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 Eine allgemeine Methodik zur Berechnung und Abschätzung der Umschaltpunkte ist noch nicht bekannt. Zelikin und Borisov betrachten in [40] u.A. spezielle Prozesse, die sowohl in u, als auch in x linear sind. Für solche Prozesse gilt der Satz von Feldbaum, der besagt, dass die Anzahl von Umschaltpunkten einer optimalen Steuerung endlich ist (vgl. [30]). Unsere Aufgabe (4.17)-(4.18) ist linear in u und nichtlinear in x. Manchmal kann man die Anzahl von Umschaltpunkten bei solchen Prozessen mit Hilfe von Adjungierten abschätzen, es kann aber keine allgemeine Aussage getroffen werden. Nun betrachten wir eine konkrete Aufgabe. Zu maximieren sei das Zielfunktional J (u) = ∫ T 0 { } 1130 · 1.5 · 250 500 · 250 · u 10 6 1 (t)x 1 (t) − · u 10 6 1 (t) e −0.06t dt → max u 0 ≤ u 1 (t) ≤ 900, 0 ≤ t ≤ 20, (4.19) mit einer Nebenbedingung: ẋ 1 (t) = 0.4x 1 (t) · (1 − x 1 (t)) − 1.5 · 250 10 6 · u 1 (t)x 1 (t), mit dem Anfangswert x 1 (0) = 0.25 und ohne Endbedingungen. In diesem Beispiel haben wir δ = 0.06; p 1 = 0.42375; ε 1 = 0.4; s 1 = 0.000375; K 1 = 1; c = 0.125. Hier erhalten wir folgende Lösung: x sing 1 ≈ 0.60883, u sing 1 ≈ 417.227. state 1 State 1 vs time 0.65 0.6 0.55 0.5 0.45 0.4 0.35 0.3 0.25 0 5 10 15 20 t control 1 Control 1 vs time 900 800 700 600 500 400 300 200 100 0 0 5 10 15 20 t Abbildung 4.4.: Optimale Entwicklung der Population (links), optimale Steuerung (rechts), Fall x 1 (0) < x sing 1 Wird der Anfangswert der Population größer als der berechnete singuläre Zustand, z.B. x 1 (0) = 0.75, erhalten wir solchen Verlauf der Lösung: 80
4.6. Berechnung optimaler Fangraten 0.75 State 1 vs time 900 Control 1 vs time 0.7 800 0.65 700 state 1 0.6 0.55 control 1 600 500 0.5 400 0.45 300 0.4 0 5 10 15 20 t 200 0 5 10 15 20 t Abbildung 4.5.: Optimale Entwicklung der Population (links), optimale Steuerung (rechts), Fall x 1 (0) > x sing 1 4.6.2. Vorbetrachtung für einen mehrdimensionalen Fall Nun betrachten wir ein aus n Populationen bestehendes System. Zu maximieren ist jetzt J (u) = ∫ T 0 { n∑ i=1 p i u i x i − c · n∑ i=1 u i }e −δt dt → max u 0 ≤ u i (t) ≤ u max , 0 ≤ t ≤ T, i = 1, 2, . . . , n (4.20) mit n Nebenbedingungen (i = 1, 2, . . . , n): ẋ i (t) = ε i x i · ( 1 − x i K i ) − s i u i x i − n∑ γ ir x i x r , (4.21) r=1 positiven Konstanten p i , c, ε i , K i , δ, s i , γ ir Anfangswerten x i (0) = x i0 und ohne Endbedingungen. Wir diese Aufgabe bilden wir die Hamiltonfunktion: { n∑ H(x, u, λ, t) = p i u i x i − c · i=1 + n∑ λ i (ε i x i · i=1 n∑ i=1 ( 1 − x i K i ) − s i u i x i − u i } e −δt ) n∑ γ ir x i x r . r=1 Durch Differenzieren von Schaltfunktionen und Einsetzen der Adjungierten, erhalten wir ein Gleichungssystem. Es enthält genau n Gleichungen. 81
- 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 78 und 79: 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
- Seite 129 und 130: A.1. Programm 1. Hauptprogramm user
4.6. Berechnung optimaler Fangraten<br />
0.75<br />
State 1 vs time<br />
900<br />
Control 1 vs time<br />
0.7<br />
800<br />
0.65<br />
700<br />
state 1<br />
0.6<br />
0.55<br />
control 1<br />
600<br />
500<br />
0.5<br />
400<br />
0.45<br />
300<br />
0.4<br />
0 5 10 15 20<br />
t<br />
200<br />
0 5 10 15 20<br />
t<br />
Abbildung 4.5.: Optimale Entwicklung der Population (links), optimale Steuerung (rechts),<br />
Fall x 1 (0) > x sing<br />
1<br />
4.6.2. Vorbetrachtung für einen mehrdimensionalen Fall<br />
Nun betrachten wir ein aus n Populationen bestehendes System. Zu maximieren ist<br />
jetzt<br />
J (u) =<br />
∫ T<br />
0<br />
{ n∑<br />
i=1<br />
p i u i x i − c ·<br />
n∑<br />
i=1<br />
u i<br />
}e −δt dt → max<br />
u<br />
0 ≤ u i (t) ≤ u max , 0 ≤ t ≤ T, i = 1, 2, . . . , n<br />
(4.20)<br />
mit n Nebenbedingungen (i = 1, 2, . . . , n):<br />
ẋ i (t) = ε i x i ·<br />
(<br />
1 − x i<br />
K i<br />
)<br />
− s i u i x i −<br />
n∑<br />
γ ir x i x r , (4.21)<br />
r=1<br />
positiven Konstanten p i , c, ε i , K i , δ, s i , γ ir Anfangswerten x i (0) = x i0 und ohne<br />
Endbedingungen. Wir diese Aufgabe bilden wir die Hamiltonfunktion:<br />
{ n∑<br />
H(x, u, λ, t) = p i u i x i − c ·<br />
i=1<br />
+<br />
n∑<br />
λ i<br />
(ε i x i ·<br />
i=1<br />
n∑<br />
i=1<br />
(<br />
1 − x i<br />
K i<br />
)<br />
− s i u i x i −<br />
u i<br />
}<br />
e −δt<br />
)<br />
n∑<br />
γ ir x i x r .<br />
r=1<br />
Durch Differenzieren von Schaltfunktionen und Einsetzen der Adjungierten, erhalten<br />
wir ein Gleichungssystem. Es enthält genau n Gleichungen.<br />
81