GEKKO滚动时域估计(MHE)无初始值时求解失败求助

问题根源 #

为啥去掉r和alpha的初始值就报错？说白了就是MHE这种滚动估计方法本来就需要一个初始猜测来缩小求解范围。完全不给初始值，求解器得在整个变量空间里瞎找，大概率找不到符合约束的可行解，直接返回“Solution Not Found”。

实用解决办法 #

• 用软约束替代硬初始值
  别直接给变量赋值固定初始值，改成加个轻量的惩罚项引导求解器：

  # r0、alpha0是你认为的合理初始范围，w设0.1就行，可根据情况调整
  m.Obj(0.1*(r[0]-r0)**2 + 0.1*(alpha[0]-alpha0)**2)
  

  这样既不会把初始值焊死，又能给求解器指个收敛方向，估计值也能自由贴合真实状态。

• 分阶段递推求解
  先给个临时初始值跑一轮，把这次的估计结果当下次的初始猜测，慢慢弱化初始约束：

  1. 第一轮用固定初始值求解，存下r和alpha的最终结果
  2. 第二轮把存的结果当初始猜测，同时降低惩罚项的权重
  3. 重复两三轮后再去掉初始约束，这时候求解器已经有接近真实值的起点了

• 给变量加合理边界
  根据你的物理场景给r和alpha设上下限，比如：

  r.lower = 0.0  # 比如r是距离，不可能为负
  r.upper = 20.0 # 设个符合场景的合理上限
  alpha.lower = -math.pi/2
  alpha.upper = math.pi/2
  

  把求解范围框在物理可行的区间里，求解器找解的概率会大幅提升。

• 调整求解器参数
  换求解器没用的话，试试放宽收敛要求或者增加迭代次数，比如用IPOPT时：

  m.options.RTOL = 1e-4  # 把相对容差适当放宽
  m.options.MAX_ITER = 1000  # 给求解器多留点迭代次数
  

  有时候不是真的无解，是求解器默认参数太严格，没跑完就提前放弃了。

贴合真实状态的关键细节 #

想让估计结果更准，得抓好两个核心设置：

• 窗口长度：别太短，至少5-10个时间步，不然历史数据不够修正状态；也别太长，不然计算量太大收敛慢，自己测试着找个合适的长度。
• 噪声协方差：根据你用的传感器精度设置，协方差越小说明越信任观测值，越大就越依赖模型预测，设置不合理会直接导致估计结果偏离真实状态。

内容的提问来源于stack exchange，提问作者kingdom_coder