louis's blogs

发表于 分类于

Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub.

Quick Start

Create a new post

1
$ hexo new "My New Post"

More info: Writing

Run server

1
$ hexo server

More info: Server

Generate static files

1
$ hexo generate

More info: Generating

Deploy to remote sites

1
$ hexo deploy

More info: Deployment

发表于 更新于 分类于

1 伪谱法应用于最优控制问题

伪谱法 (Pseudospectral Method) 利用正交多项式根作为非均匀离散配点, 通过插值多项式对系统的状态与控制变量进行参数化处理. 相较于传统配点法, 伪谱法能够利用较少的离散节点实现更高的近似精度,避免了传统均匀插值方法产生的“龙格”现象,具有对初值不敏感, 收敛性良好的优点, 适用性广, 具备在线轨迹规划应用的潜力. 依据积分方法与离散节点配置的不同, 可以将伪谱法分为 Legendre-Gauss(LG) 伪谱法,Legendre-Guass-Lobatto(LGL) 伪谱法,Chebyshev-Guass-Lobatto(CGL) 伪谱法,Legendre-Guass-Radau(LGR)伪谱法等方法.

1.1 最优控制分类

动力下降问题分类1[1-3]

图 1: PDG 分类

动力下降问题分类2[4]

图 2: PDG 分类

数值方法分类[5-6] 直接法分类

图 3: Numerical solution approaches

图 4: Numerical solution approaches

图 5: Numerical solution approaches

图 6: Numerical solution approaches

1.2 使用 LGR 配点的 RPM 方法

LPM 和 GPM 作为直接法都能将最优控制问题通过在配点处离散转化为 NLP, 具备指数收敛速度, 但是 LPM 配点在两个边界处的特点使得其对协态的估计并不准确.GPM没有这个问题, 能够证明使用 GPM 的 NLP 与原连续时间最优控制问题具有等价性, 然而, 在初始边界处的控制并不是从 NLP 解中获得的. 相比之下,RPM 下的 NLP 最优性条件与原问题等价, 同时能直接解出初始控制量,并且复杂度明显低于 RPM[7].

1.2.1 拉格朗日多项式 (Lagrange polynomials)

在N+1 个节点上的N 次拉格朗日插值多项式有如下表述[8]: $$ L_{i}(\tau) = \prod_{\substack{j = 1\\ j\neq i}}^{N}\frac{\tau - \tau_{j}}{\tau_{i} - \tau_{j}},\quad (i = 0,\ldots ,N). $$ 若引入记号 gN(τ) = (τ − τ0)(τ − τ1)…(τ − τn),  n = 0, 1, 2, …. 易得 gN′(τk) = (τk − τ0)…(τk − τk − 1)(τk − τk + 1)…(τk − τn),  n = 0, 1, 2, …. 故拉格朗日插值基函数可写为： $$ L _ {j} (\tau) = \frac {g _ {N} (\tau)}{g _ {N} ^ {\prime} (\tau_ {j}) (\tau - \tau_ {j})}, \quad g _ {N} (\tau) = \prod_ {j = 0} ^ {N} (\tau - \tau_ {j}). $$ 利用拉格朗日多项式近似的函数可以表示如下: $$ u (x) = \sum_ {j = 0} ^ {n} u _ {i} l _ {i} (x)\tag{1} $$ 则u的一阶导数可以表述如下: $$ u ^ {\prime} (x) = \sum_ {j = 0} ^ {n} u _ {i} l _ {i} ^ {\prime} (x)\tag{2} $$ 微分矩阵可由如下式推出(其中i=j处的微分矩阵元素值可由洛必达法则求极限得到)[9]: $$ D _ {i j} = \left\{ \begin{array}{l l} \frac {g _ {N} ^ {\prime} (t _ {i})}{g _ {N} ^ {\prime} (t _ {j})} \frac {1}{t _ {i} - t _ {j}}, & i \neq j, \\ \frac {g _ {N} ^ {\prime \prime} (t _ {i})}{2 g _ {N} ^ {\prime} (t _ {i})}, & i = j. \end{array} \right. $$ 利用重心拉格朗日插值[10]可以将微分项简化为 $$ \begin{array}{r l} & l _ {j} ^ {\prime} (x _ {i}) = \frac {w _ {j} / w _ {i}}{x _ {i} - x _ {j}} \\ & l _ {j} ^ {\prime} (x _ {j}) = - \sum_ {i \neq j} l _ {j} ^ {\prime} (x _ {i}) \end{array}\tag{3} $$

其中 $$ w _ {j} = \frac {1}{\prod_ {k \neq j} (x _ {j} - x _ {k})}, \quad j = 0, \dots , n\tag{4} $$

1.2.2 勒让德多项式 (Legendre polynomial)

1814年罗德利克 (Rodrigul)给出了勒让德多项式的简单表达式[11] $$ P _ {N} (\tau) = \frac {1}{2 ^ {N} N !} \frac {d ^ {N}}{d \tau^ {N}} \big [ (\tau^ {2} - 1) ^ {N} \big ] $$ 勒让德多项式根难以直接计算，一般采用如下递推方法结合牛顿法求解: $$ \begin{array}{c} P _ {0} (t) = 1 \\ P _ {1} (t) = t \\ (N + 1) \cdot P _ {N + 1} (t) = (2 N + 1) \cdot t \cdot P _ {N} (t) - N \cdot P _ {N - 1} (t), \quad N \geq 1 \end{array} $$ 勒让德多项式还有以下恒等式(wiki上的,书本还没找到): $$ \begin{array}{c} \frac {x ^ {2} - 1}{n} \frac {d}{d x} P _ {n} (x) = x P _ {n} (x) - P _ {n - 1} (x) \\ \frac {d}{d x} P _ {n + 1} (x) = (n + 1) P _ {n} (x) + x \frac {d}{d x} P _ {n} (x) \\ (2 n + 1) P _ {n} (x) = \frac {d}{d x} (P _ {n + 1} (x) - P _ {n - 1} (x)) \end{array}\tag{5} $$

1.2.3 Legendre-Gauss-Radau(LGR) 伪谱法

LGR 伪谱法即 RPM 作为一种直接法, 已经经历了十足的探索[12-13,9,7,14-18], 其采用LGR配点作为原连续最优控制问题的非均匀离散点,使得原问题转换为可以求解的有限维非线性规划问题.LGR配点是如下 N 阶 LGR多项式在区间[ 1,1) 上的根: RN = PN − 1(τ) + PN(τ) 其中 PN 和 PN 分别为 N 阶以及 N-1 阶勒让德多项式. 利用勒让德多项式的递推公式与牛顿法可以解得原方程的数值解. 考虑 N 个 LGR 配点, (τ1, τ2, …, τn) , 其中 τ1 = −1 并且 τN < +1 . 新增右端点 τN + 1 = 1 作为节点. 注意到该节点并不属于 LGR 配点[13], 但是增加该节点有助于表述末端状态量. 因此对于一般 LGR 方法或 f-LGR 方法, 初始控制量/末端控制量需要在求解完 NLP 问题后外推得到[19,17]. 由于所有伪谱法的归一化时间间隔为 τ ∈ [−1, 1] ], 原最优控制问题的时间跨度为 t ∈ [t0, tf] , 因此存在如下时域变换关系: $$ \begin{array}{l l} & t = \frac {t _ {f} - t _ {0}}{2} \tau + \frac {t _ {f} + t _ {0}}{2} \\ t \in [ t _ {0}, t _ {f} ] & \xleftarrow {} \quad \tau \in [ - 1, 1 ] \end{array} $$ 在这种方法下, 原动力学方程可以表示如下: $$ \dot {x} (\tau) = \frac {t _ {f} - t _ {0}}{2} f (x (\tau), u (\tau), \tau)\tag{7} $$

$$ \begin{array}{c} \dot {x} (\tau) \approx \dot {X} ^ {N} (\tau) = \sum_ {k = 1} ^ {N + 1} X _ {i} \dot {L} _ {i} (\tau) = \sum_ {k = 1} ^ {N + 1} D _ {i k} x (\tau_ {k}) \\ \sum_ {k = 1} ^ {N + 1} D _ {i k} x (\tau_ {k}) = \frac {t _ {f} - t _ {0}}{2} f (x (\tau_ {i}), u (\tau_ {i}), \tau_ {i}), \quad i = 1, \dots , N. \end{array}\tag{8} $$ 对于包含右侧端点的最优控制问题,微分矩阵 D = [Dik] 并不是方阵. 最后,对于一般控制问题的 Bolza型代价函数: $$ J = \Phi (y (- 1), t _ {0}, y (+ 1), t _ {f}) + \frac {t _ {f} - t _ {0}}{2} \int_ {- 1} ^ {1} g (y (\tau), u (\tau), \tau ; t _ {0}, t _ {f}) d \tau\tag{9} $$ 利用 LGR 求积近似为: $$ J = \Phi \big (Y (\tau_ {1}), \tau_ {1}, Y (\tau_ {N + 1}), \tau_ {N + 1} \big) + \frac {t _ {f} - t _ {0}}{2} \sum_ {k = 1} ^ {N} w _ {k} g \big (Y _ {k}, U _ {k}, \tau ; t _ {0}, t _ {f} \big)\tag{10} $$ LGR求积公式有下面两种表述[8]: $$ w _ {i} = \left\{ \begin{array}{l} \frac {2}{N ^ {2}}, \quad i = 1, \\ \frac {1}{(1 - \tau_ {i}) \big [ \dot {P} _ {N - 1} (\tau_ {i}) \big ] ^ {2}} = \frac {1 - \tau_ {i}}{[ N \cdot P _ {N - 1} (\tau_ {i}) ] ^ {2}}, \quad 2 \leq i \leq N. \end{array} \right. $$

1.2.4 仅包含单侧端点

参考文献

[1] WANG J, ZHANG R, LI H. Disturbance rejection and convex optimization-based guidance for autonomous shipborne landing of a reusable rocket[J]. Aerospace Science and Technology, 2026: 111917.

[2] SONG Z Y, WANG C, THEIL S, et al. Survey of autonomous guidance methods for powered planetary landing[J]. Frontiers of Information Technology & Electronic Engineering, 2020, 21(5): 652-674.

[3] 张晓文, 王天舒, 王大轶, 等. 行星动力下降多约束最优反馈制导方法[J]. 宇航学报,2023, 44(8): 1171-1182.

[4] CHEN X, ZHANG R, LI H. Optimal feedback guidance with disturbance rejection for endoatmospheric powered descent[J]. Chinese Journal of Aeronautics, 2024: 103336.

[5] CHAI R, SAVVARIS A, TSOURDOS A, et al. A review of optimization techniques in spacecraft flight trajectory design[J]. Progress in Aerospace Sciences, 2019, 109: 100543.

[6] 杨智超. 可回收火箭动力下降轨迹优化及制导方法研究[D]. 哈尔滨工程大学, 2025.

[7] GARG D, PATTERSON M A, FRANCOLIN C, et al. Direct trajectory optimization and costate estimation of finite-horizon and infinite-horizon optimal control problems using a radau pseudospectral method[J]. Computational Optimization and Applications, 2011, 49 (2): 335-358.

[8] ABRAMOWITZ M E, STEGUN I A E. Handbook of mathematical functions with formulas, graphs, and mathematical tables[M]. U.S. Department of Commerce, National Bureau of Standards, 1964.

[9] FAHROO F, ROSS I M. Advances in pseudospectral methods for optimal control[C]// AIAA Guidance, Navigation and Control Conference and Exhibit. Honolulu, Hawaii: American Institute of Aeronautics and Astronautics, 2008.

[10] BERRUT J P, TREFETHEN L N. Barycentric lagrange interpolation[J]. SIAM Review, 2004, 46(3): 501-517.

[11] 李庆阳. 数值分析: 第 6 版[M]. 北京: 清华大学出版社, 2025.

[12] GARG D, PATTERSON M, HAGER W W, et al. A unified framework for the numerical solution of optimal control problems using pseudospectral methods[J]. Automatica, 2010, 46(11): 1843-1851.

[13] GARG D. Advances in global pseudospectral methods for optimal control[D]. USA: University of Florida, 2011.

[14] TANG X, CHEN J. Direct trajectory optimization and costate estimation of infinitehorizon optimal control problems using collocation at the flipped legendre-gauss-radau points[J]. IEEE/CAA Journal of Automatica Sinica, 2016, 3(2): 174-183.

[15] XIE L, ZHANG H, ZHOU X, et al. Hp-adaptive Pseudospectral Convex optimization for Rocket Powered Landing Trajectory Planning[C]//2019 Chinese Automation Congress (CAC). 2019: 895-900.

[16] ZHANG T, SU H, GONG C. Hp-adaptive RPD based sequential convex programming for reentry trajectory optimization[J]. Aerospace Science and Technology, 2022, 130: 107887.

[17] SAGLIANO M. Pseudospectral convex optimization for powered descent and landing[J]. Journal of Guidance, Control, and Dynamics, 2018, 41(2): 320-334.

[18] CANNATARO B Ş, RAO A V, DAVIS T A. State-defect constraint pairing graph coarsening method for karush–kuhn–tucker matrices arising in orthogonal collocation methods

for optimal control[J]. Computational Optimization and Applications, 2016, 64(3): 793- 819.

[19] SAGLIANO M, THEIL S, BERGSMA M, et al. On the radau pseudospectral method: Theoretical and implementation advances[J]. CEAS Space Journal, 2017, 9(3): 313-331.

发表于 更新于 分类于

个人博客制作

本次博客采用Hexo-NexT+Cloudflare制作。后续可以尝试typecho ## 官方网站

Hexo:快速、简洁且高效的博客框架 NexT:Theme for Hexo About Git

Cloudflare Docs:Git integration

部署流程

步骤

参考： 10 大静态网站生成工具 | Linux 中国, Hexo添加分类及标签（在Next主题下）, 使用 Hexo 和 Cloudflare 搭建你的博客, Cloudflare Pages + Hexo 搭建个人博客,

  • 购买域名
  • 下载安装并配置好git与node.js.验证方法： 
    1
    2
    3
    node -v
    npm -v
    git --version
    确认无误后即可进行下面的步骤。
  • 创建好文件夹并安装Hexo
  • 安装NexT 
    1
    2
    3
    4
    5
    6
    7
    # download
    cd hexo-site
    npm install hexo-theme-next

    # upgrade
    cd hexo-site
    npm install hexo-theme-next@latests
  • 创建本地仓库推送至github
  • 在Cloudflare中的Workers & Pages页面关联github仓库，并添加自定义域。 
    1
    2
    3
    # cloudflare中需要填
    npm install -g hexo; hexo clean; hexo generate
    # 并将输出目录写为public
    ### 优化

指令

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

npm install -g hexo-cli

hexo init <folder>
cd <folder>
npm install
hexo new [layout] <title>

hexo new page --path <path> "name"

hexo clean

#hexo g
hexo generate

#arg=
# -p
# -s 
# -l
hexo server [arg]

#all in one
hexo clean && hexo g && hexo s -s

issue

yml config

Configuration Files 防止覆盖 

1
2
3
4
# Installed through npm
cp node_modules/hexo-theme-next/_config.yml _config.next.yml
# Installed through Git
cp themes/next/_config.yml _config.next.yml

Categories & Tags

这两者的部署方法相同。首先输入 

1
hexo new page categories
接着在创建好的index.md下，在开头添加上 
1
type: "categories"
如果发现创建的位置不对，并且_config.next.yml也修改了的话，需要重新clean并generate。

Custom Home Page & Archives

参考：hexo自定义主页 

1
2
# 在/source/目录下
touch index.md

接着添加 

1
2
3
4
5
---
title: home
date: 2026-07-08 22:32:43
type: "home"
---
并在root-site中添加 
1
hexo  new page archives
并修改index_generato中的path字段为一空白文件夹，确保原始主页能够渲染。

Social

在_config.next.yml中的social:修改内容。

asset-folder

新建文章时会自动创建同名文件夹。 

1
2
# _config.yml
post_asset_folder: true

latex

How to enable LaTeX support in hexo-next theme 

1
2
3
4
5
6
7
8
9
10
# _config.next.yml
 mathjax:
    enable: true

# bash
npm uninstall hexo-renderer-marked --save
npm install hexo-renderer-pandoc --save 

# front-matter
mathjax: true

发表于 更新于
0%