Académique Documents
Professionnel Documents
Culture Documents
D. Arzelier
LAAS-CNRS - UPR 8001 Toulouse
Thorie de la complexit
Thorie de linformation
R.E. Kalman Thorie de WienerHopfKalman Thorie des systmes dynamiques Analyse numrique Thorie de l interpolation Thorie des fonctions analytiques
Mesures H. Black
Programmation mathmatique
JNMACS 06/09/05
Hypoth` ese : Le mod` ele g en eralis e P et le correcteur g en eralis e K sont des mod` eles LTI
P
u K y
Sch ema standard - Synth` ese des approches fr equentielles (outils graphiques, sensibilit e, robustesse) et espace d etat (Optimalit e, LQG, th eorie de Lyapunov) - Optimisation pour lanalyse de performance (analyse pire-cas) et description de lincertitude de mod elisation - Utilisation syst ematique des normes syst` emes (H , H2 ...)
JNMACS 06/09/05
w w u z
P
y
Probl` eme 1 (mod elisation incertaine) Choisir (w, u, z, y, z , w ), caract eriser la causalit e entr ee-sortie et d ecrire
w
Probl` eme 2 (synth` ese robuste) D eterminer K conf erant a ` linterconnexion stabilit e et performances robustes
w z
P( )
K
Probl` eme 3 (analyse robuste) Pour K donn e, d eterminer si linterconnexion est robuste en stabilit e et performance
JNMACS 06/09/05
min
Tzw (K )
Probl` eme dinterpolation de fonctions analytiques, techniques de Nevanlinna-Pick-Schur, th eorie des op erateurs de Sarason, AAK, BH, [FHZ 84], [Doyle 84] Probl` eme de Nehari-Hankel, th eorie de la factorisation, param etrisation de Youla, argument de s eparation [BSS80], [Glover 84], [DGKF 89] Emergence de la formulation LMI [Willems 71], [GA 94] - La -analyse : [Popov 61], [Sandberg 63], [Doyle 1982], [Safonov 1982] (P ) = 1 min { () : , det(1 P ) = 0}
Analyse fonctionnelle, th eorie des op erateurs [Zames 63], [Narendra 64] Optimisation globale et optimisation convexe [YD 90], [YND 91], [FTD 91], [Ferreres 99]
JNMACS 06/09/05
- Th eorie de Lyapunov et stabilit e quadratique [LP 47], [Barmish 1985], [BPG 89] [BB 1991]
Alg` ebre des polyn omes et m ethodes graphiques [Yakubovich 62], [Kalman 63] Alg` ebre lin eaire et num erique [Willems 1971] Prog. SDP : PI [BF 63], [NN 1994] et appr. non di. [Kelley 1960], [Overton 88] Approches litt erales = Approches num eriques
a wide (but incomplete) class of linear controller design problems can be cast as convex optimization problems
Pb. de commande = Pb. de programmation math ematique + m ethode num erique ecace R esultats faibles = R esultats forts Complexit e calculatoire : P = NP ? et d emonstrabilit e globale : convexit e Probl` emes faciles : alternative num erique aux solutions litt erales usuelles Probl` emes durs : relaxations convexes
Nota : SIAM J. of Control devient SIAM J. of Control and Optimization en 1976
JNMACS 06/09/05
Bcp. de probl` emes en commande robuste sont encore non convexes (BMI) [Safonov 1994]
cx
n
sous Gi,j xi xj 0
F0 +
i=1
Fi xi
n
0 Gi xi ) N
F0 +
i=1
Fi xi +
i=1 j =i
rang(G0 +
i=1
Minimisation concave :
min sous
Trace(ZF ) (F , Z ) KF KZ
min sous
f (x)
n
F0 +
i=1
Fi xi
f concave
JNMACS 06/09/05
10
9 =3.5
=3
0 1
0.5
0.5
1 x
1.5
2.5
JNMACS 06/09/05
10
- Dualit e et relaxation lagrangiennes Th eorie de Lyapunov, S -proc edure, lemme de Finsler et d elimination, relaxation de rang - Les relaxations hi erarchiques Polyn omes positifs, SOS, th eorie des moments - Les relaxations heuristiques Relaxations crois ees et algorithmes de descente coordonn ee Les approches algorithmiques : - La m ethode du gradient conditionnel - Les m ethodes de p enalit e et de barri` ere - Loptimisation non di erentiable - Loptimisation globale Th eorie de Lyapunov, commande robuste et optimisation
JNMACS 06/09/05
11
xX
f (x) hi (x) 0 i = 1, , m
i hi (x)
i 0
inf
L(x, ) =
R m +
sup
()
- La fonction duale () est concave et semi-continue sup erieurement - R esoudre le dual du dual revient ` a r esoudre une relaxation convexe du pb. primal e forte, th eor` emes des alternatives - Dualit e faible p d , dualit - Dualit e SDP (Application de la dualit e conique)
JNMACS 06/09/05
12
Proposition 2 : i 0, i = 1, , m | f (x)
i=1
i hi (x) 0
S-procedure 1 ([Yakubovich 71]) Pour f (x) = x Ax, hi (x) = x Bi x, i = 1, , m et X = Rn : - Si x Rn tel que h1 (x) > 0 alors pour m = 1, la S -proc edure nest pas pessimiste - Si m = 2, la S -proc edure peut etre pessimiste Pessimisme de la S-proc edure = saut de dualit e [Fradkov 73]
m hi (x)0
inf
f (x) sup
j 0
xX
inf
f (x)
j =1
j hj (x)
JNMACS 06/09/05
13
111111111111111111111 000000000000000000000 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 u 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 K 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111 000000000000000000000 111111111111111111111
14
= x, Aadj (Z )
Th eor` eme 2 (Alternative forte) Une des assertions suivantes est exactement v eri ee 1- x E tel que A(x) + A0 0
S
2- Z S+ telle que Aadj (Z ) = 0 et A0 , Z Th eor` eme 3 (Alternative faible) Une des assertions suivantes au plus est v eri ee 1- x E tel que A(x) + A0 0 2- Z S+ telle que Aadj (Z ) = 0 et A0 , Z
De plus, si A0 = A(x0 ) pour x0 E ou si x E tel que A(x) assertions est exactement vraie.
JNMACS 06/09/05
15
1 A
JNMACS 06/09/05
16
min
q (A s1) (A s1)q s DC A 1 q p 0 A 1 q p
sous p = sq = min q p
p, q =0
sous q p
JNMACS 06/09/05
17
> trace P
alors > 0 et D P A A 0 Par application du lemme de projection, une condition susante est 1 0 1 A DP P Sn | A 0 P
La matrice de Lyapunov P une variable duale de Lagrange ou multiplieur de Lagrange Th eorie de Lyapunov, commande robuste et optimisation
JNMACS 06/09/05
18
1 A
0 P 0
Aadj (Z1 , Z2 ) = Z2 [1 A]D Z1 [1 A] = 0 Si la proposition 2 est v eri ee ( equivalent ` a la proposition 1 non v eri ee) alors le spectre de A nest pas enti` erement contenu dans D Th eorie de Lyapunov, commande robuste et optimisation
JNMACS 06/09/05
19
X =0
sous F D (X ) X 0
JNMACS 06/09/05
20
(H ) AH
R | A + HH
0 0
Nota : point de vue alg ebrique [Skelton 98] = point de vue de loptimisation (dualit e) Th eorie de Lyapunov, commande robuste et optimisation
JNMACS 06/09/05
21
JNMACS 06/09/05
22
s DC
JNMACS 06/09/05
23
D Pi +
Ai
i Pi
0 0 0
0 1 1 0
0 D Pi 0 0 0 1 0
0 1 1 0
0 0 1
1 + He Ai 0
1 Ai
A ( ) 1
i Pi
i=1
A ( ) 1
JNMACS 06/09/05
24
JNMACS 06/09/05