最优控制理论 一、泛函极值问题

变分法是最优控制问题的三大基石之一，下面讨论一些变分法的常用理论。

性能指标

无约束最优控制问题，若固定起止时间，两端状态固定，即
$x(0)=x_0, x(t_f)=x_f, t\in[0,t_f]$x(0)=x0​,x(tf​)=xf​,t∈[0,tf​]
需要求出最优路径path（轨迹trajectory、最优实现）：$x^*(t)$x∗(t)。而这个最优性的定义,是按照泛函型性能指标来表达的
$\min_{x(t)}J(x,t)=\phi(x(t_f),t_f)+\int_0^{t_f}L(x,\dot{x} ,t)\text d t \tag{1}$x(t)min​J(x,t)=ϕ(x(tf​),tf​)+∫0tf​​L(x,x˙,t)dt(1)
由赋范线性空间$\Chi$X的某个子集映射到实数域$\Reals$R的映射称为泛函，即$T: \Chi\mapsto\Reals$T:X↦R。在这里指的是从路径$x(t)\mapsto J\in\Reals$x(t)↦J∈R的一个映射，即函数的函数。公式$(1)$(1)只有第一部分性能指标的最优控制问题称为Meyer型问题，仅有第二部分的称为Lagrange型问题，两种相加的称为Bolza问题。Bolza型问题可以转化成Lagrange型问题
$J(x,t)=\int_0^{t_f}\frac{\text d\phi(x,t)}{\text d t}+L(x,\dot{x} ,t)\text d t+\phi(x(0),0)$J(x,t)=∫0tf​​dtdϕ(x,t)​+L(x,x˙,t)dt+ϕ(x(0),0)
所以一般我们都是从Lagrange型问题开始研究的。

泛函极值必要条件

对于上述问题，沿着最优路径$x^*(t)$x∗(t)对性能指标做变分$\delta J(x^*)$δJ(x∗)，最优路径的必要条件是$\delta J(x^*)=0$δJ(x∗)=0.对Lagrange型性能指标展开，
$\delta J(\delta x^*) =\int_0^{t_f}({\frac {\partial L}{\partial x}\delta x}+ {\frac {\partial L}{\partial \dot x}\delta \dot x)\text d t}=0$δJ(δx∗)=∫0tf​​(∂x∂L​δx+∂x˙∂L​δx˙)dt=0
并对第二项做分部积分 $uv=\int \text d (uv)=u\int \text d v+v\int \text d u$uv=∫d(uv)=u∫dv+v∫du,
$\int L_{\dot{x}} \delta \dot x \text d t=\int L_{\dot{x}} \delta \frac{\text d x}{\text d t}\text d t=\int L_{\dot{x}} \delta \text d x=L_{\dot{x}}\delta x-\int{\delta x}\text d L_{\dot x}=L_{\dot{x}}\delta x-\int{\delta x}\frac{\text d L_{\dot x}}{\text d t}\text d t$∫Lx˙​δx˙dt=∫Lx˙​δdtdx​dt=∫Lx˙​δdx=Lx˙​δx−∫δxdLx˙​=Lx˙​δx−∫δxdtdLx˙​​dt
，得到
${\left. L_{\dot{x}}\delta x \right|}_0^{t_f}+\int_0^{t_f}(L_x-\frac{\text d}{\text d t}L_{\dot x}\text )\delta xd t=0\tag{2}$Lx˙​δx∣0tf​​+∫0tf​​(Lx​−dtd​Lx˙​)δxdt=0(2)
上式表示
$\begin{aligned} L_{\dot x}(x(t_f),\dot x(t_f),t_f)\cdot\delta x(t_f)-L_{\dot x}(x_0,\dot x_0,0)\cdot\delta x_0=0\\ [L_x(x(t),\dot x(t),t)-\frac{\text d}{\text d t}L_{\dot x}(x(t),\dot x (t),t)\text ]\cdot\delta x=0 \end{aligned}$Lx˙​(x(tf​),x˙(tf​),tf​)⋅δx(tf​)−Lx˙​(x0​,x˙0​,0)⋅δx0​=0[Lx​(x(t),x˙(t),t)−dtd​Lx˙​(x(t),x˙(t),t)]⋅δx=0​
由于变分$\delta x(t)$δx(t)是任意的，且初始时刻状态固定，所以$\delta x(t_0)=0$δx(t0​)=0.于是得到泛函极值的必要条件，即Euler方程
$L_x-\frac{\text d}{\text d t}L_{\dot x}=0\tag 3$Lx​−dtd​Lx˙​=0(3)
以及横截条件。
$L_{\dot{x}}(x_f)=0$Lx˙​(xf​)=0
若$t_f$tf​固定、终端状态$x(t_f)$x(tf​)自由，即$x_f\in X_f\neq \emptyset$xf​∈Xf​​=∅，则上式需要；否则不需要这个条件就可以求出最优路径$x(t)$x(t)

各种情况下的求解

$t_f$tf​固定，$x_f$xf​固定

边界条件$x(0),t_f,x(t_f)$x(0),tf​,x(tf​)都知道，极值必要条件为公式$(3)$(3)，维数n*1。n个未知变量，两端状态已知，则构成两点边值问题。这个问题最典型的例子是百度百科-最速下降曲线问题，该问题为约翰伯努利提出，被欧拉解决。
例1.1 求无约束最优化问题的最优路径
$J(x)=\int_{0}^{\pi / 2}\left[\dot{x}^{2}(t)-x^{2}(t)\right] d t\\ x(0)=0,x(\pi/2)=1$J(x)=∫0π/2​[x˙2(t)−x2(t)]dtx(0)=0,x(π/2)=1
首先列出Euler方程
$\begin{aligned} 0 &=\frac{\partial L}{\partial x}\left(x^{*}(t), \dot{x}^{*}(t), t\right)-\frac{d}{d t}\left[\frac{\partial L}{\partial \dot{x}}\left(x^{*}(t), \dot{x}^{*}(t), t\right)\right] \\ &=-2 x^{*}(t)-\frac{d}{d t}\left[2 \dot{x}^{*}(t)\right]\\ \end{aligned}$0​=∂x∂L​(x∗(t),x˙∗(t),t)−dtd​[∂x˙∂L​(x∗(t),x˙∗(t),t)]=−2x∗(t)−dtd​[2x˙∗(t)]​
即$x(t)+x''(t)=0$x(t)+x′′(t)=0
设$x(t)=ae^{\imath (t+\phi)},(\imath^2=-1)$x(t)=aeı(t+ϕ),(ı2=−1)，考虑边界条件即可得到$a=1,\phi=-\pi/2;\& a=-1,\phi=\pi/2$a=1,ϕ=−π/2;&a=−1,ϕ=π/2，在实数域的解为$x(t)=sin(t)$x(t)=sin(t)

$t_f$tf​固定，$x_f$xf​自由

必要条件为Euler方程——公式$(3)$(3)，边界条件多了
$L_{\dot{x}}(x_f)=0$Lx˙​(xf​)=0

$t_f$tf​自由，$x_f$xf​自由，两者无关。

$t_f$tf​自由，$x_f$xf​自由，没有直接的代数关系。Euler方程和公式$(3)$(3)一样，边界条件多了
$\begin{aligned} L_{\dot{x}}(x_f)=0\\ L(x,\dot x ,t_f)=0\tag{4} \end{aligned}$Lx˙​(xf​)=0L(x,x˙,tf​)=0​(4)

$t_f$tf​自由，$x_f$xf​自由，之间有代数约束。

两者之间的关系为
$\psi_i(x_f,t_f)=0，i=1,2,...m, (m<n)$ψi​(xf​,tf​)=0，i=1,2,...m,(m<n)
有m个终端约束，数目小于状态向量$x$x的维数n。此时，按照Lagrange乘数法，设一个常数向量$\mu\in\Reals^{m\times1}$μ∈Rm×1，构造新的性能指标
$J(x,t)=\mu^T\psi+\int_0^{t_f}L\text d t=\int_0^{t_f}L+\mu^T\frac{\text d \psi}{\text d t}\text d t$J(x,t)=μTψ+∫0tf​​Ldt=∫0tf​​L+μTdtdψ​dt
定义被积函数为Hamilton函数，即
$H(x,\mu)=L+\mu^T\frac{\text d \psi}{\text d t}\tag{5}$H(x,μ)=L+μTdtdψ​(5)
则化为标准的Lagrange性无约束问题。对它仍有Euler方程，
$H_x-\frac{\text d}{\text d t}H_{\dot x}=0\tag 6$Hx​−dtd​Hx˙​=0(6)
参考公式$(4)$(4)，有以下两个边界条件
$\begin{aligned} H_{\dot{x}}(x_f)=0\\ H(x,\dot x ,t_f)=0\tag 7 \end{aligned}$Hx˙​(xf​)=0H(x,x˙,tf​)=0​(7)
展开，得到横截条件
$\begin{aligned} L_{\dot{x}}+\mu^T\frac{\partial \psi}{\partial x^T}=0\\ L+\mu^T\frac{\text d \psi}{\text d t}=0 \tag{8} \end{aligned}$Lx˙​+μT∂xT∂ψ​=0L+μTdtdψ​=0​(8)
公式$(8)$(8)在终端时刻和终端状态成立$(x_f ,t_f)$(xf​,tf​).一共有n+1个条件。如果终端约束是显函数，则可以消去Largange乘数$\mu$μ.

例1.2 求椭圆外一点$(x_0,y_0)$(x0​,y0​)到椭圆$\frac{x^2} 8+\frac {y^2} 4=1$8x2​+4y2​=1上距离最近的曲线的表达式$y(x)$y(x)。

这里考虑到还没有引入状态过程约束，所以不假设最短路径是直线PQ，而是广义的形式$y(x)$y(x)。构建性能指标，任意小弧段长度
$\text d s=\sqrt{\text d x^2+\text d y^2}=\sqrt{1+y\prime^2}\text d x$ds=dx2+dy2​=1+y′2​dx
曲线$y(x)$y(x)的长度
$J(y(x),x)=\int_{x_0}^{x_f}\sqrt{1+y\prime^2}\text d x$J(y(x),x)=∫x0​xf​​1+y′2​dx
已知条件$y(x_0)=y_0$y(x0​)=y0​,终点Q自变量$x_f$xf​自由，状态变量$y(x_f)$y(xf​)自由，终端约束方程
$\psi(y(x_f),x_f)=x^2+2y^2-8=0$ψ(y(xf​),xf​)=x2+2y2−8=0
以下按照公式$(5)-(8)$(5)−(8)的流程进行计算。构建Hamilton函数
$H(y(x),x)=L+\mu\frac{\text d\psi}{\text d x}=\sqrt{1+y\prime^2}+\mu(2x+4y y^\prime)$H(y(x),x)=L+μdxdψ​=1+y′2​+μ(2x+4yy′)
Euler方程
$H_y-\frac{\text d}{\text d x}H_{\dot y}=4\mu y^\prime-\frac{\text d}{\text d x}(\frac{y'}{\sqrt{1+y\prime^2}}+4\mu y)=-\frac {y''}{(1+y'^2)^{3/2}}=0$Hy​−dxd​Hy˙​​=4μy′−dxd​(1+y′2​y′​+4μy)=−(1+y′2)3/2y′′​=0
即$y'=a$y′=a,表明曲线$y(x)$y(x)是直线。下面考虑边界条件,
$\begin{aligned} y_0=a x_0+b\\ y_f=a x_f+b\\ x_f^2+2y_f^2-8=0\\ \sqrt{1+a^2}+\mu(2 x_f+4y_f a)=0\\ \frac a{\sqrt{1+a^2}}+4\mu y_f=0 \end{aligned}$y0​=ax0​+byf​=axf​+bxf2​+2yf2​−8=01+a2​+μ(2xf​+4yf​a)=01+a2​a​+4μyf​=0​
5个方程，5个未知数，代数方程可以求解。例如，若$(x_0,y_0)=(2,0)=F_2$(x0​,y0​)=(2,0)=F2​，则有唯一解$a=b=0,y_f=0,x_f=2\sqrt 2,\mu=1/(8-12\sqrt 2)$a=b=0,yf​=0,xf​=22​,μ=1/(8−122​).

Lagrange乘子法

上面对待终端约束，我们应用了Lagrange乘数$\mu$μ；在例1.1中我们处理的，虽然知道是直线但还是用了曲线假设；为了处理最优路径问题中的约束，我们引入Lagrange乘子$\lambda$λ。由于它是一个变量，和状态变量相对应地，我们也称它为协态变量。
以下考虑两种常见的等式形式的路径约束，不论是什么类型，都用Lagrange乘子法。

代数方程约束

也称为几何约束
$g_i(x(t),t)=0,i=1,2,...m,(m\le n)$gi​(x(t),t)=0,i=1,2,...m,(m≤n)
引入Lagrange乘子$\lambda(t)\in\Reals^{m\times1}$λ(t)∈Rm×1，使性能指标变为
$J(x,\lambda,t)=\int_0^{t_f}L+\lambda^Tg \text d t=\int_0^{t_f}H(x,\lambda,t)\text d t\tag 9$J(x,λ,t)=∫0tf​​L+λTgdt=∫0tf​​H(x,λ,t)dt(9)
该系统仍可套用Euler方程（n维），此外方程自始至终满足几何约束的（m）个约束，则可解。

动力学方程约束

这里考虑一阶常微分方程形式的动态约束：
$f(x(t),\dot x(t),t)=0$f(x(t),x˙(t),t)=0
终端时刻$t_f$tf​固定，终端状态$x_f$xf​自由。对这个问题引入Lagrange乘子$\lambda(t)\in\Reals^{m\times1}$λ(t)∈Rm×1，使性能指标变为
$J(x,\dot x,\lambda,t)=\int_0^{t_f}L+\lambda^Tf \text d t=\int_0^{t_f}H(x,\dot x,\lambda,t)\text d t\tag {10}$J(x,x˙,λ,t)=∫0tf​​L+λTfdt=∫0tf​​H(x,x˙,λ,t)dt(10)
可见公式$(10)$(10)与公式$(9)$(9)形式一样。对上式仍然采用变分法，此处注意状态变量$\delta \dot {x(t)}$δx(t)˙​和$\delta x(t)$δx(t)通过分部积分法可以联系起来，而乘子$\delta \lambda(t)$δλ(t)是独立的，所以对性能指标的变分包括2部分
$\delta J(\delta x^*,\delta \lambda^*) =\int_{t_{0}}^{t_{f}}\left\{\left[L_{\mathbf{x}}+\mathbf{\lambda}^{T} \mathbf{f}_{\mathbf{x}}\right] \delta \mathbf{x}(t)+\left[L_{\dot{\mathbf{x}}}+\mathbf{\lambda}^{T} \mathbf{f}_{\mathbf{x}}\right] \delta \dot{\mathbf{x}}(t)+\delta \lambda^T(t) f \right\} \text d t \\ =\int_0^{t_f}\big [(H_x-\frac{\text d}{\text d t}H_{\dot x})\delta \mathbf{x}+ \mathbf{f}^{T} \delta \mathbf{\lambda}(t)\big]\text dt$δJ(δx∗,δλ∗)=∫t0​tf​​{[Lx​+λTfx​]δx(t)+[Lx˙​+λTfx​]δx˙(t)+δλT(t)f}dt=∫0tf​​[(Hx​−dtd​Hx˙​)δx+fTδλ(t)]dt
考虑到变分的随意性，则有
$\begin{aligned}H_x-\frac{\text d}{\text d t}H_{\dot x}=0\\ \mathbf f(\mathbf x(t),\dot \mathbf x(t),t)=0\tag{11} \end{aligned}$Hx​−dtd​Hx˙​=0f(x(t),x˙(t),t)=0​(11)
该式可考虑其他边界条件，按第二部分所述。

其他重要的内容

泛函极值的充分条件

函数L(x)取极值的必要条件是$\frac{\partial L}{\partial x}=0$∂x∂L​=0，这样的点成为驻点(Stationary point)。满足一阶必要条件并不能使函数取最小值，例如下面的二次型函数
$L(x_1,x_2)=\left[\begin{array}{l} x_1,x_2\end{array}\right]\left[\begin{array}{r} -1,1 \\1,3 \end{array}\right]\left[\begin{array}{l} x_1\\x_2 \end{array}\right]$L(x1​,x2​)=[x1​,x2​​][−1,11,3​][x1​x2​​]
原点处$\frac{\partial L}{\partial x}=\begin{bmatrix}-1,1\\1,3 \end{bmatrix} \begin{bmatrix}0\\0 \end{bmatrix} =\begin{bmatrix}0\\0 \end{bmatrix}$∂x∂L​=[−1,11,3​][00​]=[00​]，但显然$x_1<0,x_2=0$x1​<0,x2​=0时仍有更小的值。这样的点称为鞍点，等势面如下图

多元函数的极值点使函数取最小值的充分条件是Hessian矩阵正定，即
$\frac{\partial^{2} L}{\partial u^{2}}\curlyeqsucc0$∂u2∂2L​⋟0

对于泛函极值问题，若有以下性能指标
$\min_{x(t)}J(x,t)=\int_0^{t_f}L(x,\dot{x} ,t)\text d t$x(t)min​J(x,t)=∫0tf​​L(x,x˙,t)dt
则Euler方程$(3)$(3)是最优路径的必要条件，这样的解是驻值曲线。驻值曲线处性能指标取极小值的充分条件为
$\frac{\partial^{2} L}{\partial \dot x^{2}}\curlyeqsucc0\tag{12}$∂x˙2∂2L​⋟0(12)

角点处的必要条件

前面的最优路径都假设极值曲线$x^*(t)$x∗(t)是连续可导的，但最优控制问题中由于动力学层面的约束使得理论上的最优轨迹连续但不是处处可导的，而是在某些角点出现：
$x(t_1^-)=x(t_1^+); \dot x(t_1^-)\neq\dot x(t_1^+)$x(t1−​)=x(t1+​);x˙(t1−​)​=x˙(t1+​)
如下图所示的曲线
由于极值曲线分段可导，则分段满足Euler方程，
$L_x-\frac{\text d}{\text d t}L_{\dot x}=0，t\in[0,t_1)\bigcup(t_1,t_f]$Lx​−dtd​Lx˙​=0，t∈[0,t1​)⋃(t1​,tf​]
此外在角点处还满足必要条件：
$\begin{aligned} L_{\dot x}(t_1^-)&=L_{\dot x}(t_1^+)\\ L(t_1^-)-\dot\mathbf x^TL_{\dot x}(t_1^-)&=L(t_1^+)-\dot\mathbf x^TL_{\dot x}(t_1^+) \tag{13} \end{aligned}$Lx˙​(t1−​)L(t1−​)−x˙TLx˙​(t1−​)​=Lx˙​(t1+​)=L(t1+​)−x˙TLx˙​(t1+​)​(13)
这个条件称为Weierstrass-Erdmann条件。

参考书

[1] 邢继祥. 最优控制应用基础[M]. 科学出版社, 2003.
[2] Bryson A E , Ho Y C ,Applied optimal control : optimization, estimation, and control[J]. IEEE Transactions on Systems Man & Cybernetics, 1975