数学建模学习-最优控制理论(Optimal Control Theory)教程(50)

最新推荐文章于 2025-07-25 13:30:01 发布

原创最新推荐文章于 2025-07-25 13:30:01 发布 · 1.6k 阅读

31 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#数学建模 #学习

Python3.8

Conda

Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

数学建模学习-最优控制理论(Optimal Control Theory)教程(50)

写在最前

注意本文的相关代码及例子为同学们提供参考，借鉴相关结构，在这里举一些通俗易懂的例子，方便同学们根据实际情况修改代码，很多同学私信反映能否添加一些可视化，这里每篇教程都尽可能增加一些可视化方便同学理解，但具体使用时，同学们要根据实际情况选择是否在论文中添加可视化图片。

系列教程计划持续更新，同学们可以免费订阅专栏，内容充足后专栏可能付费，提前订阅的同学可以免费阅读，同时相关代码获取可以关注博主评论或私信。

一、最优控制理论简介

最优控制理论是现代控制理论中的一个重要分支，它研究如何在满足系统动力学约束的条件下，设计控制输入使得系统性能达到最优。这个理论在工程实践、经济学、生物系统等众多领域都有广泛应用。

1.1 基本概念

最优控制问题通常包含以下几个要素：

系统动力学方程：描述系统状态随时间的变化规律
控制变量：可以调节的输入量
性能指标：评价系统性能的数学表达式
约束条件：系统必须满足的物理或设计限制

1.2 数学表述

一个典型的最优控制问题可以表述为：

最小化性能指标：

$\int_{t_0}^{t_f} L(x(t), u(t), t)dt + \phi(x(t_f), t_f)$

满足系统动力学约束：

$\dot{x}(t) = f(x(t), u(t), t)$

其中：

$x (t)$ 是状态变量
$u (t)$ 是控制输入
$L(\cdot)$ 是运行代价函数
$\phi(\cdot)$ 是终端代价函数
$f(\cdot)$ 是系统动力学方程

二、线性二次型调节器(LQR)

2.1 LQR简介

线性二次型调节器(Linear Quadratic Regulator, LQR)是最优控制理论中最基础也是最重要的方法之一。它针对线性系统，采用二次型性能指标，可以得到解析解，在实际应用中非常实用。

2.2 数学模型

考虑线性时不变系统：

$\dot{x} = Ax + Bu$

性能指标为：

$\int_0^\infty (x^TQx + u^TRu)dt$

其中：

$Q$ 是半正定矩阵，表示对状态偏差的惩罚
$R$ 是正定矩阵，表示对控制输入的惩罚

最优控制律为：

$u = -Kx = -R^{-1}B^TPx$

其中 $P$ 满足代数Riccati方程：

$PA + A^TP - PBR^{-1}B^TP + Q = 0$

三、Python实现示例

3.1 环境准备

首先需要安装必要的Python包：

pip install numpy matplotlib scipy control

3.2 代码实现

我们以一个简单的二阶系统为例，展示如何使用Python实现最优控制：

import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import odeint
import os

# 确保images目录存在
if not os.path.exists('images'):
    os.makedirs('images')

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

def system_dynamics(state, t, u):
    """
    系统动力学方程
    state: [x1, x2] - 状态变量
    t: 时间
    u: 控制输入
    """
    x1, x2 = state
    dx1dt = x2
    dx2dt = -x1 + u
    return [dx1dt, dx2dt]

def lqr_control(state, Q, R):
    """
    线性二次型调节器(LQR)控制器
    """
    x1, x2 = state
    # 简化的LQR控制律
    K = np.array([1.0, 1.4])  # 控制增益
    u = -np.dot(K, state)
    return u

3.3 系统仿真

# 时间网格
t = np.linspace(0, 10, 1000)

# 初始状态
x0 = [1.0, 0.0]

# 权重矩阵
Q = np.eye(2)  # 状态权重
R = 1.0        # 控制权重

# 存储结果
states = []
controls = []
current_state = x0

# 模拟系统
for i in range(len(t)-1):
    # 计算控制输入
    u = lqr_control(current_state, Q, R)
    controls.append(u)
    
    # 求解一小步
    dt = t[i+1] - t[i]
    sol = odeint(system_dynamics, current_state, [0, dt], args=(u,))
    current_state = sol[-1]
    states.append(current_state)

3.4 结果可视化

# 转换为numpy数组
states = np.array(states)
controls = np.array(controls)

# 绘制状态轨迹
plt.figure(figsize=(10, 6))
plt.plot(t[:-1], states[:, 0], 'b-', label='位置 x1')
plt.plot(t[:-1], states[:, 1], 'r--', label='速度 x2')
plt.grid(True)
plt.xlabel('时间 (s)')
plt.ylabel('状态值')
plt.title('最优控制系统的状态轨迹')
plt.legend()
plt.savefig('images/states.png')
plt.close()