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 graphische Lösung 5.25. 3 Das Programmsystem MATLAB zeigt, dass diese Lösung 160 Control 1 vs time 0.9 State 1 vs time 140 0.8 120 0.7 control 1 100 80 state 1 0.6 0.5 60 0.4 40 0.3 20 0 5 10 15 20 t 0.2 0 5 10 15 20 t Abbildung 5.25.: Eindimensionales Modell mit quadratisch auftretender Steuerung. Optimale stückweise konstante Steuerung (links) und die Populationsentwicklung (rechts) das Integral-Maximumprinzip für die stückweise konstanten Steuerungen erfüllt. Die notwendige Bedingung = ∫ t k+1 t k H u1 (x ∗ 1(t), u ∗ 1(t k ), λ 1 (t), t)dt ∫t k+1 ( ) p 1 x ∗ 1(t)e −δt − 2c · u ∗ 1(t k )e −δt − λ 1 (t)s 1 x ∗ 1(t) dt = 0. t k gilt auf jedem Intervall [t k , t k+1 ), k = 0, . . . , n − 1. So erhalten wir z.B. auf dem Intervall [0; 1) mit den Konstanten δ = 0.06; p 1 = 0.42375; ε 1 = 0.4; s 1 = 0.000375; K 1 = 1; c = 0.00125, der konstanten Steuerung u ∗ 1(0) = 38.519 und der aus dazugehöriger Prozessgleichung entstandenen Zustandsfunktion 3 siehe [10] x ∗ 1(t) = = ( K 1 − s ) 1K 1 u ∗ 1(0) x 10 e (ε 1−s 1 u ∗ 1 (0))t ε 1 ( K 1 − s ) 1K 1 u ∗ 1(0) ε 1 + x 10 (e (ε 1−s 1 u ∗ 1 (0))t − 1) ( K 1 − s ) 1u ∗ 1(0) x 10 ε 1 ( K 1 − s 1K 1 u ∗ 1(0) ε 1 − x 10 ) e (s 1K 1 u ∗ 1 (0)−ε 1)t + x 10 , t ∈ [0, 1), 108
5.5. Ökologische Modelle mit nichtlinear auftretender Steuerung mit x 1 (0) = x 10 = 0.25 und numerisch berechneten Adjungierten, dass die Gleichung ∫ 1 0 ( ) p 1 x ∗ 1(t)e −δt − 2c · u ∗ 1(0)e −δt − λ 1 (t)s 1 x ∗ 1(t) dt = 0 erfüllt wird (Programme C.4 im Anhang). Analog zeigt man diese Eigenschaft für weitere Konstantheitsintervalle. Wenn man an dieser Stelle die im Kapitel 4.5.3 gewonnenen notwendigen Pantelejew-Bedingungen ausnutzen würde, müsste man viel aufwändigere Berechnungen durchführen. Wir sehen dies bei folgenden Überlegungen an dem Modell mit einem exponentiellem Wachstum und ohne Diskontierung: 1.5 · 250 ẋ 1 (t) = 0.1x 1 (t) − · u 10 6 1 (t k )x 1 (t), k = 0, 1, . . . , n − 1; x 1 (0) = x 10 = 0.25, J(⃗v) = u 1 (·) stückweise konstant: u 1 (t) = (u 1 (t 0 ), u 1 (t 1 ), . . . , u 1 (t n−1 )) = (v 0 , v 1 , . . . , v n−1 ) = ⃗v, 0 ≤ v i ≤ 900, i = 0, . . . , n − 1, 0 ≤ t ≤ 20, ∑n−1 k=0 ∫t k+1 t k { 1130 · 1.5 · 250 10 6 · v k (t)x 1 (t) − 5 · 250 10 6 · v 2 k (t) } dt → max, ⃗v t n = T = 20, (5.16) Werden zwei Steuerintervalle genommen, liefert das OC-ODE-Programm folgendes Ergebnis: u 1 ∗ (0) = 6.16; u 1 ∗ (10) = 115.44 mit dem Wert des Zielfunktionals 279.328 Mio. Euro. Nun verwenden wir die Bedingungen aus 4.5.3. Es muss für die optimalen u ∗ 1(·), x ∗ 1(·) mit u ∗ 1(t) = u ∗ 1(t k ), x ∗ 1(t) = x(t, u ∗ 1(t k )), jeweils für t ∈ [t k , t k+1 ) und k = 0, 1 gelten: wobei S 1 (t, v) die Lösung von { u ∗ 1(t k ) = arg max S1 (t k , u 1 ) + λ 1 (t k , u 1 ) · x 1 (t k ) } , u 1 ∈Ω − ∂S 1(t, v) ∂t = H(x ∗ 1(t, v), v, λ 1 (t, v), t) − ∂H(x∗ 1(t, v), v, λ 1 (t, v), t) ∂x 1 x ∗ 1(t, v) (5.17) und λ 1 (t, v) die Lösung von ˙λ 1 (t, v) = − ∂ ∂x 1 H(x ∗ 1(t, v), v, λ 1 (t, v), t), ∀(t, v) ∈ [t k , t k+1 ) × Ω, (5.18) 109
- 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 104 und 105: 5. Numerische Methoden für verschi
- Seite 106 und 107: 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
- Seite 155: Versicherung Hiermit erkläre ich,
5. Numerische Methoden für verschiedene Aufgaben der Optimalsteuerung<br />
graphische Lösung 5.25. 3 Das Programmsystem MATLAB zeigt, dass diese Lösung<br />
160<br />
Control 1 vs time<br />
0.9<br />
State 1 vs time<br />
140<br />
0.8<br />
120<br />
0.7<br />
control 1<br />
100<br />
80<br />
state 1<br />
0.6<br />
0.5<br />
60<br />
0.4<br />
40<br />
0.3<br />
20<br />
0 5 10 15 20<br />
t<br />
0.2<br />
0 5 10 15 20<br />
t<br />
Abbildung 5.25.: Eindimensionales Modell mit quadratisch auftretender Steuerung. Optimale<br />
stückweise konstante Steuerung (links) und die Populationsentwicklung (rechts)<br />
das Integral-Maximumprinzip für die stückweise konstanten Steuerungen erfüllt. Die<br />
notwendige Bedingung<br />
=<br />
∫<br />
t k+1<br />
t k<br />
H u1 (x ∗ 1(t), u ∗ 1(t k ), λ 1 (t), t)dt<br />
∫t k+1<br />
(<br />
)<br />
p 1 x ∗ 1(t)e −δt − 2c · u ∗ 1(t k )e −δt − λ 1 (t)s 1 x ∗ 1(t) dt = 0.<br />
t k<br />
gilt auf jedem Intervall [t k , t k+1 ), k = 0, . . . , n − 1.<br />
So erhalten wir z.B. auf dem Intervall [0; 1) mit den Konstanten δ = 0.06; p 1 =<br />
0.42375; ε 1 = 0.4; s 1 = 0.000375; K 1 = 1; c = 0.00125, der konstanten<br />
Steuerung u ∗ 1(0) = 38.519 und der aus dazugehöriger Prozessgleichung entstandenen<br />
Zustandsfunktion<br />
3 siehe [10]<br />
x ∗ 1(t) =<br />
=<br />
(<br />
K 1 − s )<br />
1K 1 u ∗ 1(0)<br />
x 10 e (ε 1−s 1 u ∗ 1 (0))t<br />
ε 1<br />
(<br />
K 1 − s )<br />
1K 1 u ∗ 1(0)<br />
ε 1<br />
+ x 10 (e (ε 1−s 1 u ∗ 1 (0))t − 1)<br />
(<br />
K 1 − s )<br />
1u ∗ 1(0)<br />
x 10<br />
ε 1<br />
(<br />
K 1 − s 1K 1 u ∗ 1(0)<br />
ε 1<br />
− x 10<br />
)<br />
e (s 1K 1 u ∗ 1 (0)−ε 1)t<br />
+ x 10<br />
, t ∈ [0, 1),<br />
108