晨光
暗夜
晨光
极光
Bilingual Paper Reading · 中英对照精读

基于滑模控制的鲁棒约束优化（Robust Constrained Optimization via Sliding Mode Control）

准大一 · 自动化 × 滑模控制 × 优化与控制 —— 滑模控制求解约束优化问题精读材料
原文：arXiv:2604.27587 2026年4月30日发布 arXiv 预印本（math.OC / eess.SY） 滑模控制 × 约束优化 × 有限时间收敛 附英文摘要朗读音频

一、论文档案

英文标题Robust Constrained Optimization via Sliding Mode Control
中文标题基于滑模控制的鲁棒约束优化
作者希亚姆·卡马尔, 巴比·戴安娜, 苏尼迪·潘迪, 桑迪普·戈什, 丁玉石（机构未在素材中标注）
发布时间2026年4月30日（v1）｜分类：math.OC（优化与控制）、eess.SY（系统与控制）
原文链接arxiv.org/abs/2604.27587　·　全文 HTML 版
一句话概括把约束优化的一阶最优性条件改写成「控制仿射动力系统」——优化变量当状态、拉格朗日乘子当控制输入、等式约束当滑模面，用滑模控制当「优化器」，保证约束有限时间精确满足、不依赖目标函数凸性、且对扰动鲁棒。
💡 为什么选这篇给你：① 自动化的看家本领就是「用控制的思想解决别的问题」——这篇把经典优化问题重新当作一个控制系统来设计，思路特别开阔；② 滑模控制（SMC）是本科《现代控制理论》就能听懂的强鲁棒控制方法，这里用到的滑模面、抖振、李雅普诺夫分析都是可迁移的硬知识；③ 结果不靠堆算力：非凸优化、机器人避障、数独可行性等基准上全面超过经典连续时间优化方法，故事完整、可复现。

二、核心术语表（先扫一遍再读正文）

英文术语中文大白话解释
sliding mode control (SMC)滑模控制把系统状态「按」到一条设计好的滑模面上，一旦到达就沿面滑动，对扰动不敏感。
equality constrained optimization等式约束优化在满足 h(x)=0 这类等式约束的前提下最小化目标函数 f(x)。
KKT conditionsKKT 一阶最优性条件带约束优化的一阶必要条件：梯度、约束、互补性三者同时成立，是判断最优解的「路标」。
control-affine dynamical system控制仿射动力系统形如 ẋ = f(x) + g(x)u 的系统：控制输入 u 以「仿射（线性）方式」进入状态方程。
Lagrange multipliers拉格朗日乘子把约束「折算」进目标函数的系数，在这里被当作控制输入来设计。
sliding manifold滑模流形（滑模面）状态空间中设计的一条「理想轨迹面」，约束满足时状态就落在这条面上。
finite-time convergence有限时间收敛在有限的时间（而非无限逼近）内到达目标——比渐近稳定更强、更实用。
matched disturbance匹配扰动与输入通道同方向的扰动，滑模控制对其有天然的抑制能力。
nonsingular terminal sliding mode (NTSMC)非奇异终端滑模一种改进滑模面，让状态在有限时间内到达滑模面且不产生奇异项，收敛更快。
normed gradient flow归一化梯度流把梯度方向「单位化」后再下降，保证在有限时间内抵达最优解而不是慢慢逼近。
Lyapunov analysis李雅普诺夫分析构造能量函数证明系统稳定/收敛的经典工具，本文用它证明闭环稳定性。
chattering抖振滑模控制在滑模面附近高频切换造成的震颤现象，可用平滑化策略缓解。
PDGD / PI-CMO / PGF原始-对偶梯度动力学 / 受控乘子优化 / 投影梯度流三类经典连续时间优化方法，是本文的对标基准。
asymptotic stability (AS)渐近稳定性随时间趋于无穷才收敛到目标——经典方法往往只保证这种「慢收敛」。

三、摘要中英对照（精读核心）

🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。

摘要 Abstract

EN · 原文
This paper develops a sliding mode control based frame work for equality constrained optimization by reformulation the first order Karush Kuhn Tucker conditions as control affine dynamical system.
CN · 翻译
本文通过把一阶 KKT 最优性条件改写成控制仿射动力系统，为等式约束优化开发了一套基于滑模控制的框架。
EN · 原文
The optimization variables are treated as states and the Lagrange multipliers as control input, with equality constraints defined as sliding manifold.
CN · 翻译
优化变量被当作系统状态，拉格朗日乘子被当作控制输入，等式约束则被定义为滑模流形。
EN · 原文
The resulting design guarantees exact constraint enforcement with finite time convergence, independent of objective convexity, and exhibits robustness to matched disturbance, structural uncertainty and bounded measurement noise.
CN · 翻译
由此得到的方案精确满足约束并有限时间收敛，与目标函数是否凸无关，并且对匹配扰动、结构不确定性和有界测量噪声都具有鲁棒性。
EN · 原文
To accelerate the convergence, a nonsingular terminal sliding mode based normed gradient flow is introduced, ensuring both finite time convergence to optimal solution and constraint satisfaction.
CN · 翻译
为加速收敛，引入了基于非奇异终端滑模的归一化梯度流，同时保证有限时间收敛到最优解与约束满足。
EN · 原文
Rigorous Lyapunov analysis establishes closed loop stability and convergence.
CN · 翻译
严格的李雅普诺夫分析建立了闭环系统的稳定性与收敛性。
EN · 原文
Numerical studies across diverse benchmark problems demonstrate superior accuracy and robustness over classical continuous time optimization method, highlighting effectiveness under disturbance.
CN · 翻译
跨多个基准问题的数值实验表明：相比经典连续时间优化方法，本文方法精度更高、鲁棒性更强，尤其在存在扰动时效果突出。

arXiv 分类 Categories：math.OC（优化与控制）｜eess.SY（系统与控制）

四、引言精选（为什么这个问题重要）

① 连续时间优化：把「迭代算法」看成「微分方程」

EN · 原文
Continuous-time optimization models iterative algorithms as differential equations, arising as infinitesimal-step limits of discrete methods, and provide a powerful framework for analyzing stability and convergence in large-scale convex and nonconvex problems. Gradient flow is the continuous-time analogue of gradient descent, while proximal minimization emerges from backward Euler discretization.
CN · 翻译
连续时间优化把迭代算法建模成微分方程——它是离散方法步长趋于无穷小时的极限，为分析大规模凸/非凸问题的稳定性与收敛性提供了强大框架。梯度流是梯度下降的连续时间版本，近端最小化则源于向后欧拉离散化。

② 旧方法的通病：只能渐近收敛、约束只能近似满足

EN · 原文
Continuous-time optimization methods often suffer from asymptotic stability (AS) and approximate constraint satisfaction, especially in non-convex settings. Classical approaches such as gradient flow, PDGD, PI-CMO, and CBF-based methods do not ensure exact feasibility in finite time. In contrast, the proposed sliding mode control (SMC) framework guarantees finite-time convergence to the constraint set and robust performance under disturbances.
CN · 翻译
连续时间优化方法常受困于渐近稳定与约束近似满足，在非凸场景下尤其如此。梯度流、PDGD、PI-CMO、基于 CBF 的方法等经典方法都无法保证有限时间内精确可行。相比之下，本文提出的滑模控制框架保证有限时间收敛到约束集，且在扰动下性能鲁棒。

③ 抖振怎么办？论文给出了平滑化对策

EN · 原文
Although the discontinuous nature of SMC may introduce chattering, practical smoothing strategies are provided to mitigate this effect while preserving the key properties of the proposed approach.
CN · 翻译
尽管滑模控制的不连续性可能带来抖振，论文提供了实用的平滑化策略来缓解这一现象，同时保留所提方法的关键性质。

④ 核心思路：最优性条件 = 一个要「镇定」的控制系统

EN · 原文
Accordingly, we reformulate the first-order optimality conditions as a dynamical system, following [3], where the optimization variables x(t) are interpreted as system states, the Lagrange multipliers λ(x(t)) serve as control inputs, and the constraint violations h(x(t)) are treated as regulated outputs. This control-theoretic formulation enables robust constraint enforcement with finite-time convergence properties, leveraging sliding mode concepts as developed in [13, 14].
CN · 翻译
因此，本文沿用 [3] 的思路把一阶最优性条件改写成动力系统：优化变量 x(t) 是系统状态，拉格朗日乘子 λ(x(t)) 是控制输入，约束违反量 h(x(t)) 是被调节的输出。这种控制论表述借助滑模思想实现了鲁棒的约束满足与有限时间收敛。
💡 这是全文最有味道的一句：“The optimization variables are treated as states and the Lagrange multipliers as control input, with equality constraints defined as sliding manifold.”——优化问题从此不再「算」出来，而是「控」出来的：设计一个控制器，让状态自己滑到最优解上。

五、论文贡献（5 个要点）

EN · 原文
1. Design of SMC Law. A novel SMC strategy is proposed for the Lagrange multipliers, guaranteeing finite-time convergence of the constraint violations h(x(t)) ≡ 0, irrespective of the convexity of the objective function.
CN · 翻译
1. 滑模控制律设计。为拉格朗日乘子提出一种新的滑模控制策略，保证约束违反量 h(x(t)) ≡ 0 有限时间收敛，与目标函数是否凸无关。
EN · 原文
2. Robustness Analysis. The robustness of the proposed approach is analyzed under various classes of disturbances, including matched uncertainties, structural model uncertainties, and measurement noise.
CN · 翻译
2. 鲁棒性分析。在匹配不确定性、结构模型不确定性、测量噪声等多类扰动下分析了所提方法的鲁棒性。
EN · 原文
3. Finite-time optimality for convex problems. A nonsingular terminal sliding mode–based normed gradient flow is proposed, ensuring robust finite-time convergence to the global optimum under matched disturbances while preserving feasibility.
CN · 翻译
3. 凸问题的有限时间最优性。提出基于非奇异终端滑模的归一化梯度流，在匹配扰动下保证鲁棒地有限时间收敛到全局最优，同时保持可行性。
EN · 原文
4. Lyapunov-Based Analysis. A rigorous Lyapunov-based analysis is presented, establishing exact constraint satisfaction in finite time prior to reaching optimality.
CN · 翻译
4. 基于李雅普诺夫的分析。给出严格的李雅普诺夫分析，证明在到达最优性之前先于有限时间内精确满足约束。
EN · 原文
5. Numerical Simulation. The approach is validated on nonconvex optimization, obstacle avoidance, and Shidoku feasibility problems, and on a convex distributed parameter estimation problem, demonstrating superior robustness compared to PDGD, PI-CMO and projected gradient flow (PGF).
CN · 翻译
5. 数值仿真。在非凸优化、避障、Shidoku 可行性问题以及一个凸分布参数估计问题上验证了方法，相比 PDGD、PI-CMO 和投影梯度流（PGF）展示了更优的鲁棒性。

六、结论中英对照

EN · 原文
This paper proposed a sliding-mode control framework for continuous-time constrained optimization that guarantees finite-time satisfaction of equality constraints and robustness to matched disturbances and measurement noise.
CN · 翻译
本文提出了一个用于连续时间约束优化的滑模控制框架，保证等式约束有限时间满足，并对匹配扰动与测量噪声鲁棒。
EN · 原文
By embedding discontinuous SMC laws into Lagrangian-based dynamics, the optimality conditions were reformulated as a nonsmooth control-affine system, and Lyapunov analysis established finite-time reachability of the constraint manifold, independent of convexity, outperforming PDGD and PI-CMO on nonconvex problems.
CN · 翻译
通过把不连续滑模控制律嵌入拉格朗日型动力学，最优性条件被改写成非光滑控制仿射系统；李雅普诺夫分析证明了约束流形的有限时间可达性（与凸性无关），在非凸问题上优于 PDGD 与 PI-CMO。
EN · 原文
In robot obstacle avoidance, the method outperformed APF (failure in narrow passages) and PGF (only asymptotic constraint satisfaction), while Shidoku feasibility results showed finite-time reachability without full-rank assumptions and recovery of KKT equivalence when the rank condition holds.
CN · 翻译
在机器人避障中，该方法优于 APF（窄通道中失效）和 PGF（仅渐近满足约束）；Shidoku 可行性结果表明：无需满秩假设即可有限时间可达，且在秩条件成立时恢复 KKT 等价性。
EN · 原文
Future work will extend the framework to a discrete-time setting, investigating whether key properties such as finite-time convergence and constraint enforcement are preserved under discretization, and developing suitable modifications when necessary.
CN · 翻译
未来工作将把框架推广到离散时间设置，研究有限时间收敛、约束执行等关键性质在离散化后是否保留，并在必要时做相应修改。

七、编者解读：这篇论文到底讲了什么（大白话版）

  1. 问题：求解「带等式约束的优化」时，经典连续时间方法（梯度流、PDGD 等）有两个毛病——要花无穷时间才收敛（渐近稳定），约束只能「差不多满足」而不是精确等于 0。在非凸问题上这两个毛病尤其严重。
  2. 做法：把优化问题「翻译」成控制系统——变量当状态、乘子当输入、约束违反量当输出，然后用滑模控制去「镇定」这个系统。滑模控制的看家本领就是：管你什么扰动，我都能在有限时间内把状态压到滑模面上，且约束一旦压上去就精确保持。
  3. 结果：无论目标凸不凸，约束都有限时间精确满足；再加一个非奇异终端滑模归一化梯度流，让状态也在有限时间内到达最优解。非凸优化、机器人避障、Shidoku 可行性、凸分布参数估计四个场景全部跑赢对标方法。
  4. 最值钱的观点：「优化器」不一定要是专门的算法，也可以是一个控制器。用系统论工具箱（李雅普诺夫、滑模面、鲁棒性）重新审视优化问题，能拿到纯优化视角拿不到的性质——有限时间精确约束满足。
  5. 工程意义：避障、轨迹规划、参数估计这类实时决策问题，往往既要求快（有限时间）又要求安全（约束必须满足），这正是控制视角的优势；附录还给了超螺旋算法（STA）来抑制抖振，方便落地。
🎯 对保研的启示：这篇论文示范了「跨界降维打击」——把 A 领域成熟的理论（滑模控制）迁移到 B 领域的老问题（连续时间优化）上，立刻产生新性质。复试时能讲清楚「我借了什么工具、补了什么 gap、新性质是什么」，比背一堆模型名更有说服力。

八、给准大一的阅读路线图 & 延伸方向

📖 怎么读这篇论文（三遍法）

  1. 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？方法是什么？结果是什么？
  2. 第二遍（20 分钟）：读引言 + 结论，重点体会「为什么经典方法不够好」以及「滑模面 = 约束」这个核心等价关系。
  3. 第三遍（30 分钟）：读方法文字部分（问题构造、SMC 律设计、NTSMC 梯度流、Lyapunov 分析），跳过所有公式推导，只看文字描述；遇到不懂的术语回查术语表。

🚀 这个方向你能延伸做什么

九、英文摘要朗读（练听力用）

先盲听一遍→再看对照稿→再听一遍。目标是听出每个数字（finite time、100%）和术语（sliding mode、Lagrange multipliers、Lyapunov、chattering）。