高阶导数在最优控制中的庞特里亚金条件

高阶导数在最优控制中的庞特里亚金条件一、庞特里亚金极大值原理的基础框架庞特里亚金极大值原理（Pontryagin'sMaximumPrinciple，PMP）是最优控制理论的核心基石，由苏联数学家列夫·庞特里亚金及其团队于20世纪50年代提出。该原理突破了经典变分法的局限性，能够处理控制变量受约束、状态方程非线性等复杂最优控制问题，其核心思想是通过引入协态变量（CostateVariable）将最优控制问题转化为哈密顿系统的极值问题。在标准的最优控制问题中，通常定义如下基本要素：状态变量：$\boldsymbol{x}(t)\in\mathbb{R}^n$，描述系统在时刻$t$的状态；控制变量：$\boldsymbol{u}(t)\inU\subseteq\mathbb{R}^m$，表示时刻$t$施加于系统的控制输入，$U$为控制约束集合；状态方程：$\dot{\boldsymbol{x}}(t)=\boldsymbol{f}(\boldsymbol{x}(t),\boldsymbol{u}(t),t)$，其中$\boldsymbol{f}:\mathbb{R}^n\times\mathbb{R}^m\times[t_0,t_f]\to\mathbb{R}^n$为连续可微的向量函数；性能指标：$J=\phi(\boldsymbol{x}(t_f),t_f)+\int_{t_0}^{t_f}L(\boldsymbol{x}(t),\boldsymbol{u}(t),t)dt$，其中$\phi$为终端代价函数，$L$为运行代价函数，二者均连续可微；边界条件：$\boldsymbol{x}(t_0)=\boldsymbol{x}_0$（初始状态固定），$\boldsymbol{\psi}(\boldsymbol{x}(t_f),t_f)=0$（终端约束），$\boldsymbol{\psi}:\mathbb{R}^n\times[t_0,t_f]\to\mathbb{R}^p$连续可微。为求解上述问题，庞特里亚金极大值原理引入协态变量$\boldsymbol{\lambda}(t)\in\mathbb{R}^n$，定义哈密顿函数（Hamiltonian）：$$H(\boldsymbol{x},\boldsymbol{u},\boldsymbol{\lambda},t)=L(\boldsymbol{x},\boldsymbol{u},t)+\boldsymbol{\lambda}^\top\boldsymbol{f}(\boldsymbol{x},\boldsymbol{u},t)$$根据极大值原理，最优控制$\boldsymbol{u}^(t)$、最优状态轨迹$\boldsymbol{x}^(t)$和协态轨迹$\boldsymbol{\lambda}^*(t)$需满足以下必要条件：哈密顿函数极值条件：对于几乎所有$t\in[t_0,t_f]$，有$$H(\boldsymbol{x}^(t),\boldsymbol{u}^(t),\boldsymbol{\lambda}^(t),t)=\max_{\boldsymbol{u}\inU}H(\boldsymbol{x}^(t),\boldsymbol{u},\boldsymbol{\lambda}^*(t),t)$$协态方程：$\dot{\boldsymbol{\lambda}}^(t)=-\frac{\partialH}{\partial\boldsymbol{x}}\bigg|_{(\boldsymbol{x}^,\boldsymbol{u}^,\boldsymbol{\lambda}^)}$状态方程：$\dot{\boldsymbol{x}}^(t)=\frac{\partialH}{\partial\boldsymbol{\lambda}}\bigg|_{(\boldsymbol{x}^,\boldsymbol{u}^,\boldsymbol{\lambda}^)}=\boldsymbol{f}(\boldsymbol{x}^(t),\boldsymbol{u}^(t),t)$横截条件：$\boldsymbol{\lambda}^(t_f)=\frac{\partial\phi}{\partial\boldsymbol{x}(t_f)}\bigg|_{\boldsymbol{x}^(t_f)}+\boldsymbol{\mu}^\top\frac{\partial\boldsymbol{\psi}}{\partial\boldsymbol{x}(t_f)}\bigg|{\boldsymbol{x}^(t_f)}$，其中$\boldsymbol{\mu}\in\mathbb{R}^p$为拉格朗日乘子；若终端时刻$t_f$自由，还需满足$H(\boldsymbol{x}^(t_f),\boldsymbol{u}^(t_f),\boldsymbol{\lambda}^(t_f),t_f)=-\frac{\partial\phi}{\partialt_f}\bigg|{\boldsymbol{x}^*(t_f)}$二、高阶导数与庞特里亚金条件的关联机制在标准庞特里亚金极大值原理中，仅要求哈密顿函数关于状态变量和控制变量的一阶偏导数存在且连续。然而，当系统模型或性能指标涉及高阶导数时，如柔性机械臂的弹性振动控制、飞行器的高阶动力学建模等，传统的一阶条件无法直接应用，需要将高阶导数信息融入庞特里亚金条件的框架中。（一）状态变量的高阶导数扩展考虑状态方程中包含状态变量的高阶导数的情况，例如：$$\boldsymbol{x}^{(k)}(t)=\boldsymbol{f}(\boldsymbol{x}(t),\dot{\boldsymbol{x}}(t),\dots,\boldsymbol{x}^{(k-1)}(t),\boldsymbol{u}(t),t)$$其中$\boldsymbol{x}^{(i)}(t)$表示$\boldsymbol{x}(t)$的$i$阶导数，$k\geq2$。此时，可通过引入新的状态变量将高阶微分方程转化为一阶微分方程组：$$\begin{cases}\boldsymbol{x}_1(t)=\boldsymbol{x}(t)\\boldsymbol{x}_2(t)=\dot{\boldsymbol{x}}(t)\\vdots\\boldsymbol{x}_k(t)=\boldsymbol{x}^{(k-1)}(t)\end{cases}$$则原状态方程可转化为：$$\dot{\boldsymbol{x}}_1(t)=\boldsymbol{x}_2(t)\\dot{\boldsymbol{x}}_2(t)=\boldsymbol{x}_3(t)\\vdots\\dot{\boldsymbol{x}}_k(t)=\boldsymbol{f}(\boldsymbol{x}_1(t),\boldsymbol{x}_2(t),\dots,\boldsymbol{x}_k(t),\boldsymbol{u}(t),t)$$定义扩展状态向量$\boldsymbol{X}(t)=[\boldsymbol{x}_1^\top(t),\boldsymbol{x}_2^\top(t),\dots,\boldsymbol{x}_k^\top(t)]^\top\in\mathbb{R}^{nk}$，则扩展后的状态方程为一阶形式：$$\dot{\boldsymbol{X}}(t)=\boldsymbol{F}(\boldsymbol{X}(t),\boldsymbol{u}(t),t)$$其中$\boldsymbol{F}:\mathbb{R}^{nk}\times\mathbb{R}^m\times[t_0,t_f]\to\mathbb{R}^{nk}$为连续可微函数。针对扩展后的系统，构造哈密顿函数：$$H(\boldsymbol{X},\boldsymbol{u},\boldsymbol{\Lambda},t)=L(\boldsymbol{X},\boldsymbol{u},t)+\boldsymbol{\Lambda}^\top\boldsymbol{F}(\boldsymbol{X},\boldsymbol{u},t)$$其中$\boldsymbol{\Lambda}(t)=[\boldsymbol{\lambda}_1^\top(t),\boldsymbol{\lambda}_2^\top(t),\dots,\boldsymbol{\lambda}_k^\top(t)]^\top\in\mathbb{R}^{nk}$为扩展协态变量。根据庞特里亚金极大值原理，最优解需满足：极值条件：$H(\boldsymbol{X}^(t),\boldsymbol{u}^(t),\boldsymbol{\Lambda}^(t),t)=\max_{\boldsymbol{u}\inU}H(\boldsymbol{X}^(t),\boldsymbol{u},\boldsymbol{\Lambda}^*(t),t)$协态方程：$\dot{\boldsymbol{\Lambda}}^(t)=-\frac{\partialH}{\partial\boldsymbol{X}}\bigg|_{(\boldsymbol{X}^,\boldsymbol{u}^,\boldsymbol{\Lambda}^)}$状态方程：$\dot{\boldsymbol{X}}^(t)=\frac{\partialH}{\partial\boldsymbol{\Lambda}}\bigg|_{(\boldsymbol{X}^,\boldsymbol{u}^,\boldsymbol{\Lambda}^)}=\boldsymbol{F}(\boldsymbol{X}^(t),\boldsymbol{u}^(t),t)$横截条件：$\boldsymbol{\Lambda}^(t_f)=\frac{\partial\Phi}{\partial\boldsymbol{X}(t_f)}\bigg|_{\boldsymbol{X}^(t_f)}+\boldsymbol{\mu}^\top\frac{\partial\boldsymbol{\Psi}}{\partial\boldsymbol{X}(t_f)}\bigg|_{\boldsymbol{X}^*(t_f)}$，其中$\Phi(\boldsymbol{X}(t_f),t_f)=\phi(\boldsymbol{x}(t_f),t_f)$，$\boldsymbol{\Psi}(\boldsymbol{X}(t_f),t_f)=\boldsymbol{\psi}(\boldsymbol{x}(t_f),t_f)$通过对协态方程展开，可以得到原状态变量高阶导数与协态变量的关系。以$k=2$为例，扩展协态变量$\boldsymbol{\Lambda}=[\boldsymbol{\lambda}_1^\top,\boldsymbol{\lambda}_2^\top]^\top$，协态方程为：$$\dot{\boldsymbol{\lambda}}_1(t)=-\frac{\partialL}{\partial\boldsymbol{x}_1}-\frac{\partial\boldsymbol{F}^\top}{\partial\boldsymbol{x}_1}\boldsymbol{\Lambda}\\dot{\boldsymbol{\lambda}}_2(t)=-\frac{\partialL}{\partial\boldsymbol{x}_2}-\frac{\partial\boldsymbol{F}^\top}{\partial\boldsymbol{x}_2}\boldsymbol{\Lambda}$$而$\boldsymbol{F}=[\boldsymbol{x}_2^\top,\boldsymbol{f}(\boldsymbol{x}_1,\boldsymbol{x}_2,\boldsymbol{u},t)^\top]^\top$，因此$\frac{\partial\boldsymbol{F}}{\partial\boldsymbol{x}_1}=\begin{bmatrix}\boldsymbol{0}&\boldsymbol{I}\\frac{\partial\boldsymbol{f}}{\partial\boldsymbol{x}_1}&\boldsymbol{0}\end{bmatrix}$，$\frac{\partial\boldsymbol{F}}{\partial\boldsymbol{x}_2}=\begin{bmatrix}\boldsymbol{I}&\boldsymbol{0}\\frac{\partial\boldsymbol{f}}{\partial\boldsymbol{x}_2}&\boldsymbol{0}\end{bmatrix}$，代入协态方程可得：$$\dot{\boldsymbol{\lambda}}_1(t)=-\frac{\partialL}{\partial\boldsymbol{x}}-\frac{\partial\boldsymbol{f}}{\partial\boldsymbol{x}}^\top\boldsymbol{\lambda}_2(t)\\dot{\boldsymbol{\lambda}}_2(t)=-\boldsymbol{\lambda}_1(t)-\frac{\partialL}{\partial\dot{\boldsymbol{x}}}-\frac{\partial\boldsymbol{f}}{\partial\dot{\boldsymbol{x}}}^\top\boldsymbol{\lambda}_2(t)$$对第二式求导：$$\ddot{\boldsymbol{\lambda}}_2(t)=-\dot{\boldsymbol{\lambda}}_1(t)-\frac{d}{dt}\left(\frac{\partialL}{\partial\dot{\boldsymbol{x}}}\right)-\frac{d}{dt}\left(\frac{\partial\boldsymbol{f}}{\partial\dot{\boldsymbol{x}}}^\top\boldsymbol{\lambda}_2(t)\right)$$将$\dot{\boldsymbol{\lambda}}_1(t)$的表达式代入上式，整理后得到：$$\ddot{\boldsymbol{\lambda}}_2(t)-\frac{\partial\boldsymbol{f}}{\partial\boldsymbol{x}}^\top\boldsymbol{\lambda}_2(t)+\frac{d}{dt}\left(\frac{\partial\boldsymbol{f}}{\partial\dot{\boldsymbol{x}}}^\top\boldsymbol{\lambda}_2(t)\right)=\frac{\partialL}{\partial\boldsymbol{x}}-\frac{d}{dt}\left(\frac{\partialL}{\partial\dot{\boldsymbol{x}}}\right)$$这表明，当状态方程包含二阶导数时，协态变量满足二阶微分方程，体现了高阶导数在庞特里亚金条件中的内在作用。（二）控制变量的高阶导数约束在某些最优控制问题中，控制变量的变化率受到约束，例如飞行器的舵面偏转速率限制、机器人关节的角速度和角加速度约束等。此时，控制变量的高阶导数进入问题的约束条件，需要对庞特里亚金极大值原理进行扩展。考虑控制变量的$r$阶导数受约束的情况：$$\boldsymbol{u}^{(i)}(t)\inU_i\subseteq\mathbb{R}^m,\quadi=0,1,\dots,r$$其中$\boldsymbol{u}^{(0)}(t)=\boldsymbol{u}(t)$，$U_0$为控制变量本身的约束集合，$U_i$（$i\geq1$）为控制变量$i$阶导数的约束集合。为处理此类约束，可引入新的控制变量序列：$$\begin{cases}\boldsymbol{u}_0(t)=\boldsymbol{u}(t)\\boldsymbol{u}_1(t)=\dot{\boldsymbol{u}}(t)\\vdots\\boldsymbol{u}_r(t)=\boldsymbol{u}^{(r)}(t)\end{cases}$$则原控制约束转化为：$$\boldsymbol{u}_i(t)\inU_i,\quadi=0,1,\dots,r$$同时，新增状态方程：$$\begin{cases}\dot{\boldsymbol{u}}_0(t)=\boldsymbol{u}_1(t)\\dot{\boldsymbol{u}}_1(t)=\boldsymbol{u}2(t)\\vdots\\dot{\boldsymbol{u}}{r-1}(t)=\boldsymbol{u}_r(t)\end{cases}$$定义扩展状态向量$\boldsymbol{X}(t)=[\boldsymbol{x}^\top(t),\boldsymbol{u}_0^\top(t),\boldsymbol{u}1^\top(t),\dots,\boldsymbol{u}{r-1}^\top(t)]^\top\in\mathbb{R}^{n+rm}$，扩展控制变量$\boldsymbol{U}(t)=[\boldsymbol{u}_0^\top(t),\boldsymbol{u}_1^\top(t),\dots,\boldsymbol{u}_r^\top(t)]^\top\inU_0\timesU_1\times\dots\timesU_r$，则扩展后的状态方程为：$$\dot{\boldsymbol{X}}(t)=\boldsymbol{F}(\boldsymbol{X}(t),\boldsymbol{U}(t),t)=\begin{bmatrix}\boldsymbol{f}(\boldsymbol{x}(t),\boldsymbol{u}_0(t),t)\\boldsymbol{u}_1(t)\\boldsymbol{u}_2(t)\\vdots\\boldsymbol{u}_r(t)\end{bmatrix}$$构造扩展哈密顿函数：$$H(\boldsymbol{X},\boldsymbol{U},\boldsymbol{\Lambda},t)=L(\boldsymbol{x}(t),\boldsymbol{u}_0(t),t)+\boldsymbol{\Lambda}^\top\boldsymbol{F}(\boldsymbol{X}(t),\boldsymbol{U}(t),t)$$其中$\boldsymbol{\Lambda}(t)=[\boldsymbol{\lambda}^\top(t),\boldsymbol{\mu}_0^\top(t),\boldsymbol{\mu}1^\top(t),\dots,\boldsymbol{\mu}{r-1}^\top(t)]^\top\in\mathbb{R}^{n+rm}$为扩展协态变量，$\boldsymbol{\lambda}(t)$对应原状态变量的协态，$\boldsymbol{\mu}_i(t)$（$i=0,1,\dots,r-1$）对应新增状态变量$\boldsymbol{u}_i(t)$的协态。根据庞特里亚金极大值原理，极值条件要求：$$H(\boldsymbol{X}^(t),\boldsymbol{U}^(t),\boldsymbol{\Lambda}^(t),t)=\max_{\boldsymbol{U}\inU_0\times\dots\timesU_r}H(\boldsymbol{X}^(t),\boldsymbol{U},\boldsymbol{\Lambda}^*(t),t)$$对$\boldsymbol{u}_i(t)$（$i=0,1,\dots,r$）求偏导并令其为0（假设约束集合为开集），可得：$$\frac{\partialL}{\partial\boldsymbol{u}_0}+\boldsymbol{\lambda}^\top\frac{\partial\boldsymbol{f}}{\partial\boldsymbol{u}0}+\boldsymbol{\mu}0^\top=0\\boldsymbol{\mu}0-\boldsymbol{\mu}1^\top=0\\boldsymbol{\mu}1-\boldsymbol{\mu}2^\top=0\\vdots\\boldsymbol{\mu}{r-2}-\boldsymbol{\mu}{r-1}^\top=0\\boldsymbol{\mu}{r-1}=0$$通过递推可得：$$\boldsymbol{\mu}{r-1}=0\\boldsymbol{\mu}{r-2}=\boldsymbol{\mu}{r-1}=0\\vdots\\boldsymbol{\mu}_0=0$$代入第一式得：$$\frac{\partialL}{\partial\boldsymbol{u}}+\boldsymbol{\lambda}^\top\frac{\partial\boldsymbol{f}}{\partial\boldsymbol{u}}=0$$这与标准庞特里亚金条件中的控制方程形式一致，但需要注意的是，此处的协态变量$\boldsymbol{\lambda}(t)$满足的协态方程包含了控制变量高阶导数的影响：$$\dot{\boldsymbol{\lambda}}(t)=-\frac{\partialL}{\partial\boldsymbol{x}}-\frac{\partial\boldsymbol{f}}{\partial\boldsymbol{x}}^\top\boldsymbol{\lambda}(t)$$而新增协态变量$\boldsymbol{\mu}_i(t)$满足：$$\dot{\boldsymbol{\mu}}_0(t)=-\frac{\partialL}{\partial\boldsymbol{u}_0}-\frac{\partial\boldsymbol{f}}{\partial\boldsymbol{u}_0}^\top\boldsymbol{\lambda}(t)=0\\dot{\boldsymbol{\mu}}1(t)=-\boldsymbol{\mu}0(t)=0\\vdots\\dot{\boldsymbol{\mu}}{r-1}(t)=-\boldsymbol{\mu}{r-2}(t)=0$$这表明，当控制变量的高阶导数受约束时，协态变量的高阶导数也参与到极值条件的满足中，通过扩展状态变量和协态变量，庞特里亚金极大值原理能够自然地融入高阶导数信息。三、高阶导数下庞特里亚金条件的改进形式当系统模型或性能指标直接涉及状态变量或控制变量的高阶导数时，传统的庞特里亚金极大值原理需要进行针对性改进，以适应高阶导数带来的数学特性。以下从两种典型情况展开讨论：（一）性能指标含高阶导数的情况考虑性能指标中包含状态变量或控制变量的高阶导数，例如：$$J=\phi(\boldsymbol{x}(t_f),\dot{\boldsymbol{x}}(t_f),\dots,\boldsymbol{x}^{(k)}(t_f),t_f)+\int_{t_0}^{t_f}L(\boldsymbol{x}(t),\dot{\boldsymbol{x}}(t),\dots,\boldsymbol{x}^{(k)}(t),\boldsymbol{u}(t),\dot{\boldsymbol{u}}(t),\dots,\boldsymbol{u}^{(r)}(t),t)dt$$此时，可通过引入新的状态变量将高阶导数转化为一阶导数：$$\begin{cases}\boldsymbol{x}_1(t)=\boldsymbol{x}(t)\\boldsymbol{x}2(t)=\dot{\boldsymbol{x}}(t)\\vdots\\boldsymbol{x}{k+1}(t)=\boldsymbol{x}^{(k)}(t)\\boldsymbol{u}_1(t)=\boldsymbol{u}(t)\\boldsymbol{u}2(t)=\dot{\boldsymbol{u}}(t)\\vdots\\boldsymbol{u}{r+1}(t)=\boldsymbol{u}^{(r)}(t)\end{cases}$$新增状态方程：$$\begin{cases}\dot{\boldsymbol{x}}_1(t)=\boldsymbol{x}_2(t)\\dot{\boldsymbol{x}}_2(t)=\boldsymbol{x}_3(t)\\vdots\\dot{\boldsymbol{x}}k(t)=\boldsymbol{x}{k+1}(t)\\dot{\boldsymbol{u}}_1(t)=\boldsymbol{u}_2(t)\\dot{\boldsymbol{u}}_2(t)=\boldsymbol{u}3(t)\\vdots\\dot{\boldsymbol{u}}r(t)=\boldsymbol{u}{r+1}(t)\end{cases}$$原状态方程需改写为：$$\boldsymbol{x}{k+1}(t)=\boldsymbol{f}(\boldsymbol{x}_1(t),\boldsymbol{x}2(t),\dots,\boldsymbol{x}{k+1}(t),\boldsymbol{u}_1(t),\boldsymbol{u}2(t),\dots,\boldsymbol{u}{r+1}(t),t)$$定义扩展状态向量$\boldsymbol{X}(t)=[\boldsymbol{x}1^\top(t),\dots,\boldsymbol{x}{k+1}^\top(t),\boldsymbol{u}_1^\top(t),\dots,\boldsymbol{u}_r^\top(t)]^\top\in\mathbb{R}^{(k+1)n+rm}$，扩展控制变量$\boldsymbol{U}(t)=[\boldsymbol{u}1^\top(t),\dots,\boldsymbol{u}{r+1}^\top(t)]^\top\in\mathbb{R}^{(r+1)m}$，则扩展后的状态方程为：$$\dot{\boldsymbol{X}}(t)=\boldsymbol{F}(\boldsymbol{X}(t),\boldsymbol{U}(t),t)$$其中$\boldsymbol{F}$为连续可微函数。构造扩展哈密顿函数：$$H(\boldsymbol{X},\boldsymbol{U},\boldsymbol{\Lambda},t)=L(\boldsymbol{X},\boldsymbol{U},t)+\boldsymbol{\Lambda}^\top\boldsymbol{F}(\boldsymbol{X},\boldsymbol{U},t)$$其中$\boldsymbol{\Lambda}(t)=[\boldsymbol{\lambda}1^\top(t),\dots,\boldsymbol{\lambda}{k+1}^\top(t),\boldsymbol{\mu}_1^\top(t),\dots,\boldsymbol{\mu}_r^\top(t)]^\top\in\mathbb{R}^{(k+1)n+rm}$为扩展协态变量。根据庞特里亚金极大值原理，极值条件为：$$H(\boldsymbol{X}^(t),\boldsymbol{U}^(t),\boldsymbol{\Lambda}^(t),t)=\max_{\boldsymbol{U}}H(\boldsymbol{X}^(t),\boldsymbol{U},\boldsymbol{\Lambda}^*(t),t)$$对$\boldsymbol{u}{r+1}(t)$求偏导并令其为0（假设无约束），可得：$$\frac{\partialL}{\partial\boldsymbol{u}{r+1}}+\boldsymbol{\lambda}{k+1}^\top\frac{\partial\boldsymbol{f}}{\partial\boldsymbol{u}{r+1}}=0$$而$\boldsymbol{u}{r+1}(t)=\boldsymbol{u}^{(r)}(t)$，因此上式可改写为：$$\frac{\partialL}{\partial\boldsymbol{u}^{(r)}}+\boldsymbol{\lambda}{k+1}^\top\frac{\partial\boldsymbol{f}}{\partial\boldsymbol{u}^{(r)}}=0$$这表明，性能指标中的控制变量高阶导数项通过哈密顿函数的极值条件直接影响最优控制的求解。协态方程为：$$\dot{\boldsymbol{\lambda}}_1(t)=-\frac{\partialL}{\partial\boldsymbol{x}_1}-\frac{\partial\boldsymbol{F}^\top}{\partial\boldsymbol{x}_1}\boldsymbol{\Lambda}\\dot{\boldsymbol{\lambda}}2(t)=-\frac{\partialL}{\partial\boldsymbol{x}2}-\frac{\partial\boldsymbol{F}^\top}{\partial\boldsymbol{x}2}\boldsymbol{\Lambda}\\vdots\\dot{\boldsymbol{\lambda}}{k+1}(t)=-\frac{\partialL}{\partial\boldsymbol{x}{k+1}}-\frac{\partial\boldsymbol{F}^\top}{\partial\boldsymbol{x}{k+1}}\boldsymbol{\Lambda}\\dot{\boldsymbol{\mu}}_1(t)=-\frac{\partialL}{\partial\boldsymbol{u}_1}-\frac{\partial\boldsymbol{F}^\top}{\partial\boldsymbol{u}_1}\boldsymbol{\Lambda}\\vdots\\dot{\boldsymbol{\mu}}_r(t)=-\frac{\partialL}{\partial\boldsymbol{u}_r}-\frac{\partial\boldsymbol{F}^\top}{\partial\boldsymbol{u}_r}\boldsymbol{\Lambda}$$通过对协态方程进行高阶求导，可以得到状态变量高阶导数与协态变量高阶导数的关系，从而构建更复杂的哈密顿系统。（二）状态方程含分布参数的情况在分布参数系统的最优控制问题中，状态变量通常是空间和时间的函数，其演化方程涉及偏导数，例如热传导系统、弹性振动系统等。此时，庞特里亚金极大值原理需要推广到偏微分方程（PDE）框架下，高阶导数（偏导数）成为问题的核心要素。考虑如下分布参数最优控制问题：状态变量：$x(t,\boldsymbol{\xi})\in\mathbb{R}$，其中$\boldsymbol{\xi}\in\Omega\subseteq\mathbb{R}^d$为空间变量，$\Omega$为有界区域；控制变量：$u(t,\boldsymbol{\xi})\inU\subseteq\mathbb{R}$，$U$为控制约束集合；状态方程：$\frac{\partialx}{\partialt}(t,\boldsymbol{\xi})=\mathcal{A}x(t,\boldsymbol{\xi})+f(x(t,\boldsymbol{\xi}),u(t,\boldsymbol{\xi}),t,\boldsymbol{\xi})$，其中$\mathcal{A}$为线性微分算子，例如拉普拉斯算子$\Delta=\sum_{i=1}^d\frac{\partial^2}{\partial\xi_i^2}$，$f$为非线性函数；边界条件：$x(t,\boldsymbol{\xi})=0$，$\boldsymbol{\xi}\in\partial\Omega$（齐次狄利克雷边界条件），$x(0,\boldsymbol{\xi})=x_0(\boldsymbol{\xi})$，$\boldsymbol{\xi}\in\Omega$；性能指标：$J=\frac{1}{2}\int_\Omega(x(t_f,\boldsymbol{\xi})-x_d(\boldsymbol{\xi}))^2d\boldsymbol{\xi}+\frac{\alpha}{2}\int_0^{t_f}\int_\Omegau(t,\boldsymbol{\xi})^2d\boldsymbol{\xi}dt$，其中$x_d(\boldsymbol{\xi})$为期望终端状态，$\alpha>0$为控制权重系数。为求解该问题，引入协态变量$\lambda(t,\boldsymbol{\xi})\in\mathbb{R}$，定义哈密顿泛函：$$\mathcal{H}(x,u,\lambda,t,\boldsymbol{\xi})=\frac{\alpha}{2}u(t,\boldsymbol{\xi})^2+\lambda(t,\boldsymbol{\xi})\left(\mathcal{A}x(t,\boldsymbol{\xi})+f(x(t,\boldsymbol{\xi}),u(t,\boldsymbol{\xi}),t,\boldsymbol{\xi})\right)$$根据分布参数系统的庞特里亚金极大值原理，最优解需满足：极值条件：对于几乎所有$(t,\boldsymbol{\xi})\in[0,t_f]\times\Omega$，有$$\mathcal{H}(x^,u^,\lambda^,t,\boldsymbol{\xi})=\max_{u\inU}\mathcal{H}(x^,u,\lambda^,t,\boldsymbol{\xi})$$若$U=\mathbb{R}$，则极值条件为$\frac{\partial\mathcal{H}}{\partialu}=0$，即：$$\alphau^(t,\boldsymbol{\xi})+\lambda^(t,\boldsymbol{\xi})\frac{\partialf}{\partialu}\bigg|_{(x^,u^*)}=0$$协态方程：$-\frac{\partial\lambda^}{\partialt}(t,\boldsymbol{\xi})=\mathcal{A}^\lambda^(t,\boldsymbol{\xi})+\frac{\partialf}{\partialx}\bigg|_{(x^,u^)}\lambda^(t,\boldsymbol{\xi})$，其中$\mathcal{A}^$为$\mathcal{A}$的伴随算子；例如，若$\mathcal{A}=\Delta$，则$\mathcal{A}^=\Delta$（自伴随算子）；状态方程：$\frac{\partialx^}{\partialt}(t,\boldsymbol{\xi})=\mathcal{A}x^(t,\boldsymbol{\xi})+f(x^(t,\boldsymbol{\xi}),u^(t,\boldsymbol{\xi}),t,\boldsymbol{\xi})$；横截条件：$\lambda^(t_f,\boldsymbol{\xi})=x^(t_f,\boldsymbol{\xi})-x_d(\boldsymbol{\xi})$，$\boldsymbol{\xi}\in\Omega$；边界条件：$\lambda^*(t,\boldsymbol{\xi})=0$，$\boldsymbol{\xi}\in\partial\Omega$，$t\in[0,t_f]$。在该框架下，状态方程和协态方程均为偏微分方程，高阶偏导数（如拉普拉斯算子）直接出现在方程中，庞特里亚金条件的求解需要结合偏微分方程的理论和方法，例如分离变量法、有限元法等。四、高阶导数下庞特里亚金条件的数值求解方法当最优控制问题涉及高阶导数时，庞特里亚金条件的解析求解通常十分困难，需要借助数值方法。以下介绍几种适用于高阶导数情况的数值求解方法：（一）打靶法（ShootingMethod）打靶法是求解两点边值问题（Two-PointBoundaryValueProblem，TPBVP）的经典方法，其核心思想是将边值问题转化为初值问题，通过迭代调整初始条件使得终端条件满足。对于包含高阶导数的最优控制问题，首先通过状态变量扩展将其转化为一阶哈密顿系统：$$\begin{cases}\dot{\boldsymbol{X}}(t)=\boldsymbol{F}(\boldsymbol{X}(t),\boldsymbol{\Lambda}(t),t)\\dot{\boldsymbol{\Lambda}}(t)=\boldsymbol{G}(\boldsymbol{X}(t),\boldsymbol{\Lambda}(t),t)\end{cases}$$其中$\boldsymbol{X}(t)$为扩展状态向量，$\boldsymbol{\Lambda}(t)$为扩展协态向量，$\boldsymbol{F}$和$\boldsymbol{G}$为连续可微函数。边界条件为：$$\boldsymbol{B}(\boldsymbol{X}(t_0),\boldsymbol{\Lambda}(t_0),\boldsymbol{X}(t_f),\boldsymbol{\Lambda}(t_f))=0$$打靶法的基本步骤如下：猜测初始协态：根据问题的物理意义或经验，猜测初始协态$\boldsymbol{\Lambda}_0^0=\boldsymbol{\Lambda}(t_0)$；求解初值问题：以$\boldsymbol{X}(t_0)=\boldsymbol{X}_0$和$\boldsymbol{\Lambda}(t_0)=\boldsymbol{\Lambda}_0^0$为初始条件，求解哈密顿系统的初值问题，得到终端状态$\boldsymbol{X}_f^0=\boldsymbol{X}(t_f)$和终端协态$\boldsymbol{\Lambda}_f^0=\boldsymbol{\Lambda}(t_f)$；计算残差：计算边界条件的残差$\boldsymbol{R}^0=\boldsymbol{B}(\boldsymbol{X}_0,\boldsymbol{\Lambda}_0^0,\boldsymbol{X}_f^0,\boldsymbol{\Lambda}_f^0)$；迭代修正：若残差$\boldsymbol{R}^0$不满足精度要求，利用牛顿法或拟牛顿法修正初始协态：$$\boldsymbol{\Lambda}_0^{k+1}=\boldsymbol{\Lambda}_0^k-\left(\frac{\partial\boldsymbol{R}}{\partial\boldsymbol{\Lambda}0}\bigg|{\boldsymbol{\Lambda}_0^k}\right)^{-1}\boldsymbol{R}^k$$其中$\frac{\partial\boldsymbol{R}}{\partial\boldsymbol{\Lambda}_0}$为残差关于初始协态的雅可比矩阵，可通过求解伴随系统或使用有限差分法近似计算；收敛判断：重复步骤2-4，直到残差$\boldsymbol{R}^k$的范数小于预设的精度阈值$\epsilon$。打靶法的优点是原理简单、计算量小，适用于维度较低的问题。然而，当问题维度较高或哈密顿系统存在刚性时，打靶法的收敛性较差，甚至可能发散。（二）配置法（CollocationMethod）配置法是一种直接数值方法，通过将状态变量和协态变量在一系列配置点上用多项式近似，将连续的最优控制问题转化为离散的非线性规划问题（NonlinearProgramming，NLP）。对于包含高阶导数的最优控制问题，首先将时间区间$[t_0,t_f]$划分为$N$个子区间$[t_i,t_{i+1}]$，$i=0,1,\dots,N-1$，其中$t_0<t_1<\dots<t_N=t_f$。在每个子区间$[t_i,t_{i+1}]$上，将状态变量$\boldsymbol{X}(t)$和协态变量$\boldsymbol{\Lambda}(t)$用$p$次拉格朗日多项式近似：$$\boldsymbol{X}(t)\approx\sum_{j=0}^p\boldsymbol{X}{i,j}l_j(\tau),\quad\boldsymbol{\Lambda}(t)\approx\sum{j=0}^p\boldsymbol{\Lambda}{i,j}l_j(\tau)$$其中$\tau=\frac{2(t-t_i)}{t{i+1}-t_i}-1\in[-1,1]$为标准化时间，$l_j(\tau)$为拉格朗日基函数，$\boldsymbol{X}{i,j}=\boldsymbol{X}(t_i+\frac{t{i+1}-t_i}{2}(\tau_j+1))$，$\boldsymbol{\Lambda}{i,j}=\boldsymbol{\Lambda}(t_i+\frac{t{i+1}-t_i}{2}(\tau_j+1))$，$\tau_j$为配置点（如高斯-勒让德点）。将状态方程和协态方程在配置点上离散化：$$\dot{\boldsymbol{X}}(t_{i,j})=\boldsymbol{F}(\boldsymbol{X}(t_{i,j}),\boldsymbol{\Lambda}(t_{i,j}),t_{i,j})\\dot{\boldsymbol{\Lambda}}(t_{i,j})=\boldsymbol{G}(\boldsymbol{X}(t_{i,j}),\boldsymbol{\Lambda}(t_{i,j}),t_{i,j})$$其中$t_{i,j}=t_i+\frac{t_{i+1}-t_i}{2}(\tau_j+1)$，$\dot{\boldsymbol{X}}(t_{i,j})$和$\dot{\boldsymbol{\Lambda}}(t_{i,j})$可通过对多项式近似求导得到。同时，离散化边界条件和性能指标：$$\boldsymbol{B}(\boldsymbol{X}(t_0),\boldsymbol{\Lambda}(t_0),\boldsymbol{X}(t_f),\boldsymbol{\Lambda}(t_f))=0\J\approx\phi(\boldsymbol{X}(t_f),t_f)+\sum_{i=0}^{N-1}\sum_{j=0}^pL(\boldsymbol{X}(t_{i,j}),\boldsymbol{\Lambda}(t_{i,j}),t_{i,j})w_j\frac{t_{i+1}-t_i}{2}$$其中$w_j$为配置点对应的权重系数。通过上述离散化，原最优控制问题转化为以$\boldsymbol{X}{i,j}$和$\boldsymbol{\Lambda}{i,j}$为决策变量的非线性规划问题，可使用成熟的NLP求解器（如IPOPT、SNOPT等）进行求解。配置法的优点是收敛速度快、精度高，适用于复杂的高阶导数最优控制问题。然而，配置法的计算量较大，尤其是当问题维度较高或配置点数量较多时，需要消耗大量的计算资源。（三）伪谱法（PseudospectralMethod）伪谱法是配置法的一种特殊形式，其核心思想是使用全局正交多项式（如切比雪夫多项式、勒让德多项式）对状态变量和协态变量进行近似，从而提高数值解的精度和收敛速度。对于包含高阶导数的最优控制问题，将时间区间$[t_0,t_f]$标准化为$[-1,1]$，令$\tau=\frac{2(t-t_0)}{t_f-t_0}-1$，则$t=t_0+\frac{t_f-t_0}{2}(\tau+1)$。使用$N$次勒让德多项式对状态变量$\boldsymbol{X}(t)$和协态变量$\boldsymbol{\Lambda}(t)$进行近似：$$\boldsymbol{X}(t)\approx\sum_{k=0}^N\boldsymbol{X}kP_k(\tau),\quad\boldsymbol{\Lambda}(t)\approx\sum{k=0}^N\boldsymbol{\Lambda}_kP_k(\tau)$$其中$P_k(\tau)$为$k$次勒让德多项式，$\boldsymbol{X}_k$和$\boldsymbol{\Lambda}_k$为展开系数。选择$N+1$个高斯-勒让德配置点$\tau_0,\tau_1,\dots,\tau_N$，满足$P_{N+1}(\tau_j)=0$，$j=0,1,\dots,N$。在配置点上，状态变量和协态变量的近似值为：$$\boldsymbol{X}(t_j)=\sum_{k=0}^N\boldsymbol{X}kP_k(\tau_j),\quad\boldsymbol{\Lambda}(t_j)=\sum{k=0}^N\boldsymbol{\Lambda}_kP_k(\tau_j)$$其中$t_j=t_0+\frac{t_f-t_0}{2}(\tau_j+1)$。状态方程和协态方程在配置点上的离散化形式为：$$\sum_{k=0}^N\boldsymbol{X}_k\dot{P}k(\tau_j)=\frac{2}{t_f-t_0}\boldsymbol{F}(\boldsymbol{X}(t_j),\boldsymbol{\Lambda}(t_j),t_j)\\sum{k=0}^N\boldsymbol{\Lambda}_k\dot{P}_k(\tau_j)=\frac{2}{t_f-t_0}\boldsymbol{G}(\boldsymbol{X}(t_j),\boldsymbol{\Lambda}(t_j),t_j)$$其中$\dot{P}_k(\tau_j)$为勒让德多项式在配置点上的导数，可通过递推公式计算。性能指标的离散化形式为：$$J\approx\phi(\boldsymbol{X}(t_f),t_f)+\frac{t_f-t_0}{2}\sum_{j=0}^NL(\boldsymbol{X}(t_j),\boldsymbol{\Lambda}(t_j),t_j)w_j$$其中$w_j$为高斯-勒让德积分权重。通过上述离散化，原最优控制问题转化为以$\boldsymbol{X}_k$和$\boldsymbol{\Lambda}_k$为决策变量的非线性规划问题，可使用NLP求解器进行求解。伪谱法的优点是具有指数收敛性，即当配置点数量增加时，数值解的误差以指数速度衰减，适用于对精度要求较高的高阶导数最优控制问题。然而，伪谱法的计算量较大，尤其是当问题维度较高时，需要消耗大量的计算资源。五、高阶导数在最优控制中的应用案例（一）柔性机械臂的最优控制柔性机械臂是一种典型的包含高阶导数的系统，其动力学模型涉及弹性振动的二阶偏导数。考虑一个单连杆柔性机械臂，其动力学方程为：$$\rhoA\frac{\partial^2w(t,x)}{\partialt^2}+EI\frac{\partial^4w(t,x)}{\partialx^4}=\rhoAx\ddot{\theta}(t)+u(t)\delta(x-L)$$其中$w(t,x)$为连杆在时刻$t$、位置$x$处的横向振动位移，$\rho$为材料密度，$A$为连杆横截面积，$EI$为抗弯刚度，$\theta(t)$为关节转角，$u(t)$为关节力矩，$L$为连杆长度，$\delta(\cdot)$为狄拉克函数。性能指标定义为：$$J=\frac{1}{2}\int_0^T\left(\int_0^Lw(t,x)^2dx+\dot{\theta}(t)^2+u(t)^2\right)dt$$目标是寻找最优关节力矩$u(t)$，使得性能指标最小。通过引入状态变量$x_1(t,x)=w(t,x)$，$x_2(t,x)=\frac{\partialw}{\partialt}(t,x)$，$x_3(t)=\theta(t)$，$x_4(t)=\dot{\theta}(t)$，将动力学方程转化为一阶偏微分方程组：$$\begin{cases}\frac{\partialx_1}{\partialt}=x_2\\frac{\partialx_2}{\partialt}=-\frac{EI}{\rhoA}\frac{\partial^4x_1}{\partialx^4}+x\ddot{x}_3+\frac{u(t)}{\rhoA}\delta(x-L)\\dot{x}_3=x_4\\dot{x}_4=\frac{1}{I}\left(u(t)-\int_0^L\rhoAx\frac{\partial^2x_1}{\partialt^2}dx\right)\end{cases}$$其中$I$为关节转动惯量。引入协态变量$\lambda_1(t,x)$，$\lambda_2(t,x)$，$\lambda_3(t)$，$\lambda_4(t)$，构造哈密顿泛函：$$\begin{aligned}\mathcal{H}&=\frac{1}{2}\left(\int_0^Lx_1^2dx+x_4^2+u^2\right)+\int_0^L\lambda_1x_2dx+\int_0^L\lambda_2\left(-\frac{EI}{\rhoA}\frac{\partial^4x_1}{\partialx^4}+x\ddot{x}_3+\frac{u}{\rhoA}\delta(x-L)\right)dx\&\quad+\lambda_3x_4+\lambda_4\frac{1}{I}\left(u-\int_0^L\rhoAx\frac{\partial^2x_1}{\partialt^2}dx\right)\end{aligned}$$根据庞特里亚金极大值原理，极值条件为：$$\frac{\partial\mathcal{H}}{\partialu}=u+\frac{\lambda_2(t,L)}{\rhoA}+\frac{\lambda_4(t)}{I}=0$$即最优控制为：$$u^*(t)=-\frac{\lambda_2(t,L)}{\rhoA}-\frac{\lambda_4(t)}{I}$$协态方程为：$$\begin{cases}-\frac{\partial\lambda_1}{\partialt}=x_1+\frac{EI}{\rhoA}\frac{\partial^4\lambda_2}{\partialx^4}+\rhoAx\frac{\partial^2\lambda_4}{\partialt^2}\-\frac{\partial\lambda_2}{\partialt}=\lambda_1\-\dot{\lambda}_3=\frac{d}{dt}\left(\int_0^L\lambda_2xdx\right)\-\dot{\lambda}_4=x_4+\lambda_3\end{cases}$$横截条件为：$$\lambda_1(T,x)=0,\quad\lambda_2(T,x)=0,\quad\lambda_3(T)=0,\quad\lambda_4(T)=0$$边界条件为：$$x_1(t,0)=0,\quad\frac{\partialx_1}{\partialx}(t,0)=0,\quad\frac{\partial^2x_1}{\partialx^2}(t,L)=0,\quad\frac{\partial^3x_1}{\partialx^3}(t,L)=0\\lambda_2(t,0)=0,\quad\frac{\partial\lambda_2}{\partialx}(t,0)=0,\quad\frac{\partial^2\lambda_2}{\partialx^2}(t,L)=0,\quad\frac{\partial^3\lambda_2}{\partialx^3}(t,L)=0$$通过数值方法（如伪谱法）求解上述哈密顿系统，可以得到最优关节力矩$u^*(t)$和柔性机械臂的振动响应，从而实现高精度的轨迹跟踪和振动抑制。（二）飞行器的高阶动力学最优控制在飞行器的动力学建模中，通常需要考虑刚体运动和弹性振动的耦合，涉及状态变量的高阶导数。考虑一个弹性飞行器的动力学模型：$$\begin{cases}\dot{\boldsymbol{v}}(t)=\frac{1}{m}\boldsymbol{F}(\boldsymbol{v}(t),\boldsymbol{\alpha}(t),\boldsymbol{u}(t),t)+\boldsymbol{g}\\dot{\boldsymbol{\alpha}}(t)=\boldsymbol{A}\boldsymbol{\alpha}(t)+\boldsymbol{B}\boldsymbol{u}(t)\\dot{\boldsymbol{q}}(t)=\boldsymbol{C}\boldsymbol{q}(t)+\boldsymbol{D}\boldsymbol{\alpha}(t)\end{cases}$$其中$\boldsymbol{v}(t)\in\mathbb{R}^3$为飞行器的质心速度，$\boldsymbol{\alpha}(t)\in\mathbb{R}^n$为弹性振动模态坐标，$\boldsymbol{q}(t)\in\mathbb{R}^3$为姿态角，$\boldsymbol{u}(t)\in\mathbb{R}^m$为控制输入（如舵面偏转角度），$m$为飞行器质量，$\boldsymbol{F}$为气动力和推力的合力，$\boldsymbol{g}$为重力加速度，$\boldsymbol{A}$、$\boldsymbol{B}$、$\boldsymbol{C}$、$\boldsymbol{D}$为系统矩阵。性能指标定义为：$$J=\frac{1}{2}\left(\boldsymbol{v}(T)-\boldsymbol{v}_d\right)^\top\boldsymbol{Q}_v\left(\boldsymbol{v}(T)-\boldsymbol{v}d\right)+\frac{1}{2}\boldsymbol{\alpha}(T)^\top\boldsymbol{Q}\alpha\boldsymbol{\alpha}(T)+\frac{1}{2}\int_0^T\left(\boldsymbol{v}(t)^\top\boldsymbol{R}v\boldsymbol{v}(t)+\boldsymbol{\alpha}(t)^\top\boldsymbol{R}\alpha\boldsymbol{\alpha}(t)+\boldsymbol{u}(t)^\top\boldsymbol{R}_u\boldsymbol{u}(t)\right)dt$$其中$\boldsymbol{v}_d$为期望终端速度，$\boldsymbol{Q}v$、$\boldsymbol{Q}\alpha$、$\boldsymbol{R}v$、$\boldsymbol{R}\alpha$、$\boldsymbol{R}_u$为权重矩阵。通过引入协态变量$\boldsymbol{\lambda}v(t)\in\mathbb{R}^3$，$\boldsymbol{\lambda}\alpha(t)\in\mathbb{R}^n$，$\boldsymbol{\lambda}_q(t)\in\mathbb{R}^3$，构造哈密顿函数：$$\begin{aligned}H&=\frac{1}{2}\left(\boldsymbol{v}^\top\boldsymbol{R}v\boldsymbol{v}+\boldsymbol{\alpha}^\top\boldsymbol{R}\alpha\boldsymbol{\alpha}+\boldsymbol{u}^\top