Analyse de la Commande Prédictive Floue : Algorithmes et Méthodologies de Solution

Dimension: px
Commencer à balayer dès la page:

Download "Analyse de la Commande Prédictive Floue : Algorithmes et Méthodologies de Solution"

Transcription

1 République Algérienne Démocratique et Populaire MINISÈTRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE MÉMOIRE DE MAGISTÈRE Présenté à L UNIVERSITÉ MENTOURI CONSTANTINE FACULTÉ DES SCIENCES DE L INGÉNIEUR DÉPARTEMENT D ÉLECTRONIQUE Par TENIOU Samir Pour l obtention du diplôme de magistère en électronique Option : Contrôle Thème Analyse de la Commande Prédictive Floue : Algorithmes et Méthodologies de Solution Soutenu publiquement le 02 Décembre 2009 devant le jury composé de : Mr. FILALI Salim Prof. Université Mentouri Constantine Président Mr. BELARBI Khaled Prof. Univertsité Mentouri Constantine Rapporteur Mr. HAMMOUDI Zoheir M. C. Université Mentouri Constantine Examinateur Mr. BOUTAMINA Brahim M. C. Université Mentouri Constantine Examinateur

2

3 République Algérienne Démocratique et Populaire MINISÈTRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE MÉMOIRE DE MAGISTÈRE Présenté à L UNIVERSITÉ MENTOURI CONSTANTINE FACULTÉ DES SCIENCES DE L INGÉNIEUR DÉPARTEMENT D ÉLECTRONIQUE Par TENIOU Samir Pour l obtention du diplôme de magistère en électronique Option : Contrôle Thème Analyse de la Commande Prédictive Floue : Algorithmes et Méthodologies de Solution Soutenu publiquement le 02 Décembre 2009 devant le jury composé de : Mr. FILALI Salim Prof. Université Mentouri Constantine Président Mr. BELARBI Khaled Prof. Univertsité Mentouri Constantine Rapporteur Mr. HAMMOUDI Zoheir M. C. Université Mentouri Constantine Examinateur Mr. BOUTAMINA Brahim M. C. Université Mentouri Constantine Examinateur

4 Remerciements Ce travail a été réalisé au laboratoire d automatique et de robotique, département d électronique, Université Mentouri Constantine. Je tiens à exprimer ma reconnaissance et ma profonde gratitude à Monsieur BELARBI Khaled, professeur à l université Mentouri Constantine, pour avoir assuré l encadrement de ce travail. Son aide, sa grande disponibilité, sa gentillesse ont joué un rôle essentiel dans l aboutissement de ce travail. Son expérience et ses conseils précieux ont contribué à ma formation scientifique. J exprime mes vifs remerciements à Monsieur FILALI Salim, professeur à l université Mentouri Constantine, qui m a fait l honneur de présider ce jury. Mes sincères remerciements vont également à Messieurs HAMMOUDI Zoheir et BOUTAMINA Brahim, Maitres de Conférences à l université Mentouri Constantine qui ont bien voulu examiner ce mémoire. Enfin, mes remerciements vont aussi à mes parents pour leur patience, leurs encouragements continus et leur soutien inconditionnel. Qu il trouve ici toute ma gratitude et mon amour.

5 Table des matières Table des matières Notations et abréviations 3 Introduction 5 1. Commande prédictive à base de modèle Commande prédictive linéaire Modèle Fonction coût Contraintes Prédiction Problème sans contraintes Problème avec contraintes Résolution du problème d optimisation pour la commande prédictive linéaire Méthode de l ensemble actif Méthode du point intérieur L approche LMI Programmation Quadratique multiparamétrique (MPQP) Commande prédictive non linéaire Formulation générale Solution du problème de la commande prédictive non linéaire Stabilité de la commande prédictive La commande prédictive floue à base de modèle d état et ses méthodologies de solutions Commande prédictive floue Prise de décision dans un environnement flou Commande prédictive floue à base de modèle d état La méthode branch and bound Commande prédictive floue linéaire avec fonctions d appartenance gaussiennes

6 Table des matières Définition du problème Les prédictions Solution Solution analytique pour les systèmes du premier ordre Définitions Solution Exemples d applications Programmation dynamique avec branch and bound Système non linéaire 1 er ordre Système non linéaire 2 ème ordre Méthode analytique avec contraintes et objectifs gaussiens Système linéaire 2 ème ordre Méthode analytique système du premier ordre Conclusion 48 Bibliographie 59 2

7 Notations et abréviations Notations et abréviations Symboles 0 0 Ensemble de nombres entiers positifs Ensemble de nombres réels Ensemble de vecteurs à coefficients réels de dimension Prédiction de la variable à l instant à partir des valeurs connues jusqu à L instant Notation générale pour la transposée d une matrice Notation générale pour une matrice strictement définie positive Notation générale pour une matrice définie positive Matrice identité de dimension 0 Matrice nulle de dimension Opérateur retard (pour un signal, 1) L argument correspondant à la valeur minimale de la fonction Acronymes BB «Branch and Bound» CARIMA «Controlled Auto-Regressive Integrated Moving Average» DMC «Dynamic Matrix Control» DP Programmation dynamique («Dynamic Programming») FDP Programmation dynamique floue («Fuzzy Dynamic Programming») FMBPC Commande prédictive floue à base de modèle («Fuzzy Model Based Predictive Control») GPC Commande Prédictive Généralisée («Generalized Predictive Control») 3

8 Notations et abréviations KKT Karush-Kuhn-Tucker LMI Inégalité matricielle linéaire («Linear Matrix Inequality») LP Programmation linéaire («Linear Programming») MAC «Model Algorithmic Control» MBFPC Commande prédictive floue à base de modèle («Model Based Fuzzy Predictive Control») MBPC Commande prédictive à base de modèle («Model Based Predictive Control») MPHC MPQP «Model Predictive Heuristic Control» Programmation quadratique multiparamétrique («multiparametric Quadratic Programming») PFC «Predictive Funcional Control» QP Programmation quadratique («Quadratic Programming») SQP Programmation quadratique séquentielle («Sequential Quadratic Programming») 4

9 Introduction Introduction La commande prédictive à base de modèle notée MBPC (Model Based Predictive Control) est apparue vers la fin des années 70, et depuis elle n a pas cessé de se développer. MBPC n'indique pas une stratégie de commande spécifique mais plutôt des méthodes de contrôles qui font l'utilisation explicite d'un modèle du processus pour obtenir le signal de commande en minimisant une fonction coût. L idée principale des commandes prédictives est basée sur l utilisation d un modèle du système à commander pour prédire sa sortie sur un certain horizon, l élaboration d une séquence de commandes futures minimisant une fonction coût, l application du premier élément de la séquence optimale précédente sur le système et la répétition de la procédure complète à la prochaine période d échantillonnage [MRRS00]. C est le principe de l horizon fuyant. MBPC implique alors la résolution d un problème d optimisation de dimension finie à chaque période d échantillonnage. Il est clair que le temps d obtention de la solution joue un rôle important dans l application de cette stratégie en temps réel. Si pour les systèmes lents à grande période d échantillonnage, l application des méthodes numériques ne pose pas de problème, pour les systèmes rapides échantillonnés à haute fréquence tels que les moteurs, robots, la solution numérique en ligne du problème d optimisation peut être impraticable. Aussi, il est utile de rechercher des solutions analytiques rapides et efficaces. Plusieurs chercheurs se sont alors penchés sur ce sujet. Le résultat de ces recherches a été assez fructueux pour les systèmes à base de modèle de prédiction linéaire [BMDP02, HOV04, JPS00, TON03, WMY09]. Dans ce mémoire, nous nous intéressons aux méthodologies de solution de la commande prédictive floue basée sur les notions d objectifs et contraintes flous introduites par Bellman et Zadeh [BZ70], Model Based Fuzzy Predictive Control, MBFPC. Le problème de la commande prédictive floue est alors de trouver la confluence maximale entre les objectifs et les contraintes flous sur un horizon fini. Notre but est de proposer et d analyser les possibilités de résolution du problème d optimisation associé à la MBFPC. Trois types de solution sont identifiés : - La méthode de programmation dynamique et branch and bound, 5

10 Introduction - Une méthode analytique basée sur des contraintes et des objectifs flous de type gaussien, - Une méthode analytique pour les systèmes linéaires du premier ordre. Pour cela ce mémoire est organisé comme suit : Dans le premier chapitre, nous rappelons les éléments de base de la commande prédictive et les méthodes de résolution du problème d optimisation associé. Dans le second chapitre nous introduisons la MBFPC et présenterons les méthodes de solutions du problème d optimisation proposées. Dans le troisième chapitre nous donnerons les résultats de simulation pour les trois méthodes appliquées à des problèmes de référence. 6

11 Chapitre1. Commande prédictive à base de modèle Chapitre 1 Commande prédictive à base de modèle Ce chapitre introduit le cadre général de la famille de lois de commande prédictives [CB99]. Nous abordons les méthodes de résolution du problème d optimisation associé à la commande prédictive linéaire et non linéaire. Nous terminons le chapitre par un survol rapide sur l étude de la stabilité. 1.1 Commande prédictive linéaire Modèle L approche prédictive la plus proche de la théorie standard pour les systèmes linéaires est certainement celle qui considère un modèle par représentation d état : 1 (1.1) (1.2) (1.3) Où, le vecteur d état à l instant, le vecteur de commande à l instant, le vecteur des sorties mesurées, le vecteur des sorties à contrôler,,, et des matrices de dimension correspondante. Les sorties contrôlées peuvent en principe dépendre de, 0 (1.4) Ce qui compliquerait le calcul de la commande légèrement. Cette complication peut être évitée, sans rien perdre, en définissant un nouveau vecteur de sorties contrôlées (1.5) qui dépend seulement de :. Dans tous ce qui suit nous supposons que, ce qui est souvent le cas, nous utilisons pour noter et, et pour noter et. 7

12 Chapitre1. Commande prédictive à base de modèle Fonction coût La fonction coût à minimiser à chaque période d échantillonnage pénalise les déviations des sorties prédites d une trajectoire de référence en plus des variations du vecteur de commande 1, elle est souvent donnée par la forme quadratique Où (1.6) (1.7) l horizon de prédiction, l horizon de commande, et 0 pour, 0, 0 sont les matrices de pondération. On peut définir la commande prédictive linéaire comme une loi de rétroaction qui minimise. Il n est pas nécessaire de commencer immédiatement la pénalisation des déviations des sorties prédites de la trajectoire de référence (si 1) car il peut exister un retard entre l application de la commande et la réponse du système à celle-ci. La forme de la fonction coût (1.6) implique que le vecteur erreur est pénalisé à chaque point dans l intervalle. Dans certain cas un terme de la forme est ajouté à la fonction coût (1.6) qui permet de prendre en considération l effort de la commande dans l élaboration de la loi de commande Contraintes Les contraintes ci-dessous doivent être satisfaites sur tout l horizon de prédiction et de commande :,, 1,1 0 (1.8),, 1,1 0 (1.9),,, 1 0 (1.10), et sont des matrices de dimension appropriée. Les contraintes de cette forme peuvent représenter le taux de variation possible des actionneurs entre deux périodes d échantillonnage (1.8), limitation physique des actionneurs (1.9) et les contraintes sur les sorties à contrôler (1.10). 8

13 Chapitre1. Commande prédictive à base de modèle Prédiction Supposons que le vecteur d état est mesurable, i.e., (. Le calcul des sorties prédites se fait par itération du modèle (1.1)-(1.3) 1 (1.11) (1.12) 1 (1.13) 1 1 (1.14) 1 (1.15) Rappelons que 1 et que les entrées peuvent changer seulement aux instants, 1,, 1, et reste constantes après 1 pour 1. Alors 1 (1.16) (1.17) (1.18) Ainsi nous obtenons 1 1 (1.19) (1.20) B 1 1 (1.21) 1 1 (1.22) (1.23) 1 (1.24) 1 Finalement sous forme matricielle 9

14 Chapitre1. Commande prédictive à base de modèle (1.25) 1 D après (1.3) les prédictions de sont données par (1.26) Problème sans contraintes Nous pouvons mettre la fonction coût (1.6) sous la forme (1.27) Où 1 Les matrices de pondération et sont données par À partir de (1.25) et (1.26), a la forme suivante Définissons Alors Ψ Υ 1 Θ (1.28) Ψ Υ 1 (1.29) Θ (1.30) 10

15 Chapitre1. Commande prédictive à base de modèle Θ Θ (1.31) 2 Θ Θ Θ (1.32) Qui a la forme (1.33) Où 2Θ (1.34) Θ Θ (1.35) On voit que et ne dépendent pas de. Comme 0 et 0 alors 0 ce qui garantie la convexité de. Dans ce cas la condition pour que soit un optimum global de est que le gradient s annule à ce point. De l équation (1.33) 2 (1.36) Alors la séquence des variations de commande futures optimales est existe car 0. (1.37) Seulement la partie correspondant au premier pas de la séquence optimale est appliquée au système :,0, (1.38) 1 fois 1 (1.39) Problème avec contraintes Rappelons (1.8)-(1.10) que les contraintes sont de la forme 0 (1.40) 1 0 (1.41) 1 0 (1.42) 1 Où,, 1. Il faut exprimer (1.40)-(1.42) comme des contraintes sur. Pour cela supposons que,,,, (1.43) Où chaque est de dimension et est de dimension 1. Alors (1.41) peut être réécrite comme 1 0 (1.44) 11

16 Chapitre1. Commande prédictive à base de modèle Puisque 1 1 On peut écrire (1.44) comme, (1.45) Définissons et,,. Ainsi (1.41) peut être écrite comme 1 (1.46) Vecteur connu à l instant k Alors (1.41) a été convertie en une contrainte inégalité linéaire sur. Il faut faire la même chose pour (1.42). En remplaçant (1.28) dans (1.42) Ψ Υ 1 Θ 0 (1.47) 1 En prenant Γ,, où est la dernière colonne de, nous obtenons Ou encore ΓΨ Υ 1 ΓΘ 0 ΓΘ ΓΨ Υ 1 (1.48) Finalement, il est clair que (1.40) peut facilement être mise sous la forme W (1.49) Les inégalités (1.46), (1.48) et (1.49) qui sont identiques à (1.40), (1.41) et (1.42) (ensemble des contraintes) peuvent être assemblées dans une seul inégalité 1 ΓΘ ΓΨ Υ 1 (1.50) W La fonction coût que nous devons minimiser est la même que dans le cas sans contraintes. Ainsi de (1.33), à chaque instant (à chaque période d échantillonnage) il faut résoudre en ligne le problème d optimisation avec contraintes suivant : Minimiser G sous la contrainte (1.50). Ce problème à la forme générale : min Φ ; 1.51 Ω Qui est un problème de programmation quadratique (QP). Il existe des méthodes efficaces pour résoudre ce type de programmes. Nous traitons par la suite quelque méthodologie de solution. 12

17 Chapitre1. Commande prédictive à base de modèle 1.2 Résolution du problème d optimisation pour la commande prédictive linéaire avec contraintes On a vu au paragraphe que la loi de commande prédictive avec contraintes implique la résolution d un problème de programmation quadratique différent à chaque période d échantillonnage. On examine dans ce paragraphe les algorithmes les plus utilisée pour la résolution d un tel problème en mentionnant leurs avantages et inconvénients. Remarque : On considère qu un algorithme de commande prédictive se base sur des méthodes en ligne si l implémentation prend en compte les mesures courantes des paramètres de contexte et fait appel à des programmes itératifs pour résoudre des problèmes classiques de programmation quadratique : min 0 (1.52) Sous les contraintes F (1.53) Ω (1.54) Ces méthodes en ligne doivent être différentiées d une autre classe de méthodes dites explicites qui construisent hors ligne la fonction et se résume ensuite à son évaluation en temps réel Méthode de l ensemble actif Il s agit ici d une des méthodes les plus connues pour résoudre les problèmes QP. Elle doit son nom au fait que la procédure essaie itérativement de trouver la séparation entre l ensemble de contraintes actives et inactives pour la solution optimale par la résolution d une suite de problèmes QP avec contraintes égalité. L ensemble de contraintes actives est l ensemble (1.53) en plus d un sous ensemble de (1.54) qui vérifie l égalité Ω. L ensemble de contraintes inactives est le sous ensemble de (1.54) qui vérifie l inégalité stricte Ω. Les problèmes QP avec contraintes égalité se résument par projection à la résolution d un problème sans contraintes, ce qui constitue un avantage certain en terme de temps de calcul. Seules les idées de base sont présentées ci-dessous, les détails peuvent être consultés dans [FLE81]. 13

18 Chapitre1. Commande prédictive à base de modèle Si l on connaît un point initial admissible vérifiant les contraintes (1.53) et (1.54), on peut alors identifier les inégalités saturées (active) et ensuite construire une matrice, et un vecteur, en regroupant toutes les contraintes égalité mais aussi les composantes de et qui correspondent aux inégalités saturées. Avec les méthodes d ensemble actif, le nombre d itérations pour trouver la solution optimale exacte est fini si le problème n est pas susceptible de rencontrer de dégénérescence [FLE81]. Même si dans le pire cas la complexité peut être exponentielle en fonction de la taille des contraintes, pour des problèmes de taille faible les performances restent indéniables. L avantage de la méthode d ensemble actif réside dans la simplicité de construction des solutions particulières à chaque itération. Dès lors, pour des ensembles de contraintes de complexité moyenne, la méthode d ensemble actif reste une des solutions les plus performantes pour les algorithmes prédictifs en ligne. Les méthodes d ensemble actif ne sont pas recommandées pour des problèmes de grande taille car le nombre d itérations peut augmenter significativement à cause du nombre élevé de combinaisons possibles Méthode du point intérieur Ces algorithmes font partie de la classe dite «primal-dual path following methods», qui utilise une fonction barrière et des algorithmes de type Newton. Leurs racines ne sont historiquement pas très éloignées [KAR84] et leur développement a été prodigieux. Ces algorithmes peuvent être vus comme une généralisation des méthodes d optimisation non linéaire classiques pour les problèmes d optimisation avec contraintes convexes. Leurs performances font qu ils sont particulièrement adaptés aux problèmes d optimisation convexe de grandes dimensions. Si l on considère comme formulation de départ le problème lié à la commande prédictive : arg min (1.55) Sous les contraintes Ω (1.56) La première étape consiste à construire une fonction barrière (ou de pénalité intérieure) qui devient infinie sur la frontière du domaine faisable. Des choix typiques pour cette fonction peuvent être : 14

19 Chapitre1. Commande prédictive à base de modèle log Ω ou (1.57) Ω Avec Ω la i-ème ligne de et la i-eme composante du vecteur. En utilisant cette fonction, l optimisation (1.55)-(1.56) peut être remplacée par : argmin 0.5 (1.58) Avec un scalaire jouant le rôle de pondération. La formulation (1.58) caractérise un problème d optimisation non linéaire sans contraintes qui peut être résolu par des méthodes classiques de type Newton. L intégration de la fonction barrière dans le critère d optimisation évite le débordement du domaine faisable durant la recherche de la solution optimale, en garantissant donc le fait que les solutions intermédiaires sont faisables. Si la solution optimale est pour le problème initial, en augmentant la pondération, la solution de (1.58) va évoluer de sorte que quand, améliorant donc la qualité de la solution jusqu à la limite avec suffisamment petit. Le chemin suivi par s appelle la «trajectoire centrale». Les méthodes les plus efficaces travaillent simultanément sur le problème primal et dual. Les méthodes du point intérieur deviennent de plus en plus populaires, au détriment des méthodes d ensemble actif, car leur facteur de convergence est polynomial. En contrepartie, la charge de calcul par itération est plus importante, ce qui les rend inadaptées pour des problèmes de petite taille. Les performances sont fortement liées aux précautions prises pour éviter les problèmes de conditionnement numérique L approche LMI Le développement de méthodes de programmation semi-définie, en liaison avec la formulation des problèmes fondamentaux d automatique en termes d inégalités matricielles linéaires (LMI), a ouvert un domaine de recherche très productif. La commande prédictive n échappe pas à la règle et, par le biais de LMI, de nouvelles constructions deviennent possibles pour l implémentation de lois de commande optimales selon le principe de l horizon glissant. Le principe, résumé par Kothare et al. [KBM96] consiste à minimiser une borne supérieure de la fonction coût à horizon infini avec des restrictions sur l entrée et la sortie. La formulation ne conduit plus à la résolution d un problème QP mais se réduit à la solution d un problème d optimisation convexe à base d inégalités matricielles linéaires. Des résultats existent garantissant que la stratégie proposée assure la stabilité du système. En outre, cette 15

20 Chapitre1. Commande prédictive à base de modèle formulation permet d optimiser de façon significative les résultats de problèmes de commande robuste développés par le biais de la théorie des LMIs. Cette approche se base sur l utilisation de programmes d optimisation spécifiques tout en essayant de ne pas s éloigner des principes fondamentaux de la commande prédictive. Cette démarche est inverse des cas précédents pour lesquels les objectifs de commande définissaient un problème d optimisation où l on recherchait ensuite le meilleur algorithme de résolution. A partir de cette observation, la critique que l on peut formuler est liée au fait que les programmes LMI minimisent une limite supérieure du critère et que cette limite risque d être assez conservative. Du point de vue charge de calcul, même si les solveurs LMI sont relativement performants, les matrices manipulées sont de taille assez conséquente de sorte que ces méthodologies restent applicables avant tout pour des dynamiques relativement lentes. Les avantages de la méthode sont liés à l utilisation des horizons infinis de prédiction, à la robustesse en stabilité et en performances. Un autre point fort de la méthode est que si la faisabilité est acquise à l instant elle sera sur un horizon de prédiction infini Programmation Quadratique multiparamétrique (MPQP) Il s agit d un développement relativement récent qui est toujours un domaine de recherche active. Si les trois méthodes décrites précédemment se résument à l emploi de techniques performantes permettant de résoudre en ligne une certaine classe de problèmes d optimisation, cette méthode conduit à l implémentation de la même stratégie de commande prédictive par l intermédiaire de l évaluation d une fonction explicite du vecteur d état. Cette fonction est construite hors ligne de sorte que le temps de calcul de la commande en ligne se trouve considérablement allégé. La solution numérique des problèmes d optimisation est dite explicite l orsqu un calcul direct des variables dépendantes (arguments optimaux, optimum) peut être réalisé à partir de quantités connues, le calcul est alors explicite. La solution explicite est du type : : telle que (1.59) D une manière générale le problème d optimisation de la commande prédictive linéaire est structuré par la relation : 16

21 Chapitre1. Commande prédictive à base de modèle argmin 0.5 Sous les contraintes : (1.60) Où:,, 1 ( est le vecteur d optimisation, 0, et,,,, sont facilement obtenues des paramètres de la fonction coût et des contraintes. Le problème d optimisation (1.60) est un QP qui dépend de l état courant, c est pour ça que l implémentation de la loi de commande prédictive nécessite la résolution d un QP en ligne à chaque période d échantillonnage. Pour cela, l application de la commande prédictive a été limitée à des systèmes relativement lents. Dans [BMDP02] les auteurs ont proposé une nouvelle approche d implémentation de la MBPC où tout l effort de calcul se fait hors ligne. L idée est basée sur l observation que dans (1.60), le vecteur d état peut être considéré comme un vecteur de paramètres. En d autres termes, la loi de commande MBPC solution du problème (1.60) est une fonction du vecteur. La communauté de recherche opérationnelle a adressé les problèmes d optimisation dépendants d un vecteur de paramètres comme programmes multiparamétriques. Selon cette terminologie, (1.60) est un programme quadratique multiparamétrique (MPQP). Une fois le problème multiparamétrique (1.60) a été résolu hors ligne, i.e. la solution de (1.60) a été trouvé, la loi MBPC est disponible explicitement 0 0. Il a été démontré dans [BMDP02] que la solution du problème MPQP est continue et linéaire par morceaux en. D où : (1.61) Où sont des régions critiques polyédriques qui couvrent les états faisables. Pratiquement, l expression globale de la loi MBPC est pré-calculée hors ligne et stockée dans un tableau (look-up table) contenant comme index les régions polyédriques dans l espace des paramètres et comme information les fonctions linéaires en l état du système qui 17

22 Chapitre1. Commande prédictive à base de modèle correspondent à la commande optimale. A l aide de cette table, l implémentation en ligne de la commande prédictive explicite doit suivre les étapes suivantes : 1) Mesurer (ou estimer) le vecteur des paramètres courants ; 2) Rechercher dans la table la région critique contenant ; 3) Utiliser la loi linéaire de commande par retour d état correspondant à cette région active ; 4) Réitérer la démarche à partir de 1). Le rôle de l index dans la table est de permettre une association rapide des valeurs recherchées, à savoir ici les commandes. Cette identification se fait en ligne et peut engendrer une charge informatique importante si le nombre de partitions est élevé. C est l inconvénient majeur de cette méthode. Pour remédier à ça plusieurs méthodes ont été proposées [TON03, OD05, WMY09]. 1.3 Commande prédictive non linéaire Dans beaucoup de situations l'opération du processus exige des changements fréquents d'un point de fonctionnement à un autre et, en conséquence, un modèle non-linéaire doit être utilisé. L'utilisation de la commande prédictive non linéaire est justifiée dans les secteurs où les non-linéarités de processus sont fortes et les demandes du marché exigent des changements fréquents en régimes de fonctionnement. Bien que le nombre d'applications de la commande prédictive non linéaire soit encore limité, son potentiel est vraiment grand et la MPC employant des modèles non linéaires est susceptible de devenir plus commun car les utilisateurs exigent un rendement plus élevé et les nouveaux outils de logiciel rendent les modèles non linéaires plus aisément disponibles. D'un point de vue théorique employer un modèle non linéaire change le problème d optimisation d'un QP convexe en programme non linéaire non convexe, dont la solution est beaucoup plus difficile. Il n'y a aucune garantie, par exemple, que l'optimum global peut être trouvé. 18

23 Chapitre1. Commande prédictive à base de modèle Formulation générale Soit un système non linéaire échantillonné décrit par l équation aux différences suivante : 1, (1.62) Où est l état du système, son entrée de commande et est une application continue de dans. L indice est associé à une période d échantillonnage qui est supposée constante. La commande est supposée appartenir à un ensemble compact et convexe de : (1.63) Il est supposé aussi que l ensemble admissible contient l origine dans son intérieur, à savoir : 0 La raison pour la quelle l origine joue un rôle particulier est que l origine représente l état désiré (après un changement de coordonnées adéquat). Il est ainsi supposé que l origine est un point d équilibre du système avec la commande 0, soit : 0,0 0. L objectif de la loi de commande est de stabiliser le système en tout en garantissant que les trajectoires de l état du système restent dans un ensemble convexe et fermé : (1.64) Ceci traduit divers types de contraintes, à savoir, des contraintes de sécurité, des contraintes de respect des spécifications ou tout simplement de validité de modèle. Lorsque le système se trouve à l état à l instant d échantillonnage, une fonction de coût est associée à chaque profil de commande de la façon suivante :,,, (1.65) Où le profil de commande est donné par : 1 1 Et où dans (1.65) désigne l état du système à l instant lorsque le profil de commande est appliqué. 19

24 Chapitre1. Commande prédictive à base de modèle Notons que la fonction de coût contient une pénalisation sur l état final. En plus du terme de pondération sur l état final, une contrainte finale explicite sur l état peut aussi être utilisée. Elle peut s écrire d une façon générale comme suit : Où est un sous-ensemble fermé et convexe de. (1.66) Il est à remarquer que, dans certaines formulations, aucune contrainte finale sur l état n est présente, ceci revient simplement à prendre. Le profil de commande est admissible si les trajectoires qui en résultent satisfont les contraintes (1.63), (1.64) et (1.66), le problème de commande optimale suivant peut alors être défini pour le système à l état à l instant : min,, sous les contraintes (1.63), (1.64) et (1.66) (1.67) Il s agit donc d un problème d optimisation, généralement non convexe, dans lequel la variable de décision est le profil de commande. L existence de solution au problème (1.67) est généralement assurée par le résultat d analyse élémentaire suivant : toute fonction continue atteint son minimum sur tout ensemble compact. La possibilité d invoquer ce résultat pour garantir l existence de solutions justifie les hypothèses suivantes : Les fonctions, et dans (1.62) et (1.65) sont continues ; L ensemble admissible est compact ; Les ensembles et sont fermés. Le principe de la commande prédictive (ou commande à horizon fuyant) est d appliquer pendant chaque période d échantillonnage, 1 la première commande de la séquence optimale Solution du problème de la commande prédictive non linéaire Comme on l a vu dans la section précédente, l utilisation d un modèle non linéaire change le problème de commande d'un programme quadratique convexe en un problème non linéaire non convexe, qui est beaucoup plus difficile à résoudre et ne fournit aucune garantie 20

Commande Prédictive. J. P. Corriou. LSGC-ENSIC-CNRS, Nancy. e-mail : corriou@ensic.inpl-nancy.fr

Commande Prédictive. J. P. Corriou. LSGC-ENSIC-CNRS, Nancy. e-mail : corriou@ensic.inpl-nancy.fr Commande Prédictive J P Corriou LSGC-ENSIC-CNRS, Nancy e-mail : corriou@ensicinpl-nancyfr Ý Consigne Trajectoire de référence Ý Ö Réponse Ý Horizon de prédiction À Ô ¹ Ù ¹ Temps Entrée Ù Horizon de commande

Plus en détail

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre.

Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Isabelle Bombard, Bruno da Silva, Pascal Dufour *, Pierre Laurent, Joseph Lieto. Laboratoire d Automatique

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème... TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................

Plus en détail

ENSPS 3A ISAV Master ISTI AR. J. Gangloff

ENSPS 3A ISAV Master ISTI AR. J. Gangloff Commande prédictive ENSPS 3A ISAV Master ISTI AR J. Gangloff Plan 1.Introduction / Historique 2.Modélisation du système 3.Fonction de coût 4.Équations de prédiction 5.Commande optimale 6.Exemples 7.Réglage

Plus en détail

Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans

Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Programmation linéaire

Programmation linéaire 1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit

Plus en détail

LES MÉTHODES DE POINT INTÉRIEUR 1

LES MÉTHODES DE POINT INTÉRIEUR 1 Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Les indices à surplus constant

Les indices à surplus constant Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté

Plus en détail

Mathématiques appliquées à l informatique

Mathématiques appliquées à l informatique Mathématiques appliquées à l informatique Jean-Etienne Poirrier 15 décembre 2005 Table des matières 1 Matrices 3 1.1 Définition......................................... 3 1.2 Les différents types de matrices.............................

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours d Analyse. Fonctions de plusieurs variables Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........

Plus en détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Formules d inclusion-exclusion

Formules d inclusion-exclusion Université de Rouen L1 M.I.EEA 2011 2012 Mathématiques discrètes Formules d inclusion-exclusion Je présente ici une correction détaillée de l Exercice 5 de la Feuille d exercices 1, en reprenant le problème

Plus en détail

Programmation linéaire et Optimisation. Didier Smets

Programmation linéaire et Optimisation. Didier Smets Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des

Plus en détail

Apprentissage par renforcement (1a/3)

Apprentissage par renforcement (1a/3) Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail

Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP)

Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Loris Marchal, Guillaume Melquion, Frédéric Tronel 21 juin 2011 Remarques générales à propos de l épreuve Organisation

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

Théorèmes de Point Fixe et Applications 1

Théorèmes de Point Fixe et Applications 1 Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des

Plus en détail

La mesure de Lebesgue sur la droite réelle

La mesure de Lebesgue sur la droite réelle Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et

Plus en détail

Arithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot

Arithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,

Plus en détail

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Correction de l épreuve intermédiaire de mai 2009.

Correction de l épreuve intermédiaire de mai 2009. Licence de Gestion. 3ème Année Année universitaire 8-9 Optimisation Appliquée C. Léonard Correction de l épreuve intermédiaire de mai 9. Exercice 1 Avec les notations du cours démontrer que la solution

Plus en détail

Mathématiques assistées par ordinateur

Mathématiques assistées par ordinateur Mathématiques assistées par ordinateur Chapitre 4 : Racines des polynômes réels et complexes Michael Eisermann Mat249, DLST L2S4, Année 2008-2009 www-fourier.ujf-grenoble.fr/ eiserm/cours # mao Document

Plus en détail

Simulations de Monte Carlo en finance : Pricer d option

Simulations de Monte Carlo en finance : Pricer d option Emma Alfonsi, Xavier Milhaud - M2R SAF Simulations de Monte Carlo en finance : Pricer d option Sous la direction de M. Pierre Alain Patard ISFA - Mars 2008 . 1 Table des matières 1 Introduction 4 2 Un

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Calculer avec Sage. Revision : 417 du 1 er juillet 2010

Calculer avec Sage. Revision : 417 du 1 er juillet 2010 Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1

Plus en détail

Optimisation Discrète

Optimisation Discrète Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

CHAPITRE 5. Stratégies Mixtes

CHAPITRE 5. Stratégies Mixtes CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,

Plus en détail

Exercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA

Exercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA 75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche

Plus en détail

Annexe 6. Notions d ordonnancement.

Annexe 6. Notions d ordonnancement. Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document

Plus en détail

Table des matières. I Mise à niveau 11. Préface

Table des matières. I Mise à niveau 11. Préface Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3

Plus en détail

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Stéphane Chrétien & Franck Corset Université de Franche-Comté, UMR6623, Département Mathématiques 16 route

Plus en détail

LA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE

LA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau

Plus en détail

DEMARCHE ET MISE EN ŒUVRE

DEMARCHE ET MISE EN ŒUVRE Chapitre I : CONVENTIONS D ECRITURE 15 CHAPITRE I DEMARCHE ET MISE EN ŒUVRE Le développement de fonctions mathématiques peut répondre à plusieurs critères ou objectifs tels que la vitesse d exécution,

Plus en détail

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques

Plus en détail

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité dans les espaces de Lebesgue et mesures de Radon finies Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention

Plus en détail

Manipulateurs Pleinement Parallèles

Manipulateurs Pleinement Parallèles Séparation des Solutions aux Modèles Géométriques Direct et Inverse pour les Manipulateurs Pleinement Parallèles Chablat Damien, Wenger Philippe Institut de Recherche en Communications et Cybernétique

Plus en détail

Évaluation de la régression bornée

Évaluation de la régression bornée Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement

Plus en détail

Correction de l examen de la première session

Correction de l examen de la première session de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

CURRICULUM VITAE. Informations Personnelles

CURRICULUM VITAE. Informations Personnelles CURRICULUM VITAE Informations Personnelles NOM: BOURAS PRENOM : Zine-Eddine STRUCTURE DE RATTACHEMENT: Département de Mathématiques et d Informatique Ecole Préparatoire aux Sciences et Techniques Annaba

Plus en détail

Fouille de données orientée motifs, méthodes et usages.

Fouille de données orientée motifs, méthodes et usages. Fouille de données orientée motifs, méthodes et usages. François RIOULT GREYC - Équipe Données-Documents-Langues CNRS UMR 6072 Université de Caen Basse-Normandie France Résumé La fouille de données orientée

Plus en détail

Chp. 4. Minimisation d une fonction d une variable

Chp. 4. Minimisation d une fonction d une variable Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie

Plus en détail

Contexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,

Contexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples, Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?

Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme? Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version

Plus en détail

Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?

Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme? Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version

Plus en détail

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour

Plus en détail

Cours de mathématiques - Alternance Gea

Cours de mathématiques - Alternance Gea Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer

Plus en détail

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

Plus en détail

Optimisation. 1 Petite taxinomie des problèmes d optimisation 2

Optimisation. 1 Petite taxinomie des problèmes d optimisation 2 Table des matières Optimisation 1 Petite taxinomie des problèmes d optimisation 2 2 Optimisation sans contraintes 3 2.1 Optimisation sans contrainte unidimensionnelle........ 3 2.1.1 Une approche sans

Plus en détail

CHAPITRE VIII : Les circuits avec résistances ohmiques

CHAPITRE VIII : Les circuits avec résistances ohmiques CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On

Plus en détail

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide)

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide) Épreuve pratique de mathématiques Printemps 2009 Descriptifs (Page vide) Sujet 001 Épreuve pratique de mathématiques Descriptif Étude d une fonction dépendant d un paramètre Étant donné une fonction dépendant

Plus en détail

Introduction à l Algorithmique

Introduction à l Algorithmique Introduction à l Algorithmique N. Jacon 1 Définition et exemples Un algorithme est une procédure de calcul qui prend en entier une valeur ou un ensemble de valeurs et qui donne en sortie une valeur ou

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Optimisation globale avec application pour les fonctions de hölder

Optimisation globale avec application pour les fonctions de hölder MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITÉ MOULOUD MAMMERI, TIZI-OUZOU FACULTÉ DES SCIENCES DÉPARTEMENT DE MATHÉMATIQUES MÉMOIRE DE MAGISTER SPÉCIALITÉ : MATHÉMATIQUES

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

Objectifs. Calcul scientifique. Champ d applications. Pourquoi la simulation numérique?

Objectifs. Calcul scientifique. Champ d applications. Pourquoi la simulation numérique? Objectifs Calcul scientifique Alexandre Ern ern@cermics.enpc.fr (CERMICS, Ecole des Ponts ParisTech) Le Calcul scientifique permet par la simulation numérique de prédire, optimiser, contrôler... le comportement

Plus en détail

Cours 9. Régimes du transistor MOS

Cours 9. Régimes du transistor MOS Cours 9. Régimes du transistor MOS Par Dimitri galayko Unité d enseignement Élec-info pour master ACSI à l UPMC Octobre-décembre 005 Dans ce document le transistor MOS est traité comme un composant électronique.

Plus en détail

Les algorithmes de base du graphisme

Les algorithmes de base du graphisme Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université

Plus en détail

Echantillonnage Non uniforme

Echantillonnage Non uniforme Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas

Plus en détail

Calcul différentiel sur R n Première partie

Calcul différentiel sur R n Première partie Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Points abordés Méthodes numériques employées en finance Approximations de prix

Plus en détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites numériques 3. 1 Convergence et limite d une suite Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

Ensimag 2A. Rapport de TER. Application de la Recherche Opérationnelle à la Finance

Ensimag 2A. Rapport de TER. Application de la Recherche Opérationnelle à la Finance Ensimag 2A Rapport de TER Application de la Recherche Opérationnelle à la Finance Elève : Yuefei HUANG Tuteur : Zoltán SZIGETI Mai, 2010 2 Sommaire 1. Introduction... 3 2. Le marché des changes et arbitrage...

Plus en détail

Jeux sous forme normale

Jeux sous forme normale CHAPITRE 4 Jeux sous forme normale Dans les problèmes de décision, nous avons relié les choix qui pouvaient être faits par un agent avec les utilités qu il pouvait en dériver. L idée qu un agent rationnel

Plus en détail

Continuité d une fonction de plusieurs variables

Continuité d une fonction de plusieurs variables Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs

Plus en détail

Eteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :

Eteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques : MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE

Plus en détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en détail

Chaînes de Markov. Mireille de Granrut

Chaînes de Markov. Mireille de Granrut Chaînes de Markov Mireille de Granrut Quelques précisions à propos de ce cours : Préambule 1. Tel que je l ai conçu, le cours sur les chaînes de Markov interviendra dès la rentrée, pour faire un peu de

Plus en détail

1 Comptage de solutions et escaliers

1 Comptage de solutions et escaliers Licence Informatique Systèmes polynomiaux, que signifie : résoudre? Feuille de TD numéro 11 1 Comptage de solutions et escaliers Question 1. On considère le système suivant p1 := 2*x*y^2 + 3*x^2-5*y^3

Plus en détail

Algorithmes pour la planification de mouvements en robotique non-holonome

Algorithmes pour la planification de mouvements en robotique non-holonome Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot

Plus en détail

Un cours d introduction à la démarche mathématique. Martine De Vleeschouwer, Suzanne Thiry

Un cours d introduction à la démarche mathématique. Martine De Vleeschouwer, Suzanne Thiry Aide à la transition dans une formation universitaire d un mathématicien en Belgique Un cours d introduction à la démarche mathématique Martine De Vleeschouwer, Suzanne Thiry Université de Namur, Unité

Plus en détail

Équations non linéaires

Équations non linéaires Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail