Vous êtes sur la page 1sur 87

Rpublique Algrienne Dmocratique et populaire

Ministre de lEnseignement Suprieur et de la Recherche Scientifique


Universit Mouloud Mammeri de Tizi-Ouzou





Facult de Gnie Electrique et Informatique
Dpartement Automatique

MEMOIRE DE MAGISTER
En Automatique
Option : Automatique des systmes continus et productique

prsent par
IDIRI Ghania

Thme :

Commande prdictive des systmes non linaires dynamiques

Mmoire soutenu le 06 /07/ 2011 devant le jury dexamen compos de :

Prsident : DJENNOUNE Sad Professeur lUMMTO
Rapporteur : HAMMOUCHE Kamal Matre de confrences A l'UMMTO
Examinateur : OUANES Mohand Matre de confrences A l'UMMTO
Examinateur : MANSOURI Rachid Matre de confrences A l'UMMTO
Examinateur : DJAMAH Tounsia Matre de confrences B l'UMMTO


Sommaire




Chapitre 0. Introduction Gnrale 01

Chapitre 1. Gnralits sur la Commande Prdictive 05
1.1 Introduction 05
1.2 Principe de la commande prdictive 06
1.3 Elments dune commande prdictive 08
1.3.1 Modle du systme 08
1.3.2 Prdiction 10
1.3.3 Critre de performance (fonction objectif) 10
1.3.4 Contraintes 12
1.3.5 Loi de commande 12
1.4 Algorithme DMC 13
1.4.1 Modle de prdiction 13
1.4.2 Synthse dun correcteur DMC 16
1.4.3 Evaluation des performances de lalgorithme DMC 16
1.4.4 Etude de linfluence des paramtres de rglage dune commande prdictive 19
1.5 Stabilit de la commande prdictive 22
1.6 Etat de lart sur la commande prdictive 24
1.7 Conclusion 25



Chapitre 2. Optimisation Globale dans 26
2.1 Introduction 26
2.2 Formulation mathmatique dun problme doptimisation 27
2.3 Classification des problmes doptimisation dans 28
2.4 Conditions pour un minimum 29
2.5 Mthodes de rsolution des problmes doptimisation 30
2.6 Classifications des mthodes doptimisation 32
2.7 Intrt des mthodes globales 34
2.8 Mthodes doptimisation globales et commande prdictive 37
2.9 Conclusion 38

Chapitre 3. Mthodes doptimisation globale : Alienor et Essaim de Particules 40
3.1 Introduction 40
3.2 Mthode dAlienor 41
3.3 Mthode dessaim de particules 45
3.3.1 Principe de la mthode dessaim de particules 46
3.3.2 Algorithme de la mthode dessaim de particules 47
3.4 Application lidentification dun systme non linaire 50
3.4.1 Mthode du modle 52
3.4.2 Modle du systme non linaire identifier 54
3.5 Conclusion 56

Chapitre 4. Commande Prdictive Non linaire Base sur lOptimisation Globale 58
4.1 Introduction 58
4.2 Etat de lart de la commande prdictive non linaire 59
4.3 Commande prdictive non linaire 61
4.3.1 Commande prdictive base sur la mthode dAlienor 63
4.3.2 Commande prdictive base sur la mthode dessaim de particules 66
4.4 Conclusion 69

Chapitre 0. Conclusion Gnrale 74





Liste des figures

1.1 Principe de la commande prdictive 07
1.2 Stratgie de commande prdictive 08
1.3 Rponse indicielle du systme 17
1.4 Poursuite et rejet de perturbation 18
1.5 Evolution de la commande 18
1.6 Influence de lhorizon de commande 20
1.7 Influence de lhorizon de prdiction 21
2.1 Evolution de la fonction objectif du problme doptimisation (2.24) 36
2.2 Evolution de la fonction objectif du problme doptimisation (2.25) 36
2.3 Fonction objectif et son enveloppe convexe 37
3.1 Exploration globale du plan paramtre par (spirale dArchimde) 42
3.2 Schma de principe du dplacement dune particule 47
3.3 Principe de la mthode du modle 53
4.1 Structure gnrale de la commande prdictive non linaire 62
4.2 Mthode dAlienor : cas sans contrainte sur la variable de commande ( ) k u 70
4.3 Mthode dAlienor : cas avec contrainte sur la variable de commande
( ) k u ( ) ( ) 25 , 1 k u 71
4.4 Mthode dessaim de particules : cas sans contrainte sur la variable de commande ( ) k u 72
4.5 Mthode dessaim de particules : cas avec contrainte sur la variable de commande ( ) k u 73





Liste des tableaux

1.1 Version commercialiss des correcteurs prdictifs 23
2.1 Classification des problmes doptimisation 28
4.1 Temps moyen pour le calcul de la commande 68









1




Introduction Gnrale


La commande prdictive constitue actuellement lapproche de commande la plus indique
pour la commande des systmes complexes dans le milieu industriel. L'intrt est que des
spcifications de fonctionnement ainsi que des contraintes d'exploitation (scurit de
fonctionnement des biens, des personnels et de lenvironnement, qualit des produits),
invitables pour la plupart des systmes, peuvent tre conjointement traites dans l'laboration
de la loi de commande (Flaus, 1994 ; Camacho et Bordons, 2008 ; Findeisen et al. 2007). De
plus, la mise en uvre dune commande prdictive est relativement simple et il en va de
mme pour les outils thoriques ncessaires leur tude, ce qui justifie sa popularit en
utilisation industrielle (Henson, 1998). Aussi, lvolution de linformatique sur le plan
matriel et logiciel a propuls la commande prdictive pour occuper une place prpondrante
dans les milieux acadmique et industriel (Martinsen, 2002).
La commande prdictive est une commande base sur le modle, par consquent avoir de
bonnes performances est li directement la prcision et la complexit du modle utilis dans
lalgorithme de commande pour la prdiction des sorties futures du systme (Huang, 2008;
Magni et al. 2009). Sur ce plan, lexistence des calculateurs numriques avec des vitesses de
traitement vertigineuses, et des capacits de stockage normes a largement contribu au
succs de la commande prdictive.
Dans une stratgie de commande prdictive, les objectifs de commande sont spcifis par
un critre minimiser et des contraintes imposer sur les variables d'tat, de commandes et
de sorties (Flaus, 1994 ; Huang et Kadali, 2008 ; Camacho et Bordons, 2008). Par consquent,
la commande appliquer, chaque instant dchantillonnage, est obtenue en rsolvant un
2

problme doptimisation avec contraintes en un temps infrieur la priode dchantillonnage
(Cannon, 2004 ; Tatjewski, 2007).
La nature du problme doptimisation dpend gnralement du type du modle utilis pour
la prdiction puisque le critre est gnralement quadratique et exprime des objectifs de
poursuite et de minimisation dnergie (Huang et Kadali, 2008 ; Camacho et Bordons, 2008).
Lorsque le modle est linaire, la solution analytique du problme doptimisation existe et
simple calculer et les performances seront meilleures puisque loptimum global est atteint
(Cutler, 1979 ; Clarke, 1987 ; Flaus, 1994 ; Huang et Kadali, 2008).
Par contre lutilisation dun modle non linaire, bien que les prdictions seront prcises,
mais la nature du problme doptimisation est non linaire dont la complexit est li
directement la prcision du modle. Avoir un problme doptimisation non linaire,
rsoudre chaque priode dchantillonnage, constitue une tche ardue et empche
lapplication de la commande prdictive des systmes non linaires (Cannon, 2004 ;
Findeisen, 2007 ; Magni et al., 2009).
En effet, dans une stratgie de commande prdictive, les performances seront meilleures si
loptimum global du critre est atteint avec une trs grande prcision, et la convergence est
assure en un temps infrieur la priode dchantillonnage (Long et al., 2006). Par
consquent, lalgorithme doptimisation doit possder les proprits de convergence et de
rapidit (Cannon, 2004).
La thorie de loptimisation offre une panoplie de mthodes doptimisation locales et
globales (Horst et Pardalos, 1995). Dans une commande prdictive, pour avoir de bonnes
performances, les mthodes doptimisation intressantes sont les mthodes globales, cest--
dire les mthodes permettant de localiser loptimum global du critre contrairement aux
mthodes locales qui localise loptimum local (Cannon, 2004 ; Long et al., 2006). Les
mthodes doptimisation globale, proposes dans la littrature, sont scindes en trois
classes (Berthiau et Siarry, 2001): les mthodes exactes pour lesquelles la convergence vers
loptimum globale est assure au prix dun temps de calcul important, les mthodes
heuristiques caractrises par une convergence asymptotique et rapide, et les mthodes
hybrides qui combinent des algorithmes exactes et heuristiques pour fusionner leurs avantages
et avoir des algorithmes rapides.
Parmi les mthodes doptimisation globale qui ont prouv leurs efficacits, on retrouve la
mthode dAlienor (Cherruault, 1991; Ziadi et al. 2001 ; Cherruault and Mora, 2005), qui est
une mthode exacte, et la mthode dessaim de particules qui est une mthode heuristique
(Van Den Bergh, 2002 ; Poli et al. 2007). La mthode dAlienor permet de ramener, laide
3

dune transformation rductrice, un problme doptimisation plusieurs variables de dcision
un problme doptimisation une seule variable de dcision ce qui permet de localiser
facilement loptimum globale et avec une prcision souhaite (Cherruault and Mora, 2005).
La mthode dessaim de particules est caractrise par un algorithme simple comprendre et
programmer. Le principe de la mthode repose sur un ensemble de particules qui reprsente
un ensemble de solution admissibles au problme doptimisation (Poli, et al. 2007). Les
particules sont initialement disposes de manire alatoire et vont se dplacer dans le domaine
de solutions. Chaque particule dispose dune mmoire concernant sa meilleure solution visite
ainsi que la capacit de communiquer avec les particules de son voisinage. A partir de ces
informations, la particule va suivre une tendance faite, dune part, de sa volont retourner
vers sa solution optimale, et dautre part, de son mimtisme par rapport aux solutions trouves
dans son voisinage. A partir des solutions initiales, lensemble des particules va converger
vers loptimum global.
Dans ce mmoire, on sintresse tudier lapport des mthodes doptimisation globale
dans une stratgie de commande prdictive dun systme non linaire. Lobjectif du travail
consiste appliquer les mthodes doptimisation globale dAlienor et dessaim de particules
pour la rsolution du problme doptimisation non linaire dune commande prdictive non
linaire, puis de comparer leurs performances. Ltude se limite au systme non linaire
caractris par une dynamique lente, et la poursuite de consigne en prsence des contraintes,
de type botes, sur la variable de commande. Notons que la commande des systmes rapides
constitue un domaine de recherche ouvert, cest pourquoi la commande prdictive a fait ses
preuves dans le cas des systmes caractriss par une trs grande inertie, par exemple les
procds chimiques et thermiques.

L'organisation de ce mmoire est la suivante :
Le premier chapitre est consacr la commande prdictive dans lequel nous allons
prsenter le principe dun algorithme de commande prdictive, ses diffrents lments, et son
rglage, puis pour illustrer le principe dun algorithme prdictif, nous abordons de manire
dtaille lalgorithme Dynamic Matrix Control (DMC) et on prsente un exemple
dapplication avec des rsultats de simulation pour montrer linfluence des paramtres de
rglage sur les performances obtenues. Le chapitre se termine par un tat de lart sur la
commande prdictive.
Dans le deuxime chapitre, on sintresse loptimisation globale dans lensemble des
nombres rels. Le chapitre commence par des notions de base de la thorie de loptimisation.
4

Dans la premire partie, aprs avoir introduit la formulation mathmatique dun problme
doptimisation, nous prsentons la classification des problmes doptimisation suivie des
conditions pour un minimum. Dans la deuxime partie, on prsente les diffrentes classes de
mthodes doptimisation, et on indique lintrt des mthodes globales. Dans la fin du
chapitre, on mentionne le lien fort existant entre loptimisation globale et la commande
prdictive non linaire.
Le troisime chapitre est rserv aux mthodes doptimisation globale. Dans ce chapitre,
on prsente particulirement la mthode exacte dAlienor et la mthode heuristique dessaim
de particules. Pour illustrer et comparer ces deux mthodes, une application concernant
lidentification des paramtres dun systme non linaire en utilisant la mthode du modle
est prsente.
Au quatrime chapitre, aprs avoir prsent un tat de lart sur la commande prdictive
non linaire, les mthodes dAlienor et dessaim de particules seront adoptes dans une
stratgie de commande prdictive dun systme non linaire monovariable. Les spcifications
exiges imposent dassurer la poursuite de consigne en prsence des contraintes, du type
botes, sur la variable de commande. Lobjectif principal est dvaluer lapport de chaque
mthode doptimisation, puis de comparer leurs performances en prsence et en absence de la
contrainte sur la variable de commande.
La fin du mmoire est rserve la conclusion sur lensemble des applications ralises et
aux perspectives de continuit.






5




Chapitre 1


Gnralits sur la Commande Prdictive


1.1 Introduction
Ces dernires annes la commande prdictive est largement utilise dans le domaine
industriel et a t applique avec succs pour diffrentes applications. Le terme commande
prdictive ne dsigne pas une stratgie de commande spcifique mais un ensemble
dalgorithmes qui utilisent explicitement le modle du systme dans un problme
doptimisation, rsoudre, pour dterminer la commande appliquer.
Le modle du systme est essentiellement utilis pour deux tches (Huang, et al. 2008) : la
prdiction du comportement dynamique future du systme et le calcul de laction correctrice
approprie pour assurer la poursuite de la consigne impose.
La commande prdictive base sur le modle prsente des avantages qui ont fait delle une
approche de commande attractive. Parmi ces avantages, on peut citer (Flaus 1994 ; Huang et
al. 2008) :
elle permet de respecter les diffrentes contraintes sur les tats, les commandes et les
sorties,
6

elle permet dassurer la poursuite pour certaines consignes tout en maintenant dautres
dans des couloirs bien spcifis,
elle vite les variations excessives pour les variables de commandes,
elle peut sappliquer des systmes avec ou sans retard,
son rglage est ais et son principe est intuitif,
elle est assez robuste aux erreurs de modle.
Lintrt de la commande prdictive est multiple :
compars aux techniques classiques, elle est extrmement performante si le procd
ragit avec un certain retard ou si les changements de consignes sont connus
lavance,
compars aux techniques plus sophistiques ralisant la minimisation dun critre un
pas, les techniques prdictives sont nettement robustes, en particulier lorsque la
structure du modle utilise pour dcrire le procd est mal connue.
elle peut tre utilise en conservant un seul paramtre libre pour le rglage.
Ce chapitre est consacr la commande prdictive base sur le modle o il sera prsent
le principe de la commande prdictive, la commande prdictive linaire et non linaire et un
tat de lart sur les techniques de commande prdictives.

1.2 Principe de la commande prdictive
La commande prdictive est base sur le principe de la Figure 1.1, elle est dcrite par la
stratgie suivante :
1. A chaque instant dchantillonnage k, les sorties futures du systme sont prdites sur un
horizon de temps
p
N , appel horizon de prdiction, qui est relativement long par rapport
la vitesse dvolution du procd. Les prdictions ( ) k j k y / + , pour , , , 1
p
N j K = sont
ralises en utilisant le modle du systme et dpendent non seulement du pass du
systme (les commandes et les sorties avant linstant k), mais aussi des commandes futures
( ), i k u + pour , 1 , , 0 =
p
N i K dterminer et appliquer au systme. Par consquent, le
modle du systme fait partie de lalgorithme de commande. Ainsi la prdiction ne va pas
dpendre uniquement des sorties prcdentes mais aussi de lvolution envisage dans le
temps futur pour la variable de commande. Notons que plusieurs volutions sont possibles
pour la variable de commande.
7

2. La squence de commande est dtermine en minimisant un critre de performances
qui permet dassurer la poursuite de la consigne dsire. Le critre est une fonction
quadratique des erreurs entre les sorties prdites et la trajectoire de rfrence. Leffort
de commande est gnralement inclus dans le critre minimiser. Ainsi, une solution
explicite peut tre facilement obtenue dans le cas o le critre est quadratique et le
modle du systme ainsi que les contraintes sont linaires, sinon une mthode
doptimisation numrique doit tre applique. Notons que pour la structure de la loi de
commande, certaines hypothses peuvent tre considres, par exemple la commande
reste constante aprs un certain instant dchantillonnage .
p
N k
3. La solution dtermine par optimisation sera ensuite applique au systme rel, mais
seule sa valeur linstant prsent k est rellement utilise. A linstant suivant , 1 + k la
procdure complte est rpte. Ceci permet dobtenir une valeur ractualise pour la
( ) 1 , , 0 , / = +
p
N j k j k u K

u
N commande de Horizon
( ) k j k y / Prdiction +
( ) k y
d

p
N prdiction de Horizon

Temps
1 + k 2 + k
u
N k +
p
N k + k 1 k
( ) k k u / 1 +
( ) k u
Temps
1 + k 2 + k
u
N k +
p
N k +
k 1 k
Figure 1.1 Principe de la commande prdictive.
8

commande, en fonction des mesures les plus rcentes en utilisant le concept de
lhorizon glissant.

1.3 Elments dune commande prdictive
Tous les algorithmes de la commande prdictive possdent les mmes lments (Figure
1.2), et diffrentes options peuvent tre considres pour chaque lment, ce qui donne une
multitude dalgorithmes. Ces lments sont :
1. le modle du systme (pour la prdiction),
2. le critre de performances et
3. lalgorithme doptimisation (pour dterminer la squence de commande).

1.3.1 Modle du systme
La pierre angulaire dune stratgie de commande prdictive est le modle du systme. Le
modle du systme comprend gnralement deux parties : le modle du systme et le modle
de perturbation. Le premier reprsente les relations entre-sortie du systme et le deuxime
est souvent utilis pour reprsenter les perturbations ou simplement pour approximer les
erreurs de modlisation. Il existe diffrentes formes pour le modle utilis dans une
commande prdictive, mais ils doivent tre toujours de nature discrte puisque la commande
prdictive est une commande numrique. Les formes couramment utilises sont du type
entre-sortie, elles sont prsentes ci-aprs.

- Rponse impulsionnelle
Dans ce cas, la rponse du systme est :
Critre
+
Contraintes
Modle
(Prdiction)
Algorithme
doptimisation
Systme
commander
( ) k y ( ) k u
( ) k y
d

Figure 1.2 Stratgie de commande prdictive.
9

( ) ( ) ( )

+
=
=
1

i
i k u i r k y (1.1)
o ( ) i r reprsentent les coefficients de la rponse impulsionnelle (les valeurs de la sortie, aux
instants dchantillonnage, lorsque lentre est une impulsion de Dirac). Souvent cette somme
est tronque et seules les
s
N valeurs sont considres puisque partir de linstant 1 +
s
N la
sortie est nulle.
e s
T N reprsente le temps de rponse du systme.

- Rponse indicielle
Dans ce cas, la rponse du systme est :
( ) ( ) ( )

+
=
=
1

i
i k u i s k y (1.2)
o ( ) i s reprsentent les coefficients de la rponse indicielle pour une entre chelon unit, et
( ) ( ) ( ) 1 = k u k u k u .
Pour un systme stable, les coefficients ( ) i s sont constants aprs linstant
s
N .
e s
T N
reprsente le temps de rponse du systme.
Comme les coefficients de la rponse impulsionnelle peuvent tre considrs comme la
diffrence entre deux coefficients successifs de la rponse indicielle, alors les relations
suivantes sont vrifies :
( ) ( ) ( ) 1 = i s i s i r (1.3)
( ) ( )

+
=
=
1 j
j r i s (1.4)
- Equation aux diffrences
Dans ce cas, la sortie du systme est :
( ) ( ) ( ) ( ) ( ) ( )
u y
n k u k u n k y k y F k y = , , 1 , , , 1 K K (1.5)
o n
y
et n
u
sont des entiers naturels. La fonction ( ) . F peut tre linaire ou non linaire selon la
nature du systme.

Remarque 1.1
Dautres formes du modle peuvent tre aussi utilises parmi lesquels on peut citer la
fonction de transfert discrte, le modle dtat discret, modle de Volterra, modle neuronal,
modle flou. Dans ce mmoire, ltude est limite aux modles prsents dans cette sous-
section.
10


1.3.2 Prdiction
Dans la commande prdictive, un modle du systme nest pas utilis pour la conception
de la loi de commande, mais il est utilis pour la prdiction des sorties futures du systme.
Ces prdictions seront utilises par la suite pour la dtermination de la squence de la variable
de commande en rsolvant un problme doptimisation.
Comme exemple, considrons le modle suivant :
( ) ( ) ( ) 1 1 + = k u b k y a k y (1.6)
Les deux premires prdictions futures de la sortie sont donnes comme suit :
( ) ( ) ( ) k u b k ay k k y + = + / 1 (1.7)
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) 1 / 2
1 / 1 / 2
+ + + = +
+ + + = +
k u b k u b k y a a k k y
k u b k k y a k k y

( ) ( ) ( ) ( ) 1 / 2
2
+ + = + k u b k u b a k y a k k y (1.8)
Les autres prdictions sont dtermines de la mme manire en utilisant le modle (1.6).
Sous forme matricielle, les deux premires prdictions sont donnes comme suit :
( )
( )
( )
(
(

(
(

+
(
(

=
(
(

+
+
) 1 (
) ( 0
/ 2
/ 1
2
k u
k u
b ab
b
k y
a
a
k k y
k k y
(1.9)
Les prdictions (1.9) sont composes de deux termes. Le second terme du ct droit de
lquation (1.9) dpend des entres futures. Par contre le premier terme dpend seulement des
sorties prcdentes ou galement des entres prcdentes selon le systme. Ainsi, les
prdictions peuvent tre dcomposes en gnral en deux parties :
( ) ( ) ( ) j k y j k y k j k y + + + = +
force libre
/ (1.10)
La rponse libre, ( ) j k y +
libre
, correspond la prdiction de la sortie lorsque la commande
est maintenue constante sa valeur actuelle ( ) k u le long de lhorizon de prdiction .
p
N Par
contre la rponse fore, ( ) j k y +
force
, correspond la prdiction de la sortie due aux actions
futures ( ) . , , 1 ,
p
N j j k u K = +

1.3.3 Critre de performance (fonction objectif)
Pour dterminer la loi de commande, les algorithmes de la commande prdictive utilisent
diffrentes formes pour le critre. Gnralement, le but recherch est dassurer la poursuite de
11

la consigne dsire ( ) j k y
d
+ avec un minimum deffort ( ) 1 + j k u . Ainsi, le critre utilis le
plus souvent prend la forme quadratique car diffrentiable :
( ) ( ) [ ] ( ) ( ) [ ]
( ) ( )

=
=
+ + +
+ + + + =
1
0
1 1
/ /
u
p
r
N
j
j
T
N
N j
d
j
T
d
j k u R j k u
k j k y j k y Q k j k y j k y J
(1.11)
o les matrices Q
j
et R
j
sont symtriques et dfinies positives. Leur choix caractrise
limportance relative que nous souhaitons donner aux diverses composantes du critre
minimiser. Elles peuvent aussi tre constantes. Les paramtres
r
N ,
p
N et
u
N sont les
paramtres de rglage du correcteur prdictif et reprsentent respectivement linstant du dbut
de la prdiction, lhorizon de prdiction maximal et lhorizon de commande. Lhorizon de
prdiction
p
N reprsente la longueur de lintervalle de temps futur sur lequel on cherche
minimiser le critre. Lhorizon de commande
u
N reprsente le nombre de variations de la
commande que lon autorise dans le futur avant quelle ne soit maintenue une valeur
constante.
Pour les algorithmes qui utilisent un modle de convolution tronqu, on utilise un autre
paramtre
s
N qui reprsente la longueur de la rponse indicielle ou impulsionnelle.
Il faut aussi choisir convenablement la priode dchantillonnage
e
T puisque le correcteur
prdictif est de type discret. Cependant ce problme nest pas spcifique la commande
prdictive, mais toute commande numrique. Le seul aspect par lequel le choix de la priode
dchantillonnage peut tre li de faon troite la synthse du correcteur prdictif est celui
de la longueur
s
N du modle de convolution. Si on dfinit le temps de rponse
r
t comme le
temps partir duquel la rponse du systme a atteint 99% de la valeur finale, on doit vrifier :
r e s
t T N = (1.12)
pour tenir compte de la dynamique du systme. Dans le cas o la priode dchantillonnage
e
T a t choisie petite (cas dun systme rapide), la longueur du modle de convolution peut
devenir excessive et entraner des calculs importants.
Linfluence de ces diffrents paramtres sur les performances du systme sera aborde
dans le cas de lalgorithme Dynamic Matrix Control (DMC), qui fera lobjectif de la
Section 1.4.4, et sera illustr par un exemple dapplication. Notons que les conclusions
concernant linfluence des diffrents paramtres pourront facilement tre transposes pour un
autre algorithme mme dans le cas de la commande prdictive non linaire.
12

1.3.4 Contraintes
Les contraintes caractrisent en gnral les limitations physiques sur la commande, sur
ltat ou sur la sortie du systme. Elles sont introduites pour viter des changements brusques
pour la commande. Pour certains systmes, des contraintes sur les sorties (prdites) doivent
tre respectes pour des raisons conomiques ou de scurit.
Gnralement, les contraintes sont instantanes et sexpriment par des ingalits de la
forme :
( )
max min
u k u u (1.13)
( ) k N j N y k j k y y
p r
+ , , /
max min
(1.14)
Dans ce mmoire, on considre que les contraintes sur la commande de type (1.13).

1.3.5 Loi de commande
Les actions de commande, ( ) i k u + , sont calcules en minimisant le critre (1.11). Ainsi,
on commence dabord par la dtermination des prdictions en utilisant le modle du systme
(voir lexemple de la sous-section 1.3.2). Ces dernires seront forcment fonction des actions
de commande ( ) i k u + . Ainsi, en substituant ces prdictions dans le critre J minimiser,
donne par la relation (1.11), et en rsolvant le systme dquations algbriques obtenu en
imposant le gradient J par rapport aux actions de commande ( ) i k u + gale zro, cest--
dire :
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( )
( ) ( ) ( ) ( )
( )
( ) ( ) ( ) ( )
( )
0
, , 1 ,
1
, , 1 ,
, , 1 ,
, , 1 ,
, , 1 ,
=
(
(
(
(
(
(
(
(

+
+ +
+
+ +

+ +
= + +
+ +
u
u
u
u
u N k u k u k u
N k u
N k u k u k u J
k u
N k u k u k u J
k u
N k u k u k u J
N k u k u k u J
u
K
M
K
K
K
K
(1.15)
on dtermine les actions de commandes ( ) i k u +
*
optimales. Rappelons que daprs le
principe de la commande prdictive seul laction de commande ( ) k u
*
sera applique au
systme, et la procdure sera rpte linstant dchantillonnage suivant.
Annuler le gradient du critre J est une procdure doptimisation. Pour le systme
dquations algbriques (1.15) une solution analytique peut tre obtenue, dans le cas contraire
une mthode numrique (itrative) doit tre utilise dont le temps de convergence ne doit pas
13

dpasser une priode dchantillonnage pour que laction optimale ( ) k u
*
soit disponible
linstant k.
Lorsquune mthode numrique est utilise, lobtention de la solution du problme
doptimisation suivant :
( ) ( ) ( )
( ) ( ) ( ) ( )
u
N k u k u k u
N k u k u k u J
u
+ +
+ +
, , 1 , min
, , 1 ,
K
K
(1.16)
nest pas ncessairement garantie surtout si le problme doptimisation est non linaire, et la
difficult saccentue davantage en prsence des contraintes sur la commande ou/et sur la
sortie commande. De plus, assurer la convergence en un temps infrieur
e
T reprsente une
autre contrainte prendre en considration, et la plupart des mthodes numriques peuvent
tre piges dans un minimum local pour (1.16) au lieu de minimum global, do la ncessit
dutiliser des algorithmes doptimisation globale rapides.
Notons que la solution analytique peut tre obtenue seulement dans le cas du modle
linaire avec contraintes linaires, par exemple dans le cas de lalgorithme Dynamic Matrix
Conrtol (cet algorithme sera tudi dans la section suivante). Pour les autres cas, la solution
numrique est inluctable, par consquent le choix de la mthode doptimisation joue un rle
du premier plan dans une stratgie de commande prdictive. Le chapitre 2 sinscrit dans cette
optique, il sera consacr loptimisation globale.
Dans la section suivante, nous prsenterons un des algorithmes de la commande prdictive
pour illustrer le principe de cette dernire. Il sagit de lalgorithme DMC (Dynamic Matrix
Control).

1.4 Algorithme DMC
Lalgorithme DMC a t initialement dvelopp par Cutler et Ramaker (1979) de la socit
Shell Oil Co vers la fin des annes 70. Cet algorithme est largement accept et utilis par les
industriels, en particulier dans le secteur des hydrocarbures et de la ptrochimie. Dans cette
section, nous prsentons une version simplifie de cet algorithme dans le cas o le modle est
fourni sous forme de rponse un chelon. Cette formulation est gnralement la plus choisie
car elle permet la comprhension intuitive du fonctionnement de la commande prdictive.
Nanmoins des dveloppements quivalents peuvent tre conduits pour le modle de rponse
impulsionnelle o fonction de transfert conduisant respectivement au Model Algorithmic
Control (MAC) et au Generalized Predictive Control (GPC).


14

1.4.1 Modle de prdiction
Le modle utilis pour la prdiction dans lalgorithme de commande prdictive DMC est le
modle rponse indicielle. Considrons la rponse indicielle du systme
( ) ( )

+
=
=
1 i
i
i k u s k y (1.17)
quon peut mettre sous la forme suivante :
( ) ( ) ( )

+
+ = =
+ =
1 1
s
s
N i
i
N
i
i
i k u s i k u s k y (1.18)
( ) ( ) ( ) k Z i k u s k y
s
N
i
i
+ =

=
4 43 4 42 1
finie indicielle Rponse
1
(1.19)
Ainsi, on remarque bien que la rponse indicielle infinie (1.18) du systme fait intervenir
une rponse indicielle finie quon peut exploiter pour ltape de prdiction, cest--dire :
( ) ( ) ( ) j k Z i j k u s k j k y
s
N
i
i
+ + + = +

=1
/ (1.20)
Comme cela a t indiqu prcdemment, la rponse du systme prdite par le modle peut
tre divise en deux parties : libre et force. Ainsi, lquation (1.20) peut tre dcompose en
deux termes : le premier terme contient les actions de commande futures ( ) ( ) ( ) K , 1 , + k u k u ,
et le second terme contient les actions de commande passes ( ) ( ) ( ) K , 2 , 1 k u k u , ce qui
donne
( ) ( ) ( ) ( ) j k Z i j k u s i j k u s k j k y
s
N
j i
i
j
i
i
+ + + + + = +

+ = = 1 1
/ (1.21)
Cette dernire quation peut tre arrange pour faire apparatre les deux termes de la sortie
(force et libre) comme suit :
( ) ( ) ( ) j k y i j k u s k j k y
j
i
i
+ + + = +

=
*
1
/ (1.22)
o le terme
( ) ( ) ( ) j k Z i j k u s j k y
s
N
j i
i
+ + + = +

+ = 1
*
(1.23)
reprsente le terme libre :
( ) ( ) j k y j k y + = +
*
libre
(1.24)
Le terme restant reprsente le terme forc qui est lvolution de la rponse du systme
partir de linstant k d lapplication des actions de commande futures. Ainsi,
15

( ) ( )

=
+ = +
j
i
i
i j k u s j k y
1
force
(1.25)
Le critre considr dans un algorithme DMC consiste minimiser la diffrence entre la
consigne dsire et la sortie prdite par le modle le long de lhorizon de prdiction
p
N . Les
sorties prdites sont donnes comme suit :
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) 1 1 /
1 1 /
2 1 3 / 3
1 2 / 2
1 / 1
1 1
*
1 1
*
1 2 3
*
1 2
*
1
*
+ + + + + + + = +
+ + + + + + + = +
+ + + + + + = +
+ + + + = +
+ + = +

p N N p p
u N N u u
N k u s k u s k u s N k y k N k y
N k u s k u s k u s N k y k N k y
k u s k u s k u s k y k k y
k u s k u s k y k k y
k u s k y k k y
p p
u u
L
M
L
L (1.26)
Notons que ( ) ( ) ( ) 0 1 1 = + = = + + = +
p u u
N k u N k u N k u L car laction de commande
est maintenue constante partir de linstant
u
N k = .
Les prdictions (1.26) peuvent tre crites sous la forme matricielle comme suit :
u M y y + =
*
(1.27)
Avec :
( )
( )
( )
( )
( )
( )
( )
( )
( )
(
(
(
(

+
+

=
(
(
(
(
(

+
+
+
=
(
(
(
(
(

+
+
+
=
1
1
,
2
1
,
/
/ 2
/ 1

*
*
*
*
u p p
N k u
k u
k u
u
N k y
k y
k y
y
k N k y
k k y
k k y
y
M M M

et la matrice
(
(
(
(
(
(
(
(
(
(

=
+

1 2 1
1 2 1
1 2
1
0 0
0 0 0
u p p p p
u u u
N N N N N
N N N
s s s s
s s s s
s s
s
M
L
M M M M M
L
M M M M M
L
L

est appele matrice dynamique (Dynamic Matrix).

16


1.4.2 Synthse dun correcteur DMC
Rappelons que lobjectif consiste poursuivre une trajectoire, le long de lhorizon de
prdiction, donne comme suit :
( )
( )
( )
(
(
(
(
(
(

+
+
+
=
p
d
d
d
d
N k y
k y
k y
y
M
2
1

Ainsi, pour dterminer la squence des commandes appliquer, il suffit de rsoudre,
chaque instant k, le problme doptimisation suivant :
( ) ( ) ( )
u M y y
y y Q y y u J
d
T
d
u
+ =
=

: sujet
min
*
(1.28)
En substituant y dans le critre J, il vient :
( ) ( ) ( ) u M y y Q u M y y u J
d
T
d
u
= min
* *
(1.29)
La solution optimale est obtenue comme suit :

( ) ( ) 0 2
*
= =

u M y y Q M u J
d T T
u
(1.30)
Ce qui donne
( ) ( )
*
1
y y Q M M Q M u
d T T T T
=

(1.31)

1.4.3 Evaluation des performances de lalgorithme DMC
Pour illustrer et valuer les performances de lalgorithme DMC, nous proposons dtudier
la commande dun systme de deuxime ordre avec un retard important. Considrons le
procd dcrit par la fonction de transfert :
( )
( ) ( )
s
e
s s
s G
8
15 1 7 1
1

+ +
= (1.32)
La rponse indicielle de ce systme est donne par la Figure 1.3. Daprs cette dernire,
nous pouvons prendre la longueur
s
N du modle de convolution suprieure 80. Dans notre
cas on a pris le double, cest--dire . 160 =
s
N Pour dterminer la matrice dynamique M , cette
17

rponse est chantillonne avec une priode dchantillonnage gale 1s. Pour les paramtres
de rglage de lalgorithme DMC, on considre que la prdiction commence aprs 8 priodes
dchantillonnage ( ) 8 =
r
N , lhorizon de commande 2 =
u
N , et lhorizon de prdiction
. 30 =
p
N Pour le critre minimiser, la matrice de pondration I Q = .
Pour le problme de poursuite, la consigne dsire
d
y est suppose constante et gale 60.
Pour le test de rgulation (rejet de perturbation), on considre une perturbation d borne qui
affecte la sortie du systme avec une dynamique dun systme du premier ordre cest--dire :
( )
1 2 . 0
1
+
=
s
s G
d
(1.33)
Par consquent la sortie du systme, en boucle ouverte est :
( ) ( ) ( ) ) ( ) ( s d s G s u s G s y
d
+ = (1.34)
Pour le test concernant le rejet de perturbation, on a appliqu une perturbation damplitude
1 , 0 = d linstant 50 s.
Les Figures 1.4, et 1.5 prsentent les rsultats de simulation obtenus. On constate que
lalgorithme DMC assure la poursuite de la consigne et rejette parfaitement leffet de la
perturbation (Fig. 1.4). Lvolution de la commande (Fig. 1.5) est physiquement acceptable.

Figure 1.3 Rponse indicielle du systme.
18






Figure 1.5 Evolution de la commande.

Figure 1.4 Poursuite et rejet de perturbation.
19

1.4.4 Etude de linfluence des paramtres de rglage dune commande prdictive
En plus de la priode dchantillonnage, une commande prdictive est caractrise par les
paramtres de rglage suivant :
Instant de dbut de prdiction
r
N

: ce paramtre est pris gale au retard du systme .
Si le systme ne prsente pas de retard, on prend . 1 =
r
N
horizon du systme
s
N : il est dtermin selon la relation (1.12). Des valeurs entre 20
et 70 sont des recommandations typiques.
horizon de commande
u
N : il reprsente le nombre dactions futures calcules par
optimisation du critre pour rduire les erreurs de prdictions. La valeur de ce
paramtre influe sur le temps de calcul de la solution optimale. Laugmentation de ce
paramtre permet dacclrer le systme, mais en contre partie on va avoir des actions
plus nergiques. Comme le principe de commande prdictive consiste appliquer
seulement la premire commande, alors il est inutile de prendre une valeur suprieure
5.
horizon de prdiction
p
N : il reprsente le nombre de prdictions utilises dans le
critre optimiser. La valeur minimale doit tre gale 1 + o dsigne le temps
de retard du systme commander. Laugmentation de
p
N revient considrer plus
de prdictions, par consquent la sortie sera bien amortie et les commandes seront de
faibles amplitudes, mais leur traitement ncessite un temps de calcul important.
Ainsi, pour le rglage des paramtres dune commande prdictive, on sintresse en
particulier lajustement de
u
N et .
p
N Pour illustrer linfluence de ces deux paramtres,
nous proposons de reprendre lexemple tudi prcdemment. Pour montrer, linfluence de
chaque paramtre, on fixe un des paramtres puis on considre deux valeurs pour lautre
paramtre. La perturbation d est considre nulle.
La Figure 1.6 montre que laugmentation de
u
N , ( 30 =
p
N ), donne des rponses rapides
(Fig. 1.6a), mais au prix dune sollicitation plus importante de la commande (Fig. 1.6b). Pour
linfluence de ( ) 2 , =
u p
N N , daprs la Figure 1.7, on note leffet stabilisant pour la sortie
(Fig. 1.7a), avec une commande moins nergique (Fig. 1.7b).




20


a) Evolution de la sortie.
b) Evolution de la commande.
Figure 1.6 Influence de lhorizon de commande.


21


b) Evolution de la commande.
a) Evolution de la sortie.
Figure 1.7 Influence de lhorizon de prdiction.
22

1.5 Stabilit de la commande prdictive
La commande prdictive est base sur le modle pour calculer des prdictions de la sortie
qui seront utilises par la suite dans lalgorithme doptimisation, souvent itratif, pour
dterminer la squence des commandes optimale appliquer. Ainsi, chaque instant
dchantillonnage, un problme doptimisation est rsolu en temps rel. Par consquent, la
stabilit de la commande prdictive est lie directement, la stabilit du modle utilis (Lee et
Park, 1991) pour ltape de prdiction donc du systme commander, et la convergence de
lalgorithme doptimisation. Pour assurer la stabilit en boucle ferme, le systme en boucle
ouverte doit tre stable pour que les prdictions le seront aussi, et lalgorithme doptimisation
doit garantir une convergence mme locale. Pour la commande des systmes instables ou
intgrateurs, un correcteur de premier niveau doit tre synthtiser au premier lieu pour
stabiliser le systme (Lee et Park, 1991 ; Mayne et al., 2000 ; Richalet et al., 2005), puis on
utilise la commande prdictive pour assurer certaines performances, spcifies par un critre
optimiser, et respecter bien sr des contraintes de fonctionnement du systme, et de scurit.

1.6 Etat de lart sur la commande prdictive
La commande prdictive est largement utilise dans des domaines trs varis de lindustrie
tels que la ptrochimie, en particulier le gnie des procds et lautomobile (Kouvaritakis et
Cannon, 2001 ; Findeisen et al., 2007 ; Huang et Kadali, 2008 ; Magni et al., 2009) o elle a
dmontr ses preuves. Elle fait partie des stratgies de commande qui utilise explicitement le
modle du systme commander en sacquittant de deux tches essentielles : la prdiction
explicite du comportement dynamique du systme et le calcul de la commande approprie
pour assurer la poursuite de la trajectoire de consigne en minimisant un certain critre de
performance (Flaus, 1994 ; Huang et Kadali, 2008).
Le principe de la commande prdictive prsent reste le mme, les diffrentes mthodes
proposes dans la littrature diffrent surtout par la structure choisie pour reprsenter le
modle de systme, cest--dire pour la prdiction. Pour le critre, en gnral, cest le critre
quadratique qui est retenu. Dans le cas de la commande prdictive non linaire, en plus de la
structure de modle considre, la diffrence entre les techniques de commande rside aussi
dans la technique doptimisation utilise pour la dtermination de la squence des actions de
commande.
Les premiers travaux sur la commande prdictive remontent la fin des annes 70 et ont
t initis par Richalet (1976) en proposant le Model Algorithmic Control (MAC). Puis De
Keyser et Van Cauwenberghe (1979) introduisent le Extended Prediction Self Adaptive
23

Control (EPSAC) qui est une commande auto-adaptative prdictive tendue dveloppe .
Lide consiste utiliser un signal de commande constant pour tout l'horizon de prdiction, et
qui est appliqu ds le dbut du calcul de la commande qui optimise le critre. Cutler et
Ramaker (1979) ont dvelopp le clbre algorithme Dynamic Matrix Control (DMC), bas
sur le modle de convolution (rponse indicielle et impulsionnelle), prsent dans ce chapitre.
Cet algorithme est le plus indiqu pour illustrer le principe dune commande prdictive. Le
DMC est lalgorithme qui connat une large utilisation, dans le domaine industriel, surtout
pour les systmes linaires et pour les systmes non linaires lorsquune linarisation autour
dun point de fonctionnement est possible. Ydstie (1984) propose lExtended Horizon
Adaptive Control (EHAC) qui est une commande adaptative horizon tendu. L'ide
fondamentale consiste calculer chaque instant, la squence des signaux de commande pour
essayer de maintenir la sortie future la plus proche possible de la consigne pour un horizon de
temps plus grand que le retard prsent sur le systme. Clarke (1987) dveloppe le Generalized
Predictive Control (GPC) qui dtrne le DMC et qui devient la mthode la plus populaire.
Comparativement au DMC, cet algorithme utilise une adaptation en ligne du modle utilis
(modle) pour raliser les prdictions. Le GPC est trs proche de lESPAC et de lEHAC. On
peut trouver une synthse sur ces mthodes et de leurs caractristiques les plus importantes
dans De Keyser et al. (1988) et dans Clarke et Mohtadi (1989).
Le succs de ces diffrents algorithmes, en particulier le DMC et le GPC, a suscit
graduellement un grand intrt pour la commande prdictive, pas seulement au milieu
acadmique mais aussi au milieu industriel, depuis les annes 80. Cet engouement a dbouch
sur d'autres mthodologies, partageant le mme principe, qui sont apparues dans la littrature
spcialise de la commande dont certaines sont actuellement commercialises par certaines
firmes (voir le Tableau 1.1).









24

Algorithme Firme
DMC (Dynamic Matrix Control)
ASPEN Tech
Aspen Target
ADMC (Adaptive DMC) CTC
IDCOM (Identification and Command)
Adersa HIECON (Hierarchical Constraint Control)
PFC (Predictive Functional Control)
RMPCT (Robust Multivariable Predictive Control) Honeywell
SMCA (Setpoint Multivariable Control Architecture)
Stepoint Inc.
IDCOM-M (Identification and Command Multivariable)
APCS (Adaptive Predictive Control System) SCAP Europa
SMOC (Shell Multivariable Optimising Controller) Shell
Connoisseur (Control and Identification package) Invensys
MVC (Multivariate Control) Continental Controls Inc.
NOVA-NLC (NOVA Nonlinear Controller) DOT Products
Process Perfecter Pavilion Technologies

Tableau 1.1 Version commercialiss des correcteurs prdictifs.

Les annes 90, ont marqu une vraie explosion dans le nombre des applications de la
commande prdictive principalement en Etats-Unis, en Japon et en Europe. Par exemple, pour
lindustrie des processus chimiques et le domaine de la robotique, plusieurs algorithmes ont
t appliqus avec succs (De Keyser, 1988). Ces applications ont t accompagn dune forte
activit de recherche (Camacho et Bordons, 1998).
Comme la plupart des algorithmes utilisent des modles entre-sortie, la commande
prdictive a t formule dans le contexte de la reprsentation en variables d'tat (Morari,
1994). Lobjectif vis est de faire usage des thormes et rsultats existant dans la thorie
d'espace d'tat, mais aussi facilite l'extension de la thorie MPC des cas plus complexes.
tant donn que la dtermination de la squence de commande demande plus defforts de
calcul et exige des algorithmes de programmation non linaire (algorithme doptimisation)
rapides et convergeant, alors les travaux de recherche se sont focaliss, dans les annes 2000,
sur le dveloppement et ltude des algorithmes permettant d'obtenir une solution, le plus
souvent locale, pour le problme d'optimisation rsoudre chaque priode
dchantillonnage (Ramirez et Camacho, 2001 ; Bemporad et al. 2002 ; Cannon, 2004, Magni
et al., 2009). Ainsi, prsenter un tat de lart concernant cette priode, revient esquisser les
25

diffrents algorithmes et stratgies doptimisation dveloppes pour acclrer la convergence
des algorithmes doptimisation et lobtention de la solution globale, en particulier pour le cas
de la commande prdictive non linaire. Le travail prsent dans ce mmoire sinscrit dans
cette optique dont lobjectif consiste appliquer certains algorithmes de loptimisation
globale rputs robustes dans une stratgie de commande prdictive non linaire. Ainsi, une
synthse sur les diffrents algorithmes doptimisation et approches utilises dans une stratgie
de commande prdictive fera lobjet du chapitre 4 ddi la commande prdictive non
linaire.

1.7 Conclusion
Ce chapitre a t consacr des gnralits sur la commande prdictive et ltat de lart
concernant cette approche de commande. Ainsi, aprs avoir prsent le principe de la
commande prdictive, nous avons dtaill les diffrents lments dune commande prdictive,
et les paramtres de rglage dune commande prdictive, en loccurrence linstant de dbut de
prdiction, lhorizon de commande, lhorizon de prdiction, et lhorizon du systme. Pour
illustrer le principe de la commande prdictive, lalgorithme Dynamic Matrix Control (DMC)
est prsent dune manire dtaille, et applique un systme de second ordre avec retard.
Des rsultats de simulation ont t prsents pour dmontrer les performances du DMC et
pour illustrer linfluence de deux paramtres de rglage importants, en loccurrence les
horizons de commande et de prdiction. Les conclusions tires concident avec celles
rapportes dans la littrature.
La fin du chapitre constitue une synthse sur les diffrents travaux raliss dans le cadre de
la commande prdictive des systmes. Cette synthse retrace les contributions importantes qui
ont marqu le dveloppement de la commande prdictive.
Dans une commande prdictive, lobtention de la solution optimale passe par la rsolution
dun problme doptimisation souvent non linaire, par consquent cette tape doptimisation
joue un rle du premier plan dans une stratgie de commande prdictive. En effet, le succs
dune stratgie de commande prdictive est li directement lalgorithme doptimisation
utilis. Ainsi, lexamen de la littrature ddie la commande prdictive, en particulier la
commande prdictive non linaire montre que les efforts de recherche sont focaliss, ces
dernires annes, au dveloppement dalgorithmes doptimisation rapides qui convergent
vers loptimum globale en un temps infrieur une priode dchantillonnage, qui constituent
actuellement un vrai challenge pour les mathmaticiens appliqus et en particulier aux
automaticiens.
26

Dans ce travail, des algorithmes doptimisation globale seront adopts dans la stratgie de
commande prdictive non linaire. Ainsi, le chapitre suivant est consacr loptimisation
globale diffrentiable et non diffrentiable des fonctions mathmatiques o les diffrentes
notions utilises le long du travail seront exposes.

27




Chapitre 2


Optimisation Globale dans


2.1 Introduction
Dans une stratgie de commande prdictive, un problme doptimisation doit tre rsolu
chaque instant dchantillonnage pour dterminer la commande appliquer au systme.
Ltape de rsolution du problme doptimisation est primordiale dans une commande
prdictive, car les performances attendues dpendent de la solution du problme
doptimisation, elles sont meilleures si loptimum global du critre est atteint. A cette
contrainte sajoute celle relative au temps de rsolution qui doit tre infrieur une priode
dchantillonnage. La nature du problme doptimisation rsoudre dpend de la nature du
critre, du systme, et des contraintes. Hormis le cas o le systme et les contraintes sont
linaires et le critre est quadratique pour lequel la solution analytique est disponible (cas du
Dynamic Matric Control prsent au chapitre 1), les autres cas sont souvent des problmes
doptimisation non linaires pour lesquels la localisation de loptimum global est trs difficile.
Rsoudre un problme doptimisation revient localiser loptimum global du critre en
prsence ou en absence de contraintes. Le domaine de loptimisation constitue un domaine de
28

recherche immense. Ces dernires annes, avec lvolution de linformatique, une attention
particulire a t accorde loptimisation globale dont lobjectif est de dvelopper des
algorithmes sophistiqus et rapides permettant de localiser loptimum global dune fonction
mathmatique et dchapper ainsi au problme rencontr avec les mthodes de loptimisation
locale qui sont souvent piges dans un minimum local.
Ce chapitre est consacr des gnralits sur loptimisation globale dans lensemble des
nombres rels. Lobjectif consiste prsenter les diffrentes notions utilises, le long de ce
mmoire, relatives aux mathmatiques rpertories sous le vocale optimisation globale. Ainsi,
aprs la formulation mathmatique du problme doptimisation, on donne une classification
des problmes doptimisation. Puis laide dun exemple, on illustre la ncessit et le besoin
de dvelopper des mthodes doptimisation globale, suivi de la classification des mthodes
doptimisation globale dveloppes dans la littrature. La fin du chapitre est rserve la
relation troite entre loptimisation globale et la commande prdictive non linaire.

2.2 Formulation mathmatique dun problme doptimisation
Considrons une fonction scalaire de plusieurs variables
n
x x x , , ,
2 1
K , appeles variables de
dcision, note ( ) x f , et appele fonction objectif ou critre. Le vecteur de variables de
dcision, not ( )
T
n
x x x x , , ,
2 1
K = , doit appartenir un domaine donn
n
D . Ce dernier est
dfini par des relations de contraintes du type galit
( ) p i x g
i
, , 1 , 0 K = = (2.1)
et/ou ingalit
( ) q j x h
j
, , 1 , 0 K = (2.2)
Lobjectif de loptimisation globale est de rechercher parmi les , D x un x particulier qui
est appel minimum absolu ou global (nest pas obligatoirement unique), not
*
x , tel que :
( ) ( ) D x x f x f ,
*
(2.3)
Nous prsentons un problme doptimisation mathmatiquement sous la forme suivante :
( )
( )
( ) q j x h
p i x g
x f
j
i
x
, , 1 , 0
, , 1 , 0
: Sujet
min
K
K
=
= =
(2.4)
ou encore
29

( )
( )
( ) q j x h
p i x g
x f
j
i
x
, , 1 , 0
, , 1 , 0
: Sujet
min arg
K
K
=
= =
(2.5)
Largument argmin identifie la valeur des variables de dcision qui atteignent le
minimum, cest--dire
( ) x f x
x
min arg
*
= (2.6)
Alors que loprateur min identifie la valeur correspondante de la fonction objectif ou
critre, cest--dire
( ) ( ) x f x f
x
min
*
= (2.7)
Remarque 2.1
Notons que, moyennant le changement de fonctions ( ) x f en ( ) x f , on peut passer
dune formulation minimiser une formulation maximiser et vice versa : minimiser ( ) x f
revient maximiser ( ) x f , cest--dire :
( ) ( ) [ ] x f x f
x x
= max min (2.8)
Dans ltude prsente dans ce mmoire, on considre les diffrents rsultats et thories
relatifs la formulation minimiser .

2.3 Classification des problmes doptimisation dans
Suivant la nature de la fonction objectif ou du critre et des contraintes qui dfinissent le
domaine des solutions admissibles D, le problme doptimisation correspondant porte des
noms divers. On distingue plus particulirement les cas rassembls dans le Tableau 2.1.


Fonction objectif

Linaire
Quadratique
(convexe)
Non linaire
Contraintes
Linaire
Programmation
linaire
Programmation
Quadratique
Programmation
Non linaire
Quadratique
(convexe)
Programmation
Non linaire
Programmation
Convexe
Programmation
Non linaire
Non linaire
Programmation
Non linaire
Programmation
Non linaire
Programmation
Non linaire
Tableau 2.1 Classification des problmes doptimisation
30

- Programmation linaire
Il sagit dune classe de problmes doptimisation o la fonction objectif ou le critre est
linaire
( ) x C x f
T
= (2.9)
(C est un vecteur des cfficients) et o lensemble des contraintes est un polydre convexe
ferm (reprsent sous la forme b Ax par exemple, avec A et b sont respectivement une
matrice et un vecteur constants).

- Programmation quadratique
Il sagit dun problme doptimisation o la fonction objectif est quadratique convexe,
cest--dire
( ) x C Ax x x f
T T
+ =
2
1
(2.10)
avec A est une matrice symtrique semi-dfinie positive et lensemble de contrainte est
toujours un polydre convexe ferm comme dans le cas de la programmation linaire.

- Programmation convexe
Ici la fonction objectif est convexe, et lensemble admissible D est convexe. Le cas de la
programmation quadratique est un cas particulier de la programmation convexe.
Un domaine D est convexe si :
( ) ( ) D x x x D x x + =
2 1 2 1
1 1 0 et , (2.11)
Une fonction ( ) x f est convexe dans un domaine convexe D si :
( ) ( ) ( ) ( ) ( ) ( )
2 1 2 1 2 1
1 1 1 0 et , x f x f x x f D x x + + (2.12)

- Programmation non linaire
Toutes les donnes du problme doptimisation sont des fonctions diffrentiables
(continment diffrentiables), cest--dire la fonction objectif est diffrentiable et les
contraintes sont supposes diffrentiables.

2.4 Conditions pour un minimum
Dans la suite du travail prsent dans ce mmoire, on considre seulement un cas
particulier de contraintes du type ingalits, il sagit des contraintes de botes donnes
comme suit :
31

max min
i i i
x x x (2.13)
o
min
i
x et
max
i
x sont des composantes de deux vecteurs
min
x et ,
max
x de dimension n, donnes.
Ces deux vecteurs dfinissent un domaine admissible D hyperrectangulaire.
Deux hypothses classiquement rencontres pour le minimum. La premire hypothse
concerne lhyperrectangulaire
2
D suppos convexe et compact. La deuxime est relative
la fonction objectif ou critre, minimiser, suppose continue et possde des drives
partielles premires et secondes, cest--dire
( )
i
x
x f

et
( )
n i
x
x f
i
, , 1 ,
2
2
K =

(2.14)
qui sont continues pour tout x.
Sous ces deux hypothses, les conditions ncessaires et suffisantes pour que
*
x soit un
minimum local ou global de ( ) x f sont :
- Condition de stationnarit (relative au gradient de la fonction objectif)
( ) 0
*
= x f
x
(2.15)
- Condition pour un minimum (relative au Hessien de la fonction objectif)
( )
( )
0 , , 1 , ;
*
2
* 2
>
(
(

=
=
n j i
x x
x f
x f
x x
j i
x
K (2.16)
La condition (2.16) signifie que le Hessien est une matrice dfinie positive. Les deux
conditions (2.15) et (2.16) reviennent supposer que la fonction objectif ( ) x f est strictement
convexe dans un voisinage de .
*
x Notons que dans le cas dune fonction convexe, vrifiant la
condition (2.16), la stationnarit elle seule constitue une condition ncessaire et suffisante
doptimalit globale.
Horst et Pardalos (1995, chapitre 1) rassemble des rsultats thoriques rcents relatifs des
problmes doptimisation globale dots dune structure particulire.

2.5 Mthodes de rsolution des problmes doptimisation
Lobtention de la solution du problme doptimisation, revient rsoudre le systme
dquations algbriques (2.15), par consquent la difficult est lie directement la nature de
la fonction objectif ( ) x f . Ainsi, la solution peut tre obtenue analytiquement dans le cas o la
rsolution du systme dquations (2.15) est facile, dans le cas contraire, on procde par des
mthodes numriques. Pratiquement, les fonctions objectifs minimiser sont fortement non
linaire, par consquent rsoudre analytiquement le systme algbrique (2.15) est quasiment
32

impossible do la ncessit dutiliser les mthodes numriques. Ce besoin a donn naissance
un domaine de recherche, faisant partie des mathmatiques appliques, appel optimisation
numrique dont les efforts sont centraliss sur le dveloppement des algorithmes numriques
qui permettent de localiser loptimum dune fonction en un nombre ditrations faible.
La programmation linaire (voir la section 2.3) constitue un des rares cas particuliers pour
lequel un algorithme itratif, appel algorithme de simplexe, a t dvelopp. Cet algorithme
converge en un nombre ditrations fini, et nimpliquent que des calculs assez lmentaires.
Dans le cas dune programmation quadratique convexe (voir la section 2.3), les algorithmes
dvelopps sont efficaces et convergent, en gnral, en une seule itration (par exemple la
mthode de Newton). Dans le cas de la programmation quadratique (voir la section 2.3), la
solution analytique est toujours disponible et facile dterminer (cet avantage a t exploit
dans le cas de la commande prdictive pour dvelopper lalgorithme Dynamic Matrix Control
prsente au chapitre 1, section 1.4).
Comme nous lavons dj signal, une solution explicite ne peut pas tre en gnral
obtenue partir des conditions thoriques (2.15). On va donc utiliser des mthodes itratives,
dont le principe gnral consiste calculer partir dune valeur initiale
( )
,
0
x la suite des
valeurs
( ) ( ) ( )
K K , , , ,
2 1 k
x x x (2.17)
Si lon choisit les points successifs de faon que :
( )
( )
( )
( )
( )
( )
k
x f x f x f > > > K
1 0
(2.18)
comme cette suite numrique est borne infrieurement par ( )
*
x f elle convergera. Si le
minimum global
*
x est unique et sil ny a pas dautre minimum local, la mthode converge
alors vers le point
*
x cherch. Dans le cas contraire seul lun des minimums locaux est atteint.
Ce dernier cas justifie aussi, le besoin dvelopper des algorithmes doptimisation globale.
Puisquun algorithme numrique ne peut pas fournir mieux quune rponse approche,
dans le cas de contraintes botes, un lment x dun des ensembles suivants sera considr
comme solution du problme (Berthiau et Siarry, 2001),
*
x est un minimum global et est
un nombre positif quelconque :
( ) { } ;
*
= x x D x A
x
(2.19)
( ) ( ) ( ) { } ;
*
= x f x f D x A
f
(2.20)


33

2.6 Classification des mthodes doptimisation
Pour loptimisation continue, on spare sommairement le cas linaire (qui relve
notamment de la programmation linaire pour lequel la solution est facile obtenir) du cas
non linaire. Pour certains problmes qui vrifient la proprit de convexit, la solution peut
tre obtenue en utilisant une mthode locale qui exploite, ou non, les gradients de la fonction
objectif. Nanmoins, la plupart des problmes doptimisation sont classs difficiles, car le
nombre de minima locaux est trs lev, alors le recours une mthode globale simpose.
Pour le traitement des contraintes, on a recours la mthode des multiplicateurs de
Lagrange dans le cas des contraintes du type galits, et la mthode de Kuhn-Tucker ou la
mthode de fonctions dcarts dans le cas de contraintes ingalits. Notons que la mthode de
fonctions de pnalisation constitue une approche lgante pour traiter les deux cas. Cette
mthode permet de ramener un problme doptimisation pos avec contraintes un problme
sans contraintes, puis dappliquer les mthodes doptimisation numriques.
En utilisant la mthode de fonction de pnalisation, pour le problme doptimisation (2.4),
pos avec contraintes galits et ingalits, on obtient :
( ) ( ) ( ) [ ] ( ) [ ]

= =
+ + =
q
j
j j
p
i
i i
x
x h x g x f x L
1
2
1
2
min (2.21)
o les
i
et
j
reprsentent les paramtres de pnalisation, positifs, associs respectivement
aux contraintes ( ) x g
i
et ( ) x h
j
. Les valeurs de ces paramtres sont en gnral considrs
constantes durant la rsolution du problme doptimisation, cest--dire :
q j p i
j i
, , 1 , et , , 1 , K K = = = = (2.22)
Dans la relation (2.21), la fonction ( ) x h
j
est dfinie comme suit :
( )
( ) ( )
( )

>
=
0 si 0
0 si
x h
x h x h
x h
j
j j
j
(2.23)
Dans la littrature, on distingue trois classes pour les mthodes doptimisation numriques :
les mthodes exactes (appeles encore classiques ou dterministes), les mthodes heuristiques
(appeles encore mthodes stochastiques), et les mthodes hybrides (coopration entre une
mthode exacte et une mthode heuristique).

- Mthodes exactes
Ces mthodes requirent des proprits mathmatiques restrictives de la fonction objectif
optimiser telle que la continuit, la diffrentiabilit, et la convexit. Ces mthodes permettent
34

de localiser la solution avec une trs grande prcision au prix, gnralement, dun nombre
ditrations important, cest--dire ncessite un temps de calcul norme parfois. Comme
exemples de mthodes, on peut citer les mthodes du gradient et de Newton, et leurs
variantes. Nanmoins, en pratique, il est trs difficile de savoir si la fonction objectif satisfait
ou non de telles proprits mathmatiques. De plus, la plupart des fonctions sont
multimodales (plusieurs maximums et minimums), discontinues et non drivables.
Le principe de ces mthodes peut tre explicit par lalgorithme suivant :
Etape 1. Initialisation 0 = k ,
( ) 0
x et calcul de
( )
( )
0
x f .
Etape 2. Pour 1 + = k k , on calcule la variation de
( ) k
x donne par le vecteur suivant :
( )
( )
( )
( )
(
(
(
(
(
(

=
k
n
k
k
k
x
x
x
x
M
2
1

en utilisant une procdure approprie selon la mthode utilise (par exemple la mthode du
gradient, mthode du gradient conjugu ou la mthode de Newton).
Etape 3. Calcul
( ) ( ) ( ) k k k
x x x + =
1
.
Etape 4. Calcul de
( )
( )
k
x f et son gradient not
( )
( )
k
x
x f , et vrification de la convergence en
utilisant un critre appropri (par exemple la norme du gradient de la fonction optimiser doit
tre infrieur une valeur , cest--dire (
( )
( ) <
k
x
x f ). Si la convergence est assure on
passe ltape 5, sinon on revient ltape 2.
Etape 5. La solution est
( ) k
x x =
*
.

Par exemple dans le cas de la mthode de Newton, la variation de
( ) k
x , note
( ) k
x , est
donne comme suit :
( ) ( )
( ) ( ) [ ]
( )
( ) ( )
k
x
k
x
k
x f x f x =
-1
2
.


- Mthodes heuristiques
Ces dernires annes, on marque larrive dune nouvelle classe de mthodes, nommes
mthodes heuristiques ou stochastiques qui constituent une alternative trs intressante aux
mthodes exactes. Les mthodes heuristiques sont un ensemble dalgorithmes doptimisation
35

visant rsoudre des problmes doptimisation difficile. Ces mthodes vont chercher un
optimum de faon alatoire (au hasard). En gnral, elles procdent par voisinages successifs.
De faon plus prcise : une solution tant obtenue litration k, litration 1 + k on cherche
au hasard une solution meilleure dans un voisinage prcdent. Les itrations successives
doivent permettre de passer dune solution de mauvaise qualit la solution optimale.
Lalgorithme sarrte aprs avoir atteint un critre darrt, consistant gnralement en
latteinte du temps dexcution imparti ou en une prcision demande.
Parmi les heuristiques, on retrouve les heuristiques de voisinage, qui font progresser une
seule solution la fois (par exemple la mthode de recuit simul, la recherche tabou), et les
heuristiques distribues, qui manipulent en parallle toute une population de solutions (par
exemples les algorithmes gntiques, les essaims de particules). Linconvnient majeur de ces
mthodes est quon ne peut garantir leur convergence vers la solution globale que dune
manire asymptotique, cest--dire elles permettant de localiser un ( ) x A x

~
(voisinage de
loptimum global). Bien que ces mthodes puissent tre adaptes tout type de problme
doptimisation, mais elles sont souvent moins puissantes que les mthodes exactes sur certains
types de problmes. Elles ne garantissent pas non plus la dcouverte de loptimum global en
un temps fini. Cependant, un grand nombre de problmes rels nest pas optimisable
efficacement par des approches purement mathmatiques, les heuristiques peuvent alors tre
utilises avec profit par exemple dans le cas o lexpression analytique de la fonction objectif
optimiser est absente ou cette dernire est non diffrentiable.

- Mthodes hybrides
Les mthodes hybrides profitent des avantages des mthodes exactes et heuristiques. Le
principe de ces mthodes consiste cooprer une mthode heuristique et une mthode exacte
pour localiser loptimum global recherch avec une prcision dtermine. En gnral, la
recherche de loptimum global commence par lutilisation dune heuristique qui localise un x
~

appartenant au voisinage de loptimum globale, cest--dire ( ), x A

puis on passe le relais


une mthode doptimisation exacte qui permet de localiser loptimum globale x avec une
bonne prcision.


2.7 Intrt des mthodes globales
Pour reprsenter avec prcision les phnomnes et les grandeurs physiques, on utilise
souvent des modles ou des fonctions de nature non linaire. Ces modles non linaires
36

constituent des cls pertinentes pour russir toute tude scientifique quantitative, en particulier
les problmes pratiques formuls sous forme de problmes doptimisation. Nanmoins, la
difficult vient de la manipulation des non linarits.
En optimisation, la prsence des non linarits demande plus defforts de calcul, et une
difficult pour localiser loptimum global parmi les extremums possibles pour la fonction
objectif. Le problme doptimisation devient plus complexe avec la prsence de contraintes et
selon le degr de leurs non linarits. Aussi, le nombre dextremums devient important avec
laugmentation des variables de dcision. Pour illustrer cette difficult, considrons le
problme doptimisation, une seule variable de dcision, suivant :
( ) ( )
10 0 : Sujet
sin cos min
2

x
x x x
x
(2.24)
Lvolution de la fonction objectif pour ce problme est donne par la Figure 2.1. On
constate que la fonction admet plusieurs minimums. Lobjectif de loptimisation est de
localiser le minium global en un nombre fini ditrations et avec une trs grande prcision. La
complexit du problme doptimisation augmente exponentiellement avec laugmention du
nombre de variables de dcision ou des contraintes. Pour illustrer ce point, considrons le
problme doptimisation obtenu simplement en considrant une fonction objectif dfinie
comme la somme de deux fonctions mathmatiques de mme forme que celle du problme
doptimisation (2.24), cest--dire :
( ) ( ) ( ) ( )
10 0
10 0 : Sujet
sin cos sin cos min
2
1
2
2
2 2 1
2
1 1


+
x
x
x x x x x x
x
(2.25)
La Figure 2.2, montre que le nombre des minimums a augment avec laugmentation de
variables de dcision.
37



La question qui se pose y a-t-il des tests permettant de filtrer des minimums globaux parmi
les minima locaux ? Mis part le cas o la fonction objectif est convexe dans lequel il ny a
pas lieu de faire de distinguo, les conditions ncessaires et/ou suffisantes de minimisation
globale ne sont accessibles que pour certaines classes de problmes doptimisation
spcialement structurs. Nanmoins, reconnatre un minimum global de la fonction objectif
parmi les points critiques (les points qui vrifient le systme dquations algbriques (2.5)) de
la fonction objectif est possible grce la notion de lenveloppe convexe de la fonction
objectif. Lenveloppe convexe note, conv ( ) x f est dfinie comme la plus grande fonction
convexe minorant ( ) x f sur .
n
D Ainsi, ce qui manque pour un point critique x
~
pour tre
un minimum global de ( ) x f est exactement la proprit suivante (Hiriart-Urruty, 1996) :

Figure 2.2 Evolution de la fonction objectif du problme doptimisation (2.25).

Figure 2.1 Evolution de la fonction objectif du problme doptimisation (2.24).
38

( ) ( ) x f x f
~ ~
conv = (2.26)
Evidemment, cette proprit nest pas facile tester puisquil est difficile habituellement
de dterminer conv ( ) x f exactement surtout pour une fonction plusieurs variables ou non
diffrentiables. De plus, lobtention de cette enveloppe demande plus defforts. La Figure 2.3
illustre la notion de lenveloppe convexe.
Ces difficults rencontres pour localiser le minimum global a incit les mathmaticiens,
en particulier les mathmaticiens appliqus, dvelopper des mthodes numriques
permettant de localiser directement le minimum globale dune fonction non linaire
plusieurs variables. Ce qui a donn naissance un domaine de recherche trs actif appel
optimisation globale .



2.8 Mthodes doptimisation globales et commande prdictive
Dans un problme de commande prdictive un problme doptimisation doit tre rsolu
chaque instant dchantillonnage. La nature du problme doptimisation dpend de la nature
du systme, du critre (fonction objectif) et les contraintes considres. Gnralement, le
critre considr prend une forme quadratique incluant des objectifs de poursuite et dnergie
minimale. Bien que le critre de performances est quadratique, ce qui reprsente une forme de
fonction objectif intressante pour localiser la solution globale, nanmoins la non linarit du
problme doptimisation vient de la nature du modle utilise pour la prdiction. Dans le cas
dun modle linaire, une solution analytique du problme doptimisation peut tre obtenu,
cest le cas de lalgorithme Dynamic Matrix Control, prsent dans la section 1.4 du chapitre
Fonction objectif ( ) x f
Enveloppe convexe conv ( ) x f
Figure 2.3 Fonction objectif et son enveloppe convexe.
39

1, par consquent vu la capacit des calculateurs numriques disponibles, limplmentation ne
pose pas de problme puisque la solution peut tre calcule rapidement. Par contre, si le
modle est non linaire, les prdictions le seront aussi, par consquent le critre prend une
forme non linaire dont la complexit dpend directement des non linarits du systme.
Ainsi, le problme doptimisation est non linaire, donc lobtention de la solution chaque
instant dchantillonnage est une tche trs dlicate, et ncessite des mthodes numriques qui
convergent en un nombre fini ditrations et rapidement vers la solution optimale.
Comme la quasi-totalit des systmes sont de nature non linaire, pour lesquels
lhypothse de linarit ne prsente aucun intrt, alors lutilisation dun modle non linaire
pour prdire les sorties du systme commander est invitable. De plus, utiliser un modle
non linaire va dans le sens daccrotre la prcision de la prdiction ce qui permet damliorer
davantage les performances du systme en boucle ferme. Nanmoins, la prdiction non
linaire complexifie lapplication de la commande prdictive des systmes non linaires
puisque le problme doptimisation rsoudre est de nature fortement non linaire dont la
difficult de localiser loptimum globale, en un nombre fini ditrations ou en un temps
infrieur la priode dchantillonnage, se prsente avec acuit. Lapplication dune solution
locale dans une stratgie de commande prdictive nest pas dramatique, mais en appliquant
une solution globale les performances seront meilleures, puisque minimiser mieux le critre
implique une bonne poursuite de consigne, un bon rejet de perturbation, et un minimum
dnergie (objectifs souvent viss par lutilisation dun critre quadratique). Par consquent,
lutilisation des mthodes doptimisation globale dans une commande prdictive non linaire
constitue une solution intressante qui permettra dlargir son champ dapplication.
Dans ce chapitre, nous avons prcis uniquement la liaison directe entre loptimisation et la
commande prdictive non linaire, et lintrt de lutilisation des mthodes doptimisation
globales. Dans le chapitre 4, on prsentera une synthse sur les diffrentes approches
doptimisation globale non linaire proposes et utilises dans le cadre dune commande
prdictive.

2.9 Conclusion
Ce chapitre a t consacr des gnralits sur loptimisation de fonctions mathmatiques,
en particulier loptimisation globale. Lobjectif consiste prsenter les lments essentiels
utiliss le long de ce mmoire, et de montrer lintrt des mthodes de loptimisation globale,
en particulier dans une stratgie de commande prdictive non linaire. Quoique plusieurs
mthodes doptimisation globale ont t dveloppes dans la littrature, mais en pratique il est
40

trs difficile, voire impossible, de prconiser une telle mthode ou une autre pour un problme
doptimisation donn. En outre, lexamen de la littrature, montre que la thorie nest pas
dun grand secours, puisque les thormes de convergence sont souvent inexistants, ou
applicables sous des hypothses restrictives. De plus, le rglage optimal des paramtres de la
mthode prconis par la thorie est souvent inapplicable en pratique surtout dans le cas des
heuristiques. Aussi, les comparaisons entre les diffrentes mthodes disponibles abordes
dans la littrature se limitent des problmes de tests idaliss. Ainsi, le choix dune mthode
doptimisation globale fait appel souvent lexprience.
En consultant la littrature ddie loptimisation globale, deux mthodes doptimisation
globale trs intressantes ont attir notre attention, elles sagissent de la mthode dAlienor
qui fait partie des mthodes exactes, et la mthode des essaims de particules qui est une
mthode heuristique. Ces mthodes sont caractrises par des algorithmes simples
comprendre et programmer, et ncessitent peu de paramtres de rglages dont leurs choix
est souvent dictes par des thories mathmatiques pousses, en particulier pour la mthode
dAlienor. Ces mthodes constituent des variantes intressantes pour russir une commande
prdictive non linaire. Les principes de ces deux mthodes seront exposs dans le chapitre
suivant, et pour valuer leur capacit localiser loptimum globale, ces mthodes seront
appliques pour lidentification des paramtres dun systme non linaire.







41




Chapitre 3


Mthodes doptimisation globale :
Alienor et Essaim de Particules



3.1 Introduction
Dans le chapitre prcdent, on a montr lintrt des mthodes doptimisation globale, en
particulier dans une stratgie de commande prdictive non linaire. Le monde industriel
affronte une comptition mondiale exacerbe : gagner par exemple ne serait-ce quun pour
cent sur lnergie consomme par un procd reprsente un gain de comptitivit trs
important. Pour ce faire, les efforts se sont focaliss sur le dveloppement de mthodes et
dalgorithmes doptimisation souples et rapides qui permettant de localiser avec succs
loptimum global tout en respectant les contraintes imposes par le problme. Naturellement,
lapproche numrique a t favorise d laugmentation considrable de la puissance des
42

ordinateurs qui a largement contribu rpondre limpratif de temps de calcul, et la
complexit des problmes doptimisation (fortement non linaires).
La littrature sur loptimisation dcrit pour lessentiel des mthodes locales qui permettent
lobtention de minima locaux qui peuvent tre certes intressantes dans une tude pralable du
phnomne mais quil faudra de toute faon amliorer pour optimiser au mieux le problme
formul ou modlis. Quant aux mthodes globales existantes elles sont la plupart du temps
des amliorations des mthodes locales que lon tente de dbloquer dun minimum local pour
aller vers un meilleur minimum, esprant quin fine on obtiendra un minimum global.
Parmi ces mthodes, on retrouve la mthode dAlienor dveloppe par lquipe de
recherche dYves Cherruault dans les annes 80, dont le principe est simple et lefficacit
nest plus dmontrer. Ces dernires annes, les mthodes heuristiques ont aussi dmontr
leur efficience dans la localisation dun optimum globale, et commence simposer comme
des mthodes alternatives intressantes aux mthodes exactes qui exigent une certaine
rgularit des fonctions minimiser (continuit et diffrentiabilit) qui ne sont pas
ncessairement vrifie. Parmi ces mthodes, on retrouve la mthode dessaim de particules
qui bnficie dune large utilisation pour la rsolution des problmes doptimisation rputs
difficiles. Cet mthode prsente plusieurs avantages par rapport aux autres heuristiques
(Hammouche et al., 2010).
Dans ce chapitre, on prsentera les principes des mthodes doptimisation globale
dAlienor et dessaim de particules. Pour illustrer leur efficacit, les mthodes seront utilises
pour lidentification des paramtres dun systme non linaire.

3.2 Mthode dAlienor
La mthode Alienor, propose par Cherruault (2005), repose sur une suite de
transformations rductrices qui permet de ramener toute fonction de plusieurs variables une
fonction dune seule variable. On peut alors utiliser, pour rsoudre le problme multivariable,
les mthodes puissantes habituellement mises en uvre pour le cas unidimensionnel.
Soient deux variables relles, ,
1
x
2
x . Nous allons dabord passer en coordonnes polaires
( ) ( ) 0 , sin , cos
2 1
= = r x r x (3.1)
Ce faisant nous obtenons deux nouvelles variables r et que nous allons relier grce la
spirale dArchimde dquation
a r = (3.2)
o a est un paramtre fix, destin tendre vers 0. Ainsi, les relations (3.1) deviennent
43

( ) ( ) sin , cos
2 1
a x a x = = (3.3)
Par consquent, elles permettent dexprimer
1
x et
2
x laide dune unique variable . 0
La Figure 3.1 reprsente lexploration globale du plan (fonction objectif deux variables)
paramtre par le paramtre unique .

On peut gnraliser cette transformation n variables. Il suffit de relier les variables deux
deux. Considrons, par exemple, trois variables . , ,
3 2 1
x x x Nous allons dabord relier
1
x et
2
x
laide de ,
1
on obtient :
( ) ( )
1 1 2 1 1 1
sin , cos a x a x = = (3.4)
Puis on relie les deux variables qui restent
1
et
3
x laide de pour obtenir :
( ) ( ) sin , cos
3 1
a x a = = (3.5)
Il est alors clair que
3 2 1
, , x x x sexpriment laide de . En effet, on a :
( ) ( ) ( )
( ) ( ) ( )
( )


sin
cos sin cos
cos cos cos
3
2
2
2
1
a x
a a x
a a x
=
=
=
(3.6)
On voit que, dune faon gnrale, on aboutit des relations
( ) 0 ; , , 1 , = = n i h x
i i
K (3.7)
avec des les fonctions
i
h faisant intervenir les fonctions trigonomtriques en sinus et cosinus.
Par consquent, ces fonctions sont infiniment diffrentiables.
La mthode dAlienor peut tre exploite pour la rsolution des problmes doptimisation
de la manire suivante :
Soit rsoudre le problme doptimisation suivant :
( )
n
x x
x x f
n
, , min
1
, ,
1
K
K
(3.8)

Figure 3.1 Exploration globale du plan paramtre par (spirale dArchimde).
44

o f est une fonction non linaire continue.
La transformation (3.7) permet de remplacer la fonction ( )
n
x x f , ,
1
K par la nouvelle
fonction ( )
*
f donne comme suit :
( ) ( ) ( ) ( )
n
h h f f , ,
1
*
K = (3.9)
qui est une seule fonction dune seule variable .
Le problme doptimisation (3.8) est alors remplac par le problme suivant :
( )

*
0
min f

(3.10)
qui est un problme de minimisation une seule variable que lon peut rsoudre simplement
condition de savoir dfinir lintervalle [ ] , 0
max
sur lequel on va rechercher le (ou les)
minima globaux de ( ).
*
f
Le succs de la mthode dAlienor de base prsente a pouss les chercheurs dvelopper
dautres transformations rductrices pour simplifier les calculs. Ainsi, plutt que de rduire
deux deux les variables par la mthode dAlienor de base, des transformations rductrices
ont t proposes dont lide de base consiste exprimer toutes les variables en fonction de la
variable en une seule tape. Ceci impose de choisir correctement les fonctions
i
h de la
transformation rductrice (3.7). Par consquent, les efforts se sont focaliss sur ce point dont
lobjectif est de dvelopper des transformations rductrices simples qui demande moins de
calculs, et surtout de bien approximer le problme doptimisation n variables.
Parmi les transformations rductrices proposes dans la littrature, on retrouve les
transformations suivantes :

- Transformation 1 :
( ) cos
i i
x = (3.11)
o les paramtres
i
forment une suite croissante et vrifient la condition suivante :
1
1
<
+ i
i

et 0 > (3.12)
- Transformation 2 :
( ) cos
i
i
m x = (3.13)
avec . 1 > m


45

- Transformation 3 :
( ) cos
i i
x = (3.14)
Les paramtres
1 1
, ,
n
K sont choisis proches les uns des autres, tout en constituant une
suite lentement croissante, par exemple
+ =
+ i i 1
(3.15)
avec 0 > et choisi trs petit. Le paramtre
n
est choisi comme suit :


1
1

=
n
n
n (3.16)
- Transformation 4 :
( )
i i i
x + = cos (3.17)
o les 0 >
i
forment une suite croissante.
i
est une suite lentement croissante dont les
termes sont proches lun des autres, par exemple :
+ =
+ i i 1
(3.18)
avec 0 > et choisi trs petit.
Notons que la dernire transformation rductrice (3.17), permet une exploration globale du
plan paramtr par en assurant une trs bonne prcision par rapport aux autres.
Aussi, dautres variantes ont t proposes pour lier r et afin damliorer la prcision de
lapproximation. Parmi ces relations, on peut citer les suivantes (Bendiab et Cherruault,
1995) :
. 0 ,
,
2


> =
=
+

b e r
e r
b

(3.19)
Pour illustrer la dtermination de la fonction une seule variable ( )
*
f , considrons le
problme doptimisation (2.25). Pour ce faire, on propose dutiliser la transformation 4
donne par la relation (3.17) et de modifier les contraintes du problme doptimisation (2.25),
qui sont de type botes, de manire avoir 10 , 10
2 1
x x . Ainsi, pour respecter ces
contraintes, il suffit de prendre , 10 = , 100
1
= , 101
2
= , 1
1
= et 00001 . 0 =
( )
( ) 00001 . 1 101 cos 10
1 100 cos 10
2
1
+ =
+ =

x
x
(3.20)
Ce qui donne la fonction suivante
46

( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) 00001 . 1 101 cos 10 00001 . 1 101 cos 10 sin 00001 . 1 101 cos 10 cos
1 100 cos 10 1 100 cos 10 sin 1 100 cos 10 cos
2
2 *
+ + + + +
+ + + =

f
(3.21)
En rsolvant lquation algbrique suivante :
( ) 0
*
=

f (3.22)
on dtermine facilement le minimum global
*
et partir de la transformation (3.20), on
dtermine la solution optimale globale comme suit :
( )
( ) 00001 . 1 101 cos 10
1 100 cos 10
* *
2
* *
1
+ =
+ =

x
x
(3.23)
Aprs avoir prsent la mthode dAlienor qui est une mthode exacte, dans la section
suivante, on prsentera une mthode doptimisation globale heuristique, en loccurrence la
mthode dessaim de particules.

3.3 Mthode dessaim de particules
Loptimisation par essaim de particules ou Particle Swarm Optimisation (PSO) en anglais
fait partie des mthodes heuristiques, elle est base sur la reproduction dun comportement
social. Elle a t dveloppe en 1995 par Eberhart et Kennedy (1995) suite aux travaux de
recherche sur la simulation de vols groups doiseaux et de bancs de poissons raliss par
Reynold (1987) et Heppner et Grenander (1990). Les rsultats obtenus ont dmontr la
capacit dun groupe en mouvement maintenir une distance optimale entre eux et suivre
un mouvement global par rapport aux mouvements locaux de leur voisinage. Un autre rsultat
important concerne limportance du mimtisme dans la comptition qui oppose les particules
la recherche de la nourriture. Ces dernires sont disperses alatoirement dans un espace de
recherche, et lorsquune particule localise une source de nourriture, les autres particules vont
alors chercher le reproduire.
Ce comportement social bas sur lanalyse de lenvironnement et du voisinage reprsente
rellement une mthode doptimisation par observation des tendances des particules voisines.
Le principe impose chaque particule chercher optimiser ses chances en suivant une
tendance quelle modre par ses propres vcus.




47

3.3.1 Principe de la mthode dessaim de particules
Un essaim est dispos de faon alatoire et homogne dans lespace de recherche et chaque
particule possde la capacit de se dplacer avec une vitesse alatoire. Ainsi, chaque pas de
temps, chaque particule :
value la qualit de sa position et garde en mmoire sa meilleure performance,
cest--dire la meilleure position atteinte jusquici (elle peut tre la position courante)
et sa qualit (la valeur de la fonction optimiser en cette position).
interroge un certain nombre de particules pour obtenir de chacune d'entre elles sa
propre meilleure performance.
choisit la meilleure des meilleures performances dont elle a connaissance, puis adapte
sa vitesse en fonction de cette information et de ses propres donnes et se dplace en
consquence.
Une fois la particule ayant une meilleure performance est localise, la modification de la
vitesse est une simple combinaison linaire de trois tendances, laide des coefficients de
confiance :
la tendance aventureuse, consistant continuer selon la vitesse actuelle,
la tendance conservatrice, ramenant plus ou moins vers la meilleure position dj
trouve,
la tendance panurgienne, orientant approximativement vers la meilleure informatrice.
Lutilisation des termes plus ou moins ou approximativement implique que le hasard joue
un rle, grce une modification alatoire limite des coefficients de confiance, ce qui
favorise lexploration de lespace de recherche. Le principe de la mthode dessaim de
particules est rsum par la Figure 3.2. Pour raliser son prochain mouvement, chaque
particule combine trois tendances : suivre sa vitesse propre, revenir vers sa meilleure
performance, aller vers la meilleure performance de ses informatrices.

48


3.3.2 Algorithme de la mthode dessaim de particules
Pour illustrer la mthode doptimisation par essaim de particules, on considre le problme
de minimisation dune fonction plusieurs variables avec des contraintes botes :
( )
max min
: sujet
min
x x x
x f
x

(3.24)
On note la taille de lessaim (nombre de particules) par
p
n et la position dune particule j
et sa vitesse, litration k, respectivement par ( ) k x
j
et ( ) k v
j
. Pour rduire le nombre
dvaluations de la fonction objectif, ncessaires pour dterminer la solution, on doit
considrer une petite taille pour lessaim. Gnralement, une taille de 20 30 particules est
suffisante.
Les tapes de lalgorithme de la mthode dessaim de particules sont :
1. choix de la taille de lessaim ,
p
n
2. gnration de faon alatoire une population initiale ( ) ( ) ( ). 0 , , 0 , 0
2 1 p
n
x x x K Les
vecteurs ( ) ( )
p
j
n j x , , 1 0 K = correspondent aux particules. Par consquent chaque
particule est de dimension gale n (dimension du vecteur de variables de dcision).
3. valuation de la fonction objectif pour les diffrentes particules de la population
initiale en calculant ( ) ( ) ( ) ( ) ( ) ( ) 0 , , 0 , 0
2 1 p
n
x f x f x f K .
4. Choix des vitesses initiales. Gnralement, on considre pour la population initiale
( )
p
j
n j v , , 1 , 0 0 K = = et prendre . 1 = k
Position
actuelle
Vers la meilleure
performance de ces
informatrices
Vers ma meilleure
performance
Nouvelle
position
Vitesse
actuelle
Figure 3.2 Schma de principe du dplacement dune particule.
49

5. Dtermination, pour chaque particule j, la meilleure valeur de ( ) k x
j
, note
j m
P
,
, pour
laquelle la fonction objectif est minimale pour toutes les itrations prcdentes. Puis
dterminer la meilleure des meilleures note
m
P comme suit :
{ } , , 1 , min
, p j m m
n j P P K = = (3.25)
6. Dtermination de la nouvelle vitesse pour chaque particule j comme suit :
( ) ( ) ( ) [ ] ( ) [ ] , , , 1 ; 1 1 1
2 2 , 1 1 p
j
m
j
j m
j j
n j k x P r c k x P r c k v k v K = + + = (3.26)
Les paramtres
1
c et
2
c sont gnralement gaux 2, et les paramtres
1
r et
2
r sont
des nombres alatoirement choisis entre 0 et 1.
7. Dtermination de la nouvelle position pour chaque particule j comme suit :
( ) ( ) ( )
p
j j j
n j k v k x k x , , 1 ; 1 K = + = (3.27)
et valuation de la fonction objectif pour les nouvelles particules, cest--dire
( ) ( ) ( ) ( ) ( ) ( ) k x f k x f k x f
p
n
, , ,
2 1
K
8. Vrifier la convergence de la solution courante. La convergence de la solution signifie
que toutes les particules convergent vers le mme ensemble de valeurs. Dans le cas
contraire, on pose 1 + = k k et reprend partir de ltape 5.
Pour rester dans un espace de recherche fini donn, alors on ajoute un mcanisme pour
viter quune particule ne sorte de cet espace. Le plus frquent est le confinement dintervalle.
Par exemple pour les contraintes botes, on a .
max min
i i i
x x x Par consquent, si une position
i
x , calcule selon les quations de mouvement, sort de lintervalle ] , [
max min
i i
x x on lui attribue
en fait la valeur du point frontire le plus proche. Pratiquement, cela revient remplacer
lquation de la position (3.27) par
( ) ( ) ( ) ( ) ( )
max min
, , 1 max min x x v k x k x k x
j j j j
+ = = (3.28)
Pour la vitesse, elle est modifie soit en remplaant la composante qui pose problme par
son oppos, souvent pondre par un coefficient infrieur 1, soit, tout simplement, en
lannulant.
Notons aussi que des amliorations ont t proposes pour amliorer la convergence de la
mthode dessaim de particules et dadapter la mthode pour des problmes doptimisation
avec contraintes et multi-objectifs (Banks et al., 2007 ; 2008). Ainsi, plusieurs formules ont
t proposes pour le calcul des nouvelles positions des particules, cest--dire la relation
(3.26). Chaque mthode introduit un certains nombre de paramtres avec des rglages
appropries (Banks et al., 2007).
50

Parmi les formules suggres pour calculer les vitesses des particules, on peu citer les
suivantes (Banks et al., 2007). :
Formule 1.
( ) ( ) ( ) [ ] ( ) [ ] , , , 1 ; 1 1 1
2 2 , 1 1 0 p
j
m
j
j m
j j
n j k x P r c k x P r c k v c k v K = + + =
o
0
c est un paramtre choisir.
Formule 2.
( ) ( ) ( ) [ ] ( ) [ ] ( ) , , , 1 ; 1 1 1
4 2
2
2 2 , 1 1
2
p
j
m
j
j m
j j
n j k x P r c k x P r c k v
c c c
k v K = + +

=
avec . 4
2 1
> + = c c c

Pour illustrer la mthode dessaim de particules, on considre le problme doptimisation
une seule variable de dcision ( ) 1 = n suivant :
( )
2 2 : Sujet
11 2 max
2

+ + =
x
x x x f
x

Pour rechercher la solution, on prend un essaim de particules de taille . 4 =
p
n Pour la
population initiale, on choisit :
( ) 5 . 1 0
1
= x , ( ) 0 . 0 0
2
= x , ( ) 5 . 0 0
3
= x , ( ) 25 . 1 0
4
= x
avec des vitesses initiales nulles
( ) . 4 , 3 , 2 , 1 , 0 0 = = j v
j

Premire itration :
Lvaluation de la fonction objectif pour les diffrentes positions initiales donne :

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) 9375 . 11 25 . 1 0
75 . 11 5 . 0 0
0 . 11 0 . 0 0
75 . 5 5 . 1 0
4
3
2
1
= =
= =
= =
= =
f x f
f x f
f x f
f x f

alors
5 . 1
1 ,
=
m
P , 0 . 0
2 ,
=
m
P , 5 . 0
3 ,
=
m
P , 25 . 1
4 ,
=
m
P et 25 . 1 =
m
P .
Les nouvelles vitesses des particules calcules par la relation (3.26), avec 1
2 1
= = c c ,
3294 . 0
1
= r et 9542 . 0
2
= r sont :
( ) ( ) ( ) 6241 . 2 5 . 1 25 . 1 9542 . 0 5 . 1 5 . 1 3294 . 0 0 1
1
= + + + + = v
51

( ) ( ) ( ) 1927 . 1 0 . 0 25 . 1 9542 . 0 0 . 0 0 . 0 3294 . 0 0 1
2
= + + = v
( ) ( ) ( ) 7156 . 0 5 . 0 25 . 1 9542 . 0 5 . 0 5 . 0 3294 . 0 0 1
3
= + + = v
( ) ( ) ( ) 0 . 0 5 . 1 25 . 1 9542 . 0 25 . 1 25 . 1 3294 . 0 0 1
4
= + + = v
et la relation (3.27) donne les nouvelles positions suivantes :
( ) 1241 . 1 6241 . 2 5 . 1 1
1
= + = x
( ) 1927 . 1 1927 . 1 0 . 0 1
2
= + = x
( ) 2156 . 1 7156 . 0 5 . 0 1
3
= + = x
( ) 25 . 1 0 . 0 25 . 1 1
4
= + = x
Lvaluation de la fonction objectif pour les nouvelles positions des particules donne
( ) ( ) 9846 . 11 1
1
= x f
( ) ( ) 9629 . 11 1
2
= x f
( ) ( ) 9535 . 11 1
3
= x f
( ) ( ) 9375 . 11 1
4
= x f
On constate que les particules convergent presque vers la mme valeur, cest--dire vers le
voisinage de la solution du problme qui est ( ) 12
*
= x f et . 1
*
= x Dans le cas contraire, on
doit continuer les itrations.
Aprs avoir prsent les principes des mthodes doptimisation globale, en loccurrence la
mthode dAlienor et mthode dessaim de particules, nous allons utiliser dans la section
suivante ces deux mthodes pour lidentification dun systme non linaire en utilisant la
mthode du modle.

3.4 Application lidentification dun systme non linaire
La modlisation mathmatique dun systme dynamique est frquemment utilise pour
ltude de son comportement dynamique, vis--vis de diffrentes sollicitations, pour lanalyse
des proprits fondamentales (Sderstrm et Stoica, 1989 ; Ljung, 1990 ; Nelles, 2001 ; Raol
et al., 2004 ; Ogunfunmi, 2007) du systme (stabilit, commandabilit et observabilit), pour
la conception de la loi de commande (Gevers, 1996 ; Soroush, 1998 ;Unbehauen et Rae,
1998) et pour la prdiction (commande prdictive) (Flaus, 1994). La modlisation consiste
dcrire sous forme dquations mathmatiques les relations liant les diffrentes variables
caractristiques du systme (entres, sorties, tats et perturbations) (Sderstrm et Stoica,
1989 ; Ljung, 1990 ; Nelles, 2001 ; Raol et al., 2004 ; Ogunfunmi, 2007). Le modle peut tre
52

dcrit sous forme dquations diffrentielles ordinaires, de fonction de transfert (modle de
comportement) ou de reprsentation dtat (modle de connaissance) (Flaus, 1994).
Pour lobtention dun modle mathmatique deux approches sont possibles (Sderstrm et
Stoica, 1989 ; Ljung, 1990). La premire approche, appele modlisation mathmatique,
consiste crire toutes les lois physiques rgissant le fonctionnement du systme (relations
mathmatiques entre les variables du systme) en considrant un certain nombre dhypothses
simplificatrices acceptables (Flaus, 1994). La deuxime approche, appele modlisation
exprimentale, consiste dterminer un modle de comportement (fonction de transfert)
partir des mesures entres-sorties (Sderstrm et Stoica, 1989 ; Ljung, 1990 ; Nelles,
2001 ; Raol et al., 2004 ; Ogunfunmi, 2007). Les paramtres du modle sont alors dtermins
par des techniques didentification.
Lidentification est une technique exprimentale qui sappuie sur lutilisation des
procdures et des algorithmes manipulant les mesures exprimentales (Gevers, 1996 ;
Dochain, 2003 ; Faber et Wozny, 2007 ; Ljung, 2008 ; Schwaab et al., 2008) et qui a pour but
dajuster les paramtres du modle de telle sorte ce que le comportement du modle soit
identique celui du systme. Les diffrentes mthodes didentification existantes peuvent tre
scindes en trois classes (Flaus, 1994). La premire classe regroupe les mthodes graphiques
(par exemple la mthode de Stretj), la seconde les mthodes non rcursives (comme la
mthode des moindres carrs et la mthode du modle) et la troisime les mthodes rcursives
(par exemple la mthode des moindres carrs rcursifs).
La mthode du modle reste lune des mthodes didentification la plus efficace
(Sderstrm et Stoica, 1989 ; Ljung, 1990 ; Nelles, 2001; Raol et al., 2004 ; Ogunfunmi,
2007). Son principe consiste proposer, en se rfrant aux rsultats exprimentaux, une
structure (fonction de transfert) pour le modle puis de formuler un problme doptimisation
dont la fonction objectif consiste minimiser lcart entre les mesures exprimentales et
celles prdites par le modle (Flaus, 1994). Les paramtres du modle reprsentent les
variables de dcision dans ce cas (Sderstrm et Stoica, 1989 ; Ljung, 1990 ; Nelles, 2001;
Raol et al., 2004 ; Ogunfunmi, 2007). Lalgorithme des moindres carrs constitue un exemple
de la mthode du modle, il est trs utilis dans le cas o le modle est linaire par rapport
aux paramtres identifier (Flaus, 1994 ; Gevers, 1996). Dans le cas gnral, des mthodes
exactes ou heuristiques sont adoptes pour la rsolution du problme doptimisation formul
(Unbehauen et Rae, 1998 ; Ljung, 2004). Celles-ci sont gnralement des mthodes exactes
qui peuvent chouer dans un minimum local (Ikonen and K. Najim, 2002). Bien que les
mthodes heuristiques constituent une alternative intressante (Ursema et Vadstrup, 2004),
53

pour une meilleure identification (localisation du voisinage dun minimum global), mais leur
rglage est trs dlicat et le temps de convergence peut tre important pour certaines
applications. Les mthodes heuristiques utilises sont, gnralement, les algorithmes
gntiques (Nyarko et Scitovski, 2004 ; Patelli and Ferariu, 2009) et lessaim de Particules
(Schwaab et al., 2008 ; Sakthivel et al. 2010)
Afin de surmonter ce problme, nous proposons dans cette section dadopter les deux
mthodes doptimisation globale prsentes dans ce chapitre pour lidentification globale des
paramtres dun systme dynamique.

3.4.1 Mthode du modle
Le principe de la mthode du modle est donn par la Figure 3.3 (Flaus, 1994). Lide
consiste minimiser lcart observ entre les mesures exprimentales ( ) k y et celles prdites
par le modle ( ) k y en utilisant un algorithme doptimisation qui adapte les paramtres du
modle dune manire avoir lerreur ( ) ( ) ( ) k y k y k e = proche de zro pour toute valeur de k
qui dsigne linstant dchantillonnage. Dans ce cas le modle et le systme physique sont
soumis une mme entre ( ) k u suppose suffisamment excitante pour toutes les dynamiques
du systme (par exemple un signal SBPA) (Sderstrm et Stoica, 1989 ; Ljung, 1990 ; Nelles,
2001; Raol et al., 2004 ; Ogunfunmi, 2007). Par consquent, pour lidentication des
paramtres, on considre la minimisation dune fonction objectif (critre) qui dpend
explicitement de lerreur ( ) k e . Gnralement, cette fonction objectif prend la forme suivante :
( ) ( ) ( ) ( ) ( )

+
=
+
=
= =
0 0

k k
k y k y f k e f J (3.29)
o f est une fonction non linaire qui mesure lcart entre les deux sorties mesure et
prdite, i.e. ( ) k y et ( ) k y .
La sortie prdite ( ) k y du modle, dans le cas discret, est donne comme suit :
( ) ( ) ( ) , k x g k y = (3.30)
avec
( ) ( ) ( ) ( ) ( ) [ ]
y u
r k y k y r k u k u k x = , , , , , K K (3.31)

54

o ( ) k u et ( ) k y reprsentent respectivement la commande et la sortie du systme. ( ) k x
reprsente le vecteur de rgression. r
u
et r
y
reprsentent respectivement les retards tolrs pour
lentre et la sortie du systme et reprsente le vecteur des paramtres du modle
identifier. Ce vecteur est de dimension n.
Ainsi, en remplaant ( ) k y par son expression (3.30) dans la fonction objectif (3.29), il
vient :
( ) ( ) ( ) ( )

+
=
=
0
,
k
k x g k y f J (3.32)
Comme les mesures ( ) k y et les commandes ( ) k u sont disponibles, il est clair que le critre
J dpend explicitement du vecteur des paramtres identifier. Par consquent,
( ) ( ) ( ) ( ) ( )

+
=
=
0
,
k
k x g k y f J (3.33)
Le problme didentification des paramtres, regroups dans le vecteur dsign par , se
ramne la rsolution du problme doptimisation globale suivant :
( ) ( ) ( ) ( ) ( )

+
=
=
0
, min min
k
k x g k y f J

(3.34)
La complexit du problme doptimisation dpend de la fonction f considre.
Gnralement, cette fonction prend la forme quadratique telle que :
( ) ( ) ( ) ( ) ( ) ( )
2 2
k y k y k e k e f = = (3.35)
do le critre minimiser est
( ) ( ) ( ) ( ) ( )

+
=
=
0
2
,
k
k x g k y J (3.36)
Ce problme doptimisation peut tre rsolu par plusieurs mthodes qui sont gnralement
itratives. Cependant, ces mthodes numriques peuvent tomber dans un minimum local et
Systme
Modle
Optimisation
( )

J min
( ) k u
( ) k y
( ) k y
( ) k e

Figure 3.3 Principe de la mthode du modle.

+
55

deviennent trs dlicates lorsque le nombre de variables est trs lev. A n dy remdier
tous ces problmes, nous proposons de chercher le minimum du critre (3.36) par les deux
mthodes doptimisation globale prsentes dans ce chapitre.

3.4.2 Modle du systme non linaire identifier
Le modle du systme non linaire identifier est donn sous forme dune quation de
rcurrence (modle entre-sortie discret). Pour gnrer les mesures, on procde par
simulation. On propose de fixer dabord des valeurs pour les paramtres du modle, puis de
faire une simulation sur un horizon de temps dtermin pour rcuprer les valeurs de la sortie
correspondante une entre convenablement choisie (Sderstrm et Stoica, 1989 ; Ljung,
1990 ; Flaus, 1994 ; Nelles, 2001; Raol et al., 2004 ; Ogunfunmi, 2007). Les valeurs obtenues
pour la sortie seront considres comme les mesures exprimentales et seront utilises pour
lidentification.
Le modle du systme non linaire identifier est donn comme suit :
( ) ( ) ( ) ( ) 1 ) 1 ( 1 2 + + + + + = + k cu k u k y b k y a k y (3.37)
Pour obtenir les mesures exprimentales, les valeurs suivantes 7 , 0 , 9 , 0 = = b a et
5 , 0 = c ont t fixes pour les paramtres du modle. Ainsi, le vecteur de paramtres
identifier est
( ) ( )
T T
c b a , , , ,
3 2 1
= = (3.38)
Pour lidentification de systme, treize mesures ont t considres en prenant
( ) ( ) 0 1 0 = = y y et une entre ( ) k u alatoire.

Pour lidentification, en utilisant la mthode dAlienor pour la rsolution du problme
doptimisation (3.36), on utilise la transformation rductrice (3.17) avec les paramtres
suivants , 100
0
= , 1
0
= et . 10 5
5
= Ainsi, en explicitant les variables de dcision
i
,
regroup dans le vecteur , en fonction de la seule variable de dcision , laide de la
transformation rductrice (3.17), le problme didentification (3.36) se rduit au problme
doptimisation une seule variable de dcision suivant :
( ) ( ) ( ) ( ) ( ) ( )

+
=
=
0
2
, min

min
k
h k x g k y J

(3.39)
o ( ) h est une fonction vectorielle donne comme suit :
56

( )
( )
( )
( )
( )
( )
( )
(
(
(
(

+
+
+
=
(
(
(
(

=
=
=
=
00010 . 1 102 cos
00005 . 1 101 cos
00000 . 1 100 cos
3 3
2 2
1 1

h
h
h
h (3.40)
Le problme doptimisation rsoudre est le suivant :
( ) ( ) ( ) ( ) ( ) ( ) (
( ) ( ))
2
11
0
1 00010 . 1 102 cos
1 00005 . 1 101 cos 1 1 100 cos 2 min
+ +
+ + + + +

=
k u
k u k y k y k y
k

(3.41)
La solution de problme a t ralise en utilisant la mthode des valuations simultanes.
Dans cette mthode, on fixe, priori, le nombre de points quidistants auxquels on valuera la
valeur du critre (3.41) (points supports de lvaluation). Lapplication de la mthode conduit
loptimum global 4501 , 3
*
= . En remplaant
*
dans les relations (3.40), on obtient les
paramtres du modle suivants :
4929. 0, 7339; 0, ; 9055 0
* *
3
* *
2
* *
1
+ = = = = = = c b , a
La valeur du critre est :
( )
7 *
10 4547 , 4

= J .
Cet exemple montre que la mthode dAlienor permet didentifier de manire prcise les
paramtres du systme, puisque les valeurs estimes sont trs proches des valeurs relles.
Pour lidentification en utilisant la mthode dessaim de particules pour la rsolution du
problme doptimisation (3.36) exprim en fonctions des paramtres du modle comme suit :
( ) ( ) ( ) ( ) ( ) ( )

=
+ + + +
11
0
2
1 1 1 2 min
k
k u c k u k y b k y a k y

(3.42)
Par consquent, une particule (position) est donne comme suit :
( )
( )
( )
( )
(
(
(
(

=
k c
k b
k a
k
j
j
j
j
(3.43)
La population considre est de taille 5 =
p
n dont les particules (positions) initiales sont :
( ) ( ) ( ) ( ) ( )
(
(
(
(

=
(
(
(
(

=
(
(
(
(

=
(
(
(
(

=
(
(
(
(

=
80 , 1
0 , 0
50 , 1
0 ,
6 , 0
3 , 0
25 , 1
0 ,
3 , 0
6 , 0
0 , 1
0 ,
1 , 0
0 , 1
5 , 0
0 ,
0 , 0
5 , 1
2 , 0
0
5 4 3 2 1

avec des vitesses initiales nulles
57

( ) 5 , , 1 ,
0
0
0
0 K =
(
(
(
(

= j v
j

Le critre darrt utilis est le nombre ditration maximum effectuer fix dans notre
application 500 itrations. Notons que laugmentation du nombre ditration namliore pas
les rsultats. La solution obtenue est :
33. 0, 61; 0, ; 0,979
* *
3
* *
2
* *
1
+ = = = = = = c b a
La valeur du critre est :
( )
5 *
10 9.0878

= J
En comparant les rsultats de la mthode dessaim de particules ceux obtenus avec la
mthode dAlienor, on constate que la mthode dAlienor donne un rsultat meilleur par
rapport la mthode dessaim de particules. Ceci est vident, puisque la mthode dAlienor
est une mthode exacte, alors que la mthode dessaim de particules est une mthode
heuristique dont la convergence est garantie que de manire asymptotique. Cest pour cette
raison quune mthode heuristique doit tre toujours paule par une mthode exacte pour
atteindre loptimum global avec une trs grande prcision.
Sur le plan temps de calcul, qui constitue un critre de comparaison important, on constate
que la mthode dAlienor est plus performante que la mthode dessaim de particules. En
effet les rsultats obtenus, en utilisant une machine de frquences de 1.83 GHz, montre que la
mthode dAlienor mis un temps de 7.120454 s pour converger vers la solution, par contre la
mthode dessaim de particules mis un temps de 148.63 s pour atteindre de manire
asymptotique la solution.

3.5 Conclusion
Dans ce chapitre, nous avons prsent deux mthodes doptimisation globale, une exacte
et lautre heuristique. La mthode exacte est la mthode dAlienor dont le principe consiste
utiliser une transformation rductrice pour ramener le problme doptimisation initiale
plusieurs variables un problme doptimisation une seule variable dont la rsolution est
simple, et lobtention de loptimum global avec une trs grande prcision est assure. La
mthode heuristique est la mthode dessaim de particules fonde sur la notion de coopration
entre particules qui peuvent tre vues comme des tres vivants aux capacits intellectuelles
assez limites (peu de mmoire et de facults de raisonnement). Nanmoins, par change
dinformations entre eux fait que, globalement, ils arrivent rsoudre des problmes
58

difficiles. Ce comportement a t formalis sous forme dun algorithme exploit pour la
rsolution des problmes doptimisation non linaires difficiles. Cet algorithme est trs simple
comprendre, programmer et utiliser, et se rvle trs efficace.
Pour montrer lefficacit de ces deux mthodes doptimisation globale, une application
lidentification des paramtres dun modle mathmatique a t prsente. Lobjectif est
destimer de manire globale les paramtres dun modle dun systme non linaires partir
des mesures ralises. Lapplication a permis de mettre en vidence les proprits de chaque
mthode. Ainsi, les rsultats obtenus, montre la convergence exacte de la mthode dAlienor,
et la convergence asymptotique de la mthode dessaim de particules. Mais les deux mthodes
savrent trs intressantes pour localiser loptimum global dune fonction objectif non
linaire.
Aprs avoir prsenter et dmontrer lefficacit des deux mthodes doptimisation globale,
nous allons exprimenter ces deux mthodes pour la rsolution du problme doptimisation
dans une stratgie de commande prdictive dun systme non linaire. Cette tude fera lobjet
du chapitre suivant.
59




Chapitre 4


Commande Prdictive Non linaire
Base sur lOptimisation Globale



4.1 Introduction
La commande prdictive ne dsigne pas une stratgie de commande spcifique mais
constitue un ensemble dalgorithmes de commande qui utilisent le modle du systme (pour la
prdiction) dans un problme doptimisation qui consiste minimiser un critre de
performance (Huang et Kadali, 2008). La rsolution du problme doptimisation ainsi formul
permet de calculer une squence de valeurs pour la variable manipule sur un horizon appel
horizon de commande o seule la premire commande sera applique au systme (Cannon,
2004 ; Findeisen et al., 2007).
Pour la commande des systmes linaires, la solution globale est obtenue facilement
puisque le problme revient rsoudre un problme de programmation quadratique comme
60

dans le cas de la mthode DMC (Dynamic Matrix Control) (Flaus, 1994 ; Huang et Kadali,
2008). Par contre pour les systmes non linaires le problme doptimisation est gnralement
non linaire cause de la prdiction (modle) (Henson, 1998 ; Long et al., 2006). Par
consquent, loptimum globale est trs difficile obtenir (Kouvaritakis et Cannon, 2001;
Cannon, 2004 ; Findeisen et al., 2007 ; Magni et al., 2009). Comme la rsolution du problme
doptimisation doit tre ralise pendant une dure gale une priode dchantillonnage,
alors la commande prdictive des systmes non linaires ncessite des algorithmes
doptimisation globale qui doivent tre convergeant et rapides (Cannon, 2004 ; Magni et al.,
2009).
Bien que la thorie doptimisation globale offre une panoplie dalgorithmes (Cannon,
2004 ; Findeisen et al., 2007 ; Huang et Kadali, 2008), leur utilisation dans une stratgie de
commande prdictive est conditionne par le temps de convergence qui ne doit pas dpass
une priode dchantillonnage (Cannon, 2004 ; Magni et al., 2009). Par consquent, leur
application des systmes rapides et des systmes fortement non linaires est limite
(Henson, 1998 ; Cannon, 2004).
Les diffrentes contributions dans le cadre de la commande prdictive non linaire se sont
focalises sur le type du modle utilis pour la prdiction et le dveloppement dalgorithmes
doptimisation globale rapides.
Dans ce chapitre, les deux mthodes doptimisation globale, en loccurrence la mthode
dAlienor et la mthode dessaim de particules seront utilises pour la commande prdictive,
du systme non linaire identifi dans le chapitre prcdent en considrant des contraintes
botes pour la variable de commande. Avant de rentrer dans le vif du sujet, on commence
dabord par la prsentation dun tat de lart de la commande prdictive non linaire.


4.2 Etat de lart de la commande prdictive non linaire
Dans une commande prdictive, ltape la plus importante est la rsolution du problme
doptimisation qui consiste minimiser un critre de performances. Le vecteur de variables de
dcision reprsente la squence de la commande dtermine pour un horizon de commande.
Nanmoins, seule la premire commande sera applique au systme. Par consquent chaque
instant dchantillonnage, la squence de commande optimale doit tre calcule ce qui
ncessite lutilisation des algorithmes doptimisation trs rapides (Cannon, 2004 ; Magni et
al., 2009).

61

Dans toutes les contributions concernant la commande prdictive non linaire, le principe
de commande reste le mme, cest--dire un algorithme de commande prdictive est compos
de trois tapes essentielles raliser, chaque priode dchantillonnage, qui sont : la
prdiction (utilisation dun modle mathmatique), loptimisation (utilisation dune mthode
doptimisation) et application de la commande. Les diffrentes approches proposes dans la
littrature peuvent tre scindes en deux groupes, selon le type du modle utilis pour la
prdiction (Findeisen et al., 2007), et selon la mthode doptimisation adopte pour localiser
la squence de commande optimale (Cannon, 2004).
La slection dun modle souhaitable pour la prdiction des sorties futures joue un rle non
ngligeable dans une stratgie commande prdictive non linaire. Les modles utiliss sont,
gnralement, du type entre-sortie et du type dtat. Parmi les modles entre-sortie, on
retrouve le modle NARMAX donne sous forme dquation aux diffrences (Nelles, 2001),
le modle de Volterra, le modle neuronal (rseau de neurones), le modle flou obtenu par
linarisation autour de plusieurs points de fonctionnement (Tatjewski, 2007). Le choix du
modle est li directement au temps de calcul, puisque une prdiction des sorties avec
prcision impose lutilisation dun modle prcis donc complexe, ce qui complique les calculs
des prdictions. Par consquent, un compromis doit tre fait entre prcision et complexit de
calculs. Le modle entres-sorties reprsente une variante trs intressante pour le problme
de prdiction. Ces modles donnent une prdiction de qualit acceptable, et lestimation de
leurs paramtres peut tre ralise en ligne.
Une fois le modle slectionn, la russite dune commande prdictive est directement lie
lalgorithme doptimisation utilis. Les exigences imposent que lalgorithme doptimisation
doit tre convergeant, dfaut vers un minimum local, pour assurer la stabilit en boucle
ferme (Mayne et al., 2000), et en tenant de la contrainte du temps, cet algorithme doit tre
rapide, cest--dire la squence de commande optimale doit tre calcule et disponible en un
temps infrieur la priode dchantillonnage. Magni et al. (2009) prsente une synthse sur
les diffrentes approches doptimisation utilises dans le cadre de la commande prdictive
non linaire et les diffrentes applications.
Parmi les mthodes doptimisation utilises on retrouve les mthodes directes dont le
principe consiste approcher le problme doptimisation non linaire par une squence de
problmes doptimisation quadratique (Berthiau et Siarry, 2001). Chaque problme
doptimisation convexe peut tre rsolu par la suite par une mthode numrique (mthode de
Powell, mthode de Newton et ses variantes, et mthode du point intrieur). Quoique la
solution puisse tre facilement obtenue, linconvnient est li au temps de calcul ncessaire
62

pour localiser la solution optimale. Ainsi, la squence des problmes doptimisation convexe
doit tre rsolu pendant un temps gale une priode dchantillonnage, ce qui nest pas ais
faire surtout pour les systmes caractriss par une dynamique rapide, et en prsence de
contraintes. De plus la convergence loptimum global nest pas aussi garantie. Pour
surmonter ces difficults, au lieu de lapproche squentielle adopte pour la rsolution des
problmes doptimisation convexe, des mthodes faisant partie de lapproche simultane ont
t proposes pour rsoudre ces problmes doptimisation.
Une autre classe de mthodes proposes pour la rsolution dun problme de commande
prdictive non linaire sinspirent de la commande optimale. Ainsi, le problme de commande
prdictive sur un horizon de commande est vu comme un problme de commande optimale
horizon fini (gale lhorizon de commande) quon doit rsoudre en utilisant le principe du
minimum ou la programmation dynamique.
Lexamen de la littrature concernant la commande prdictive non linaire, montre que
lapplication des mthodes exactes doptimisation globale, et les mthodes heuristiques dans
une stratgie de commande prdictive non linaire est un axe au stade de balbutiement. Dans
ce chapitre, on sintresse lutilisation des mthodes dAlienor et dessaim de particules
dans une stratgie de commande prdictive dun systme non linaire.

4.3 Commande prdictive non linaire
La commande prdictive est une commande optimale calcule sur un horizon glissant dont
lobjectif de poursuite est formul par un problme doptimisation non linaire (Henson,
1998 ; Tatjewski, 2007). Ainsi, un critre de performance mesurant lcart entre la consigne
dsire ou la trajectoire de rfrence et la sortie commande du systme, sur un horizon de
prdiction fini, doit tre minimis (Huang et Kadali, 2008). Gnralement, ce critre prend la
forme quadratique, mais comme le systme est non linaire, alors on obtient un problme
doptimisation non linaire (Cannon, 2004). Le principe de la commande prdictive non
linaire est rsum par la Figure 4.1 (Tatjewski, 2007).

63

La commande prdictive fait partie de la famille des commandes base sur le modle (Flaus,
1994 ; Findeisen et al., 2007 ; Huang et Kadali, 2008). Ce dernier est utilis pour la prdiction
du comportement future de la sortie du systme pour anticiper et prendre la bonne dcision
(commande). Pour le cas des systmes non linaires, plusieurs formes de modles peuvent
tre considres : modle entre-sortie (quation aux diffrences), modle de Volterra et
modle rseau de neurone (Kouvaritakis et Cannon, 2001 ; Findeisen et al., 2007).
Dans ce mmoire, on considre le modle entre-sortie donn par lquation gnrale :
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
d u y
n k d k d n k u k u n k y k y k y = , , 1 , , , 1 , , , 1 K K K (4.1)
o y est la sortie du systme, u est la variable de commande, d est la perturbation et est
une fonction non linaire.
Le critre minimiser englobe gnralement deux objectifs : la poursuite et lnergie
minimale (Flaus, 1994 ; Cannon, 2004 ; Huang et Kadali, 2008).
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ] ( ) [ ]
4 4 4 4 4 3 4 4 4 4 4 2 1 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 2 1
minimale Energie
1
0
Poursuite
0
/ / j k u R j k u k j k y j k y Q k j k y j k y U J
j
T
N
j
d
j
T
N
j
d
u p
+ + + + + + + =


= =

(4.2)
p
N et
u
N reprsentent respectivement les horizons de prdiction et de commande.
d
y
reprsente la consigne ou la trajectoire dsire et y reprsente la sortie prdite par le modle
(4.1). Q et R sont des matrices de pondration qui peuvent tre constantes ou variables. j k +
reprsente les instants de prdictions et k est linstant actuel. ( ) k j k y / + reprsente la sortie
prdite linstant dchantillonnage k pour le future instant j k + . U reprsente le vecteur
regroupant la squence des commandes appliquer aux instants dchantillonnage dont le
nombre est gale
u
N , i.e. :
Systme
1
z
1
1
1

z

Prdiction et
optimisation
non-linaire
( ) k y ( ) k u
( ) 1 k u
( ) k u
( ) k y
d

Contrleur prdictif non linaire
( ) k d
Figure 4.1. Structure gnrale de la commande prdictive non linaire.
64

( ) ( ) ( ) [ ] 1 , , 1 , + + =
u
N k u k u k u U K (4.3)
Notons que seule la commande ( ) k u sera applique au systme linstant k. Pour
dterminer cette dernire, on doit rsoudre, en un temps gal la priode dchantillonnage, le
problme doptimisation non linaire suivant (Cannon, 2004) :
( ) ( ) ( ) [ ] ( ) ( ) [ ]
( ) [ ] ( ) [ ]
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) M k u
n k d k d n k u k u n k y k y k y
j k u R j k u
k j k y j k y Q k j k y j k y U J
d u y
j
T
N
j
d
j
T
N
j
d
U
u
p

+ =
+ + +
+ + + + =

=
=

1 , , 1 , , , 1 , , , 1 : sujet

/ / min
1
0
0
K K K
(4.4)
La solution recherche revient localiser loptimum global pour le critre ( ) U J en un
temps gal la priode dchantillonnage. Comme le problme doptimisation (4.4) est
gnralement fortement non linaire, localiser loptimum global en un temps faible est
gnralement trs difficile voire impossible pour certains systmes dynamiques (Kouvaritakis
and Cannon, 2001 ; Cannon, 2004 ; Findeisen et al., 2007 ; Tatjewski, 2007 ; Magni et al.,
2009). Plusieurs algorithmes doptimisation ont t adopts dans la littrature (Martinsen et
al., 2002 ;Cannon, 2004). Une synthse des diffrentes algorithmes utiliss pour la commande
prdictive des systmes non linaires est prsente dans (Cannon, 2004 ; Findeisen et al.,
2007 ; Magni et al., 2009). Notons quil est difficile de recommander de manire gnrale un
algorithme car chaque algorithme prsente ces propres limites et ses conditions dapplicabilit
sont difficiles prciser (Findeisen et al., 2007).
Dans ce qui suit, les deux mthodes doptimisation globale prsentes dans le chapitre
prcdent seront adoptes pour la commande prdictive du systme non linaire, identifi
dans le mme chapitre, cest--dire pour la rsolution du problme doptimisation non linaire
(4.4) dont le nombre de variables de dcision est gal lhorizon de commande. Lobjectif est
dassurer la poursuite de consigne en respectant une contrainte bote sur la commande.

4.3.1 Commande prdictive base sur la mthode dAlienor
La mthode Alienor est adopte dans la stratgie de commande prdictive pour la
rsolution du problme doptimisation non linaire (4.4). Le vecteur de variables de dcision
reprsente les valeurs de la commande des instants dchantillonnage allant de k jusqu
65

1 +
u
N k avec
p u
N N < . Pour
p u
N k N k + + , ,K , on maintient la commande constante une
valeur gale ( ) 1 +
u
N k u (Tatjewski, 2007).
Dans ce cas, le vecteur de variables de dcision U, donn par la relation (4.3), est de
dimension
u
N avec ( ) ( ) ( )
p u u
N k u N k u N k u + = = + = + K 1 . La rsolution du problme
doptimisation (4.4) nest pas facile obtenir et bute, gnralement, aux deux problmes
suivants (Martinsen et al., 2002 ; Cannon, 2004) : la convergence est lente lorsque lhorizon
de commande est grand, et la plupart des algorithmes doptimisation, gnralement
numriques, peuvent tre pigs dans un minimum relatif au lieu dun minimum global ce qui
nassure pas de bonnes performances. Les algorithmes doptimisation globale nchappent pas
la complexit des calculs (Cannon, 2004 ; Findeisen et al., 2007). Afin dviter ces
problmes, la mthode doptimisation globale dAlienor est adopte pour la rsolution du
problme doptimisation (4.4). Cette mthode permet de rduire davantage les calculs puisque
le problme se voit simplifi en le ramenant un problme doptimisation une seule variable
(Cherruault et Mora, 2005). Ainsi, il est facile dtablir, qu partir du modle, que les
prdictions des sorties ( ) k j k y / + seront fonction des variables de commande
( ) ( )
u
N k k u + , ,K . Par consquent, le critre de performance (4.2) prend la forme suivante :
( ) ( ) ( ) ( ) 1 , ,

+ =
u
N k u k u F U J K (4.5)
et le problme revient rechercher, chaque instant dchantillonnage k, la solution du
problme doptimisation quivalent suivant :
( ) ( )
( ) ( ) ( ) ( ) 1 , ,

min
, ,
+ =
+
u
N k u k u
N k u k u F U J
u
K
K
(4.6)
Cest justement pour simplifier la rsolution quon propose dutiliser la mthode dAlienor.
Dans cette optique, chaque variable de dcision ( ) i u pour 1 , , + =
u
N k k i K sera dfinie par
une transformation rductrice
( ) ( )
1 +
=
k i
h i u (4.7)
et le problme doptimisation (4.6) prend la forme suivante
( ) ( ) ( ) ( )

u
N
h h F G , , min
1
K = (4.8)
ce dernier est une seule variable de dcision, en loccurrence , dont lobtention de
loptimum global
*
, chaque instant dchantillonnage k, est trs simple raliser. Daprs
la relation (4.7), la commande appliquer chaque instant dchantillonnage k est donne
comme suit :
( ) ( )
*
1
h k u = (4.9)
66

On remarque bien que la mthode dAlienor facilite limplmentation de la commande
prdictive pour un systme non linaire. Lapproche propose sera illustre pour la commande
du systme non linaire, identifi dans le chapitre prcdent, suivant :
( ) ( ) ( ) ( ) ( ) 1 5 . 0 1 2 7 . 0 1 9 . 0 + = k u k u k y k y k y (4.10)
Lobjectif est de concevoir un correcteur prdictif pour assurer une poursuite de consigne
d
y , suppose constante, ce qui revient minimiser le critre suivant ( 1 = Q et 0 = R dans le
critre (4.2)) :
( ) ( ) ( )

=
+ =
p
N
j
d
k j k y k y J
1
2
/ (4.11)
Ainsi, le problme doptimisation rsoudre chaque instant dchantillonnage k est
formul comme suit :
( ) ( ) ( ) ( )

=
+ =
p
N
j
d
U
k j k y k y U J
1
2
/ min (4.12)
Les prdictions ( ) k j k y / + sont donnes par le modle (4.10) :
( ) ( ) ( ) ( ) ( ) k j k u k j k u k j k y k j k y k j k y / 1 5 . 0 / 1 / 2 7 . 0 / 1 9 . 0 / + + + + + = + (4.13)
En considrant 7 =
p
N et 4 =
u
N , le problme doptimisation scrit alors :
( ) ( ) ( ) ( ) ( ) ( )
2
7
1
/ 1 5 , 0 / 1 / 2 7 , 0 / 1 9 , 0 min

=
+ + + + +
j
d
U
k j k u k j k u k j k y k j k y k y (4.14)
Pour rsoudre le problme doptimisation (4.14) par la mthode dAlienor, on considre la
transformation rductrice (3.17). Ainsi :
( ) ( ) . 4 , , 1 , cos
1 1
K = + =
+ +
i i u
k i k i
(4.15)
En substituant (4.15) dans les prdictions donnes par la relation de rcurrence (4.13) puis
dans le problme doptimisation (4.14), on obtient le problme doptimisation une seule
variable suivant :
( ) ( )

=

7
1
2
min
j
d
y

(4.16)
o est une fonction non linaire une seule variable . Par consquent, la commande
appliquer chaque instant k est dduite de (4.15) comme suit :
( ) ( )
1
*
1
cos + = k u (4.17)
o
*
est loptimum global du problme doptimisation (4.16) calcul chaque instant
dchantillonnage k. La priode dchantillonnage considre est de 20 s.
Les paramtres utiliss pour la transformation rductrice (4.15) sont :
67

( ) ( ) . 4 , , 1 ; 1 0005 , 0 1 , 1 100 , 2 K = + = + = = l l l
l l
(4.18)
Rappelons que le but recherch par la commande est dassurer la poursuite dune consigne
constante 1 =
d
y . Les rsultats de simulation sont donns par la Figure 4.2. On constate que la
sortie (Fig. 4.2a) poursuit convenablement la consigne dsire avec des variations admissibles
pour la commande (Fig. 4.2b).

Maintenant pour le mme problme de commande prcdent, on considre que la variable
de commande ( ) k u est soumise la contrainte suivante :
( ) 25 , 1 k u (4.19)
Dans ce cas, il suffit de jouer sur le rglage des paramtres de la transformation rductrice
(4.15). Ainsi, pour respecter la contrainte (4.19), il faut prendre
. 25 , 1 = (4.20)
Les rsultats de simulation obtenus sont donns par la Figure 4.3. On constate que la sortie
atteint la consigne impose aprs un certain nombre de priodes dchantillonnage (Fig. 4.3a).
Pour la commande, on constate que la contrainte est respecte (Fig. 4.3b) puisque les valeurs
de cette dernire ne dpasse pas la limite 1,25. Lexamen des Figures 4.2b et 4.3b montre
quen absence de contrainte, pour atteindre la consigne dsire 1 =
d
y , la commande gnre
prend des valeurs suprieures 1,25. Par contre en imposant la contrainte sur la commande et
pour atteindre la mme consigne 1 =
d
y , la commande gnre reste dans le domaine
admissible, i.e. ( ) . , 25 , 1 k k u En somme, la mthode dAlienor permet de prendre aisment
les contraintes sur la commande sans transformer le problme doptimisation par introduction
des variables dcarts ou lutilisation des conditions de Kuhn-Tucker.

4.3.2 Commande prdictive base sur la mthode dessaim de particules
Pour rsoudre le problme doptimisation par la mthode dessaim de particules chaque
itration, nous avons considr les paramtres de rglage de lalgorithme de la commande
prdictive suivants : 7 =
p
N et 4 =
u
N , le problme doptimisation (4.14) scrit alors :
( ) ( ) ( )

=

7
1
2
min
j
d
U
U k y (4.21)
et une particule (position) est donne comme suit :
68

( )
( )
( )
( )(
(
(
(
(

+
+
+
=
3
2
1
k u
k u
k u
k u
U
j
j
j
j
j
(4.22)
La taille de la population considre est 5 =
p
n dont les particules (positions) initiales,
0 = k , sont choisies
( ) ( ) ( ) ( ) ( )
(
(
(
(
(
(

=
(
(
(
(
(
(

=
(
(
(
(
(
(

=
(
(
(
(
(
(

=
(
(
(
(
(
(

=
80 , 1
80 , 1
00 , 0
50 , 1
0 ,
60 , 0
60 , 0
30 , 0
25 , 1
0 ,
3 , 0
3 , 0
6 , 0
0 , 1
0 ,
1 , 0
1 , 0
0 , 1
5 , 0
0 ,
0 , 0
0 , 0
5 , 1
2 , 0
0
5 4 3 2 1
U U U U U
avec des vitesses initiales nulles
( ) 5 , , 1 ,
0
0
0
0
0 K =
(
(
(
(
(
(

= j V
j

A chaque instant dchantillonnage k, les particules initiales (positions) sont prises gales
aux meilleures solutions prcdentes, cest--dire,
( ) ( ) . 5 , , 1 , 20 0 K = = j U U
j j

Et, chaque instant dchantillonnage k, les vitesses initiales sont considres nulles. Comme
critre darrt de lalgorithme dessaim de particules, on utilise un nombre ditrations
maximal gale 20. Une valeur suprieure namliore pas les rsultats.
Le but recherch est dassurer la poursuite de la consigne . 1 =
d
y Pour le cas sans
contrainte sur la variable manipule, les rsultats obtenus sont donns par la Figure 4.4. On
constate que, la sortie atteint la consigne dsire (Fig. 4.4a) mais avec un rgime transitoire
comparativement long par rapport au rsultat obtenu par la mthode dAlienor (Fig. 4.2a).
Ceci peut tre expliqu par le fait que la mthode doptimisation globale dessaim de
particules permet de localiser que de manire asymptotique loptimum globale, ce qui donne
un cart un peu important, mais qui dcrot chaque instant dchantillonnage, pour devenir
nul aprs un certains nombre de priodes dchantillonnage. Aussi, on constate que
lvolution de la variable de commande est physiquement acceptable (Fig. 4.4b).
Maintenant, nous allons imposer une contrainte sur la variable de commande. Comme la
mthode dessaim de particules est caractrise par une convergence asymptotique, par
69

consquent en prsence des contraintes la convergence est trs difficile. Ainsi, pour valuer
les performances de la commande prdictive base sur la mthode dessaim de particules en
prsence de la contrainte, on considre la contrainte suivante :
( ) 5 , 1 k u (4.23)
La population initiale est de taille , 5 =
p
n et les composantes des particules initiales
doivent videment vrifient la contrainte (4.23). Initialement, , 0 = k nous avons choisi
( ) ( ) ( ) ( ) ( )
(
(
(
(
(
(

=
(
(
(
(
(
(

=
(
(
(
(
(
(

=
(
(
(
(
(
(

=
(
(
(
(
(
(

=
40 , 1
50 , 1
00 , 0
50 , 1
0 ,
60 , 0
60 , 0
30 , 0
25 , 1
0 ,
3 , 0
3 , 0
6 , 0
0 , 1
0 ,
1 , 0
1 , 0
0 , 1
5 , 0
0 ,
0 , 0
0 , 0
5 , 1
2 , 0
0
5 4 3 2 1
U U U U U
avec des vitesses nulles. Pour larrt de lalgorithme, on fixe le nombre ditrations maximal
25. De la mme manire, chaque instant dchantillonnage k, les particules initiales
(positions) sont prises gales aux meilleures solutions prcdentes, cest--dire
( ) ( ) . 5 , , 1 , 25 0 K = = j U U
j j

avec des vitesses initiales nulles.
Pour respecter la contrainte impose sur la commande, si lune des composantes de chaque
particule ne respecte pas la contrainte (4.23), alors on propose de garder sa valeur prcdente.
Les rsultats obtenus sont donns par la Figure 4.5. Concernant lvolution de la sortie, on
peut noter le mme constat, comme dans le cas sans contrainte. La sortie atteint sa consigne
impose et la commande reste dans son domaine admissible dfini par la contrainte (4.23).
Le dernier point concerne la comparaison des deux mthodes sur le plan de temps de
calcul. Dans le cas de la commande prdictive, chaque priode dchantillonnage on doit
rsoudre le problme doptimisation pour dterminer la commande appliquer au systme,
alors pour un but de comparaison, on considre le temps de calcul moyen.
Mthode dAlienor Mthode dessaim de particules
Sans contrainte 6.164 s 13.457 s
Avec contrainte 6.925 s 12.775 s
Tableau 4.1 Temps moyen pour le calcul de la commande.


70

4.4 Conclusion
Dans ce chapitre, nous avons adopt les mthodes doptimisation globale dAlienor et
dessaim de particules dans une commande prdictive dun systme non linaire, pour la
rsolution du problme doptimisation. Lobjectif traduit par le critre, minimiser, consiste
assurer la poursuite dune consigne constante. Les deux cas avec et sans contrainte bote sur la
variable de commande ont t tudis.
Sans contrainte, les deux mthodes permettent dassurer la poursuite de consignes avec des
rgimes transitoires acceptables. Nanmoins la mthode dAlienor donne un meilleur rsultat
par rapport la mthode dessaim de particules. Ceci est expliqu par le fait que la
convergence est exacte dans le cas de la mthode dAlienor et asymptotique de la mthode
dessaim de particules. Pour les deux mthodes doptimisation, les commandes gnres
prsentent des fluctuations physiquement acceptables. Dans les deux cas avec et sans
contrainte sur la variable de commande, le rsultat est nettement meilleur dans le cas de la
mthode dAlienor.
Cet exemple a permis de mettre en vidence, une des proprits importantes des mthodes
exactes doptimisation globale savoir la convergence exacte. Pour les mthodes heuristiques
quoiquelles permettent datteindre asymptotiquement loptimum global mais leur rglage
(choix du nombre de particules et de la population initiale) reste une tche stochastique. Par
consquent, leur application des problmes doptimisation en temps rel ncessite
inluctablement de les aider par une mthode doptimisation exacte, mme locale, cest--dire
utiliser des mthodes hybrides, par exemple la mthode dessaim de particules avec la
mthode de Newton. De plus en prsence de la contrainte, le rglage devient trs difficile et la
convergence est assure mais au prix dun effort de calcul important.
En rsum, lexemple tudi montre clairement que la commande prdictive non linaire
base sur loptimisation globale donne de bons rsultats si la convergence exacte est assure.
71




(a) Evolution de la sortie commande ( ) k y .
(b) Evolution de la commande ( ) k u .
Figure 4.2 Mthode dAlienor : cas sans contrainte sur la variable de commande ( ) k u .
72




(a) Evolution de la sortie commande ( ) k y .
(b) Evolution de la commande ( ) k u .
Figure 4.3 Mthode dAlienor : cas avec contrainte sur la variable de commande ( ) k u
( ) ( ) 25 , 1 k u .
73




(a) Evolution de la sortie commande ( ) k y .
(b) Evolution de la commande ( ) k u .
Figure 4.4 Mthode dessaim de particules : cas sans contrainte sur la variable de
commande ( ) k u .
74




(a) Evolution de la sortie commande ( ) k y .
(b) Evolution de la commande ( ) k u .
Figure 4.5 Mthode dessaim de particules : cas avec contrainte sur la variable de
commande ( ) k u .
75




Conclusion Gnrale


Le travail ralis dans ce mmoire sinscrit dans le cadre de la commande base dun
modle. Il porte essentiellement sur la commande prdictive des systmes dynamiques, en
particulier les systmes monovariables non linaires. Lobjectif du travail consiste utiliser
des techniques doptimisation globale dans la commande prdictive dun systme non linaire
monovariable, de montrer leurs apports et de comparer leurs performances. Ainsi, les deux
mthodes tudies sont : la mthode exacte dAlienor, et la mthode heuristique dessaim de
particules.
Aprs avoir introduit le principe et ses diffrents lments dune commande prdictive,
nous avons prsent en dtail un des clbres algorithmes de la commande prdictive qui est
le Dynamic Matrix Control dont les performances ont t values en considrant un systme
de second ordre avec un retard important, tout en tudiant linfluence des paramtres de
rglages de la commande prdictive. Comme ltape de loptimisation joue un rle du premier
plan dans une commande prdictive, nous avons pass en revue les diffrentes notions
doptimisation utiles le long de notre travail, tout en insistant sur loptimisation globale des
fonctions mathmatiques et son importance dans une commande prdictive. Par la suite, deux
mthodes doptimisation globale ont t prsentes de manire dtaille, en loccurrence la
mthode exacte dAlienor et la mthode heuristique dessaim de particules. Pour mettre en
vidence les proprits des deux mthodes, une application lidentification des paramtres
dun systme non linaire a t prsente. Ensuite, nous avons adopt les deux mthodes pour
la commande prdictive dun systme non linaire monovariable dont lobjectif est dassurer
une poursuite de consigne tout en respectant des contraintes sur la variable de commande.
76

Les diffrentes applications ralises ont dmontr lefficacit de la commande prdictive
et son rglage simple. Concernant la commande prdictive des systmes non linaires, nous
avons montr que lutilisation des mthodes doptimisation globale pour la rsolution du
problme doptimisation permet damliorer davantage les performances.
Ainsi, les rsultats didentification et de commande prdictive obtenus dmontrent que la
mthode exacte dAlienor est trs intressante par rapport la mthode heuristique dessaim
de particules. Quoique la convergence est assure pour les deux mthodes, mais elle est
globale dans le cas de la mthode dAlienor alors quelle est asymptotique dans le cas de la
mthode dessaim de particules. Atteindre loptimum global dans le cas de lidentification et
de la commande prdictive garantie une trs bonne estimation des paramtres et une poursuite
parfaite de la consigne.
La mthode dAlienor bnficie dun ensemble de transformations rductrices permettant
davoir une convergence avec une trs grande prcision et le rglage de ces diffrents
paramtres est dict par des thormes. Aussi, les contraintes du type botes sur les variables
de dcision peuvent tre prises en compte directement dans lalgorithme doptimisation sans
faire appel au Lagrangien ou la fonction de pnalisation, ce qui rduit normment les
calculs, par consquent le temps de convergence. Par contre, dans le cas de la mthode
dessaim de particules, outre sa convergence asymptotique, le rglage est souvent fait de
manire alatoire, et le choix de la taille de la population initiale, de ces particules initiales et
leurs vitesses constitue une tche trs difficile surtout en prsence de la contrainte.
En rsum, les rsultats obtenus montre clairement que la mthode doptimisation globale
dAlienor est bien adapte limplmentation de commande prdictive pour un systme non
linaire. Nanmoins, certains points peuvent tre explors dans le cadre de la commande
prdictive non linaire tel que :
La comparaison entre plusieurs transformations rductrices dans le cas dune
commande prdictive,
Lapplication des mthodes hybrides, par exemple hybrider la mthode dessaim de
particules avec la mthode de Quasi-Newton,
Lapplication de la commande prdictive base de la mthode dAlienor base sur
un modle dtat et dtendre ltude des systmes multivariables.
Prise en compte du rejet de perturbations.

77




Rfrences


Banks, A. , Vincent, J. and Anyakoha, C. (2007). A Review of Particle Swarm Optimization.
Part I: Background and Development. Nat Comput, Vol. 6, pp. 467484.
Banks, A. , Vincent, J. and Anyakoha, C. (2008). A Review of Particle Swarm Optimization.
Part II: Hybridisation, Combinatorial, Multicriteria and Constrained Optimization, and
Indicative Application. Nat Comput, Vol. 7, pp. 109124.
Bendiab, O. and Cherruault, Y. (1995). A new method for global optimization in two
dimensions. International Journal of Bio-Medical Computing, vol. 38, pp. 7173.
Berthiau, G. et Siarry, P. (2001). Etat de lArt des Mthodes dOptimisation Globale. RAIRO
Operations Research, Vol. 35, pages 329365.
Bemporad, A., Morari, M., Dua, V. et Pistikopoulos, E. N. (2002). The explicit linear
quadratic regulator for constrained systems. Automatica, Vol. 38, pp. 320.
Camacho, E. F. et Bordons, C. (1998). Model Predictive Control in the Process Industry.
Springer, London.
Cannon, M. (2004). Efcient Nonlinear Model Predictive Control Algorithms. Annual
Reviews in Control, vol. 28, pp. 229237.
Cherruault, Y. (1991). New Deterministic Methods for Global Optimization and Applications
to Biomedicine. Int. J. of Bio-Medical Computing, Vol. 27, pp. 215229.
Cherruault, Y. and Mora, G. (2005). Optimisation Globale : Thorie des Courbes-Denses.
Economica.
Clarke, D. W., Mohtadi, C. et Tuffs, P. S. (1987). Generalized Predictive Control. Part I. The
Basic Algorithm, Automatica, Vol. 23, pp. 137148.
78

Clarke, D. W. et Mohtadi, C. (1989). Properties of Generalized Predictive Control.
Automatica, Vol. 25, pp. 859875.
Clerc, M. and Kennedy, J. (2002). The Particle Swarm: Explosion, Stability, and Convergence
in a multidimensional complex space. IEEE Trans. Evolutionary Computation, Vol. 6,
No. 1, pp. 5873.
Cutler, C.R. and Ramaker, B.L. (1979). Dynamic Matrix Control. A Computer Control
Algorithm. AIChE 86
th
National Meeting, USA.
De Keyser, R. M. C. et Van Cauwenberghe, A. (1979). A self-tuning multistep predictor
application. Automatica, Vol. 15, pp. 167174.
De Keyser, R. M. C. (1988). A Gentle Introduction to Model Based Predictive Control.
Proceedings of the International Conference on Control Engineering and Signal
Processing, Peru.
Dochain, D. (2003). State and Parameter Estimation in Chemical and Biochemical Processes :
A Tutorial. Journal of Process Control, Vol. 13, pp. 801818.
Eberhart, R. C., Shi, Y., and Kennedy, J. (2001). Swarm Intelligence. The Morgan Kaufmann
Series in Articial Intelligence. Morgan Kaufmann, San Francisco, CA, USA.
Faber, R., Li, P. and Wozny, G. (2007). An Optimization Framework for Parameter
Estimation of Large-scale Systems. Chemical Engineering and Processing, Vol. 46,
pp. 10851095.
Fakhfakh, M. (2009). A Novel Alienor-based Heuristic for the Optimal Design of Analog
Circuits. Microelectronics Journal, Vol. 40, pp. 141148.
Findeisen, R., Allgwer, F. and Biegler, L. T. (2007). Assessment and Future Directions of
Nonlinear Model Predictive Control. Lecture Notes in Control and Information
Sciences, Vol. 358, Springer.
Flaus, J.-M. (1994). La Rgulation Industrielle : Rgulateurs PID, Prdictifs et Flous. Herms.
Gevers, M. (1996). Identication for Control. Annual Reviews in Control, Vol. 20, pp. 95
106.
Hammouche, K., Diaf, M. and Siarry, P. (2010). A Comparative Study of Various
Metaheuristic Techniques Applied to the Multilevel Thresholding Problem.
Engineering Applications of Articial Intelligence, Vol. 23, pp. 676688.
Henson, M. A. (1998). Nonlinear Model Predictive Control : Current Status and Future
Directions. Computers and Chemical Engineering, Vol. 23, pp. 187202.
Heppner, F. and Grenander, U. (1990). A Stochastic Nonlinear Model for Coordinated Bird
Flocks. AAAS Publication, Washington, DC.
79

Hiriart-Urruty, J.-B. (1996). LOptimisation. Presses Universitaires de France, 1
re
Edition.
Horst, R. et Pardalos, P. M. (1995). Handbook of Global Optimization. Kluwer Academic
Publishers.
Huang, B., and Kadali, R. (2008). Dynamic Modeling, Predictive Control and Performance
Monitoring : a Data-Driven Subspace Approach. Lecture Notes in Control and
Information Sciences, Vol. 374, Springer.
Ikonen, E., Najim, K. (2002). Advanced Process Identification and Control. Marcel Dekker,
New York, USA.
Kouvaritakis, B., and Cannon, M. (2001). Nonlinear Predictive Control : Theory and
Practice. IEE Control Engineering Series, Vol. 61, IET.
Lee, J. K. and Park, S. W. (1991). Model Predictive Control fo Multivariable Unstable
Processes with Constraints on Manipulated Variables. Korean J. of Chem. Eng., Vol. 8,
No. 4, pp. 195-202.
Ljung, L. (1990). System Identication : Theory for the User. Prentice Hall.
Ljung, L. (2004). State of the art in linear system identication : Time and Frequency Domain
methods. American Control Conference (ACC), June 30-July 2, Boston Massachusetts,
USA, pp. 650660.
Ljung, L. (2008). Perspectives on System Identication. 17
th
IFAC World Congress, July 6-
11, Seoul, Korea, pp. 4759.
Long, C. E., Polisetty, P. K. and Gatzke, E. P. (2006). Nonlinear Model Predictive Control
Using Deterministic Global Optimization. Journal of Process Control, Vol. 16, pp.
635643.
Magni, L., Raimondo, D. M., and Allgwer, F. (2009). Nonlinear Model Predictive Control :
Towards New Challenging Applications. Lectures Notes in Control and Information
Sciences, Springer.
Martinsen, F., Biegler, L. T., Foss, B. A. (2002). Application of Optimization Algorithms to
Nonlinear MPC. Proceedings of the15
th
Triennial World Congress, Barcelona, Spain.
Mayne, D. Q., Rawlings, J. B., Rao, C. V. et Scokaert, P. O. M. (2000). Constrained Model
Predictive Control: Stability and Optimality. Automatica, Vol. 36, No. 6, pp. 789-814.
Morari, M. (1994). Model predictive control: Multivariable control technique of choice in the
1990s?. Livre : Advances in Model-Based Predictive Control. Oxford University Press.
Nelles, O. (2001). Nonlinear System Identication : From Classical Approaches to Neural
Networks and Fuzzy Models. Springer.
80

Nyarko, E. K., Scitovski, R. (2004). Solving the Parameter Identification Problem of
Mathematical Models Using Genetic Algorithms. Applied Mathematics and
Computation, Vol. 153, pp. 651658.
Ogunfunmi, T. (2007). Adaptive Nonlinear System Identication : the Volterra and Wiener
Model Approaches. Springer.
Patelli, A., Ferariu, L. (2009). Nonlinear System Identification by Means of Genetic
Programming. Proceedins of the European Control Conference, Budapest, Hungary,
August 2326, pp. 502507.
Poli, R., Kennedy, J., and Blackwell, T. (2007). Particle swarm optimization. Swarm
Intelligence, Vol. 1, No. 1, pp. 3357.
Ramrez, D. R. et Camacho, E. F. (2001). On the Piecewise Linear Nature of Min-Max Model
Predictive Control with Bounded Uncertainties. Proceedings of the 40
th
Conference
on Decision and Control, Florida USA.
Raol, J., Girija, G. and Singh, J. (2004). Modelling and Parameter Estimation of Dynamic
Systems. IEEE Control Engineering Series, Vol. 65.
Reynolds, W. C. (1987). Flocks, Herds, and Schools : A distributed Behavioral Model.
Computer Graphics, Vol. 21, No. 4, pp. 2534.
Richalet, J., Rault, A., Testud, J. L. et Papon, J. (1976). Algorithmic Control of Industrial
Processes. Proceedings of the 4
th
IFAC Symposium on Identification and System
Parameter Estimation, Tbilisi, URSS.
Richalet, J. Lavielle G., et Mallet, J. (2005). La Commande Prdictive. Mise en uvre et
Applications Industrielles. Editions Eyrolles.
Sakthivel, V. P., Bhuvaneswari, R., Subramanian, S. (2010). Multi-objective Parameter
Estimation of Induction Motor Using Particle Swarm Optimization. Engineering
Applications of Articial Intelligence, Vol. 23, pp. 302312.
Schwaab, M., Biscaia, E. C., Monteiro, J. L. and Pinto, J. C. (2008). Nonlinear Parameter
Estimation Through Particle Swarm Optimization. Chemical Engineering Science, Vol.
63, pp. 15421552.
Sderstrm, T. and Stoica, P. (1989). System Identication. Prentice Hall.
Soroush, M. (1998). State and Parameter Estimation and their Applications in Process
Control. Computers and Chemical Engineering, vol. 23, pp. 229245.
Tatjewski, P. (2007). Advanced Control of Industrial Processes : Structures and Algorithms.
Springer.
81

Ydstie, B. E. (1984). Extended Horizon Adaptive Control. Proceedings of the 9
th
IFAC
World Congress, Budapest, Hungary.
Unbehauen, H. and Rae, G. P. (1998). A Review of Identication in Continuous Time
Systems. Annual Reviews in Control, vol. 22, pp. 145171.
Ursema, R. K., Vadstrup, P. (2004). Parameter Identification of Induction Motors Using
Stochastic Optimization Algorithms. Applied Soft Computing, Vol. 4, pp. 4964.
Van Den Bergh, F. (2002). An Analysis of Particle Swarm Optimizers. PhD thesis,
Department of Computer Science, University of Pretoria.
Ziadi, A., Cherruault, Y. and Mora, G. (2001). Global Optimization : A New Variant of the
Alienor Method. J. Comput. Math. Appl., Vol. 41, pp. 6371.
Rsum
Dans ce mmoire, on sintresse tudier lapport des mthodes doptimisation
globale dans une stratgie de commande prdictive dun systme non linaire. Lobjectif du
travail ;consiste appliquer les mthodes doptimisation globale dAlienor et dessaim de
particules pour la rsolution du problme doptimisation non linaire dune commande
prdictive non linaire, puis de comparer leurs performances. Ltude se limite au systme
non linaire caractris par une dynamique lente, et la poursuite de consigne en prsence des
contraintes, de type botes, sur la variable de commande. Les deux mthodes sont
implmentes en simulation pour la commande prdictive dun systme non linaire dont la
prdiction est ralise par un modle du type entre-sortie. Les deux cas avec et sans
contrainte sur la variable de commande sont tudis.

Mot cls :
Commande prdictive, systme non linaire, optimisation globale, mthode Alienor,
mthode dessaim de particules.