2. 系统建模基础

做策略训练，第一步不是调算法，而是搞清楚你要控制的对象长什么样。

我见过不少新手，上来就扔一个神经网络进去跑强化学习，结果连系统的基本特性都没摸清楚。说白了，你连对手的底牌都没看，怎么出牌？

这一节，我们就聊聊系统建模的三种基本思路——白箱、灰箱、黑箱。我个人习惯把这三种模型比作「全透明玻璃房」、「半透明毛玻璃」和「全封闭黑匣子」。你想想看，哪种更适合你的场景？

2.1 白箱模型：一切尽在掌握

白箱模型，就是你对系统的物理规律了如指掌。

比如一个直流电机，你知道它的电压、电流、转矩、转速之间满足什么微分方程。你可以用牛顿定律、基尔霍夫定律，把整个系统用数学公式写出来。

我在项目中遇到过这样一个案例：做四旋翼无人机的姿态控制。旋翼的升力公式、陀螺效应、空气阻力，这些物理规律都是已知的。我们直接建立了完整的动力学模型，然后基于这个模型设计PID控制器。效果非常好，因为模型足够精确。

白箱模型的优缺点：

• 优点： 可解释性强，参数调整有方向，泛化能力好。
• 缺点： 建模成本高，复杂系统很难完全用物理公式描述。

2.2 黑箱模型：我不关心你内部怎么转

黑箱模型正好相反。你只关心输入和输出之间的关系，完全不理会内部机理。

说白了，就是「你给什么输入，我就看什么输出」。至于里面是齿轮传动还是电磁感应，我不在乎。

神经网络就是最典型的黑箱模型。你给它一堆历史数据，它自己学习映射关系。我在做工业过程控制时，遇到过一些老旧的化工反应釜，内部化学反应极其复杂，根本没法用公式描述。这时候，黑箱模型就是唯一的选择。

黑箱模型的优缺点：

• 优点： 建模速度快，不需要深入理解系统机理，适合复杂非线性系统。
• 缺点： 数据需求量大，泛化能力差，容易过拟合，可解释性几乎为零。

2.3 灰箱模型：取个折中，刚刚好

灰箱模型，就是你知道系统的大致结构，但具体参数不确定。

比如你知道一个弹簧阻尼系统满足二阶微分方程，但阻尼系数和刚度系数是多少？不知道。这时候你只需要用数据去拟合这几个参数就行。

我个人最喜欢灰箱模型。为什么？因为它结合了白箱的可解释性和黑箱的灵活性。你想想看，你不需要完全搞懂所有物理细节，但你又保留了模型的结构信息，这在实际工程中非常实用。

灰箱模型的优缺点：

• 优点： 数据需求比黑箱少，泛化能力比黑箱强，可解释性适中。
• 缺点： 需要一定的先验知识，结构假设错误会导致模型偏差。

2.4 三种模型的对比与选择

为了让你一目了然，我整理了一个表格：

怎么选？我一般遵循这个原则：

• 如果你对系统物理规律非常清楚，且模型简单——用白箱。
• 如果你完全不懂系统内部机理，但有大量数据——用黑箱。
• 如果你知道一些结构，但不确定具体参数——用灰箱。这是大多数工程场景的常态。

2.5 核心逻辑框架图

下面这张图，是我自己总结的模型选择决策流程，你可以参考：

2.6 实际工程中的选择策略

嗯，这里要注意一点：理论上的分类很清晰，但实际工程中往往是混合使用的。

我记得有一次做车辆动力学控制，轮胎的侧偏特性非常复杂。我用了白箱模型描述车体运动，用黑箱模型（一个小型神经网络）来拟合轮胎的非线性特性。这就是典型的灰箱思路——结构已知，局部用数据补全。

最后说一句：模型辨识不是一锤子买卖。你训练出来的策略，最终要在真实系统上跑。如果模型和真实系统差距太大，再好的算法也是白搭。所以，花时间把模型搞准，比调算法参数重要得多。

可可精品资料库