Optimizacion Robusta de Sistemas Multi-Modelo

Tipo LQ con Incertidumbre Parametrica en un

Conjunto Finito
Felix Alfredo Miranda Villatoro
13 de mayo de 2013
Resumen
El objetivo del presente trabajo es mostrar la utilidad del enfoque de
control optimo robusto en el caso LQR, donde el conjunto de incertidum-
bre parametrica es nito.
1. Planteamiento del Problema
1.1. Problema General
Se considera el siguiente sistema multimodelo:
x

= f

(x

, u, t), / =
1
, . . . ,
N
(1.1)
donde:
x

R
n
para todo /.
u R
m
.
Ademas, para cada / se imponen las restricciones usuales sobre el lado
derecho de (1.1) de tal manera que se garantiza la existencia y unicidad de la
solucion. Es decir:
f es continua con respecto a todos sus argumentos.
f(, u, t) satisface la condicion de Lipschitz.
El control u(t), t
0
t t
f
se dice que es realizable si es continuo a trozos
y u(t) U R
m
para todo t [t
0
, t
f
]. El control u(t), t
0
t t
f
se dice
que es admisible si es realizable y ademas para cada / la trayectoria x

(t)
satisface la inclusi on:
x

(t
f
) / := x R
n
: g
l
(x) 0, l = 1, . . . , L.
1
La funci on de costo asociada al sistema (1.1) est a dada por:
h

= h
0
(x

(t
f
)) +
_
t
f
t=t0
L(x

(t), u(t), t)dt (1.2)

Puesto que el valor del par ametro es deconocido el costo maximo puede ser
denido como:
F(u) = max
A
h

(1.3)
La funci on F depende solamente de la ley de control u(t), t
0
t t
f
, con la
que se busca obtener el mejor rendimiento entre una colecci on dada de sistemas.
Por lo tanto, el problema de optimizacion robusta consisten en encontrar la
accion de control u

(t), t
0
t t
f
tal que:
u

(t) = arg mn
u()U
F(u) (1.4)
El funcional de costo (1.2) se encuentra en forma de Bolza. Usando tecnicas de
transformaci on est andar, el problema se puede reformular en el espacio R
n+1
como un problema de Mayer con la funci on de costo:
h

= h
0
(x

(t
f
)) +x
,n+1
(t
f
) (1.5)
donde:
x
,n+1
(t) = L(x

(t), u(t), t)
x
,n+1
(t
0
) = 0
y claramente la function h
0
(x

) no depende de x
,n+1
. Ademas, el problema
con funci on de costo (1.5) es equivalente al problema inicial (1.4) con funcional
de costo en forma de Bolza.
Una vez expresado el problema en forma de Mayer, es posible aplicar el
pincipio del maximo robusto (ver [2]), el cual se enuncia en el siguiente teorema.
Teorema 1 Sea u

(t) (t [t0, t
f
]) un control optimo robusto y x

(t) la so-
luci on de (1.1) con la condici on inicial x

(t
0
) = x
0
( /). El conjunto de
incertidumbre parametrica / se considera nito. Entonces, para optimalidad ro-
busta del control u

(t), t
0
t t
f
es necesario que exista un vector b

y
funciones no-negativas () y
l
() (l = 1, . . . , L) denidas sobre / tal que las
siguientes condiciones se satisfacen:
1. (Condici on de M aximo) Se denota por

(t), t
0
t t
f
la soluci on del
sistema de ecuaciones:

,i
=
n+1

k=1
f
,k
(x

(t), u(t), t)
x
,i

,k
(t
f
) = b
,i
2
Entonces, el control optimo robusto u

(t), t
0
t t
f
satisface la condi-
ci on de maximalidad:
u

(t) = arg max

uU
H

(t), x

(t), u, t) (1.6)
Adem as,
H

(t), x

(t), u

(t), t) = 0, t
0
t t
f
donde:
H

, x

, u, t) =

, f

(x

, u, t)) =

, f

(x

, u, t))
=

A
n+1

i=1

,i
f
,i
(x

, u, t)
(1.7)
2. (Condiciones Slackness Complementary) Para cada / cualquiera
de las siguientes dos condiciones se mantiene h

= F o () = 0, es
decir:
()(h

F) = 0
Adem as, para cada /, cualquiera de las dos desigualdades siguientes
se mantiene: g
l
(x

(t
f
)) = 0 o
l
() = 0, es decir:
()g
l
(x

(t
f
)) = 0
3. (Condici on de Transversalidad) Para cada / se mantienen las si-
guientes igualdades:

(t
f
) +()h
0
(x

(t
f
)) +
L

l=1

l
()g
l
(x

(t
f
)) = 0
y

,n+1
(t
f
) +() = 0
4. (Condici on de no-trivialidad) Existe un / tal que:

(t
f
) ,= 0 o al
menos uno de los n umeros (),
l
() es distinto de cero, es decir:
[[

(t
f
)[[ +() +() = 0
1.2. El problema LQ multi-modelo
En este caso se considera un sistema lineal general de la forma:
x

(t) = A

(t)x

(t) +B

(t)u(t) +d

(t)
x

(t
0
) = x
0
(1.8)
3
donde, x

(t), d

(t) R
n
y u(t) R
m
y las funciones A

(), B

(), d

() son
continuas en el intervalo [t
0
, t
f
]. El ndice de desempe no est a descrito por:
h

=
1
2
x

(t
f
)
T
Gx

(t
f
) +
1
2
_
t
f
t=t0
_
x

(t)
T
Qx

(t) +u(t)
T
Ru(t)

dt (1.9)
donde:
G = G
T
0, Q = Q
T
0, R = R
T
> 0
Se asume que no existe restriccion alguna sobre el control u(t), y tampoco existen
restricciones sobre el estado terminal x

(t
f
).Es decir:
g
l
(x

(t
f
)) = 0, U = R
m
Y entonces el problema LQ tipo min-max puede ser enunciado como:
max
A
h

mn
u()
(1.10)
Siguiendo el enfoque sugerido en [2], se tiene que el Hamiltoniano del sistema
est a dado por:
H

, x

, u, t) =

A
_

(A

(t)x

+B

(t)u +d

(t)) +
1
2

,n+1
_
x

T
Qx

+u
T
Ru
_
_
(1.11)
y la variable adjunta

(t) satisface:

(t) =

x

= A

(t)
T

(t)
,n+1
(t)Qx

(t)

,n+1
(t) = 0
(1.12)
junto con la condicion de transversalidad:

(t
f
) =()h

= ()
_
x

(t
f
)
T
Gx

(t
f
) +x
,n+1
(t
f
)

=()Gx

(t
f
)

,n+1
(t
f
) =()
(1.13)
Tomando la variable normalizada

(t) denida como:

,i
=
_
_
_

,i
(t)
()
, si () ,= 0
0, si () = 0
se tiene que

(t) satisface:

(t) =

x

= A

(t)
T

(t)

,n+1
(t)Qx

(t)

,n+1
(t) = 0
(1.14)
4
junto con la condicion de transversalidad:

(t
f
) = Gx

(t
f
)

,n+1
(t
f
) = 1
(1.15)
Debido a que el control u

(t) satisface la condicion de maximalidad (1.6) para

todo t
0
t t
f
se tiene la siguiete expresion:
u

(t) =
_

A
()
_
1
R
1

A
()B

(t)
= R
1

(t)
(1.16)
donde el vector = [
1
, . . .
N
]
T
S
N
, N = [/[, siendo S
N
un simplex denido
por:
S
N
=
_
R
N
:

=
()

N
i=1
()
0,
N

i=1

= 1
_
(1.17)
A continuacion se denen las siguientes matrices diagonales a bloques A, Q,
G, y la matriz B como sigue:
A :=
_

_
A
1
0 0
0 A
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
N
_

_
R
nNnN
, Q :=
_

_
Q
1
0 0
0 Q
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 Q
N
_

_
R
nNnN
G :=
_

_
G 0 0
0 G 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 G
_

_
R
nNnN
, :=
_

1
I
nn
0 0
0
2
I
nn
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
N
I
nn
_

_
R
nNnN
(1.18)
y
B
T
=
_
B
1
T
B
2
T
B
N
T
_
R
rnN
(1.19)
Con estas nuevas deniciones, la dinamica del sistema (1.8) y la variable adjunta
(1.14) se pueden reescribir como:
_

_
x = Ax +Bu +d
x(t
0
) =
_
x
0
x
0
x
0
_
T

= A
T
+Qx
(t
f
) = Gx(t
f
)
u = R
1
B
T

(1.20)
5
donde:
x :=
_
x
1
T
x
2
T
. . . x
N
T
_
T
R
nN
:=
_

T
1

T
2
. . .
T
N

T
R
nN
d :=
_
d
1
T
d
2
T
. . . d
N
T
_
T
R
nN
Con esta nueva representacion del problema LQ min-max descrita por (1.20),
se tiene la siguietne caracterizacion del control optimo robusto (ver [2]).
Teorema 2 El control optimo robusto u

() que resuelve el problema (1.10) es

igual a:
u

(t) = R
1
B
T
(P

x +p

) (1.21)
donde la matriz P

= P
T

R
nNnN
es la soluci on de la siguiente ecuaci on
diferencial de Ricatti parametrizada:
_

+P

A+A
T
P

BR
1
B
T
P

+Q = 0
P

(t
f
) = G = G
(1.22)
y el vector p

satisface:
_
p

+A
T
p

BR
1
B
T
p

+P

d = 0
p

(t
f
) = 0
(1.23)
donde la matriz = (

) est a denida por (1.18) y el vector de pesos =

es la soluci on al siguiente problema de optimizaci on nita:

= arg mn
S
N
J() (1.24)
con:
J() = max
A
h

=
1
2
_
x
T
(t
0
)P

(t
0
)x(t
0
) x
T
(t
f
)Gx(t
f
)
_
+x
T
(t
0
)p

(t
0
)

1
2
_
t
f
t=t0
x
T
(t)Qx(t)dt
+
1
2
max
i=1,...,N
__
t
f
t=t0
x
i
T
(t)Qx
i
(t)dt +x
i
T
(t
f
)Gx
i
(t
f
)
_
+
1
2
_
t
f
t=t0
2d
T
p

p
T

BR
1
B
T
p

dt
(1.25)
La prueba del teorema precedente se puede consultar en [2].
6
1.3. Ejemplo
Se considera la siguiente planta unidimensional multi-modelo:
_

_
x

(t) = a

(t) +b

u(t), t [t
0
= 0, t
f
= 6]
x

(0) = x
0
= 1.0, / = 1, 2
a
1
= 4.0, a
2
= 5.0, b
1
= b
2
= 2.0, G = Q = R = 1.0
(1.26)
con el siguietne funcional de costo asociado:
h

=
1
2
_
6
t=0
_
[x

(t)]
2
+ [u(t)]
2
_
dt +
1
2
[x

(t
f
)]
2
(1.27)
0 0.2 0.4 0.6 0.8 1
0
1
2
3
4
5
6
7
8
9
10
jointloss cost function
Figura 1: Joint-Loss Cost Function
Referencias
[1] Vadim Azhmyakov, Vladimir Boltyanski, Alexander Poznyak, The dyna-
mic programming approach to multi-model robust optimization, Nonli-
near Analysis: Theory, Methods & Applications, Volume 72, pp. 1110-1119,
2010.
[2] V.G. Boltyanski, A. S. Poznyak, The Robust Maximum Principle: Theory
and Applications, Birkhauser, Boston, USA, 2012.
7
0 0.2 0.4 0.6 0.8 1
2.309
2.309
2.3091
2.3091
2.3092
2.3092
jointloss cost function
Figura 2: Joint-Loss Cost Function
0 1 2 3 4 5 6
0.5
0
0.5
1
States
Figura 3: States x
1
(blue) and x
2
green
8
0 1 2 3 4 5 6
2
0
2
4
6
8
10
Control
Figura 4: Robust Optimal Control
9