饱和感知随机模型预测控制(SMPC)理论与实现-平芜编程栈

1. 饱和感知随机模型预测控制的理论框架

随机模型预测控制（Stochastic Model Predictive Control, SMPC）作为处理系统不确定性的重要方法，其核心挑战在于如何平衡控制性能与约束满足的可靠性。传统SMPC方法在处理输入饱和问题时往往采用保守的线性近似，导致控制性能受限。我们提出的饱和感知（Saturation-Aware, SA）SMPC框架通过创新性地将饱和非线性直接嵌入预测模型，实现了对实际执行器特性的精确建模。

1.1 系统模型与问题描述

考虑离散时间线性系统： $$ x_{k+1} = Ax_k + B\varphi(u_k) + w_k $$ 其中$\varphi(\cdot)$表示执行器饱和特性，$w_k$为独立同分布的过程噪声。控制目标是最小化期望代价： $$ J_N = \mathbb{E}\left[\sum_{i=0}^{N-1} \ell(x_{i|k}, \varphi(u_{i|k})) + V_f(x_{N|k})\right] $$

关键创新点在于采用分离式预测策略：

名义状态$z_{i|k}$遵循线性动态：$z_{i+1|k} = Az_{i|k} + Bv_{i|k}$
实际状态$x_{i|k} = z_{i|k} + e_{i|k}$，其中误差动态： $$ e_{i+1|k} = Ae_{i|k} + B[\varphi(v_{i|k}+Ke_{i|k})-v_{i|k}] + w_k $$

这种分离结构使得我们可以独立处理名义轨迹优化和误差动态分析，为后续的概率可达集构建奠定基础。

1.2 概率可达集(PRS)的构造方法

传统PRS构造面临两个主要挑战：

饱和非线性导致误差动态非高斯、非对称
误差传播与输入幅值存在耦合关系

我们提出基于Lyapunov函数的收缩分析框架：

定义二次Lyapunov函数$V(e) = e^\top Pe$
推导饱和状态下的收缩率$\bar{\lambda}^$： $$ \mathbb{E}[V(e_{i+1|k})] \leq \bar{\lambda}^\mathbb{E}[V(e_{i|k})] + \text{Tr}(PW) $$
通过Markov不等式构建概率可达集： $$ \mathcal{R}_i^\varepsilon = { e : e^\top Pe \leq \frac{1-\bar{\lambda}^i}{1-\bar{\lambda}} \text{Tr}(PW)/\varepsilon } $$

其中$\bar{\lambda}^*$的计算融合了饱和效应的影响，相比开环收缩率$\lambda$能提供更紧致的集合估计。这种构造方法的关键优势在于：

保持二次型集合的数学易处理性
通过参数$\bar{\lambda}^*$反映饱和程度
支持递归可行性分析

2. 控制器设计与实现细节

2.1 优化问题构建

基于前述理论，在线优化问题表述为： $$ \min_{v_k, z_k, \xi_k} \sum_{i=0}^{N-1} |z_{i|k}|Q^2 + |v{i|k}|R^2 + |z{N|k}|_S^2 + \rho_k \xi_k^2 $$

约束条件包括：

动态约束：$z_{i+1|k} = Az_{i|k} + Bv_{i|k}$
初始条件：$z_{0|k} = (1-\xi_k)x_k + \xi_k z_{1|k-1}$
状态约束：$z_{i|k} \in \mathcal{X} \ominus \mathcal{R}_{i+k}^\varepsilon$
输入约束：$v_{i|k} \in \mathcal{V}$

其中$\xi_k \in [0,1]$为插值变量，实现实测状态初始化与名义轨迹的平滑过渡，这是保证递归可行性的关键设计。

2.2 算法实现要点

离线准备阶段：

求解收缩率优化问题获取$(P, K, \lambda, \lambda_L)$
根据执行器饱和特性确定$v_{ss}$
计算终端权重$S$满足： $$ (A+BK_f)^\top S(A+BK_f) - S \preceq -Q - K_f^\top RK_f $$

在线执行流程：

状态测量：获取当前状态$x_k$
优化求解：求解(42)获取最优序列$v_k^*$
控制实施：$u_k = \varphi(v_{0|k}^* + K(x_k - z_{0|k}^*))$
记忆更新：存储$z_{1|k}^*$用于下一时刻初始化

关键实现技巧：在QP求解器中，将$\xi_k$作为附加优化变量处理，并通过big-M方法将条件逻辑转化为线性约束，可显著提升求解效率。

3. 理论性能保证

3.1 递归可行性证明

命题5：若初始时刻问题可行，则优化问题(42)递归可行。

证明要点：

构造候选解：$\xi_{k+1}=1$，移位上一时刻最优序列
验证约束满足：
- 动态约束：通过构造满足
- 状态约束：利用集合平移性质$Z_{i+1} = X \ominus \mathcal{R}_{i+1}^\varepsilon$
- 终端约束：终端控制器$K_f$保证不变性

3.2 概率约束满足性

命题6：闭环系统满足概率约束： $$ \Pr(x_k \in \mathcal{X}) \geq 1-\varepsilon $$

证明基于：

误差包含性：$e_{i|k} \in \mathcal{R}_{i+k}^\varepsilon$概率$\geq 1-\varepsilon$
约束紧缩：$z_{i|k} \in \mathcal{X} \ominus \mathcal{R}_{i+k}^\varepsilon$
叠加原理：$x_{i|k} = z_{i|k} + e_{i|k} \in \mathcal{X}$

3.3 闭环稳定性分析

命题9：系统状态均方稳定： $$ \lim_{k\to\infty} \mathbb{E}[|x_k|Q^2] \leq \frac{\Lambda{\max}(P^{-1/2}QP^{-1/2})}{1-\bar{\lambda}^*} \text{Tr}(PW) $$

证明通过：

名义状态收敛：$\lim z_k = 0$
误差有界：$\mathbb{E}[|e_k|_P^2] \leq \frac{1}{1-\bar{\lambda}^*} \text{Tr}(PW)$
交叉项分析：利用Cauchy-Schwarz不等式

4. 数值验证与工程实践

4.1 CSTR控制案例研究

以等温连续搅拌釜反应器(CSTR)为对象：

状态：组分A/B浓度($x_1,x_2$)
控制输入：稀释率($u$)
参数： $$ A = \begin{bmatrix} 0.95123 & 0 \ 0.08833 & 0.81873 \end{bmatrix}, \quad B = \begin{bmatrix} -0.0048771 \ -0.0020429 \end{bmatrix} $$
约束：$-25 \leq u \leq 25$

设计对比三种方案：

$\bar{\lambda}^*$-SA-SMPC（本文方法）
$\lambda$-SA-SMPC（保守紧缩）
SOCP-SMPC（基于扰动反馈）

4.2 性能比较

场景	方法	平均成本	计算时间(ms)	可行性
1	$\bar{\lambda}^*$	77.1	1.62	✓
$\lambda$	79.2	1.65	✓
SOCP	67.0	52	✓
2	$\bar{\lambda}^*$	77.1	1.57	✓
$\lambda$	79.2	1.63	✓
SOCP	88.8	146	✓
3	$\bar{\lambda}^*$	77.1	1.64	✓
$\lambda$	79.2	1.71	✓
SOCP	-	-	✗
4	$\bar{\lambda}^*$	114.0	1.59	✓
$\lambda$	-	-	✗
SOCP	57.5	57	✓

关键发现：

计算效率：SA-SMPC比SOCP快30-100倍
可行性：$\bar{\lambda}^*$方法在严格约束下仍保持可行
保守性：$\lambda$-SA-SMPC因过度紧缩导致场景4不可行

4.3 工程实施建议

参数整定：
- 收缩率$\bar{\lambda}^*$：通过离线优化确定，需平衡保守性与可行性
- 权重$\rho_k$：选择衰减序列满足$\sum \rho_k < \infty$
实时优化：
- 采用warm-start策略，初始化基于上一时刻解
- 对大规模问题，可考虑ADMM等分布式算法
异常处理：
- 检测不可行时，松弛状态约束优先级
- 记录约束违反历史，自适应调整$\varepsilon$