Оптимальное управление – это раздел теории управления, цель которого состоит в том, чтобы найти такой закон управления u(t), который минимизирует (или максимизирует) заданный функционал качества при соблюдении динамических ограничений системы․ Когда в постановке присутствуют условия в начальном и конечном моменте времени, получаем двухточечную краевую задачу (БКЗ)․

Теоретические основы

Принцип максимума Понтрягина

Ключевой инструмент решения БКЗ – принцип максимума Понтрягина․ Он формулирует необходимые условия оптимальности в виде системы сопряжённых уравнений:

1. Уравнения состояния: ẋ = f(x, u, t)
2. Уравнения сопряжённых (коштантных) переменных: ‑ṗ = ∂H/∂x, где H – гамильтониан․
3. Условие максимума: H(x, u, p, t) = max_{u∈U} H(x*, u, p, t)․
4. Краевые условия (трансверсальность) для p(t) в конечный момент T․

Краевая задача как двухточечная задача

В отличие от задачи Коши, где известны начальные условия, в БКЗ задаются условия в обеих точках:

• Начальные условия: x(0) = x₀
• Конечные условия (может быть условие трансверсальности): p(T) = ∂Φ/∂x (x(T))

Эти условия делают задачу нелинейной и часто требуют итерационных методов решения․

Математическая постановка задачи

В общем виде нелинейную задачу оптимального управления можно записать так:

Для конкретных приложений (мостовой кран, космический аппарат, поезд) выбираются специальные формы f, L и Φ․

Пример: перемещение груза мостовым краном

В работе, опубликованной в КиберЛенинке, в качестве начальных значений констант использовались:

• R₁(0) = 0,346
• R₂(0) = –0,158
• R₃(0) = 0,146
• R₄(0) = 0,138

Полученное время доставки груза 4,04 с использовалось как стартовая оценка для метода максимума․ Решение методом Ньютона сходилось за ≈25 итераций․

Пример: сближение космических аппаратов

Для задачи энергосберегающего сближения в нецентральном гравитационном поле применяется метод Ньютона к сопряжённым уравнениям Понтрягина․ Начальное приближение берётся из аналитического решения линейной модели․

Численные методы решения

Во всех случаях требуется дискретизация времени (например, шаг 0,01 с для задач с быстрым динамическим откликом) и решение линейных краевых задач в каждой итерации․

Реализация в MATLAB / Python

Для большинства исследовательских задач используют готовые пакеты:

• MATLAB: bvp4c, fmincon + собственные функции Понтрягина․
• Python: scipy․integrate․solve_bvp, библиотека CasADi для автоматического дифференцирования․

Применения краевых задач оптимального управления

• Мостовые краны – минимизация времени перемещения при ограничениях ускорения и силы․
• Космические аппараты – энергосберегающее сближение, маневры орбитального ввода‑вывода․
• Транспортные системы – скорейшая остановка поезда, оптимальное распределение тяговой силы․
• Социально‑экономические модели – планирование развития с дискретными шагами (месяц, год)․
• Механика пластин – контроль трещин в неоднородных материалах․

Во всех перечисленных примерах краевая задача формулируется в виде двухточечного условия, а её решение позволяет получить оптимальную траекторию и управляющий сигнал, удовлетворяющий физическим ограничениям․

Краевая задача в оптимальном управлении – мощный инструмент, позволяющий решать сложные инженерные и научные задачи, где требуется согласовать начальные и конечные требования․ Современные численные методы (Ньютон, продолжение, градиентные) в сочетании с программными средствами (MATLAB, Python, CasADi) делают возможным практическое применение теории Понтрягина в реальном времени․

Для успешного решения БКЗ необходимо:

1. Точно сформулировать модель динамики и ограничения․
2. Выбрать адекватный начальный приближение (часто используют аналитическое решение упрощённой задачи)․
3. Применить устойчивый численный метод и контролировать сходимость․
4. Провести валидацию полученных результатов на экспериментальных данных․

При соблюдении этих рекомендаций оптимальное управление с краевыми условиями становится доступным и надёжным инструментом в любой отрасли․