Python 系统动力学作为fmin_slsqp的约束

我一直在尝试用python开发一个非线性模型预测控制（MPC）。该控制器的目标是最小化成本函数，系统动力学作为其约束，如中所述。
对于不熟悉它的人，每个时间步，控制器都会提前N个时间步进行预测，并尝试最小化成本函数，将预测的控制输入（u）和动力学（x）作为优化问题的独立变量

一个问题是自变量在它们之间是相依的，即x（k+1）依赖于x（k）和u（k）等等。
正如我所说的，我必须将动态作为约束来实现。我一直在使用以下代码执行此操作：

def constraint(self, ux0, x0):
    u = ux0[0:self.N]
    x = ux0[self.N:].reshape(self.N, 4).T
    x_next = x0
    for i in range(0, self.N-1):
        x0 = self.next_state(x0, u[i])
        x_next = np.c_[x_next, x0]
    return (x-x_next).T.flatten()

然后将其用作

fmin\u slsqp

上的

f_eqcons

基本上，动力学

x_next

与属于自变量

x

的状态之间的差值必须为零

真正的问题是，以

N=100

为例，我得到了500个自变量，计算优化需要花费很长时间。我的意思是，我甚至不能得到结果，我将不得不使用，至少

N=500

左右。我认为这是因为我实施约束的方式

---

我不确定这里是否是发布这篇文章的最佳方式，但你们中有人对实现这一点的正确方式有什么想法吗？

如果您的动态是线性的，您可以简单地在中描述问题并将其作为QP解决。这是非常直观的（代码读作数学。你可以按照这个例子开始

---

如果动力学是非线性的，我建议您使用。它允许定义非线性动力学并将其转换为非线性MPC问题。查看这个小的，他们的wiki以了解更多详细信息。

如果您不提供雅可比矩阵，数值微分将花费您的成本。此外，您正在使用一个更通用的工具（NLP解算器）。这将无法与更严格的工具竞争（例如，QP、SOCP；鉴于信息稀疏，很难推断是否适合）。您的问题本身非常不完整（代码方面；以及公式的上下文+符号解释）除此之外，很难推荐任何东西：对代码进行概要分析，看看什么是慢的：单个函数的评估；需要的迭代次数等等。