We study numerical methods for finding the maximal symmetric positive definite solution of the nonlinear matrix equation $X = Q + LX^{-1}L^T$, where Q is symmetric positive definite and L is nonsingular. Such equations arise for instance in the analysis of stationary Gaussian reciprocal processes over a finite interval. Its unique largest positive definite solution coincides with the unique positive definite solution of a related discrete-time algebraic Riccati equation (DARE). We discuss how to use the butterfly SZ algorithm to solve the DARE. This approach is compared to several fixed point type iterative methods suggested in the literature.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-06-23T21:14:46Z No. of bitstreams: 1 JonathanQueiroz.pdf: 631286 bytes, checksum: 2cab2a7d6e496bf574ddef1f49a77440 (MD5) / Made available in DSpace on 2017-06-23T21:14:46Z (GMT). No. of bitstreams: 1 JonathanQueiroz.pdf: 631286 bytes, checksum: 2cab2a7d6e496bf574ddef1f49a77440 (MD5) Previous issue date: 2016-03-08 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPQ) / The discrete Riccati algebraic equation has played an increasingly important role in optimal control theory and adaptive ltering. For this reason, various techniques have been developed to solve the DARE, for example the approach based on self vectors or approaches related to invariant subspaces [1], which require mathematical rigor and precision. However, these approaches present a number of problems, among them the fact that they can not be implemented in real-time due to its high computational cost to estimate the solution of DARE in many systems, especially systems with higher order three. In order to overcomes this problem, we propose to solve the DARE using as an estimator based on the sum of potential error pairs. The estimator is similar to the Recursive Least Squares (RLS), but with a better performance in terms of convergence speed and estimation accuracy without a signi- cant increase in computational complexity. The estimator is called Recursive Least Non-Squares (RLNS). One other aspect in unraveling the general DARE is to ensure that DARE is numerically well conditioned. To perform the numerical conditioning of DARE, a matrix decomposition technique known as Moore-Penrose inverse or generalized inverse is used. The proposed method is evaluated in a multivariate system 6th order corresponding to the wind generator. The method is evaluated under the numerical stability point of view and speed of convergence. / A equação algébrica Riccati discreta (discrete algebraic Riccati equation (DARE)) tem desempenhado uma papel cada vez mais importante na teoria de controle ótimo. Por esse motivo, varias técnicas tem sido desenvolvidas para solucionar a DARE, por exemplo a abordagem baseada em auto vetores ou ainda abordagens relacionadas a subespaços invariantes, as quais requerem rigor e precisão matemáticas. No entanto, estas abordagens apresentam uma serie de problemas, dentre eles, o fato de não poderem ser implementadas em tempo real devido ao seu alto custo computacional para estimar a solução da DARE em diversos sistemas, sobretudo sistemas com ordem superior a três. Com o intuito de contorna este problema, propomos solucionar a DARE utilizando um estimador baseado na soma das potencias pares do erro. O estimador e similar ao Recursive least squares (RLS), mas com um desempenho melhor em termos de velocidade de convergência e precisão de estimativa, sem aumento significativo da complexidade computacional. O estimador é denominado Recursive Least Non-Squares (RLNS). Um outra aspecto para que possamos solucionar a DARE de forma geral, e garantir que a DARE seja numericamente bem condicionada. Para efetuar o condicionamento numérico da DARE, será utilizada uma técnica de decomposição matricial conhecida como inversa de Moore-Penrose ou inversa generalizada. A metodologia proposta e avaliada em um sistema multivariavel de 6th ordem correspondente ao gerador eólico.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-08-14T18:28:45Z No. of bitstreams: 1 FabioSilva.pdf: 1098466 bytes, checksum: a72dcced91748fe6c54f3cab86c19849 (MD5) / Made available in DSpace on 2017-08-14T18:28:45Z (GMT). No. of bitstreams: 1 FabioSilva.pdf: 1098466 bytes, checksum: a72dcced91748fe6c54f3cab86c19849 (MD5) Previous issue date: 2008-06-20 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPQ) / Fundação de Amparo à Pesquisa e ao Desenvolvimento Científico e Tecnológico do Maranhão (FAPEMA) / We present in this work the results about two neural networks methods to solve the algebraic Riccati(ARE), what are used in many applications, mainly in the Linear Quadratic Regulator (LQR), H2 and H1 controls. First is showed the real symmetric form of the ARE and two methods based on neural computation. One feedforward neural network (FNN), that de¯nes an error as function of the ARE and a recurrent neural network (RNN), which converts a constrain optimization problem, restricted to the state space model, into an unconstrained convex optimization problem de¯ning an energy as function of the ARE and Cholesky factor. A proposal to chose the learning parameters of the RNN used to solve the ARE, by making a surface of the parameters variations, thus we can tune the neural network for a better performance. Computational experiments related with the plant matrices perturbations of the tested systems in order to perform an analysis of the behavior of the presented methodologies, that are based on homotopies methods, where we chose a good initial condition and compare the results to the Schur method. Two 6th order systems were used, a Doubly Fed Induction Generator(DFIG) and an aircraft plant. The results showed the RNN a good alternative compared with the FNN and Schur methods. / Apresenta-se nesta dissertação os resultados a respeito de dois métodos neuronais para a resolução da equação algébrica de Riccati(EAR), que tem varias aplicações, sendo principalmente usada pelos Regulador Linear Quadrático(LQR), controle H2 e controle H1. É apresentado a EAR real e simétrica e dois métodos baseados em uma rede neuronal direta (RND) que tem a função de erro associada a EAR e uma rede neuronal recorrente (RNR) que converte um problema de otimização restrita ao modelo de espaço de estados em outro de otimização convexa em função da EAR e do fator de Cholesky de modo a usufruir das propriedades de convexidade e condições de otimalidade. Uma proposta para a escolha dos parâmetros da RNR usada para solucionar a EAR por meio da geração de superfícies com a variação paramétrica da RNR, podendo assim melhor sintonizar a rede neuronal para um melhor desempenho. Experimentos computacionais relacionados a perturbações nos sistemas foram realizados para analisar o comportamento das metodologias apresentadas, tendo como base o princípio dos métodos homotópicos, com uma boa condição inicial, a partir de uma ponto de operação estável e comparamos os resultados com o método de Schur. Foram usadas as plantas de dois sistemas: uma representando a dinâmica de uma aeronave e outra de um motor de indução eólico duplamente alimentado(DFIG), ambos sistemas de 6a ordem. Os resultados mostram que a RNR é uma boa alternativa se comparado com a RND e com o método de Schur.

CoordenaÃÃo de AperfeiÃoamento de NÃvel Superior / A teoria dos jogos à um ramo da matemÃtica dedicado ao estudo de situaÃÃes que surgem quando mÃltiplos agentes de decisÃo buscam atingir seus objetivos individuais, possivelmente conflitantes entre si. Em sua formulaÃÃo dinÃmica linear quadrÃtica (LQ), as soluÃÃes de equilÃbrio de Nash dos jogadores podem ser obtidas em termos das equaÃÃes algÃbricas de Riccati acopladas, que, a depender do mÃtodo numÃrico utilizado para seu cÃlculo, podem gerar resultados insatisfatÃrios sob o ponto de vista da estabilidade e precisÃo numÃrica. Neste sentido, esta dissertaÃÃo propÃe um novo algoritmo para uma soluÃÃo alternativa das equaÃÃes algÃbricas de Riccati acopladas associadas aos jogos dinÃmicos (LQ), com estrutura de informaÃÃo em malha aberta, utilizando, para isso, conceitos da teoria da dualidade e otimizaÃÃo estÃtica convexa. Em adiÃÃo, obtÃm-se uma nova metodologia para a sÃntese de uma famÃlia de controladores Ãtimos. A teoria dos jogos tambÃm revela um enorme potencial de aplicaÃÃo em problemas de controle multiobjetivo, no qual està incluÃdo o controle Hinf, que pode ser formulado como um jogo dinÃmico de soma-zero. Considerando essa formulaÃÃo, as novas metodologias propostas neste trabalho sÃo estendidas aos problemas de controle Hinf com rejeiÃÃo de perturbaÃÃo, gerando resultados com melhores propriedades de desempenho e estabilidade que os obtidos via equaÃÃo algÃbrica de Riccati modificada. Por fim, atravÃs de exemplos numÃricos e simulaÃÃes computacionais, as novas metodologias sÃo confrontadas com as metodologias tradicionais, evidenciando-se os aspectos mais relevantes de cada abordagem.

Made available in DSpace on 2016-08-17T14:53:01Z (GMT). No. of bitstreams: 1 Fabio Nogueira da Silva.pdf: 1098466 bytes, checksum: a72dcced91748fe6c54f3cab86c19849 (MD5) Previous issue date: 2008-06-20 / FUNDAÇÃO DE AMPARO À PESQUISA E AO DESENVOLVIMENTO CIENTIFICO E TECNOLÓGICO DO MARANHÃO / We present in this work the results about two neural networks methods to solve the algebraic Riccati(ARE), what are used in many applications, mainly in the Linear Quadratic Regulator (LQR), H2 and H1 controls. First is showed the real symmetric form of the ARE and two methods based on neural computation. One feedforward neural network (FNN), that de¯nes an error as function of the ARE and a recurrent neural network (RNN), which converts a constrain optimization problem, restricted to the state space model, into an unconstrained convex optimization problem de¯ning an energy as function of the ARE and Cholesky factor. A proposal to chose the learning parameters of the RNN used to solve the ARE, by making a surface of the parameters variations, thus we can tune the neural network for a better performance. Computational experiments related with the plant matrices perturbations of the tested systems in order to perform an analysis of the behavior of the presented methodologies, that are based on homotopies methods, where we chose a good initial condition and compare the results to the Schur method. Two 6th order systems were used, a Doubly Fed Induction Generator(DFIG) and an aircraft plant. The results showed the RNN a good alternative compared with the FNN and Schur methods. / Apresenta-se nesta dissertação os resultados a respeito de dois métodos neuronais para a resolução da equação algébrica de Riccati(EAR), que tem varias aplicações, sendo principalmente usada pelos Regulador Linear Quadrático(LQR), controle H2 e controle H1. É apresentado a EAR real e simétrica e dois métodos baseados em uma rede neuronal direta (RND) que tem a função de erro associada a EAR e uma rede neuronal recorrente (RNR) que converte um problema de otimização restrita ao modelo de espaço de estados em outro de otimização convexa em função da EAR e do fator de Cholesky de modo a usufruir das propriedades de convexidade e condições de otimalidade. Uma proposta para a escolha dos parâmetros da RNR usada para solucionar a EAR por meio da geração de superfícies com a variação paramétrica da RNR, podendo assim melhor sintonizar a rede neuronal para um melhor desempenho. Experimentos computacionais relacionados a perturbações nos sistemas foram realizados para analisar o comportamento das metodologias apresentadas, tendo como base o princípio dos métodos homotópicos, com uma boa condição inicial, a partir de uma ponto de operação estável e comparamos os resultados com o método de Schur. Foram usadas as plantas de dois sistemas: uma representando a dinâmica de uma aeronave e outra de um motor de indução eólico duplamente alimentado(DFIG), ambos sistemas de 6a ordem. Os resultados mostram que a RNR é uma boa alternativa se comparado com a RND e com o método de Schur.