基于遗传算法的LQR控制器最优设计算法

Ne0inhk

— 8 min read

线性二次调节器(LQR)是控制理论中重要的设计方法，而遗传算法(GA)为LQR控制器的优化设计提供了强大的全局搜索能力。

LQR控制器基本原理

LQR控制器通过最小化代价函数设计最优状态反馈增益矩阵：

J=∫(xTQx+uTRu)dtJ = ∫(xᵀQx + uᵀRu)dtJ=∫(xTQx+uTRu)dt

其中：

  • Q≥0Q ≥ 0Q≥0：状态加权矩阵
  • R>0R > 0R>0：控制输入加权矩阵
  • u=−Kxu = -Kxu=−Kx：状态反馈控制律

传统方法通过求解代数RiccatiRiccatiRiccati方程获得最优增益矩阵KKK：

K=R−1BTPK = R⁻¹BᵀPK=R−1BTP
AP+PAT−PBR−1BTP+Q=0AP + PAᵀ - PBR⁻¹BᵀP + Q = 0AP+PAT−PBR−1BTP+Q=0

遗传算法优化LQR设计

优化问题分析

  1. 优化变量：Q和R矩阵的元素
  2. 目标函数：闭环系统性能指标（如响应时间、超调量、控制能耗）
  3. 约束条件：系统稳定性、控制输入限制

算法流程

否

是

初始化种群

评估适应度

满足终止条件?

选择操作

交叉操作

变异操作

新一代种群

输出最优解

MATLAB实现

1. 系统建模与适应度函数

function[fitness, stability]=lqr_fitness_function(params, A, B, Q_structure, R_structure)% 提取参数 n =size(A,1); m =size(B,2);% 重构Q矩阵ifstrcmp(Q_structure,'diagonal') q_diag =params(1:n); Q =diag(q_diag); param_offset = n;elseifstrcmp(Q_structure,'full') Q =reshape(params(1:n*n), n, n); Q =(Q + Q')/2;% 确保对称性 param_offset = n*n;end% 重构R矩阵ifstrcmp(R_structure,'scalar') R =params(param_offset +1); R = R *eye(m);elseifstrcmp(R_structure,'diagonal') r_diag =params(param_offset +1:param_offset + m); R =diag(r_diag); param_offset = param_offset + m;elseifstrcmp(R_structure,'full') R =reshape(params(param_offset +1:param_offset + m*m), m, m); R =(R + R')/2;% 确保对称性end% 求解Riccati方程try[K,~, eig_vals]=lqr(A, B, Q, R); stability =all(real(eig_vals)<0);% 检查稳定性catch fitness =inf;% 求解失败，赋予极大代价 stability = false;return;end% 闭环系统仿真 sys_cl =ss(A - B*K, B,eye(n),0); t =0:0.01:10; x0 =[1;zeros(n-1,1)];% 初始状态[y,~, x]=initial(sys_cl, x0, t);% 计算性能指标 settling_time =settling_time_calc(y(:,1), t);% 调节时间 overshoot =max(y(:,1))/y(1,1)-1;% 超调量 control_effort =sum(sum((K*x).^2))*0.01;% 控制能耗% 加权适应度函数 w1 =0.4;% 调节时间权重 w2 =0.3;% 超调量权重 w3 =0.3;% 控制能耗权重 fitness = w1*(settling_time/10)+ w2*overshoot + w3*(control_effort/100);% 惩罚不稳定系统if~stability fitness = fitness +10;endendfunction ts =settling_time_calc(response, time) final_value =response(end); tolerance =0.02*abs(final_value);% 2%容差带 idx =find(abs(response - final_value)<= tolerance,1,'first');ifisempty(idx) ts =time(end);else ts =time(idx);endend

2. 遗传算法主程序

function[best_K, best_params, best_fitness]=ga_lqr_design(A, B, Q_structure, R_structure)% 参数设置 n =size(A,1);% 状态维度 m =size(B,2);% 输入维度% 根据矩阵结构确定变量个数ifstrcmp(Q_structure,'diagonal') nQ = n;elseifstrcmp(Q_structure,'full') nQ = n*n;endifstrcmp(R_structure,'scalar') nR =1;elseifstrcmp(R_structure,'diagonal') nR = m;elseifstrcmp(R_structure,'full') nR = m*m;end total_vars = nQ + nR;% 遗传算法参数 pop_size =50; max_gen =100; crossover_rate =0.8; mutation_rate =0.1;% 变量边界 (Q对角元素>0, R元素>0) lb =zeros(total_vars,1); ub =ones(total_vars,1)*100;% 初始化种群 population = lb +(ub - lb).*rand(pop_size, total_vars);% 进化循环 best_fitness_history =zeros(max_gen,1);for gen =1:max_gen % 评估适应度 fitness =zeros(pop_size,1); stability_flags =false(pop_size,1);parfori=1:pop_size [fit, stable]=lqr_fitness_function(population(i,:), A, B, Q_structure, R_structure);fitness(i)= fit;stability_flags(i)= stable;end% 记录最佳个体[best_fit, idx]=min(fitness); best_individual =population(idx,:);best_fitness_history(gen)= best_fit;fprintf('Generation %d: Best Fitness = %.4f\n', gen, best_fit);% 选择操作 (锦标赛选择) new_population =zeros(size(population));fori=1:pop_size candidates =randperm(pop_size,2);[~, winner]=min(fitness(candidates));new_population(i,:)=population(candidates(winner),:);end% 交叉操作 (算术交叉)fori=1:2:pop_size-1if rand < crossover_rate alpha = rand; parent1 =new_population(i,:); parent2 =new_population(i+1,:); child1 = alpha*parent1 +(1-alpha)*parent2; child2 = alpha*parent2 +(1-alpha)*parent1;new_population(i,:)= child1;new_population(i+1,:)= child2;endend% 变异操作 (高斯变异)fori=1:pop_size if rand < mutation_rate mutation =randn(1, total_vars)*0.1;new_population(i,:)=new_population(i,:)+ mutation;% 确保在边界内new_population(i,:)=max(min(new_population(i,:), ub), lb);endend population = new_population;end% 提取最优解 best_params = best_individual;[~, stability]=lqr_fitness_function(best_params, A, B, Q_structure, R_structure);% 重构最优Q和Rifstrcmp(Q_structure,'diagonal') q_diag =best_params(1:n); Q_opt =diag(q_diag); param_offset = n;elseifstrcmp(Q_structure,'full') Q_opt =reshape(best_params(1:n*n), n, n); Q_opt =(Q_opt + Q_opt')/2; param_offset = n*n;endifstrcmp(R_structure,'scalar') R_opt =best_params(param_offset +1)*eye(m);elseifstrcmp(R_structure,'diagonal') r_diag =best_params(param_offset +1:param_offset + m); R_opt =diag(r_diag);elseifstrcmp(R_structure,'full') R_opt =reshape(best_params(param_offset +1:end), m, m); R_opt =(R_opt + R_opt')/2;end% 计算最优增益矩阵 best_K =lqr(A, B, Q_opt, R_opt); best_fitness = best_fit;% 绘制进化过程 figure;plot(1:max_gen, best_fitness_history,'LineWidth',2);xlabel('Generation');ylabel('Best Fitness');title('Genetic Algorithm Convergence'); grid on;end

3. 示例使用案例

% 示例系统：倒立摆 m =0.5;% 小车质量 (kg) M =0.5;% 摆杆质量 (kg) l =0.3;% 摆杆长度 (m) g =9.81;% 重力加速度 (m/s²)% 状态空间矩阵 A =[0100;00-(m*g)/M 0;0001;00((M+m)*g)/(M*l)0]; B =[0;1/M;0;-1/(M*l)];% 使用遗传算法优化LQR参数% Q结构：对角矩阵 (状态加权)% R结构：标量 (控制输入加权)[Q_struct, R_struct]=deal('diagonal','scalar');[best_K, best_params, best_fitness]=ga_lqr_design(A, B, Q_struct, R_struct);% 显示结果disp('Optimal gain matrix K:');disp(best_K);% 重构最优Q和R n =size(A,1);ifstrcmp(Q_struct,'diagonal') q_diag =best_params(1:n); Q_opt =diag(q_diag); R_opt =best_params(n+1);elseifstrcmp(Q_struct,'full') Q_opt =reshape(best_params(1:n*n), n, n); Q_opt =(Q_opt + Q_opt')/2; R_opt =best_params(n*n+1);end% 验证性能 sys_open =ss(A, B,eye(4),0); sys_closed =ss(A - B*best_K, B,eye(4),0);% 仿真对比 t =0:0.01:10; x0 =[0.1;0;0.1;0];% 初始状态 figure;subplot(2,1,1);initial(sys_open, x0, t);title('Open-loop Response');legend('Position','Velocity','Angle','Angular Velocity');subplot(2,1,2);initial(sys_closed, x0, t);title('Closed-loop Response with GA-LQR');legend('Position','Velocity','Angle','Angular Velocity');% 性能指标对比[y_open, t_open]=initial(sys_open, x0, t);[y_closed, t_closed]=initial(sys_closed, x0, t); overshoot_open =max(y_open(:,3))-y_open(1,3); overshoot_closed =max(y_closed(:,3))-y_closed(1,3);fprintf('Open-loop overshoot: %.4f rad\n', overshoot_open);fprintf('GA-LQR closed-loop overshoot: %.4f rad\n', overshoot_closed);

算法改进策略

1. 混合优化策略

function[K_opt, params_opt]=hybrid_optimization(A, B)% 第一阶段：遗传算法粗搜索[~, params_ga,~]=ga_lqr_design(A, B,'diagonal','scalar');% 第二阶段：局部搜索精调 options =optimoptions('fmincon','Algorithm','sqp',...'Display','iter','StepTolerance',1e-6); fun =@(x)lqr_fitness_function(x, A, B,'diagonal','scalar'); params_opt =fmincon(fun, params_ga,[],[],[],[],...zeros(size(params_ga)),inf(size(params_ga)),...[], options);% 重构最优Q和R n =size(A,1); q_diag =params_opt(1:n); Q_opt =diag(q_diag); R_opt =params_opt(n+1);% 计算最优增益 K_opt =lqr(A, B, Q_opt, R_opt);end

2. 多目标优化

function multi_objective_fitness =multi_obj_fitness(params, A, B)% 重构Q和R% ... (同上)% 求解Riccati方程[K,~, eig_vals]=lqr(A, B, Q, R); stability =all(real(eig_vals)<0);% 闭环系统仿真 sys_cl =ss(A - B*K, B,eye(size(A,1)),0); t =0:0.01:10; x0 =rand(size(A,1),1);% 随机初始状态[y,~, x]=initial(sys_cl, x0, t);% 目标1：调节时间 settling_time =settling_time_calc(y(:,1), t);% 目标2：控制能耗 control_energy =sum(sum((K*x).^2))*0.01;% 目标3：鲁棒性 (H∞范数近似) robustness =norm(ss(A-B*K, B,eye(size(A,1)),0),'inf');% 多目标适应度 (归一化处理) multi_objective_fitness =[settling_time/max_time,... control_energy/max_energy,... robustness/max_robustness];if~stability multi_objective_fitness = multi_objective_fitness +10;endend

性能评估与可视化

functionplot_performance_comparison(A, B, K_ga, K_classic)% 测试不同初始条件 test_cases ={[0.1;0;0.1;0],[0.2;0;0.2;0],[0.3;0;0.3;0]}; t =0:0.01:5; figure;fori=1:length(test_cases) x0 = test_cases{i};% 经典LQR (Q=I, R=1) K_c =lqr(A, B,eye(4),1); sys_c =ss(A - B*K_c, B,eye(4),0);[y_c,~]=initial(sys_c, x0, t);% GA优化LQR sys_ga =ss(A - B*K_ga, B,eye(4),0);[y_ga,~]=initial(sys_ga, x0, t);% 绘制角度响应subplot(2,2,i);plot(t,y_c(:,3),'b--', t,y_ga(:,3),'r-','LineWidth',1.5);title(sprintf('Initial Angle: %.1f°',rad2deg(x0(3))));xlabel('Time (s)');ylabel('Pendulum Angle (rad)');legend('Classic LQR','GA-LQR','Location','best'); grid on;end% 性能指标对比 metrics ={'Settling Time','Overshoot','Control Effort'}; classic_metrics =zeros(3,length(test_cases)); ga_metrics =zeros(3,length(test_cases));fori=1:length(test_cases) x0 = test_cases{i};% Classic LQR sys_c =ss(A - B*K_c, B,eye(4),0);[y_c, t_c]=initial(sys_c, x0, t);classic_metrics(1,i)=settling_time_calc(y_c(:,3), t_c);classic_metrics(2,i)=max(y_c(:,3))/y_c(1,3)-1;classic_metrics(3,i)=sum(sum((K_c*initial(sys_c, x0, t_c)).^2))*0.01;% GA-LQR sys_ga =ss(A - B*K_ga, B,eye(4),0);[y_ga, t_ga]=initial(sys_ga, x0, t);ga_metrics(1,i)=settling_time_calc(y_ga(:,3), t_ga);ga_metrics(2,i)=max(y_ga(:,3))/y_ga(1,3)-1;ga_metrics(3,i)=sum(sum((K_ga*initial(sys_ga, x0, t)).^2))*0.01;end% 显示表格 figure;subplot(1,3,1);bar([mean(classic_metrics(1,:));mean(ga_metrics(1,:))]);set(gca,'XTickLabel',{'Classic LQR','GA-LQR'});title(metrics{1});ylabel('Time (s)');subplot(1,3,2);bar([mean(classic_metrics(2,:));mean(ga_metrics(2,:))]*100);set(gca,'XTickLabel',{'Classic LQR','GA-LQR'});title(metrics{2});ylabel('Percentage (%)');subplot(1,3,3);bar([mean(classic_metrics(3,:));mean(ga_metrics(3,:))]);set(gca,'XTickLabel',{'Classic LQR','GA-LQR'});title(metrics{3});ylabel('Energy Units');end

参考代码 基于遗传算法的LQR控制器最优设计算法 www.youwenfan.com/contentcsr/100888.html

应用场景与优势

典型应用领域

  1. 机器人控制：机械臂轨迹跟踪、平衡控制
  2. 航空航天：飞行器姿态控制、自动驾驶仪
  3. 电力系统：发电机励磁控制、HVDC输电控制
  4. 汽车工程：主动悬架系统、电子稳定控制

算法优势

特性传统LQRGA-LQR
全局最优性局部最优全局搜索
约束处理困难灵活
非线性系统不适用可扩展
参数调整经验依赖自动优化
计算复杂度低较高

实际应用建议

  1. 问题简化：先尝试对角Q/R矩阵降低维度
  2. 并行计算：利用MATLAB Parallel Computing Toolbox加速评估
  3. 混合策略：结合梯度下降法进行局部搜索
  4. 实时调整：设计在线自适应机制应对参数变化

Read more

C++ 类和对象（二）：默认成员函数详解

C++ 类和对象（二）：默认成员函数详解

在 C++ 面向对象编程中，类的默认成员函数是非常重要的概念。当我们没有显式实现某些成员函数时，编译器会自动生成它们，这些函数被称为默认成员函数。本文将详细介绍 C++ 类的 6 个默认成员函数，包括构造函数、析构函数、拷贝构造函数、赋值运算符重载以及取地址运算符重载。 一、默认成员函数概述 默认成员函数是指用户没有显式实现，编译器会自动生成的成员函数。一个类在我们不写任何成员函数的情况下，编译器会默认生成以下 6 个默认成员函数：构造函数析构函数拷贝构造函数赋值运算符重载普通取地址运算符重载const 取地址运算符重载         其中前 4 个是我们需要重点掌握的，后两个在大多数情况下使用编译器自动生成的即可。另外，C++11 以后还增加了两个默认成员函数：移动构造和移动赋值，本文暂不讨论。 二、构造函数         构造函数是一种特殊的成员函数，其作用是在对象实例化时初始化对象，替代了我们以前手动调用的Init函数，并且会自动调用。 构造函数的特点：函数名与类名相同无返回值（不需要写void）对象实例化时系统会自动调用对应的构造函数可以重载

By Ne0inhk
【C++】类和对象(中)

【C++】类和对象(中)

一、类的默认成员函数 编译器会自动生成的成员函数称为默认成员函数。一个类，不写的情况下编译器会默认生成以下6个默认成员函数。另外在C++11中，增加了两个默认成员函数，移动构造和移动赋值。默认成员函数从两方面学习： 1. 我们不写时，编译器默认生成的函数行为是啥？满足我们的需求吗？ 编译器默认生成的函数不满足我们的需求，那如何自己实现？ 二、构造函数 构造函数主要任务是对象实例化时初始化对象。就像每次写栈或队列时需要初始化Stack Init()、Queue Init()，用了构造函数就不需要写这一步。 构造函数的特点：函数名与类名相同：类class Stack，类中的函数Stack()无返回值。也无void对象实例化时系统会自动调用对应的构造函数构造函数可以重载如果类中没有显式定义构造函数，则C++编译器会自动生成一个无参的默认构造函数，一旦用户显式定义编译器将不再生成无参构造函数、全缺省构造函数、我们不写构造时编译器默认生成的构造函数，都叫做默认构造函数。但是这三个函数有且只有一个存在，不能同时存在。无参构造函数和全缺省构造函数虽然构成函数重载，但是调用时会存在歧

By Ne0inhk
【C++】多态

【C++】多态

多态 ✨前言：在 C++ 的世界里，“多态（polymorphism）” 是面向对象编程的灵魂之一。 它让同一个接口在不同对象上表现出不同的行为，从而大大提升了代码的复用性、扩展性与灵活性。 本文将带你深入理解多态的核心原理，从概念、实现条件、虚函数、重写规则，到虚函数表与动态绑定机制，逐步揭开多态背后的运行逻辑。 📖专栏：【C++成长之旅】 目录 * 多态 * 一、多态的概念 * 二、多态的定义及实现 * 2.1 多态的构成条件 * 2.1.1 实现多态还有两个必须重要条件： * 2.1.2 虚函数 * 2.1.3 虚函数的重写/覆盖 * 2.1.4 多态场景的⼀个选择题 * 2.1.

By Ne0inhk
【C++】红黑树详解(2w字详解)

【C++】红黑树详解(2w字详解)

手搓AVL树 * 手搓红黑树 * github地址 * 0. 前言 * 1. 什么是红黑树 * 概念与定义 * 红黑树示例 * 2. 红黑树的性质 * 红黑树的性质解读 * 树的路径再认识 * 3. 红黑树如何确保最长路径不超过最短路径的2倍？ * 4. 红黑树的实现 * 整体架构设计 * 结点颜色的枚举类 * 红黑树的结点定义 * 红黑树设计 * 红黑树的插入实现 * 1. 空树的插入 * 2. 新插入节点的父亲为黑色 * 新结点的颜色 * 3. 新插入节点的父亲为红色 * （1）叔叔存在且为红色：变色 + 继续向上处理 * （2）叔叔不存在或叔叔为黑色：旋转 + 变色 * ①LL型：右单旋 + 变色 * ②RR型：左单旋 + 变色 * ③LR型：左右双旋 + 变色 * ①RL型：右左双旋 + 变色 * 4.

By Ne0inhk