• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
10.11606/T.55.2012.tde-25012013-095943
Documento
Autor
Nome completo
Carlos Alexandre Silva
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2012
Orientador
Banca examinadora
Costa, Eduardo Fontoura (Presidente)
Andretta, Marina
Helou Neto, Elias Salomão
Silva, Geraldo Nunes
Val, João Bosco Ribeiro do
Título em português
Algoritmos para o custo médio a longo prazo de sistemas com saltos markovianos parcialmente observados
Palavras-chave em português
Algoritmos genéticos
Controle ótimo
Processos de Markov
Sistemas lineares
Resumo em português
Neste trabalho procuramos determinar o controle ótimo para problemas de custo médio a longo prazo (CMLP) de sistemas lineares com saltos markovianos (SLSMs) com observação parcial dos estados da cadeia de Markov, e, para isso, implementamos métodos computacionais heurísticos como algoritmos evolutivos de primeira geração - algoritmo genético (AG) básico - e os algoritmos UMDA(Univariate Marginal Distribution Algorithm) e BOA(Bayesian Optimization Algorithm), de segunda geração. Utilizamos um algoritmo variacional para comparar com os métodos implementados e medir a qualidade de suas soluções. Desenvolvemos uma abordagem de transição de níveis de observação (ATNO), partindo de um problema de observação completa e migrando através de problemas parcialmente observados. Cada um dos métodos mencionados acima foi implementado também no contexto da ATNO. Para realizar uma análise estatística sobre o desempenho dos métodos computacionais, utilizamos um gerador de SLSMs com importantes características da teoria de controle como: estabilidade, estabilizabilidade, observabilidade, controlabilidade e detetabilidade. Por fim, apresentamos alguns resultados sobre o CMLP com controles estabilizantes e resultados parciais a respeito da unicidade de solução
Título em inglês
Algorithms for the long run average cost for linear systems with partially observed Markov jump parameters
Palavras-chave em inglês
Genetic algorithms
Linear systems
Markov process
Optimal control
Resumo em inglês
In this work we are interested in the optimal control for the long run average cost (LRAC) problem for linear systems with Markov jump parameters (LSMJP), using heuristic methods like first generation evolutionary algorithms - genetic algorithm (GA) - and second generation algorithms including UMDA (Univariate Marginal Distribution Algorithm) and BOA (Bayesian Optimization Algorithm). We have developed a scheme that employs different problems with intermediate levels of observation of the Markov chain, starting with complete observation and shifting to the partial observation problem. The aforementioned methods have been implemented using this scheme. Moreover, in order to compare the methods, we use an algorithm for generating a number of LSMJP and we present a basic statistical analysis of the results. Finally, we present some results on the LRAC with stabilizing control and some partial results on the uniqueness of the solution
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2013-01-25
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
Centro de Informática de São Carlos
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2019. Todos os direitos reservados.