Séance de cours

Contrôle prédictif du modèle non linéaire: étapes de stabilité et de conception

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours couvre les principes du contrôle prédictif de modèle non linéaire (NMPC), y compris lanalyse de stabilité avec et sans contraintes terminales, les formulations économiques NMPC, et la mise en œuvre numérique de NMPC. L'instructeur discute des étapes de conception pour un contrôle optimal et NMPC, en soulignant l'importance de la stabilité, de l'estimation de l'état et des considérations de robustesse. Divers concepts tels que les adjoints, les multiplicateurs et la convergence pratique des NMPC économiques sont explorés. La séance de cours se termine par un résumé des points clés et des questions de recherche ouvertes dans le domaine.

Source officielle

Concepts associés (32)

Analyse numérique

L’analyse numérique est une discipline à l'interface des mathématiques et de l'informatique. Elle s’intéresse tant aux fondements qu’à la mise en pratique des méthodes permettant de résoudre, par des calculs purement numériques, des problèmes d’analyse mathématique. Plus formellement, l’analyse numérique est l’étude des algorithmes permettant de résoudre numériquement par discrétisation les problèmes de mathématiques continues (distinguées des mathématiques discrètes).

Calcul numérique d'une intégrale

En analyse numérique, il existe une vaste famille d’algorithmes dont le but principal est d’estimer la valeur numérique de l’intégrale définie sur un domaine particulier pour une fonction donnée (par exemple l’intégrale d’une fonction d’une variable sur un intervalle). Ces techniques procèdent en trois phases distinctes : Décomposition du domaine en morceaux (un intervalle en sous-intervalles contigus) ; Intégration approchée de la fonction sur chaque morceau ; Sommation des résultats numériques ainsi obtenus.

Numerical methods for ordinary differential equations

Numerical methods for ordinary differential equations are methods used to find numerical approximations to the solutions of ordinary differential equations (ODEs). Their use is also known as "numerical integration", although this term can also refer to the computation of integrals. Many differential equations cannot be solved exactly. For practical purposes, however – such as in engineering – a numeric approximation to the solution is often sufficient. The algorithms studied here can be used to compute such an approximation.

Numerical methods for partial differential equations

Numerical methods for partial differential equations is the branch of numerical analysis that studies the numerical solution of partial differential equations (PDEs). In principle, specialized methods for hyperbolic, parabolic or elliptic partial differential equations exist. Finite difference method In this method, functions are represented by their values at certain grid points and derivatives are approximated through differences in these values.

Robustesse (statistiques)

En statistiques, la robustesse d'un estimateur est sa capacité à ne pas être perturbé par une modification dans une petite partie des données ou dans les paramètres du modèle choisi pour l'estimation. Ricardo A. Maronna, R. Douglas Martin et Victor J. Yohai; Robust Statistics - Theory and Methods, Wiley Series in Probability and Statistics (2006). Dagnelie P.; Statistique théorique et appliquée. Tome 2 : Inférence statistique à une et à deux dimensions, Paris et Bruxelles (2006), De Boeck et Larcier.

Afficher plus

Séances de cours associées (64)

Différenciation numérique: Partie 1

Couvre la différenciation numérique, les différences en avant, l'expansion de Taylor, la notation Big O et la minimisation des erreurs.

Méthodes numériques : équations différentielles et analyse de stabilité

Couvre les méthodes numériques pour résoudre les équations différentielles et leur analyse de stabilité, en se concentrant sur le calcul des erreurs et les applications pratiques en ingénierie et en science.

Méthodes numériques en biomécanique: Hip-A

Explore les méthodes numériques en biomécanique pour les implants de hanche et met l'accent sur les conditions de compréhension pour améliorer les conceptions et les résultats des patients.

Équations des vagues: Chaîne vibrante

Explore l'équation d'onde pour une chaîne vibrante et sa solution numérique en utilisant des formules de différence finie et le schéma Newmark dans MATLAB/GNU Octave.

Physique numérique : Convergence et analyse des erreurs

Discute de la rétroaction de l'évaluation, de la convergence, de l'analyse des erreurs et des étapes temporelles adaptatives dans les simulations physiques.

Afficher plus

Concepts associés (32)

Analyse numérique

Calcul numérique d'une intégrale

Numerical methods for ordinary differential equations

Numerical methods for partial differential equations

Robustesse (statistiques)

Afficher plus