序列二次规划（SQP）实战：非线性约束优化问题的迭代求解全解析

序列二次规划（SQP）实战：从理论到机器人路径规划的深度解析

在工程优化领域，我们常常会遇到这样的困境：目标函数清晰，约束条件却复杂多变，它们不再是简单的线性关系，而是以非线性的形式交织在一起。无论是设计一个能耗最低的机械臂运动轨迹，还是规划一条避开所有障碍物的无人机飞行路线，核心挑战都指向了非线性约束优化问题。面对这类问题，传统的线性规划或简单的二次规划往往束手无策，而直接求解非线性规划又可能面临计算复杂、收敛困难等挑战。

这时，序列二次规划（Sequential Quadratic Programming, SQP） 作为一种强大的迭代求解框架，便脱颖而出。它巧妙地将复杂的非线性问题，分解为一系列更易求解的二次规划（QP）子问题，通过迭代逼近，最终找到满足所有非线性约束的最优解。对于机器人工程师、自动驾驶算法开发者、金融量化分析师，乃至任何需要处理复杂系统优化的专业人士而言，深入理解SQP不仅意味着掌握一种工具，更是获得了一把解开现实世界复杂优化难题的钥匙。本文将带你超越简单的概念理解，深入SQP的迭代核心，并结合一个具体的机器人路径规划案例，揭示其从线性化、子问题求解到收敛判断的全过程，以及在实际应用中至关重要的调参技巧与陷阱规避。

1. 非线性约束优化与SQP的核心思想

在深入算法细节之前，我们有必要厘清问题本身。一个标准的非线性约束优化问题通常表述为：

minimize    f(x)
subject to  c_i(x) = 0,   i = 1, ..., m_e
            c_i(x) >= 0,   i = m_e+1, ..., m

其中，x 是决策变量向量，f(x) 是我们希望最小化的目标函数（可能是非线性的），c_i(x) 则定义了等式和不等式约束。当至少有一个 c_i(x) 是非线性函数时，问题就变得棘手。

SQP方法的核心哲学是 “局部近似，迭代优化”。它并不试图一次性解决原始的非线性问题，而是在当前迭代点 x_k 处，对原问题进行局部近似，构造一个更容易求解的近似子问题。这个子问题通常是一个**二次规划（QP）**问题，其特点在于：

• 目标函数：是原目标函数 f(x) 在当前点的二阶泰勒展开（或某种近似）。
• 约束条件：是原约束函数 c_i(x) 在当前点的一阶泰勒展开（即线性化）。

通过求解这个QP子问题，我们可以得到一个搜索方向 d_k。然后，沿着这个方向进行线搜索，确定合适的步长 α_k，从而更新迭代点：x_{k+1} = x_k + α_k * d_k。这个过程不断重复，直到解满足某种收敛条件。

提示：你可以将SQP想象成在复杂地形中寻路。你无法一眼看到全局最低点，但可以在当前位置用手电筒（局部二次模型）照亮前方一小片区域，找到这个局部视野内的最佳下降方向，迈出一步，然后在新位置重新照亮、寻找、迈步，如此循环直至到达谷底。

1.1 为何是“二次规划”？

选择二次规划作为子问题模型，是SQP高效且强大的关键。这主要基于两点考虑：

1. 计算效率与理论完备性：QP是目标函数为二次型、约束为线性的优化问题。这类问题在数学上研究得非常透彻，存在高效、可靠的求解算法（如有效集法、内点法）。许多成熟的数值库（如OSQP、qpOASES）可以快速、稳定地求解大规模QP问题。
2. 收敛速度：利用目标函数的二阶信息（Hessian矩阵），SQP方法通常具有局部超线性收敛甚至二阶收敛速度。这意味着在接近最优解时，迭代点能以非常快的速度逼近真解，这是仅使用一阶信息的方法（如某些罚函数法）难以比拟的。

下表对比了SQP与一些其他非线性优化方法的核心特点：