Linear Matrix Inequality(LMI)

Slides:



Advertisements
Similar presentations
زبان برنامه نویسی پرولوگ
Advertisements

مهدی آذرنوش مبحث ششم : آرایه ها و رشته ها حسابگری الگوریتمی.
معاونت درمان امور مامایی اردیبهشت 90. برای ثبت اطلاعات در برنامه نرم افزاری نظام مراقبت مرگ پریناتال ابتدا لازم است برنامه نرم افزار info-path وپرنیان.
LINEAR CONTROL SYSTEMS Ali Karimpour Assistant Professor Ferdowsi University of Mashhad.
الگوریتم ژنتیکی. تعریف  الگوریتم ژنتیکی، رویه ای تکراری است که راه حل های انتخابیش را بصورت رشته ای از ژنها که کروموزوم نامیده می شوند، بازنمایی می کند.
Decision Tree.
LINEAR CONTROL SYSTEMS
Ali Karimpour Associate Professor Ferdowsi University of Mashhad ADVANCED CONTROL Reference: Chi-Tsong Chen, “Linear System Theory and Design”, 1999.
PHP Hypertext per processor کار می کند؟ PHP چگونه
دسته بندی نیمه نظارتی (2)
Lesson four Grade three
موضوع: دبير مربوطه: آموزشگاه : اجرا : عبارتهای جبری خانم مقصودی
تمام اسب ها همرنگ هستند! Basis: h = 1 We have only one horse. Clearly all horses in the set are the same color. Inductive hypothesis: In any set of up.
Support Vector Machine-Linearwww.mecharithm.com. Support Vector Machine: Separable case Min f(x) s.t. g(x)
LINEAR CONTROL SYSTEMS Ali Karimpour Associate Professor Ferdowsi University of Mashhad.
Arrangements of Lines C omputational Geometry By Samaneh shafi naderi
آشنايي با سيستم اعداد.
LINEAR CONTROL SYSTEMS Ali Karimpour Associate Professor Ferdowsi University of Mashhad.
به نام خدا.
[c.
تهیه و تنظیم: فاطمه قاسمی دانشگاه صنعتی شریف – پاییز 86
دسته بندی نیمه نظارتی زهره کریمی
تهیه و تنظیم: فاطمه قاسمی دانشگاه صنعتی شریف – پاییز 86
( Project Operation Management )
هیدروگراف(Hydrograph) تهیه : دکتر محمد مهدی احمدی
استفاده از ماشین بردار پشتیبان (SVM) برای تشخیص گوینده
Sparse Coding کدگذاری تنک
Ali Karimpour Associate Professor Ferdowsi University of Mashhad
بنام خدا زبان برنامه نویسی C (21814( Lecture 12 Selected Topics
SY800 router mode [AD-14-TB ].
ساختمان داده‌ها الگوریتمهای کوتاهترین مسیر
آزمایشگاه پایگاه داده ها قیود در جداول یک پایگاه داده در SQL Server
برنامه ریزی خطی پیشرفته (21715( Advanced Linear Programming Lecture 11
آموزش مقدمات MATLAB سیگنال ها و سیستم ها دانشگاه صنعتی شریف پائیز 86
کنترل پیش بین مقاوم Min-Max
فصل دوم جبر بول.
برنامه ریزی خطی پیشرفته (21715) Advanced Linear Programming Lecture 3
آشنایی با نرم افزار Win QSB
Ali Karimpour Associate Professor Ferdowsi University of Mashhad
SSO Single Sign-on Systems
نمايش اعداد در کامپيوتر چهار عمل اصلي
1.
آشنایی با پایگاه داده mysql
Ali Karimpour Associate Professor Ferdowsi University of Mashhad
قسمت اول ترجمه: زهرا سادات آقامیری
مدارهای منطقی فصل سوم - خصوصیات توابع سويیچی
عنوان دانشجو: نام دانشجو رشته تحصیلی: رشته تحصیلی، گرایش
تهیه و تنظیم: فاطمه قاسمی دانشگاه صنعتی شریف – پاییز 86
Sparse Coding مهندس فرامرزپور
Intro تمام موجودات باید قبل از تقسیم DNA خود را همانندسازی کنند
آشنایی با نرم افزار لینگو
فضای نمونه: مجموعه همه برآمدهای ممکن یک آزمایش را فضای نمونه گویند . واقعه (پیشامد) : هر زیر مجموعه از فضای نمونه را پیشامد گویند . پیشامدها با حروف بزرگ.
Bucket sort اكرم منوچهري زهرا منوچهري
راهنمای استفاده از ابزار Mailings در Ms Word
نام طرح.
نام درس: طراحی و پیاده سازی زبانهای برنامه سازی
بسم الله الرحمن الرحیم هرس درخت تصمیم Dr.vahidipour Zahra bayat
به نام خدا Koha برنامه.
IN THE NAME OF GOD MATH SABA KARBALAEI
فصل ششم مدارهای ترتیبی.
ساختمان داده‌ها درختان و درختان دودویی
مدار منطقي مظفر بگ محمدي
مدار منطقي مظفر بگ محمدي
مراحل پیش رو : 1- الگوریتم عقبگرد برای مسئله کوله پشتی صفر و یک
عملیات با رشته‌ها موسوی ندوشنی ویراست 1389 دانشگاه صنعت آب و برق.
برنامه ریزی خطی پیشرفته (21715( Advanced Linear Programming Lecture 7
فرآیند حل مسائل حمل و نقل فرآیند برنامه ریزی حمل و نقل
مباني كامپيوتر و برنامه سازي Basics of Computer and Programming
مباني كامپيوتر و برنامه سازي Basics of Computer and Programming
ساختمان داده ها گرافها.
Presentation transcript:

Linear Matrix Inequality(LMI) دانشگاه علم و صنعت ايران دانشکده مهندسي برق – گروه کنترل Linear Matrix Inequality(LMI) ارائه دهنده : امير اسلامي مهرجردي استاد درس : دکترشمقدری

فهرست عناوين تعاریف اولیه و معرفی LMI انواع مسائل LMI کد نوبسی در متلب

α x + (1 −α )y ∈ Ω for any α ∈ (0, 1) تعاریف اولیه تعریف مجموعه محدب تابع محدب   مجموعه Ω ⊆ Rn را محدب گویند اگر برای هر x و y در آن ، خط واصل آن دو به طور کامل در آن قرار بگیرد. α x + (1 −α )y ∈ Ω for any α ∈ (0, 1) تابع افاین   ماتریس مثبت معین  

معرفیLMI تعریف LMI   مثالهایی از LMI  

تبدیل و ترکیب LMI تبدیل به فرم LMI   ترکیب LMI   تبدیل نامساوی به LMI  

نمایش LMI LMI یک محدوده محدب در فضا است لذا نقطه بهینه سراسری دارد

فهرست عناوين تعاریف اولیه و معرفی LMI انواع مسائل LMI کد نوبسی در متلب

انواع مسائل LMI LMI feasibility problem مسئله بهینه سازی خطی LMI LMI linear optimization problem مسئله کلی مقدار ویژه LMI LMI generalized eigenvalue problem

LMI feasibility problem  

مسئله بهینه سازی خطی LMI LMI linear optimization problem  

مسئله کلی مقدار ویژه LMI LMI generalized eigenvalue problem  

فهرست عناوين تعاریف اولیه و معرفی LMI انواع مسائل LMI کد نوبسی در متلب

معرفی LMI در متلب بیان آغاز تعریف LMI جدید setlmis([]); معرفی متغییر ها LMI معرفی قیدهای مسئله ییان شروع قید جدید (LMI) BRL=newlmi; تکمیل هر قید بیان کامل شدن قید ومتغییر مسئله و ذخیره آن lmisys=getlmis بیان نوع مسئله و حل آن

معرفی LMI در متلب X = lmivar(type,struct) type=0 diagonal structure type=1: Symmetric matrices with a block-diagonal structure.. type=2: Full m-by-n rectangular matrix. type=3: Other structures. [X,n,sX] = lmivar(type,struct) sX1 givet he decision variable content of X1 N= number of decision variable

معرفی LMI در متلب TYPE 1 X = lmivar(type,struct) type=1: Symmetric matrices with a block-diagonal structure Each diagonal block is either full(arbitrary symmetric matrix), scalar (a multiple of the identity matrix),or identically zero. struct(r,1) is the size of the r-thblock struct(r,2) is the type of the r-thblock (1 for full, 0 for scalar, –1 for zero block). مثال نوع ماتریس کد متلب X1 is a3-by-3 symmetric matrix X1 = lmivar(1,[3 1]) X3 = Δ is an arbitrary 5-by-5 symmetric matrix, δ1 andδ2 are scalars, and I2 denotes the identity matrix of size 2. X3 = lmivar(1,[5 1;1 0;2 0])

معرفی LMI در متلب TYPE 2 X = lmivar(type,struct) type=2: Full m-by-n rectangularmatrix. Set struct = [m,n] in this case. مثال [X1,n,sX1] = lmivar(2,[2 3]) sX1 = 1 2 3 4 5 6 نوع ماتریس کد متلب X1 is 2-by-3 rectangular matrices X1=lmivar(2,[2 3]) X2 is 3-by-2 rectangular matrices X2 = lmivar(2,[2 3])

معرفی LMI در متلب TYPE 3 X = lmivar(type,struct) type=3: Other structures WithType 3, each entry of X is specified as zero or±x where xn isthe n-th decision variable. struct is a matrix of the samedimensions as X such that struct(i,j)=0 if X(i,j) is a hard zero struct(i,j)=n if X(i,j) = xn struct(i,j)=–n if X(i,j) = –xn مثال setlmis([]) [X1,n,sX1] = lmivar(2,[2 3]) [X2,n,sX2] = lmivar(2,[3 2]) [X,n,sX] = lmivar(3,[sX1,zeros(2);zeros(3),sX2])

‘s’ به معنی اضافه شدن transpose متییر وارد شده به LMI بیان قیدها lmiterm([BRL 1 1 X],1,A,'s'); - اسم LMI + سمت راست (-) یا چپ (+) سطر و ستون بلوک در صورت صفر بودن ضریب ماتریس کلی نام متغییر LMI در صورت صفر بودن متغییر ندارد ضریب قبل از متغییر LMI ضریب بعد از متغییر LMI ‘s’ به معنی اضافه شدن transpose متییر وارد شده به LMI

lmiterm(termID,A,B,flag) بیان قیدها lmiterm(termID,A,B,flag) lmiterm([1 1 1 X2],2*A,A') % 2*A*X2*A' lmiterm([1 1 1 x3],-1,E) % -x3*E lmiterm([1 1 1 0],D*D') % D*D' lmiterm([1 2 1 -X1],1,B) % X1'*B lmiterm([1 2 2 0],-1) % -I lmiterm([-1 0 0 0],M) % outer factor M lmiterm([-1 1 1 X1],C,C','s') % C*X1*C'+C*X1'*C‘ lmiterm([-1 2 2 X2],-f,1) % -f*X2

BRL=newlmi; lmiterm([BRL 1 1 X],1,A,'s'); lmiterm([BRL 1 1 S],C',C); بیان قیدها BRL=newlmi; lmiterm([BRL 1 1 X],1,A,'s'); lmiterm([BRL 1 1 S],C',C); lmiterm([BRL 1 2 X],1,B); lmiterm([BRL 2 2 S],-1,1); % 2nd LMI X > 0 Xpos=newlmi; lmiterm([-Xpos 1 1 X],1,1); % 3rd LMI S > I Slmi=newlmi; lmiterm([-Slmi 1 1 S],1,1); lmiterm([Slmi 1 1 0],1);

بیان مسئله و استخراج جواب TYPE 3 بیان مسئله و استخراج جواب مسائل شدنی [tmin,xfeas] = feasp(lmis) مثال setlmis([]) p = lmivar(1,[2 1]) lmiterm([1 1 1 p],1,a1,'s') % LMI #1 lmiterm([2 1 1 p],1,a2,'s') % LMI #2 lmiterm([3 1 1 p],1,a3,'s') % LMI #3 lmiterm([-4 1 1 p],1,1) % LMI #4: P lmiterm([4 1 1 0],1) % LMI #4: I lmis = getlmis

بیان مسئله و استخراج جواب مسائل برنامه ریزی خطی [copt,xopt] = mincx(lmisys,c,options,xinit,target) ndec = decnbr(lmisys) پیدا کردن ابعاد c

بیان مسئله و استخراج جواب decvec = mat2dec(lmisys,X1,X2,X3,...) مثال decv = mat2dec(lmisys,X0,Y0) Ans= 1 3 -1 5 1 2 3 4 5 6

فهرست عناوين تعاریف اولیه و معرفی LMI انواع مسائل LMI کد نوبسی در متلب

تبدیل متجانس (Congruent transformation) تکنیکهای تبدیل به LMI تغییر متغیر تبدیل متجانس (Congruent transformation) مکمل شور(Schur complement )

تکنیکهای تبدیل به LMI تغییر متغیر  

تبدیل متجانس (Congruent transformation) تکنیکهای تبدیل به LMI تبدیل متجانس (Congruent transformation)

با تشكر