简介
裂纹扩展随机模型中接近实际而又使预测结果偏于保守的是裂纹扩展随机变量模型[5],因此在考虑多裂纹扩展的随机性时仍可以用随机变量模型来描述每条裂纹的扩展规律.虽然理论上控制各条裂纹扩展的随机变量不会是相互独立的,但多裂纹扩展相互干扰的主要因素是应力强度因子的影响,同时也为了数学处理的方便,在工程讨论中不妨假设控制各条裂纹扩展的随机变量是相互独立的。
基于以上思想可以做出如下基本假设:
每条裂纹扩展可以采用随机变量模型描述;
多裂纹之间的相互干扰是由于裂纹扩展过程中载荷重新分配导致裂纹尖端应力强度因子变化引起的,而控制各条裂纹扩展的随机变量之间是相互独立的。
最优控制简介使控制系统的性能指标实现最优化的基本条件和综合方法,可概括为:对一个受控的动力学系统或运动过程,从一类允许的控制方案中找出一个最优的控制方案,使系统的运动在由某个初始状态转移到指定的目标状态的同时,其性能指标值为最优。这类问题广泛存在于技术领域或社会问题中。
例如,确定一个最优控制方式使空间飞行器由一个轨道转换到另一轨道过程中燃料消耗最少。最优控制理论是50年代中期在空间技术的推动下开始形成和发展起来的 。美国学者R.贝尔曼1957年提出的动态规划和前苏联学者L.S.庞特里亚金1958年提出的极大值原理,两者的创立仅相差一年左右。对最优控制理论的形成和发展起了重要的作用。线性系统在二次型性能指标下的最优控制问题则是R.E.卡尔曼在60年代初提出和解决的。
数学角度从数学上看,确定最优控制问题可以表述为:在运动方程和允许控制范围的约束下,对以控制函数和运动状态为变量的性能指标函数( 称为泛函 ) 求取极值( 极大值或极小值)。解决最优控制问题的主要方法有古典变分法(对泛函求极值的一种数学方法)、极大值原理和动态规划。最优控制已被应用于综合和设计最速控制系统、最省燃料控制系统、最小能耗控制系统、线性调节器等。
研究最优控制问题有力的数学工具是变分理论,而经典变分理论只能够解决控制无约束的问题,但是工程实践中的问题大多是控制有约束的问题,因此出现了现代变分理论。
随机控制理论随机控制理论的一个主要组成部分是随机最优控制,这类随机控制问题的求解有赖于动态规划的概念和方法。
随机控制理论的目标是解决随机控制系统的分析和综合问题。维纳滤波理论和卡尔曼-布什滤波理论是随机控制理论的基础。卡尔曼滤波是一种高效率的递归滤波器(自回归滤波器), 它能够从一系列的不完全及包含噪声的测量中,估计动态系统的状态。1
控制理论中把随机过程理论与最优控制理论结合起来研究随机系统的分支。随机系统指含有内部随机参数、外部随机干扰和观测噪声等随机变量的系统。随机变量不能用已知的时间函数描述,而只能了解它的某些统计特性。自动控制系统分为确定性系统和不确定性系统两类,前者可以通过观测来确定系统的状态,后者则不能。
随机系统是不确定性系统的一种,其不确定性是由随机性引起的。严格地说,任何实际的系统都含有随机因素,但在很多情况下可以忽略这些因素。当这些因素不能忽略时,按确定性控制理论设计的控制系统的行为就会偏离预定的设计要求,而产生随机偏差量。
飞机或导弹在飞行中遇到的阵风,在空间环境中卫星姿态和轨道测量系统中的测量噪声,各种电子装置中的噪声,生产过程中的种种随机波动等,都是随机干扰和随机变量的典型例子。随机控制系统的应用很广,涉及航天、航空、航海、军事上的火力控制系统,工业过程控制,经济模型的控制,乃至生物医学等。
随机控制理论研究的课题包括随机系统的结构特性和运动特性(如动态特性、能控性、能观测性、稳定性)的分析,随机系统状态的估计,以及随机控制系统的综合(即根据期望性能指标设计控制器)。随机系统中含有随机变量,所以在研究中需要使用随机过程的基本概念和概率统计方法。严格实现随机最优控制是很困难的。
对于线性二次型高斯(LQG)随机过程控制问题,包括它的特例最小方差控制问题,可以应用分离原理把随机最优控制问题分解成状态估计问题和确定性最优控制问题,最终能得到全局最优的结果。但对于一般的随机控制问题应用分离原理只能得到次优的结果。
最优控制理论最优控制理论(optimal control theory),是现代控制理论的一个主要分支,着重于研究使控制系统的性能指标实现最优化的基本条件和综合方法。 最优控制理论是研究和解决从一切可能的控制方案中寻找最优解的一门学科。它是现代控制理论的重要组成部分。
这方面的开创性工作主要是由贝尔曼(R.E.Bellman)提出的动态规划和庞特里亚金等人提出的最大值原理。这方面的先期工作应该追溯到维纳(N.Wiener)等人奠基的控制论(Cybernetics)。1948年维纳发表了题为《控制论—关于动物和机器中控制与通讯的科学》的论文,第一次科学的提出了信息、反馈和控制的概念,为最优控制理论的诞生和发展奠定了基础。
研究内容最优控制理论所研究的问题可以概括为:对一个受控的动力学系统或运动过程,从一类允许的控制方案中找出一个最优的控制方案,使系统的运动在由某个初始状态转移到指定的目标状态的同时,其性能指标值为最优。这类问题广泛存在于技术领域或社会问题中。
例如,确定一个最优控制方式使空间飞行器由一个轨道转换到另一轨道过程中燃料消耗最少,选择一个温度的调节规律和相应的原料配比使化工反应过程的产量最多,制定一项最合理的人口政策使人口发展过程中老化指数、抚养指数和劳动力指数等为最优等,都是一些典型的最优控制问题。最优控制理论是50年代中期在空间技术的推动下开始形成和发展起来的。苏联学者Л.С.庞特里亚金1958年提出的极大值原理和美国学者R.贝尔曼1956年提出的动态规划,对最优控制理论的形成和发展起了重要的作用。线性系统在二次型性能指标下的最优控制问题则是R.E.卡尔曼在60年代初提出和解决的。
随机最优控制分析使随机控制系统的某个性能指标泛函取极小值的控制称为随机最优控制。由于存在随机因素,这种性能指标泛函需要表示为统计平均(求数学期望)的形式。
使性能指标J为极小的最优控制常可取为开环和反馈控制两种形式。如果控制过程中决定u(t)所依据的只是设计时过程特性和随机变量的信息,没有进一步的测量和更新,这种控制策略就称为是开环的。若在决定t时刻的控制作用u(t)时可以直接利用τ时刻的实时测量值y(τ),则称控制u(t)具有反馈形式,其中要求τ≤t,这是因果性或物理可实现性所要求的。
按照利用实时信息的充分程度,又可把反馈形式的控制策略分为两种情形。当只利用这些信息来控制状态变量,而没有通过实时观测来估计和改进各随机变量的统计特性并修改控制策略时,这种策略称为是被动反馈式(简称反馈式)的。若控制策略兼有上述“控制”和“估计”两种功能并具有自行修正的能力,则称为闭环策略(或主动反馈策略)。这种“反馈”和“闭环”的差别是不确定性控制问题所特有的。
A.A.费尔德包姆最先指出闭环随机最优控制策略的这种双重功能,并称之为二重最优控制。闭环(或二重)最优策略可达到在已有信息条件下的最好品质或全局最优解。同时它还具有不断按照实时测量改进对不确定性的认识并修正策略的功能,也称为随机自适应最优控制。闭环最优控制的求解很困难,通常只能根据最优解的定性性质来构造次优解。只对某些特殊问题才可能给出定量解法。
重要性质随机最优控制有两个重要的性质。由于存在不确定性,控制作用常宁可取得弱一些,保守一些。这称为谨慎控制。另一方面为更好和更快地进行估计,必须不断激发系统中各种运动模式,为此需要加入一些试探作用。试探作用的大小,则根据增加的误差、直接费用和所带来的好处等因素加以折衷权衡进行选择。谨慎和试探已成为设计随机控制策略的两个重要原则。
主要方法为了解决最优控制问题,必须建立描述受控运动过程的运动方程,给出控制变量的允许取值范围,指定运动过程的初始状态和目标状态,并且规定一个评价运动过程品质优劣的性能指标。通常,性能指标的好坏取决于所选择的控制函数和相应的运动状态。系统的运动状态受到运动方程的约束,而控制函数只能在允许的范围内选取。因此,从数学上看,确定最优控制问题可以表述为:在运动方程和允许控制范围的约束下,对以控制函数和运动状态为变量的性能指标函数(称为泛函)求取极值(极大值或极小值)。解决最优控制问题的主要方法有古典变分法、极大值原理和动态规划。
古典变分法研究对泛函求极值的一种数学方法。古典变分法只能用在控制变量的取值范围不受限制的情况。在许多实际控制问题中,控制函数的取值常常受到封闭性的边界限制,如方向舵只能在两个极限值范围内转动,电动机的力矩只能在正负的最大值范围内产生等。因此,古典变分法对于解决许多重要的实际最优控制问题,是无能为力的。
极大值原理极大值原理,是分析力学中哈密顿方法的推广。极大值原理的突出优点是可用于控制变量受限制的情况,能给出问题中最优控制所必须满足的条件。
动态规划动态规划是数学规划的一种,同样可用于控制变量受限制的情况,是一种很适合于在计算机上进行计算的比较有效的方法。
最优控制理论已被应用于最省燃料控制系统、最小能耗控制系统、线性调节器等。
优化技术最优控制的实现离不开最优化技术,最优化技术是研究和解决最优化问题的一门学科,它研究和解决如何从一切可能的方案中寻找最优的方案。也就是说,最优化技术是研究和解决如何将最优化问题表示为数学模型以及如何根据数学模型尽快求出其最优解这两大问题。一般而言,用最优化方法解决实际工程问题可分为三步进行:
①根据所提出的最优化问题,建立最优化问题的数学模型,确定变量,列出约束条件和目标函数;
②对所建立的数学模型进行具体分析和研究,选择合适的最优化方法;
③根据最优化方法的算法列出程序框图和编写程序,用计算机求出最优解,并对算法的收敛性、通用性、简便性、计算效率及误差等作出评价。
求解方法所谓最优化问题,就是寻找一个最优控制方案或最优控制规律,使系统能最优地达到预期的目标。在最优化问题的数学模型建立后,主要问题是如何通过不同的求解方法解决寻优问题。一般而言,最优化方式有离线静态优化方式和在线动态优化方式,而最优化问题的求解方法大致可分为四类:2
1.解析法
对于目标函数及约束条件具有简单而明确的数学表达式的最优化问题,通常可采用解析法来解决。其求解方法是先按照函数极值的必要条件,用数学分析方法求出其解析解,然后按照充分条件或问题的实际物理意义间接地确定最优解。
这种方法适用于性能指标及约束有明显解析表达式的情况。其一般步是先用求导方法或变分法求出最优控制的必要条件,得到一组方程或不等式,然后求解这组方程或不等式,得到最优控制的解析解即为所求的最优控制。解析法大致可分为两大类。第一类,无约束时,采用微分法或变分法。第二类,有约束时,采用极大值原理或动态规划。
(1)变分法:当控制向量不受约束时,引入哈密顿函数,应用变分法可以导出最优控制的必要条件,即正则方程、控制方程、边界条件、横截条件。
(2)极大值原理:在用变分法求解最优控制问题时,是假定控制向量u(O)不受任何限制,即容许控制集合可以看成是整个P维控制空间开集,控制变分u是任意的,同时还要求哈密顿出数H对u连续可微,但在实际工程上,控制变量往往受到一定的限制,这时可以用极大值原理来求解最优控制问题,这种方法其实是由变分法引申而来的,但由于它能应用于控制变量u(t)受边界限制的情况,并且不要求哈密顿出数H对u连续可微,因此获得了广泛的应用。3
(3)动态规划:极大值原理一样,是处理控制向量限制在一定闭集内的最优控制问题的有效数学方法,它把复杂的最优控制间题变为多级决策过程的递推函数关系,其基础和核心时最优性原理即在一个多级决策问题中无论初始状态和初始决策如何,当把其中的任何一级和状态再作为初始级和初始状态时,如下的决定对与这一级开始往后的多级决策过程的一部分必定仍然是一个最优决策。因此,利用这一最优性原理必然可把一个多级决策问题化为最优的单级决策问题并且本级决策与本级以前的任何决策无关,只与本级的初始位置和初始决策有关。对于连续系统用动态规划法求最优控制问题时,可以先把连续系统离散化,用有限差分方程近似代替连续方程,然后用离散动态规划法求解。
2.数值解法(直接法)
对于目标函数较为复杂或无明确的数学表达式或无法用解析法求解的最优化问题,通常可采用直接法来解决。直接法的基本思想,就是用直接搜索方法经过一系列的迭代以产生点的序列,使之逐步接近到最优点。直接法常常是根据经验或实验而得到的。[1]
性能指标比较复杂或不能用变量显函数表示时,可以采用直接搜索法,经过若干次迭代搜索到最优点,数值计算法可以分为两大类:
(1)区间消去法,又称为一维搜索法,适用于求解单变量极值问题。主要有黄金分割法、多项式插值法等。
(2)爬山法,又称多维搜索法,适用于求解多变量极值问题。主要有坐标轮转法、步长加速法等。
3.解析与数值相结合的寻优方法(梯度型法)
是一种解析与数值计算相结合的方法。主要包括两大类:一种是无约束梯度法,如陡降法、拟牛顿法等。第二类是有约束梯度法,如可行方向法、梯度投影法。
4.网络最优化方法
这种方法以网络图作为数学模型,用图论方法进行搜索的寻优方法。
最新进展在线优化方法基于对象数学模型的离线优化方法是一种理想化方法。这是因为尽管工业过程(对象)被设计得按一定的正常工况连续运行,但是环境的变动、触媒和设备的老化以及原料成分的变动等因素形成了对工业过程的扰动,因此原来设计的工况条件就不是最优的。
解决此类问题的常见方法。
(1)局部参数最优化和整体最优化设计方法
局部参数最优化方法的基本思想是:按照参考模型和被控过程输出之差来调整控制器可调参数,使输出误差平方的积分达到最小。这样可使被控过程和参考模型尽快地精确一致。
此外,静态最优与动态最优相结合,可变局部最优为整体最优。整体最优由总体目标函数体现。整体最优由两部分组成:一种是静态最优(或离线最优),它的目标函数在一段时间或一定范围内是不变的;另一种是动态最优(或在线最优),它是指整个工业过程的最优化。工业过程是一个动态过程,要让一个系统始终处于最优化状态,必须随时排除各种干扰,协调好各局部优化参数或各现场控制器,从而达到整个系统最优。
(2)预测控制中的滚动优化算法
预测控制,又称基于模型的控制(Model-based Control),是70年代后期兴起的一种新型优化控制算法。但它与通常的离散最优控制算法不同,不是采用一个不变的全局优化目标,而是采用滚动式的有限时域优化策略。这意味着优化过程不是一次离线进行,而是反复在线进行的。这种有限化目标的局部性使其在理想情况下只能得到全局的次优解,但其滚动实施,却能顾及由于模型失配、时变、干扰等引起的不确定性,及时进行弥补,始终把新的优化建立在实际的基础之上,使控制保持实际上的最优。这种启发式的滚动优化策略,兼顾了对未来充分长时间内的理想优化和实际存在的不确定性的影响。在复杂的工业环境中,这比建立在理想条件下的最优控制更加实际有效。
预测控制的优化模式具有鲜明的特点:它的离散形式的有限优化目标及滚动推进的实施过程,使得在控制的全过程中实现动态优化,而在控制的每一步实现静态参数优化。用这种思路,可以处理更复杂的情况,例如有约束、多目标、非线性乃至非参数等。吸取规划中的分层思想,还可把目标按其重要性及类型分层,实施不同层次的优化。显然,可把大系统控制中分层决策的思想和人工智能方法引入预测控制,形成多层智能预测控制的模式。这种多层智能预测控制方法的,将克服单一模型的预测控制算法的不足,是当前研究的重要方向之一。
(3)稳态递阶控制
对复杂的大工业过程(对象)的控制常采用集散控制模式。这时计算机在线稳态优化常采用递阶控制结构。这种结构既有控制层又有优化层,而优化层是一个两级结构,由局部决策单元级和协调器组成。其优化进程是:各决策单元并行响应子过程优化,由上一级决策单元(协调器)协调各优化进程,各决策单元和协调器通过相互迭代找到最优解。这里必须提到波兰学者Findeisen等所作出的重要贡献。
由于工业过程较精确的数学模型不易求得,而且工业过程(对象)往往呈非线性及慢时变性,因此波兰学者Findesien提出:优化算法中采用模型求得的解是开环优化解。在大工业过程在线稳态控制的设计阶段,开环解可以用来决定最优工作点。但在实际使用上,这个解未必能使工业过程处于最优工况,相反还会违反约束。他们提出的全新思想是:从实际过程提取关联变量的稳态信息,并反馈至上一层协调器(全局反馈)或局部决策单元(局部反馈),并用它修正基于模型求出的的最优解,使之接近真实最优解。
(4)系统优化和参数估计的集成研究方法
稳态递阶控制的难点是,实际过程的输入输出特性是未知的。波兰学者提出的反馈校正机制,得到的只能是一个次优解。但其主要缺点在于一般很难准确估计次优解偏离最优解的程度,而且次优解的次优程度往往依赖于初始点的选取。一个自然的想法是将优化和参数估计分开处理并交替进行,直到迭代收敛到一个解。这样计算机的在线优化控制就包括两部分任务:在粗模型(粗模型通常是能够得到的)基础上的优化和设定点下的修正模型。这种方法称为系统优化和参数估计的集成研究方法。 (Integrated System Optimizationand Parameter Estimation)
智能优化方法对于越来越多的复杂控制对象,一方面,人们所要求的控制性能不再单纯的局限于一两个指标;另一方面,上述各种优化方法,都是基于优化问题具有精确的数学模型基础之上的。但是许多实际工程问题是很难或不可能得到其精确的数学模型的。这就限制了上述经典优化方法的实际应用。随着模糊理论、神经网络等智能技术和计算机技术的发展。
智能式的优化方法得到了重视和发展。
(1)神经网络优化方法
人工神经网络的研究起源于1943年和Mc Culloch和Pitts的工作。在优化方面,1982年Hopfield首先引入Lyapuov能量函数用于判断网络的稳定性,提出了Hopfield单层离散模型;Hopfield和Tank又发展了Hopfield单层连续模型。1986年,Hopfield和Tank将电子电路与Hopfield模型直接对应,实现了硬件模拟;Kennedy和Chua基于非线性电路理论提出了模拟电路模型,并使用系统微分方程的Lyapuov函数研究了电子电路的稳定性。这些工作都有力地促进了对神经网络优化方法的研究。
根据神经网络理论,神经网络能量函数的极小点对应于系统的稳定平衡点,这样能量函数极小点的求解就转换为求解系统的稳定平衡点。随着时间的演化,网络的运动轨道在空间中总是朝着能量函数减小的方向运动,最终到达系统的平衡点——即能量函数的极小点。因此如果把神经网络动力系统的稳定吸引子考虑为适当的能量函数(或增广能量函数)的极小点,优化计算就从一初始点随着系统流到达某一极小点。如果将全局优化的概念用于控制系统,则控制系统的目标函数最终将达到希望的最小点。这就是神经优化计算的基本原理。
与一般的数学规划一样,神经网络方法也存在着重分析次数较多的弱点,如何与结构的近似重分析等结构优化技术结合,减少迭代次数是今后进一步研究的方向之一。
由于Hopfield模型能同时适用于离散问题和连续问题,因此可望有效地解决控制工程中普遍存在的混合离散变量非线性优化问题。
(2)遗传算法
遗传算法和遗传规划是一种新兴的搜索寻优技术。它仿效生物的进化和遗传,根据“优胜劣汰”原则,使所要求解决的问题从初始解逐步地逼近最优解。在许多情况下,遗传算法明显优于传统的优化方法。该算法允许所求解的问题是非线性的和不连续的,并能从整个可行解空间寻找全局最优解和次优解,避免只得到局部最优解。这样可以为我们提供更多有用的参考信息,以便更好地进行系统控制。同时其搜索最优解的过程是有指导性的,避免了一般优化算法的维数灾难问题。遗传算法的这些优点随着计算机技术的发展,在控制领域中将发挥越来越大的作用。
研究表明,遗传算法是一种具有很大潜力的结构优化方法。它用于解决非线性结构优化、动力结构优化、形状优化、拓扑优化等复杂优化问题,具有较大的优势。
(3)模糊优化方法
最优化问题一直是模糊理论应用最为广泛的领域之一。
自从Bellman和Zadeh在 70年代初期对这一研究作出开创性工作以来,其主要研究集中在一般意义下的理论研究、模糊线性规划、多目标模糊规划、以及模糊规划理论在随机规划及许多实际问题中的应用。主要的研究方法是利用模糊集的a截集或确定模糊集的隶属函数将模糊规划问题转化为经典的规划问题来解决。
模糊优化方法与普通优化方法的要求相同,仍然是寻求一个控制方案(即一组设计变量),满足给定的约束条件,并使目标函数为最优值,区别仅在于其中包含有模糊因素。普通优化可以归结为求解一个普通数学规划问题,模糊规划则可归结为求解一个模糊数学规划(fuzzymathematicalprogramming)问题。包含控制变量、目标函数和约束条件,但其中控制变量、目标函数和约束条件可能都是模糊的,也可能某一方面是模糊的而其它方面是清晰的。例如模糊约束的优化设计问题中模糊因素是包含在约束条件(如几何约束、性能约束和人文约束等)中的。求解模糊数学规划问题的基本思想是把模糊优化转化为非模糊优化即普通优化问题。方法可分为两类:一类是给出模糊解(fuzzysolution);另一类是给出一个特定的清晰解(crispsolution)。必须指出,上述解法都是对于模糊线性规划(fuzzylinearprogramming)提出的。然而大多数实际工程问题是由非线形模糊规划(fuzzynonlinearprogramming)加以描述的。于是有人提出了水平截集法、限界搜索法和最大水平法等,并取得了一些可喜的成果。
在控制领域中,模糊控制与自学习算法、模糊控制与遗传算法相融合,通过改进学习算法、遗传算法,按给定优化性能指标,对被控对象进行逐步寻优学习,从而能够有效地确定模糊控制器的结构和参数。