Kontrol Optimal Berdasarkan Pada Kalkulus Variasi Vanessa Sarah Griselda PDF
Kontrol Optimal Berdasarkan Pada Kalkulus Variasi Vanessa Sarah Griselda PDF
KALKULUS VARIASI
Tugas Akhir
Oleh:
VANESSA SARAH GRISELDA
10104017
PRAKATA
Puji syukur penulis haturkan sedalam-dalamnya ke hadirat Allah SWT yang telah
memberikan limpahan anugerah, bimbingan, dan kekuatan sehingga penulis dapat
menyelesaikan tugas akhir ini sejak Maret 2009 hingga Februari 2010. Tanpa
masukan berharga, kepercayaan, dan dukungan yang diberikan oleh Dr. Janson
Naiborhu selaku pembimbing, maka penulis tidak akan dapat menyelesaikan tugas
akhir ini dengan hasil memuaskan. Penulis berterima kasih sebesar-besarnya kepada
kedua orang tua penulis yang telah memberikan endless support dan courage selama
penulis berkuliah di ITB. Terima kasih penulis sampaikan Dr. Agus Yodi selaku
dosen penguji atas segala pelajaran dan bimbingan dalam tugas akhir ini, serta Dr.
Hanni Garminia selaku dosen penguji tugas akhir dan juga dosen wali selama 5 tahun
terakhir. Tidak lupa penulis berterima kasih kepada Heru Tjahjana atas bantuan
dalam menyelesaikan fundamental codes Matlab untuk hampiran numerik. Pada
akhirnya, penulis ingin mengucapkan terima kasih setulusnya kepada Hutama G.
Soediredja atas seluruh dukungannya setiap hari, setiap saat.
Penulis menyadari bahwa tugas akhir ini masih memiliki beberapa kekurangan. Oleh
karena itu, penulis mengharapkan kritik dan saran yang membangun dari pembaca
untuk perbaikan selanjutnya. Semoga tugas akhir ini dapat bermanfaat bagi kemajuan
ilmu pengetahuan dan bagi siapapun yang membacanya.
Penulis
ABSTRAK
Kontrol Optimal berhubungan dengan permasalahan dalam menentukan hukum
kontrol untuk suatu sistem sehingga kriteria keoptimalan tertentu dapat terpenuhi.
Permasalahan kontrol optimal melibatkan fungsi biaya yang merupakan fungsional
atas state dan variabel kontrol. Kontrol optimal adalah himpunan dari persamaan
diferensial yang merupakan lintasan dari variabel kontrol yang meminimalkan fungsi
biaya. Dalam tugas akhir ini, Pontryagins Maximum Principle digunakan untuk
menurunkan hukum kontrol dan solusi umum diperoleh dengan menerapkan
pendekatan Kalkulus Variasi. Lebih jauh lagi, beberapa permasalahan kontrol optimal
sederhana serta solusi analitik telah ditampilkan. Selain itu, algoritma Steepest
Descent digunakan sebagai hampiran numerik bagi solusi optimal.
ABSTRACT
Optimal Control deals with the problem of finding a control law for a given system
such that a certain optimality criterion is achieved. A control problem includes a cost
functional that is a function of state and control variables. An optimal control is a set
of differential equations describing the paths of the control variables that minimize
the cost functional. In this final project, Pontryagins Maximum Principle is used for
deriving control policies and general solutions are obtained by using Calculus of
Variations approach. Furthermore, several simple optimal control problems and their
analytical solutions are presented. In addition, Steepest Descent algorithm is being
used as numerical approach to optimal solutions.
BAB 1
PENDAHULUAN
1.1.
Latar Belakang
Sebagian besar sistem dalam bidang fisika, kimia, biologi, dan ekonomi dapat
dimodelkan dengan persamaan matematika, salah satu bentuknya adalah model
persamaan diferensial stokastik atau deterministik. Keadaan dari sistem-sistem ini
kemudian mengalami perubahan nilai terhadap waktu atau variabel bebas lainnya,
tergantung pada persamaan dinamik tertentu. Lebih jauh lagi, sistem-sistem ini akan
membawa satu state ke state yang lainnya dengan cara menerapkan beberapa input
dari luar sistem, atau disebut juga kontrol input. Jika hal ini dapat dilakukan, maka
ada beberapa cara yang berbeda untuk mencapai nilai tertentu. Dan jika demikian,
maka ada cara yang terbaik di antara seluruh cara yang memungkinkan. Input yang
menghasilkan cara terbaik ini disebut kontrol optimal. Untuk mengukur seberapa baik
cara tersebut, digunakan indeks performa atau fungsi biaya sebagai parameter.
1.2.
Rumusan Masalah
Bentuk umum dari permasalahan kontrol optimal diberikan sebagai berikut. Sistem
dinamik nonlinear dideskripsikan dalam bentuk persamaan diferensial
() = , ,
dengan state () , kontrol input () , dan indeks performa
(1.2.1)
() = , +
, ,
(1.2.2)
dimana :
0 adalah waktu awal (tetap),
adalah waktu akhir (bebas),
, , adalah fungsi biaya pada selang waktu antara [0 , ] ,
, adalah fungsi biaya pada waktu akhir yang bergantung hanya pada dan
().
Permasalahan kontrol optimal adalah untuk mencari input pada selang waktu
[0 , ] yang membawa persamaan (1.2.1) sepanjang lintasan sehingga nilai dari
indeks performa (1.2.2) menjadi minimal, dan
, = 0
(1.2.3)
1.3. Tujuan
Tujuan dari tugas akhir ini adalah menurunkan kondisi keoptimalan bagi
permasalahan kontrol optimal dengan menggunakan pendekatan kalkulus variasi.
Kondisi keoptimalan yang diperoleh bersifat umum, oleh karena itu penulis akan
menerapkannya pada beberapa sistem kontrol optimal sederhana sebagai gambaran
khusus. Lebih jauh lagi, dengan menggunakan kondisi keoptimalan tersebut akan
ditentukan solusi analitik dan numerik bagi beberapa permasalahan.
1.5.
Sistematika Penulisan
Tugas akhir ini dibagi menjadi beberapa bab. Bab I menjelaskan tentang latar
belakang, rumusan masalah, tujuan, batasan masalah, dan sistematika penulisan dari
tugas akhir. Pada bab II dijelaskan pemaparan mengenai kontrol optimal dan kalkulus
variasi, serta bagaimana menentukan kondisi keoptimalan bagi sistem kontinu. Bab
III menyajikan tentang penerapan teori kontrol optimal dalam sistem nonlinear
sederhana dan penentuan solusi analitik serta numerik atas beberapa permasalahan.
Pada Bab IV, penulis memberikan kesimpulan atas tugas akhir ini.
BAB 2
KONTROL OPTIMAL BERDASARKAN PADA
KALKULUS VARIASI
Titik berat dari kontrol optimal adalah menentukan kontrol input (tanda (*)
menandakan kondisi optimal) yang akan membawa suatu proses (plant) () dari
state awal ke state akhir yang memenuhi kondisi batas dan mengekstrimkan
(memaksimumkan atau meminimumkan) indeks performa .
Terdapat dua metode yang umum digunakan untuk mencari kontrol input. Metode
pertama adalah metode dynamic programming yang dikembangkan oleh R.E.
Bellman, sedangkan metode kedua menggunakan Maximum Principle yang
dikemukakan oleh L.S. Pontryagin. Pontryagin Maximum Principle menyatakan
bahwa lintasan state yang optimal , kontrol optimal , dan faktor pengali
Lagrange yang bersesuaian harus meminimumkan Hamiltonian. Pada tugas akhir
ini, pendekatan kalkulus variasi berdasarkan Pontryagin Maximum Principle akan
digunakan untuk menurunkan kondisi keoptimalan.
Dalam penurunan kondisi keoptimalan akan disinggung mengenai permasalahan
meminimalkan indeks performa dengan cara mencari variasi pertama dari fungsional
tertentu. Oleh karena itu, penulis merasa perlu untuk memaparkan beberapa konsep
dasar dari kalkulus variasi yang berguna untuk mencari kondisi keoptimalan.
2.1.
Kalkulus Variasi
1 2
2! 2
+ ( )
dimana
= =
Gambar 2.1.1
(()
1 2
+
2! 2
1 2
=
+
2! 2
= + 2 +
dimana,
=
2 =
dan
10
1 2
2! 2
disebut variasi pertama dan variasi kedua dari fungsional . Variasi adalah
aproksimasi orde pertama (linear) dari increment .
Gambar 2.1.2
11
Gambar 2.1.2
, maka
= , 0 , 0 0 +
dengan notasi
12
( , )()
(2.1.1)
2.2.
(0 ) = , +
, ,
0
13
[
0
, , + () , , () ]
(2.2.1)
(2.2.2)
[
0
, , ()]
(2.2.3)
Untuk menerapkan kondisi yang diperlukan bagi keoptimalan, dalam hal ini = 0,
terlebih dahulu perlu dihitung variasi . Dengan menggunakan aturan Leibniz pada
Lema 2 dan dengan mengasumsikan variasi independen dalam ( ),
dan diperoleh variasi pertama dari persamaan (2.2.3), yaitu
14
, , ,
= , + , () + , + ,
+ , + () 0 (0 ) 0
+
+ + ( ()
+ + ( ()
menggunakan
pengintegralan
parsial
untuk
(2.2.4)
= + 0 0 +
(2.2.5)
15
(2.2.6)
0 0 = 0 0 0 0 0
Substitusikan persamaan (2.2.6) dan (2.2.7) ke persamaan (2.2.5),
(2.2.7)
maka akan
diperoleh
= + + 0 0
0 0 0 +
(2.2.8)
( + ) + + ( )()
( + ) + + ( )()
Berdasarkan teori Lagrange, nilai minimum (ekstremum) dari dicapai pada keadaan
yang sama dengan nilai minimum dari , yaitu saat = 0. Untuk memenuhi keadaan
ini, nilai-nilai dari semua koefisien pada increment bebas , , , , , ()
dijadikan 0.
16
= 0
, = 0
= 0
= 0
=
= 0
+ = 0
=
= 0
= 0
0 = =
, + , = 0
, = ,
= 0
, + , + = 0
+ , = ,
17
Tabel 1
Variasi
Model
Pertumbuhan
Sistem
Indeks Performa
() = , ,
0 , 0
(0 ) = , +
, ,
Fungsi pembatas
bagi state akhir
Persamaan State
, = 0
Persamaan
Costate
Kondisi
=0
, + ,
()
+ , + , + = 0
Kestasioneran
Input
Kondisi Pembatas
pada waktu akhir
18
BAB 3
APLIKASI KONTROL OPTIMAL
DALAM SISTEM KONTINU
19
Prinsip Hamilton untuk sistem konservatif yang seringkali ditemukan dalam fisika
klasik menyatakan bahwa Dari seluruh lintasan yang mungkin bagi sistem dinamik
untuk berpindah dari satu titik ke titik lain dalam interval waktu spesifik (konsisten
dengan sembarang konstrain), lintasan nyata yang diikuti sistem dinamis adalah
lintasan yang meminimumkan integral waktu selisih antara energi kinetik dengan
energi potensial. (Marion 1965).
Sesuai dengan prinsip Hamiltonian, persamaan gerak partikel yang dinyatakan oleh
persamaan Lagrange dapat diperoleh dengan meninjau energi kinetik dan energi
potensial partikel tanpa perlu meninjau gaya yang beraksi pada partikel. Energi
kinetik partikel dalam koordinat kartesian adalah fungsi dari kecepatan, energi
potensial partikel yang bergerak dalam medan gaya konservatif adalah fungsi dari
posisi.
Lebih jauh lagi, Lagrangian didefinisikan sebagai selisih antara energi kinetik dan
energi potensial. Dari prinsip Hamilton, dapat diturunkan persamaan Lagrange
dengan menggunakan kondisi kestasioneran. Persamaan Lagrange merupakan
persamaan gerak partikel sebagai fungsi dari koordinat, kecepatan, dan
waktu.
20
= vektor kecepatan,
() energi potensial,
(, ) energi kinetik,
, , () , Lagrangian dari sistem.
Model pertumbuhan dideskripsikan dengan
= (, )
(3.1.1)
dimana fungsi diberikan oleh bagian fisika dari permasalahan. Untuk mencari
lintasan gerak, prinsip Hamilton mengatakan bahwa indeks performa berikut
harus diminimalkan
0 =
(3.1.2)
dengan Hamiltonian
= +
(3.1.3)
0=
(3.1.4)
=
+
(3.1.5)
=0
21
(3.1.6)
Perlu ditekankan bahwa dalam konteks ini, persamaan costate dan kondisi
kestasioneran ekivalen dengan Persamaan Lagrange. Dalam konteks yang lebih
umum dari permasalahan variasi, persamaan di atas disebut Persamaan Euler.
Persamaan costate dan kondisi kestasioneran pada tabel keoptimalan adalah
formulasi alternatif dari persamaan Euler.
(3.1.7)
(3.1.8)
(3.1.9)
Jadi, dalam permasalahan kontrol optimal, persamaan state dan costate adalah
generalisasi dari Persamaan Gerak Hamilton.
22
1 + 2 ()
(3.2.1)
(3.2.2)
(3.2.3)
(3.2.4)
1 + 2
(3.2.5)
= 1 + 2 +
(3.2.6)
=
dengan Hamiltonian
(3.2.7)
= = 0
(3.2.8)
23
0 = = +
1 + 2
(3.2.9)
1 + 2
(3.2.10)
namun dari persamaan (3.2.8) diketahui bahwa konstan, dengan demikian maka
yang bernilai konstan merupakan solusi optimal.
Kurva () yang optimal memiliki persamaan
= 1 + 2
(3.2.11)
Untuk mencari nilai 1 dan 2 dapat digunakan kondisi batas yang telah ditetapkan
sebelumnya, dan diperoleh
=
(3.2.12)
yang merupakan persamaan garis lurus sebagai lintasan optimal antara dua titik.
(3.3.1)
untuk suatu konstanta dan , yang bergantung pada redaman panas di ruangan, dan
sebagainya. Dengan menuliskan state sebagai
24
(3.3.2)
(3.3.3)
Untuk mengontrol temperatur ruangan pada suatu interval waktu tetap [0, ] dengan
energi seminimal mungkin, definisikan indeks performa sebagai berikut
1
0 =2
(3.3.4)
2
+ +
2
(3.3.5)
(3.3.6)
= =
(3.3.7)
0 = = +
(3.3.8)
(3.3.9)
25
(3.3.10a)
(3.3.10b)
yang harus diselesaikan untuk () dan lintasan state yang optimal ().
Walaupun final costate () belum diketahui, namun persamaan di atas dapat
diselesaikan dengan mengasumsikan () telah diketahui. Solusi untuk (3.3.10b)
adalah
=
()
(3.3.11)
(3.3.12)
(0)
2 ()
+
+ ( )
1
1
2
(0) 2
=
+ 2
+
+
(3.3.13)
sehingga
= 0
2
sinh
(3.3.14)
Persamaan (3.3.11) dan (3.3.14) memberikan costate yang optimal () dan state
yang optimal () dengan catatan bahwa final costate () belum diketahui. State
awal 0 diberikan.
Lebih jauh lagi, objektif dari permasalahan kontrol perlu diklasifikasikan menjadi dua
kasus, yang masing-masing akan memberikan nilai ().
26
(3.3.15)
(3.3.16)
Karena waktu akhir dan state akhir keduanya bernilai tetap, maka dan ()
keduanya bernilai 0, dan kondisi batas (pada tabel keoptimalan) terpenuhi.
Dengan menggunakan persamaan (3.3.15) dan (3.3.16) akan ditentukan ();
kemudian akan dicari () dengan menggunakan persamaan (3.3.11) dan mencari
kontrol optimal dengan memakai persamaan (3.3.9).
Untuk mencari () ,
1 2
2
(3.3.17)
20
1 2
(3.3.18)
27
(3.3.19)
dan akhirnya laju perubahan temperatur yang optimal diberikan oleh (3.3.9) atau
10
=
sinh
(3.3.20)
sinh
sinh
(3.3.21)
= 10
sesuai dengan hasil yang diharapkan.
(3.3.22)
untuk suatu bobot (misal ) yang dipilih kemudian. Jika nilai cukup
besar, maka solusi optimal akan memiliki nilai () mendekati 10 , karena
berikutnya term pertama akan berkontribusi kecil terhadap biaya.
Berdasarkan tabel keoptimalan, persamaan state dan costate diberikan oleh
(3.3.10), dan kontrol optimal oleh (3.3.9). Dengan demikian, (3.3.11) dan (3.3.14)
tetap valid.
Kondisi awal tetap diberikan oleh (3.3.15), namun kondisi akhir harus ditentukan
dengan menggunakan kondisi batas. Waktu akhir bernilai tetap, sehingga
28
= 0 dan term ke dua dari kondisi batas (pada tabel) otomatis bernilai 0.
Karena () tidak tetap, () tidak nol (sama seperti pada kasus state akhir
tetap).
Dengan memandang kondisi di atas, dibutuhkan bahwa
=
= 10
(3.3.23)
+ 10
(3.3.24)
20
2 + 2 1 2
(3.3.25)
10
+ 2 sinh
(3.3.26)
10
+ 2 sinh
(3.3.27)
29
10 2 sinh
+ 2 sinh
(3.3.28)
10 2 sinh
+ 2 sinh
(3.3.29)
(3.4.1)
30
Gambar 3.4.1 Geometri dari Permasalahan Titik Potong dan Titik Temu
(3.4.2)
(3.4.3)
2 () 2 () 1
+
+
2
2
2
(3.4.4)
Untuk titik potong, = 0 dan dibuat bernilai cukup besar sehingga kontrol
optimal akan menghasilkan 2 () yang kecil. Untuk titik temu, dan
keduanya dipilih bernilai besar.
b. Solusi Permasalahan
Kontrol optimal akan dipilih sedemikian rupa sehingga meminimalkan (3.4.4).
31
Setiap komponen pada state harus memiliki faktor pengali Lagrange yang
bersesuaian; oleh karena itu ambil [ , ] dan Hamiltonian
1 2
+ +
2
(3.4.5)
=0
(3.4.6)
(3.4.7)
= +
(3.4.8)
=
maka persamaan costate adalah
(3.4.9)
diberikan.
(3.4.10)
Kondisi akhir ditentukan oleh kondisi batas pada tabel keoptimalan. Karena
waktu akhir tetap, = 0, maka hanya term pertama yang memberikan kondisi
mengikat.
=
(3.4.11)
(3.4.12)
32
(3.4.13)
(3.4.14)
(3.4.15)
(3.4.16)
Substitusikan hasil ini ke dalam perhitungan dan integralkan (3.4.2) lalu diperoleh
persamaan kubik
2
3
= 0 + 0
+ +
2
6
33
(3.4.17)
Persamaan state dan costate telah diselesaikan dalam term () dan 0 , (0)
yang diberikan. Namun, final costate belum diketahui. Untuk mencarinya, dapat
digunakan hubungan (3.4.11) dan (3.4.12) antara final state dan final costate.
Setelah menggabungkan hubungan ini dengan (3.4.16) dan (3.4.17) didapat
= 0 + 0
2
3
+ +
2
6
(3.4.18)
dan
2
(3.4.19)
0
0
(3.4.20)
= 0 + +
Kedua persamaan ini dapat dituliskan ulang sebagai
3
3
2
2
1+
2
2
1 +
2
3
0
0
(3.4.21)
dimana
3
= +
3
4
+
4
(3.4.22)
34
(3.4.23)
(3.4.23)
Pada faktanya, waktu awal 0 tidak bernilai 0. Karena persamaan state dan costate
linear, untuk mengoreksi dibutuhkan untuk mensubstitusi ( 0 ) ke dalam
pada ruas kanan persamaan (3.4.21). Sebelumnya, perlu diingat bahwa pada saat
nilai dan () telah diketahui, sehingga dapat diambil sebagai waktu
awal. Hal ini berkorespondensi dengan meminimalkan (), yaitu remaining cost
pada selang [, ].
Dengan mensubstitusikan ( ) untuk dalam persamaan (3.4.21) diperoleh
persamaan untuk final costate dalam variabel state saat ini :
2
3
(3.4.24)
(3.4.25)
+ 2 +
(3.4.26)
Hasil ini merupakan hukum kontrol feedback karena kontrol yang sesungguhnya
hanya diberikan dalam state saat ini.
35
c. Navigasi Proporsional
Untuk permasalahan titik potong, pilih = 0 dan . Dengan mengambil
limit dari (26) diperoleh
=
(3.4.27)
(3.4.28)
()
+
2
(3.4.29)
= tan =
sehingga
=
maka kontrol optimalnya adalah
= 3
(3.4.30)
Persamaan ini adalah hukum kontrol untuk navigasi proporsional. Setiap pilot
mengetahui bahwa untuk melakukan perpotongan hanya diperlukan untuk
menjaga sudut terhadap target tetap konsan sehingga tidak akan ada pergerakan
terhadap posisi relatif.
36
(3.5.1)
(3.5.2)
= cos
(3.5.3)
= sin
(3.5.4)
, dan / adalah
percepatan gaya dorong yang telah diketahui. Sudut gaya dorong () merupakan
kontrol input.
Indeks performa yang digunakan berupa fungsi atas waktu akhir dan state
= ( , )
(3.5.5)
(3.5.6)
37
(3.5.7)
memiliki komponen
(3.5.8)
= = 0
(3.5.9)
= =
(3.5.10)
= =
(3.5.11)
(3.5.12)
atau
tan () =
38
(3.5.13)
(3.5.14)
= ()
(3.5.15)
= + 1
(3.5.16)
= + 2
(3.5.17)
2
1
(3.5.18)
Persamaan ini disebut hukum tangent bilinear untuk arah gaya dorong optimal
.
Untuk menentukan konstanta , , 1 , dan 2 , dapat dilakukan dengan cara
mensubstitusikan persamaan (3.5.18) ke persamaan state, menyelesaikannya, dan
menerapkan kondisi batas. Untuk menentukan kondisi batas, diperlukan untuk
mengetahui dan , yang bergantung pada objektif kontrol tertentu. Ada banyak
objektif permasalahan kontrol yang memungkinkan mengingat bahwa seluruhnya
bergantung pada sifat dari partikel . Salah satu contoh yang memiliki solusi
sederhana dan menarik akan dibahas berikut ini.
39
1
0
(3.5.19)
(3.5.20)
Bagaimanapun, karena nilai konstan, hasil yang diperolah pada bagian a tetap
valid.
Jika mulai bergerak saat 0 = 0 dan dimulai dari titik awal, kondisi awal dari
adalah
0 = 0,
0 = 0,
0 = 0,
0 =0
(3.5.21)
(1 + 1 )
=0
(3.5.22)
sehingga
= 1 + 1
(3.5.23)
(3.5.24)
Untuk mencari kondisi akhir yang tersisa diperlukan untuk menggunakan syarat
kondisi batas pada tabel keoptimalan.
40
State akhir dan waktu akhir keduanya bernilai bebas. Oleh karena itu 0
dan 0 . Bagaimanapun, dalam permasalahan ini dan saling
independen sehingga syarat kondisi batas pada tabel keoptimalan menghasilkan
dua kondisi batas yang terpisah yaitu
dimana =
( + )
=0
(3.5.25)
( + + )
=0
(3.5.26)
0
1
0
0
atau
=
(3.5.27)
(3.5.28)
= 0
(3.5.29)
= 0
(3.5.30)
41
= 1
(3.5.31)
(3.5.32)
(3.5.33)
= ( )
(3.5.34)
= ( )
(3.5.35)
(3.5.36)
Untuk permasalahan titik potong dengan waktu minimum ini, sudut gaya dorong
yang optimal bernilai konstan.
42
Untuk mencari kontrol optimal atas sudut gaya dorong (), yang tersisa adalah
untuk mencari dan .
Karena bernilai konstan, sangat mudah untuk melakukan proses integrasi secara
maju dari 0 = 0 hingga diperoleh
= sin
(3.5.37)
= cos
(3.5.38)
2
=
sin
2
(3.5.39)
2
cos
2
(3.5.40)
(3.5.41)
dan kondisi akhir (3.5.23) dan (3.5.24) kemudian memberikan persamaan untuk
kontrol dalam kondisi akhir :
tan =
1 + 1
(3.5.42)
43
dan . Khusus dalam permasalahan ini dapat digunakan cara singkat dimana ,
tidak diperlukan.
Dapat diperhatikan bahwa (3.5.39), (3.5.40), (3.5.23), dan (3.5.24) menghasilkan
2()
2
=
2
(3.5.43)
2
2 1 + 1
=
2
(3.5.44)
sin =
cos =
(3.5.45)
2 4
+ 12 2 + 21 1 + 12 + 2 = 0
4
(3.5.46)
yang mana
Persamaan kuadrat ini dapat diselesaikan untuk dengan kondisi awal di sekitar
target 1 , 1 , diberikan. Hanya ada satu solusi untuk persamaan (3.5.46) yang
masuk akal secara fisis.
Kontrol optimal ditentukan dengan menyelesaikan persamaan (3.5.46) untuk
dan kemudian menyelesaikan persamaan (3.5.42) untuk sudut gaya dorong
optimal .
Gambar di bawah ini merepreentasikan bahwa sisi miring dari segitiga
digambarkan dalam persamaan gerak target, sebagai
2 = 2 + (1 + 1 )2
atau dalam persamaan gerak pesawat pengejar sebagai
44
(3.5.47)
2 =
1
2
2
2
(3.5.48)
Gambar 3.5.2 Kontrol Input bagi Permasalahan Titik Potong dengan Waktu Minimum
Persamaan (3.5.45) hanyalah sebuah persamaan yang harus dipenuhi agar kedua
pesawat berada pada titik yang sama pada waktu akhir.
Tanpa melalui penurunan yang detail dari (3.5.45) maka tidak dapat disimpulkan
dari gambar apakah solusinya merupakan waktu akhir yang optimal.
45
(3.6.1)
dengan adalah vektor posisi, adalah vektor kecepatan, dan adalah input
percepatan. Vektor state adalah = [ ] . Kemudian pilih indeks performa :
=
1
2
(3.6.2)
1 2
+ +
2
=0
46
(3.6.3)
(3.6.4)
(3.6.5)
47
Karena kondisi awal dari persamaan costate tidak diketahui, maka akan dibangun
suatu metode aproksimasi terhadap kondisi awal costate yang sesuai.
Misalkan = [ ] = [ 0
(3.6.6)
; =
exp()
0
(3.6.7)
dimana () adalah evaluasi atas saat dan (, ) adalah solusi atas sistem
persamaan diferensial (3.6.4) dengan kondisi awal 0 , 0
= 0 , 0
48
dan costate
0 + (1,0) ( 0 )
0 + (0,1) ( 0 )
49
0 ,
0
0 =
(1 , 2 )
Berikutnya, bentuk
1 = 0 1 , 2
2 = 0
,
2 1 2
=0
50
********************************************************************
% program input Hamiltonian
function dy = hamiltonian(t,y)
dy = zeros(4,1);
% a column vector
dy(1) = y(2) ;
% y dot
dy(2) = -y(4) ;
% v dot
dy(3) = 0;
% lambda y dot
dy(4) = -y(3);
% lambda v dot
end
********************************************************************
% program utama
clear all;
clc;
toleransi = 0.001;
%besar galat
epsilon1 = 0.001;
epsilon2 = epsilon1/2;
alpha1 = 0.001;
alpha2 = alpha1/2;
tmin = 0;
%waktu awal
(t0)
tmax = 10;
% syarat awal y
51
b = 1;
% syarat awal v
ic = [a b L10 L20];
ujung = length(T);
F(1) = (Y(ujung,1))^2+(Y(ujung,2))^2;
i=1;
alpha = alpha1;
epsilon = epsilon1;
while F(i) > toleransi
L10_lama = L10(i);
L20_lama = L20(i);
52
% Initial condition
L10_baru = L10_lama - alpha * partialL1 / normF;
L20_baru = L20_lama - alpha * partialL2 / normF;
ic = [a b L10_baru L20_baru];
end
figure(1)
plot(T, Y(:,1))
xlabel('t (s)')
ylabel('y (m)')
axis([0 10 0
10])
figure(2)
plot(T,Y(:,2))
xlabel('t (s)')
ylabel('v (m/s)')
53
figure (3)
plot(T,Y(:,1:2))
xlabel('t (s)')
ylabel('y (m) dan v (m/s)')
% Transpose
F = F.';
Hasil =[F L10 L20];
*********************************************************
54
Dengan menjalankan program di atas, diperoleh hasil plot lintasan state yang optimal
sebagai berikut
55
56
BAB 4
KESIMPULAN
Dalam tugas akhir ini, beberapa konsep dasar dari kalkulus variasi telah dipaparkan
dan kondisi keoptimalan telah diturunkan dengan menggunakan Pontryagin
Maximum Principle. Variasi pertama dari indeks performa telah dicari, dan nilai dari
setiap increment bebas pada saat nol adalah syarat perlu bagi persamaan state dan
costate untuk mencapai keoptimalan. Tabel 1 merangkum syarat perlu bagi kondisi
keoptimalan tersebut.
Beberapa contoh permasalahan sistemn kontinu nonlinear yang diselesaikan dengan
menggunakan kontrol optimal telah diselesaikan dengan cara mencari solusi analitik
dan solusi numerik. Pendekatan solusi numerik yang digunakan adalah metode
Steepest Descent.
57
DAFTAR PUSTAKA
58