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
4. Grundlagen der Optimalsteuerung berechnet werden kann. Diese Gleichung hat zwei Nullstellen verschiedener Vorzeichen, da der Term − δcK 1 mit gegebenen Annahmen negativ ist. Wir 2p 1 ε 1 interessieren uns aber nur für die positive Lösung, die sich zu √ x sing 1 = K 1 4 + c − K (K1 1δ + 4p 1 4ε 1 4 + c − K ) 2 1δ + δcK 1 4p 1 4ε 1 2p 1 ε 1 ergibt. Zu diesem optimalen Zustand lässt sich unter Verwendung der Prozessgleichung eine optimale Steuerung zu ( ) u ∗ 1(t) = u sing 1 = ε 1 1 − xsing 1 s 1 K 1 = ε 1 s 1 ⎛ ⎝ 3 4 − c 4p 1 K 1 + √ δ − 1 (K1 4ε 1 K 1 4 + c − K 1δ 4p 1 ⎞ ) 2 + δcK 1 ⎠ 4ε 1 2p 1 ε 1 berechnen. Für unsere Modelle wählen wir u max hinreichend groß, so dass die Bedingung u sing 1 < u max gilt (ein eindimensionaler Fall, wo die singuläre Steuerung nicht zulässig ist, wäre trivial: eine optimale Lösung hätte in diesem Falle eine Bangbang-Struktur). Nun zerlegen wir das gesamte Intervall [0; T ] in Teilintervalle [t i ; t i+1 ], so dass auf jedem davon entweder eine Bang-bang-Steuerung oder eine singuläre Steuerung auftritt. Im Allgemeinen gibt es kein Kriterium für das Vorkommen von Bang-bang Steuerungen, es hängt in der Regel von dem Anfangswert x 10 ab. Aus wirtschaftlichen Überlegungen führen wir an dieser Stelle eine zusätliche Bedingung ein. Damit wir einen Gewinn auf dem gesamten Planungshorizont [0; T ] anstreben, verlangen wir, dass ein gewisses Verhältnis zwischen Fischpreisen p 1 und Kutterkosten c gewährleistet wird. Dementsprechend muss für alle Funktionswerte x(t), t ∈ [0; T ] , die sich aus der Prozessgleichung (4.18) resultieren, die Bedingung p 1 x 1 (t) − c ≥ 0 gelten, anders gesagt, die Fischpreise dürfen nicht zu niedrig sein. Dies ist logisch, sonst hätten wir (zumindest auf einem Intervall [t k ; t k+1 ]) überhaupt keinen Gewinn geleistet (vgl. (4.17)). Falls x 1 (0) = x 10 < x sing 1 ist, kann die singuläre Steuerung im ersten Intervall [t 0 ; t 1 ] = [0; t 1 ] nicht gewählt werden, da sonst x 1 (t) = x sing 1 wäre. Würden wir in diesem Falle maximal (also mit u(t) = u max ) fangen (also alle Fischkutter einsetzen), würde unsere Population auf den Nullzustand fallen. Das würde dazu führen, dass die Formeln e −δt (p 1 x 1 − c) − λ 1 s 1 x 1 > 0, gdw. λ 1 < e−δt s 1 ( p 1 − c x 1 ) , 78
4.6. Berechnung optimaler Fangraten und ˙λ 1 = −p 1 u max e −δt − λ 1 (ε 1 − 2ε 1x 1 K 1 − s 1 u max ) ( = −p 1 u max e −δt + λ 1 s 1 u max − λ 1 ε 1 − 2ε ) 1x 1 K 1 ( < −p 1 u max e −δt + e −δt p 1 − c ) ( u max − λ 1 ε 1 1 − 2x ) 1 x 1 K 1 ( = − ce−δt u max − λ 1 ε 1 1 − 2x ) 1 < 0 x 1 K 1 gelten würden. Damit wäre λ 1 (t) monoton fallend und es gäbe keine Umschaltpunkte. Die Transversalitätsbedingung λ 1 (T ) = 0 wäre erfüllt, aber die Population würde zu diesem Zeitpunkt eventuell gar nicht mehr vorhanden sein. Das heißt, im Falle x 1 (0) = x 10 < x sing 1 muss zuerst die Steuerung u(t) = 0 auf dem Intervall [t 0 ; t 1 ] angewendet werden, damit sich die Population erholt. Falls x 1 (0) = x 10 > x sing 1 ist, kann die singuläre Steuerung im ersten Intervall [t 0 ; t 1 ] = [0; t 1 ] ebenfalls nicht vorkommen. Würden wir in diesem Falle nicht fangen (also mit u(t) = 0 steuern), würde die Population den maximalen Zustand erreichen. Dies würde wiederum bedeuten, dass die durch die Prozessgleichung ( ẋ 1 (t) = ε 1 x 1 (t) · 1 − x ) 1(t) , x 1 (0) = x 10 , K 1 K 1 x 10 e ε 1t die x 1 (t) = als Lösung besitzt, beschriebene Population den K 1 + x 10 (e ε 1t − 1) Zustand x(t) = K 1 anstrebt. Dabei muss auch die Bedingung gelten. e −δt (p 1 x 1 − c) − λ 1 s 1 x 1 < 0, Für die adjungierte Gleichung ergäbe sich damit gdw. λ 1 > e−δt s 1 x 1 (p 1 x 1 − c) ≥ 0 ˙λ 1 = −λ 1 (ε 1 − 2ε ) ( 1x 1 = −λ 1 ε 1 1 − 2x ) 1 ≥ 0. K 1 K 1 Dieses würde zu Folge führen, dass λ 1 (t) auf dem ganzen Intervall [t 0 ; t 1 ] monoton wächst (besser gesagt, nicht fällt) und t 1 kein Schaltpunkt sein könnte. t 1 könnte auch kein Endpunkt T sein, da die Transversalitätsbedingung λ 1 (T ) = 0 offensichtlich nicht erfüllt wäre. Dies alles führt uns zur Erkenntnis, dass im Falle x 1 (0) = x 10 > x sing 1 die Steuerung u(t) = u max auf dem ganzen Intervall [t 0 ; t 1 ] genommen werden muss, bis man den singulären Zustand erreicht. Auf dem letzten Intervall [t n−1 ; t n ], t n = T (solange keine Endbedingung x 1 (T ) vorhanden ist) muss immer maximal gefangen werden, damit λ 1 (T ) = 0 erfüllt wird. 79
- Seite 28 und 29: 2. Biologische, ökologische und wi
- Seite 30 und 31: 2. Biologische, ökologische und wi
- Seite 32 und 33: 2. Biologische, ökologische und wi
- Seite 34 und 35: 2. Biologische, ökologische und wi
- Seite 36 und 37: 2. Biologische, ökologische und wi
- Seite 38 und 39: 3. Mathematische Modelle in der Bio
- Seite 40 und 41: 3. Mathematische Modelle in der Bio
- Seite 42 und 43: 3. Mathematische Modelle in der Bio
- Seite 44 und 45: 3. Mathematische Modelle in der Bio
- Seite 46 und 47: 3. Mathematische Modelle in der Bio
- Seite 48 und 49: 3. Mathematische Modelle in der Bio
- Seite 50 und 51: 4. Grundlagen der Optimalsteuerung
- Seite 52 und 53: 4. Grundlagen der Optimalsteuerung
- 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 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 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
4. Grundlagen der Optimalsteuerung<br />
berechnet werden kann. Diese Gleichung hat zwei Nullstellen verschiedener<br />
Vorzeichen, da der Term − δcK 1<br />
mit gegebenen Annahmen negativ ist. Wir<br />
2p 1 ε 1<br />
interessieren uns aber nur für die positive Lösung, die sich zu<br />
√<br />
x sing<br />
1 = K 1<br />
4 + c − K (K1<br />
1δ<br />
+<br />
4p 1 4ε 1 4 + c − K ) 2<br />
1δ<br />
+ δcK 1<br />
4p 1 4ε 1 2p 1 ε 1<br />
ergibt. Zu diesem optimalen Zustand lässt sich unter Verwendung der<br />
Prozessgleichung eine optimale Steuerung zu<br />
( )<br />
u ∗ 1(t) = u sing<br />
1 = ε 1<br />
1 − xsing 1<br />
s 1 K 1<br />
= ε 1<br />
s 1<br />
⎛<br />
⎝ 3 4 −<br />
c<br />
4p 1 K 1<br />
+<br />
√ δ − 1 (K1<br />
4ε 1 K 1 4 + c − K 1δ<br />
4p 1<br />
⎞<br />
) 2<br />
+ δcK 1<br />
⎠<br />
4ε 1 2p 1 ε 1<br />
berechnen. Für unsere Modelle wählen wir u max hinreichend groß, so dass die<br />
Bedingung u sing<br />
1 < u max gilt (ein eindimensionaler Fall, wo die singuläre Steuerung<br />
nicht zulässig ist, wäre trivial: eine optimale Lösung hätte in diesem Falle eine Bangbang-Struktur).<br />
Nun zerlegen wir das gesamte Intervall [0; T ] in Teilintervalle [t i ; t i+1 ], so dass<br />
auf jedem davon entweder eine Bang-bang-Steuerung oder eine singuläre Steuerung<br />
auftritt. Im Allgemeinen gibt es kein Kriterium für das Vorkommen von Bang-bang<br />
Steuerungen, es hängt in der Regel von dem Anfangswert x 10 ab.<br />
Aus wirtschaftlichen Überlegungen führen wir an dieser Stelle eine zusätliche<br />
Bedingung ein. Damit wir einen Gewinn auf dem gesamten Planungshorizont [0; T ]<br />
anstreben, verlangen wir, dass ein gewisses Verhältnis zwischen Fischpreisen p 1 und<br />
Kutterkosten c gewährleistet wird. Dementsprechend muss für alle Funktionswerte<br />
x(t), t ∈ [0; T ] , die sich aus der Prozessgleichung (4.18) resultieren, die Bedingung<br />
p 1 x 1 (t) − c ≥ 0 gelten, anders gesagt, die Fischpreise dürfen nicht zu niedrig sein.<br />
Dies ist logisch, sonst hätten wir (zumindest auf einem Intervall [t k ; t k+1 ]) überhaupt<br />
keinen Gewinn geleistet (vgl. (4.17)).<br />
Falls x 1 (0) = x 10 < x sing<br />
1 ist, kann die singuläre Steuerung im ersten Intervall<br />
[t 0 ; t 1 ] = [0; t 1 ] nicht gewählt werden, da sonst x 1 (t) = x sing<br />
1 wäre. Würden wir in<br />
diesem Falle maximal (also mit u(t) = u max ) fangen (also alle Fischkutter einsetzen),<br />
würde unsere Population auf den Nullzustand fallen. Das würde dazu führen, dass die<br />
Formeln<br />
e −δt (p 1 x 1 − c) − λ 1 s 1 x 1 > 0,<br />
gdw. λ 1 < e−δt<br />
s 1<br />
(<br />
p 1 − c x 1<br />
)<br />
,<br />
78