Spezialisierte adaptive Algorithmen für die Modellprädiktive Regelung von PDEs
|
|
|
- Oswalda Schulze
- vor 5 Jahren
- Abrufe
Transkript
1 Spezialisierte adaptive Algorithmen für die Modellprädiktive Regelung von PDEs Lehrstuhl für Angewandte Mathematik Mathematisches Institut Universität Bayreuth Elgersburg Workshop ( ) Lars Grüne, Manuel Schaller und Anton Schiela
2 Gliederung 1 Einführung 2 Sensitivitätsanalyse 3 Numerische Ergebnisse Manuel Schaller spez. Alg. für MPC von PDEs 1 / 17
3 Einführung Inhalt 1 Einführung Manuel Schaller spez. Alg. für MPC von PDEs 2 / 17
4 Einführung Was ist Modellprädiktive Regelung (MPC)? Technik zur Konstruktion von Feedback-Controllern Optimalsteuerungsproblem auf großem (unendlichem) Zeithorizont L viele Optimalsteuerungsprobleme mit (endlichem) kürzerem Horizont T, T L Manuel Schaller spez. Alg. für MPC von PDEs 2 / 17
5 Einführung Was ist Modellprädiktive Regelung (MPC)? Technik zur Konstruktion von Feedback-Controllern Optimalsteuerungsproblem auf großem (unendlichem) Zeithorizont L viele Optimalsteuerungsprobleme mit (endlichem) kürzerem Horizont T, T L One technique for obtaining a feedback controller synthesis from knowledge of open-loop controllers is to measure the current control process state and then compute very rapidly for the open-loop control function. The first portion of this function is then used during a short time interval, after which a new measurement of the process state is made and a new open-loop control function is computed for this new measurement. The procedure is then repeated. - Foundations of optimal control theory, Lee and Markus, 1967 Manuel Schaller spez. Alg. für MPC von PDEs 2 / 17
6 Einführung Der MPC-Algorithmus System Manuel Schaller spez. Alg. für MPC von PDEs 3 / 17
7 Einführung Der MPC-Algorithmus Zustand OSP auf [0, T ] System Manuel Schaller spez. Alg. für MPC von PDEs 3 / 17
8 Einführung Der MPC-Algorithmus Zustand OSP auf [0, T ] System T min J(y, u) 0 s.t. c(y, u) = 0 Manuel Schaller spez. Alg. für MPC von PDEs 3 / 17
9 Einführung Der MPC-Algorithmus Zustand OSP auf [0, T ] System Anfangsstück der Kontrolle u [0,τ] T min J(y, u) 0 s.t. c(y, u) = 0 Manuel Schaller spez. Alg. für MPC von PDEs 3 / 17
10 Einführung Die exponentielle Turnpike Eigenschaft Bestimmtes Verhalten von Lösungen zeitabhängiger Optimalsteuerungsprobleme Aktuelle Resultate von Porretta und Zuazua (2013,2016), Trélat und Zuazua (2015) und Trélat et al.(2016) t = 0 Lösung des OSP Turnpike t = T Manuel Schaller spez. Alg. für MPC von PDEs 4 / 17
11 Einführung Motivation für die Sensitivitätsanalyse t = 0 τ Lösung gestörte Lösung t = T verwendet im MPC-Alg. Manuel Schaller spez. Alg. für MPC von PDEs 5 / 17
12 Einführung Motivation für die Sensitivitätsanalyse t = 0 τ Lösung gestörte Lösung t = T verwendet im MPC-Alg. Wie modelliert man Diskretisierungsfehler als Störungen? Für gew. Dgl, vgl. Gear (1971): ẋ = f(x(t), t) x = f( x(t), t) + ε(t) ε(t) Gittergrobheit Manuel Schaller spez. Alg. für MPC von PDEs 5 / 17
13 Einführung Einordnung und Überblick Gitter, die in der Zeit exponentiell gröber werden Manuel Schaller spez. Alg. für MPC von PDEs 6 / 17
14 Einführung Einordnung und Überblick Gitter, die in der Zeit exponentiell gröber werden Störungen ε, die in der Zeit exponentiell wachsen Manuel Schaller spez. Alg. für MPC von PDEs 6 / 17
15 Einführung Einordnung und Überblick Gitter, die in der Zeit exponentiell gröber werden Störungen ε, die in der Zeit exponentiell wachsen Sensitivitätsanalyse Fehler die in der Zeit exponentiell wachsen Manuel Schaller spez. Alg. für MPC von PDEs 6 / 17
16 Einführung Einordnung und Überblick Gitter, die in der Zeit exponentiell gröber werden Störungen ε, die in der Zeit exponentiell wachsen Sensitivitätsanalyse Fehler die in der Zeit exponentiell wachsen Konsequenzen im MPC-Kontext: Verwendete Kontrolle u [0,τ] ist sehr genau Effiziente Lösung der zugrundeliegenden Optimalsteuerungsprobleme durch spezielle Gitter Manuel Schaller spez. Alg. für MPC von PDEs 6 / 17
17 Einführung Lineare parabolische partielle Differentialgleichungen Bochnerraum L 2 (0, T ; V ), Gelfand-Dreier V H V Schwache Zeitableitung D : W ([0, T ]) L 2 (0, T ; V ) H, T (Dw)(v, v 0 ) := w (t)(v(t)) dt + w(0), v 0 H. Schwache Ortsableitung, Transportterme... Λ : L 2 (0, T ; V ) L 2 (0, T ; V ) Kontrolleinfluss B : L 2 (0, T ; L 2 (Ω)) L 2 (0, T ; H). 0 Manuel Schaller spez. Alg. für MPC von PDEs 7 / 17
18 Einführung Lineare parabolische partielle Differentialgleichungen Bochnerraum L 2 (0, T ; V ), Gelfand-Dreier V H V Schwache Zeitableitung D : W ([0, T ]) L 2 (0, T ; V ) H, T (Dw)(v, v 0 ) := w (t)(v(t)) dt + w(0), v 0 H. Schwache Ortsableitung, Transportterme... Λ : L 2 (0, T ; V ) L 2 (0, T ; V ) Kontrolleinfluss B : L 2 (0, T ; L 2 (Ω)) L 2 (0, T ; H). lineare part. Dgl (vgl. Schiela (2013)) Dy Λy Bu = y 0, 0 Manuel Schaller spez. Alg. für MPC von PDEs 7 / 17
19 Einführung Optimalsteuerungsprobleme Wir behandeln das Optimalsteuerungsproblem min y,u 1 2 C(y y d) 2 L 2 ([0,T ] Ω) + α 2 R(u u d) 2 L 2 ([0,T ] Ω) s.t. Dy Λy Bu = y 0, C linear beschränkt, R linear, beschränkt und invertierbar. Manuel Schaller spez. Alg. für MPC von PDEs 8 / 17
20 Einführung Optimalsteuerungsprobleme Wir behandeln das Optimalsteuerungsproblem min y,u 1 2 C(y y d) 2 L 2 ([0,T ] Ω) + α 2 R(u u d) 2 L 2 ([0,T ] Ω) s.t. Dy Λy Bu = y 0, C linear beschränkt, R linear, beschränkt und invertierbar. Optimalitätsbedingungen: C M y C 0 (D Λ) y C M y Cy d 0 αr M u R B u = αr M u Ru d (D Λ) B 0 λ y 0, ( C M y C (D Λ) ) ( ) ( y C (D Λ) BQ 1 B = ) M y Cy d, λ y 0, + Bu d }{{} =:M wobei Q := αr M u R und u = Q 1 B λ + u d. (Elimination der Kontrolle) Manuel Schaller spez. Alg. für MPC von PDEs 8 / 17
21 Sensitivitätsanalyse Inhalt 2 Sensitivitätsanalyse Manuel Schaller spez. Alg. für MPC von PDEs 9 / 17
22 Sensitivitätsanalyse Eine Gleichung für den absoluten Fehler M Exakte Lösung ( ) ( y C = ) M y Cy d λ y 0, + Bu d Manuel Schaller spez. Alg. für MPC von PDEs 9 / 17
23 Sensitivitätsanalyse Eine Gleichung für den absoluten Fehler M Exakte Lösung ( ) ( y C = ) M y Cy d λ y 0, + Bu d Gestörte Lösung (ỹ ) ( C M = ) M y Cy d + λ y 0, + Bu d ( ε1 ε 2 ) Manuel Schaller spez. Alg. für MPC von PDEs 9 / 17
24 Sensitivitätsanalyse Eine Gleichung für den absoluten Fehler M Exakte Lösung ( ) ( y C = ) M y Cy d λ y 0, + Bu d Gestörte Lösung (ỹ ) ( C M = ) M y Cy d + λ y 0, + Bu d ( ε1 ε 2 ) (ỹ ) y M = λ λ }{{} =:(δy,δλ) ( ε1 ε 2 ) (1) Absoluter Fehler Manuel Schaller spez. Alg. für MPC von PDEs 9 / 17
25 Sensitivitätsanalyse Eine Gleichung für den absoluten Fehler M Exakte Lösung ( ) ( y C = ) M y Cy d λ y 0, + Bu d Gestörte Lösung (ỹ ) ( C M = ) M y Cy d + λ y 0, + Bu d ( ε1 ε 2 ) (ỹ ) y M = λ λ }{{} =:(δy,δλ) ( ε1 ε 2 ) (1) Absoluter Fehler Wie beeinflusst das zeitliche Verhalten von (ε 1, ε 2 ) das zeitliche Verhalten des absoluten Fehlers (δy, δλ)? Manuel Schaller spez. Alg. für MPC von PDEs 9 / 17
26 Sensitivitätsanalyse Einfluss von Störungen wird exponentiell gedämpft Theorem (Grüne, S., Schiela, 2018) Angenommen (δy, δλ) W ([0, T ]) 2 löst (1). Sei X := L 2 (0, T ; H) 0 µ < 1 M 1 (X ) 2 X 2 e µt ε 1 (t) X + e µt ε 2 (t) X ρ, ρ 0 Dann existiert eine Konstante c 1 0 sodass e µt δy X + e µt δu U + e µt δλ X c 1 M 1 (X ) 2 X 2ρ, Manuel Schaller spez. Alg. für MPC von PDEs 10 / 17
27 Sensitivitätsanalyse Einfluss von Störungen wird exponentiell gedämpft Theorem (Grüne, S., Schiela, 2018) Angenommen (δy, δλ) W ([0, T ]) 2 löst (1). Sei X := L 2 (0, T ; H) 0 µ < 1 M 1 (X ) 2 X 2 e µt ε 1 (t) X + e µt ε 2 (t) X ρ, ρ 0 Dann existiert eine Konstante c 1 0 sodass e µt δy X + e µt δu U + e µt δλ X c 1 M 1 (X ) 2 X 2ρ, Interpretation: ε(t) L 2 H ρe µt L δy(t) 2 H ρ wenn t klein Manuel Schaller spez. Alg. für MPC von PDEs 10 / 17
28 Sensitivitätsanalyse Neue Fragestellung Inwiefern hängt M 1 (L2 (0,T ;H) ) 2 L 2 (0,T ;H) 2 ab? von T Manuel Schaller spez. Alg. für MPC von PDEs 11 / 17
29 Sensitivitätsanalyse Stabilität von part. Differentialgleichungen Definition Ein linearer Operator S heißt exponentiell stabil, wenn es eine Lösung y W [0, T ] von (Dy)(v, v 0 ) Syv = y 0, v 0 (v, v 0 ) L 2 (0, T ; V ) H gibt, für die gilt, wobei M, k > 0. y(t) H Me kt y 0 H t [0, T ] Manuel Schaller spez. Alg. für MPC von PDEs 12 / 17
30 Sensitivitätsanalyse Abschätzung der Operatornorm M 1 min y,u 1 2 C(y y d) 2 L 2 ([0,T ] Ω) + α 2 R(u u d) 2 L 2 ([0,T ] Ω) s.t. Dy Λy Bu = y 0, Definition (Λ, B) exp. stabilisierbar, wenn es einen Feedback-Operator K B gibt, sodass Λ + BK B exp. stabil ist. (Λ, C) exp. entdeckbar, wenn (Λ, C ) exp. stabilisierbar. Theorem (Grüne, S., Schiela, 2018) Sei (Λ, B) exp. stabilisierbar, (Λ, C) exp. entdeckbar, dann M 1 L2 (0,T ;H ) 2 L 2 (0,T ;H) 2 c, c unabhängig von T Manuel Schaller spez. Alg. für MPC von PDEs 13 / 17
31 Numerische Ergebnisse Inhalt 3 Numerische Ergebnisse Manuel Schaller spez. Alg. für MPC von PDEs 14 / 17
32 Numerische Ergebnisse Ein Modellproblem Beispiel min (y,u) 30 s.t. (Dy)(v, v 0 ) (y y d) 2 L 2 ([0,30] [0,1] 2 ) + α 2 u 2 L 2 ([0,30] [0,1] 2 ) 30 d y v dωdt uv dωdt = 0 (v, v 0 ) 0 [0,1] 2 0 [0,1] (ẏ 2 ) d y = u, y(0) = 0 (starke Formulierung) exponentielles Gitter uniformes Gitter Manuel Schaller spez. Alg. für MPC von PDEs 14 / 17
33 Numerische Ergebnisse Open-loop Fehler 0.02 Norm der Lösung 10 0 Absoluter Fehler y(t) H u(t) H exakte Lösung exponentielles Gitter uniformes Gitter δy(t) H δu(t) H λ(t) H δλ(t) H exponentielles Gitter uniformes Gitter time t time t Manuel Schaller spez. Alg. für MPC von PDEs 15 / 17
34 Numerische Ergebnisse Closed-loop Kosten: uniformes vs. exponentielles Gitter Zielfunktionswert Stabile Dynamik 1 uniformes Gitter exponentielles Gitter Referenz Instabile Dynamik Stabile Dynamik Instabile Dynamik 2 Zielfunktionswert #Gitterpunkte #Gitterpunkte Manuel Schaller spez. Alg. für MPC von PDEs 16 / 17
35 Numerische Ergebnisse Offene Fragen und Ausblick Abschätzung in L 2 (0, T ; H)-Norm ( Stabilität in V -Sinn?) Erweiterung für Randkontrolle Nichtlineare Optimalsteuerungsprobleme Konstruktion von Algorithmen Manuel Schaller spez. Alg. für MPC von PDEs 17 / 17
36 Numerische Ergebnisse Offene Fragen und Ausblick Abschätzung in L 2 (0, T ; H)-Norm ( Stabilität in V -Sinn?) Erweiterung für Randkontrolle Nichtlineare Optimalsteuerungsprobleme Konstruktion von Algorithmen Danke für die Aufmerksamkeit! Manuel Schaller spez. Alg. für MPC von PDEs 17 / 17
37 Eine exponentielle Turnpike Eigenschaft Statisches Optimalsteuerungsproblem 1 min ȳ,ū 2 C(ȳ y d) 2 L 2 (Ω) + α 2 R(ū u d) 2 L 2 (Ω) s.t. Λȳ Bū = 0. Optimalitätsbedingungen ( C M y C (D Λ) ) ( ) y ȳ (D Λ) BQ 1 B λ λ = }{{} (δy,δλ) T ( ) λ, y 0 ȳ, (2) Manuel Schaller spez. Alg. für MPC von PDEs 1 / 2
38 Eine exponentielle Turnpike Eigenschaft Theorem Angenommen (δy, δλ) löst (2). Dann gibt es 0 µ 1 M 1 (X H) 2 X 2 sodass 1 e µt + e µ(t t) δy 1 X + e µt + e µ(t t) δu 1 U + e µt + e µ(t t) δλ X c 2 M 1 (X H) 2 X 2( y 0 ȳ H + λ H ) Manuel Schaller spez. Alg. für MPC von PDEs 2 / 2
Modellprädiktive Regelung nichtlinearer sampled-data Systeme
Modellprädiktive Regelung nichtlinearer sampled-data Systeme L. Grüne 1 D. Nešić 2 J. Pannek 1 1 Mathematisches Institut Universität Bayreuth 2 EEE Department University of Melbourne 13. Februar 2006 Workshop
Stabilisierung linearer Systeme mit Ausgangsrückführung via Euler-Methode
Stabilisierung linearer Systeme mit Ausgangsrückführung via Euler-Methode Markus Müller gemeinsame Arbeit mit M. French (Southampton) und A. Ilchmann (Ilmenau) Elgersburg-Workshop 2007 Elgersburg, 21.
Hörsaalübung 6 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 28/29 Dr. Hanna Peywand Kiani Hörsaalübung 6 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Autonome Systeme, Stabilität Die ins
tun, sondern nur mit der Reaktion auf verschiedene Anfangswerte.
2.3 Stabilität Eine wichtige Rolle spielt das Stabilitätsverhalten dynamischer Systeme. Wie üblich sei Φ die Fundamentalmatrix des linearen Systems ẋ = A(t)x + u. Im weiteren sei t fixiert, später wird
Abschätzung des Optimierungshorizonts in MPC: eine quantitative Betrachtung
Abschätzung des Optimierungshorizonts in MPC: eine quantitative Betrachtung Karl Worthmann Mathematisches Institut, Universität Bayreuth in Zusammenarbeit mit Lars Grüne gefördert vom DFG Schwerpunktprogramm
Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator
Universität Bielefeld Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator Matthieu Felsinger Universität Bielefeld Mathematisches Kolloquium, TU Clausthal 05. Februar 2014 1 Einleitung
Rückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung 1 Lineare autonome Differentialgleichungen 2 Bestimmung des Fundamentalsystems 3 Jordansche Normalform 4 Reelle Fundamentalsysteme Ausblick auf die heutige Vorlesung
Differenzialgleichungen
Differenzialgleichungen Fakultät Grundlagen April 2011 Fakultät Grundlagen Differenzialgleichungen Übersicht Grundsätzliches 1 Grundsätzliches Problemstellung Richtungsfeld Beispiel 2 Eulerverfahren Heunverfahren
Differentialgleichungen
Kapitel Differentialgleichungen Josef Leydold Mathematik für VW WS 05/6 Differentialgleichungen / Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen: () Erhöhung der
Differentialgleichungen
Kapitel 14 Differentialgleichungen Josef Leydold Mathematik für VW WS 2017/18 14 Differentialgleichungen 1 / 41 Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen:
Invarianz-Entropie für Kontrollsysteme
Invarianz-Entropie für Kontrollsysteme Christoph Kawan Institut für Mathematik, Universität Augsburg in Zusammenarbeit mit Fritz Colonius, Institut für Mathematik, Universität Augsburg im Rahmen des DFG-Schwerpunktprogramms
bekannt Analog reduzieren wir die Randwerte im 2d-System. Man erhält dann eine Blocktridia-
3.. Jetzt: Eliminiere 1. und 2. wie folgt u 2 + 2u 1 = h 2 f 1 + α }{{} bekannt Nun: Au = b mit A R n,n, b R n, u R n und A hat die Gestalt 2 1 1 2 1 A =......... =: tridiag( 1, 2, 1)...... 1 1 2 Analog
a) Name and draw three typical input signals used in control technique.
12 minutes Page 1 LAST NAME FIRST NAME MATRIKEL-NO. Problem 1 (2 points each) a) Name and draw three typical input signals used in control technique. b) What is a weight function? c) Define the eigen value
Simulationstechnik V
Simulationstechnik V Vorlesung/Praktikum an der RWTH Aachen Numerische Simulation von Strömungsvorgängen B. Binninger Institut für Technische Verbrennung Templergraben 64 2. Teil 2-1 1) Welche Garantie
Seminar: Integralgleichungen (WS 06/07)
Seminar: Integralgleichungen (WS 06/07) Numerische Behandlung der Fredholmschen Integralgleichung - Teil 1 Melanie Seifried Erik Ivar Fredholm (1866-1927) Schwedischer Mathematiker, der große Beiträge
Übungen zu Partielle Differentialgleichungen, WS 2016
Übungen zu Partielle Differentialgleichungen, WS 2016 Ulisse Stefanelli 16. Januar 2017 1 Beispiele 1. Betrachten Sie die Beispiele von nichtlinearen PDG und Systemen, die wir im Kurs diskutiert haben,
Flachheit Eine nützliche Methodik auch für lineare Systeme
Flachheit Eine nützliche Methodik auch für lineare Systeme Michael Zeitz Institut für Systemdynamik Universität Stuttgart Flachheits-Methodik [FLIESS et al. 92ff] Lineare SISO und MIMO Systeme M. Zeitz
Flüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
2. Elementare Lösungsmethoden
H.J. Oberle Differentialgleichungen I WiSe 2012/13 2. Elementare Lösungsmethoden A. Separierbare Differentialgleichungen. Eine DGL der Form y (t) = f(t) g(y(t)) (2.1) mit stetigen Funktionen f : R D f
Simulationstechnik V
Simulationstechnik V Vorlesung/Praktikum an der RWTH Aachen Numerische Simulation von Strömungsvorgängen B. Binninger Institut für Technische Verbrennung Templergraben 64 2. Teil 2-1 1) Welche Garantie
Lineare Algebra und Numerische Mathematik D-BAUG. Sommer 2012 Prof. H.-R. Künsch
b Prüfung Lineare Algebra und Numerische Mathematik D-BAUG. Multiple Choice: Sommer Prof. H.-R. Künsch Gegeben sei die folgende Matrix A = 4. 4 (a) x AA T ist eine 4 4 Matrix mit ( AA T) = 4. AA T ist
Numerik III trifft inverse Probleme
Numerik III trifft inverse Probleme Michael Hönig Heinrich-Heine-Universität Düsseldorf Bad Neuenahr-Ahrweiler, Juli 2009 Inverse Probleme Schließen von einer beobachteten Wirkung auf deren Ursache Beispiel:
Nichtlineare Optimierung
Nichtlineare Optimierung Roland Griesse Numerische Mathematik Chemnitzer Skiseminar Gerlosberg, 07. 14. März 2009 Gliederung Konvexe Optimierung 1 Konvexe Optimierung Bedeutung Beispiele Charakterisierung
Optimale Steuerung partieller Differentialgleichungen Optimal Control of Partial Differential Equations
Prof. Dr. H. J. Pesch Lehrstuhl für Ingenieurmathematik Universität Bayreuth Optimale teuerung partieller Differentialgleichungen Optimal Control of Partial Differential quations (Teil 1: W 2011/12) 13.
Floquet Theorie II. 1 Einführung
Vortrag zum Seminar Gewöhnliche Differentialgleichungen, 18.10.2011 Sebastian Monschang 1 Einführung Auf den Ergebnissen des ersten Vortrags basierend werden wir in diesem Vortrag gewöhnliche lineare Differentialgleichungssysteme
Die inhomogene Differentialgleichung höherer Ordnung.
Die inhomogene Differentialgleichung höherer Ordnung. Ist das Funktionensystem (y 1,..., y n ) ein Fundamentalsystem, so ist die Matrix Y(t) = y (0) 1... y n (0). y (n 1) 1... y n (n 1) eine Fundamentalmatrix
Floquet-Theorie IV. 1 Hills Gleichung
Vortrag zum Seminar Gewöhnliche Differentialgleichungen, 08.11.2011 Tobias Roidl Dieser Vortrag befasst sich mit der Hills Gleichung und gibt eine Einführung in die Periodischen Orbits von linearen Systemen.
Zusatzmaterialien zu Übung 5 zur Vorlesung Informatik II für Verkehrsingenieurwesen: Systemeigenschaften und Gewichtsfunktion/folge
Fakultät Informatik Institut für Angewandte Informatik, Professur für Technische Informationssysteme Zusatzmaterialien zu Übung 5 zur Vorlesung Informatik II für Verkehrsingenieurwesen: Systemeigenschaften
Simulationstechnik V
Simulationstechnik V Vorlesung/Praktikum an der RWTH Aachen Numerische Simulation von Strömungsvorgängen B. Binninger Institut für Technische Verbrennung Templergraben 64 2. Teil 2-1 1) Welche Garantie
Newton-Verfahren zur optimalen Steuerung nichtlinearer elliptischer Randwertaufgaben
Newton-Verfahren zur optimalen Steuerung nichtlinearer elliptischer Randwertaufgaben Patrick Knapp Berichtseminar zur Bachelorarbeit Universität Konstanz 14.12.2010 Einleitung Aufgabenstellung min J(y,
Numerische Mathematik I: Grundlagen
Numerische Mathematik I: Grundlagen 09.10.2017 Inhalt der Lehrveranstaltung Inhaltlich sollen Sie in der Lehrveranstaltung Numerische Mathematik I insbesondere vertraut gemacht werden mit der Numerik linearer
Funnel Control für mechatronische Systeme mit Relativgrad 2
Funnel Control für mechatronische Systeme mit Relativgrad 2 Christoph Hackl Technische Universität München Lehrstuhl für Elektrische Antriebssysteme und Leistungselektronik Elgersburg Workshop, 1.3.21
1.3 Zweidimensionale Systeme
132 KAPITEL IV. QUALITATIVE THEORIE UND DYNAMISCHE SYSTEME Im Fall a 3 > 0 ist das Gleichgewicht asymptotisch stabil. Für a 2 3 > 4a 1a 2 haben wir < < 0 und es liegt ein stabiler Knoten vor (siehe den
Stabilität von geschalteten DAEs
Elgersburg Workshop 2011, 16.02.2011, 17:30-18:00 Einleitung Klassische DAEs Distributionelle Lösungen für geschaltetet DAEs Inhalt 1 Einleitung Systemklasse: Definition und Motivation Beispiele 2 Klassische
Biologische Oszillatoren und Schalter - Teil 1
Biologische Oszillatoren und Schalter - Teil 1 Elena Süs 11.12.2012 Literatur: J.D. Murray: Mathematical Biology: I. An Introduction, Third Edition, Springer Gliederung 1 Motivation 2 Historische Entwicklung
3 Gewöhnliche Differentialgleichungen 23.4.
3 Gewöhnliche Differentialgleichungen 23.4. 3.1 Differentialgleichungen erster Ordnung 3.1.1 Fundamentalsätze Definition 3.1. Es sei Ω R d eine offene Menge und V : Ω R d eine Vektorfunktion. Eine Kurve
Numerik gewöhnlicher Differentialgleichungen
Numerik gewöhnlicher Differentialgleichungen 4.4 Anfangsrandwertprobleme Die Diskretisierung von zeitabhängigen partiellen Differentialgleichungen mit der Linienmethode führt auf Systeme gewöhnlicher Dgl
Numerische Verfahren zur optimalen Steuerung von parabolischen PDEs
Numerische Verfahren zur optimalen Steuerung von parabolischen PDEs Jens Saak in Zusammenarbeit mit Hermann Mena (EPN Quito Ecuador) Peter Benner und Sabine Görner (MiIT) Mathematik in Industrie und Technik
Optimale Steuerung Studieren geht über Probieren
Studieren geht über Probieren Antrittsvorlesung 23. Oktober 2008 Danksagungen Hans Josef Pesch Fredi Tröltzsch Karl Kunisch Martin Bernauer Frank Schmidt Gerd Wachsmuth Wegweiser Einmal von A nach B bitte!
Dynamische Programmierung
Universität Bayreuth 29.06.08 1 2 3 4 5 Bezeichnungen und Formulierung Beispiel Lagerhaltungsproblem Beispiel Rucksackproblem Diskretes Dynamisches Optimierungsproblem Bezeichnungen und Formulierung Beispiel
Blatt 1. Kinematik- Lösungsvorschlag
Fakultät für Physik der LMU München Lehrstuhl für Kosmologie, Prof. Dr. V. Mukhanov Übungen zu Klassischer Mechanik (T1) im SoSe 011 Blatt 1. Kinematik- Lösungsvorschlag Aufgabe 1.1. Schraubenlinie Die
Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
MATHEMATISCHE METHODEN DER PHYSIK 1
MATHEMATISCHE METHODEN DER PHYSIK 1 Helmuth Hüffel Fakultät für Physik der Universität Wien Vorlesungsskriptum Sommersemester 2012 Version vom 08-03-2012 Inhaltsverzeichnis 1 Lineare gewöhnliche Differentialgleichungen
Orthogonalpolynome Einführung, Eigenschaften und Anwendungen
Anna Weller Orthogonalpolynome Einführung, Eigenschaften und Anwendungen 1 Orthogonalpolynome Einführung, Eigenschaften und Anwendungen Anna Weller Seminar zur Numerik im SS 2018, Universität zu Köln 10.
Einführung und Beispiele
Kapitel 7 Gewöhnliche Differentialgleichungen Prof. R. Leithner, E. Zander Einführung in numerische Methoden für Ingenieure 7/2 Einführung und Beispiele Prof. R. Leithner, E. Zander Einführung in numerische
Gewöhnliche Differentialgleichungen Woche 7. Nicht-lineare und linearisierte Systeme
Gewöhnliche Differentialgleichungen Woche 7 Nicht-lineare und linearisierte Systeme d 71 Gleichgewichtspunkte Wir werden uns mit Anfangswertproblemen der folgenden Form beschäftigen: { y (t f (t, y(t,
K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 2. Übung SS 18: Woche vom
Übungsaufgaben 2. Übung SS 18: Woche vom 16.-20. 4. 2018 Partielle DGL III (PDGL 2. Ordnung) Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/... (SS18).html 1.)
Caputo fraktionale Differentialgleichungen. 1 Riemann Liouville fraktionale Differentialgleichungen
Seminar Fraktionale Differentialgleichungen Prof. Dr. P.E. Kloeden, WS1000/2001 Caputo fraktionale Differentialgleichungen Lars Grüne, 25.1.2001 Basierend auf Fractional Differential Equations, Theory
2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
5 Randwertprobleme. y = f(t, y, y ) für t J, (5.2a) y(t 0 ) = y 0, y(t) = y T (5.2b) zu gegebener Funktion f und Werten y 0, y T.
5 Randwertprobleme Bei den bisher betrachteten Problemen handelte es sich um Anfangswertprobleme. In der Praxis treten, insbesondere bei Differentialgleichungen höherer Ordnung, auch Randwertprobleme auf.
Gewöhnliche Differentialgleichungen Woche 6. Existenz nach Picard-Lindelöf
d Gewöhnliche Differentialgleichungen Woche 6 Existenz nach Picard-Lindelöf 6.1 Vorbereitung für den Existenzsatz 6.1.1 Stetigkeit und Lipschitz-Stetigkeit Definition 6.1 Seien (V 1, 1 und (V 2, 2 zwei
Notizen zur Vorlesung Differentialgleichungen I
Notizen zur Vorlesung Differentialgleichungen I Henrik Schumacher TUHH, 24 Januar 217 1 Randwertaufgaben für Differentialoperatoren zweiter Ordnung Zu Funktionen a, a 1 und a 2 C [a, b]) betrachten wir
1. Rechnerzahlen, Kondition, Stabilität
1. Rechnerzahlen, Kondition, Stabilität 1 1.1. Rechnerzahlen 2 1.2. Kondition 3 1.3. Stabilität 1. Rechnerzahlen, Kondition, Stabilität 1 / 18 1.1. Rechnerzahlen allgemeine Zahlendarstellung zur Basis
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 7 Gewöhnliche
Gewöhnliche Differentialgleichungen Woche 7. Globale Existenz einer Lösung
Gewöhnliche Differentialgleichungen Woche 7 Globale Existenz einer Lösung 7.1 Von lokal zu global Wir betrachten wiederum das Anfangswertproblem { y (x = f (x, y(x, y( = y 0. (7.1 Eine erste Erweiterung
Mathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder
DGL Schwingung Physikalische Felder Mathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder Johannes Wiedersich 23. April 2008 http://www.e13.physik.tu-muenchen.de/wiedersich/
Beispiel: Evolution infizierter Individuen
Differentialgleichungen sind sehr nützlich in der Modellierung biologischer Prozesse, denn: damit kann man auch sehr komplizierte Systeme beschreiben die Mathematik liefert mit der gut entwickelten Theorie
Optimale Steuerung chemischer Batch-Reaktoren Praktikum Nichtlineare Modellierung in den Naturwissenschaften im WS 2012/13
MÜNSTER Optimale Steuerung chemischer Batch-Reaktoren Praktikum Nichtlineare Modellierung in den Naturwissenschaften im WS 2012/13 Karoline Pelka Christian Schmidt Christoph Große Kracht 5. Februar 2013
Gewöhnliche Dierentialgleichungen
Prof. Dr. Guido Sweers WS 28/29 Jan Gerdung, M.Sc. Gewöhnliche Dierentialgleichungen Übungsblatt 6 Die Lösungen müssen in den Übungsbriefkasten Gewöhnliche Dierentialgleichungen Raum 3 im MI) geworfen
Grundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
Ein Blick über den Tellerrand... mit FreeFem++
Ein Blick über den Tellerrand... mit FreeFem++ Eine Einführung und etwas Theorie Steffen Weißer Universität des Saarlandes 30. Oktober 2015 Gliederung 1 Zum Seminar 2 Was ist eine PDE? 3 Etwas Funktionalanalysis
Numerik für Informatiker
Numerik für Informatiker Lars Grüne Lehrstuhl für Angewandte Mathematik Mathematisches Institut Universität Bayreuth 95440 Bayreuth lars.gruene@uni-bayreuth.de www.math.uni-bayreuth.de/ lgruene/ Karl Worthmann
PROBEPRÜFUNG MATHEMATIK I UND II
PROBEPRÜFUNG MATHEMATIK I UND II für die Studiengänge Agrar-, Erd-, Lebensmittelund Umweltnaturwissenschaften Für diese Probeprüfung sind ca 4 Stunden vorgesehen. Die eigentliche Prüfung wird signifikant
1. Anfangswertprobleme 1. Ordnung
1. Anfangswertprobleme 1. Ordnung 1.1 Grundlagen 1.2 Euler-Vorwärts-Verfahren 1.3 Runge-Kutta-Verfahren 1.4 Stabilität 1.5 Euler-Rückwärts-Verfahren 1.6 Differentialgleichungssysteme Prof. Dr. Wandinger
Hybride Modellprädiktive Regelung
Hybride Modellprädiktive Regelung Sebastian Götschel Universität Bayreuth Mathematisches Institut 12.07.2006 Motivation In vielen Anwedungen ist das Verhalten von Kontrollsystemen (auch) durch Logik bestimmt:
Differentialgleichungen I
Differentialgleichungen I Michael Hinze (zusammen mit Peywand Kiani) Department Mathematik Schwerpunkt Optimierung und Approximation, Universität Hamburg 5. Januar 2009 Beachtenswertes Die Veranstaltung
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/4) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
Exkurs: Method of multiple scales (Mehrskalen Methode)
Exkurs: Method of multiple scales (Mehrskalen Methode) dr. karin mora* Im folgenden betrachten wir nichtlineare dynamische Systeme (NDS) mit sogenannten kleinen nichtlinearen Termen. Viele mathematische
Bearbeiten Sie 6 der 8 Aufgaben nach Ihrer Wahl.
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Wintersemester 2012/13 26.2.2013 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
Optimale Steuerung partieller Differentialgleichungen Optimal Control of Partial Differential Equations
Prof. Dr. H. J. Pesch Lehrstuhl für Ingenieurmathematik Universität Bayreuth Optimale Steuerung partieller Differentialgleichungen Optimal Control of Partial Differential Equations (Teil 1: SS 26) 4. Übung
x= f(x) p= U (x). (b) Zeigen Sie, dass auf jeder auf einem Intervall existierenden Lösung t x(t) die Energie E(t) := 1 2 p(t)2 + U(x(t)) x 1
Blatt 1 03042006 H-Ch Grunau Aufgabe 1 Betrachten Sie die Differentialgleichung x= f(x) mit f = U und U C 2 ((α, β), R) und schreiben Sie diese in der Form x= p, p= U (x) (a) Skizzieren Sie die Phasenportraits
Existenz von schwachen Lösungen zu verallgemeinerten elliptischen Gleichungen
Existenz von schwachen Lösungen zu verallgemeinerten elliptischen Gleichungen LM München 13.12.2012 Existenz von schwachen Lösungen zu verallgemeinerten elliptischen Gleichung 1/15 Einführung Lu = u =
Spezieller Ansatz bei spezieller Inhomogenität.
Spezieller Ansatz bei spezieller Inhomogenität. Bei Inhomogenitäten der Form h(t) = e µt kann man spezielle Ansätze zur Bestimmung von y p (t) verwenden: Ist µ keine Nullstelle der charakteristischen Gleichung
Stabilitätsfragen bei autonomen Systemen
1 Stabilitätsfragen bei autonomen Systemen M. Schuster 09.08.2006 Inhaltsverzeichnis 1 Allgemeines über autonome Systeme 1 1.1 Oft übliche Bezeichnungen mit Übersetzung.......................... 1 2 Stabilität
Diskretisierungskonzepte für Optimalsteuerungsprobleme mit partiellen Differentialgleichungen
Diskretisierungskonzepte für Optimalsteuerungsprobleme mit partiellen Differentialgleichungen Tobias Seitz 18. Juli 2012 Das Modellproblem Das Modellproblem min J(y,u) =: 1 2 y (y,u) Y U z 2 L 2 (Ω) +
Motivation. Motivation 2
Grenzzyklen 1 Motivation Grenzzyklen modellieren von selbst oszillierende Systeme Stabile Grenzzyklen kleine Abweichungen in den Anfangsbedingungen gehen in Grenzzyklus über Beispiele: Van-der-Pol Schwingkreis
Diskretisierungskonzepte für Optimalsteuerungsprobleme mit partiellen Differentialgleichungen
Diskretisierungskonzepte für Optimalsteuerungsprobleme mit partiellen Differentialgleichungen Tobias Seitz 18. Juli 2012 1 Das Modellproblem Wir betrachten das bekannte Modellproblem für die optimale Steuerung
Das magische Quadrat für stochastische Prozesse
. Geodätische Woche Das magische Quadrat für stochastische Prozesse 1 Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie - Universität Bonn Ina Krasbutter, Boris Kargoll, Wolf-Dieter
12.6 Aufgaben zur Laplace-Transformation
292 12. Aufgaben zu linearen Gleichungen 12.6 Aufgaben zur Laplace-Tranformation A B C D Man löe die folgenden Anfangwertprobleme durch Laplace-Tranformation: 1) ẍ ẋ x = ; x() = ẋ() = 1 2) x (3) 6ẍ + 12ẋ
Schwache Lösungen von SDEs und das lokale Martingalproblem
Inhalt Schwache Lösungen von SDEs und das lokale Martingalproblem Christin Strampe February 16, 211 Christin Strampe () SDEs und das lokale Martingalproblem February 16, 211 1 / 24 Inhalt Motivation Schwache
Kapitel 3. Diskretisierungsverfahren. 3.1 Elliptische Differentialgleichung
Kapitel 3 Diskretisierungsverfahren 3.1 Elliptische Differentialgleichung Wir beschränken uns auf elliptische Randwertaufgaben. Gesucht ist eine Funktion u (x, y) in R 2, welche die allgemeine partielle
Hörsaalübung 2 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 2018/2019 Dr. Hanna Peywand Kiani Hörsaalübung 2 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Separierbare und lineare Differentialgleichungen
Modellprädiktive Regelung auf Grundlage Linearer Programmierung
Modellprädiktive Regelung auf Grundlage Linearer Programmierung Tobias Kreisel Universität Bayreuth Mathematisches Institut Seminar MPC Motivation Probleme der MPC mathematisch beweisbare Stabilität mitunter
Relative Kontrollierbarkeit und Invarianz-Entropie
Relative Kontrollierbarkeit und Invarianz-Entropie Ralph Lettau in Zusammenarbeit mit Fritz Colonius und Christoph Kawan Institut für Mathematik Universität Augsburg 9. Elgersburg Workshop 5. März 2014
4.1 Motivation von Variationsmethoden Variationsmethoden im Sobolevraum Motivation von Variationsmethoden
Kapitel 4 Das Dirichlet Prinzip Bevor wir uns der Lösung von Randwertproblemen mithilfe der eben entwickelten Techniken zuwenden, wollen wir uns einer Idee zur Lösung widmen, die einige Elemente dieser
Kapitel 15. Kontrolltheorie. Josef Leydold Mathematik für VW WS 2017/18 15 Kontrolltheorie 1 / 19. T (1 s(t)) f (k(t)) dt
Kapitel 15 Kontrolltheorie Josef Leydold Mathematik für VW WS 217/18 15 Kontrolltheorie 1 / 19 Wirtschaftswachstum Aufgabe: Maximiere Konsum im Zeitraum [, T]: max s(t) 1 (1 s(t)) f (k(t)) dt f (k)...
Dynamische Niedrigrang-Approximation an die Lösung von Wellengleichungen
Dynamische Niedrigrang-Approximation an die Lösung von Wellengleichungen J. Schweitzer M. Hochbruck Seminar für Angewandte Mathematik ETH Zürich Mathematisches Institut Heinrich Heine Universität Düsseldorf
Das Dreikörperproblem
1 Das Dreikörperproblem Proseminar Theoretische Physik Alexander Müller 02.07.2014 2 Gliederung Allgemeines Circular Restricted Problem Stabilität im allgemeinen Dreikörperproblem Periodische Lösungen
Gebietserkennung in einem parabolisch-elliptischen Problem
Gebietserkennung in einem parabolisch-elliptischen Problem Bastian Gebauer gebauer@math.uni-mainz.de Johannes Gutenberg-Universität Mainz, Germany Zusammenarbeit mit Florian Fruehauf & Otmar Scherzer,
Gewöhnliche Differentialgleichungen Woche 1
Gewöhnliche Differentialgleichungen Woche Einführung. Modelle Eine gewöhnliche Differentialgleichung gibt eine Relation zwischen einer unbekannten Funktion und deren Ableitung(en). Nun kann man unendlich
Übungsblatt 2: Modellierung und Linearisierung (Abgabe am von 8:00-8:15 im Vorlesungs-Hörsaal) Prof. Dr. Moritz Diehl
Vorlesung Systemtheorie und Regelungstechnik (SR Albert-Ludwigs-Universität Freiburg Sommersemester 2014 Übungsblatt 2: Modellierung und Linearisierung (Abgabe am 21.5.2014 von 8:00-8:15 im Vorlesungs-Hörsaal
Merkblatt zur Funktionalanalysis
Merkblatt zur Funktionalanalysis Literatur: Hackbusch, W.: Theorie und Numerik elliptischer Differentialgleichungen. Teubner, 986. Knabner, P., Angermann, L.: Numerik partieller Differentialgleichungen.
Lyapunov-Exponenten. Analyse des Langzeitverhaltens ( t ) eines physikalischen Systems:
Analyse des Langzeitverhaltens ( t ) eines physikalischen Systems: - t tritt bei konkreten beobachteten Systemen nicht auf t >> τ (τ: charakteristische Systemzeit) - t: Dauer der Beobachtung, Prognosezeitraum,...
Optimale Steuerung eines linearen Servomotors
mit Coulomb-Reibung und Zustandsbeschränkungen Bahne Christiansen, Helmut Maurer Oliver Zirn Universität Münster Institut für Numerische Mathematik University of Applied Sciences Giessen Kleinwalsertal,
Definition Anwendungen. z-transformation. Fakultät Grundlagen. Juli 2010
z-transformation Fakultät Grundlagen Juli 2010 Fakultät Grundlagen z-transformation Übersicht 1 2 Fakultät Grundlagen z-transformation Folie: 2 Abtastung Abtastung: Umwandlung einer stetigen (zeitkontinuierlichen)
Lineare Differenzen- und Differenzialgleichungen
Lineare Differenzen- und Differenzialgleichungen Fakultät Grundlagen April 2011 Fakultät Grundlagen Lineare Differenzen- und Differenzialgleichungen Übersicht 1 Beispiele Anwendung auf Fragen der dynamischen
Spektraltheorie. 2. Übungsblatt - Lösungsvorschläge. (Elementare Aussagen über Spektrum & Resolventenfunktion)
4.4.8 PD Dr. Peer Kunstmann M.Sc. Michael Ullmann Spektraltheorie. Übungsblatt - Lösungsvorschläge Aufgabe Elementare Aussagen über Spektrum & Resolventenfunktion Seien X, X, Y, Y Banachräume und S, T