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

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

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

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

Méthodes avancées en décision

Méthodes avancées en décision Méthodes avancées en décision Support vector machines - Chapitre 2 - Principes MRE et MRS Principe MRE. Il s agit de minimiser la fonctionnelle de risque 1 P e (d) = y d(x;w, b) p(x, y) dxdy. 2 La densité

Plus en détail

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre Recherche opérationnelle Programmation linéaire et recherche opérationnelle Ioan Todinca Ioan.Todinca@univ-orleans.fr tél. 0 38 41 7 93 bureau : en bas à gauche Tentative de définition Ensemble de méthodes

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

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

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls.

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls. Diagonalisation des matrices http://www.math-info.univ-paris5.fr/~ycart/mc2/node2.html Sous-sections Matrices diagonales Valeurs propres et vecteurs propres Polynôme caractéristique Exemples Illustration

Plus en détail

INTRODUCTION A L OPTIMISATION

INTRODUCTION A L OPTIMISATION INTRODUCTION A L OPTIMISATION Les domaines d application L optimisation est essentiellement un outil d aide à la décision au sein de l entreprise, mais aussi pour des individus. Le terme optimal est souvent

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

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

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

Etude et illustration de méthodes itératives d optimisation non linéaire

Etude et illustration de méthodes itératives d optimisation non linéaire Ecole Polytechnique Fédérale de Lausanne Faculté Sciences de Base Chaire de Recherche Opérationnelle Sud Est Projet de master 2005-2006 Etude et illustration de méthodes itératives d optimisation non linéaire

Plus en détail

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 Motivation et objectif du cours

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

Espaces vectoriels et applications linéaires

Espaces vectoriels et applications linéaires Espaces vectoriels et applications linéaires Exercice 1 On considère l'ensemble E des matrices carrées d'ordre 3 défini par,,, 1) Montrer que est un sous-espace vectoriel de l'espace vectoriel des matrices

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

Exercices théoriques

Exercices théoriques École normale supérieure 2008-2009 Département d informatique Algorithmique et Programmation TD n 9 : Programmation Linéaire Avec Solutions Exercices théoriques Rappel : Dual d un programme linéaire cf.

Plus en détail

PAR MODE GLISSANT D ORDRE SUPERIEUR

PAR MODE GLISSANT D ORDRE SUPERIEUR REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTRE DE L ENSEIGNEMENT SUPERIER ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE CONSTANTINE 1 FACULTE DES SCIENCES DE LA TECHNOLOGIE DEPARTEMENT D ELECTRONIQUE

Plus en détail

Table des matières I La programmation linéaire en variables continues 1 Présentation 3 1 Les bases de la programmation linéaire 5 1.1 Formulation d'un problème de programmation linéaire........... 5 1.2

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

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

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

Factorisation des matrices creuses

Factorisation des matrices creuses Chapitre 5 Factorisation des matrices creuses 5.1 Matrices creuses La plupart des codes de simulation numérique en mécanique des fluides ou des structures et en électromagnétisme utilisent des discrétisations

Plus en détail

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3 Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

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

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

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

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

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

Partie I : Automates et langages

Partie I : Automates et langages 2 Les calculatrices sont interdites. N.B. : Le candidat attachera la plus grande importance à la clarté, à la précision et à la concision de la rédaction. Si un candidat est amené à repérer ce qui peut

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

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

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

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

CALCUL SCIENTIFIQUE. 1 Erreur absolue et erreur relative 2. 2 Représentation des nombres sur ordinateur 3

CALCUL SCIENTIFIQUE. 1 Erreur absolue et erreur relative 2. 2 Représentation des nombres sur ordinateur 3 MTH1504 2011-2012 CALCUL SCIENTIFIQUE Table des matières 1 Erreur absolue et erreur relative 2 2 Représentation des nombres sur ordinateur 3 3 Arithmétique flottante 4 3.1 Absorption........................................

Plus en détail

Apprentissage par méthodes à noyaux en reconnaissance d images

Apprentissage par méthodes à noyaux en reconnaissance d images Apprentissage par méthodes à noyaux en reconnaissance d images Alberto Bietti Table des matières Introduction 2 1 Apprentissage par méthodes à noyaux 2 1.1 Position du problème et motivation..........................

Plus en détail

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Chapitre 6 Méthodes de Krylov 611 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Dans le cas où la matrice A n est pas symétrique, comment peut-on retrouver une matrice de corrélation

Plus en détail

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

Quantification Vectorielle

Quantification Vectorielle Quantification Vectorielle Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 14 Décembre 2012 M. Cagnazzo Quantification Vectorielle 1/65 Plan Introduction 1 Introduction

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI Chapitre 6 Modélisation en P.L.I. 6.1 Lien entre PL et PLI (P) problème de PL. On restreint les variables à être entières : on a un problème de PLI (ILP en anglais). On restreint certaines variables à

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

Programmation Linéaire - Cours 2

Programmation Linéaire - Cours 2 Programmation Linéaire - Cours 2 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire 1 2 3 Retournons dans le yaourt! Reprenons l exemple du 1er cours Forme normale

Plus en détail

Tension d alimentation : V CC. i C R C R B

Tension d alimentation : V CC. i C R C R B Chapitre 4 Polarisation du transistor bipolaire à jonction 4.1 Le problème de la polarisation 4.1.1 Introduction Dans le chapitre 3, nous avons analysé un premier exemple de circuit d amplification de

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

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

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

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

Plus en détail

Introduction à l Optimisation Numérique

Introduction à l Optimisation Numérique DÉPARTEMENT STPI 3ÈME ANNÉE MIC Introduction à l Optimisation Numérique Frédéric de Gournay & Aude Rondepierre Table des matières Introduction 5 Rappels de topologie dans R n 7 0.1 Ouverts et fermés de

Plus en détail

Enveloppes convexes dans le plan

Enveloppes convexes dans le plan ÉCOLE POLYTECHNIQUE ÉCOLES NORMALES SUPÉRIEURES ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE B (XECLR)

Plus en détail

Cours de mathématiques fondamentales 1 année, DUT GEA. Mourad Abouzaïd

Cours de mathématiques fondamentales 1 année, DUT GEA. Mourad Abouzaïd Cours de mathématiques fondamentales 1 année, DUT GEA Mourad Abouzaïd 9 décembre 2008 2 Table des matières Introduction 7 0 Rappels d algèbre élémentaire 9 0.1 Calcul algébrique................................

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

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

Introduction générale

Introduction générale Chapitre 1 Introduction générale Ce chapitre est consacré à une présentation rapide des méthodes numériques qui sont étudiées en détail dans ce cours Nous y donnons une approche très simplifiée des quatre

Plus en détail

PARTIE I MÉTHODES STANDARDS EN OPTIMISATION DÉPARTEMENT GÉNIE MATHÉMATIQUE ET MODÉLISATION 4ÈME ANNÉE, 2012-2013. Aude RONDEPIERRE & Pierre WEISS

PARTIE I MÉTHODES STANDARDS EN OPTIMISATION DÉPARTEMENT GÉNIE MATHÉMATIQUE ET MODÉLISATION 4ÈME ANNÉE, 2012-2013. Aude RONDEPIERRE & Pierre WEISS DÉPARTEMENT GÉNIE MATHÉMATIQUE ET MODÉLISATION 4ÈME ANNÉE, 2012-2013. PARTIE I MÉTHODES STANDARDS EN OPTIMISATION NON LINÉAIRE DÉTERMINISTE Aude RONDEPIERRE & Pierre WEISS Table des matières 1 Introduction

Plus en détail

CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013

CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013 CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013 Résolution d un problème de contact avec frottement en présence de variabilités paramétriques Franck MASSA 1 *, Thierry TISON 1,

Plus en détail

Introduction à la programmation en variables entières Cours 3

Introduction à la programmation en variables entières Cours 3 Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons

Plus en détail

Introduction au Branch Cut and Price et au solveur SCIP (Solving Constraint Integer Programs) Hélène Toussaint 1. Rapport de recherche LIMOS/RR-13-07

Introduction au Branch Cut and Price et au solveur SCIP (Solving Constraint Integer Programs) Hélène Toussaint 1. Rapport de recherche LIMOS/RR-13-07 Introduction au Branch Cut and Price et au solveur SCIP (Solving Constraint Integer Programs) Hélène Toussaint 1 Rapport de recherche LIMOS/RR-13-07 19 avril 2013 1. helene.toussaint@isima.fr Résumé Ce

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

Algorithmique et Programmation TD n 9 : Fast Fourier Transform

Algorithmique et Programmation TD n 9 : Fast Fourier Transform Algorithmique et Programmation TD n 9 : Fast Fourier Transform Ecole normale supérieure Département d informatique td-algo@di.ens.fr 2011-2012 1 Petits Rappels Convolution La convolution de deux vecteurs

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

en sciences de l ingénieur

en sciences de l ingénieur Systèmes Automatisés Optimisation en sciences de l ingénieur présente les principales méthodes exactes d optimisation statique et dynamique. Parmi les méthodes décrites figurent : - la programmation linéaire

Plus en détail

2 Probabilités conditionnelles. Événements indépendants

2 Probabilités conditionnelles. Événements indépendants 2 Probabilités conditionnelles. Événements indépendants 2.1 Probabilité conditionnelle Soient A et B deux événements tels que P(B) > 0. Soit alors P(A B), la probabilité que A se réalise, B étant réalisé.

Plus en détail

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé ALGÈBRE PAD - Notes de cours S. Rigal, D. Ruiz, et J. C. Satgé November 23, 2006 Table des Matières Espaces vectoriels Applications linéaires - Espaces vectoriels............................... 3 -. Approche

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

Systèmes linéaires. 1. Introduction aux systèmes d équations linéaires. Exo7. 1.1. Exemple : deux droites dans le plan

Systèmes linéaires. 1. Introduction aux systèmes d équations linéaires. Exo7. 1.1. Exemple : deux droites dans le plan Exo7 Systèmes linéaires Vidéo partie 1. Introduction aux systèmes d'équations linéaires Vidéo partie 2. Théorie des systèmes linéaires Vidéo partie 3. Résolution par la méthode du pivot de Gauss 1. Introduction

Plus en détail

Applications linéaires

Applications linéaires Applications linéaires I) Applications linéaires - Généralités 1.1) Introduction L'idée d'application linéaire est intimement liée à celle d'espace vectoriel. Elle traduit la stabilité par combinaison

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

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

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

RAPPORT DE STAGE : Création d un programme pour la reconnaissance de ballons récursivement arbitrairement partitionnables

RAPPORT DE STAGE : Création d un programme pour la reconnaissance de ballons récursivement arbitrairement partitionnables Laboratoire Bordelais de Recherche en Informatique Licence 3 : Informatique RAPPORT DE STAGE : Création d un programme pour la reconnaissance de ballons récursivement arbitrairement partitionnables Auteur

Plus en détail

1998.02 Composition d un portefeuille optimal. Dinh Cung Dang

1998.02 Composition d un portefeuille optimal. Dinh Cung Dang 199802 Composition d un portefeuille optimal Dinh Cung Dang Docteur en gestion de l IAE de Paris Ingénieur Conseil Résumé : Dans ce travail, le risque est défini comme étant la probabilité de réaliser

Plus en détail

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées.

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Baptiste Gregorutti 12, Bertrand Michel 2 & Philippe Saint Pierre 2 1 Safety

Plus en détail

Formulaire de Mathématique

Formulaire de Mathématique COLLECTION LES LEXIQUES DE L INSEEC CAHIERS MÉTHODOLOGIQUES POUR LES CLASSES PRÉPARATOIRES AUX GRANDES ÉCOLES DE COMMERCE Formulaire de Mathématique par Xavier Chauvet LEXIQUE N 17 COLLECTION DIRIGÉE PAR

Plus en détail

Calcul Scientifique L2 Maths Notes de Cours

Calcul Scientifique L2 Maths Notes de Cours Calcul Scientifique L2 Maths Notes de Cours Le but de ce cours est d aborder le Calcul Scientifique, discipline arrivant en bout d une d une chaîne regroupant divers concepts tels que la modélisation et

Plus en détail

Option Informatique Arbres binaires équilibrés

Option Informatique Arbres binaires équilibrés Option Informatique Arbres binaires équilibrés Sujet novembre 2 Partie II : Algorithmique et programmation en CaML Cette partie doit être traitée par les étudiants qui ont utilisé le langage CaML dans

Plus en détail

Le raisonnement par récurrence

Le raisonnement par récurrence Le raisonnement par récurrence Nous notons N l ensemble des entiers naturels : N = {0,,, } Nous dirons naturel au lieu de entier naturel Le principe du raisonnement par récurrence Soit A une partie de

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

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

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME OÙ EN EST-ON? Que faire face à un problème dur? AAC S.Tison Université Lille1 Master1 Informatique Quelques schémas d algorithmes Un peu de complexité de problèmes Un peu d algorithmique avancée ou Que

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

Modèles neuronaux pour la modélisation statistique de la langue

Modèles neuronaux pour la modélisation statistique de la langue Modèles neuronaux pour la modélisation statistique de la langue Introduction Les modèles de langage ont pour but de caractériser et d évaluer la qualité des énoncés en langue naturelle. Leur rôle est fondamentale

Plus en détail

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Frédéric Messine Introduction Dans ce chapitre, nous allons étudier une application de la dérivation des fonctions de plusieurs variables

Plus en détail

Matrices. 1. Définition. Exo7. 1.1. Définition

Matrices. 1. Définition. Exo7. 1.1. Définition Exo7 Matrices Vidéo partie 1 Définition Vidéo partie 2 Multiplication de matrices Vidéo partie 3 Inverse d'une matrice : définition Vidéo partie 4 Inverse d'une matrice : calcul Vidéo partie 5 Inverse

Plus en détail

Les états de collision inévitables, un outil pour la sûreté des systèmes robotiques

Les états de collision inévitables, un outil pour la sûreté des systèmes robotiques Les états de collision inévitables, un outil pour la sûreté des systèmes robotiques Antoine Durand-Gasselin, encadré par Thierry Fraichard, equipe emotion, laboratoire Inrialpes Contexte : La navigation

Plus en détail

NOTES DE COURS (SUPPLÉMENTAIRES) POUR LE COURS MATHÉMATIQUES DISCRÈTES MAT1500. References

NOTES DE COURS (SUPPLÉMENTAIRES) POUR LE COURS MATHÉMATIQUES DISCRÈTES MAT1500. References NOTES DE COURS (SUPPLÉMENTAIRES) POUR LE COURS MATHÉMATIQUES DISCRÈTES MAT1500 ABRAHAM BROER References [R] Kenneth H. Rosen, Mathématiques discrètes, Édition révisée Chenelière McGraw-Hill, 2002. 1. But

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

LES ÉTAPES DE L ALGORITHME DU SIMPLEXE

LES ÉTAPES DE L ALGORITHME DU SIMPLEXE LES ÉTAPES DE L ALGORITHME DU SIMPLEXE Sommaire 1. Introduction... 1 2. Variables d écart et d excédent... 2 3. Variables de base et variables hors base... 2 4. Solutions admissibles... 3 5. Résolution

Plus en détail