ẋ(t) = s x (t) + f x y(t) u x x(t) ẏ(t) = s y (t) + f y x(t) u y y(t),



Samankaltaiset tiedostot
(s 2 + 9)(s 2 + 2s + 5) ] + s + 1. s 2 + 2s + 5. Tästä saadaan tehtävälle ratkaisu käänteismuuntamalla takaisin aikatasoon:

x = ( θ θ ia y = ( ) x.

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

2v 1 = v 2, 2v 1 + 3v 2 = 4v 2.. Vastaavasti ominaisarvoa λ 2 = 4 vastaavat ominaisvektorit toteuttavat. v 2 =

Y (s) = G(s)(W (s) W 0 (s)). Tarkastellaan nyt tilannetta v(t) = 0, kun t < 3 ja v(t) = 1, kun t > 3. u(t) = K p y(t) K I

Harjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,

Mat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ

MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.

Harjoitus 6: Simulink - Säätöteoria. Syksy Mat Sovelletun matematiikan tietokonetyöt 1

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Mat Systeemien Identifiointi. 4. harjoitus

Y (z) = z-muunnos on lineaarinen kuten Laplace-muunnoskin

HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo

Mat Dynaaminen optimointi, mallivastaukset, kierros 1

v AB q(t) = q(t) v AB p(t) v B V B ṗ(t) = q(t) v AB Φ(t, τ) = e A(t τ). e A = I + A + A2 2! + A3 = exp(a D (t τ)) (I + A N (t τ)), A N = =

1 Di erentiaaliyhtälöt

ax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.

KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme

4. Differentiaaliyhtälöryhmät 4.1. Ryhmän palauttaminen yhteen yhtälöön

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

DI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 13: ti klo 13:00-15:30 ja to 1.4.

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

(a) Järjestellään yhtälöitä siten, että vasemmalle puolelle jää vain y i ja oikealle puolelle muut

Nopeus, kiihtyvyys ja liikemäärä Vektorit

Dynaamiset regressiomallit

. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1

6. Differentiaaliyhtälösysteemien laadullista teoriaa.

1.1 Vektorit. MS-A0007 Matriisilaskenta. 1.1 Vektorit. 1.1 Vektorit. Reaalinen n-ulotteinen avaruus on joukko. x 1. R n. 1. Vektorit ja kompleksiluvut

LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä

Konjugaattigradienttimenetelmä

JAKSO 2 KANTA JA KOORDINAATIT

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 1: Parametrisoidut käyrät ja kaarenpituus

3. Kongruenssit. 3.1 Jakojäännös ja kongruenssi

5 Differentiaaliyhtälöryhmät

8. kierros. 1. Lähipäivä

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio:

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33

Jos siis ohjausrajoitusta ei olisi, olisi ratkaisu triviaalisti x(s) = y(s). Hamiltonin funktio on. p(0) = p(s) = 0.

Luento 2: Liikkeen kuvausta

Sähköstatiikan laskuissa useat kaavat yksinkertaistuvat hieman, jos vakio C kirjoitetaan muotoon

Tyyppi metalli puu lasi työ I II III

3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset

Mat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle.

(d) f (x,y,z) = x2 y. (d)

y (0) = 0 y h (x) = C 1 e 2x +C 2 e x e10x e 3 e8x dx + e x 1 3 e9x dx = e 2x 1 3 e8x 1 8 = 1 24 e10x 1 27 e10x = e 10x e10x

Osa IX. Z muunnos. Johdanto Diskreetit funktiot

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät

6. Tietokoneharjoitukset

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C =

Ominaisarvo-hajoitelma ja diagonalisointi

Harjoitus 6: Symbolinen laskenta II (Mathematica)

Milloin A diagonalisoituva?

Yleistä. Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Harjoitus 6: Symbolinen laskenta II (Mathematica)

Harjoitus 6: Symbolinen laskenta II (Mathematica)

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )

Alijärjestelmän mittaus ja muita epätäydellisiä mittauksia

Matematiikan tukikurssi

Differentiaaliyhtälöt II, kevät 2017 Harjoitus 5

6.8 Erityisfunktioiden sovelluksia

3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö

f (28) L(28) = f (27) + f (27)(28 27) = = (28 27) 2 = 1 2 f (x) = x 2

Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat

y = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Paikannuksen matematiikka MAT

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Kertaus. x x x. K1. a) b) x 5 x 6 = x 5 6 = x 1 = 1 x, x 0. K2. a) a a a a, a > 0

Diskreettiaikainen dynaaminen optimointi

F {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali:

Reaaliluvut 1/7 Sisältö ESITIEDOT:

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

cos x cos 2x dx a) symbolisesti, b) numeerisesti. Piirrä integroitavan funktion kuvaaja. Mikä itse asiassa on integraalin arvo?

Numeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28

Luento 3: Liikkeen kuvausta, differentiaaliyhtälöt

Matriisit ovat matlabin perustietotyyppejä. Yksinkertaisimmillaan voimme esitellä ja tallentaa 1x1 vektorin seuraavasti: >> a = 9.81 a = 9.

Mat Dynaaminen optimointi, mallivastaukset, kierros 11

Ratkaisuehdotukset LH 10 / vko 48

Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt

Värähdysliikkeet. q + f (q, q, t) = 0. q + f (q, q) = F (t) missä nopeusriippuvuus kuvaa vaimenemista ja F (t) on ulkoinen pakkovoima.

Pienimmän Neliösumman menetelmä (PNS)

Mat Dynaaminen optimointi, mallivastaukset, kierros 5

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat

3. Laske osittaisintegroinnin avulla seuraavat integraalit

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44

1 Kannat ja kannanvaihto

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

Transkriptio:

Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Mat-2.4129 Systeemien Identifiointi 1. harjoituksen ratkaisut 1. Tarkastellaan maita X ja Y. Olkoon näiden varustelutaso t ja yt sekä puolustusmyönteisyys s t ja s y t hetkellä t. Mikäli maa i on puolustusvastainen, niin s i t on negatiivinen, muuten positiivinen. Oletetaan, että varustelunopeus on suoraan verrannollinen puolustusmyönteisyyteen ja naapurimaan varustelutasoon sekä kääntäen verrannollinen varustelukuluihin, jotka ovat verrannolliset varustelutasoon. Näin saadaan malli ẋt s t + f yt u t ẏt s y t + f y t u y yt, missä f i :t ja u i :t ovat positiivisia verrannollisuuskertoimia. Systeemi voidaan kirjoittaa myös vektorimuodossa: ẋt u f t s t + ẏt f y u y yt s y t Differentiaaliyhtälömallin avulla voidaan arvioida millä varustelutason alkuarvoilla ja verrannollisuuskertoimien arvoilla päädytään varustelukierteeseen tai stabiloidutaan johonkin tasapainotilaan. Tarkastalu voidaan suorittaa joko simuloimalla ratkomalla malli numeerisesti tai yksinkertaisissa tapauksissa analyyttisesti. Esimerkiksi tasapainotilat saadaan ratkaistua yhtälöstä ẋt 0 ẏt 0. Tämän ratkaisuksi saadaan u f y f y u y 1 s s y, kun oletetaan, että s i t s i on vakio ja, että tarvittava käänteismatriisi on olemassa. 1

2. Bakteerikannan kokonaiskasvunopeus on ḃt ja kasvunopeus bakteeriyksikköä kohden ḃt, jolloin olettamuksista i ja ii saadaan, että bt ḃt bt fut Eräs mahdollinen approksimaatio funktiolle f on Olettamuksesta iii saadaan lisäksi, että { k1 ut, kun ut on pieni ; k 2, kun ut on iso. ut fut k 2. ut + k 2 k 1 ut k 3 ḃt, jolloin bakteerisysteemiä kuvaamaan saadaan differentiaaliyhtälömalli ḃt futbt, ut k 3 futbt. 3. a Muodostetaan differenssiyhtälösysteemi kuvaamaan tehtävän systeemiä. Tässä tehtävässä aika on oletettu diskreetiksi suureeksi. Olkoon hierarkiassa tasoja N kappaletta ja K j t ja I j t ovat pätevien ja epäpätevien työntekijöiden määrä tasolla j sekä ut uusien työntekijöiden määrä hetkellä t. Ensimmäisellä tasolla pätee K 1 t + 1 0.6K 1 t + 0.1I 1 t + 0.9ut I 1 t + 1 0.7I 1 t + 0.1ut. Tasoilla j {2,..., N 1} vastaavasti K j t + 1 0.6K j t + 0.1I j t + 2 3 0.3K j 1t I j t + 1 0.7I j t + 1 3 0.3K j 1t + 0.1I j 1 t. Koska tasolta N ei voi enää ylentyä, saadaan tälle tasolle K N t + 1 0.9K N t + 0.1I N t + 2 3 0.3K N 1t I N t + 1 0.8I N t + 1 3 0.3K N 1t + 0.1I N 1 t. Merkitään j t Kj t I j t, 2

jolloin differenssiyhtälömallimme voidaan kirjoittaa muodossa 0.6 0.1 0.9 1 t + 1 0 0.7 1 t + ut 0.1 j t + 1 A b 0.6 0.1 0.2 0 0 0.7 j t + 0.1 0.1 j 1 t, j {2,..., N 1} N t + 1 A C 0.9 0.1 0.2 0 0 0.8 N t + 0.1 0.1 N 1 t A N C b Ks. Ecel-malli lh1t3 ecel.ls, jossa on valittava hierarkioiden työtekijämäärät alussa. Huomataan, että työntekijöiden määrät eri hierarkian tasoilla stabiloituvat, kun t kasvaa. Varioimalla uusien työntekijöiden määrää havaitaan, että pätevien työmntekijöiden suhde ei ole kovin herkkä ut:n muutoksille. Erityisesti suurilla t:n arvoilla pätevien työntekijöiden osuus näyttäisi säilyvän samana, vaikka ut:a muutetaan. c Kirjoitetaan systeemimme muodossa ˆt + 1 ŷt ˆt + ˆBût, Ĉ ˆt + ˆDût, missä ŷt on systeemistä havaittava tai mitattava suure. Yleensä ût:a kutsutaan ohjaukseksi ja ˆt:a tilaksi. 1 t Valitaan ˆt., ja ût ut jolloin N t A C... Â... A C ja ˆB b 0  on 2N 2N matriisi ja ˆB 2N 1 vektori. Jos halutaan mitata suoraan tiloja, ts. ŷ ˆ valitaan luonnollisesti Ĉ I ja ˆD 0. Ks. toteutuksen Simulink-malli lh1t3 mdl.mdl, ja Matlab-skripti lh1t3 m.m joka muodostaa matriisit Â, ˆB, Ĉ ja ˆD, ajaa simulaation sekä piirtää kuvaajat. d Mallissa annetut prosenttiosuudet ovat vakioita. Siten mallissa palkkaus ei vaikuta pätevien ja epäpätevien suhteisiin, eikä malli ole riittävä palkkaustrategian optimointiin. Jos tehtävässä annetut prosenttiarvot oletettaisiinkin esimerkiksi funktioiksi seuraavan tason palkasta voitaisiin palkkaustrategiaa optimoida. Mahdollisia optimointikriteereitä olisivat esimerkiksi pätevien osuudet eri tasoilla ja kokonaispalkkakustannukset. 3. A N

4. a Olkoot yt ja t veren insuliini- ja sokeripitoisuudet hetkellä t. Merkitään insuliinipistoksesta saatavan insuliinin määrä wt:llä ja ruokailusta saatavan sokerin määrä zt:llä. Kirjoitetaan ensin differentiaaliyhtälömalli insuliinipitoisuudelle olettamuksista i-iii: ẏt b 1 ma{t 0, 0} b 2 ma{yt, 0} + b 3 wt, missä b i :t ovat positiivisia verrannollisuuskertoimia. Vastaavasti otaksumista iv-vi saadaan ẋt a 1 tyt + a 2 ma{ 0 t, 0} + a 3 zt, missä a i :t ovat positiivisia verrannollisuuskertoimia. b Aseta mallissa wt 0, jolloin insuliinipistoksia ei oteta. Muiksi verrannollisuuskertoimiksi voit asettaa a 1 a 2 a 3 1, b 1 1.5, b 2 0.2, b 3 1 ja 0 10. Alkutilaksi ota 0 9, y0 0. Näet, että systeemin tasapainotila on t 0 10 esimerkiksi valitsemalla mallissa lisäksi zt 0 ja simuloimalla systeemiä. Tarkastele systeemin käyttäytymistä erilaisilla impulssimuotoisilla ruokailuprofiileilla. Tuloksena saat jaksollisia ratkaisuja, joissa elimistö ruokailun jälkeen erittää insuliinia veren sokeripitoisuuden pienentämiseksi. Veren sokerin saavuttaessa arvon 0 insuliinin eritys lakkaa ja maksa tuottaa sokeria tasapainotilan saavuttamiseksi. c Aseta nyt b-kohdan mallissa b 1 0, koska insuliinipotilas ei tuota insuliinia. Kokeile varioida insuliinipistoksen ja ruokailun välistä vaihe-eroa. Paras tulos saadaan, kun insuliini otetaan ruokailun yhteydessä, koska tällöin tarvitaan insuliinia veren sokeripitoisuuden laskemiseksi. 4

5. Etsitään siis matriisit A, B, C ja D siten, että ẋt At + But yt Ct + Dut. Koska halutaan, että yt qt tulee valita C I 0 D 0. Matriisit A ja B löydetään käyttämällä systeemiä kuvaavaa differentiaaliyhtälömallia, josta saadaan q M 1 Kq M 1 D q + M 1 f, eli saadaan d q dt q 0 I M 1 K M 1 D q q + 0 M 1 f. Siis A B 0 I M 1 K M 1 D 0 M 1. 5