标签:Control 12 end matrix 0t int Optimal cases mathrm
最优化控制(Optimal Control)
在约束条件下达到最优的系统表现。下图是一个单输入单输出(SISO)系统的控制系统框图。
在这个系统中,我们定义误差
e
(
t
)
e(t)
e(t)为参考信号
r
(
t
)
r(t)
r(t)与输出信号
y
(
t
)
y(t)
y(t)的差,即
e
(
t
)
=
y
(
t
)
−
r
(
t
)
e(t)=y(t)-r(t)
e(t)=y(t)−r(t)。如果我们使得
∫
0
t
e
2
d
t
\int^t_0e^2\mathrm{d}t
∫0te2dt越小,则系统的跟踪性能越好;如果使得
∫
0
t
u
2
d
t
\int_0^tu^2\mathrm{d}t
∫0tu2dt越小,则系统的输入越小,因此我们就有了若干优化指标。
如果分别调整这些优化指标,需要进行大量的调整和测试才能得到最优结果,但如果能把这些指标统一到一个式子中,那么我们只要求解这个式子就可以得到最优结果,因此我们提出了代价函数(Cost Function)的概念。
J
=
∫
0
t
(
q
e
2
+
r
u
2
)
d
t
J=\int^t_0(qe^2+ru^2)\mathrm{d}t
J=∫0t(qe2+ru2)dt
通过求解代价函数的最小值,我们就可以得到最优的输入信号。方程中的
q
q
q和
r
r
r是两个因数,若
q
≪
r
q\ll r
q≪r,说明我们更重视误差
e
e
e对结果的影响;若
q
≫
r
q\gg r
q≫r,说明我们更重视输入
u
u
u对结果的影响。
对于多输入多输出(MIMO)系统来说,设其状态方程为
{
d
x
d
t
=
A
x
+
B
u
Y
=
C
x
\begin{cases} \displaystyle\frac{\mathrm{d}x}{\mathrm{d}t}=Ax+Bu\\Y=Cx \end{cases}
⎩⎨⎧dtdx=Ax+BuY=Cx
则其代价函数为
J
=
∫
0
t
(
E
T
Q
E
+
U
T
R
U
)
d
t
J=\int^t_0(E^TQE+U^TRU)\mathrm{d}t
J=∫0t(ETQE+UTRU)dt
其中
E
=
Y
−
R
=
[
y
1
−
r
1
y
2
−
r
2
]
=
[
x
1
x
2
]
E=Y-R=\left[\begin{matrix}y_1-r_1\\y_2-r_2\end{matrix}\right]=\left[\begin{matrix}x_1\\x_2\end{matrix}\right]
E=Y−R=[y1−r1y2−r2]=[x1x2]
此处
R
R
R为参考矩阵,与上下文的调节矩阵不同。
所以
{
E
T
Q
E
=
q
1
x
1
2
+
q
2
x
2
2
U
T
R
U
=
r
1
u
1
2
+
r
2
u
2
2
\begin{cases} E^TQE=q_1x_1^2+q_2x_2^2\\U^TRU=r_1u_1^2+r_2u_2^2 \end{cases}
{ETQE=q1x12+q2x22UTRU=r1u12+r2u22
其中
Q
Q
Q、
R
R
R为调节矩阵,
q
1
q_1
q1、
q
2
q_2
q2、
r
1
r_1
r1、
r
2
r_2
r2为权重系数。以上就是最优化控制的思路。
标签:Control,12,end,matrix,0t,int,Optimal,cases,mathrm 来源: https://blog.csdn.net/weixin_44336913/article/details/123591216
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。