数学基础：变分法、最优控制理论、微分方程与数值优化基础

飞行器轨迹优化问题的本质，是在满足动力学约束、路径约束和边界条件的前提下，寻找使性能指标（如燃料消耗、飞行时间、热载荷）取极值的状态与控制时间历程。这一数学建模与求解过程，深度依赖变分法、最优控制理论、微分方程理论和数值优化方法四大支柱。本章旨在厘清这些数学工具在轨迹优化中的角色定位、核心原理与工程衔接方式，为后续章节的算法实现奠定严格的理论基础。

2.1 变分法：从泛函极值到最优性必要条件

变分法是研究泛函极值问题的数学分支。在轨迹优化中，性能指标通常是一个泛函——即函数的函数。例如，最小燃料轨迹的性能指标可写为 J = ∫₀ᵗᶠ ṁ(t) dt，其中 ṁ(t) 是燃料消耗率的时间历程。变分法的核心任务是回答：在满足端点条件的所有可能轨迹中，哪一条使 J 取得极小值？

核心原理：欧拉-拉格朗日方程

对于最简单的变分问题 J = ∫ L(x, ẋ, t) dt，其中 x(t) 为状态函数，ẋ(t) 为其导数，若 x*(t) 为极值轨迹，则它必须满足欧拉-拉格朗日方程：

∂L/∂x - d/dt(∂L/∂ẋ) = 0

这一方程将泛函极值问题转化为微分方程求解问题。在飞行器轨迹优化中，L 通常代表瞬时代价（如推力大小、热流密度），而 x 代表位置、速度等状态量。欧拉方程提供了最优轨迹必须满足的一阶必要条件。

当端点条件不固定时，还需要补充横截条件（Transversality Conditions）。例如，若终点时间自由，则需满足 H(tf) = 0（哈密顿函数在终端为零）；若终点状态部分自由，则需满足相应的自然边界条件。这些条件在求解最优再入轨迹或时间自由拦截问题时至关重要。

判断方法与操作流程

在实际工程中，应用变分法求解轨迹优化问题的标准流程如下：

1. 建立数学模型：定义状态变量（位置、速度、质量等）、控制变量（攻角、推力方向等）和性能指标。
2. 构造哈密顿函数：H = L + λᵀ f(x, u, t)，其中 λ 为协态变量（拉格朗日乘子）。
3. 推导最优性条件：由欧拉方程得到状态方程、协态方程和控制方程。
4. 施加边界条件与横截条件：形成两点边值问题（TPBVP）。
5. 数值求解：采用打靶法或有限差分法求解 TPBVP。

2.2 最优控制理论：从变分法到工程实用框架

当控制变量存在不等式约束（如推力上限、攻角限制、热流约束）时，经典变分法难以直接处理。最优控制理论通过引入庞特里亚金极小值原理（PMP）和动态规划方法，将约束处理纳入统一框架，成为现代轨迹优化的理论基石。

庞特里亚金极小值原理

PMP 的核心思想是：最优控制 u*(t) 必须在每一时刻使哈密顿函数取极小值，即：

u*(t) = arg min_u H(x*(t), u, λ*(t), t)

这一条件比变分法中的 ∂H/∂u = 0 更一般，它允许最优控制位于约束边界上（如最大推力或零推力）。PMP 还给出了协态方程和横截条件的完整形式，使得求解带约束的最优控制问题成为可能。

动态规划与 HJB 方程

动态规划从另一个角度处理最优控制问题：将问题分解为子问题，利用贝尔曼最优性原理递推求解。对于连续时间系统，这导致哈密顿-雅可比-贝尔曼（HJB）方程：

-∂V/∂t = min_u { L(x,u,t) + (∂V/∂x)ᵀ f(x,u,t) }

其中 V(x,t) 为最优值函数。HJB 方程给出了全局最优的充分条件，但求解偏微分方程在飞行器轨迹优化中通常计算量过大，因此工程上更常用 PMP 或直接法。

方法	适用场景	优点	局限性
变分法	无约束或等式约束问题	解析性强，可提供最优性条件	难以处理不等式约束
PMP	带控制/状态约束问题	可处理边界控制，结构清晰	需要猜测协态初值，收敛困难
动态规划	小规模、离散状态问题	全局最优，无需梯度信息	维数灾难，计算量指数增长

2.3 微分方程理论：动力学建模与数值求解基础

飞行器运动方程通常是一组非线性常微分方程（ODE）或微分代数方程（DAE）。轨迹优化的每一步迭代都需要对动力学方程进行数值积分，因此微分方程理论是连接物理模型与优化算法的桥梁。

刚性问题与数值稳定性

高超声速飞行器或轨道机动问题中，状态变量可能具有截然不同的时间尺度（如快变的姿态角与慢变的轨道根数），导致方程组呈刚性。此时显式积分方法（如 RK4）需要极小的步长才能保持稳定，计算效率极低。工程上常采用隐式方法（如隐式 RK、BDF 方法）或变步长求解器（如 MATLAB 的 ode15s）来处理。

边值问题（BVP）与打靶法

间接法求解轨迹优化最终归结为求解两点边值问题：

ẋ = f(x, λ, t),  λ̇ = g(x, λ, t)
边界条件: ψ(x(t0), x(tf), λ(t0), λ(tf)) = 0

打靶法的基本思路是：猜测初始协态 λ(t0)，正向积分至 tf，检查终端条件是否满足，若不满足则用牛顿法修正猜测值。单重打靶对初值极其敏感，多重打靶将时间域分段，每段独立积分并施加连续性条件，显著提高了鲁棒性。

2.4 数值优化基础：从离散化到非线性规划

直接法将轨迹优化问题离散化为有限维非线性规划（NLP）问题，然后利用数值优化算法求解。这一路径绕开了协态猜测的困难，成为当前工程应用的主流。

离散化策略

• 直接打靶法：仅离散化控制变量，状态由积分得到。变量少，但动力学约束难以满足。
• 直接配点法：同时离散化状态和控制变量，在配点处满足动力学残差。适合处理路径约束。
• 伪谱法：使用全局多项式（如 Legendre-Gauss-Lobatto 点）近似状态和控制，收敛速度快，精度高，适合光滑问题。

NLP 求解算法

离散化后的问题通常具有稀疏结构，适合用序列二次规划（SQP）或内点法求解。SQP 通过迭代求解二次规划子问题逼近原问题，内点法则通过障碍函数处理不等式约束。现代工具如 IPOPT、SNOPT 已广泛用于轨迹优化。

离散化方法	变量规模	精度	适用场景
直接打靶	小（仅控制）	中	控制平滑、无路径约束
直接配点（梯形/辛普森）	中	中高	一般轨迹优化，含路径约束
伪谱（Gauss/LGL）	中	高（指数收敛）	光滑问题，高精度需求

案例拆解：低推力轨道转移的离散化对比

以地球-火星低推力转移为例，推力加速度约 10⁻⁴ m/s²，转移时间约 200 天。采用直接打靶法时，控制变量（推力方向角）每 5 天一个节点，共 40 个变量，但动力学积分误差累积明显。改用配点法后，将时间域分为 60 段，每段 3 个配点，状态变量约 360 个，NLP 求解时间增加但精度显著提升。伪谱法仅需 30 个 LGL 点即可达到类似精度，但对初始猜测敏感。实际工程中，常先用配点法获得粗糙解，再用伪谱法精化。

2.5 常见误区与总结复盘

在掌握上述数学工具时，学习者常陷入以下误区：

• 混淆必要条件和充分条件：PMP 和欧拉方程只提供必要条件，不保证全局最优。需结合二阶充分条件或数值验证。
• 忽视数值病态：轨迹优化问题常具有尺度差异（如位置 10⁶ m，速度 10³ m/s），需进行无量纲化或变量缩放，否则优化算法收敛极慢。
• 盲目选择求解器：SQP 适合中小规模问题，内点法适合大规模稀疏问题。需根据离散化规模选择匹配的 NLP 求解器。
• 忽略约束可行性：在迭代过程中，路径约束（如动压、过载）可能被违反。需在 NLP 中显式加入约束，并设置合理的松弛因子。