最优控制 = 性能指标驱动的设计

一、控制论本质

最优控制：在所有可能的控制律中，找到使性能指标 J 最优（最小或最大）的那一个。

性能指标（泛函）：
        J = ∫₀^T L(x(t), u(t), t) dt

目标：min J
约束：ẋ = f(x, u, t),  x(0) = x₀

关键属性：

不是"使系统稳定"（这是基本要求）
而是"在稳定的前提下，最优满足某种性能"
性能指标 = 误差平方积分 + 控制能量 + 调节时间 + ...

为什么有效：工程问题往往不是"能不能"，而是"做得多好"。最优控制把"好"量化成性能指标 J，再用数学方法求极值。

二、钱学森原话

钱学森 Ch 9 §9.4 引言： "在进行控制设计时，首先重要的是搞清楚最优控制是否存在。如果存在，那么最优控制律可以通过求解一个常微分方程的两点边界值问题来得到。"

钱学森 Ch 9 §9.4： "极大值原理告诉我们：在每一时刻，最优控制 u*(t) 使哈密顿函数 H 取得极大（或极小）值。这给出了最优控制律的必要条件。"

三、最优控制的几种典型形式

类型	性能指标	物理含义
最小能量	J = ∫ u² dt	控制代价最小（如节能、减磨损）
最快响应	J = T（调节时间）	最快达到目标
最小误差	J = ∫ e² dt	跟踪精度最高
综合最优	J = ∫(e² + α·u²) dt	精度 + 能量平衡

四、软件工程对位

最优控制场景	软件工程实例
性能调优	找使 P99 延迟最低的参数配置
资源调度	在 SLA 约束下使资源利用率最高
缓存策略	在内存约束下使命中率最高
数据库调优	在吞吐量约束下使延迟最低
机器学习	损失函数最小化（深度学习的本质）
编译优化	在编译时间约束下使运行最快
CDN 调度	在成本约束下使延迟最低
广告投放	在预算约束下使 ROI 最高

共同特征：

有明确的性能指标
多个变量可调
目标是找到最优参数组合

五、调用的 L 层方法论

方法论	在最优控制中的角色
optimal-control（最优控制）	极大值原理、动态规划
trilemma（三难困境）	性能指标的取舍
performance-consistency（性能与一致）	性能指标的具体维度

六、实战案例

案例 1：缓存容量优化

性能指标：J = -命中率
约束：内存 ≤ 4GB

状态：当前各缓存大小 [c1, c2, c3, c4]
控制：调整 [c1, c2, c3, c4]

目标：min J = -命中数
即：找最优缓存分配使总命中数最大

方法：
  - 解析法（拉格朗日乘子）：难（命中率函数非线性）
  - 数值法（梯度下降）：可行
  - 启发式（贪心 + 微调）：实用

案例 2：数据库连接池调优

性能指标：J = α·P99 + β·错误率 + γ·资源利用率
约束：CPU < 80%, 内存 < 80%

状态：连接池大小 = [min, max, timeout]
控制：调整这三个参数

目标：min J

方法：
  - 离线调优：基于历史数据
  - 在线调优：extremum-seeking（自寻最优）

案例 3：K8s HPA 参数寻优

性能指标：J = 服务成本（钱）+ SLO 违约成本
约束：SLO ≥ 99.95%

状态：[min_replicas, max_replicas, scale_up_step]
控制：调整这些参数

目标：min J = 服务成本 + SLO 违约成本

方法：
  - 理论分析（队列论 + 控制论）：粗调
  - A/B 测试（perturbation-theory 摄动）：细调

七、设计原则

原则 1：先验证存在性

钱学森 §9.4：
"在进行控制设计时，首先重要的是搞清楚最优控制是否存在。"

软件工程：
  1. 性能指标是否合理？可量化？
  2. 解空间是否连通？
  3. 是否有最优解？

原则 2：性能指标决定解

不同的 J 会有不同的最优 u*(t)

例：
  J = ∫u²dt → 节能，但慢
  J = ∫e²dt → 精确，但耗能
  J = ∫(e² + α·u²)dt → 综合最优（α 调权重）

原则 3：三难困境约束

钱学森 §4.8：
"片面的追求某一个高指标会使其他的性能受到影响。"

软件工程：
  性能 ↑ → 一致性 ↓（CAP）
  速度 ↑ → 准确 ↓（监控精度）
  资源 ↑ → 成本 ↑
  
任何最优控制都有约束，不是无约束最优

八、反模式

反模式	症状	应该改用
无明确 J	调参无方向	先定义性能指标
J 多目标冲突	优化陷入两难	用多目标规划（帕累托）
J 不可量化	无法比较	量化或转二选一
J 与业务脱节	优化结果无业务价值	回归业务指标

九、何时升级到其他结构

升级到自适应最优控制：

模型变化 → 最优解也变
需要在线重新计算 u*(t)

降级到次优控制：

最优解计算成本太高
用次优近似（如 PID）

十、控制结构对位（供业务主题引用）

本结构被调用：

themes/performance-tuning：参数寻优 = 最优控制
themes/architecture-evolution：架构选型 = 多目标最优

本结构调用：

optimal-control：极大值原理
trilemma：性能取舍约束
performance-consistency：性能指标定义

总结

最优控制 = 把"做得多好"量化成数学。当业务场景是：

有明确的性能指标（QPS/P99/成本/ROI）
有可调的参数空间
目标是找最优解

用最优控制：性能调优、参数寻优、资源调度。

关键：

J 必须可量化
J 必须与业务对齐
接受三难约束（不是无约束最优）

最优控制 = 性能指标驱动的设计 ​

一、控制论本质 ​

二、钱学森原话 ​

三、最优控制的几种典型形式 ​

四、软件工程对位 ​

五、调用的 L 层方法论 ​

六、实战案例 ​

案例 1：缓存容量优化 ​

案例 2：数据库连接池调优 ​

案例 3：K8s HPA 参数寻优 ​

七、设计原则 ​

八、反模式 ​

九、何时升级到其他结构 ​

十、控制结构对位（供业务主题引用） ​

总结 ​