Академический Документы
Профессиональный Документы
Культура Документы
CONTROLE ROBUSTO H
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.8 Bounded Real Lemma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Sumrio xii
3 Controle Robusto H
com Restries 16
3.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Controle H
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Problema de Controle Robusto H
com Restries . . . . . . . . . . . . . . . 19
3.4 Sntese de Controladores Robustos H
. . . . . . . . . . . . . . . . . . . . . . 22
4 Algoritmo de Sntese 29
4.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Evoluo Diferencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2.1 Inicializao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2.2 Mutao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.3 Recombinao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.4 Avaliao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2.5 Seleo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.3 Estratgias da Evoluo Diferencial . . . . . . . . . . . . . . . . . . . . . . . 32
4.4 Algoritmo Hbrido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.4.1 Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.4.2 Inicializao do Controlador . . . . . . . . . . . . . . . . . . . . . . . 35
5 Resultados 37
5.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.2 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.3 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6 Concluso 51
Referncias 53
1
1 Introduo
1.1 Introduo
Durante as ltimas dcadas, a sntese de controladores robustos para sistemas lineares
vem sendo amplamente discutida pela comunidade cientca. Esses controladores possuem a
capacidade de assegurar o desempenho e a estabilidade do sistema frente s incertezas inerentes
ao modelo e, diferentemente da teoria de controle clssico, podem ser utilizados em sistemas
multivariveis, variantes no tempo e de ordem elevada.
A modelagem matemtica de um sistema dinmico pode resultar de um procedimento
baseado nas leis fsicas ou em tcnicas de identicao de sistemas ou ainda por ambos
os mtodos (Aguirre, 2000; Ljung, 1999). Ao se realizar a modelagem matemtica de um
determinado sistema, procura-se obter um modelo que represente o mais elmente possvel
seu comportamento dinmico, porm, devido a no linearidades ou incertezas de parmetros,
isto nem sempre possvel. Assim, obtm-se uma aproximao do modelo real do sistema,
permitindo com que o sistema seja abordado como um sistema incerto, no qual seus parmetros
podem assumir innitos valores dentro de um conjunto com limites conhecidos.
O grande avano no estudo de sistemas incertos deve-se ao estudo de estabilidade. Um
importante trabalho desenvolvido no estudo da estabilidade foi realizado por (Lyapunov, 1893),
o qual se tornou conhecido na dcada de 60 com o desenvolvimento do conceito de controle
moderno. O trabalho de Lyapunov analisa o comportamento de um sistema mecnico e se
baseia em funes que medem a energia do sistema, na qual a estabilidade est associada ao
fato do sistema dissipar energia ou no. Na dcada de 80, a teoria da estabilidade quadrtica
foi formulada, inicialmente publicada em (Hollot e Barmish, 1980) e posteriormente em
(Barmish, 1983, 1985). A estabilidade quadrtica pressupe a existncia de uma mesma
funo quadrtica de Lyapunov para todo o domnio de incerteza do problema, assegurando-
se assim a estabilidade do sistema. Deste modo, o sistema sujeito a incertezas denominado
quadraticamente estabilizvel se existe um controlador para o qual o sistema em malha fechada
quadraticamente estabilizvel.
1.1 Introduo 2
Ao se fazer a sntese de controladores, uma medida de desempenho deve ser escolhida como
crittrio de avaliao. A norma H
por
realimentao de sada, podem ser encontrados em (Bernstein e Haddad, 1989; Khargonekar e
Rotea, 1991; Zhou et al., 1994; Doyle et al., 1994; Scherer, 1995).
Entretanto, formulaes do problema H
e os problemas de controladores H
sujeito a incertezas e
restries no controle a sada, o qual resultar em um problema de otimizao multi-objetivo e
no convexo. Para solucionar este problema, a teoria da Computao Evolutiva (CE) pode ser
aplicada em conjunto com a formulao LMI. Utilizando-se os paradigmas da Computao
Evolutiva, dentre eles a Evoluo Diferencial (ED), possvel operar sobre um conjunto
de solues candidatas do problema, denominado populao, diferentemente dos mtodos
clssicos de otimizao. Os mtodos clssicos operam sobre uma nica soluo, necessitando
ser aplicado diversas vezes ao problema, para que seja possvel escolher uma dentre vrias
solues timas.
Uma das abordagens mais prximas desenvolvida neste trabalho descrita em (Langner,
2004; Arajo e Langner, 2005; Arajo et al., 2006). Nesses trabalhos, abordada a sntese de
controladores robustos H
2
e H
, n
r
, (2.3)
s
j
s
j
s
j
, j = 1, 2,
, n
s
. (2.4)
Os domnios Re S, denidos por (2.3) e (2.4), so poliedros convexos comN=2
n
r
e M=2
n
s
vrtices, respectivamente.
Com a hiptese suplementar que os elementos das matrizes A(r(k)) e B
2
(s(k)) so funes
lineares de r(k) e s(k), as relaes de (2.3) e (2.4) denem tambm as matrizes vrtices A
i
e
B
2j
, i = 1, 2,
, N e j = 1, 2,
i=1
i
A
i
,
N
i=1
i
= 1,
i
0
_
, (2.5)
2.3 Desigualdades Matriciais Lineares - LMIs 8
D
B
2
=
_
B
2
R
nm
; B
2
=
M
j=1
j
B
2 j
,
M
j=1
j
= 1,
j
0
_
. (2.6)
Com base nas denies (2.5) e (2.6), o sistema geral (2.1) pode ser descrito como
_
x(k +1) = Ax(k) +B
2
u(k)
A D
A
, B
2
D
B
2
. (2.7)
O modelo do sistema incerto, descrito neste captulo, portanto representado utilizando
incertezas estruturadas paramtricas do tipo politopo, onde o conjunto dos parmetros do
sistema um poliedro convexo e o sistema nominal localizado no centro deste poliedro.
2.3 Desigualdades Matriciais Lineares - LMIs
Nas ltimas dcadas, as desigualdades matriciais lineares (LMIs) obtiveram ateno
especial pela sua aplicao na teoria de controle. Muitos dos problemas que aparecem na
literatura sobre a teoria de controle podem ser reduzidos a problemas clssicos de otimizao
convexos ou quasi-convexos, sendo estes resolvidos por meio de LMIs.
Uma vez que o problema formulado em termos de LMIs, ele pode ser resolvido de forma
exata, atravs de algoritmos ecientes de otimizao convexa como, por exemplo, pelo LMI
Control Toolbox disponvel no software MATLAB. Alm de soluo numrica eciente, as
LMIs tambm possuem como principais caractersticas a robustez na descrio de problemas
com incertezas e a habilidade para considerar mltiplos requisitos de controle apenas anexando
LMIs adicionais.
A primeira aplicao das LMIs na anlise de sistemas dinmicos foi feita por (Lyapunov,
1893), em seus ensaios sobre a estabilidade dos movimentos, conhecido atualmente como teoria
de Lyapunov. No entanto, o termo LMI foi utilizado pela primeira vez para resoluo de
problemas de controle em (Willems, 1971).
2.3.1 Denio
Uma desigualdade matricial linear (LMI) uma inequao na forma
F(x) = F
0
+
m
i=1
x
i
F
i
> 0 , (2.8)
2.3 Desigualdades Matriciais Lineares - LMIs 9
onde x R
m
um vetor de escalares desconhecido (variveis de deciso ou otimizao) e
F
i
= F
T
i
R
nn
, i = 0,
, F
n
(x)) > 0. (2.11)
2.3.2 Complemento de Schur
O complemento de Schur converte um conjunto de inequaes no lineares convexas, que
aparecem regularmente nos problemas de controle, em LMI. Sejam as desigualdades matriciais
R(x) > 0, Q(x) S(x)R(x)
1
S(x)
T
> 0 (2.12)
ou, de forma equivalente,
Q(x) > 0, R(x) S(x)
T
Q(x)
1
S(x) > 0, (2.13)
onde Q(x) = Q(x)
T
, R(x) = R(x)
T
e S(x) so dependentes de x de forma am. O lema do
complemento de Schur converte este conjunto de inequaes no lineares convexas na LMI
equivalente
_
Q(x) S(x)
S(x)
T
R(x)
_
> 0. (2.14)
2.4 Desigualdades Matriciais Bilineares - BMIs 10
2.3.3 S-procedure
O S-procedure estende o uso das LMIs, permitindo que as condies no representadas por
desigualdades lineares, que normalmente aparecem na anlise de sistemas no lineares, possam
ser representadas como LMIs. A seguir, o S-procedure descrito utilizando funes quadrticas
(Boyd et al., 1994). Sejam F
0
,
, F
n
funes quadrticas na varivel x R
n
F
i
(x) = x
T
T
i
x +2u
T
i
x +
i
, i = 0,
, n, (2.15)
onde T
i
= T
T
i
. A existncia de
i
0,
,
n
0 tal que
F
0
(x)
n
i=1
i
F
i
(x) 0 (2.16)
implica que
F
0
(x) 0, x tal que F
i
(x) 0, i = 1,
, n. (2.17)
Nota-se que a equao (2.16) equivalente a
_
T
0
u
0
u
T
0
0
_
i=1
i
_
T
i
u
i
u
T
i
i
_
0. (2.18)
2.4 Desigualdades Matriciais Bilineares - BMIs
As desigualdades matriciais bilineares (BMIs) so uma extenso da abordagem das
desigualdades matriciais lineares (LMI). As BMIs se popularizaram nos trabalhos de (Safonov
et al., 1994), e sua primeira aplicao aparece em (VanAntwerp et al., 1997).
Os problemas formulados com BMIs so mais difceis de serem resolvidos que os
formulados com LMIs, pois as BMIs no so convexas, podem ter mltiplas solues locais
e so NP-hard, ou seja, no podem ser resolvidas em tempo polinomial no pior caso.
2.4.1 Denio
Uma desigualdade bilinear matricial (BMI) uma inequao na forma
F(x, y) = F
0
+
m
i=1
x
i
F
i
+
n
j=1
y
j
G
j
+
m
i=1
n
j=1
x
i
y
j
H
i j
> 0, (2.19)
onde x R
m
e y R
n
so vetores de escalares desconhecidos e F
i
= F
T
i
R
nn
, i = 0,
, m,
G
i
= G
T
i
R
nn
, j = 0,
, n, H
i j
= H
T
i j
R
nn
, i = 0,
, m j = 0,
, n, so matrizes conhecidas.
2.5 Estabilidade Quadrtica 11
Uma BMI uma LMI em x para um valor de y xo, e uma LMI em y para um valor de x
xo. Assim convexa em x e em y, separadamente. Como as BMIs descrevem conjuntos que
no so necessariamente convexos, elas podem descrever uma variedade maior de restries
que as LMIs, e podem ser utilizadas para representar muitos tipos de problemas de otimizao
e controle. A principal desvantagem das BMIs que elas so muito mais difceis de serem
manipuladas computacionalmente do que as LMIs.
2.5 Estabilidade Quadrtica
Ao se projetar um controlador para um determinado sistema, deseja-se que seja assegurada
a estabilidade do sistema em malha fechada, ou seja, todas as trajetrias do sistema devem
convergir para zero quando t . Uma condio suciente para isso a estabilidade
quadrtica.
O conceito de estabilidade quadrtica foi introduzido em (Hollot e Barmish, 1980; Barmish,
1985). L foram formuladas as condies necessrias e sucientes para a estabilidade
quadrtica de sistemas sujeitos a incertezas em tempo contnuo. No entanto, o mesmo conceito
vlido para sistemas sujeitos a incertezas em tempo discreto.
A estabilidade quadrtica consiste na existncia de uma funo quadrtica de Lyapunov
nica, independente dos parmetros incertos, que decresce ao longo de todas as trajetrias no
nulas do sistema. Assim, ser assegurado a estabilidade do sistema em malha fechada para todo
o domnio de incertezas admissveis.
Em(Leite et al., 2004) o conceito de estabilidade quadrtica aplicado aos sistemas sujeitos
a incertezas em tempo discreto, e esta caracterizada pela existncia de uma matriz P R
nn
,
simtrica e denida positiva, tal que
A
T
PAP < 0, (2.20)
A D
A
(2.5), B D
B
(2.6).
Vericando-se a equao (2.20), apenas os vrtices do conjunto D
A
(2.5) precisam ser
considerados para a anlise da estabilidade quadrtica. Assim sendo, um sistema sujeito a
incertezas do tipo politopo (2.7) quadraticamente estvel se e somente se existe uma matriz
P R
nn
, simtrica e denida positiva, tal que
A
T
i
PA
i
P < 0, i = 0, 1,
, N (2.21)
2.6 Invarincia Positiva 12
onde A
i
so os vrtices do domnio convexo D
A
(2.5).
2.6 Invarincia Positiva
O conceito de invarincia positiva (Arajo, 1998) utilizado na sntese de controladores de
sistemas dinmicos sujeitos a restries, pois procura garantir a manuteno das trajetrias dos
estados de um sistema controlado no interior de alguns conjuntos de estados admissveis.
Seja o sistema discreto autnomo descrito por:
x(k +1) = A(r(k))x(k), r(k), (2.22)
onde A(.) uma funo contnua e r(k) R (2.3) o vetor de parmetros incertos que satisfaz
as hipteses que asseguram a existncia e a unidade das solues da equao (2.22).
Denio 2.6.1. Um conjunto no vazio R
n
positivamente invariante para o sistema
(2.22) se
x(k
0
) , (2.23)
onde A(r(k))x(k) e r(k) R (2.3), as trajetrias do sistema x(k) , k k
0
.
Uma outra denio importante a de um conjunto positivamente invariante e
assintoticamente estvel.
Denio 2.6.2. Seja R
n
um conjunto no vazio, contendo o ponto de equilbrio x = 0.
um conjunto positivamente invariante e assintoticamente estvel para o sistema (2.22) se
x(k) , (2.24)
onde A(r(k))x(k) e r(k) R (2.3), as trajetrias x(k; x(k
0
)) 0 quando k .
2.6.1 Domnio de invarincia elipsoidal
Nesta seo, restringe-se a anlise de domnios de invarincia positiva elipsoidais.
A determinao desses domnios pode ser baseada em funes de Lyapunov quadrticas
associadas ao sistema considerado.
Proposio 2.6.1. Seja v(x) = x
T
Px, P = P
T
R
nn
, P > 0, uma funo de Lyapunov
quadrtica para o sistema (2.22), denindo o domnio elipsoidal como:
={x R
n
: v(x) c, c > 0} (2.25)
2.6 Invarincia Positiva 13
um domnio positivamente invariante e assintoticamente estvel (estvel) para o sistema
(2.22) se v(x(k)) = v(x(k +1)) v(x(k)) < 0 (v(x(k)) 0), x(k) .
Assim, uma condio suciente relativa invarincia positiva do conjunto enunciada
no caso de sistemas autnomos sujeitos a incertezas do tipo politopo.
Seja o sistema discreto autnomo:
_
x(k +1) = Ax(k)
A D
A
.
(2.26)
Proposio 2.6.2. O conjunto elipsoidal denido por (2.25) positivamente invariante para
o sistema (2.26) se a matriz P satisfaz as seguintes LMIs:
A
T
i
PA
i
P 0, i = 1, 2, . . . , N. (2.27)
Esta proposio uma consequncia direta do conceito da estabilidade quadrtica (2.20) e
da proposio 2.6.1 aplicada aos sistemas discretos sujeitos a incertezas politpicas. Nota-se
que a desigualdade estrita da LMI (2.27) assegura a estabilidade assinttica do domnio para
o sistema (2.26).
2.6.2 D-invarincia positiva
A D-invarincia positiva uma ferramenta que se mostra interessante no estudo da
estabilizao de sistemas no autnomos sujeitos a restries de controle ou de sada.
Seja um sistema discreto no autnomo descrito por:
_
x(k +1) = Ax(k) +B
1
w(k)
w(k) D,
(2.28)
onde w(k) R
d
o vetor de perturabao. O conjunto D fechado e convexo, contendo w = 0.
Denio 2.6.3. Um conjunto no vazio R
n
positivamente D-invariante para o sistema
(2.28) se
x
0
, (2.29)
ento
x(k; x(k
0
); w) , w(k) D, k k
0
. (2.30)
Assim, o domnio positivamente D-invariante para o sistema (2.28) se todas as
2.7 Norma H
14
trajetrias x(k; x(k
0
); w) inicilizadas neste domnio l permaneam, qualquer que seja a
perturbao w(k).
2.7 Norma H
A norma H
denida como:
H
= sup
max
[H(z)]. (2.31)
onde sup
max
o valor singular mximo da resposta em frequncia do sistema H(z).
Em sistemas lineares invariantes no tempo (LTI) estveis, a norma H
utilizada para
avaliar o desempenho atravs da funo de transferncia desses sistemas. Seja o sistema linear
invariante no tempo S descrito pelas equaes de estado
S:
_
x(k +1) = Ax(k) +Bu(k)
y(k) =Cx(k) +Du(k)
, (2.32)
onde x(k) R
n
o vetor de estado, u(k) R
m
o vetor de controle e y(k) R
p
o vetor
de sada medida. Por hiptese, assume-se que S seja assintoticamente estvel, ou seja, todos os
plos (
i
) da matriz de transferncia A pertencem a uma circunferncia de raio unitrio (
i
<1).
Seja H(z) a funo de transferncia do sistema S entre a sada y e a entrada u,
H(z) =C(zI A)
1
B+D. (2.33)
A norma H
= sup
uR
max
[H(z)]. (2.34)
Assim, a norma H
< 1; (2.37)
b. Existe uma matriz simtrica P = P
T
> 0 tal que
_
_
A
T
PAP A
T
PB C
T
B
T
PA B
T
PBI D
T
C D I
_
_
< 0; (2.38)
c. Existe uma matriz simtrica P = P
T
> 0 tal que
_
_
P
1
A B 0
A
T
P 0 C
T
B
T
0 I D
T
0 C D I
_
_
< 0. (2.39)
Os conceitos e denies apresentados neste captulo sero utilizados para formular o
problema a ser abordado neste trabalho e auxiliaro na sntese do controlador. No prximo
captulo ser apresentado o problema de controle robusto H
com Restries
3.1 Introduo
Neste captulo formulado o problema de controle robusto H
com restries e
apresentado os principais resultados deste trabalho, que permitem a sntese do controlador.
Na seo 3.2, o controle H
.
3.2 Controle H
O problema de controle H
_
x(k +1) = Ax(k) +B
1
w(k) +B
2
u(k),
y(k) =C
y
x(k),
z(k) =C
1
x(k) +D
11
w(k) +D
12
u(k),
(3.1)
onde x(k) R
n
o vetor de estados, u(k) R
m
, o vetor de controle, w(k) R
l
, o vetor de
perturbao externa, y(k) R
p
, o vetor de sada medida e z(k) R
q
, o vetor de sada controlada.
3.2 Controle H
17
Assume-se que C
y
seja uma matriz conhecida de posto completo.
Seja um controlador dinmico K denido por:
K:
_
(k +1) = A
k
(k) +B
k
e(k),
u(k) =C
k
(k) +D
k
e(k),
(3.2)
onde (k) R
n
c
, com (0) = 0, o vetor de estado do controlador, e(k) R
p
, o vetor erro
(e(k) =r(k)y(k)), r(k) R
p
, o vetor referncia, e A
k
, B
k
, C
k
e D
k
so matrizes desconhecidas
e de dimenses apropriadas.
O sistema em malha fechada est representado no diagrama da Figura 1.
Figura 1: Sistema em malha fechada.
O sistema em malha fechada resultante da combinao das equaes (3.1) e (3.2) descrito
por:
_
_
_
x(k +1)
(k +1)
_
=
_
AB
2
D
k
C
y
B
2
C
k
B
k
C
y
A
k
__
x(k)
(k)
_
+
_
B
1
0
n
c
1
_
w(k) +
_
B
2
D
k
B
k
_
r(k)
z(k) =
_
C
1
D
12
D
k
C
y
D
12
C
k
_
_
x(k)
(k)
_
+[D
11
]w(k) +[D
12
D
k
]r(k)
.
(3.3)
Denindo-se as matrizes do sistema em malha fechada como
A =
_
A 0
0 0
n
c
_
, B
1
=
_
B
1
0
n
c
1
_
, B
2
=
_
B
2
0
0 I
n
c
_
,
C
y
=
_
C
y
0
0 I
n
c
_
, C
1
=
_
C
1
0
qn
c
_
, D
12
=
_
D
12
0
qn
c
_
, (3.4)
1
=
_
I
p
0
n
c
p
_
,
2
=
_
I
m
0
n
c
m
_
,
3.2 Controle H
18
L
K
=
_
D
k
C
k
B
k
A
k
_
, (3.5)
e rearrajando-se os termos nas equaes (3.3), obtm-se:
_
_
x
f
(k +1) = (A+B
2
L
K
C
y
)x
f
(k) +B
1
w(k) +B
2
L
K
1
r(k),
y(k) =
T
1
C
y
x
f
(k),
z(k) = (C
1
+D
12
L
K
C
y
)x
f
(k) +D
11
w(k) +D
12
L
K
1
r(k),
(3.6)
onde x
f
(k) denido por
x
f
(k) =
_
x(k)
(k)
_
. (3.7)
Seja H
f
(z) a funo de transferncia do sistema em malha fechada entre a perturbao w e
a sada z:
H
f
(z) =C
1 f
(zI A
f
)
1
B
1f
+D
11 f
, (3.8)
onde
A
f
= A+B
2
L
K
C
y
,
B
1f
= B
1
, (3.9)
C
1f
=C
1
+D
12
L
K
C
y
,
D
11 f
= D
11
.
Assim, com a norma H
de H
f
(z) dada pela equao (2.31), pode-se denir o seguinte
problema de controle timo H
:
Encontrar um controlador dinmico L
K
, tal que a funo de transferncia H
f
(z) seja
estvel e possua norma H
f
(z)
mnima.
No entanto, encontrar um controlador timo H
numericamente e teoricamente
complicado (Doyle et al., 1989). Desta forma, um problema de otimizao que aproxima-se
da soluo tima denido como um problema de controle H
<
.
As solues desse problema, se existirem, so chamadas de controladores gamma-sub-
timo. Isto , pode-se calcular o menor limite superior para a norma H
f
(z)
pela
minimizao de . Utilizando-se a relao existente entre a norma H
do sistema e o Bounded
Real Lemma, apresentada na seo 2.8, para um sistema em malha fechada discreto no tempo
3.3 Problema de Controle Robusto H
com Restries 19
(3.6) assintoticamente estvel, H
f
(z)
_
P PA
f
PB
1 f
0
A
T
f
P P 0 C
T
1f
B
T
1f
P 0 I D
T
11f
0 C
1f
D
11f
I
_
_
< 0, (3.10)
Com isso, o problema de controle H
_
P PA
f
PB
1 f
0
A
T
f
P P 0 C
T
1f
B
T
1f
P 0 I D
T
11f
0 C
1f
D
11f
I
_
_
< 0. (3.12)
3.3 Problema de Controle Robusto H
com Restries
Seja S o sistema linear invariante discreto no tempo, sujeito a incertezas paramtricas do
tipo politopo, descrito pelas equaes de estado:
S:
_
_
x(k +1) = Ax(k) +B
1
w(k) +B
2
u(k),
y(k) =C
y
x(k),
z(k) =C
1
x(k) +D
11
w(k) +D
12
u(k),
(3.13)
onde x(k) R
n
o vetor de estados, u(k) R
m
, o vetor de controle, w(k) R
l
, o vetor de
perturbao externa, y(k) R
p
, o vetor de sada medida, e z(k) R
q
, o vetor de sada controlada.
Supe-se que C
y
tenha posto completo e todas as matrizes sejam reais e com dimenses
apropriadas. As matrizes A e B
2
pertencem aos conjuntos convexos limitados denidos em
(2.5) e (2.6), respectivamente:
D
A
=
_
A R
nn
; A =
N
i=1
i
A
i
,
N
i=1
i
= 1,
i
0
_
, (3.14)
3.3 Problema de Controle Robusto H
com Restries 20
D
B
2
=
_
B
2
R
nm
; B
2
=
M
j=1
j
B
2 j
,
M
j=1
j
= 1,
j
0
_
. (3.15)
Supe-se tambm que os pares (A, B
2
) sejam estabilizveis e os pares (C
y
, A) sejam
detectveis em todo o domnio de incerteza. Supe-se ainda que o sistema (3.13) esteja sujeito
as seguintes restries:
a. o vetor de controle u(k) pertence ao conjunto poliedral
D
=
_
u R
m
: h
T
i
u
i
,
i
> 0
_
, (3.16)
onde h
i
R
m
, h
i
= 0, i = 1, 2,
, n
h
;
b. o vetor de sada y(k) pertence ao conjunto poliedral
D
=
_
y R
p
:
T
i
y
i
,
i
> 0
_
, (3.17)
onde
i
R
p
,
i
= 0, i = 1, 2,
, n
n
.
O vetor de perturbao w(k) limitado em norma, tendo em vista as restries no domnio
do tempo apresentadas anteriormente, e pertence ao conjunto convexo
D(w
0
) =
_
w R
l
: w w
0
, w
0
> 0
_
. (3.18)
Este conjunto dene uma hiperesfera de raio w
0
.
Considera-se que um vetor de referncia r(k) pertence ao conjunto limitado por
R =
_
r R
p
: r
T
R
1
r 1, R = R
T
R
pp
, R > 0
_
. (3.19)
O controlador por realimentao de sada dinmica a ser projetado denido por (3.2), com
L
K
=
_
D
k
C
k
B
k
A
k
_
R
(m+n
c
)(p+n
c
)
. (3.20)
O sistema em malha fechada dado por:
_
_
x
f
(k +1) = A
f
x
f
(k) +B
1f
w(k) +B
2f
r(k),
y(k) =C
y f
x
f
(k),
z(k) = (C
1f
x
f
(k) +D
11f
w(k) +D
12 f
r(k),
(3.21)
3.3 Problema de Controle Robusto H
com Restries 21
onde
A
f
= A+B
2
L
K
C
y
, B
1f
= B
1
, B
2f
= B
2
L
K
1
,
C
y f
=
T
1
C
y
, C
1f
=C
1
+D
12
L
K
C
y
, (3.22)
D
11f
= D
11
, D
12 f
= D
12
L
K
1
,
com A D
A
e B
2
D
B
2
.
Utilizando-se a equao (3.20), o sinal de controle u(k) pode ser descrito por
u(k) =
T
2
L
K
C
y
x
f
(k) +
T
2
L
K
1
r(k). (3.23)
A partir das restries (3.16) e (3.17), denem-se os conjuntos D
e D
, para o sistema em
malha fechada, com:
D
=
_
x
f
: h
T
i
T
2
L
K
C
y
x
f
(k) +h
T
i
T
2
L
K
1
r(k)
i
,
i
> 0, i = 1,
, n
h
_
, (3.24)
D
=
_
x
f
:
T
i
T
1
C
y
x
f
(k)
i
,
i
> 0, i = 1,
, n
n
_
. (3.25)
Os conjuntos D
e D
. (3.26)
A funo de transferncia H
f
(z) entre a sada controlada z e a perturbao w igual a
H
f
(z) =C
1f
(zI A
f
)
1
B
1f
+D
11f
(3.27)
com A D
A
e B
2
D
B
2
.
Assim, o problema de controle robusto H
_
;
b. as restries (3.16) e (3.17) sejam respeitadas pelas trajetrias do sistema em malha
3.4 Sntese de Controladores Robustos H
22
fechada (3.6), para quaisquer que sejam a perturbao w(k) D(w
0
) e a entrada de
referncia r(k) R.
3.4 Sntese de Controladores Robustos H
.
Seja o conjunto elipsoidal , centrado na origem, denido por
=
_
x
f
R
n+n
c
: x
T
f
Px
f
1, P = P
T
> 0
_
, (3.29)
onde P R
nn
.
Denindo-se L como o conjunto de todos os controladores L
K
R
(m+n
c
)(p+n
c
)
tais que
A
f
seja assintoticamente estvel, A D
A
e B
2
D
B
2
, o seguinte resultado pode ser obtido a
partir da denio 3.4.1.
Proposio 3.4.1. O controlador por realimentao de sada dinmica L
K
uma soluo do
problema de controle robusto H
, L
K
L
_
(3.30)
e existe um conjunto qualquer R
n+n
c
positivamente (D,R)-invariante em relao ao
sistema (3.6) tal que
D
. (3.31)
3.4 Sntese de Controladores Robustos H
23
Alguns lemas preliminares sero apresentados a seguir, os quais auxiliam na obteno
de uma soluo para o Problema 1. Supe-se que a matriz desconhecida D
k
seja nula. No
lema 3.4.1, apresentado uma condio suciente para que a restrio de controle (3.16) seja
respeitada, ou seja, D
.
Lema 3.4.1. O elipside denido por (3.29) est contido no poliedro D
(3.24), para um
dado controlador L
K
, com P R
nn
, se e somente se
_
2
i
h
T
i
T
2
L
K
C
y
C
T
y
L
T
K
2
h
i
P
_
0, i = 1, 2, . . . , n
h
. (3.32)
Demonstrao: A partir das inequaes (3.24), uma funo suporte do elipside pode ser
escrita como
c
(h
i
, L
k
) = max
x
f
h
T
i
T
2
L
K
C
y
x
f
. (3.33)
O Lagrangeano do problema de maximizao descrito por:
L(x
f
, ) = h
T
i
T
2
L
K
C
y
x
f
+(x
T
f
Px
f
1), (3.34)
onde R o multiplicador de Lagrange. Assim, as condies necessrias e sucientes de
otimalidade so dadas por:
L
= x
T
f
Px
f
1 = 0,
L
x
=C
T
y
L
T
K
2
h
i
+2Px
f
= 0. (3.35)
Obtem-se assim
x
f
=
P
1
C
T
y
L
T
K
2
h
i
2
, (3.36)
=
_
h
T
i
T
2
L
K
C
y
P
1
C
T
y
L
T
K
2
h
i
2
. (3.37)
Assim, conclui-se que a soluo tima dada por
c
(h
i
, L
K
) =
_
h
T
i
T
2
L
K
C
y
P
1
C
T
y
L
T
K
2
h
i
. (3.38)
Consequentemente, o elipside est contido emD
, se e somente se
c
(h
i
, LK)
i
, i =
1, 2, . . . , n
h
, o que equivalente a
_
h
T
i
T
2
L
K
C
y
P
1
C
T
y
L
T
K
2
h
i
i
, i = 1, 2, . . . , n
h
. (3.39)
3.4 Sntese de Controladores Robustos H
24
As inequaes (3.39) podem ser escritas como
2
i
h
T
i
T
2
L
K
C
y
P
1
C
T
y
L
T
K
2
h
i
0, i = 1, 2, . . . , n
h
. (3.40)
Utilizando-se o complemento de Schur em (3.40), so obtidas as seguintes LMIs:
_
2
i
h
T
i
T
2
L
K
C
y
C
T
y
L
T
K
2
h
i
P
_
0, i = 1, 2, . . . , n
h
. (3.41)
No lema 3.4.2, apresentada uma condio suciente para que a restrio de sada (3.17)
seja satisfeita, ou seja, D
.
Lema 3.4.2. O elipside denido por (3.29) est contido no poliedro D
(3.25), para um
dado controlador L
K
, com P R
nn
, se e somente se
_
2
i
T
i
T
1
C
y
C
T
y
i
P
_
0, i = 1, 2, . . . , n
n
(3.42)
.
Demonstrao: A partir das inequaes (3.25), uma funo suporte do elipside pode ser
escrita como
s
(
i
) = max
x
f
T
i
T
1
C
y
x
f
. (3.43)
O Lagrangeano do problema de maximizao descrito por
L(x
f
, ) =
T
i
T
1
C
y
x
f
+(x
T
f
Px
f
1), (3.44)
onde R o multiplicador de Lagrange. Assim, as condies necessrias e sucientes de
otimalidade so dadas por
L
= x
T
f
Px
f
1 = 0,
L
x
=C
T
y
i
+2Px
f
= 0. (3.45)
Obtm-se assim
x
f
=
P
1
C
T
y
i
2
, (3.46)
=
_
T
i
T
1
C
y
P
1
C
T
y
i
2
. (3.47)
3.4 Sntese de Controladores Robustos H
25
Portanto, na soluo tima tm-se
s
(
i
) =
_
T
i
T
1
C
y
P
1
C
T
y
i
. (3.48)
Consequentemente, o elipside est contido em D
, se e somente se
s
(
i
)
i
, i =
1, 2, . . . , n
n
, o que equivale a
_
T
i
T
1
C
y
P
1
C
T
y
i
, 1, 2, . . . , n
n
. (3.49)
As inequaes (3.49) podem ser escritas como
T
i
T
1
C
y
P
1
C
T
y
2
i
, i = 1, 2, . . . , n
n
. (3.50)
Utilizando-se o complemento de Schur em (3.50), so obtidas as seguintes LMIs:
_
2
i
T
i
T
1
C
y
C
T
y
i
P
_
0, i = 1, 2, . . . , n
n
. (3.51)
k
0, k = 1, 2, . . . , NM, tais que o conjunto de desigualdades
_
_
A
T
f
PA
f
P+
k
P A
T
f
PB
T
1f
A
T
f
PB
T
2f
B
T
1f
PA
f
B
T
1 f
PB
1 f
k
I B
T
1 f
PB
2f
B
T
2f
PA
f
B
T
2f
PB
1f
B
T
2 f
PB
2 f
(
k
k
w
2
0
)R
1
_
_
0, (3.52)
para cada vrtice (A
i
, B
2j
) do conjunto D
A
D
B
2
, ento um conjunto (D,R)-invariante
para o sistema de malha fechada e L
K
um controlador robusto que estabiliza o sistema (3.1).
Demonstrao: seja v(x
f
) =x
T
f
Px
f
uma funo de Lyapunov quadrtica, associada ao sistema
de malha fechada (3.3). Aequao a diferenas de v(x
f
) ao longo das trajetrias do sistema (3.3)
3.4 Sntese de Controladores Robustos H
26
dada por
v(x
f
(k +1)) v(x
f
(k)) = x
T
f
(A
T
f
PA
f
P)x
f
+x
T
f
A
T
f
PB
1f
w+x
T
f
A
T
f
PB
2f
r
+w
T
B
T
1f
PA
f
x
f
+w
T
B
T
1f
PB
1f
w+w
T
B
T
1f
PB
2f
r
+r
T
B
T
2f
PA
f
x
f
+r
T
B
T
2f
PB
1f
w+r
T
B
T
2f
PB
2f
r.
(3.53)
Para simplicar notao, sumprimiu-se o tempo k nas equaes.
Para que seja um conjunto positivamente (D,R)-invariante para o sistema com incertezas
(3.3), suciente que v(x
f
(k +1)) v(x
f
(k)) 0, qualquer que seja o vetor x
f
pertencente
fronteira de , isto , x
T
f
Px
f
= 1, e para toda perturbao admissvel w D(w
0
) e referncia
r R. Assim, um conjunto positivamente (D,R)-invariante para o sistema (3.3) se
x
T
f
(A
T
f
PA
f
P)x
f
+x
T
f
A
T
f
PB
1f
w+x
T
f
A
T
f
PB
2f
r +w
T
B
T
1f
PA
f
x
f
+w
T
B
T
1f
PB
1f
w
+w
T
B
T
1 f
PB
2 f
r +r
T
B
T
2f
PA
f
x
f
+r
T
B
T
2f
PB
1f
w+r
T
B
T
2f
PB
2f
r 0,
(3.54)
para um ponto qualquer (x
f
, w, r) tal que x
T
f
Px
f
1, w
T
w w
2
0
e r
T
R
1
r 1.
Utilizando o S-procedure, apresentado na seo 2.3.3, esta condio pode ser reescrita sem
restries:
Se existem escalares
k
0,
k
0 e
k
0 tais que
x
T
f
(A
T
f
PA
f
P)x
f
+x
T
f
A
T
f
PB
1f
w+x
T
f
A
T
f
PB
2f
r +w
T
B
T
1f
PA
f
x
f
+w
T
B
T
1f
PB
1f
w
+w
T
B
T
1f
PB
2f
r +r
T
B
T
2 f
PA
f
x
f
+r
T
B
T
2f
PB
1f
w+r
T
B
T
2f
PB
2f
r
+
k
(x
T
f
Px
f
1) +
k
(w
2
0
w
T
w) +
k
(1r
T
R
1
r) 0,
(3.55)
x
f
R
n
, w R
l
e r R, entao um conjunto positivamente (D,R)-invariante para o
sistema (3.3). Neste caso, este procedimento assegura somente a sucincia da nova condio.
A desigualdade (3.55) pode ser reescrita como
_
_
x
f
w
r
_
_
T
_
_
A
T
f
PA
f
P+
k
P A
T
f
PB
1 f
A
T
f
PB
2f
B
T
1f
PA
f
B
T
1f
PB
1f
k
I B
T
1f
PB
2f
B
T
2f
PA
f
B
T
2f
PB
1 f
B
T
2f
PB
2f
k
R
1
_
_
_
_
x
f
w
r
_
_
+ (3.56)
k
+
k
w
2
0
+
k
0.
Na desigualdade (3.56) observa-se que x
f
, w e r podem assumir quaisquer valores em seus
respectivos espaos, o que implica na necessidade da condio
k
+
k
w
2
0
+
k
0. (3.57)
3.4 Sntese de Controladores Robustos H
27
Assim, a desigualdade (3.57) pode ainda ser escrita como
_
_
A
T
f
PA
f
P+
k
P A
T
f
PB
1f
A
T
f
PB
2f
0
B
T
1f
PA
f
B
T
1f
PB
1f
k
I B
T
1f
PB
2f
0
B
T
2f
PA
f
B
T
2 f
PB
1 f
B
T
2f
PB
2f
k
R
1
0
0 0 0
k
+
k
w
2
0
+
k
_
_
0. (3.58)
Alm disso, se a desigualdade (3.58) for satisfeita para uma combinao (
k
,
k
,
k
), ento
ela tambm satisfeita para qualquer
k
tal que
k
k
k
k
w
2
0
. (3.59)
Assim, sem perda de generalidade, escolhe-se
k
=
k
k
w
2
0
, (3.60)
obtendo-se para (3.58) a desigualdade dada por:
_
_
A
T
f
PA
f
P+
k
P A
T
f
PB
1f
A
T
f
PB
2f
B
T
1 f
PA
f
B
T
1 f
PB
1f
k
I B
T
1f
PB
2f
B
T
2 f
PA
f
B
T
2f
PB
1f
B
T
2 f
PB
2f
(
k
+
k
w
2
0
)R
1
_
_
0. (3.61)
No entanto, a desigualdade (3.61) deve ser vericada para toda matriz A
f
, com A D
A
e
B
2
D
B
2
. Como as incertezas so convexas, avalia-se (3.61) somente nos vrtices (A
i
, B
2j
) de
D
A
D
B
2
.
A partir dos resultados apresentados nos lemas 1, 2 e 3, o seguinte teorema fornece uma
soluo para o Problema 1.
Teorema 1. Seja o sistema incerto (3.13) sujeito as restries no controle e na sada, e
(P, L
K
,
k
,
k
) a soluo do problema de otimizao
min
P,L
K
,
k
,
k
(3.62)
sujeito a
_
2
i
h
T
i
T
2
L
K
C
y
C
T
y
L
T
K
2
h
i
P
_
0, i = 1, 2, . . . , n
h
, (3.63)
3.4 Sntese de Controladores Robustos H
28
_
2
i
T
i
T
1
C
y
C
T
y
i
P
_
0, i = 1, 2, . . . , n
n
, (3.64)
_
_
P PA
f
PB
1 f
0
A
T
f
P P 0 C
T
1f
B
T
1f
P 0 I D
T
11f
0 C
1f
D
11f
I
_
_
< 0, (3.65)
_
_
A
T
f
PA
f
P+
k
P A
T
f
PB
T
1f
A
T
f
PB
T
2f
B
T
1f
PA
f
B
T
1 f
PB
1 f
k
I B
T
1 f
PB
2f
B
T
2f
PA
f
B
T
2f
PB
1f
B
T
2 f
PB
2 f
(
k
k
w
2
0
)R
1
_
_
0, (3.66)
para k = 1, 2, . . . , NM e em cada vrtice (A
i
, B
2j
) de D
A
D
B
2
.
Assim, o controlador L
K
uma soluo do problema de controle robusto H
de sistemas
sujeitos a restries no controle e na sada em tempo discreto e o conjunto elipsoidal , gerado
por P, positivamente (D,R)-invariante para o sistema em malha fechada (3.6).
Demonstrao: As LMIs (3.63) e (3.64) garantem, de acordo com os lemas 3.4.1 e 3.4.2, que
o conjunto elipsoidal verica a condio (3.31), isto , D
.
Partindo-se da denio de norma H
, X
e X
,X
- X
. Esta
diferena multiplicada pela varivel de controle F, sendo denotada por diferena ponderada.
A diferena ponderada usada para perturbar o terceiro vetor X
+F(X
(q)
X
(q)
), (4.1)
onde os indces aleatrios , e {1, . . . , NP} devem ser diferentes entre si, e diferentes de
i. Portanto, so gerados NP vetores mutantes V
(q+1)
i
, i = 1, 2, . . . , NP.
4.2.3 Recombinao
Na fase de recombinao introduzido o cruzamento para aumentar a diversidade dos
indivduos que sofreram a mutao. O vetor tentativa U
(q+1)
i
, resultante do cruzamento,
formado pela mistura dos componentes do vetor mutante V
(q+1)
i
com o vetor alvo X
(q)
i
, para
cada i = 1, 2, . . . , NP.
As componentes do vetor tentativa U
(q+1)
i
, representadas por u
(q+1)
i( j)
, j = 1, 2, . . . , D, so
formadas conforme a expresso:
u
(q+1)
i( j)
=
_
_
_
v
(q+1)
i( j)
, se r
i
CR ou j = (i),
x
(q)
i( j)
, se r
i
>CR e j = (i), j = 1, 2, . . . , D,
(4.2)
onde r
i
um nmero gerado aleatoriamente no intervalo [0,1], x
(q)
i( j)
e v
(q+1)
i( j)
so as componentes
dos vetores alvo X
(q)
i
e mutante V
(q+1)
i
, respectivamente, CR a probabilidade do cruzamento,
ou seja, a probabilidade do vetor tentativa herdar os valores das variveis do vetor doador
V
(q+1)
i
, e (i) um nmero aleatrio escolhido no conjunto {1, 2, . . . , D}.
4.3 Estratgias da Evoluo Diferencial 32
Quando a probabilidade de cruzamento CR for igual a 1, todas as componentes do vetor
tentativa U
(q+1)
i
sero herdadas do vetor doador V
(q+1)
i
. Caso a probabilidade de cruzamento
CR for igual a 0, todas as componentes do vetor tentativa sero herdades do vetor alvo X
(q)
i
.
4.2.4 Avaliao
Na fase de avaliao, o custo de cada um dos indvduos i = 1, 2, . . . , NP, do vetor alvo
X
(q)
i
e do vetor tentativa U
(q+1)
i
so calculados, representados respectivamente por f (X
(q)
i
) e
f (U
(q+1)
i
).
4.2.5 Seleo
Na fase de seleo, os melhores lhos so produzidos, e portanto so determinados
os vetores alvo da gerao seguinte. O custo do vetor tentativa U
(q+1)
i
, representado por
f (U
(q+1)
i
), comparado com o custo do vetor alvo X
(q)
i
, representado por f (X
(q)
i
), para cada
i = 1, 2, . . . , NP. Se o custo do vetor alvo for menor que o custo do vetor tentativa, ao vetor alvo
permitido avanar para a prxima gerao. Caso contrrio, o vetor tentativa substitui o vetor
alvo na gerao seguinte. Este processo de seleo pode ser escrito como:
Se f (U
(q+1)
i
) f (X
(q)
i
), ent ao X
(q+1)
i
=U
(q+1)
i
,
Se f (U
(q+1)
i
) > f (X
(q)
i
), ent ao X
(q+1)
i
= X
(q)
i
, i = 1, 2, . . . , NP.
(4.3)
Para que o procedimento de ED seja nalizado, algum critrio de parada deve ser adotado,
como por exemplo, estabelecendo-se um nmero mximo de geraes.
4.3 Estratgias da Evoluo Diferencial
O algoritmo de ED pode variar de acordo com o critrio de escolha do indivduo a
ser modicado na formao do vetor mutante, o nmero de indivduos considerados para
perturbao e o tipo de cruzamento a ser utilizado. As estratgias de EDl so usualmente escritas
pela notao ED/a/b/c, onde:
a - especica o vetor a ser modicado X
+F(X
(q)
X
(q)
) ED/rand/1/bin
2 V
(q+1)
= X
(q)
best
+F(X
(q)
X
(q)
) ED/best/1/bin
3 V
(q+1)
= X
(q)
+F(X
(q)
X
(q)
+X
(q)
X
(q)
) ED/rand/2/bin
4 V
(q+1)
= X
(q)
best
+F(X
(q)
X
(q)
+X
(q)
X
(q)
) ED/best/2/bin
5 V
(q+1)
= X
(q)
old
+F(X
(q)
best
X
(q)
old
+X
(q)
X
(q)
) ED/rand-to-best/2/bin
6 V
(q+1)
= X
(q)
+F(X
(q)
X
(q)
) ED/rand/1/exp
7 V
(q+1)
= X
(q)
best
+F(X
(q)
X
(q)
) ED/best/1/exp
8 V
(q+1)
= X
(q)
+F(X
(q)
X
(q)
+X
(q)
X
(q)
) ED/rand/2/exp
9 V
(q+1)
= X
(q)
best
+F(X
(q)
X
(q)
+X
(q)
X
(q)
) ED/rand/2/exp
10 V
(q+1)
= X
(q)
old
+F(X
(q)
best
X
(q)
old
+X
(q)
X
(q)
) ED/rand-to-best/2/exp
Fonte: (Arantes et al., 2006).
4.4 Algoritmo Hbrido
No captulo anterior, foi formulado o Teorema 1, com a nalidade de resolver o problema
proposto neste trabalho. No entanto, o teorema composto por desigualdades matriciais que
no so convexas, e, consequentemente, tem-se um problema no convexo a ser solucionado.
Assim, um algoritmo hbrdo proposto baseado em ED e em LMIs, a m de resolver o
problema de projeto de controladores robustos.
A Computao Evolutiva, que um importante mtodo de otimizao, vem sendo aplicada
com sucesso a uma grande variedade de problemas de otimizao em engenharia. A medida
que novos problemas de otimizao em engenharia aparecem, sempre com funes objetivo
sendo no-diferencivel, no-contnua, no-linear, perturbada e multidimensional, ou possuindo
vrios mnimos locais e restries complexas por causa dos diferentes requerimentos prticos,
as abordagens ecazes e viveis para solucionar tais problemas esto se tornando insatisfatrias
e insucientes. A ED, que um mtodos de otimizao pertencente a rea da Computao
4.4 Algoritmo Hbrido 34
Evolutiva, tem sua efetividade e ecincia demonstrada com sucesso nos ltimos anos atravs
de uma ampla quantidade de aplicaes (Nearchou e Omirou, 2006), tornando-se um mtodo
satisfatrio para solucionar tais problemas em engenharia (Ronkkonen et al., 2005; Salman et
al., 2007).
Para que o problema seja solucionado, necessrio encontrar os valores de quatro variveis:
P, L
K
,
k
e
k
. Baseado na estrutura geral do algoritmo de ED, com um conjunto de
solues candidatas para as variveis L
K
e
k
, as desigualdades matriciais do problema podem
ser tratadas como sendo convexas (LMIs). Assim, para cada par (L
K
,
k
) o algoritmo pode
determinar, resolvendo um problema de otimizao convexo, as demais variveis do problema,
P e
k
.
Desta forma, o algoritmo hbrido proposto gera uma populao inicial Pop de solues
candidatas (indivduos) para as variveis L
K
e
k
. Em cada gerao j, o problema de otimizao
convexo resultante pode ser resolvido utilizando o pacote LMI-Lab do software MATLAB,
(Gahinet et al., 1995) para cada soluo candidata, ou seja, o par (L
K
,
k
). Assim, todos os
indivduos da populao Pop so avaliados e ao nal de determinando nmero de geraes,
encontram-se os valores das variveis que solucionam o problema apresentado, de tal forma
que as desigualdades sejam satisfeitas.
4.4.1 Algoritmo
O algoritmo proposto para resolver o Problema 1, com a minimizao da norma H
, pode
ser descrito como:
Algoritmo 1 Algoritmo de Sntese
Gerar uma populao inicial factvel Pop;
eval
P
Calcular a aptido de cada indivduo de Pop
enquanto Nmero de geraes no for atingido ( j < J) faa
Gerar o vetor modicado V;
U Realizar o cruzamento entre Pop e V;
eval
U
Calcular a aptido de cada indivduo de U;
para i = 1 at M faa
se eval
U
i
> eval
P
i
ento
Substituir Pop
i
por U
i
em Pop
m se
m para
m enquanto
4.4 Algoritmo Hbrido 35
4.4.2 Inicializao do Controlador
Para inicializar os indivduos L
K
, a gerao da populao inicial clssica de ED, apresentada
em (Storn e Price, 1995), requer um enorme esforo computacional, porque o espao de
busca no convexo e os limites do espao de busca so desconhecidos. A m de reduzir o
esforo computacional na gerao de indivduos factveis, uma abordagem descrita em (Arajo,
1998) foi implementada. Esta abordagem fornece uma condio suciente para a gerao de
elementos factveis, do ponto de vista da estabilidade quadrtica, atravs de um problema de
controle robusto por realimentao de estados.
Portanto, necessrio que o problema de controle robusto por realimentao de sada
esttica seja escrito na forma de um problema de controle por realimentao de estados.
Utilizando-se a lei de controle u = L
K
y, onde L
K
dado por (3.5), o problema de controle
robusto por realimentao de sada dinmica pode ser reescrito como um sistema por
realimentao de sada esttica, possibilitando o problema ser escrito como um problema de
controle por realimentao de estados. Seja o sistema obtido a partir de
_
_
x(k +1) =
Ax
f
(k) +
B
1
w(k) +
B
2
u(k)
y(k) =
C
y
x
f
(k)
z(k) =
C
1
x
f
(k) +
D
11
w(k) +
D
12
u(k)
, (4.4)
A lei de controle por realimentao esttica de sida dada por:
u = L
K
y. (4.5)
Se o posto de C
y
no for completo, gera-se uma matriz aleatria N tal que a matriz
M =
_
N
C
y
_
(4.6)
tenha posto completo. Com a matriz M, denida em (4.6), realiza-se a transformao de
similaridade x = Mx
f
e o sistema se torna:
_
_
x(k +1) = Ax
f
(k) +B
1
w(k) +B
2
u(k)
y(k) =C
y
x
f
(k)
z(k) =C
1
x
f
(k) +D
11
w(k) +D
12
u(k)
, (4.7)
onde A = M
AM
1
, B
1
= M
B
1
, B
2
= M
B
2
, C
1
=
C
1
M
1
e C
y
=
C
y
M
1
. A lei de controle
resultante dada por
u = LC
y
M
1
x = Lx, (4.8)
4.4 Algoritmo Hbrido 36
onde o novo controlador L possui a seguinte estrutura:
L =
_
0 L
K
_
. (4.9)
Para tornar o problema convexo e encontrar os controladores factveis L
K
, utiliza-se a
transformao L G = L, com matrizes de estrutura xa dadas por
G =
_
[]
(np)
0
0 []
(p)
_
L =
_
0
(m(np))
[]
(mp)
_
(4.10)
para solucionar as LMIs,
_
P
i j
A
i
G+B
2j
L
G
T
A
T
i
+L
T
B
T
2j
G+G
T
P
i j
_
0, (4.11)
em cada vrtice (A
i
, B
2j
) de D
A
D
B
2
.
O controlador robusto L
K
extrado de L e os
k
so determinados de forma aleatria.
Conforme (Neumann, 2006), as restries impostas s estruturas de G e L inserem um
conservadorismo extra na gerao da populao inicial, fazendo com que o procedimento no
encontre solues factveis para determinados problemas ou connando a populao inicial em
uma regio restrita do espao de busca, comprometendo a regio inicial de busca e a diversidade
da populao inicial.
37
5 Resultados
5.1 Introduo
Este captulo tem como objetivo a validao do mtodo proposto para a soluo do
problema de controle robusto H
_
x(k +1) = Ax(k) +B
1
w(k) +B
2
u(k),
y(k) =C
y
x(k),
z(k) =C
1
x(k) +D
11
w(k) +D
12
u(k),
com
A
1
=
_
0, 1 0, 2
0 1
_
, A
2
=
_
0, 2 0, 2
0 1
_
,
B
1
=
_
1
1
_
, B
21
=
_
2
2
_
, B
22
=
_
4
4
_
,
C
1
=
_
1 0
_
, C
y
=
_
1 2
_
,
D
11
= [0, 1] , D
12
= [1] .
5.2 Exemplo 1 38
O sinal de controle est sujeito s seguintes restries:
1 u(k) 1.
As restries no sinal de sada so dadas por:
5 y(k) 5,
e o sinal de perturbao est restrito a uma esfera de raio w
0
= 0, 2 e centro na origem.
A entrada de referncia satisfaz seguinte restrio:
1 r(k) 1.
O controlador por realimentao dinmica de sada, de ordem completa (n
c
= 2), obtido
pelo algoritmo de sntese apresentado na seo 4.4, denido por
_
(k +1) = A
k
(k) +B
k
e(k),
u(k) =C
k
(k) +D
k
e(k),
com
A
k
=
_
0, 0301 0, 3288
0, 2561 0, 3994
_
, B
k
=
_
0, 4269
0, 1933
_
,
C
k
=
_
0, 1031 0, 0380
_
, D
k
= [0] .
A norma H
k
=
_
0, 2664 0, 2678
_
.
O conjunto positivamente (D, R)-invariante determindo pela matriz
P =
_
_
0, 9696 0, 1173 0, 0101 0, 0157
0, 1173 0, 7490 0, 3518 0, 0150
0, 0101 0, 3518 0, 5057 0, 3171
0, 0157 0, 0150 0, 3171 0, 3400
_
_
.
5.2 Exemplo 1 39
Neste exemplo, o algoritmo foi executado durante 200 geraes com uma populao inicial
de 20 indivduos, e as variveis de controle do ED foram CR = 0, 8 e F = 0, 5. A evoluo dos
valores da norma H
. O desvio padro
calculado foi de 0,0158 e a mediana foi de 1,3365.
A Tabela 2 mostra os resultados obtidos para este problema, considerando-se controladores
com dimenses diferentes.
Tabela 2: Resultado do limitante superior da norma H
_
x(k +1) = Ax(k) +B
1
w(k) +B
2
u(k),
y(k) =C
y
x(k),
z(k) =C
1
x(k) +D
11
w(k) +D
12
u(k),
e
A =
_
_
0, 46 1, 08 1, 15 0, 99
0, 33 0, 52 1, 28 0, 97
1, 38 0, 34 0, 65 0, 67
0, 53 0, 55 0, 19 0, 27
_
_
, B
1
=
_
_
0, 29
0, 71
0, 49
0, 20
_
_
, B
2
=
_
_
0, 73
2, 02
1, 82
b
1
_
_
,
C
1
=
_
0, 67 0, 40 0, 18 0, 40
_
, C
y
=
_
1, 71 0, 93 0, 64 0, 63
_
,
D
11
= [0, 63] , D
12
= [0] ,
com 1 b
1
0, 43.
O sinal de controle est sujeito s seguintes restries:
10 u(k) 10.
As restries no sinal de sada so dadas por:
10 y(k) 10,
e a perturbao est restrita a uma esfera de raio w
0
= 0, 5 e centro na origem..
A entrada de referncia satisfaz seguinte restrio:
3 r(k) 3.
O controlador por realimentao dinmica de sada, de ordem completa (n
c
= 4), obtido
pelo algoritmo de sntese apresentado na seo 4.4, denido por
_
(k +1) = A
k
(k) +B
k
e(k),
u(k) =C
k
(k) +D
k
e(k),
5.3 Exemplo 2 45
onde
A
k
=
_
_
0, 2655 0, 1274 0, 4447 0, 6310
0, 0559 0, 0286 0, 6946 1, 1710
0, 2297 0, 6007 0, 1273 0, 3175
0, 1415 0, 2733 0, 1752 0, 6427
_
_
, B
k
=
_
_
0, 2404
0, 2287
0, 2346
0, 2511
_
_
,
C
k
=
_
0, 6191 0, 4019 0, 2189 0, 2047
_
, D
k
= [0] .
A norma H
k
=
_
0, 2257 0, 2186
_
.
O conjunto positivamente (D, R)-invariante determindo pela matriz:
P=
_
_
2, 0860 1, 4276 1, 4478 2, 4099 2, 2364 1, 8234 4, 1340 3, 1826
1, 4276 1, 1041 0, 9100 1, 6519 1, 5995 1, 2760 2, 9709 2, 2330
1, 4478 0, 9100 1, 0995 1, 7204 1, 5611 1, 2358 2, 8457 2, 2467
2, 4099 1, 6519 1, 7204 2, 8559 2, 6504 2, 1038 4, 8886 3, 7869
2, 2364 1, 5995 1, 5611 2, 6504 11, 0386 8, 2752 5, 4681 1, 9806
1, 8234 1, 2760 1, 2358 2, 1038 8, 2752 6, 3598 4, 2368 1, 6098
4, 1340 2, 9709 2, 8457 4, 8886 5, 4681 4, 2368 8, 7419 6, 5371
3, 1826 2, 2330 2, 2467 3, 7869 1, 9806 1, 6098 6, 5371 5, 5933
_
_
.
O algoritmo foi executado durante 200 geraes com uma populao inicial de 20
indivduos, e as variveis de controle do ED foram CR = 0, 8 e F = 0, 5. A evoluo dos
valores da norma H
. O
desvio padro calculado foi de 3,17 e a mediana foi de 49,26.
A Tabela 3 mostra os resultados obtidos para este problema considerando controladores
com dimenses diferentes.
Tabela 3: Resultado do limitante superior da norma H
.
A descrio do problema baseada em um controlador por realimentao de sada
dinmica, que garante a estabilidade e o desempenho do sistema frente as incertezas e restries
a qual est submetido. Para solucionar o problema foram utilizados os conceitos de estabilidade
quadrtica e de invarincia positiva. As restries no controle e na sada so satisfeitas
utilizando uma funo de Lyapunov quadrtica, que assegura a (D,R)-invarincia positiva de
conjuntos elipsoidais. Desta maneira, no ocorrem saturaes nas variveis do sistema.
No entanto, o teorema apresentado, que trata da sntese do controlador, expresso atravs
de desigualdades matriciais lineares (LMIs) e bilineares (BMIs), ou seja, caracterizado como
um problema de otimizao no-convexo. As LMIs podem ser tratadas computacionalmente
utilizando a caixa de ferramentas LMI Control Toolbox do software Matlab. Porm, para que
as BMIs fossem tratadas computacionalmente, foi utilizado em conjunto com o LMI Control
Toolbox um mtodo baseado em Evoluo Diferencial.
A Evoluo Diferencial uma ferramenta capaz de solucionar problemas de otimizao
no-convexos e dessa maneira, optou-se em propor um algoritmo hbrido baseado em Evoluo
Diferencial e LMIs. Esse algoritmo busca uma soluo robusta para a sntese do controlador
que satisfaa as restries no controle e na sada. Uma diculdade deste mtodo encontrada
na inicializao do algoritmo e na determinao da populao inicial de controladores factveis.
Esse processo de inicializao pode connar a populao inicial em uma regio restrita do
espao de busca.
O algoritmo proposto foi aplicado em exemplos retirados da literatura e encontrou um
controlador que solucionasse o problema de controle robusto H
e a alocao de plos;
utilizar mtodos de inicializao para a obteno dos controladores da populao inicial,
no algoritmo hbrido proposto neste trabalho, a m de diminuir o esforo computacional
realizado na inicializao do algoritmo.
53
Referncias
ABBAS-TURKI, M.; DUC, G.; CLEMENT, B. LMI formulations for designing controllers
according to time response and stability margin constraints. In: Proceedings of the 44th IEEE
Conference on Decision and Control and the European Control Conference. Seville, Spain:
IEEE, 2005. p. 57405745.
AGUIRRE, L. A. Introduo identicao de sistemas: tcnicas lineares e no-lineares
aplicadas a sistemas reais. 1. ed. Belo Horizonte: Universidade Federal de Minas Gerais, 2000.
554 p.
APKARIAN, P.; GAHINET, P. A convex characterization of gain-scheduled H
controllers.
IEEE Transactions on Automatic Control, v. 40, n. 5, p. 853864, 1995.
APKARIAN, P.; TUAN, H. D.; BERNUSSOU, J. Continuous-time analysis, eigenstructure
assignment, and H
control. International
Journal of Robust and Nonlinear Control, v. 4, p. 421448, 1994.
GAHINET, P. et al. LMI Control Toolbox For Use with MATLAB. 1. ed. Natick: The
MathWorks, 1995. 356 p.
GOH, K. et al. Biafne matrix inequality properties and computational methods. In:
Proceedings of the 1994 American Control Conference. Baltimore, MD: IEEE, 1994. v. 1, p.
850855.
GOH, K.-C.; SAFONOV, M.; PAPAVASSILOPOULOS, G. Global optimization for the biafne
matriz inequality problem. Journal of Global Optimization, v. 7, p. 365380, 1995.
GRIGORIADIS, K. M.; SKELTON, R. E. Fixed-order control design for LMI control problems
using alternating projection methods. In: Proceedings of the 33rd IEEE Conference on Decision
and Control. Orlando, FL: IEEE, 1994. v. 3, p. 20032008.
GUTMAN, P.-O.; GUTMAN, P.-O.; HAGANDER, P. A new design of constrained controllers
for linear systems. IEEE Transactions on Automatic Control, v. 30, n. 1, p. 2233, 1985.
HASSIBI, A.; HOW, J.; BOYD, S. A path-following method for solving BMI problems in
control. In: Proceedings of the 1999 American Control Conference. San Diego, CA: IEEE,
1999. v. 2, p. 13851389.
HOLLOT, C. V.; BARMISH, B. Optimal quadratic stabilizability of uncertain linear systems.
In: Proceedings of the 18th Allerton Conference on Communication, Control and Computing.
Monticello, IL: University of Illinois, 1980.
HU, L.; SUN, Y.; CAO, Y. Robust control for uncertain linear systems with constraints on
output. In: Proceedings of the 1998 American Control Conference. Philadelphia, PA: IEEE,
1998. v. 5, p. 27082712.
HUANG, S.; LAM, J.; CHEN, B. Local reliable control for linear systems with saturating
actuators. In: Proceedings of the 41st IEEE Conference on Decision and Control. Las Vegas,
NV: IEEE, 2002. v. 4, p. 41544159.
KANEV, S. et al. Robust output-feedback controller design via local BMI optimization.
Automatica, v. 40, p. 11151127, 2004.
KHARGONEKAR, P.; ROTEA, M. Mixed H
2
/H
norm
characterizations and controller parametrizations for discrete-time systems. International
Journal of Control, v. 75, p. 666679, 2002.
PALHARES, R. M.; TAKAHASHI, R. H. C.; PERES, P. L. D. H
and H
2
guaranteed costs
computation for uncertain linear systems. International Journal of Systems Science, v. 28, p.
183188, 1997.
PEAUCELLE, D. et al. A new robust D-stability condition for real convex polytopic
uncertainty. Systems & Control Letters, v. 40, p. 2130, 2000.
REINELT, W. Maximum output amplitude of linear systems for certain input constraints. In:
Proceedings of the 39th IEEE Conference on Decision and Control. Sydney, Australia: IEEE,
2000. v. 2, p. 10751080.
REINELT, W. Robust control of a two-mass-spring system subject to its input constraints. In:
Proceedings of the 2000 American Control Conference. Chicago, IL: IEEE, 2000. v. 3, p. 1817
1821.
RONKKONEN, J.; KUKKONEN, S.; PRICE, K. V. Real-parameter optimization with
differential evolution. In: Proceedings of the IEEE Congress on Evolutionary Computation.
Edinburgh: IEEE, 2005. v. 1, p. 506513.
Referncias 57
ROSINOV, D.; VESEL, V. Robust output feedback design of discrete-time systems - linear
matrix inequality methods. In: Proceedings of the 2003 Control Systems Design. Bratislava,
Slovak Republic: IFAC, 2003. p. 363368.
ROSINOV, D.; VESEL, V.; KUCERA, V. A necessary and sufcient condition for static
output feedback stabilizability of linear discrete-time systems. Kybernetika, v. 39, n. 4, p. 447
459, 2003.
SAFONOV, M. G.; GOH, K. C.; LY, J. H. Control system synthesis via bilinear matrix
inequalities. In: Proceedings of the 1994 American Control Conference. Baltimore, MD: IEEE,
1994. p. 4549.
SALMAN, A.; ENGELBRECHT, A. P.; OMRAN, M. G. H. Empirical analysis of self-adaptive
differential evolution. European Journal of Operational Research, v. 183, n. 2, p. 785804,
2007.
SCHERER, C. Multiobjective H
cost. In: Proceedings of the 30th IEEE Conference on Decision and Control. Brighton,
UK: IEEE, 1991. p. 22802286.
TARBOURIECH, S.; BURGAT, C. Positively invariant sets for constrained continuous-time
systems with cone properties. IEEE Transactions on Automatic Control, v. 39, n. 2, p. 401405,
Feb. 1994.
Referncias 58
TUAN, D. H.; APKARIAN, P.; NAKASHIMA, Y. A new lagrangian dual global optimization
algorithmfor solving bilinear matrix inequalities. In: Proceedings of the 1999 American Control
Conference. San Diego, CA: IEEE, 1999.
VANANTWERP, J. et al. Globally optimal robust control of large scale sheet and lmprocesses.
In: Proceedings of the 1997 American Control Conference. Albuquerque, NM: IEEE, 1997. v. 3.
VASSILAKI, M.; BITSORIS, G. Constrained regulation of linear continuous-time dynamical
systems. Systems & Control Letters, v. 13, n. 3, p. 247252, 1989.
VESTERSTROM, J.; THOMSEN, R. A comparative study of differential evolution, particle
swarm optimization, and evolutionary algorithms on numerical benchmark problems. In:
Proceedings of the Congress on Evolutionary Computation. Portland, OR: IEEE, 2004. p. 1980
1987.
WILLEMS, J. Least squares stationary optimal control and the algebraic riccati equation. IEEE
Transactions on Automatic Control, v. 16, n. 6, p. 621634, 1971.
XIE, L. et al. Improved robust H
2
and H