1. 最优控制理论概述
最优控制是现代控制理论的核心内容之一，它研究如何在满足系统动态方程和约束条件的前提下，寻找使某个性能指标达到最优的控制策略。第六章作为最优控制理论的下半部分，通常涵盖了动态规划、极小值原理等高级内容，这些方法为处理复杂控制问题提供了强有力的数学工具。
在工程实践中，最优控制广泛应用于航天器轨道优化、机器人路径规划、经济系统调控等领域。与经典控制理论相比，最优控制不仅关注系统的稳定性，更注重在多个相互冲突的目标之间找到最佳平衡点。
2. 动态规划方法详解
2.1 Bellman最优性原理
动态规划基于Richard Bellman提出的最优性原理："一个最优策略具有这样的性质，即无论初始状态和初始决策如何，剩余的决策必须构成关于由第一个决策产生的状态的最优策略。"
数学表达式为： J*(x(t),t) = min[u(t)] {L(x(t),u(t),t) + J*(x(t+Δt),t+Δt)}
其中J*表示最优代价函数，L为瞬时代价，x为状态，u为控制输入。
2.2 离散系统的动态规划
对于离散时间系统，动态规划算法可分为以下步骤：
- 将问题划分为N个阶段
- 从最终阶段开始逆向计算
- 在每个阶段k，对所有可能状态x_k计算： J_k(x_k) = min[u_k] {L_k(x_k,u_k) + J_{k+1}(f_k(x_k,u_k))}
- 记录每个状态下的最优控制决策
- 正向应用存储的最优策略
实际应用中常面临"维度灾难"问题——状态空间维度增加会导致计算量指数增长。这时需要采用近似动态规划等方法。
3. 连续时间系统的最优控制
3.1 Hamilton-Jacobi-Bellman方程
对于连续系统，动态规划导出了著名的HJB方程： -∂J*/∂t = min[u] {L(x,u,t) + (∂J*/∂x)^T f(x,u,t)}
求解HJB方程可以得到全局最优解，但除了少数特例外，解析解通常难以获得。
3.2 线性二次型调节器(LQR)
当系统为线性且性能指标为二次型时，可以得到解析解。考虑系统： ẋ = Ax + Bu 性能指标： J = 1/2 ∫(x^T Q x + u^T R u) dt
最优控制律为状态反馈： u* = -R^{-1}B^T P x 其中P满足Riccati微分方程。
4. 极小值原理的应用
4.1 Pontryagin极小值原理
极小值原理提供了最优控制的必要条件而非充分条件。定义Hamiltonian函数： H(x,u,λ,t) = L(x,u,t) + λ^T f(x,u,t)
最优控制u*满足：
- 状态方程：ẋ = ∂H/∂λ
- 协态方程：λ̇ = -∂H/∂x
- 极小化条件：H(x*,u*,λ*,t) ≤ H(x*,u,λ*,t) ∀u∈U
- 边界条件
4.2 边界条件处理
根据具体问题类型，边界条件可分为：
- 固定终端时间/自由终端状态
- 自由终端时间/固定终端状态
- 终端状态约束等
例如，在导弹拦截问题中，终端时间通常自由，而终端状态需满足命中条件。
5. 数值求解方法
5.1 直接法与间接法
直接法：将控制问题离散化为非线性规划问题求解 间接法：先推导最优性条件再数值求解两点边值问题
5.2 伪谱法
近年流行的数值方法，将状态和控制变量在特定点展开，把微分方程约束转化为代数约束。特点包括：
- 高精度（指数收敛）
- 稀疏的Jacobian矩阵
- 适合处理路径约束
6. 工程应用实例
6.1 航天器姿态控制
考虑刚体航天器姿态动力学： Iω̇ + ω×Iω = u 设计控制律使姿态误差最小且能耗最低，性能指标： J = ∫(q^T Q q + u^T R u) dt 其中q为误差四元数。
6.2 电动汽车能量管理
混合动力系统的功率分配问题： min ∫(α·fuel_rate + β·battery_loss) dt s.t. SOC_min ≤ SOC ≤ SOC_max P_motor + P_battery = P_demand
7. 实践注意事项
模型精度与计算复杂度的权衡：过于复杂的模型导致计算困难，过于简化的模型可能无法反映实际动态。
实时性要求：在线应用时需考虑算法计算时间，可能需要简化或离线计算查表。
鲁棒性考虑：最优控制对模型误差敏感，可结合鲁棒控制或自适应方法。
约束处理技巧：对控制量饱和等约束，可采用障碍函数法或预测控制策略。
在实际项目中，我通常会先尝试LQR等有解析解的方法，当性能不足时再考虑数值方法。同时建议做好以下准备工作：
- 仔细验证系统模型的可控性
- 通过仿真验证控制器的可行性
- 准备备用方案应对实时计算失败的情况
