Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi
|
|
- Fátima Leal
- 4 Há anos
- Visualizações:
Transcrição
1 Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos
2 O problema de controle ótimo Considere um sistema contínuo ẋ (t) = f (x (t), u (t)), 0 t T com x (0) = x 0 dado, u (t) U, 0 t T e um funcional custo associado da forma h (x (T )) + T 0 g (x (t), u (t)) dt O problema de controle ótimo consiste em determinar uma lei de controle (denominada lei de controle ótima) {u (t) : t [0, T ]} que aplicada ao sistema, minimize o funcional custo.
3 Equação de Hamilton-Jacobi-Bellman Usando o princípio de otimalidade de Bellman, podemos determinar uma condição necessária em forma de equação diferencial parcial, que a solução ótima deve satisfazer. Equação de Hamilton-Jacobi-Bellman O uso da princípio da otimalidade para derivar a equação de Hamilton-Jacobi-Bellman é referido como Abordagem da Programação Dinâmica
4 Equação de Hamilton-Jacobi-Bellman Aplicação da Programação Dinâmica na aproximação discreta do problema de controle ótimo contínuo Divisão do horizonte de tempo [0, T ] em N partes, usando o intervalo de discretização δ = T N Denote: x k = x(kδ) e u k = u(kδ) k = 0, 1,..., N Aproximação da equação dinâmica contínua x k+1 = x k + f(x k, u k )δ
5 Equação de Hamilton-Jacobi-Bellman Função custo h (x N ) + N 1 k=0 g (x k, u k ) δ Sejam J (t, x): custo ótimo no tempo t e estado x para o problema contínuo J (t, x): custo ótimo no tempo t e estado x para a aproximação discreta
6 Algoritmo da Programação Dinâmica J (Nδ, x) = h(x) Equação de Hamilton-Jacobi-Bellman J (kδ, x) = min u U [g(x, u)δ + J ((k + 1)δ, x + f(x, u)δ)] k = 0,..., N 1 Assumindo que J é diferenciável, vamos expandí-lo em série de Taylor de primeira ordem J ((k + 1)δ, x + f(x, u)δ) = J (kδ, x) + t J (kδ, x)δ + x J (kδ, x) T f(x, u)δ + o(δ) t : derivada parcial com relação a t e x : vetor coluna n-dimensional de derivadas parciais com relação a x
7 Equação de Hamilton-Jacobi-Bellman Substituindo no algoritmo da PD J (kδ, x) = min u U [g(x, u)δ + J (kδ, x) + t J (kδ, x)δ + x J (kδ, x) T f(x, u)δ + o(δ)] Cancelando J (kδ, x) dos dois lados, dividindo por δ, fazendo o limite δ 0 e assumindo lim k,δ 0,kδ=t J (kδ, x) = J (t, x) para todo t, x.
8 Equação de Hamilton-Jacobi-Bellman Temos: 0 = min u U [g(x, u) + t J (t, x) + x J (t, x) T f(x, u)] com condição limite J (T, x) = h(x). Equação de Hamilton-Jacobi-Bellman
9 Proposição 2.1, p.93 Seja V (t, x) uma solução da equação de Hamilton-Jacobi-Bellman, ou seja, V é continuamente diferenciável em (t, x) e é tal que 0 = min u U [g(x, u) + t V (t, x) + x V (t, x) T f(x, u)] com condição limite V (T, x) = h(x). Suponha que µ (t, x) resolve o problema de mínimo acima para todo (t, x) Seja {x (t) t [0, T ]} a trajetória de estados do sistema quando o controle u (t) = µ (t, x (t)) é aplicado e a condição inicial é x(0).
10 Proposição 2.1, p.93 Suponha que {u (t) : t [0, T ]} seja admissível (contínua por partes em t e contida em U). Então V (t, x) é a única solução da equação de HJB e é igual à função ótima, ou seja, V (t, x) = J (t, x), (t, x) Além disso, a lei de controle {u (t) : t [0, T ]} é ótima e a trajetória de estados ótima é {x (t) : t [0, T ]}.
11 Proposição 2.1, p.93 Prova: Primeiramente, pela definição de u e pela Eq. de HJB, note que as trajetórias {x (t) : t [0, T ]} e {u (t) : t [0, T ]} são tais que g (x (t), u (t)) + t V (t, x (t)) + x V (t, x (t)) T f (x (t), u (t)) = 0, t [0, T ] e para qualquer outra trajetória admissível {u a (t) : t [0, T ]} com a correspondente trajetória {x a (t) : t [0, T ]} temos c a (t) := g (x a (t), u a (t)) + t V (t, x a (t)) + x V (t, x a (t)) T f (x a (t), u a (t)) 0, t [0, T ]
12 Proposição 2.1, p.93 Como x a (t) e u a (t) satisfazem a equação do sistema ẋ a (t) = f (x a (t), u a (t)), x a (0) = x 0, pela regra da cadeia, c a (t) = g (x a (t), u a (t)) + d dt (V (t, x a (t))) 0 sendo d a derivada total com relação a t. Integrando em t de 0 a T dt obtemos T g (x 0 a (t), u a (t)) dt + V (T, x a (T )) V (0, x a (0)) 0
13 Proposição 2.1, p.93 Como a função V (t, x) satisfaz a condição terminal e como por hipótese x a (0) = x 0, temos que para qualquer trajetória de controle admisível vale V (0, x 0 ) h (x a (T )) + T 0 g (x a (t), u a (t)) dt Em particular, para a trajetória u (t) temos V (0, x 0 ) = h (x (T )) + T 0 g (x (t), u (t)) dt h (x a (T )) + T 0 g (x a (t), u a (t)) dt Ou seja, o custo para u (t) é V (0, x 0 ) e não é maior que qualquer outra política admissível u a (t).
14 Proposição 2.1, p.93 Segue que u (t) é ótimo e V (0, x 0 ) = J (0, x 0 ) O procedimento anterior pode ser aplicado para qualquer tempo inicial t [0, T ] e qualquer estado inicial x, Então V (t, x) = J (t, x), t, x
15 Exemplo 2.1, p. 94 Considere o sistema escalar ẋ (t) = u (t), t [0, T ] com a restrição u (t) 1, para todo t [0, T ]. Deternine o u(t) ótimo que minimiza o custo 1 2 x2 (T )
16 Exemplo 2.1, p. 94 Solução: A equação de HJB é 0 = min u(t) 1 [ t V (t, x) + x V (t, x) T u] com condição final V (T, x) = 1 2 x2. Vamos inicialmente considerar uma interpretação intuitiva do problema proposto. A equação ẋ (t) = u (t) nos diz que temos controle sobre a derivada de x, ou seja, podemos escolher a inclinação da curva x (t).
17 Exemplo 2.1, p. 94 O custo total 1 2 x2 (T ) nos fornece a distância normalizada do ponto final x (T ) em relação ao eixo horizontal. Assim, o problema proposto consiste em determinar a melhor inclinação a cada instante de tal forma a minimizar a distância do ponto final ao eixo horizontal, ou seja, fazer x(t ) o mais próximo possível de 0. Uma candidata natural para estratégia ótima de ação a cada instante é mover o estado para zero o mais rápido possível e caso atinja o zero, permanecer em zero.
18 Exemplo 2.1, p. 94 Assuma a política de controle candidata: 1 se x < 0 µ c (t, x) = sgn(x) = 0 se x = 0 1 se x > 0 Vamos calcular a função custo associada à política de controle candidata. (i) Para x (t 0 ) = 0 temos como política de controle candidata {u c (t) = 0 para todo t [t 0, T ]} Assim, x c (t) = 0 para todo t [t 0, T ], e J (t 0, x 0 = 0) = 0
19 Exemplo 2.1, p. 94 (ii) Para x (t 0 ) = x 0 > 0 temos u c (t) = 1 para t em algum intervalo [t 0, t 1 ]. Como neste intervalo, ẋ (t) = 1, temos x (t 1 ) = x (t 0 ) t 1 t 0 1dt = x 0 t 1 + t 0 Note que a ação u c (t) = 1 deve permanecer até o instante t = t 1, enquanto valer x 0 t 1 + t 0 > 0
20 Exemplo 2.1, p. 94 Assim, para x 0 T t 0, temos u c (t) = 1 em todo o intervalo [t 0, T ]. Neste caso, x (T ) = x 0 (T t 0 ) e o custo associado é J (t 0, x 0 ) = 1 2 x2 (T ) = 1 2 [x 0 (T t 0 )] 2 Para x 0 < T t 0, existe t 1 = x 0 + t 0 < T para qual x (t 1 ) = 0. A partir deste instante fazemos u c (t) = 0 para todo t [t 1, T ] e obtemos x (T ) = 0. Neste caso, o custo associado é J (t 0, x 0 ) = 0. Resumindo temos: { se x 0 > 0 então 1 (1) J (t 0, x 0 ) = [x 2 0 (T t 0 )] 2 se x 0 T t 0 0 se 0 x 0 T t 0
21 Exemplo 2.1, p. 94 (iii) Para x (t 0 ) = x 0 < 0 temos u c (t) = 1 para t em algum intervalo [t 0, t 2 ]. Como neste intervalo, ẋ (t) = 1, temos x (t 2 ) = x (t 0 ) + t 2 t 0 1dt = x 0 + t 2 t 0 Note que a ação u c (t) = 1 deve permanecer até o instante t = t 2, enquanto valer x 0 + t 2 t 0 < 0
22 Exemplo 2.1, p. 94 Assim, para x 0 T t 0, temos u c (t) = 1 em todo o intervalo [t 0, T ]. Neste caso, x (T ) = x 0 + (T t 0 ) e o custo associado é J (t 0, x 0 ) = 1 2 x2 (T ) = 1 2 [x 0 + (T t 0 )] 2 Para x 0 < T t 0, existe t 2 = t 0 x 0 < T para qual x (t 2 ) = 0. A partir deste instante fazemos u c (t) = 0 para todo t [t 2, T ] e obtemos x (T ) = 0. Neste caso, o custo associado é J (t 0, x 0 ) = 0. Resumindo temos: { se x 0 < 0 então 1 (2) J (t 0, x 0 ) = [ x 2 0 (T t 0 )] 2 se x 0 T t 0 0 se 0 x 0 T t 0
23 Exemplo 2.1, p. 94 De (1) e (2): J (t 0, x 0 ) = { 1 2 [ x 0 (T t 0 )] 2 se x 0 T t 0 0 se 0 x 0 T t 0 Ou, considerando qualquer instante inicial t e qualquer estado inicial x J (t, x) = 1 [max{0, x (T t)}]2 2 que satisfaz a condição final J(T, x) = 1 2 x2. Se esta função satisfaz a Eq. de HJB, a lei de controle candidata é ótima
24 Exemplo 2.1, p. 94 Portanto, considere: V (t, x) = J (t, x) = 1 [max{0, x (T t)}]2 2 Temos: t V (t, x) = max{0, x (T t)} x V (t, x) = sgn(x).max{0, x (T t)} lembrando que d/dx x = sgn(x)
25 Exemplo 2.1, p. 94 Substituindo na Equação de HJB 0 = min u(t) 1 [1 + sgn(x)u]max{0, x (T t)} que é satisfeita para todo (t, x). Além do mais, o mínimo é alcançado para u = sgn(x), ou seja, a política candidata é ótima.
26 O problema Linear Quadrático Considere o sistema linear ẋ (t) = Ax (t) + Bu (t) e o custo total x T (T ) Q T x (T ) + T 0 xt (t) Qx (t) + u T (t) Ru (t) dt sendo as matrizes Q T e Q simétricas semidefinidas positivas e a matriz R simétrica definida positiva
27 O problema Linear Quadrático Solução: Em termos do problema padrão temos as seguintes identificações f (x, u) = Ax + Bu h (x) = x T Q T x g (x, u) = x T Qx + u T Ru Então, a Equação de HJB fica min u {x T Qx + u T Ru + t V (t, x) + x V (t, x) T (Ax + Bu)} = 0 com condição final V (T, x) = x T Q T x
28 O problema Linear Quadrático Como V (T, x) = x T Q T x, é razoável assumir uma func ao V candidata da forma: V (t, x) = x T K (t) x sendo K (t) simétrica. Temos: t V (t, x) = x T K(t)x x V (t, x) = 2Kx
29 O problema Linear Quadrático Substituindo na Equação de HJB min u {x T Qx + u T Ru + t V (t, x) + x V (t, x) T (Ax + Bu)} = 0 min u {x T Qx + u T Ru + x T K(t)x + 2x T K(t)Ax + 2x T K(t)Bu} = 0 O mínimo é encontrado fazendo o gradiente com relação a u e igualando a zero: 2B T K(t)x + 2Ru = 0 Assim, u = R 1 B T K(t)x
30 O problema Linear Quadrático Substituindo na Equação de HJB x T Qx + x T K(t)BR 1 RR 1 B T K(t)x + x T K(t)x + 2x T K(t)Ax 2x T K(t)BR 1 B T K(t)x = 0 x T Qx + x T K(t)x + x T K(t)Ax + x T A T K(t)x x T K(t)BR 1 B T K(t)x = 0 x (Q T + K(t) ) + K(t)A + A T K(t) K(t)BR 1 B T K(t) x = 0 Equação de Riccati no tempo conítnuo K(t) = K(t)A A T K(t) + K(t)BR 1 B T K(t) Q
31 O problema Linear Quadrático Portanto, para que V (t, x) = x T K (t) x seja solução da Equação de HJB, K(t) deve satisfazer a Equação de Riccati. De forma contrária, se K(t) é solução da Equação de Riccati, então V (t, x) = x T K (t) x é solução da Equação de HJB, e pela proposição 2.1, o custo ótimo é J (t, x) = x T K (t) x e a política ótima é u = R 1 B T K(t)x
32 Lista 3 Exercício 1: Considere o sistema x 1 (k) = αw (k + 1) x 2 (k) = αw (k) sendo {w (k), k 0} uma sequência de variáveis aleatórias (escalares) Gaussianas independentes, de média zero e de variância unitária. Considere as observações y (k) = x 2 (k) + v (k), k 0 sendo {v (k), k 0} uma sequência de variáveis aleatórias (escalares) Gaussianas independentes, de média zero e de variância unitária. Suponha ainda que w (i) e v (j) são não-correlacionados para todo i, j 0.
33 Lista 3 Determinar o seguinte valor esperado condicional: [ ] [ ] x 1 (k) x 1 (k) := E{ y (k),..., y (0)} x 2 (k) x 2 (k) e a matriz de covariância do erro [ ] [ ] T x 1 (k) x 1 (k) x 1 (k) x 1 (k) P k = E{ } x 2 (k) x 2 (k) x 2 (k) x 2 (k) Dica: determinar a solução pelos primeiros princípios, sem se preocupar em colocá-los de forma recursiva de Kalman.
34 Lista 3 Exercício 2: Considere o sistema x k+1 = Ax k + w k z k = [ Cx k + v k para k ] = 0, 1, 2,..., sendo [ ] A =, C = Faça um programa em MATLAB para estimar os estados para uma dada condição inicial x 0, utilizando o filtro de Kalman. Plote (pelo menos) os seguintes gráficos (i) os estados x k (ii) as estimativas preditivas x k+1 k obtidas pelo filtro de Kalman (iii) as estimativas filtradas x k k obtidas pelo filtro de Kalman (iv) as estimativas filtradas x k k obtidas pelo filtro de Kalman em regime permanente (v) os erros de estimativa correspondentes aos itens (i)-(iv).
Controle Ótimo - Aula 10 Princípio do Mínimo de Pontryagin
Controle Ótimo - Aula 10 Princípio do Mínimo de Pontryagin Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo
Leia maisControle Ótimo - Aula 2 (Exemplos 2, 3 e 4)
Controle Ótimo - Aula 2 (Exemplos 2, 3 e 4) Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Sistemas dinâmicos discretos no tempo O Problema
Leia maisControle Ótimo - Aula 6 Exemplos e Exercícios
Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Probabilidades Probabilidade: número entre
Leia maisEES-20: Sistemas de Controle II
EES-: Sistemas de Controle II 14 Agosto 17 1 / 49 Recapitulando: Estabilidade interna assintótica Modelo no espaço de estados: Equação de estado: ẋ = Ax + Bu Equação de saída: y = Cx + Du Diz-se que o
Leia maisResolução de sistemas de equações lineares: Método do Gradiente
Resolução de sistemas de equações lineares: Método do Gradiente Marina Andretta ICMC-USP 24 de março de 2015 Marina Andretta (ICMC-USP) sme0301 - Métodos Numéricos para Engenharia I 24 de março de 2015
Leia maisDepartamento de Matemática da Universidade de Coimbra. Licenciatura em Matemática. e B =
Departamento de Matemática da Universidade de Coimbra Optimização Numérica Licenciatura em Matemática Ano lectivo 2006/2007 Folha 1 1. Considere as matrizes A = [ 1 1 1 2 ] e B = [ 1 3 1 2 (a) Verifique
Leia maisEncontre um valor aproximado para 3 25 com precisão de 10 5 utilizando o método da bissecção.
1 a) Mostre que f (x) = x cos x possui uma raiz no intervalo [0, 1]. b) Prove que essa raiz é única. c) Sem executar o método, preveja o número de iterações que o algoritmo da bissecção utilizaria para
Leia maisBCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017
BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro
Leia maisOptimização. Carlos Balsa. Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança
Optimização Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados Eng. Química e Industrial Carlos Balsa Matemática Aplicada
Leia maisO Teorema de Peano. f : D R n. uma função contínua. Vamos considerar o seguinte problema: Encontrar um intervalo I R e uma função ϕ : I R n tais que
O Teorema de Peano Equações de primeira ordem Seja D um conjunto aberto de R R n, e seja f : D R n (t, x) f(t, x) uma função contínua. Vamos considerar o seguinte problema: Encontrar um intervalo I R e
Leia maisMétodos Numéricos em Equações Diferenciais Aula 02 - Método de Euler
Métodos Numéricos em Equações Diferenciais Aula 02 - Método de Euler Profa. Vanessa Rolnik curso: Matemática Aplicada a Negócios Introdução Método de Diferenças: { w0 = α w i+1 = w i + h φ(t i, w i ),
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia mais2 - f: R R: y = x 2 Classicação: Nem injetora, nem sobrejetora.
Apostila de Métodos Quantitativos - UERJ Professor: Pedro Hemsley Funções: f: X Y : Associa a cada elemento do conjunto X um único elemento do conjunto Y. Existem tres tipos especícos de funções: Sobrejetora,
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística. Curso: Engenharia de Produção
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisConsidere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia mais3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
Leia maisCapítulo 5 - Optimização Não-Linear
Capítulo 5 - Optimização Não-Linear balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia
Leia maisMarina Andretta. 17 de setembro de Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright.
Métodos de regiões de confiança Marina Andretta ICMC-USP 17 de setembro de 2014 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear
Leia maisAula 15. Derivadas Direcionais e Vetor Gradiente. Quando u = (1, 0) ou u = (0, 1), obtemos as derivadas parciais em relação a x ou y, respectivamente.
Aula 15 Derivadas Direcionais e Vetor Gradiente Seja f(x, y) uma função de variáveis. Iremos usar a notação D u f(x 0, y 0 ) para: Derivada direcional de f no ponto (x 0, y 0 ), na direção do vetor unitário
Leia maisControle Ótimo - Aula 1 (Prova do Algoritmo da PD e Exemplo 1)
1 Controle Ótimo - Aula 1 (Prova do Algoritmo da PD e Exemplo 1) Adriano Almeida Gonçalves Siqueira e Marco H. Terra Algoritmo da Programação Dinâmica: Para cada condição inicial x 0, o custo ótimo J (x
Leia maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Não Linear Aula 7: Programação Não-Linear - Funções de Várias variáveis Vector Gradiente; Matriz Hessiana; Conveidade de Funções e de Conjuntos; Condições óptimas de funções irrestritas; Método
Leia maisMAP Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017
1 Preliminares MAP3121 - Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017 A decomposição de Cholesky aplicada a Finanças O exercício-programa
Leia maisc PAVF 2 Produc~ao Considere o problema de determinar a melhor maneira de combinar varios insumos (p. ex., sementes, maquinario, trabalho humano, :::
c PAVF 1 Aplicac~oes Produc~ao Aproximac~ao Planejamento Controle Alocac~ao Geometria Equac~oes c PAVF 2 Produc~ao Considere o problema de determinar a melhor maneira de combinar varios insumos (p. ex.,
Leia maisMOVIMENTO AO LONGO DE UM EIXO
MOVIMENTO AO LONGO DE UM EIXO Considere o movimento de um ponto material sobre um eixo, decorrido num certo intervalo de tempo [, T ] R. Para cada instante t [, T ], seja x(t) R a posição correspondente
Leia mais(x n + tv n) dxn df. (x n ) dxn. = Df(x) v derivada de f em x na direção. v n. (x ): Apenas a derivada parcial em
Apostila de Métodos Quantitativos - UERJ Professor: Pedro Hemsley Derivada Direcional e Gradiente A regra da cadeia pode ser utilizada para determinar a taxa de variação de uma função f(x 1,,x n ) em um
Leia mais5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Leia maisOtimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Leia maisPUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de
Leia maisBioinformática Avançada e Biologia de Sistemas Optimização
Bioinformática Avançada e Biologia de Sistemas Optimização A. Ismael F. Vaz Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho aivaz@dps.uminho.pt Mestrado em Bioinformática
Leia maisCapítulo 5 Derivadas Parciais e Direcionais
Capítulo 5 Derivadas Parciais e Direcionais 1. Conceitos Sabe-se que dois problemas estão relacionados com derivadas: Problema I: Taxas de variação da função. Problema II: Coeficiente angular de reta tangente.
Leia maisControle Ótimo e Filtro de Kalman - Estabilizador 2
Capítulo 4 Controle Ótimo e Filtro de Kalman - Estabilizador 2 O principal objetivo deste capítulo é definir o conceito de controle ótimo e de filtro de Kalman. Por otimização, podemos encontrar tanto
Leia maisx exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Leia maisMultiplicadores de Lagrange
Multiplicadores de Lagrange Para motivar o método, suponha que queremos maximizar uma função f (x, y) sujeito a uma restrição g(x, y) = 0. Geometricamente: queremos um ponto sobre o gráfico da curva de
Leia maisMatrizes positivas definidas, semidefinidas, etc.
Matrizes positivas definidas, semidefinidas, etc. Amit Bhaya, Programa de Engenharia Elétrica COPPE/UFRJ Universidade Federal do Rio de Janeiro amit@nacad.ufrj.br http://www.nacad.ufrj.br/ amit Funções
Leia maisModelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia mais. Os menores -2,0-1,5-1,0-0,5-5 0,0 0,5 1,0 1,5 2, = x 2y.. Os menores
1. Para cada uma das seguintes funções, verifique se ele é côncava, convexa ou nenhuma das duas, justificando em cada caso. (a) f(x, ) = 1x + (b) f(x) = 1x x (c) f(x, ) = x x 1 (a) = 1 = x = e = = = 1
Leia maisEscola de Pós-Graduação em Economia da Fundação Getulio Vargas (EPGE/FGV) Análise II Professor: Rubens Penha Cysne
Escola de Pós-Graduação em Economia da Fundação Getulio Vargas (EPGE/FGV) Análise II Professor: Rubens Penha Cysne Lista de Exercícios 1 - VC Cálculo de Variações em Tempo Contínuo Postada dia 13/4/9 Data
Leia maisII. Funções de uma única variável
II. Funções de uma única variável 1 II.1. Conceitos básicos A otimização de de funções de de uma única variável consiste no no tipo mais elementar de de otimização. Importância: Tipo de problema encontrado
Leia maisAula 6. Doravante iremos dizer que r(t) é uma parametrização da curva, e t é o parâmetro usado para descrever a curva.
Curvas ou Funções Vetoriais: Aula 6 Exemplo 1. Círculo como coleção de vetores. Vetor posição de curva: r(t) = (cos t, sen t), t 2π r(t) pode ser vista como uma função vetorial: r : [, 2π] R R 2 Doravante
Leia maisCálculo a Várias Variáveis I - MAT Cronograma para P2: aulas teóricas (segundas e quartas)
Cálculo a Várias Variáveis I - MAT 116 0141 Cronograma para P: aulas teóricas (segundas e quartas) Aula 10 4 de março (segunda) Aula 11 6 de março (quarta) Referências: Cálculo Vol James Stewart Seções
Leia maisRealimentação Linearizante
Realimentação Linearizante ENGC65: Sistemas de controle III Departamento de Engenharia Elétrica - DEE Universidade Federal da Bahia - UFBA 03 de junho de 2019 Prof. Tito Luís Maia Santos 1/ 22 Sumário
Leia maisResumo: Regra da cadeia, caso geral
Resumo: Regra da cadeia, caso geral Teorema Suponha que u = u(x 1,..., x n ) seja uma função diferenciável de n variáveis x 1,... x n onde cada x i é uma função diferenciável de m variáveis t 1,..., t
Leia maisÁlgebra Linear - 2 a lista de exercícios Prof. - Juliana Coelho
Álgebra Linear - 2 a lista de exercícios Prof. - Juliana Coelho 1 - Verifique que os conjuntos V abaixo com as operações dadas não são espaços vetoriais explicitando a falha em alguma das propriedades.
Leia maisCÁLCULO I. 1 A Função Logarítmica Natural. Objetivos da Aula. Aula n o 22: A Função Logaritmo Natural. Denir a função f(x) = ln x;
CÁLCULO I Prof. Edilson Neri Júnior Prof. André Almeida Aula n o 22: A Função Logaritmo Natural Objetivos da Aula Denir a função f(x) = ln x; Calcular limites, derivadas e integral envolvendo a função
Leia maisAutovalores e Autovetores
Autovalores e Autovetores Maria Luísa B. de Oliveira SME0300 Cálculo Numérico 24 de novembro de 2010 Introdução Objetivo: Dada matriz A, n n, determinar todos os vetores v que sejam paralelos a Av. Introdução
Leia maisMAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre o Método dos Mínimos Quadrados
MAP 2121 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre o Método dos Mínimos Quadrados 1: Usando o método dos mínimos quadrados de maneira conveniente, aproxime os pontos da tabela abaixo por uma
Leia maisProgramação Linear - Parte 5
Matemática Industrial - RC/UFG Programação Linear - Parte 5 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 5 1/2016 1 / 29 Dualidade Os parâmetros de entrada são dados de acordo com
Leia maisEquações não lineares
DMPA IME UFRGS Cálculo Numérico Índice Raizes de polinômios 1 Raizes de polinômios 2 raizes de polinômios As equações não lineares constituídas por polinômios de grau n N com coeficientes complexos a n,a
Leia maisCálculo II. Resumo Teórico Completo
Cálculo II Resumo Teórico Completo Cálculo 2 A disciplina visa estudar funções e gráficos, de forma semelhante a Cálculo 1, mas expande o estudo para funções de mais de uma variável, bem como gráficos
Leia maisRevisão : máximo, minimo em dimensão 1
Revisão : máximo, minimo em dimensão 1 ( de Rolle) Seja f uma função que satisfaça as seguintes hipóteses: 1 f é contínua no intervalo fechado [a, b], 2 f é diferenciável no intervalo aberto (a, b), 3
Leia maisMAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 2015
MAT27 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 201 Nesta prova considera-se fixada uma orientação do espaço e um sistema de coordenadas Σ (O, E) em E 3, em que E é uma base
Leia mais5 Análise de Sensibilidade
MAC-35 - Programação Linear Primeiro semestre de 00 Prof. Marcelo Queiroz http://www.ime.usp.br/~mqz Notas de Aula 5 Análise de Sensibilidade Neste capítulo consideramos o problema de programação linear
Leia maisAlgebra Linear. 1. Ortonormalização. 2. Sistema de Equações Lineares. pag.1 Teoria de Sistemas Lineares Aula 6. c Reinaldo M.
Algebra Linear 1. Ortonormalização 2. Sistema de Equações Lineares pag.1 Teoria de Sistemas Lineares Aula 6 Ortonormalização Um vetor x é dito estar normalizado se sua norma Euclidiana é igual a 1, ie,
Leia maisÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT32 12 a Lista de exercícios
Leia maisDerivadas Parciais Capítulo 14
Derivadas Parciais Capítulo 14 DERIVADAS PARCIAIS 14.6 Derivadas Direcionais e o Vetor Gradiente Nesta seção, vamos aprender como encontrar: As taxas de variação de uma função de duas ou mais variáveis
Leia maisEXAME DE QUALIFICAÇÃO em Álgebra - Mestrado
Programa de Pós-Graduação em Matemática Instituto de Matemática e Estatística - IME Universidade Federal de Goiás - UFG EXAME DE QUALIFICAÇÃO em Álgebra - Mestrado Aluno: 1) Seja G um grupo e a, b G tais
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Forma geral de um problema Em vários problemas que formulamos, obtivemos: Um objetivo de otimização
Leia maisNotas de Aula de Cálculo Numérico
IM-Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Notas de Aula de Cálculo Numérico Lista de Exercícios Prof. a Angela Gonçalves 3 1. Erros 1) Converta os seguintes números
Leia maisAula 18. Método Multiplicadores Lagrange (continuação)
Aula 18 Método Multiplicadores Lagrange (continuação) Na aula anterior introduzimos o Método dos Multiplicadores de Lagrange, que serve para maximizar/minimizar uma função restrita a um domínio do tipo
Leia maisMatemática 2. Teste Final. Atenção: Esta prova deve ser entregue ao fim de 1 Hora. Deve justificar detalhadamente todas as suas respostas.
Matemática 2 Lic. em Economia, Gestão e Finanças Data: 4 de Julho de 2017 Duração: 1H Teste Final Atenção: Esta prova deve ser entregue ao fim de 1 Hora. Deve justificar detalhadamente todas as suas respostas.
Leia maisMAT Cálculo 2 para Economia 3 a Prova - 28 de novembro de 2016
MAT 0147 - Cálculo para Economia 3 a Prova - 8 de novembro de 016 Questão 1) Determine o máximo e o mínimo de f(x, y) = x 4 + y em D = {(x, y); x + y 1}. Soluç~ao: As derivadas parciais f x (x, y) = 4x
Leia maisCap. 5 Estabilidade de Lyapunov
Cap. 5 Estabilidade de Lyapunov 1 Motivação Considere as equações diferenciais que modelam o oscilador harmônico sem amortecimento e sem força aplicada, dada por: M z + Kz = 0 Escolhendo-se x 1 = z e x
Leia maisAnálise Matemática II - 1 o Semestre 2001/ o Exame - 25 de Janeiro de h
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Análise Matemática II - 1 o Semestre 2001/2002 2 o Exame - 25 de Janeiro de 2001-9 h Todos os cursos excepto Eng. Civil,
Leia mais(1) O vetor posição de uma partícula que se move no plano XY é dado por:
4320195-Física Geral e Exp. para a Engenharia I - 1 a Prova - 12/04/2012 Nome: N o USP: Professor: Turma: A duração da prova é de 2 horas. Material: lápis, caneta, borracha, régua. O uso de calculadora
Leia maisVisão Computacional CPS754
Visão Computacional CPS754 aula 13 - reconstrução Antonio Oliveira Ricardo Marroquim 1 / 26 visão computacional tópicos reprojetando pontos para 3D triangulação simples solução ótima definição do último
Leia mais( 5,2 ). Quantas soluções existem?
Escola Secundária com º ciclo D Dinis 0º Ano de Matemática A Funções e Gráficos Generalidades Funções polinomiais Função módulo Considere as funções da família y = a(x b) Tarefa nº De que tipo de funções
Leia maisMáximos e mínimos (continuação)
UNIVERSIDADE FEDERAL DO PARÁ CÁLCULO II - PROJETO NEWTON AULA 3 Assunto: Máximos e mínimos Palavras-chaves: máximos e mínimos, valores máximos e valores mínimos Máximos e mínimos (continuação) Sejam f
Leia maisAula 10 Sistemas Não-lineares e o Método de Newton.
Aula 10 Sistemas Não-lineares e o Método de Newton MS211 - Cálculo Numérico Marcos Eduardo Valle Departamento de Matemática Aplicada Instituto de Matemática, Estatística e Computação Científica Universidade
Leia maisFiltro de Kalman. Teoria e Aplicação para Iniciantes. Prof. Dr. Marco Antonio Leonel Caetano. M&V Consultoria e Treinamento
Filtro de Kalman Teoria e Aplicação para Iniciantes Prof. Dr. Marco Antonio Leonel Caetano M&V Consultoria e Treinamento www.mudancasabruptas.com.br A História da Filtragem de Sinais 930 940 960 Filtro
Leia maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisInterpolação polinomial
Quarto roteiro de exercícios no Scilab Cálculo Numérico Rodrigo Fresneda 8 de abril de 0 Guia para respostas: Entregue suas respostas às tarefas contidas no roteiro de cada uma das quatro atividades, incluindo
Leia maisEstabilidade Interna. 1. Estabilidade Interna. 2. Análise de Estabilidade Segundo Lyapunov. 3. Teorema de Lyapunov
Estabilidade Interna 1. Estabilidade Interna 2. Análise de Estabilidade Segundo Lyapunov 3. Teorema de Lyapunov 4. Teorema de Lyapunov Caso Discreto pag.1 Teoria de Sistemas Lineares Aula 13 Estabilidade
Leia maisFunções de Green. Prof. Rodrigo M. S. de Oliveira UFPA / PPGEE
Funções de Green Prof. Rodrigo M. S. de Oliveira UFPA / PPGEE Funções de Green Suponha que queremos resolver a equação não-homogênea no intervalo a x b, onde f (x) é uma função conhecida. As condições
Leia maisSolução aproximada de equações de uma variável
Cálculo Numérico de uma variável Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Parte I Localização de zeros e Método da bissecção Motivação: Queda de um
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 05 - sistemas lineares - parte 2 Antonio Oliveira Ricardo Marroquim 1 / 27 laboratório de processamento de imagens tópicos métodos lineares mínimos quadrados equações
Leia maisDerivadas. Derivadas. ( e )
Derivadas (24-03-2009 e 31-03-2009) Recta Tangente Seja C uma curva de equação y = f(x). Para determinar a recta tangente a C no ponto P de coordenadas (a,f(a)), i.e, P(a, f(a)), começamos por considerar
Leia maisEE-253: Controle Ótimo de Sistemas. Aula 6 (04 Setembro 2018)
EE-253: Controle Ótimo de Sistemas Aula 6 (4 Setembro 218) 1 / 54 Regulador Linear Quadrático Modelo linear: ẋ = Ax + Bu com (A, B) estabilizável. Funcional de custo quadrático: J = [ ] x T (t)qx(t) +
Leia maisMAT 121 : Cálculo II. Aula 27 e 28, Segunda 03/11/2014. Sylvain Bonnot (IME-USP)
MAT 121 : Cálculo II Aula 27 e 28, Segunda 03/11/2014 Sylvain Bonnot (IME-USP) 2014 1 Resumo 1 Derivadas parciais: seja f : R 2 R, a derivada parcial f x (a, b) é o limite (quando existe) lim h 0 f (a
Leia maisProgramação Linear/Inteira - Aula 5
Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira - Aula 5 Prof. Thiago Alves de Queiroz Aula 5 Thiago Queiroz (IMTec) Aula 5 Aula 5 1 / 43 Análise de Sensibilidade Estudar o efeito
Leia maisModelagem Matemática para Controle de Nível de um Tanque
Modelagem Matemática para Controle de Nível de um Tanque Fevereiro de 2014 Tanque Cônico: Modelagem Matemática I Considere que se deseja controlar o nível de um reservatório cuja área da seção transversal
Leia maisAula 12 - Controle por Modos Deslizantes 1
Instituto Tecnológico de Aeronáutica 1/ 23 Instituto Tecnológico de Aeronáutica Divisão de Engenharia Eletrônica Departamento de Sistemas e Controle São José dos Campos, São Paulo, Brasil Aula 12-1 EE-209:
Leia maisQuadro Segmentação de Imagens
UNIVERSIDADE DE SÃO PAULO - SÃO CARLOS INSTITUTO DE CIÊNCIAS Processamento de Imagens - SCC0251 2013/1 Prof. Dr. Mario Gazziro Monitor PAE: Vinicius Ruela Pereira Borges - viniciusrpb@icmc.usp.br 1 Método
Leia maisAndréa Maria Pedrosa Valli
Raízes de Equações Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo - UFES, Vitória, ES, Brasil 2-27 Raízes
Leia maisMétodos Numéricos C. A. Ismael F. Vaz 1. Escola de Engenharia Universidade do Minho Ano lectivo 2007/2008
Métodos Numéricos C A. Ismael F. Vaz 1 1 Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho aivaz@dps.uminho.pt Ano lectivo 2007/2008 A. Ismael F. Vaz (UMinho) MN C 2007/2008
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisFunções ortogonais e problemas de Sturm-Liouville. Prof. Rodrigo M. S. de Oliveira UFPA / PPGEE
Funções ortogonais e problemas de Sturm-Liouville Prof. Rodrigo M. S. de Oliveira UFPA / PPGEE Série de Fourier Soma de funções ortogonais entre si Perguntas: -existem outras bases ortogonais que podem
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisEquações Ordinarias 1ªOrdem - Lineares
Nome: Nº Curso: Licenciatura em Matemática Disciplina: Equações Diferenciais Ordinárias 7ºPeríodo Prof. Leonardo Data: / /2018 Equações Ordinarias 1ªOrdem - Lineares 1. EQUAÇÕES DIFERENCIAIS ORDINÁRIAS
Leia maisAproximações Lineares e Diferenciais. Aproximações Lineares e Diferenciais. 1.Aproximações Lineares 2.Exemplos 3.Diferenciais 4.
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Aproximações Lineares
Leia maisGabarito da Primeira Prova MAT Tipo A
Gabarito da Primeira Prova MAT-2454 - Tipo A 10 de Outubro de 2011 -A- Questão 1. Apenas uma das funções f ou g abaixo admite plano tangente a seu gráfico no ponto P = 0,0,0): x 2 y fx,y) = x 2 +y2, se
Leia maisCÁLCULO I. Lista Semanal 01 - Gabarito
CÁLCULO I Prof. Tiago Coelho Prof. Emerson Veiga Questão 1. Esboce as seguintes regiões no plano xy: (a) 0 < x 6. A região representa todas os pontos onde x assume valores entre 0 e 6, sendo aberto em
Leia maisDERIVADAS PARCIAIS. y = lim
DERIVADAS PARCIAIS Definição: Seja f uma função de duas variáveis, x e y (f: D R onde D R 2 ) e (x 0, y 0 ) é um ponto no domínio de f ((x 0, y 0 ) D). A derivada parcial de f em relação a x no ponto (x
Leia maisMétodos Numéricos. MEI - Logística e distribuição Optimização não linear com restrições de igualdade 2004/2005
Métodos Numéricos MEI - Logística e distribuição Optimização não linear com restrições de igualdade 2004/2005 Métodos Numéricos - MEI 1 Apresentação - Docentes Aulas teóricas: A. Ismael F. Vaz - aivaz@dps.uminho.pt
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia mais