统、模糊动态模型的辩识与优化方法的研；
⑤最优化算法的改进。
相信随着对这些问题的研究和探索的不断深入，最优控制技术将越来越成熟和实用。
参考文献
[1]方水良.现代控制理论及其MATLAB实践.杭州：
浙江大学出版社，2005.6
[2]刘豹.现代控制理论（第二版）.北京：
机械工程出版社，1998.5
[3]李文，梁惜明，龙祖强.最优控制理论的发展与展望.广东自动化与信息工程,2003
[4]卢少波.汽车控制理论与应用.机械传动国家重点实验室，2010.6
[5]袁亚湘，孙文瑜.最优化理论与方法[M].北京：
科学出版社.1997
[6]深圳市元创兴科技有限公司.便携式直线一级倒立摆实验指导书（第二版）,2011.8
[7]黄平.最优化理论与方法[M].北京：
清华大学出版社，2009.
[8]胡寿松，王执铨，胡维礼.最优控制理论与系统[M].北京：
科学出版社，2005.
[9]袁野，张靓.最优控制理论及其在视频编码中的应用[J].软件导刊，2009,8（6）：
14-16.
[10]曾进，任庆生.基于改进遗传算法的时间最优控制问题求解.控制与决策.2002,17
（1）：
41-44.
升级会员 