Лабораторные работы
.doc2) , если ;
3) , если и ().
20. Неоднородное уравнение. Общее решение линейного неоднородного дифференциального уравнения
(1.3)
можно записать в виде суммы
,
где - общее решение соответствующего уравнения (1.1) без правой части, определяемое по формулам 1.1) – 1.3), и - частное решение данного уравнения (1.3).
Функция может быть найдена методом неопределенных коэффициентов в следующих простейших случаях:
1. , где - многочлен степени .
Если не является корнем характеристического уравнения (1.2), т.е. , то полагают , где - многочлен степени с неопределенными коэффициентами.
Если есть корень характеристического уравнения (1.2), т.е. , то , где - кратность корня ( или ).
2. .
Если , то полагают
,
где и - многочлены степени .
Если же , то
,
где - кратность корней (для уравнений 2-го порядка ).
В общем случае для решения уравнения (1.3) применяется метод вариации произвольных постоянных. Если известна фундаментальная система решений , , …, однородного уравнения
, (1.4)
где - непрерывные коэффициенты, то общее решение соответствующего неоднородного уравнения
, (1.5)
где - непрерывная функция, может быть найдено по формуле
,
то функции определяются из системы уравнений
30. Принцип наложения решений. Если правая часть уравнения ( ) есть сумма нескольких функций
и - соответствующие решения уравнений
то сумма
является решением уравнения ( 1.1).
Порядок выполнения работы
-
Получить аналитическое решение дифференциального уравнения с соответствующими граничными условиями.
-
Проанализировать влияние значения параметра на получаемое решения. С этой целью для разных трех значений построить графики зависимостей .
Контрольные вопросы
-
Проанализировать метод решения линейного неоднородного дифференциального уравнения второго порядка.
-
Сущность метода вариации произвольных постоянных.
-
Анализ результатов решения работы.
ЛАБОРАТОРНАЯ РАБОТА №2
Получение градиента критерия качества идентификации
Цель работы: Приобретение навыков получения аналитического выражения градиента критерия качества в задаче идентификации.
Постановка задачи
Пусть функция удовлетворяет уравнению (1.3) с соответствующими краевыми условиями. Идентифицировать параметр , доставляющий минимум функционалу:
,
где - экспериментальное значение функции .
Получить явное выражение для градиента , используя модифицированный метод множителей Лагранжа [3].
Теоретическая часть
Согласно [3], рассмотрим способ определения градиента (производной Фреше) критерия качества идентификации для задачи идентификации параметра . В нашем случае .
В задачах идентификации аргумент присутствует в функционале всегда неявно. При этом зависит явно только от состояния системы, то есть от функции , где , - пространственная область функционирования системы, - пространство состояний системы. Будем считать, что состояние системы корректно определяется через управление . Пространственная область определения целевого функционала и определения управления, в общем случае, не совпадают друг с другом. Пусть пространство состояний и управлений - действительные гильбертовы с интегрируемым квадратом, т.е. и .
Запишем уравнения системы в общей символической форме:
, (2.1)
где обозначает дифференциальные операторы системы, определенные на пространственном множестве вместе с операторами на соответствующих частях границы .
Критерий качества идентификации запишем в виде:
, (2.2)
где - заданная функция аргумента .
Метод определения градиента является модернизацией классического метода множителей Лагранжа. Он включает в себя следующие этапы.
-
Линеаризация задачи управления в некоторой точке . Данная процедура реализуется варьированием целевого функционала и уравнений системы.
Вариации управления , согласно (2.1), вызывают вариации состояния . В результате варьирования (2.1) и (2.2) получаем:
, (2.3)
. (2.4)
Круглые скобки с индексами и представляют собой скалярные произведения в сопряженных пространствах и на множестве .
Выражения (2.3) и (2.4) принадлежат разным пространствам. Уравнение (2.3) линеаризованной системы принадлежит функциональному пространству состояний , а линеаризованный функционал (2.4) – числовому пространству .
-
Отображение линеаризованных уравнений системы при помощи соответствующих линейных функционалов (множители Лагранжа) из пространства в пространство . При этом, из уравнения (2.3) получаем:
. (2.5)
Поскольку здесь значение может быть произвольным, то зависимость вариации от в системе (2.5) исчезает и мы можем перейти к следующему этапу.
-
Преобразование отображений вариаций системы (2.5) к отображениям независимых вариаций и (аналог тождества Лагранжа):
(2.6)
где , - некоторые сопряженные операторы.
Теперь условия (2.4), (2.6) задачи управления (2.1), (2.2) записаны в одинаковых пространствах.
4. Объединение элементов задачи оптимизации в одинаковых пространствах. Поскольку линейным пространствам свойственна аддитивность их элементов, то можно записать:
. (2.7)
5. Выделение градиента целевого функционала. Учитывая тот факт, что первая вариация – это главная линейная часть приращения функционала, получаем, что коэффициенты при аргументах и представляют собой компоненты градиента , т.е.
. (2.8)
На данном этапе преобразований целесообразно устранить неоднозначную связь между вариациями управления и состояния . Это можно сделать, если задать значение линейного функционала из условия:
. (2.9)
Данное условие называется сопряженной задачей.
Теперь первая вариация целевого функционала выражается только через вариацию управления:
, (2.10)
откуда следует, что градиент целевого функционала – это
. (2.11)
Значениеопределяется через решениелинейной сопряженной задачи (2.9).
Примеры получения градиента критерия качества идентификации смотри в лекционной части дисциплины.
Порядок выполнения работы
-
Проварьировать целевой функционал и уравнение (1.3) совместно с начальными условиями по функции состояния и идентифицируемому параметру .
-
Отобразить линеаризованное уравнение (1.3), с граничными условиями в пространство при помощи множителей Лагранжа .
-
Преобразовать отображения вариаций системы к отображениям независимых вариаций и .
-
Объединить элементы задачи в одинаковых пространствах.
-
Выделить градиент .
-
Получить сопряженную задачу.
-
Проанализировать идентифицируемость параметра .
Контрольные вопросы
-
Запишите оператор Гамильтона.
-
Градиент функционала вектор или функция? Почему?
-
Проанализируйте этапы определения градиента целевого функционала.
-
В задаче идентификации покажите функцию состояния и идентифицируемый параметр.
-
Проанализируйте полученный градиент целевого функционала и соответствующую краевую задачу для множителя Лагранжа.
ЛАБОРАТОРНАЯ РАБОТА №3
Исследование решения сопряженной задачи
Цель работы: Приобретение навыков решения сопряженных задач.
Постановка задачи
В результате выполнения лабораторной работы №2 получена задача для множителя Лагранжа вида (2.9). Необходимо получить и исследовать аналитическое и численное решение полученной задачи.
Теория подробно расписана в теоретической части к лабораторной работе №1.
Порядок выполнения работы
1. Получить аналитическое и численное решение полученной задачи для множителя Лагранжа.
2.Проанализировать влияние целевого функционала на получаемое решение. С этой целью сопоставить аналитическое и численное решение прямой и сопряженной задачи. В чем отличие данных задач и их решений?
3. Построить графики зависимостей для разных значений параметра .
Контрольные вопросы
-
Проанализировать влияние целевого функционала на получаемое решение сопряженной задачи.
-
Сопоставить и проанализировать начальные условия прямой и сопряженной задач.
-
Для чего необходимо получать решение сопряженной задачи?
ЛАБОРАТОРНАЯ РАБОТА №4
Идентификация параметра неоднородного линейного дифференциального уравнения
Цель работы: Приобретение навыков идентификации параметра неоднородного дифференциального уравнения второго порядка.
Постановка задачи
Идентифицировать параметр дифференциального уравнения (1.3), доставляющий минимум целевому функционалу
,
где - экспериментальное значение функции .
Теоретическая часть
Рассмотрим основы прямого экстремального подхода [3], основанного на непосредственной минимизации целевого функционала различными экстремальными методами. Он очень нагляден и относительно просто реализуем. Идентифицируемый параметр определяется итерационно в процессе направленного спуска от начального приближения в сторону минимума целевого функционала.
Рассмотрим методы минимизации целевого функционала на основе его градиента.
Для минимизации целевых функционалов обычно используются градиентные методы [2, 3]:
, (4.1)
где - номер итерации, - число, регулирующее глубину спуска в точке в направлении градиента . Число и определяется на первой итерации из выражения [3]:
(4.2)
где - начальное приближение идентифицируемого параметра.
В зависимости от способа выбора числа можно получить различные варианты градиентного метода [2, 3]. Существуют различные способы выбора величины в методе (4.1).
Если на каждой итерации, то алгоритм (4.1) называется методом наискорейшего спуска [2, 3].
Часто в градиентных алгоритмах минимизации используют не метод наискорейшего спуска, а так называемый метод монотонного убывания [2, 3], в котором параметр принимается постоянным на всех итерациях и выполняется условие монотонности убывания целевого функционала .
В монографии [3] приблизительная реализация градиентного метода наискорейшего спуска осуществляется в виде алгоритма (4.1) с условием:
(4.3)
Под словами “повторяется предыдущая итерация” подразумевается следующее. Пусть на -ой итерации целевой функционал увеличился, т.е. выполняется условие . Тогда с этой итерации мы должны “вернуться назад” к приближению и c этого приближения с новым числом , осуществлять следующее приближение по алгоритму (1.1) до тех пор, пока не выполнится условие . Глубина спуска на каждой итерации вдоль выбранного направления минимизации определяется числом .
Для увеличения скорости сходимости может быть использован близкий к методам второго порядка метод сопряженных градиентов [2, 3]:
(4.4)
где функция
,
а число выбирается постоянным на всех итерациях, или согласно (4.2). Необходимо помнить, что алгоритм (4.4) требует периодического “очищения” направления спуска от накапливающихся погрешностей, т.е. в процессе минимизации необходимо задавать направление спуска
Для решения задачи идентификации предлагается применение прямого итерационного экстремального подхода с регулируемым направлением спуска [3]:
(4.5)
где число определяет глубину спуска в направлении и определяется формулой (4.3). Функция регулирует направление спуска, может осуществлять быструю равномерную сходимость к оптимальному потоку тепла и определяется на первой итерации из выражения [4]:
. (4.6)
Если , то алгоритм (4.5) превращается в градиентный метод (4.1). Как показано в монографии [3], алгоритм (4.5) является регуляризирующим, т.е. обеспечивает принадлежность каждого нового приближения компакту корректности. Степень регуляризации на каждой итерации определятся параметрами шага и . Чем меньше значение и, тем сильнее регуляризируется решение и замедляется сходимость алгоритма. Функция позволяет регулировать направление спуска. Поэтому алгоритм (4.5) называется методом минимизации с регулируемым направлением спуска.
Порядок выполнения работы
-
Задать экстремальное значение идентифицируемого параметра .
-
Решить прямую задачу в соответствии со своим вариантом и получить зависимость .
-
Реализовать алгоритм (1) программным методом.
-
Задать начальное приближение .
-
Рассчитать параметр шага ;
-
Выбрать соответствующий алгоритм минимизации целевого функционала в соответствии с требованием равномерной сходимости функции к искомому значению.
-
На каждой итерации выводить значения целевого функционала, градиента, нормы градиента функционала, и нормы разности .
-
Проанализировать полученный результат.
Контрольные вопросы