1.

Model sistema sa jednim ulazom i jednim izlazom u prostoru stanja sa ugrađenim

integratorom

Radi jednostavnosti, ispitivanje započinjemo pretpostavkom da je osnovni objekat

upravljanja sa jednim ulazom i jedinim izlazom i da je opisan sa:

gde je u ulazna promenljiva, y izlaz sistema, a xm je vektor stanja sa dimenzijom n1. Pošto
model objekta upravljanja ima za ulaz u(k) model treba promeniti da bi bio adekvatan za potrebu
dizajna koji ima ugrađen integrator. Generalna formulacija modela u prostoru stanja predstavlja
direktnu vezu između ulaznog signala u(k) i izlaznog signala y(k) na sledeći način:

ali zbog principa uzmičućeg horizonta, gde je trenutna informacija o objektu upravljanja
neophodna za predikciju i upravljanje, implicitno smo pretpostavili da ulaz u(k) ne može da utiče na
izlaz y(k) u tom trenutku. Otuda je Dm = 0 u modelu objekta upravljanja.

Sada treba označiti razliku obe promenljive stanja i razliku upravljačkih promenljivih kao:

To su inkrementi promenljive xm(k) i u(k). Ovom transformacijom se postiže da jednačina u

prostoru stanja bude:

Ulaz modela u prostoru stanja je Δu(k). Sledeći korak je da povežemo Δxm(k) sa

izlazom y(k). Da bi to postigli biramo da novi vektor promenljivih stanja bude:

a, takođe važi:

Spajanjem jednačina 1.3 i 1.4 dobija se sledeći model u prostoru stanja:

1
 gde je . Trojka (A, B, C) se naziva maksimizovani model.

2. Predikcija koordinata stanja i izlaza sistema

Pod pretpostavkom da je u trenutku semplovanja ki, (ki > 0) vektor promenljive stanja x(ki)
merljiv i da daje informaciju o stanju objekta upravljanja, buduća upravljačka trajektorija se izražava
kao:

gde je Nc horizont upravljanja i on određuje broj parametara na osnovu kojih se vrši

predikcija upravljačke trajektorije. Uz datu informaciju o x(ki), buduće promenljive stanja se
predviđaju za Np semplova, gde je Np predikcioni horizont. Np je, takođe, i dužina optimizacionog
prozora. Buduće promenljive stanja se označavaju sa:

gde je predviđeno stanje sistema u ki+m-tom trenutku na

osnovu trenutne vrednosti vektora x(ki). Za Nc se uzima vrednost manja ili jednaka od Np. Na osnovu
modela u prostoru stanja (A, B, C) se izračunavaju buduće promenljive stanja sekvencijalno pomoću
skupa budućih upravljačkih parametara:

Dok se buduće izlazne promenljive računaju kao:

2
 Sve predikcione promenljive su zapisane u formatu tako da se vidi njihova zavisnost od
trenutnog stanja x(ki) i od budućih upravljačkih pomeraja Δu(ki + j), gde je j = 0, 1,...Nc - 1.
Sva predviđena stanja se zapisuju u formatu:

gde je dimenzija Y jednaka sa Np, a dimenzija ΔU sa Nc u slučaju sistema sa jednim ulazom

i jednim izlazom. Prikupljanjem izraza 1.10 i 1.11, dobijamo kompaktnu matičnu formu kao:

gde je:

3. Lagranžovi multiplikatori

Kako bi minimizovali ciljnu funkciju na osnovu ograničenja u vidu jednakosti, posmatrajmo

Lagranžov izraz:

Može se videti da je vrednost (2.30) sa ograničenjima u vidu jednakosti Mx = y ista kao i

originalna ciljna funkcija. Sada uzmimo (2.30) kao ciljnu funkciju u n+m promenljivih x i λ, gde je n
dimenzija x, a m je dimenzija λ. Procedura minimizacije je da se prvo uzme prvi parcijalni izvod po x

3
i po λ, i da se izjednači nulom. Na taj način se dobija:

Linearni izraz (2.31) zajedno sa (2.32) sadrži n+m promenljivih x i λ, koje su neophodni uslovi
za minimizaciju ciljane funkcije sa ograničenjima u vidu jednakosti. Elementi vektora λ se nazivaju
Lagranžovi multiplikatori. Optimalne vrednosti x i λ se nalaze preko skupa linearnih jednačina
definisanih preko (2.31) i (2.32), gde je:

Izraz (2.34) se može napisati u dva oblika:

gde prvi izraz x0 = −E−1F je globalno optimalno rešenje koje daje minimum originalne funkcije
indeksa performansi bez ograničenja, a drugi izraz daje korekciju usled ograničenja u vidu
jednakosti.

4. Primal-Dual metoda

P-D je aktivna metoda gde se rešenja baziraju na promenljivima. U metodama aktivnih

skupova, moraju se odrediti aktivna ograničenja i optimalne promenljive. Ukoliko ima više
ograničenja, onda je računica veća. Dualna metoda se može iskoristiti da se nađu ograničenja koja
nisu aktivna i koja se onda mogu izbrisati iz rešenja. Lagranžovi multiplikatori se nazivaju dualne
promenljive. Ova metoda dovodi do veoma jednostavnih procedura za traženje optimalnih rešenja
ograničenih minimizacionih problema. Ukoliko pretpostavimo da postoji takvo X, za koje važi da je
Mx < γ, onda je primarni problem jednak sa:

Minimizacija preko X nema granica i X se dobija iz:

Zamenom ovog izraza u (2.52) dobija se:

4
 gde su matrice H i K:

Prema tome, ovaj dualni problem je takođe i problem kvadratnog programiranja gde je λ
promenljiva. Jednačina (2.54) je ekvivalentna:

Skup optimalnih Lagranžovih multiplikatora koji minimizuju funkciju

gde je svako λ ≥ 0 označeno kao λact, i odgovarajuće granice su opisane preko Mact i γact. Sa
vrednostima Mact i γact, vektor X se dobija koristeći:

gde se granice tretiraju kao granice u vidu jednakosti u računici.

5. Hildretova procedura kvadratnog programiranja

U ovom algoritmu, direkcioni vektori se biraju tako da budu jednaki bazičnim vektorima
. Tada, vektor λ može varirati za po jednu komponentu u svakom trenutku.
U datom koraku u procesu, pošto smo dobili vektor λ ≥ 0, posvećujemo pažnju jednoj komponenti
λi. Ovde ciljnu funkciju možemo smatrati kvadratnom funkcijom. Podešavamo λi da bi minimizovali
funkciju. Ukoliko to zahteva da λi < 0, podešavamo λi = 0. U svakom slučaju, funkcija je smanjena.
Zatim posmatramo sledeću komponentu λi+1. Ukoliko posmatramo jedan kompletan ciklus kroz
komponente kao jednu iteraciju, počev od vektora λm do λm+1, onda se ova metoda može eksplicitno
izraziti kao:

Zajedno sa,

gde skalar hij prestavlja ij-ti element u matrici H = ME-1MT i ki je i-ti element vektora K = y + ME-1F.
Takođe, primetimo da u (2.61) imamo dva skupa vrednosti λ: jedan uključuje λm, a drugi uključuje
ispravljen (update) λm+1. Pošto vektor λ* sadrži ili nule ili pozitivne vrednosti Lagranžovih

5
multiplikatora, imamo:

Hildretova procedura kvadratnog programiranja se bazira na pretrazi element po element,

samim tim ne zahteva inverziju matrica. Kao rezultat toga, ukoliko su aktivna ograničenja linearno
nezavisna i njih broj je manji ili jednak broju promenljivih, onda će dualne promenljive konvergirati.
Međutim, ukoliko je jedno od ova dva pravila prekršeno, onda dualne promenljive neće konvergirati
do skupa fiksiranih vrednosti. Sa iteracijom se prestaje kada brojač iteracije dostigne svoju
maksimalnu vrednost. Pošto nema inverzija matrica, računica se obavlja bez prekida. Ova procedura
daje rešenje koje je blizu optimalnom sa ograničenjima, ukoliko se desi situacija konflikta
ograničenja. Ovo je jedna od ključnih prednosti prilikom korišćenja ovog prilaza u realnom vremenu
jer sposobnost algoritma da se oporavi od loše postavljenih graničnih problema je najvažnija za
sigurnost rada postrojenja.
Kada su uslovi zadovoljeni, jednodimenzionalna tehnika pretraživanja u Hildretovoj
proceduri kvadratnog programiranja je pokazala da konvergira do skupa vrednosti λ∗, gde λ∗ sadrži
nule za neaktivna ograničenja i pozitivne komponente za odgovarajuća aktivna ograničenja.
Pozitivne komponente, sakupljene u jedan vektor se nazivaju λ∗act, čije su vrednosti:

gde su Mact i γact, matrica ograničenja i vektor sa izbrisanim elementima reda koji odgovaraju
nultim elementima u λ∗. Dokaz konvergencije se odnosi na postojanje skupa λ∗act što je praktično
određeno postojanjem .

6. Korišćenje Lagerovih mreža u opisu sistema

Primena Lagerovih mreža do sada je uglavnom u polju identifikacije sistema, gde je impulsni
odziv dinamičkog sistema predstavljen preko Lagerovog modela. Pretpostavimo da je odziv
stabilnog sistema H(k) predstavljen kao:

gde su c1, c2,...,cN koeficijenti koji se dobijaju iz podataka sistema. Diskretne Lagerove
funkcije su ortonormalne funkcije i sa tim svojstvima, koeficijenti Lagerove mreže su definisani
sledećom relacijom:

Zbog ortonormalnih svojstava, koeficijenti takođe minimizuju sumu funkcije kvadratne

greške:

6
 Slično aproksimaciji u kontinuiranom vremenskom domenu, aproksimacija H(k) se
poboljšava povećanjem članova N nezavisno od izbora parametra a koji mora zadovoljiti 0 ≤ a < 1.

7. Konvoluciona suma

Da bismo računali predikciju, moramo prvo izračunati sumu:

Znamo da je:

gde smo koristili relaciju L(k + 1) = AlL(k), koja predstavlja jednačinu za generisanje skupa
Lagerovih funkcija. Nastavkom rekurzije u (3.29), dobijamo da je:

Primetimo da su u računanju Sc, Lagerove funkcije definisane preko svojih formulacija u vidu
modela u prostoru stanja.

8. Upravljanje sa uzmičućim horizontom zasnovano na korišćenju Lagerovih funkcija

Nakon što dobijemo optimalnu vrednost vektora η, upravljanje sa uzmičućim horizontom se

realizuje kao:

gde je za dato N i a:

Upravljanje Δu(k) može se zapisati u formi upravljanja sa zatvorenom spregom sa linearnim

stanjima, zamenom ki sa k (η je funkcija promenljive stanja x(ki)).

7
 gde je Kmpc matrica zatvorene sprege, koja se može pojednostaviti zapisom:

U slučaju da je a = 0, rešenje postaje isto kao u slučaju kada rešavamo ΔU umesto Lagerovog
vektora koeficijenata η. Posto je predikcija budućih stanja zasnovana na trenutnoj informaciji x(ki),
referentna informacija je sadržana u x(ki). Preciznije: