Bài 7.

Điều khiển tối ưu tĩnh-Khái

niệm, phân loại, tìm nghiệm bằng
phương pháp lý thuyết
 1.1.Các khái niệm và định nghĩa cơ bản:
1.1.1. Thế nào là bài toán điều khiển tối ưu tĩnh
Khái quát bài toán: => Bài toán tối ưu (1.1)
p*  arg min(Q ( p )) p*  arg max(Q ( p ))
pP pP

Trong đó: p – vector tham số điều khiển

P – tập các tham số điều khiển thích hợp
Q( p) – chất lượng hệ thống do giải pháp điều khiển
p đem lại.

Định nghĩa 1.1: Véc tơ tham số điều khiển tối ưu

Vector tham số điều khiển được gọi là tối ưu nếu: nó thoả mãn yêu cầu điều khiển; nó
mang lại cho hệ thống một chất lượng tốt nhất.
Ví dụ 1.1: Bài toán đầu tư lợi nhuận tối đa
Ví dụ 1.2: Tham số tối ưu của bộ điều khiển PI
Ví dụ 1.3: Bộ điều khiển có giá thành thấp
Định nghĩa 1.2: Bài toán điều khiển tối ưu tĩnh

Bài toán điều khiển tối ưu tĩnh là bài toán tối ưu (1.1) trong đó tập P và hàm mục tiêu
Q(p) đều được mô tả bằng các hàm đại số
1.1.2. Phân loại bài toán toán tối ưu
Xét bài toán tối ưu tổng quát dạng

p*  arg min(Q ( p ))
pP

• Bài toán tối ưu tuyến tính/phi tuyến:

tập P và hàm Q(p) – các PT, bất PT tuyến tính/ phi tuyến
• Bài toán cận tối ưu:
nghiệm thuộc P nhưng không ứng với Qmin (derivative = 0) thực sự;

• Bài toán tối ưu có ràng buộc/không ràng buộc:

nếu P là tập con/toàn bộ không gian trạng thái
• Nghiệm tối ưu địa phương/toàn cục
nghiệm tối ưu trong tập con nào đó/toàn bộ không gian
1.1.3. Công cụ toán học: tập lồi và hàm lồi
Định nghĩa 1.7: Tập L được gọi là lồi, nếu đoạn thẳng nối hai điểm
x1, x2 bất kỳ của L, cũng sẽ nằm hoàn toàn trong L

Định nghĩa 1.8: Hàm y=f(x) xác định trên tập lồi M. f(x) đgl hàm:
a) lồi nếu: f(ax1+bx2) ≤ af(x1)+bf(x2) với mọi x1, x2 thuộc M, a+b=1,
a,b>0;
b) lồi chặt nếu f(ax1+bx2) < af(x1)+bf(x2) af(x1)+bf(x2)
c) lõm (lõm chặt) nếu –f(x) là lồi (lồi chặt).
1.2 Những bài toán tối ưu điển hình
1.2.1 Bài toán tối ưu lồi

Định nghĩa 1.9: Bài toán tối ưu (1.1) có Q(p) là hàm lồi và tập
P={ p=(p1, p2, …pn)T | gi(p) ≤0, i=1…m} có gi(p) cũng là các hàm lồi,
được gọi là bài toán tối ưu lồi.

Định lý 1.1: Bài toán tối ưu lồi (1.1) có những tính chất cơ bản sau:
a) Tập P – là tập lồi;
b) Mọi nghiệm tối ưu địa phương cũng là nghiệm toàn cục;
c) Nếu có nhiều nghiệm thì tập các nghiệm tối ưu p* là tập lồi;
d) Nếu P không rỗng và giới nội (có ít nhất một điểm trong) thì bài toán
luôn có nghiệm. Nếu Q(p) – lồi chặt thì nghiệm là duy nhất.

Định lý 1.2: Nếu bài toán tối ưu (1.1) có Q(p) khả vi trong P thì:
a) p* là nghiệm tối ưu khi và chỉ khi (p-p*)T gradQ(p*) ≥ 0 với mọi p thuộc
P;
b) nếu p* là điểm trong của P thì điều kiện trên thay bằng gradQ(p*)=0.
- Khái niệm và tính chất của đường đồng mức

- Đường đồng mức: quỹ ch của các điểm mà tại đó hàm Q(p)=k
có cùng giá trị.
- Véc tơ gradient : + vuông góc với đường đồng mức
+ chỉ chiều tăng của đường đồng mức
1.2.2. Bài toán tối ưu toàn phương
Định nghĩa 1.10: Bài toán tối ưu (1.1) đgl toàn phương nếu:
Q(p)= pTAp+aTp và P={p=(p1, p2, …pn)T | Bp≤b, pi≥ 0)}
trong đó A- ma trận đối xứng.
Định lý 1.3: Để bài toán tối ưu toàn phương là bài toán tối ưu lồi thì cần và
đủ là A xác định bán dương, nếu A xác định dương thì Q(p) là hàm lồi
chặt.

1.2.3. Bài toán tối ưu hyperbol

Định nghĩa 1.11: Bài toán tối ưu (1.1) là bài toán hyperbol nếu Q(p) có
dạng:
Q(p) = u(p)/v(p), trong đó v(p) > 0 với mọi p thuộc P
và P={ p=(p1, p2, …pn)T | gi(p) ≤0, i=1…m}.

Phát biểu bài toán tối ưu

Từ một bài toán thực tế cần phát biểu bài toán tối ưu (1.1):
+ Q(p),
+ P (gi(p) ≤0)
Giải bài toán bằng các phương pháp phù hợp
1.3 Tìm nghiệp bằng phương pháp lý thuyết:
1.3.1 Mối quan hệ giữa bài toán tối ưu và bài toán điểm yên
ngựa

Xét bài toán (1.1) với P={ p=(p1, p2, …pn)T | gi(p) ≤0, i=1…m}. (1.13)

Lập hàm f(p,q)=Q(p)+qTg(p) với q=(q1, q2, … qm)T, qi ≥0. (1.14)

Định nghĩa 1.12: Điểm (p*, p*) là điểm yên ngựa của hàm f(p,q) nếu
p* là điểm cực tiểu của f(p,q*) và q* là điểm cực đại của hàm f(p*,q)
tức là:
f(p*,q) ≤f(p*,q*) ≤f(p,q*)
Định lý 1.7: Xét bài toán (1.13) và hàm (1.14)
a) Nếu (p*,q*) là điểm yên ngựa của hàm (1.14) thì p* là nghiệm tối ưu của
bài toán (1.13).
b) Giả sử Q(p) và gi(p) là các hàm lồi và P có ít nhất 1 điểm trong khi đó
(p*,q*) là điểm yên ngựa của hàm (1.14) khi và chỉ khi p* là nghiệm tối ưu
của bài toán tối ưu lồi (1.13).

1.3.2 Phương pháp Kuhn-Tucker

Đinh lý 1.8: Cho bài toán tối ưu (1.13) có Q(p) và gi(p) là các hàm khả vi. Lập
hàm (1.14) khi đó:
a) (Điều kiện cần): nếu (p*,q*) là điểm yên ngựa của f(p,q) thì nó thỏa mãn
hệ: gradpf(p*,q*)=0
gradqf(p*,q*)≤0
(q*)Tgradqf(p*,q*)=0
b) nếu Q(p) và gi(p) là các hàm lồi và P có ít nhất 1 điểm trong thì a) là điều
kiện cần và đủ.

- Ví dụ 1.8: Xác định khoảng cách từ gốc tọa độ tới tập lồi (NDP trang 35 )
G = {p=(p1, p2) | p1+p2 ≥ 4 và 2p1+p2 ≥5}
1.3.3 Phương pháp Lagrange
Xét bài toán (1.1) với P={ p=(p1, p2, …pn)T | hi(p) =0, i=1…m}. (1.23)
trong đó các hàm Q(p) và hi(p) giả thiết là các hàm khả vi trong miền hở.
Lập hàm f(p,a)=Q(p)+aTh(p), trong đó a=(a1, a2, … am)T, ai – số thực (1.24)
Đinh lý 1.9: Giả sử bài toán (1.23) có nghiệm tối ưu p* khi đó:
a) hoặc p* thỏa mãn gradpf(p*,a) =0 nếu phương trình có nghiệm aT; (1.25)
b) hoặc p* thỏa mãn aTJh(p)=0 với vô số các giá trị của aT , Jh – ma trận
Jacobi của hàm h.
 h1 h1 
  
 p1 pn 
Jh      
 hm hm 
 p  
 1 p n 
=> Thuật toán xác định nghiệm tối ưu bằng phương pháp Lagrange:
+ Tìm tất cả các điểm p1, …, pl làm ma trận Jp(p) bị sụt hạng;
+ Tìm tất cả các điểm pl+1, …, pk là nghiệm của (1.25) và h(p)=0;
+ Xác định p*=argmin Q(pi), i=1…k.

- Ví dụ 1.9 (NDP tr. 38) : Xác định khoảng cách từ điểm p= (2,5) tới đường
cong p2=p12/4.