disser1.pdf (2006 KB) - Ernst-Moritz-Arndt-Universität Greifswald
disser1.pdf (2006 KB) - Ernst-Moritz-Arndt-Universität Greifswald disser1.pdf (2006 KB) - Ernst-Moritz-Arndt-Universität Greifswald
5. Numerische Methoden für verschiedene Aufgaben der Optimalsteuerung 250 State 2 vs time 200 state 2 150 100 50 0 0 5 10 15 20 t Abbildung 5.20.: Eindimensionales Modell mit quadratisch auftretender Steuerung (Gewinn nach 20 Jahren) Nun suchen wir nach optimalen Steuerungen für das dreidimensionale Lotka- Volterra-Modell, bestehend aus Dorsch(x 1 ), Hering(x 2 ) und Sprotte(x 3 ) und „Anzahl der Kutter “ für Fang der einzelnen Spezies u = (u 1 , u 2 , u 3 ) für ein Zeitintervall von 20 Jahren, das folgendermaßen formuliert wird. J (u) = ∫ T 0 { 1130 · u 1 (t) · 1.5 · 250 · x1 (t) +460u 3 (t) · 6.4 · 250 · + 270 · u 10 6 2 (t) · 6.4 · 250 · x 3 (t) 1.3 · 10 − 5 · 250 3∑ · u 2 6 10 6 i (t) J (u) → max u 0 ≤ u 1 (t) + u 2 (t) + u 3 (t) ≤ 1900, 0 ≤ t ≤ 20, 0 ≤ u i (t) ≤ 900, 0 ≤ t ≤ 20, i = 1, 2, 3, mit Nebenbedingungen: i=1 ẋ 1 (t) = 0.4x 1 (t) · (1 − x 1 (t)) − 1.5 · 250 · u 1 (t) · x1(t) 10 6 −0.02 · x1(t)x 2 (t) − 0.02 · x1(t)x 3 (t) , 1.2 1.3 ( ẋ 2 (t) = 0.6x 2 (t) · 1 − x 2(t) 1.2 −0.0125 · x1(t)x 2 (t) ( ẋ 3 (t) = 0.6x 3 (t) · ) − 6.4 · 250 · u 2 (t) · − 0.01 · x2(t)x 3 (t) , 1.2 1.56 ) 1 − x 3(t) − 6.4 · 250 · u 1.3 3 (t) · −0.0125 · x1(t)x 3 (t) − 0.01 · x2(t)x 3 (t) 1.3 1.56 x 2 (t) 1.2·10 6 x 3 (t) 1.3·10 6 x 2 (t) 1.2 · 10 6 } e −0.06t dt (5.12) und Anfangswerten x 1 (0) = 0.25, x 2 (0) = 0.8, x 3 (0) = 1.0 und ohne Endbedingungen. Auf den Abbildungen 5.21,5.22,5.23 erhalten wir den entsprechenden Lösungsverlauf. 104
5.5. Ökologische Modelle mit nichtlinear auftretender Steuerung 140 Control 1 vs time 0.9 State 1 vs time 120 0.8 control 1 100 80 60 state 1 0.7 0.6 0.5 0.4 40 0.3 20 0 5 10 15 20 t 0.2 0 5 10 15 20 t Abbildung 5.21.: Dorsch. Optimale „Anzahl der Kutter“ (links) und die Populationsentwicklung (rechts) in Modellen mit quadratischen Kostenfunktionen 130 Control 2 vs time 0.92 State 2 vs time control 2 125 120 115 110 105 100 95 90 state 2 0.9 0.88 0.86 0.84 0.82 0.8 85 0 5 10 15 20 t 0.78 0 5 10 15 20 t Abbildung 5.22.: Hering. Optimale „Anzahl der Kutter“ (links) und die Populationsentwicklung (rechts) in Modellen mit quadratischen Kostenfunktionen 200 Control 3 vs time 1 State 3 vs time 190 0.98 control 3 180 170 160 150 state 3 0.96 0.94 0.92 0.9 0.88 140 0.86 130 0 5 10 15 20 t 0.84 0 5 10 15 20 t Abbildung 5.23.: Sprotte. Optimale „Anzahl der Kutter“ (links) und die Populationsentwicklung (rechts) in Modellen mit quadratischen Kostenfunktionen 105
- Seite 54 und 55: 4. Grundlagen der Optimalsteuerung
- Seite 56 und 57: 4. Grundlagen der Optimalsteuerung
- Seite 58 und 59: 4. Grundlagen der Optimalsteuerung
- Seite 60 und 61: 4. Grundlagen der Optimalsteuerung
- Seite 62 und 63: 4. Grundlagen der Optimalsteuerung
- Seite 64 und 65: 4. Grundlagen der Optimalsteuerung
- Seite 66 und 67: 4. Grundlagen der Optimalsteuerung
- Seite 68 und 69: 4. Grundlagen der Optimalsteuerung
- Seite 70 und 71: 4. Grundlagen der Optimalsteuerung
- Seite 72 und 73: 4. Grundlagen der Optimalsteuerung
- Seite 74 und 75: 4. Grundlagen der Optimalsteuerung
- Seite 76 und 77: 4. Grundlagen der Optimalsteuerung
- Seite 78 und 79: 4. Grundlagen der Optimalsteuerung
- Seite 80 und 81: 4. Grundlagen der Optimalsteuerung
- Seite 82 und 83: 4. Grundlagen der Optimalsteuerung
- Seite 84 und 85: 5. Numerische Methoden für verschi
- Seite 86 und 87: 5. Numerische Methoden für verschi
- Seite 88 und 89: 5. Numerische Methoden für verschi
- Seite 90 und 91: 5. Numerische Methoden für verschi
- Seite 92 und 93: 5. Numerische Methoden für verschi
- Seite 94 und 95: 5. Numerische Methoden für verschi
- Seite 96 und 97: 5. Numerische Methoden für verschi
- Seite 98 und 99: 5. Numerische Methoden für verschi
- Seite 100 und 101: 5. Numerische Methoden für verschi
- Seite 102 und 103: 5. Numerische Methoden für verschi
- Seite 106 und 107: 5. Numerische Methoden für verschi
- Seite 108 und 109: 5. Numerische Methoden für verschi
- Seite 110 und 111: 5. Numerische Methoden für verschi
- Seite 112 und 113: 5. Numerische Methoden für verschi
- Seite 114 und 115: 5. Numerische Methoden für verschi
- Seite 116 und 117: 6. Zusammenfassung und Ausblick in
- Seite 118 und 119: 6. Zusammenfassung und Ausblick die
- Seite 120 und 121: Literaturverzeichnis [15] M. Herman
- Seite 122 und 123: Literaturverzeichnis [54] http://ww
- Seite 125 und 126: ANHANG A DIRCOL A.1. Programm 1. Ha
- Seite 127 und 128: A.1. Programm 1. Hauptprogramm user
- Seite 129 und 130: A.1. Programm 1. Hauptprogramm user
- Seite 131 und 132: A.2. Programm 2. Programm DATDIM *
- Seite 133 und 134: A.3. Programm 3. Programm DATLIM 0
- Seite 135 und 136: A.3. Programm 3. Programm DATLIM *
- Seite 137 und 138: ANHANG B OC-ODE B.1. Programm 1. Be
- Seite 139 und 140: B.1. Programm 1. Berechnung mit st
- Seite 141 und 142: B.1. Programm 1. Berechnung mit st
- Seite 143 und 144: B.1. Programm 1. Berechnung mit st
- Seite 145 und 146: ANHANG C MATLAB-Programme C.1. Prog
- Seite 147 und 148: C.2. Programm 2. Berechnung der Adj
- Seite 149 und 150: C.4. Programm 4. Das Integral-Maxim
- Seite 151 und 152: C.6. Programm 6. Newton-Methode fü
- Seite 153 und 154: Danksagung An dieser Stelle möchte
5. Numerische Methoden für verschiedene Aufgaben der Optimalsteuerung<br />
250<br />
State 2 vs time<br />
200<br />
state 2<br />
150<br />
100<br />
50<br />
0<br />
0 5 10 15 20<br />
t<br />
Abbildung 5.20.: Eindimensionales Modell mit quadratisch auftretender Steuerung (Gewinn<br />
nach 20 Jahren)<br />
Nun suchen wir nach optimalen Steuerungen für das dreidimensionale Lotka-<br />
Volterra-Modell, bestehend aus Dorsch(x 1 ), Hering(x 2 ) und Sprotte(x 3 ) und „Anzahl<br />
der Kutter “ für Fang der einzelnen Spezies u = (u 1 , u 2 , u 3 ) für ein Zeitintervall von<br />
20 Jahren, das folgendermaßen formuliert wird.<br />
J (u) =<br />
∫ T<br />
0<br />
{<br />
1130 · u 1 (t) · 1.5 · 250 · x1 (t)<br />
+460u 3 (t) · 6.4 · 250 ·<br />
+ 270 · u<br />
10 6 2 (t) · 6.4 · 250 ·<br />
x 3 (t)<br />
1.3 · 10 − 5 · 250 3∑<br />
· u 2 6 10 6 i (t)<br />
J (u) → max<br />
u<br />
0 ≤ u 1 (t) + u 2 (t) + u 3 (t) ≤ 1900, 0 ≤ t ≤ 20,<br />
0 ≤ u i (t) ≤ 900, 0 ≤ t ≤ 20, i = 1, 2, 3,<br />
mit Nebenbedingungen:<br />
i=1<br />
ẋ 1 (t) = 0.4x 1 (t) · (1 − x 1 (t)) − 1.5 · 250 · u 1 (t) · x1(t)<br />
10 6<br />
−0.02 · x1(t)x 2 (t)<br />
− 0.02 · x1(t)x 3 (t)<br />
,<br />
1.2 1.3<br />
(<br />
ẋ 2 (t) = 0.6x 2 (t) ·<br />
1 − x 2(t)<br />
1.2<br />
−0.0125 · x1(t)x 2 (t)<br />
(<br />
ẋ 3 (t) = 0.6x 3 (t) ·<br />
)<br />
− 6.4 · 250 · u 2 (t) ·<br />
− 0.01 · x2(t)x 3 (t)<br />
,<br />
1.2 1.56<br />
)<br />
1 − x 3(t)<br />
− 6.4 · 250 · u<br />
1.3<br />
3 (t) ·<br />
−0.0125 · x1(t)x 3 (t)<br />
− 0.01 · x2(t)x 3 (t)<br />
1.3 1.56<br />
x 2 (t)<br />
1.2·10 6<br />
x 3 (t)<br />
1.3·10 6<br />
x 2 (t)<br />
1.2 · 10 6<br />
}<br />
e −0.06t dt<br />
(5.12)<br />
und Anfangswerten x 1 (0) = 0.25, x 2 (0) = 0.8, x 3 (0) = 1.0 und ohne<br />
Endbedingungen. Auf den Abbildungen 5.21,5.22,5.23 erhalten wir den<br />
entsprechenden Lösungsverlauf.<br />
104