Metody kierunków poprawy dla nieliniowych problemów sterowania optymalnego
|
|
- Marek Pietrzyk
- 5 lat temu
- Przeglądów:
Transkrypt
1 Metody kierunków poprawy dla nieliniowych problemów sterowania optymalnego Problem optymalnego sterowania procesem dynamicznym może polegać na polega na minimalizacji wskaźnika jakości obejmuj acego koszty realizacji procesu i wartość produktu użytecznego z uwzglȩdnieniem G(x, u) = g(x(t), u(t), t)dt + h(x(t 1 )) równania stanu procesu z zadanym stanem pocz atkowym ẋ(t) = f(x(t), u(t), t), t [, t 1 ], x( ) = x oraz ograniczeń chwilowych sterowania u(t) [u, u + ], t [, t 1 ], gdzie x W2 1 ([, t 1 ]; R n ) jest trajektori a stanu procesu bȩd ac a elementem przestrzeni funkcji o pochodnej ca lkowalnej z kwadratem, u L 2 ([, t 1 ]; R m ) jest jego sterowaniem bȩd acym elementem przestrzeni funkcji ca lkowalnych z kwadratem, g : R n R m R R, h : R n R, f : R n R m R R n, s a, ogólnie bior ac, funkcjami nieliniowymi. Na podstawie standardowych twierdzeń o istnieniu rozwi azania równania różniczkowego z zadanym warunkiem pocz atkowym można uważać równanie stanu rozważanej klasy procesów za rozwik lywalne wzglȩdem stanu w funkcji sterowania. Określone jest wiȩc odwzorowanie x(t, u) jednoznacznie wyznaczaj ace stan procesu w chwili t w funkcju sterowania u. Pozwala to zredukować rozważany problem do przestrzeni sterowania: zminimalizować zredukowany wskaźnik jakości J(u). = g(x(t, u), u(t), t)dt + h(x(t 1, u)) z uwzglȩdnieniem ograniczeń chwilowych u(t) [u, u + ]. 1
2 Gradient wskaźnika jakości zredukowanego do przestrzeni sterowania celowo jest obliczać z wykorzystaniem równania sprzȩżonego. Dla określenia tego równania definiowany jest funkcjona l Lagrange a w postaci normalnej L(η, x, u). = g(x(t), u(t), t)dt + h(x(t 1 )) + η T (t)(ẋ(t) f(x(t), u(t), t))dt + η T ( )(x( ) x ), gdzie η(t) W 1 2 ([, t 1 ]; R n ) jest zmienn a sprzȩżon a zwi azan a z analizowanym problemem. Zastosowanie wzoru na ca lkowanie przez czȩści daje w wyniku L(η, x, u). = g(x(t), u(t), t)dt + h(x(t 1 )) + η T (t 1 )x(t 1 ) η T ( )x( ) η T (t)x(t)dt η T (t)f(x(t), u(t), t)dt + η T ( )(x( ) x ). Uproszczenie wyrażeń identycznych i wprowadzenie funkcji Hamiltona postaci H(η(t), x(t), u(t), t). = g(x(t), u(t), t) + η T (t)f(x(t), u(t), t) umożliwia zapisanie funkcjona lu Lagrange a w postaci L(η, x, u) = h(x(t 1 )) ( η T (t)x(t) + H(η(t), x(t), u(t), t))dt +η T (t 1 )x(t 1 ) η T ( )x. Ponieważ dla każdego dopuszczalnego procesu sterowania obowi azuje tożsamość Lagrange a J(u) = L(η, x, u), wiȩc dla wariacji zredukowanego wskaźnika jakości zachodzi zależność J u (u)δu = L η (η, x, u)δη + L x (η, x, u)δx + L u (η, x, u)δu, gdzie δη, δx, δu s a wariacjami odpowiednio zmiennej sprzȩżonej, trajektorii stanu i sterowania. Wariacja funkcjona lu Lagrange a wzglȩdem zmiennej sprzȩżonej L η δη wyzerowuje siȩ na każdym procesie dopuszczalnym, gdyż ma ona postać iloczynu skalarnego wariacji zmiennej sprzȩżonej i równania stanu L η δη = δη T (t)(ẋ(t) f(x(t), u(t), t))dt L η δη =. 2
3 Wariacja funkcjona lu Lagrange a wzglȩdem trajektorii stanu wyzerowuje siȩ, jeśli zmienna sprzȩżona zostanie dobrana tak, aby by lo spe lnione tzw. równanie sprzȩżone. L x (η, x, u)δx = ( η T (t)δx(t) + H x (η(t), x(t), u(t), t))δx(t)dt. +h x (x(t 1 ))δx ( t 1 ) + η T (t 1 )δx(t 1 ). Zdefiniowanie równania sprzȩżonego w postaci równania różniczkowego z zadanym stanem końcowym η(t) = H T x (η(t), x(t), u(t), t), t [, t 1 ], η(t 1 ) = h T x (x(t 1 )) wyzerowuje wariacjȩ funkcjona lu Lagrange a wzglȩdem trajektorii stanu L x (η, x, u)δx. Tak wiȩc wariacja zredukowanego wskaźnika jakości wzglȩdem sterowania jest równa wariacji funkcjona lu Lagrange a wzglȩdem sterowania J u (u)δu = L u (u)δu. Ponieważ L u δu = H u (η(t), x(t), u(t), t)δu(t)dt wiȩc gradient wskaźnika jakości zredukowanego do przestrzeni sterowania wyraża siȩ wzorem J u (u)δu = J u (u)(t)δu(t)dt, J u (u)(t) = H u (η(t), x(t), u(t), t) t [, t 1 ]. Korzystaj ac z definicji funkcji Hamiltona można równanie sprzȩżone przepisać w postaci η(t) = f T x (x(t), u(t), t)η(t)+g T x (x(t), u(t), t), t [, t 1 ], η(t 1 ) = h T x (x(t 1 )), co oznacza, że równanie sprzȩżone jest liniowym (niestacjonarnym) równaniem różniczkowym z zadanym stanem końcowym. Wyznaczanie gradientu wskaźnika jakości zredukowanego do przestrzeni sterowania za pomoc a równania sprzȩżonego sprowadza siȩ do rozwi azania jednego pomocniczego liniowego równania różniczkowego. Natomiast bezpośrednie obliczanie gradientu zredukowanego do przestrzeni sterowania wymaga pos lugiwania siȩ macierz a fundamentaln a równania stanu X(t) J u (u) = (g x (x(t), u(t), t)δx(t) + g u (x(t), u(t), t)δu(t))dt + h x (x(t 1 ))δx(t 1 ). 3
4 gdzie wariacja trajektorii stanu δx(t) spe lnia zlinearyzowane równanie stanu δẋ(t) = f x (x(t), u(t), t)δx(t) + f u (x(t), u(t), t)δu(t), δx(t) =, którego rozwi azanie ma postać δx(t) = t X(t)X 1 ( t)f u (x( t), u( t), t)δu( t)d t, przy czym macierz fundamentalna X(t) spe lnia macierzowe równanie różniczkowe Ẋ(t) = f x (x(t), u(t), t)x(t), t [, t 1 ], X( ) = I n. Celem wyznaczenia gradientu zredukowanego metod a bezpośredni a należy wiȩc rozwi azać uk lad n 2 równań różniczkowych, a metod a pośredni a - tylko uk lad n równań różniczkowych. Różnica w czasie obliczeń może być istotna, jeśli obliczanie gradientu zredukowanego dokonywane jest wielokrotnie np. w algorytmach iteracyjnych z tysi acami iteracji. Podstawowy algorytm kierunków poprawy dla problemów sterowania optymalnego bazuje na Gradient wskaźnika jakości zredukowanego do przestrzeni sterowania i stanu pocz atkowego też moiżna oblicza z wykorzystaniem równania sprzȩżonego. Dla określenia tego równania definiowany jest funkcjona l Lagrange a w postaci normalnej η T (t)(ẋ(t) f(x(t), u(t), t))dt + η T ( )(x( ) x ), L(η, x, u, x ) =. g(x(t), u(t), t)dt + h(x(t 1 )) + gdzie η(t) W 1 2 ([, t 1 ]; R n ) jest zmienn a sprzȩżon a zwi azan a z analizowanym problemem. Zastosowanie wzoru na ca lkowanie przez czȩści daje w wyniku L(η, x, u) =. g(x(t), u(t), t)dt + h(x(t 1 )) + η T (t 1 )x(t 1 ) η T ( )x( ) η T (t)x(t)dt η T (t)f(x(t), u(t), t)dt + η T ( )(x( ) x ). Uproszczenie wyrażeń identycznych i wprowadzenie funkcji Hamiltona postaci H(η(t), x(t), u(t), t). = g(x(t), u(t), t) + η T (t)f(x(t), u(t), t) umożliwia zapisanie funkcjona lu Lagrange a w postaci L(η, x, u) = h(x(t 1 )) ( η T (t)x(t) + H(η(t), x(t), u(t), t))dt 4
5 +η T (t 1 )x(t 1 ) η T ( )x. Ponieważ dla każdego dopuszczalnego procesu sterowania obowi azuje tożsamość Lagrange a J(u, x ) = L(η, x, u, x ), wiȩc dla wariacji zredukowanego wskaźnika jakości zachodzi zależność J u (u, x )δu = L η (η, x, u, x )δη + L x (η, x, u, x )δx +L u (η, x, u, x )δu + L x (η, x, u, x ), gdzie δη, δx, δu oraz δx s a wariacjami odpowiednio zmiennej sprzȩżonej, trajektorii stanu, sterowania i stanu pocz atkowego. Stosuj ac analogiczne rozumowanie jak poprzednio wnioskujemy, że wariacja funkcjona lu Lagrange a wzglȩdem zmiennej sprzȩżonej L η δη wyzerowuje siȩ na każdym procesie dopuszczalnym, gdyż ma ona postać iloczynu skalarnego wariacji zmiennej sprzȩżonej i równania stanu L η δη = δη T (t)(ẋ(t) f(x(t), u(t), t))dt L η δη =. Wariacja funkcjona lu Lagrange a wzglȩdem trajektorii stanu wyzerowuje siȩ, jeśli zmienna sprzȩżona zostanie dobrana tak, aby by lo spe lnione równanie sprzȩżone. L x (η, x, u, x )δx = ( η T (t)δx(t) + H x (η(t), x(t), u(t), t))δx(t)dt. +h x (x(t 1 ))δx ( t 1 ) + η T (t 1 )δx(t 1 ). Zdefiniowanie równania sprzȩżonego w postaci równania różniczkowego z zadanym stanem końcowym η(t) = Hx T (η(t), x(t), u(t), t), t [, t 1 ], η(t 1 ) = h T x (x(t 1 )) wyzerowuje wariacjȩ funkcjona lu Lagrange a wzglȩdem trajektorii stanu L x (η, x, u, x )δx. Tak wiȩc wariacja zredukowanego wskaźnika jakości wzglȩdem sterowania i stanu pocz atkowego jest równa wariacji funkcjona lu Lagrange a wzglȩdem sterowania J u (u, x )δu = L η,x,u,x (u)δu + L x (η, x, u, x ). 5
6 Ponieważ L u δu = H u (η(t), x(t), u(t), t)δu(t)dt wiȩc gradient wskaźnika jakości zredukowanego do przestrzeni sterowania i stanu pocz atkowego wyraża siȩ wzorami J u (u, x )δu = jeśli chodzi o sterowanie oraz J u (u, x )(t)δu(t)dt, J u (u, x )(t) = H u (η(t), x(t), u(t), t) t [, t 1 ] jeśli chodzi o stan pocz atkowy. J x (u, x ) = η( ) Podstawowy algorytm kierunków poprawy dla problemów minimalizacji wskaźnika jakości zredukowanego do przestrzeni sterowania i stanu pocz atkowego bazuje na poszukiwaniu rozwi azania polepszaj acego ten wskaźnik w kierunku antygradientu u + (t) = u(t) γ + J u (u, x )(t), t [, t 1 ], x + = x γ + J x (u, x ), gdzie γ + > jest d lugości a kroku wyznaczan a w wyniku optymalizacji kierunkowej. Gradient wskaźnika jakości procesów okresowych zredukowanego do przestrzeni sterowań okresowych u L τ 2(R m ) można również obliczać z wykorzystaniem okresowego równania sprzȩżonego. Dla określenia tego równania definiowany jest funkcjona l Lagrange a w postaci normalnej L(η, x, u). = τ g(x(t), u(t), t)dt τ + η T (t)(ẋ(t) f(x(t), u(t), t))dt + η T ( )(x(τ) x()), gdzie η(t) W2 1τ ([, τ], R n ) jest zmienn a sprzȩżon a zwi azan a z analizowanym problemem. Zastosowanie wzoru na ca lkowanie przez czȩści daje w wyniku τ L(η, x, u). = τ η T (t)x(t)dt τ g(x(t), u(t), t)dt + η T (τ)x(τ) η T ()x() η T (t)f(x(t), u(t), t)dt + η T ()(x(τ) x()). 6
7 Uproszczenie wyrażeń identycznych i wprowadzenie funkcji Hamiltona postaci H(η(t), x(t), u(t), t) =. g(x(t), u(t), t) + η T (t)f(x(t), u(t), t) umożliwia zapisanie funkcjona lu Lagrange a w postaci L(η, x, u) = τ ( η T (t)x(t) + H(η(t), x(t), u(t), t))dt +η T (τ)x(τ) η T ()x(). Ponieważ dla każdego dopuszczalnego procesu sterowania obowi azuje tożsamość Lagrange a J(u) = L(η, x, u), wiȩc dla wariacji wskaźnika jakości zredukowanego do przestrzeni sterowań okresowych zachodzi zależność J u (u)δu = L η (η, x, u)δη + L x (η, x, u)δx + L u (η, x, u)δu, gdzie δη, δx, δu s a wariacjami odpowiednio zmiennej sprzȩżonej, trajektorii stanu i sterowania. Wariacja funkcjona lu Lagrange a wzglȩdem zmiennej sprzȩżonej L η δη wyzerowuje siȩ na każdym procesie dopuszczalnym, gdyż ma ona postać iloczynu skalarnego wariacji zmiennej sprzȩżonej i równania stanu L η δη = τ δη T (t)(ẋ(t) f(x(t), u(t), t))dt L η δη+δη T (τ)x(τ) δη T ()x() =. Wariacja funkcjona lu Lagrange a wzglȩdem trajektorii stanu wyzerowuje siȩ, jeśli zmienna sprzȩżona zostanie dobrana tak, aby by lo spe lnione tzw. równanie sprzȩżone z warunkiem okresowości zmiennych sprzȩżonych. L x (η, x, u)δx = τ ( η T (t)δx(t) + H x (η(t), x(t), u(t), t))δx(t)dt +(η T (τ) η T ())δx(). Zdefiniowanie równania sprzȩżonego w postaci równania różniczkowego z warunkiem okresowości zmiennych sprzȩżonych η(t) = Hx T (η(t), x(t), u(t), t), t [, τ], η(τ) = η() wyzerowuje wariacjȩ funkcjona lu Lagrange a wzglȩdem trajektorii stanu L x (η, x, u)δx. 7
8 Tak wiȩc wariacja zredukowanego wskaźnika jakości wzglȩdem sterowania okresowego jest równa wariacji funkcjona lu Lagrange a wzglȩdem tego sterowania J u (u)δu = L u (u)δu. Ponieważ τ L u δu = H u (η(t), x(t), u(t), t)δu(t)dt wiȩc gradient wskaźnika jakości zredukowanego do przestrzeni sterowania okresowego wyraża siȩ wzorem J u (u)δu = τ J u (u)(t)δu(t)dt, J u (u)(t) = H u (η(t), x(t), u(t), t) t [, τ]. Korzystaj ac z definicji funkcji Hamiltona można równanie sprzȩżone przepisać w postaci η(t) = f T x (x(t), u(t), t)η(t) + g T x (x(t), u(t), t), t [, t 1 ], η(τ) = η(), co oznacza, że równanie sprzȩżone jest liniowym (niestacjonarnym) równaniem różniczkowym z warunkiem okresowości. Wyznaczanie gradientu wskaźnika jakości zredukowanego do przestrzeni sterowania okresowego za pomoc a równania sprzȩżonego sprowadza siȩ do rozwi azania jednego pomocniczego liniowego równania różniczkowego z warunkiem okresowości zmiennych sprzȩżonych. Praktyczna realizacja wielu algorytmów sterowania optymalnego zwi azana jest z dyskretyzacj a sterowania. Zastosowanie znajduje tu przede wszystkim baza funkcji schodkowych ( =, t 1 = 1) u(t, u) = K 1 k= e k(t)u k, gdzie u k R m and { 1 if t [k/k, (k + 1)/K), e k (t) = if t / [k/k, (k + 1)/K). Gradient wskaźnika jakości zredukowanego do przestrzeni funkcji schodkowych uzyskuje siȩ po podstawieniu do wyrażenia J u (u)δu = 1 H u (x(t), u(t), t)δu(t)dt, schodkowej dyskretyzacji sterowania δu(t, u) = k 1 k= e k(t)δu k J u (u) = (J uk (u)) K 1 k=, gdzie (k+1)δ J uk (u) = H u (x(t), u(t), t)dt, δ =. 1/K, k =, 1,..., K 1. kδ 8
9 Metody optymalizacji różnicowej procesów sterowania W wielu problemach sterowania dok ladne obliczanie gradientu J (u) wskaznika jakości zredukowanego do przestrzeni sterowania jest utrudnione z uwagi na z lożoność modelu procesu (duża liczba zmiennych stanu, nieliniowy charakter procesu, niestandardowe warunki brzegowe stanu - okresowe, pseudookresowe, mieszane). Zastosowanie równań sprzȩżonych daje dobre wyniki dla zadań z zadanym stanem pocz atkowym i stosunkowo niewielk a liczb a równań stanu. W innych przypadkach celowe może być wykorzystanie gradientu różnicowego, który obliczany jest wy l acznie na podstawie znajomości wartości wskaznika jakości J (u) ( (J(u+de 1 ) J(u))/d, (J(u+de 2 ) J(u))/d,..., (J(u+de k) J(u))/d ), gdzie e k. = (,...,, 1,,..., ) T jest k-tym wersorem uk ladu wspó lrzȩdnych dyskretnego sterowania, a d jest d lugości a kroku ilorazu różnicowego. Lemat: Niech funkcja J : R k R bȩdzie różniczkowalna w sposób ci ag ly w obszarze otwartym i wypuk lym D zawieraj acym punkt u i niech gradient J (u) funkcji J(u) spe lnia w obszarze D warunek Lipschitza J (u + δu) J (u) L δu, u, u + δu D. Dla funkcji posiadaj acych gradient ci ag ly w sensie Lipschitza prawostronna aproksymacja różnicowa sk ladowych gradientu jest zbieżna liniowo do ich dok- ladnych wartości wzglȩdem d lugości kroku ilorazu różnicowego. Dowód. Za lożenie lematu gwarantuje spe lnienie przez funkcjȩ J(u) nierówności J(u + de k) J(u) d J (u)e k L 2 d. J(u + δu) J(u) J (u)δu.5l δu 2. Oszacowanie to wynika z rozwiniȩcia funkcji J(u) w szereg Taylora pierwszego rzȩdu J(u + δu) = J(u) + J (u)δu J (u + θδu)δudθ
10 czyli J(u + δu) J(u) J (u)δu = 1 (J (u + θδu) J(u))δudθ. Warunek Lipschitza dla gradientu J (u) implikuje zależności J(u + δu) J(u) J (u)δu 1 Podstawienie δu = de k 1 J (u + θδu) J(u) δu dθ 1 L θδu δu dθ = L δu 2 θdθ = L 2 δu 2. J(u + de k ) J(u) J (u)de k L 2 de k 2 = L 2 d 2. Dziel ac powyższ a nierówność przez d uzyskujemy J(u + de k) J(u) d J (u)e k L 2 d. Jeśli wiȩc funkcja posiada gradient ci ag ly w sensie Lipschitza, to prawostronna aproksymacja różnicowa sk ladowych gradientu jest zbieżna do ich dok ladnych wartości liniowo wzglȩdem d lugości kroku ilorazu różnicowego. Zalet a metody gradientu różnicowego jest jej uniwersalność (można j a zastosować do każdej funkcji L-ci ag lej jeśli tylko dostȩpne s a jej wartości) i prostota realizacji metody (stosuje siȩ w tym przypadku elementarne operacje obliczeniowe). Jej wad a jest duża wrażliwość na b lȩdy pojawiaj ace siȩ przy ma lej precyzji obliczeń. Zmniejszenie tej wrażliwości osi agn ać można stosuj ac dok ladniejsze metody aproksymacji różnicowej np. dwustronny centralny iloraz różnicowy: J (u) ( (J(u + de 1 ) J(u de 1 )))/2d, (J(u + de 2 ) J(u de 2 )))/2d,..., (J(u + de k) J(u de k)))/2d ), gdzie obliczane s a wartości wskaznika jakości dla argumentów przesuniȩtych na prawo i na lewo od punktu aktualnego. Niech H(u). = J u k u l (u) oznacza hesjan funkcji J(u) tj. macierz jej drugich pochodnych cz astkowych. Lemat: Niech funkcja J : R k R bȩdzie dwukrotnie różniczkowalna w sposób ci ag ly w obszarze otwartym i wypuk lym D zawieraj acym punkt u i niech hesjan H(u) funkcji J(u) spe lnia w obszarze D warunek Lipschitza H(u + δu) H(u) L δu, u, u + δu D. 1
11 Dla funkcji posiadaj acych hesjan ci ag ly w sensie Lipschitza dwustronna centralna aproksymacja różnicowa sk ladowych gradientu jest zbieżna kwadratowo do ich dok ladnych wartości wzglȩdem d lugości kroku ilorazu różnicowego. J(u + de k) J(u de k ) 2d J (u)e k L 6 d 2. Dowód wykorzystuje oszacowanie dok ladności rozwiniȩcia funkcji J(u w szereg Taylora drugiego rzȩdu z uwzglȩdnieniem spe lnienia warunku Lipschitza przez hesjan tej funkcji J(u + δu) J(u) J (u)δu +.5δu T H(u)δu L 6 δu 3 ( ). Określa siȩ nastȩpnie prawostronne i lewostronne rozwiniȩcie funkcji J wzd luż wersora u k : α. = J(u + de k ) J(u) dj u k (u) d 2 J u k u k (u), β. = J(u de k ) J(u) + dj u k (u) d 2 J u k u k (u), Zastosowanie oszacowania (*) do wielkości α i β w kierunku ±de k daje w wyniku nierówności α L 6 d3, β L 6 d3. St ad α β α + β L 3 d3. Poszukiwane oszacowanie wynika z równości 1 2d (α β) = J(u + de k) J(u de k ) J (u)e k. d Obliczanie hesjanu wskaznika jakości zredukowanego do przestrzeni sterowania wymaga znacznego nak ladu obliczeń. Dlatego użyteczna jest aproksymacja drugich pochodnych cz astkowych za pomoc a ilorazów różnicowych drugiego rzȩdu J uk u l (u) ( J(u + de k + de l ) J(u + de k ) J(u + de l ) + J(u) ) /d 2. Dla funkcji z hesjanem ci ag lym w sensie Lipschitza aproksymacja powyższa jest zbieżna liniowo do dok ladnej wartości drugiej pochodnej, co wynika z oszacowania J uk u l (u) ( J(u + de k + de l ) J(u + de k ) J(u + de l ) + J(u) ) /d Ld uzyskiwanego na podstawie dok ladności rozwiniȩcia funkcji J w szereg Taylora drugiego rzȩdu. 11
12 Jedn a z klas problemów optymalnego sterowania, dla której obliczanie gradientu zredukowanego wskanika jakości jest utrudnione, jest klasa problemów optymalnego sterowania cyklicznego. Równania sprzȩżone s a w tym przypadku z regu ly niestabilne i ich ca lkowanie wymaga zastosowania szczególnie dok ladnych metod. Dlatego celowo jest w tym przypadku wykorzystać metodȩ gradientu różnicowego. Metoda przesuwanej funkcji kary i zmodyfikowanej funkcji Lagrange a dla problemów sterowania optymalnego z równościowymi ograniczeniami nieliniowymi Problem optymalnego sterowania procesem dynamicznym z równościowymi ograniczeniami nieliniowymi może polegać na minimalizacji ca lkowego wskaźnika jakości z uwzglȩdnieniem G(x, u) = g(x(t), u(t), t)dt równania stanu procesu z zadanym stanem pocz atkowym ẋ(t) = f(x(t), u(t), t), t [, t 1 ], x( ) = x ograniczeń równościowych niektórych lub wszystkich wspó lrzȩdnych stanu końcowego h(x(t 1 )) = oraz ograniczeń chwilowych sterowania u(t) [u, u + ], t [, t 1 ], gdzie x W ([t 1, t 1 ]; R n ) jest trajektori a stanu procesu, u L ([, t 1 ]; R m ) jest jego sterowaniem, a g : R n R m R R, f : R n R m R R n, h : R n R p, s a, ogólnie bior ac, funkcjami nieliniowymi. Standardowe twierdzenia o istnieniu rozwi azania równania różniczkowego z zadanym warunkiem pocz atkowym pozwalaj a uważać równanie stanu rozważanej 12
13 klasy procesów za rozwik lywalne wzglȩdem stanu w funkcji sterowania. Określone jest wiȩc odwzorowanie x(t, u) jednoznacznie wyznaczaj ace stan procesu w chwili t w funkcju sterowania u. Na tej podstawie można zredukować rozważany problem do przestrzeni sterowania: zminimalizować zredukowany wskaźnik jakości z uwzglȩdnieniem J(u). = g(x(t, u), u(t), t)dt równościowych ograniczeń nieliniowych stanu końcowego oraz ograniczeń chwilowych sterowania h(x(t 1, u)) = u(t) [u, u + ], t [, t 1 ]. Te ostatnie ograniczenia mog a nie być w l aczone w sposób jawny do sformu lowania niektórych problemów jeśli minimalizacja wskaźnika jakości automatycznie ogranicza amplitudȩ sterowania. Przyk lad: Niech x 1 (t) oznacza po lożenie nieliniowego obiektu oscylacyjnego w chwili t, x 2 (t) - jego prȩdkość w chwili t, zaś u(t) - si lȩ stabilizuj a a obiektu. Minimalnoenergetyczne sprowadzanie nieliniowego obiektu oscylacyjnego do stanu równowagi polega na minimalizacji wskaźnika jakości w postaci strat energetycznych na sterowanie G(x, u) = z uwzglȩdnieniem 1 u 2 (t)dt równań stanu nieliniowego oscylatora ẋ 1 (t) = x 2 (t), ẋ 2 (t) = a 1 x 1 (t) + a 11 x 3 1(t) a 2 x 2 (t) + u(t), t [, 1], z zaburzonym stanem pocz atkowym x 1 () = x 1, x 2 () = x 2, oraz 13
14 nieliniowych ograniczeń stanu końcowego x 1 (1) =, x 2 (1) =. Po redukcji do przestrzeni sterowania problem przybiera postać: zminimalizować zredukowany wskaźnik jakości J(u) = 1 u 2 (t)dt przy równościowym ograniczeniu nieliniowym x 1 (1, u) =, x 2 (1, u) =. Minimalnoczasowe sprowadzanie nieliniowego obiektu oscylacyjnego do stanu równowagi polega na minimalizacji wskaźnika jakości w postaci czasu realizacji procesu G(x, u) = z uwzglȩdnieniem równań stanu nieliniowego oscylatora ẋ 1 (t) = x 2 (t), ẋ 2 (t) = a 1 x 1 (t) + a 11 x 3 1(t) a 2 x 2 (t) + u(t), t [, 1], z zaburzonym stanem pocz atkowym x 1 () = x 1, x 2 () = x 2, dt nieliniowych ograniczeń stanu końcowego x 1 (t 1 ) =, x 2 (t 1 ) =, oraz ograniczenia chwilowego sterowania u(t) [u, u + ], t [, t 1 ]. Po redukcji do przestrzeni sterowania problem przybiera postać: zminimalizować zredukowany wskaźnik jakości J(u) = 14 dt
15 przy równościowym ograniczeniu nieliniowym x 1 (t 1, u) =, x 2 (t 1, u) =. i nierównościowym ograniczeniu chwilowym sterowania u(t) [u, u + ], t [, t 1 ]. Powyższe przyk lady ilustruj a problemy sterowania docelowego - obiekt należy przeprowadzić z zadanego stanu pocz atkowego (tj. stanu zaburzonego) do zadanego stanu końcowego (tj. stanu równowagi). Z zadaniami tego rodzaju mamy do czynienia przy rozruchu procesów np. należy przeprowadzić obiekt z naturalnego stanu pocz atkowego (wsad pewnej ilości surowca w chwili pocz atkowej, brak produktu użytecznego w chwili pocz atkowej) do docelowego stanu technologicznego (np. stabilnego statycznego punktu równowagi procesu umożliwiaj acego statyczny sposób jego prowadzenia). Przyk lad: Proces produkcyjny prowadzony w zbiornikowym reaktorze chemicznym polega na przemianie surowca A w produkt użyteczny B z wykorzystaniem sterowania temperaturowego. Niech x 1 (t) oznacza stȩżenie A w obiekcie w chwili t, x 2 (t) - stȩżenie B w obiekcie w chwili t, a x 3 (t) - temperaturȩ obiektu w chwili t. Należy zminimalizować koszty sterowania temperaturowego G(x, u) = z uwzglȩdnieniem 1 u(t)dt równań stanu procesu z naturalnymi pocz atkowymi wartościami wspó lrzȩdnych stanu ẋ 1 (t) = a 1 e b/u(t) x 2 1(t), t [, 1], x 1 () = x 1 >, ẋ 2 (t) = a 1 e b/u(t) x 2 2(t), t [, 1], x 2 () =, ẋ 3 (t) = a 2 u(t) a 3 x 2 3(t), t [, 1], x 3 () = x 3 >, ograniczeń stanu docelowego oraz x 1 (1) = x 11, x 2 (1) = x 21, x 3 (1) = x 31 15
16 ograniczeń chwilowych sterowania u(t) [u, u + ], t [, 1]. Po redukcji do przestrzeni sterowania problem przybiera postać: zminimalizować zredukowany wskaźnik jakości J(u) = 1 u(t)dt przy równościowym ograniczeniu nieliniowym x 1 (1, u) = x 11, x 2 (1, u) = x 21, x 3 (1, u) = x 31 i nierównościowych ograniczeniach chwilowych sterowania u(t) [u, u + ], t [, 1]. Problemy sterowania optymalnego z nieliniowymi ograniczeniami równościowymi s a charakterystyczne dla niektórych procesów o parametrach roz lożonych. Przyk lad. Sterowanie nagrzewem prȩta metalowego z izolowanymi końcami. x(t, z) z 1 u(t, z) Roz lożonym stanem procesu x(t, z) jest temperatura prȩta w chwili t i w punkcie z. Roz lożonym sterowaniem procesu u(t, z) jest intensywność źród la ciep la w chwili t i w punkcie z. Problem sterowania optymalnego może polegać na minimalizacji strat energetycznych na nagrzewanie 1 u 2 (t, z)dtdz z uwzglȩdnieniem równania stanu jako równania przewodnictwa cieplnego ze sterowaniem temperaturowym x t (t, z) = α(x(t, z), u(t, z))x zz (t, z) ãx(t, z) + bu(t, z), (t, z) [, t 1 ] [, 1] 16
17 i z warunkami brzegowymi x(t, ) =, x(t, 1) =, t [, t 1 ] (co oznacza, że na izolowanych końcach prȩta utrzymywana jest umowna temperatura zerowa) oraz z warunkiem pocz atkowym tj. z zadanym rozk ladem pocz atkowym temperatury w prȩcie x(, z) = x (z), z [, 1], przy czym określony jest docelowy rozk lad temperatury w prȩcie x(t 1, z) = x 1 (z), z [, 1]. W równaniu stanu wziȩto pod uwagȩ zależność wspó lczynnika przewodnictwa cieplnego α od stanu i sterowania (np. z uwagi na niejednorodność materia lu). Równanie to jest wiȩc nieliniowe i określa nieliniow a zależność stanu od sterowania x(t, z, u). Po redukcji do przestrzeni sterowania zadanie przybiera postać: zminimalizować wskaźnik jakości 1 u 2 (t, z)dtdz przy nieliniowym funkcyjnym ograniczeniu równościowym x(t 1, z, u) = x 1 (z), z [, 1]. Dyskretyzacja schodkowa sterowania u(t, u k ) = K 1 k= e k(t)u k sprowadza rozpatrywane problemy do zadań optymalizacji skończenie-wymiarowej typu min u R m{j(u k) : ϕ(u) =, u k [u, u + ], k =, 1, 2,..., K 1, m =. mk}, gdzie sk ladowe odwzorowania ϕ : R m R p s a funkcjami nieliniowymi i niewypuk lymi. Jeśli wskaźnik jakości ogranicza amplitudȩ sterowania, to zadanie powyższe upraszcza siȩ do postaci min u R m{j(u) : ϕ(u) = }. Do zadania tego można zastosować metodȩ kwadratowej funkcji kary, która prowadzi do zadania optymalizacji bez ograniczeń Φ(u, ρ). = min u R m{j(u) + ρ 2 ϕ(u) 2 }, 17
18 gdzie ρ > jest wspó lczynnikiem funkcji kary. Analiza tej metody pokazuje jednak, że sterowania optymalne dla problemu z funkcj a kary s a zbieżne do rozwi azania problemu wyjściowego tylko wtedy, gdy wspó lczynnik kary ρ jest zwiȩkszany do nieskończoności. Przy dużych wspó lczynnikach kary problem staje siȩ źle uwarunkowany i metoda kwadratowej funkcji kary jest ma lo skuteczna. Dlatego zaproponowano ulepszone warianty tej metody. Jednym z nich jest metoda przesuwanej kwadratowej funkcji kary Ψ(u, ρ, ν). = min u R mk {J(u) + ρ 2 ϕ(u) + ν 2 }, gdzie sk ladowe przesuniȩcia funkcji kary ν R p s a zwiȩkszane w t a stronȩ, w któr a naruszone zosta lo ograniczenie na danym sterowaniu. Zwiȩksza to wartość funkcji kary baz zmiany wspó lczynnika ρ i wymusza zbliżenie sterowania do obszaru dopuszczalnego. Niech nieliniowe ograniczenie równościowe ma postać zwi azan a ze stanem końcowym procesu tj. ϕ(u) = x(t 1, u) x 1. Algorytm przesuwanej funkcji kary Etap wstȩpny. Wybierz wymiar bazy schodkowej sterowania K i dyskretne sterowanie pocz atkowe u =. {u k } K 1 k=, pocz atkowe dopuszczalne naruszenie ograniczenia d, wspó lczynnik zmniejszania naruszenia ograniczenia α (, 1), pocz atkowy wspó lczynnik kary ρ i wspó lczynnik jego zwiȩkszania β > 1, pocz atkowe przesuniȩcie kary ν = i dok ladność obliczeń ɛ. Etap pierwszy. dyskretnym Wyznacz rozwi azanie równania stanu ze sterowaniem ẋ(t) = f(x(t), u(t, u), t), t [, 1], x() = x oraz równanie sprzȩżone ze sterowaniem dyskretnym η(t) = fx T (x(t), u(t, u), t)η(t) + gx T (x(t), u(t, u), t), t [, 1], η(1) = ρ(x(1) x 1 + ν). 18
19 Etap drugi. Oblicz gradient zredukowanego wskaźnika jakości (k+1)δ J uk (u) = H u (η(t), x(t), u(t, u), t)dt, δ = 1/K, k =, 1,..., K 1, kδ i podstaw startow a d lugość kroku γ = 1. Etap trzeci. Wyznacz rozwi azanie problemu optymalizacji bez ograniczeń u = arg min u R m Ψ(u, ρ, ν) z dok ladności a ɛ stosuj ac metodȩ typu gradientowego u := u γψ u (u) i oblicz naruszenie ograniczenia c = x(1) x 1. Jeśli c d, to podstaw ν := ν + x(1) x 1, d := αd. Jeśli c > d, to podstaw ν := 1 β (ν + x(1) x 1), ρ := βρ. Etap czwarty. Jeśli u + u < ɛ, to stop. W przeciwnym razie wróć do Etapu pierwszego. Przesuwanie funkcji kary celowo jest powi azać z mnożnikami Lagrange a charakteryzuj acymi rozwi azanie optymalne. Wskaźnik jakości z przesuwan a kwadratow a funkcj a kary można przekszta lcić jak nastȩpuje J(u) + ρ 2 ϕ(u) + ν 2 = J(u) + ρ ( ϕ(u) + ν, ϕ(u) + ν ) 2 = ϕ(u), ϕ(u) + 2 ϕ(u), ν + ν, ν. Po podstawieniu ν = λ/ρ uzyskuje siȩ równoważn a funkcjȩ celu zwan a zmodyfikowan a funkcj a Lagrange a M(u, λ, ρ). = J(u) + λ T ϕ(u) + ρ 2 ϕ(u) 2, gdzie λ R p jest mnożnikiem Lagrange a. Algorytm optymalizacji z wykorzystaniem zmodyfikowanej funkcji Lagrange a przybierze postać u = arg min M(u, ρ, ν), λ := λ + ρϕ(u). u R m 19
20 Zbieżność i szybkość zbieżności algorytmu zmodyfikowanej funkcji Lagrange a W analizie w lasności algorytmu korzysta siȩ z nastȩpuj acego lematu o minimum lokalnym funkcji zaburzonej. Lemat. Jeśli u jest lokalnym minimum funkcji f(u ) spe lniaj acym warunki optymalności drugiego rzȩdu f (u ) =, f (u ) >, a g(u ) jest różniczkowalna w sposób ci ag ly w otoczeniu u, to funkcja zaburzona f(u ) + εg(u ) posiada dla dostatecznie ma lego ɛ lokalne minimum u ε określone zależności a u ε = u ε(f (u )) 1 g (u ) + o(ε). Niech λ oznacza optymalny mnożnik Lagrange a dla zadania optymalizacji z równościowym ograniczeniem nieliniowym, niech λ κ i u κ oznaczaj a mnożnik Lagrange a i sterowanie na κ-tej iteracji algorytmu i niech f(u) =. M(u, λ, ρ), g(u) =. λ κ λ, ϕ(u). Wtedy f(u) + g(u) = M(u, λ, ρ) + λ κ λ, ϕ(u) = J(u) + λ, ϕ(u) +.5ρ ϕ(u) 2 + λ κ, ϕ(u) λ, ϕ(u) = M(u, λ κ, ρ). Jeśli λ κ jest dobrym przybliżeniem λ, to λ κ λ jest wielkości a ma l a (tj. λ κ λ ε) i można uważać, że u κ+1 jest minimum lokalnym funkcji f(u) + g(u) w otoczeniu u, przy czym u κ+1 u = (f (u )) 1 ϕ T (u )(λ κ λ ) + o(λ κ λ ). ( ) Wprowadzenie oznaczeń C. = ϕ (u ), L(u, λ). = J(u) + λ, ϕ(u), A. = L uu(u, λ ), pozwala zapisać nastȩpuj ace wyrażenia dla pochodnych funkcji f i g: f (u ) = L uu(u, λ ) + ρ(ϕ(u)ϕ (u)) u=u = A + ρc T C, ϕ(u ) =, Ze wzoru ( ) uzyskuje siȩ oszacowanie g (u ) = C T (λ κ λ ). u κ+1 u (A + ρc T C) 1 C T λ κ λ + o( λ κ λ ) c ρ λκ λ + o(λ κ λ ), 2
21 przy czym stosuje siȩ tu wynikaj ace z teorii macierzowych form kwadratowych oszacowanie Ponieważ wiȩc (A + ρc T C) 1 c/ρ. λ κ+1 = λ κ + ρ(ϕ(u κ+1 ) ϕ(u κ )) = λ κ + ρc(u κ+1 u ) + o(u κ+1 u ) = λ κ ρc(a + ρc T C) 1 C T (λ κ λ ) + o(λ κ λ ), λ κ+1 λ I ρc(a + ρc T C) 1 C T λ κ+1 λ + o(λ κ+1 λ ). Stosuj ac wynikaj ace z teorii macierzowych form kwadratowych oszacowanie ostatecznie uzyskuje siȩ I ρc(a + ρc T C) 1 c/ρ u κ u ( c 1 ρ )κ, λ κ λ ( c 2 ρ )κ, κ =, 1, 2,.... Oznacza to, że metoda zmodyfikowanych funkcji Lagrange a (a co za tym idzie i metoda przesuwanej funkcji kary) jest zbieżna liniowo dla rozważanych problemów sterowania optymalnego. 21
22 Metoda przesuwanej funkcji kary i zmodyfikowanej funkcji Lagrange a dla problemów sterowania optymalnego z nierównościowymi ograniczeniami nieliniowymi Problem optymalnego sterowania procesem dynamicznym z równościowymi ograniczeniami nieliniowymi może polegać na minimalizacji ca lkowego wskaźnika jakości z uwzglȩdnieniem G(x, u) = g(x(t), u(t), t)dt równania stanu procesu z zadanym stanem pocz atkowym ẋ(t) = f(x(t), u(t), t), t [, t 1 ], x( ) = x ograniczeń nierównościowych niektórych lub wszystkich wspó lrzȩdnych stanu końcowego h(x(t 1 )) oraz ograniczeń chwilowych sterowania u(t) [u, u + ], t [, t 1 ], gdzie x W ([t 1, t 1 ]; R n ) jest trajektori a stanu procesu, u L ([, t 1 ]; R m ) jest jego sterowaniem, a g : R n R m R R, f : R n R m R R n, h : R n R p, s a, ogólnie bior ac, funkcjami nieliniowymi. Standardowe twierdzenia o istnieniu rozwi azania równania różniczkowego z zadanym warunkiem pocz atkowym pozwalaj a uważać równanie stanu rozważanej klasy procesów za rozwik lywalne wzglȩdem stanu w funkcji sterowania. Określone jest wiȩc odwzorowanie x(t, u) jednoznacznie wyznaczaj ace stan procesu w chwili t w funkcju sterowania u. Na tej podstawie można zredukować rozważany problem do przestrzeni sterowania: zminimalizować zredukowany wskaźnik jakości z uwzglȩdnieniem J(u). = g(x(t, u), u(t), t)dt 22
23 nierównościowych ograniczeń nieliniowych stanu końcowego oraz ograniczeń chwilowych sterowania h(x(t 1, u)) u(t) [u, u + ], t [, t 1 ]. Te ostatnie ograniczenia mog a nie być w l aczone w sposób jawny do sformu lowania niektórych problemów jeśli minimalizacja wskaźnika jakości automatycznie ogranicza amplitudȩ sterowania. Przyk lad: Niech x 1 (t) oznacza po lożenie nieliniowego obiektu oscylacyjnego w chwili t, x 2 (t) - jego prȩdkość w chwili t, zaś u(t) - si lȩ stabilizuj a a obiektu. Minimalnoenergetyczne sprowadzanie nieliniowego obiektu oscylacyjnego do stanu równowagi polega na minimalizacji wskaźnika jakości w postaci strat energetycznych na sterowanie G(x, u) = z uwzglȩdnieniem 1 u 2 (t)dt równań stanu nieliniowego oscylatora ẋ 1 (t) = x 2 (t), ẋ 2 (t) = a 1 x 1 (t) + a 11 x 3 1(t) a 2 x 2 (t) + u(t), t [, 1], z zaburzonym stanem pocz atkowym x 1 () = x 1, x 2 () = x 2, oraz nieliniowych ograniczeń stanu końcowego x 2 1(1) ɛ, x 2 2(1) ɛ, ɛ >. W tym przypadku obiekt należy sprowadzić do pewnego otoczenia punktu równowagi. 23
24 Po redukcji do przestrzeni sterowania problem przybiera postać: zminimalizować zredukowany wskaźnik jakości J(u) = 1 u 2 (t)dt przy równościowym ograniczeniu nieliniowym x 2 1(1, u) ɛ, x 2 2(1, u) ɛ. Minimalnoczasowe sprowadzanie nieliniowego obiektu oscylacyjnego do stanu równowagi polega na minimalizacji wskaźnika jakości w postaci czasu realizacji procesu G(x, u) = z uwzglȩdnieniem równań stanu nieliniowego oscylatora ẋ 1 (t) = x 2 (t), ẋ 2 (t) = a 1 x 1 (t) + a 11 x 3 1(t) a 2 x 2 (t) + u(t), t [, 1], z zaburzonym stanem pocz atkowym x 1 () = x 1, x 2 () = x 2, dt nieliniowych ograniczeń nierównościowych stanu końcowego x 2 1(t 1 ) ɛ, x 2 2(t 1 ) ɛ, oraz ograniczenia chwilowego sterowania u(t) [u, u + ], t [, t 1 ]. Po redukcji do przestrzeni sterowania problem przybiera postać: zminimalizować zredukowany wskaźnik jakości J(u) = przy nierównościowych ograniczeniach nieliniowych stanu końcowego x 2 1(t 1, u) ɛ, x 2 2(t 1, u) ɛ. 24 dt
25 i nierównościowym ograniczeniu chwilowym sterowania u(t) [u, u + ], t [, t 1 ]. Powyższe przyk lady ilustruj a problemy sterowania do obszaru docelowego - obiekt należy przeprowadzić z zadanego stanu pocz atkowego do zadanego obszaru końcowego. Z zadaniami tego rodzaju mamy do czynienia np. przy ograniczeniach na zawartość produktu ubocznego w produkcie końcowym. Przyk lad: Proces produkcyjny prowadzony w zbiornikowym reaktorze chemicznym polega na przemianie surowca A w produkt użyteczny B z uwzglȩdnieniem produktu ubocznego C. Niech x 1 (t) oznacza stȩżenie A w obiekcie w chwili t, x 2 (t) - stȩżenie B w obiekcie w chwili t, a x 3 (t) - stȩżenie C w chwili t. Należy zmaksymalizować ilość produktu użytecznego w chwili końcowej procesu G(x, u) = x 2 (1) przy ograniczeniach w postaci równań stanu procesu z zadanymi pocz atkowymi wartościami wspó lrzȩdnych stanu ẋ 1 (t) = a 1 e b/u(t) x 2 1(t), t [, 1], x 1 () = x 1 >, ẋ 2 (t) = a 1 e b/u(t) x 2 2(t), t [, 1], x 2 () =, ẋ 3 (t) = a 2 u(t) a 3 x 2 3(t), t [, 1], x 3 () = x 3 >, nierównościowego ograniczeńia stanu końcowego x 3 (1) x 31 oraz ograniczeń chwilowych sterowania u(t) [u, u + ], t [, 1]. Po redukcji do przestrzeni sterowania problem przybiera postać: zmaksymalizować zredukowany wskaźnik jakości J(u) = x 2 (1) 25
26 przy nierównościowym ograniczeniu nieliniowym x 3 (1, u) x 31 i nierównościowych ograniczeniach chwilowych sterowania u(t) [u, u + ], t [, 1]. Dyskretyzacja schodkowa sterowania u(t, u k ) = K 1 k= e k(t)u k sprowadza rozpatrywane problemy do zadań optymalizacji skończenie-wymiarowej typu min u R m{j(u k) : ϕ(u), u k [u, u + ], k =, 1, 2,..., K 1, m =. mk}, gdzie sk ladowe odwzorowania ϕ : R m R p s a funkcjami nieliniowymi i niewypuk lymi. Jeśli wskaźnik jakości ogranicza amplitudȩ sterowania, to zadanie powyższe upraszcza siȩ do postaci min u R m{j(u) : ϕ(u) }. Do zadania tego można zastosować metodȩ kwadratowej funkcji kary dla ograniczeń nierównościowych, która prowadzi do zadania optymalizacji bez ograniczeń Φ(u, ρ). = min u R m{j(u) + ρ 2 max2 (, ϕ(u)}, gdzie ρ > jest wspó lczynnikiem funkcji kary. Analiza tej metody pokazuje jednak, że sterowania optymalne dla problemu z funkcj a kary s a zbieżne do rozwi azania problemu wyjściowego tylko wtedy, gdy wspó lczynnik kary ρ jest zwiȩkszany do nieskończoności. Przy dużych wspó lczynnikach kary problem staje siȩ źle uwarunkowany i metoda kwadratowej funkcji kary dla ograniczeń nierównościowych jest ma lo skuteczna. Dlatego zaproponowano ulepszone warianty tej metody. Jednym z nich jest metoda przesuwanej kwadratowej funkcji kary dla ograniczeń nierównościowych Ψ(u, ρ, ν). = min u R m{j(u) + ρ 2 max2 (, ϕ(u) + ν)}, gdzie sk ladowe przesuniȩcia funkcji kary ν R p s a zwiȩkszane w t a stronȩ, w któr a naruszone zosta lo ograniczenie na danym sterowaniu. Zwiȩksza to wartość funkcji kary baz zmiany wspó lczynnika ρ i wymusza zbliżenie sterowania do obszaru dopuszczalnego. 26
27 Niech nieliniowe ograniczenie nierównościowe ma postać zwi azan a ze stanem końcowym procesu np. jest ograniczeniem zawartości końcowej x n1 produktu ubocznego modelowanego przez ostatni a zmiennca stanu x n ϕ(u), ϕ(u) = x n (1, u)) x n1. Algorytm przesuwanej funkcji kary dla ograniczeń nierównościowych Etap wstȩpny. Wybierz wymiar bazy schodkowej sterowania K i dyskretne sterowanie pocz atkowe u =. {u k } K 1 k=, pocz atkowe dopuszczalne naruszenie ograniczenia d, wspó lczynnik zmniejszania naruszenia ograniczenia α (, 1), pocz atkowy wspó lczynnik kary ρ i wspó lczynnik jego zwiȩkszania β > 1, pocz atkowe przesuniȩcie kary ν = i dok ladność obliczeń ɛ. Etap pierwszy. dyskretnym Wyznacz rozwi azanie równania stanu ze sterowaniem ẋ(t) = f(x(t), u(t, u), t), t [, 1], x() = x oraz równanie sprzȩżone ze sterowaniem dyskretnym η(t) = fx T (x(t), u(t, u), t)η(t) + gx T (x(t), u(t, u), t), t [, 1], η(1) = ρ max(, x n (1) + ν)(,...,, 1) T. Etap drugi. Oblicz gradient zredukowanego wskaźnika jakości J uk (u) = (k+1)δ kδ H u (η(t), x(t), u(t, u), t)dt, δ = 1/K, k =, 1,..., K 1, i podstaw startow a d lugość kroku γ = 1. Etap trzeci. Wyznacz rozwi azanie problemu optymalizacji bez ograniczeń u = arg min u R m Ψ(u, ρ, ν) z dok ladności a ɛ stosuj ac metodȩ typu gradientowego u := u γψ u (u) i oblicz naruszenie ograniczenia c = max 2 (, x n (1) x n1 ). Jeśli c d, to podstaw ν := ν + x n (1) x n1, d := αd. Jeśli c > d, to podstaw ν := 1 (ν + x β n(1) x n1 ), ρ := βρ. 27
28 Etap czwarty. Jeśli u + u < ɛ, to stop. W przeciwnym razie wróć do Etapu pierwszego. 28
Sterowanie optymalne dla uk ladów nieliniowych. Zasada maksimum Pontriagina.
Sterowanie optymalne dla uk ladów nieliniowych. Zasada maksimum Pontriagina. Podstawowy problem sterowania optymalnego dla uk ladów nieliniowych W podstawowym problemie sterowania optymalnego minimalizacji
Bardziej szczegółowoMnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym
Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania optymalnego
Bardziej szczegółowoMnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym
Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania optymalnego
Bardziej szczegółowoSterowalność liniowych uk ladów sterowania
Sterowalność liniowych uk ladów sterowania W zadaniach sterowania docelowego należy przeprowadzić obiekt opisywany za pomoc a równania stanu z zadanego stanu pocz atkowego ẋ(t) = f(x(t), u(t), t), t [t,
Bardziej szczegółowoMetody rzutowania i funkcji barierowych dla problemów sterowania optymalnego
Metody rzutowania i funkcji barierowych dla problemów sterowania optymalnego Problem optymalnego sterowania procesem dynamicznym z ograniczeniami zasobowymi może polegać na polega na minimalizacji wskaźnika
Bardziej szczegółowoSterowanie minimalnoczasowe dla uk ladów liniowych. Krzywe prze l aczeń.
Sterowanie minimalnoczasowe dla uk ladów liniowych. Krzywe prze l aczeń. Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania
Bardziej szczegółowoZagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka
Zagadnienie Dualne Zadania Programowania Liniowego Seminarium Szkoleniowe Edyta Mrówka Ogólne zagadnienie PL Znajdź taki wektor X = (x 1, x 2,..., x n ), który minimalizuje kombinacje liniow a przy ograniczeniach
Bardziej szczegółowoLiniowe uk lady sterowania.
Liniowe uk lady sterowania Rozwi azywanie liniowych rownań stanu Uk lady z czasem ci ag lym Liniowe stacjonarne równania stanu Przyk lad: Uk lad sterowania tarcz a obrotow a prȩt sprȩżysty tarcza obrotowa
Bardziej szczegółowoSterowanie optymalne
Sterowanie optymalne Sterowanie Procesami Ciągłymi 2017 Optymalizacja statyczna funkcji Funkcja celu/kryterialna/kosztów Ograniczenie Q(x) min x x = arg min Q(x) x x X, gdzie X zbiór rozwiązań dopuszczalnych
Bardziej szczegółowoEkonomia matematyczna i dynamiczna optymalizacja
Ekonomia matematyczna i dynamiczna optymalizacja Ramy wyk ladu i podstawowe narz edzia matematyczne SGH Semestr letni 2012-13 Uk lady dynamiczne Rozwiazanie modelu dynamicznego bardzo czesto można zapisać
Bardziej szczegółowoStabilność liniowych uk ladów sterowania
Stabilność liniowych uk ladów sterowania Stabilność uk ladów z czasem ci ag lym W teorii stabilności uk ladów sterowania badamy wrażliwość trajektorii stanu na zaburzenia stanu pocz atkowego. Interesuje
Bardziej szczegółowoWprowadzenie do metod sterowania optymalnego
Wprowadzenie do metod sterowania optymalnego Pojȩcie procesu sterowania obejmuje zestaw trajektorii stanu i sterowania (x, u) X U, gdzie X jest przestrzeni a trajektorii stanu, a U jest przestrzeni a sterowania.
Bardziej szczegółowoPOCHODNA KIERUNKOWA. DEFINICJA Jeśli istnieje granica lim. to granica ta nazywa siȩ pochodn a kierunkow a funkcji f(m) w kierunku osi l i oznaczamy
POCHODNA KIERUNKOWA Pochodne cz astkowe funkcji f(m) = f(x, y, z) wzglȩdem x, wzglȩdem y i wzglȩdem z wyrażaj a prȩdkość zmiany funkcji w kierunku osi wspó lrzȩdnych; np. f x jest prȩdkości a zmiany funkcji
Bardziej szczegółowoSynteza optymalnego regulatora stanu. Uk lady z czasem ci ag lym.
Synteza optymalnego regulatora stanu. Uk lady z czasem ci ag lym. Po wyznaczeniu optymalnego nominalnego) procesu sterowania x o, u o nasuwa siȩ kwestia podtrzymywania tego procesu w warunkach ma lych
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych 8 Pochodna kierunkowa funkcji Definicja Niech funkcja f określona bȩdzie w otoczeniu punktu P 0 = (x 0, y 0 ) oraz niech v = [v x, v y ] bȩdzie wektorem. Pochodn a kierunkow a funkcji
Bardziej szczegółowoZasada optymalności Bellmana. Uogólniony optymalny regulator stanu.
Zasada optymalności Bellmana. Uogólniony optymalny regulator stanu. Podstawowy problem sterowania optymalnego dla uk ladów nieliniowych z czasem ci ag lym W podstawowym problemie sterowania optymalnego
Bardziej szczegółowoLiczby zespolone, liniowa zależność i bazy Javier de Lucas. a d b c. ad bc
Liczby zespolone, liniowa zależność i bazy Javier de Lucas Ćwiczenie. Dowieść, że jeśli µ := c d d c, to homografia h(x) = (ax+b)/(cx+d), a, b, c, d C, ad bc, odwzorowuje oś rzeczywist a R C na okr ag
Bardziej szczegółowoWyk lad 9 Przekszta lcenia liniowe i ich zastosowania
Wyk lad 9 Przekszta lcenia liniowe i ich zastosowania 1 Przekszta lcenia liniowe i ich w lasności Definicja 9.1. Niech V i W bed przestrzeniami liniowymi. Przekszta lcenie f : V W spe lniajace warunki:
Bardziej szczegółowoMetoda Simplex bez użycia tabel simplex 29 kwietnia 2010
R. Rȩbowski 1 WPROWADZENIE Metoda Simplex bez użycia tabel simplex 29 kwietnia 2010 1 Wprowadzenie Powszechnie uważa siȩ, że metoda simplex, jako uniwersalny algorytm pozwalaj acyznaleźć rozwi azanie optymalne
Bardziej szczegółowoNiesimpleksowe metody rozwia zywania zadań PL. Seminarium Szkoleniowe Edyta Mrówka
Niesimpleksowe metody rozwia zywania zadań PL Seminarium Szkoleniowe Metoda Simplex: wady i zalety Algorytm SIMPLEX jest szeroko znany i stosowany do rozwi azywania zadań programowania liniowego w praktyce.
Bardziej szczegółowoliniowych uk ladów sterowania
Sterowalność i obserwowalność liniowych uk ladów sterowania W zadaniach sterowania docelowego należy przeprowadzić obiekt opisywany za pomoc a równania stanu z zadanego stanu pocz atkowego ẋ(t) = f(x(t),
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych 13 Zbiory w przestrzeni Definicja Przestrzeni a trójwymiarow a (przestrzeni a) nazywamy zbiór wszystkich trójek uporz adkowanych (x y z) gdzie x y z R. Przestrzeń tȩ oznaczamy symbolem
Bardziej szczegółowoWprowadzenie do teorii sterowania
Wprowadzenie do teorii sterowania Literatura podstawowa T. Kaczorek i inni, Podstawy teorii sterowania, WNT, Warszawa 2005. T. Kaczorek, Teoria sterowania i systemów, PWN, Warszawa 1996. T. Kaczorek, Teoria
Bardziej szczegółowoZestaw nr 7 Ekstremum funkcji jednej zmiennej. Punkty przegiȩcia wykresu. Asymptoty
Zestaw nr 7 Ekstremum funkcji jednej zmiennej. Punkty przegiȩcia wykresu. Asymptoty November 20, 2009 Przyk ladowe zadania z rozwi azaniami Zadanie 1. Znajdź równanie asymptot funkcji f jeśli: a) f(x)
Bardziej szczegółowoWyk lad 7 Baza i wymiar przestrzeni liniowej
Wyk lad 7 Baza i wymiar przestrzeni liniowej 1 Baza przestrzeni liniowej Niech V bedzie przestrzenia liniowa. Powiemy, że podzbiór X V jest maksymalnym zbiorem liniowo niezależnym, jeśli X jest zbiorem
Bardziej szczegółowoWyk lad 14 Formy kwadratowe I
Wyk lad 14 Formy kwadratowe I Wielomian n-zmiennych x 1,, x n postaci n a ij x i x j, (1) gdzie a ij R oraz a ij = a ji dla wszystkich i, j = 1,, n nazywamy forma kwadratowa n-zmiennych Forme (1) można
Bardziej szczegółowoMATEMATYKA REPREZENTACJA LICZB W KOMPUTERZE
1 SZKO LA PODSTAWOWA HELIANTUS 02-892 WARSZAWA ul. BAŻANCIA 16 B l ad bezwzglȩdny zaokr aglenia liczby ɛ = fl() B l ad wzglȩdny zaokr aglenia liczby 0 δ = fl() B l ad procentowy zaokr aglenia liczby 0
Bardziej szczegółowoDyskretne modele populacji
Dyskretne modele populacji Micha l Machtel Adam Soboczyński 17 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których
Bardziej szczegółowoy 1 y 2 = f 2 (t, y 1, y 2,..., y n )... y n = f n (t, y 1, y 2,..., y n ) f 1 (t, y 1, y 2,..., y n ) y = f(t, y),, f(t, y) =
Uk lady równań różniczkowych Pojȩcia wsȩpne Uk ladem równań różniczkowych nazywamy uk lad posaci y = f (, y, y 2,, y n ) y 2 = f 2 (, y, y 2,, y n ) y n = f n (, y, y 2,, y n ) () funkcje f j, j =, 2,,
Bardziej szczegółowoRozdzia l 11. Przestrzenie Euklidesowe Definicja, iloczyn skalarny i norma. iloczynem skalarnym.
Rozdzia l 11 Przestrzenie Euklidesowe 11.1 Definicja, iloczyn skalarny i norma Definicja 11.1 Przestrzenia Euklidesowa nazywamy par e { X K,ϕ }, gdzie X K jest przestrzenia liniowa nad K, a ϕ forma dwuliniowa
Bardziej szczegółowoAnaliza dla informatyków 2 DANI LI2 Pawe l Domański szkicowe notatki do wyk ladu
Analiza dla informatyków 2 DANI LI2 Pawe l Domański szkicowe notatki do wyk ladu Wyk lad 5 1. Iloczyn ortogonalny funkcji Wróćmy na chwilȩ do dowodu wzorów Eulera-Fouriera. Kluczow a rolȩ odgrywa l wzór:
Bardziej szczegółowoANALIZA II 15 marca 2014 Semestr letni. Ćwiczenie 1. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la?
Ci ag lość i norma Ćwiczenie. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la? f (x, y) = x2 y 2 x 2 + y 2, f 2(x, y) = x2 y x 2 + y 2 f 3 (x, y) = x2 y
Bardziej szczegółowoZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ
ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie minimalizacji bez ograniczeń f(ˆx) = min x R nf(x) f : R n R funkcja ograniczona z dołu Algorytm rozwiazywania Rekurencyjny
Bardziej szczegółowoCia la i wielomiany Javier de Lucas
Cia la i wielomiany Javier de Lucas Ćwiczenie 1. Za lóż, że (F, +,, 1, 0) jest cia lem i α, β F. w laściwości s a prawd a? Które z nastȩpuj acych 1. 0 α = 0. 2. ( 1) α = α. 3. Każdy element zbioru F ma
Bardziej szczegółowoCHEMIA KWANTOWA MONIKA MUSIA L. Ćwiczenia. mm
CHEMIA KWANTOWA MONIKA MUSIA L Ćwiczenia METODY PRZYBLIŻONE ROZWIA ZYWANIA RÓWNANIA SCHRÖDINGERA METODA WARIACYJNA metoda wariacyjna ĤΨ n = E n Ψ n Ψ n ortonormalne Szukamy rozwi azań dla stanu podstawowego,
Bardziej szczegółowoRównania różniczkowe cz astkowe rzȩdu pierwszego
Równania różniczkowe cz astkowe rzȩd pierwszego 1 Równania liniowe jednorodne Rozważmy równanie a 1 ( 1,..., n ) 1 +... + a n ( 1,..., n ) n = 0, (1) gdzie a i, i = 1,..., n s a dane, a fnkcja = ( 1,...,
Bardziej szczegółowoWyk lad 9 Baza i wymiar przestrzeni liniowej
Wyk lad 9 Baza i wymiar przestrzeni liniowej 1 Operacje elementarne na uk ladach wektorów Niech α 1,..., α n bed dowolnymi wektorami przestrzeni liniowej V nad cia lem K. Wyróżniamy nastepuj ace operacje
Bardziej szczegółowoSuma i przeciȩcie podprzestrzeni, przestrzeń ilorazowa Javier de Lucas
Suma i przeciȩcie podprzestrzeni, przestrzeń ilorazowa Javier de Lucas Ćwiczenie 1. Dowieść, że jeśli U i V s a podprzestrzeniami n-wymiarowej przestrzeni wektorowej oraz dim U = r i dim V = s, to max(0,
Bardziej szczegółowoDyskretne modele populacji
Dyskretne modele populacji Micha l Machtel Adam Soboczyński 19 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których
Bardziej szczegółowoWYKŁAD 9 METODY ZMIENNEJ METRYKI
WYKŁAD 9 METODY ZMIENNEJ METRYKI Kierunki sprzężone. Metoda Newtona Raphsona daje dobre przybliżenie najlepszego kierunku poszukiwań, lecz jest to okupione znacznym kosztem obliczeniowym zwykle postać
Bardziej szczegółowoWprowadzenie z dynamicznej optymalizacji
Wprowadzenie z dynamicznej optymalizacji Lukasz Woźny 29 kwietnia 2007 Spis treści 1 Optymalizacja statyczna a optymalizacja dynamiczna 2 1.1 Ekstrema lokalne funkcji wielu zmiennych - statyka...... 2
Bardziej szczegółowoZadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych
Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych [ ] e Zadanie 1 Pokazać, że X(t) = 2t cos t sin t e 2t jest specjalną macierzą fundamentalną w sin t cos t [ 2 cos chwili τ = 0 układu
Bardziej szczegółowoElementy analizy funkcjonalnej PRZESTRZENIE LINIOWE
Elementy analizy funkcjonalnej PRZESTRZENIE LINIOWE Niech K = R lub K = C oraz X - dowolny zbiór. Określmy dwa dzia lania: dodawanie + : X X X i mnożenie przez liczbȩ : K X X, spe lniaj ace nastȩpuj ace
Bardziej szczegółowoSTYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1
1 STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1 Klasyczny Rachunek Prawdopodobieństwa. 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany. Posiadamy
Bardziej szczegółowoPierwsze kolokwium z Matematyki I 4. listopada 2013 r. J. de Lucas
Pierwsze kolokwium z Matematyki I 4. listopada 03 r. J. de Lucas Uwagi organizacyjne: Każde zadanie rozwi azujemy na osobnej kartce, opatrzonej imieniem i nazwiskiem w lasnym oraz osoby prowadz acej ćwiczenia,
Bardziej szczegółowoMetody Numeryczne Wykład 4 Wykład 5. Interpolacja wielomianowa
Sformułowanie zadania interpolacji Metody Numeryczne Wykład 4 Wykład 5 Interpolacja wielomianowa Niech D R i niech F bȩdzie pewnym zbiorem funkcji f : D R. Niech x 0, x 1,..., x n bȩdzie ustalonym zbiorem
Bardziej szczegółowoZestaw nr 6 Pochodna funkcji jednej zmiennej. Styczna do krzywej. Elastyczność funkcji. Regu la de l Hospitala
Zestaw nr 6 Pochodna funkcji jednej zmiennej. Styczna do krzywej. Elastyczność funkcji. Regu la de l Hospitala November 12, 2009 Przyk ladowe zadania z rozwi azaniami Zadanie 1. Oblicz pochodne nastȩpuj
Bardziej szczegółowoedzi (local edge detectors) Lokalne operatory wykrywania kraw
Lokalne operatory wykrywania kraw edzi (local edge detectors) Jeśli dwie reprezentacje sa zbyt odleg le, by można by lo latwo określić transformacje miedzy nimi, to u latwić zadanie można przez wprowadzenie
Bardziej szczegółowoAsymptota pozioma: oṡ x, gdy y = 0 Asymptota pionowa: oṡ y, gdy x = 0. Hyperbola 1 x
1 SZKO LA PODSTAWOWA HELIANTUS 02-892 WARSZAWA ul. BAŻANCIA 16 Asymptota pozioma: oṡ x, gdy y = 0 Asymptota pionowa: oṡ y, gdy x = 0 2 1 0 3 1 2 x Hyperbola 1 x FUNKCJE ELEMENTARNE WYMIERNE POTȨGOWE LOGARYTMICZNE
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metody kierunków poparwy (metoda Newtona-Raphsona, metoda gradientów sprzężonych) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 28.03.2019 1
Bardziej szczegółowoSuma i przeciȩcie podprzestrzeń, suma prosta, przestrzeń ilorazowa Javier de Lucas
Suma i przeciȩcie podprzestrzeń suma prosta przestrzeń ilorazowa Javier de Lucas Ćwiczenie 1 W zależności od wartości parametru p podaj wymiar przestrzeni W = v 1 v v 3 gdzie p 0 v 1 = 1 + p 3 v = 5 3
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA
1 STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany.
Bardziej szczegółowoWprowadzenie Metoda bisekcji Metoda regula falsi Metoda siecznych Metoda stycznych RÓWNANIA NIELINIOWE
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Zazwyczaj nie można znaleźć
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoUkłady równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np.
Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona f(x 0, f ( f, f,..., f n gdzie 2 x ( x, x 2,..., x n dla n2 np. f ( x, y 0 g( x, y 0 dla każdej wielowymiarowej rozwinięcie w szereg Taylora
Bardziej szczegółowoSZKO LA PODSTAWOWA HELIANTUS WARSZAWA ul. BAŻANCIA 16. Hyperbola 1 x FUNKCJE ELEMENTARNE WYMIERNE POTȨGOWE LOGARYTMICZNE.
1 SZKO LA PODSTAWOWA HELIANTUS 0-89 WARSZAWA ul. BAŻANCIA 16 1 0 3 1 x Hyperbola 1 x FUNKCJE ELEMENTARNE WYMIERNE POTȨGOWE LOGARYTMICZNE Prof. dr. Tadeusz STYŠ Warszawa 018 1 1 Projekt dziesi aty Contents
Bardziej szczegółowo1 Równania nieliniowe
1 Równania nieliniowe 1.1 Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym jest numeryczne poszukiwanie rozwiązań równań nieliniowych, np. algebraicznych (wielomiany),
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 4. Metody kierunków poprawy (metoda spadku wzdłuż gradientu) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 21.03.2019 1 / 41 Plan wykładu Minimalizacja
Bardziej szczegółowoIX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. - funkcja dwóch zmiennych,
IX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. Definicja 1.1. Niech D będzie podzbiorem przestrzeni R n, n 2. Odwzorowanie f : D R nazywamy
Bardziej szczegółowo1 Przestrzenie unitarne i przestrzenie Hilberta.
Przestrzenie unitarne i przestrzenie Hilberta.. Wykazać, że iloczyn skalarny w przestrzeni wektorowej X nad cia lem K ma nastepuj ace w lasności: (i) x, y + z = x, y + x, z, (ii) x, λy = λ x, y, (iii)
Bardziej szczegółowoWyk lad 8 macierzy i twierdzenie Kroneckera-Capellego
Wyk lad 8 Rzad macierzy i twierdzenie Kroneckera-Capellego 1 Określenie rz edu macierzy Niech A bedzie m n - macierza Wówczas wiersze macierzy A możemy w naturalny sposób traktować jako wektory przestrzeni
Bardziej szczegółowoWYK LAD 5: GEOMETRIA ANALITYCZNA W R 3, PROSTA I P LASZCZYZNA W PRZESTRZENI R 3
WYK LAD 5: GEOMETRIA ANALITYCZNA W R 3, PROSTA I P LASZCZYZNA W PRZESTRZENI R 3 Definicja 1 Przestrzenia R 3 nazywamy zbiór uporzadkowanych trójek (x, y, z), czyli R 3 = {(x, y, z) : x, y, z R} Przestrzeń
Bardziej szczegółowoci agi i szeregi funkcji Javier de Lucas Ćwiczenie 1. Zbadać zbieżność (punktow a i jednostajn a) ci agu funkcji nx 2 + x
ci agi i szeregi funkcji Javier de Lucas Ćwiczenie 1 Zbadać zbieżność (punktow a i jednostajn a) ci agu funkcji f n : [, [ x nx + x nx + 1, Rozwi azanie: Mówi siȩ, że ci ag funkcji f n zd aży punktowo
Bardziej szczegółowoWyk lad 5 W lasności wyznaczników. Macierz odwrotna
Wyk lad 5 W lasności wyznaczników Macierz odwrotna 1 Operacje elementarne na macierzach Bardzo ważne znaczenie w algebrze liniowej odgrywaja tzw operacje elementarne na wierszach lub kolumnach macierzy
Bardziej szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowona p laszczyźnie kartezjaṅskiej prowadzimy prost a o rȯwnaniu s 1. (1.1) s 0 + t 1 t 0
Chapter 1 Interpolacja 1.1 Interpolacja liniowa Zacznijmy opis pojȩcia inter-polacji od prostego przyk ladu. Przyk lad 1.1 Oblicz ile kilometrȯw przejecha l samochȯd po 3 godzinach jazdy, jeżeli po jednej
Bardziej szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji n-wymiarowych Forma kwadratowa w n wymiarach Procedury minimalizacji Minimalizacja wzdłuż prostej w n-wymiarowej przestrzeni Metody minimalizacji wzdłuż osi współrzędnych wzdłuż kierunków
Bardziej szczegółowoVII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.
VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w
Bardziej szczegółowoRozwiązywanie równań nieliniowych
Rozwiązywanie równań nieliniowych Marcin Orchel 1 Wstęp Przykłady wyznaczania miejsc zerowych funkcji f : f(ξ) = 0. Wyszukiwanie miejsc zerowych wielomianu n-tego stopnia. Wymiar tej przestrzeni wektorowej
Bardziej szczegółowoMonika Musia l. METODA MIESZANIA KONFIGURACJI Configuration Interaction (CI) (ujȩcie wyznacznikowe)
Monika Musia l METODA MIESZANIA KONFIGURACJI Configuration Interaction (CI) (ujȩcie wyznacznikowe) ĤΨ i = E i Ψ i W metodzie mieszania konfiguracji wariacyjna funkcja falowa, jest liniow a kombinacj a
Bardziej szczegółowoPierwiastki arytmetyczne n a
Chapter 1 Pierwiastki arytmetyczne n a Operacja wyci aganie pierwiastka stopnia n z liczby a jest odwrotn a operacj a do potȩgowania, jeżeli operacja odwrotna jest wykonalna w liczbach rzeczywistych. Zacznijmy
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA. Spis pojȩċ teoretycznych
1 RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA Spis pojȩċ teoretycznych 1. Podstawowe pojȩcia: doświadczenie losowe, zdarzenie elementarne, zdarzenie losowe, przestrzeń zdarzeń elementarnych, zbiór zdarzeń
Bardziej szczegółowoINTERPOLACJA I APROKSYMACJA FUNKCJI
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Wprowadzenie Na czym polega interpolacja? Interpolacja polega
Bardziej szczegółowoPROGRAMOWANIE KWADRATOWE
PROGRAMOWANIE KWADRATOWE Programowanie kwadratowe Zadanie programowania kwadratowego: Funkcja celu lub/i co najmniej jedno z ograniczeń jest funkcją kwadratową. 2 Programowanie kwadratowe Nie ma uniwersalnej
Bardziej szczegółowoLOGIKA ALGORYTMICZNA
LOGIKA ALGORYTMICZNA 0.0. Relacje. Iloczyn kartezjański: A B := (a, b) : a A i b B} (zak ladamy, że (x, y) i (u, v) s a równe wtedy i tylko wtedy gdy x = u i y = v); A n := (x 1,..., x n ) : x i A}; R
Bardziej szczegółowoWyk lad 7 Metoda eliminacji Gaussa. Wzory Cramera
Wyk lad 7 Metoda eliminacji Gaussa Wzory Cramera Metoda eliminacji Gaussa Metoda eliminacji Gaussa polega na znalezieniu dla danego uk ladu a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n =
Bardziej szczegółowoWyk lad 11 1 Wektory i wartości w lasne
Wyk lad 11 Wektory i wartości w lasne 1 Wektory i wartości w lasne Niech V bedzie przestrzenia liniowa nad cia lem K Każde przekszta lcenie liniowe f : V V nazywamy endomorfizmem liniowym przestrzeni V
Bardziej szczegółowoIndeks odwzorowania zmiennej zespolonej wzgl. krzywej zamknietej
Indeks odwzorowania zmiennej zespolonej wzgl edem krzywej zamkni etej 1. Liczby zespolone - konstrukcja Hamiltona 2. Homotopia odwzorowań na okr egu 3. Indeks odwzorowania ciag lego wzgledem krzywej zamknietej
Bardziej szczegółowow teorii funkcji. Dwa s lynne problemy. Micha l Jasiczak
Równania różniczkowe czastkowe w teorii funkcji. Dwa s lynne problemy. Micha l Jasiczak Horyzonty 2014 Podstawowy obiekt wyk ladu: funkcje holomorficzne wielu zmiennych Temat: dwa problemy, których znane
Bardziej szczegółowoPo wprowadzeniu zmiennych uzupe lniaj acych otrzymamy równoważny mu problem w postaci kanonicznej:
ROZDZIA L Metoda sympleksowa Motto: Matematyka nie może wype lnić życia ale jej nieznajomość już niejednemu je wype lni la H Steinhaus Tablica sympleksowa Rozważmy ZPL w postaci klasycznej maksymalizować
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawy optymalizacji Plan prezentacji 1 Podstawy matematyczne 2 3 Eliminacja ograniczeń Metody
Bardziej szczegółowoWyk lad 4 Dzia lania na macierzach. Określenie wyznacznika
Wyk lad 4 Dzia lania na macierzach Określenie wyznacznika 1 Określenie macierzy Niech K bedzie dowolnym cia lem oraz niech n i m bed a dowolnymi liczbami naturalnymi Prostokatn a tablice a 11 a 12 a 1n
Bardziej szczegółowoWyk lad 13 Funkcjona ly dwuliniowe
1 Izomorfizmy kanoniczne Wyk lad 13 Funkcjona ly dwuliniowe Definicja 13.1. Niech V i W bed przestrzeniami liniowymi. Funkcje ξ : V W R nazywamy funkcjona lem dwuliniowym, jeżeli i a,b R α,β V γ W ξa α
Bardziej szczegółowoUkłady równań i równania wyższych rzędów
Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem
Bardziej szczegółowoROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH
Transport, studia I stopnia Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym
Bardziej szczegółowostosunek przyrostu funkcji y do odpowiadajacego dy dx = lim y wielkości fizycznej x, y = f(x), to pochodna dy v = ds edkości wzgl edem czasu, a = dv
Matematyka Pochodna Pochodna funkcji y = f(x) w punkcie x nazywamy granice, do której daży stosunek przyrostu funkcji y do odpowiadajacego mu przyrostu zmiennej niezaleźnej x, g przyrost zmiennej daży
Bardziej szczegółowo5. Obliczanie pochodnych funkcji jednej zmiennej
Kiedy może być potrzebne numeryczne wyznaczenie pierwszej lub wyższej pochodnej funkcji jednej zmiennej? mamy f(x), nie potrafimy znaleźć analitycznie jej pochodnej, nie znamy postaci f(x), mamy stablicowane
Bardziej szczegółowoCHEMIA KWANTOWA MONIKA MUSIA L METODA HÜCKLA. Ćwiczenia. http://zcht.mfc.us.edu.pl/ mm
CHEMIA KWANTOWA MONIKA MUSIA L METODA HÜCKLA Ćwiczenia Zwi azki organiczne zawieraj ace uk lady π-elektronowe Sprzȩżony uk lad wi azań podwójnych: -C=C-C=C-C=C-C=C- Skumulowany uk lad wi azań podwójnych:
Bardziej szczegółowo0.1 Reprezentacja liczb w komputerze
1 0.1 Reprezentacja liczb w komputerze Zapis liczb w zmiennym przecinku. U lamki dziesiȩtne w laṡciwe i niew laṡciwe piszemy oddzielaj ac czȩṡċ ca lkowit a od czȩṡci u lamkowej w laṡciwej przecinkiem w
Bardziej szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego
Bardziej szczegółowoMetody numeryczne I Równania nieliniowe
Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 1 Zadanie Definicja 1.1. (zadanie) Zadaniem nazywamy zagadnienie znalezienia rozwiązania x spełniającego równanie F (x, d) = 0, gdzie d jest zbiorem danych (od których zależy rozwiązanie x), a F
Bardziej szczegółowoP (x, y) + Q(x, y)y = 0. g lym w obszrze G R n+1. Funkcje. zania uk ladu (1) o wykresie przebiegaja
19. O ca lkach pierwszych W paragrafie 6 przy badaniu rozwia zań równania P (x, y) + Q(x, y)y = 0 wprowadzono poje cie ca lki równania, podano pewne kryteria na wyznaczanie ca lek równania. Znajomość ca
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
22 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Uwagi wstępne Układ liniowych równań algebraicznych można
Bardziej szczegółowo1 Metody rozwiązywania równań nieliniowych. Postawienie problemu
1 Metody rozwiązywania równań nieliniowych. Postawienie problemu Dla danej funkcji ciągłej f znaleźć wartości x, dla których f(x) = 0. (1) 2 Przedział izolacji pierwiastka Będziemy zakładać, że równanie
Bardziej szczegółowoWyk lad 4 Macierz odwrotna i twierdzenie Cramera
Wyk lad 4 Macierz odwrotna i twierdzenie Cramera 1 Odwracanie macierzy I n jest elementem neutralnym mnożenia macierzy w zbiorze M n (R) tzn A I n I n A A dla dowolnej macierzy A M n (R) Ponadto z twierdzenia
Bardziej szczegółowoRys Mo liwe postacie funkcji w metodzie regula falsi
5.3. Regula falsi i metoda siecznych 73 Rys. 5.1. Mo liwe postacie funkcji w metodzie regula falsi Rys. 5.2. Przypadek f (x), f (x) > w metodzie regula falsi 74 V. Równania nieliniowe i uk³ady równañ liniowych
Bardziej szczegółowoPodstawy Automatyki. wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak. Politechnika Wrocławska. Instytut Technologii Maszyn i Automatyzacji (I-24)
Podstawy Automatyki wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak Politechnika Wrocławska Instytut Technologii Maszyn i Automatyzacji (I-24) Laboratorium Podstaw Automatyzacji (L6) 105/2 B1 Sprawy organizacyjne
Bardziej szczegółowo