【例程演示】 使用MATLAB打开Demo_PolePlace.m文件，可根据需要修改*...*注释行之间的参数，点击运行即可。 具体内容参见文件内详细注释。 【资源内容】 包含5个.m文件： 1. dynamic_fun.m 非线性倒立摆精确数学模型的状态空间方程函数。 输入：当前倒立摆状态向量，当前控制作用量 输出：状态向量导数 #注意：使用了global全局变量 2. dynamic_rk4.m 使用四阶龙格-库塔法进行微分方程数值递推计算的函数。 输入：当前时刻的状态向量、当前控制作用量 输出：下一时刻的状态向量 3. place_poles.m 使用极点配置法生成状态反馈增益矩阵的函数。 输入：倒立摆系统中的若干个常数参量 输出：状态反馈矩阵 4. render.m 根据记录数据生成演示动画的函数 输入：时间记录表、状态向量记录表 输出：无 5. Demo_PolePlace.m 演示示例（主程序）

基于扩张状态观测器的永磁同步电机(PMSM) 自抗扰控制ADRC仿真模型 MATLAB Simulink ①跟踪微分器TD：为系统输入安排过渡过程，得到光滑的输入信号以及输入信号的微分信号。 ②非线性状态误差反馈律NLSEF：把跟踪微分器产生的跟踪信号和微分信号与扩张状态观测器得到的系统的状态计通过非线性函数进行适当组合，作为被控对象的控制量 ③扩张状态观测器ESO：作用是得到系统状态变量的估计值及扩张状态的实时作用量。 在现代电气工程和自动化控制领域，永磁同步电机（PMSM）因其高效率、高精度和优良的动态性能而得到广泛应用。电机控制系统的设计与优化一直是电气工程研究的热点，其中包括自抗扰控制（Active Disturbance Rejection Control, ADRC）的研究。ADRC是一种新型的控制策略，它通过对系统内外扰动的在线估计与补偿，达到提高系统控制性能的目的。 自抗扰控制的关键在于扩张状态观测器（Extended State Observer, ESO），它能够估计系统状态变量以及系统内外扰动的实时作用量。ESO通过构造一个虚拟的扩张状态，将系统的不确定性和外部干扰归纳其中，使得系统控制设计仅需考虑这个虚拟状态的观测问题。而跟踪微分器（Tracking Differentiator, TD）的作用是为系统输入安排一个平滑的过渡过程，并能够得到光滑的输入信号及其微分信号。这样设计的好处是，在系统的控制输入和状态变化剧烈时，能够有效避免由于突变引起的控制性能下降。 非线性状态误差反馈律（Nonlinear State Error Feedback, NLSEF）则是将TD产生的跟踪信号和微分信号与ESO获得的系统状态估计通过非线性函数进行组合，形成被控对象的控制量。这个反馈机制是ADRC的核心，其设计的合理性直接关系到控制系统的性能。 MATLAB Simulink作为一款强大的仿真工具，为复杂系统的模型构建、仿真分析和控制设计提供了便利。通过在Simulink环境中搭建基于扩张状态观测器的永磁同步电机自抗扰控制模型，研究人员可以直观地观察和分析系统的响应特性，对控制策略进行优化调整，进而达到提高电机控制精度和稳定性的目的。 仿真模型的构建过程涉及多个环节，包括电机模型的建立、控制器的设计、扰动的模拟与补偿等。在具体实施中，首先需要对PMSM进行精确建模，包括电机的基本参数、电磁特性以及机械特性等。然后根据ADRC的原理，设计出相应的ESO和NLSEF算法，并通过Simulink中的各种模块进行搭建和仿真。仿真过程中，研究人员可以根据需要对模型参数进行调整，观察控制效果，以达到最佳的控制性能。 通过仿真模型，可以对永磁同步电机在不同的工作条件下的性能进行分析，包括起动、负载变化、速度控制等。此外，还可以模拟各种扰动因素，如负载突变、电网波动等，检验ADRC的抗扰动能力。这种仿真分析方法对于预测系统的实际表现、优化控制策略、降低研发成本等方面具有重要意义。 在现代电机控制领域，通过模型仿真进行控制策略的预研和验证已成为一种普遍的做法。基于扩张状态观测器的永磁同步电机自抗扰控制ADRC仿真模型的研究，不仅推动了电机控制理论的发展，也为实际应用提供了有效的技术支持。随着电气工程领域技术的不断进步，类似的研究还将继续深化，对提高电机控制系统的性能、拓展其应用范围具有重要的理论和实际价值。

# 基于Python和PyTorch的PINN求解偏微分方程 ## 项目简介 本项目使用Python和PyTorch实现PINN（PhysicsInformed Neural Network，物理信息神经网络）来求解偏微分方程。PINN是一种结合物理规律与神经网络的方法，能够利用物理先验知识辅助神经网络的训练，从而得到更好的模型性能。本项目通过PINN求解了薛定谔方程和Burgers方程，展示了PINN在求解偏微分方程方面的应用。 ## 项目的主要特性和功能 1. PINN求解薛定谔方程通过PINN网络逼近薛定谔方程的解，使用PyTorch的自动微分功能计算网络输出的梯度，结合薛定谔方程的残差项构建损失函数进行训练。 2. PINN求解Burgers方程利用PINN网络逼近Burgers方程的解，采用与薛定谔方程相似的训练策略，结合Burgers方程的残差项构建损失函数进行训练。

数字微分器设计算例7.6.1 分别用矩形窗和哈明窗设计N=6的数字微分器。 解：此题的MATLAB程序hc761非常简单： N=6; tau=(N-1)/2; n=[0:N-1]+eps; % 微分器长度 hd =-sin((n-tau).*pi)./(pi.*(n-tau).^2); % 脉冲响应 hh=hd.*hamming(N)‘; % 加哈明窗后的系数 [Hd,wd]=freqz(hd,1); %矩形窗微分器频率响应 [Hh,wh]=freqz(hh,1); % 哈明窗微分器频率响应 运行程序所得的微分器系数分别为hd及hh。其符幅特性见下图，对三种情况进行了比较》

二维 Savitzky-Golay 微分滤波器。 这里考虑了中心点的滤波器系数和一阶导数（微分）。 用法： h=sgdf_2d(x,y,nx,ny,flag_coupling) x = x 数据点，例如 -3:3 y = y 数据点，例如 -2:2 nx =x 多项式阶数默认值=1 ny =y 多项式阶数默认值=1 flag_coupling = 考虑或不考虑 x 和 y 之间的耦合项。 默认值=0 例子： sgdf_2d(-3:3,-4:4,2,2) sgdf_2d(-3:3,-4:4,2,3,1) 作者： 罗建文 2004-10-31 生物医学工程系清华大学，北京 100084 参考[1]A. Savitzky 和 ​​MJE Golay，“通过简化的最小二乘程序对数据进行平滑和区分”， 分析化

利用Matlab实现列车-钢弹簧浮置板-轨道耦合垂向时域仿真的方法。首先对系统参数进行初始化，包括列车质量、钢弹簧刚度和阻尼比等关键参数。接着展示了如何通过微分方程建模列车与轨道之间的相互作用，特别是轮轨接触力的计算以及轨道振动的有限差分离散处理。文中还强调了选择合适的求解器（如ode45），并解释了其原因。最后，通过三维可视化展示了振动波在轨道上的传播情况，帮助识别潜在的共振危险区域。 适合人群：对轨道交通动力学感兴趣的科研人员、工程师及高校相关专业学生。 使用场景及目标：适用于研究列车行驶过程中产生的振动特性及其对轨道的影响，可用于优化轨道设计、评估列车运行安全性等方面的研究。 其他说明：本文提供的Matlab代码经过实测验证，能够准确复现《车辆-轨道耦合动力学》一书中的经典案例，并支持自定义多种工况模拟。

常微分方程（Ordinary Differential Equations, ODEs）是数学的一个重要分支，它研究的是函数及其导数之间的关系。在这个主题中，我们通常会遇到一个或多个未知函数，以及它们的导数，这些函数需要满足特定的数学关系。王高雄版的常微分方程幻灯片为学习者提供了深入理解这一领域的宝贵资源，尽管第四章可能不完整。 1. **基本概念**: 常微分方程是由未知函数及其导数构成的一类方程。它们可以分为初值问题和边值问题，前者要求给出函数在某一点的值，后者则涉及函数在一定区间上的边界条件。 2. **分类**: - 按解的性质分：线性与非线性。线性方程可以通过超级和次级求解，而非线性方程则更为复杂，可能需要数值方法。 - 按阶数分：一阶、二阶、高阶等。一阶方程是最基础的，高阶方程可以通过降阶处理成一阶系统。 - 按解的个数分：常数解、周期解、奇解等。不同的解类型对应着不同的物理或工程现象。 3. **解法**: - 解析解：对于简单的一阶线性方程，可以使用分离变量法、积分因子法等。二阶线性齐次方程可以利用特征根和对应的线性组合求解。 - 数值解：对于复杂或非线性的方程，通常使用Euler方法、Runge-Kutta方法等数值方法来逼近真实解。 4. **线性常微分方程**： - 特征根理论：线性常微分方程的解可以表示为其特征根的指数函数的线性组合。特征根的性质决定了解的稳定性。 - 齐次与非齐次：齐次方程的解由齐次解和特解组成，非齐次方程需要找到一个特解加上齐次解的通解。 5. **微分方程的物理应用**： - 动力学：牛顿第二定律的表述常常涉及二阶常微分方程，如弹簧振子和单摆问题。 - 生物学：种群模型，如逻辑斯蒂增长模型，用一阶微分方程描述种群数量的变化。 - 控制理论：自动控制系统中的稳定性分析离不开常微分方程。 - 经济学：经济增长模型，如Solow-Swan模型，通过常微分方程来描述经济变量的动态演变。 6. **第四章：可能的缺失内容**： - 第四章通常会涉及非线性方程、相平面分析、稳定性理论等内容。非线性方程可能包括奇点分析、Hopf分岔等复杂主题。相平面分析则帮助我们直观地理解二阶方程的动态行为。稳定性理论讨论了平衡点的稳定性条件，这对于理解和预测系统行为至关重要。 以上是常微分方程的基础知识概览，虽然王高雄版的幻灯片缺失了第四章的部分内容，但学习者仍能从其他章节中获得丰富的理论和实例解析，为进一步深入研究打下坚实基础。

MATLAB是一种强大的编程环境，尤其在数学计算、数据分析和算法开发方面表现卓越。"MATLAB语言常用算法_偏微分方程的数值解法"这个压缩包文件显然聚焦于使用MATLAB来解决偏微分方程（PDEs）的问题。偏微分方程在物理学、工程学、经济学等多个领域都有广泛应用，而其数值解法是处理复杂问题的关键。 MATLAB提供了多种内置工具和函数来帮助用户求解偏微分方程。主要的PDE求解器包括PDE Toolbox（适用于二维和三维的结构和流体问题）和FEM Toolbox（用于有限元方法）。这些工具箱包含了丰富的功能，可以用来建模、求解和后处理PDE问题。 1. **有限差分法**：这是最基础的数值解法之一，通过将连续区域离散化为网格，然后对每个网格节点上的偏微分方程进行近似。MATLAB中的`fd_coefficients`函数可以生成有限差分算子，而`deval`函数则用于在离散节点上评估导数。 2. **有限元素法**：FEM Toolbox提供了实现有限元素方法的工具。该方法通过将连续区域划分为多个互不重叠的子区域（元素），在每个元素内构造简单的基函数，从而形成全局解决方案。MATLAB中的`pdepe`函数可用于一维PDEs，而`femm`等第三方工具箱则扩展了这一功能到二维和三维空间。 3. **谱方法**：这种方法基于傅里叶级数展开，适用于周期性边界条件的问题。MATLAB的`chebfun`库提供了一种高效的方法来处理这些问题，它能够自动选择合适的基函数并进行高精度求解。 4. **投影方法**：这种方法将PDE转化为一组代数方程，通过迭代求解。MATLAB的`pdepe`函数也支持投影方法。 5. **格林函数方法**：通过求解特定的积分方程来找到问题的解。MATLAB的`integral`和`quad`函数可以用于数值积分，有助于构建格林函数。 在学习过程中，你需要理解每种方法的基本原理，熟悉MATLAB中的相关函数，并掌握如何设置边界条件、网格生成和误差分析。此外，对于复杂的PDE系统，可能还需要进行非线性处理和迭代求解。MATLAB的`ode`和`solve`系列函数是处理这类问题的强大工具。 "MATLAB语言常用算法_偏微分方程的数值解法"这个资料包将涵盖上述方法的理论和实践应用，帮助你深入理解如何利用MATLAB来解决实际的偏微分方程问题。通过学习和实践，你可以提高在数值计算领域的技能，为解决实际工程或科研问题打下坚实基础。

【LQR和微分博弈1】讲解了最优控制的数学理论，主要涵盖了庞特里亚金极小值原理（PMP）和哈密顿-雅可比-贝尔曼方程（HJB方程），以及微分博弈的基础知识，并通过一个零和追逃博弈的实例进行了阐述。 最优控制问题在工程、经济和物理等多个领域都有广泛应用。其基本框架是，给定一个受控系统的动态方程，以及一个性能指标函数，目标是找到一个控制策略使得该性能指标达到最优。在这个过程中，状态方程描述了系统随时间变化的规律，而性能指标通常包括终态条件和过程成本。 庞特里亚金极小值原理是解决这类问题的一种方法。它指出，对于最优控制问题，存在一组辅助变量——协态（或称为李雅普诺夫向量），通过满足极值条件和规范方程来确定最优控制。极值条件表明，对于任意可行的控制，H函数（哈密顿量）的值在最优控制下是最小的。规范方程则给出了状态和协态的演化规则，同时边界条件处理了目标集的问题。 HJB方程是动态规划理论在连续时间控制问题中的体现，它源于贝尔曼的最优性原理。值函数定义为从某一初始状态和时间出发，采用最优控制策略到达目标时的性能指标。HJB方程描述了值函数随时间和状态变化的关系，且在最优控制下，值函数应满足该方程。当值函数存在二阶连续偏导数时，HJB方程提供了求解最优控制问题的微分必要条件。 微分博弈是多agent系统中决策优化的一个分支，涉及到两个或多个参与者相互作用的动态过程。每个参与者都试图最大化自己的效用，而这个效用可能与对方的策略直接相关。在零和追逃博弈的实例中，两个参与者（追者和逃者）通过调整各自的控制策略，试图达到各自的目标，例如追者试图抓住逃者，而逃者则要避免被捕。 总结来说，LQR（线性二次调节器）是一种特定的最优控制问题，而微分博弈则是考虑多方交互的最优控制理论。这些理论不仅在理论上有重要意义，也在实际应用中有着广泛的价值，如自动驾驶、航空航天控制、电力系统调度等。通过理解和应用PMP、HJB方程以及微分博弈理论，我们可以设计出更加智能和高效的控制系统。

在数学和科学计算领域，延时微分方程（Delay Differential Equations, DDEs）是一种常见的模型，用于描述系统中具有时间滞后效应的现象。在实际应用中，DDEs广泛应用于生物、化学、工程、经济等多个学科。解决这类方程通常需要特殊的数值方法，其中龙格库塔法（Runge-Kutta methods）是一种常用且有效的工具。 龙格库塔法是一种数值积分方法，最初由卡尔·龙格和明可夫斯基分别独立发展，用于常微分方程（Ordinary Differential Equations, ODEs）的近似求解。该方法通过构造一系列加权函数，将微分方程的解近似为这些函数的线性组合，从而逐步推进解的时间步长。龙格库塔法有多种阶数，包括四阶、五阶、六阶等，阶数越高，精度通常也越高，但计算复杂度会增加。 对于延时微分方程，由于涉及到过去时间点的函数值，所以在数值求解时需要额外处理。通常的做法是先存储一定历史时期的解，然后在每次时间步进时考虑这个历史区间内的信息。MATLAB作为一个强大的数值计算环境，提供了丰富的工具箱支持DDEs的求解，如`dde23`、`dde solver suite`等函数。 在提供的压缩包文件中，"龙格库塔法求解延时微分方程matlab"可能是包含MATLAB代码的脚本或函数，用于演示如何利用龙格库塔法来解决DDE问题。通常，这样的代码会定义DDE的延迟项，设置初始条件，选择适当的龙格库塔方法，并进行时间步进计算。它可能还会包含对解的可视化和结果分析。 【源码使用必读】.url文件则可能是一个链接，指向详细的使用指南或者教程，帮助用户理解代码的工作原理，以及如何根据自己的需求修改和应用这段代码。在使用之前，建议先阅读这个链接，了解基本概念和操作步骤，以确保正确理解和运行代码。 为了深入理解这个压缩包中的内容，你需要熟悉MATLAB的基本语法和数值计算功能，特别是DDE的求解部分。同时，理解延时微分方程的数学背景也很重要，包括DDE的定义、解的存在性和稳定性分析等。此外，掌握一定的数值分析知识，如误差分析和稳定性理论，将有助于你更好地评估和优化求解过程。