Skip to content

Remise du rapport de laboratoire 9 - #7

Open
oufog24 wants to merge 3 commits into
dpo-mth8408:mainfrom
oufog24:main
Open

oufog24 wants to merge 3 commits into
dpo-mth8408:mainfrom
oufog24:main

Conversation

@oufog24

@oufog24 oufog24 commented Aug 1, 2025

Copy link
Copy Markdown

Complétion du laboratoire 9 sur le contrôle optimal.

Complétion du laboratoire 9 sur le contrôle optimal.
Comment thread rapport.qmd Outdated
@dpo dpo closed this Aug 18, 2025
@dpo dpo reopened this Aug 18, 2025
Comment thread rapport.qmd Outdated
@github-actions

Copy link
Copy Markdown

Status:
Success--Here-is-the-PDF

Comment thread rapport.qmd
- plotadjoints : Affiche les variables adjointes (co-états)
=#
#plot(sol)
plot(sol, plotstates=true, plotcontrol=true, plotadjoints=true)

Copy link
Copy Markdown
Contributor

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

???? Ce n'est pas du tout ça qu'on demande de faire.

Comment thread rapport.qmd
# Objectif à minimiser
∫(ρ * g * x[1](t) * √(1 + u(t)^2)) → min
end

Copy link
Copy Markdown
Contributor

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

On se demande bien comment tu as trouvé cette formulation ...

Comment thread rapport.qmd

### Analyse des résultats

Les résultats obtenus pour la question 2 montrent la résolution d'un problème de contrôle optimal visant à minimiser l'énergie potentielle d'une trajectoire sous contraintes dynamiques. Le solveur IPOPT a été utilisé pour résoudre ce problème, avec les observations suivantes :

Copy link
Copy Markdown
Contributor

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

IPOPT n'a pas convergé...

Comment thread rapport.qmd
Les graphes générés montrent l'évolution des variables d'état, des co-états et du contrôle au cours du temps :

1. **État (x)** :
- La variable d'état évolue de manière régulière, passant de 1.0 à 2.5, conformément aux conditions aux limites imposées (\(x(t_0) = 1\), \(x(t_f) = 2.5\)).

Copy link
Copy Markdown
Contributor

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

Non ; x(t_f) = 3.

Comment thread rapport.qmd
- La variable d'état évolue de manière régulière, passant de 1.0 à 2.5, conformément aux conditions aux limites imposées (\(x(t_0) = 1\), \(x(t_f) = 2.5\)).

2. **Co-état** :
- Le co-état montre une décroissance vers zéro, reflétant l'optimisation de la trajectoire pour minimiser l'énergie potentielle.

Copy link
Copy Markdown
Contributor

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

N'importe quoi.

Comment thread rapport.qmd
- Le contrôle varie entre 0 et 6, avec des ajustements dynamiques pour respecter les contraintes et minimiser l'objectif.

4. **Convergence** :
- Le solveur a convergé vers une solution optimale après 914 itérations, avec un temps total de calcul de 8.879 secondes environ.

Copy link
Copy Markdown
Contributor

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

temps ???????????????

Comment thread rapport.qmd
Formulation mathématique :
Maximiser x₂(tf) sous les contraintes :
- Dynamique : dx₁/dt = -x₁ + u
dx₂/dt = √x₁

Copy link
Copy Markdown
Contributor

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

?????

Comment thread rapport.qmd
Les variables adjointes (coétats) illustrent les multiplicateurs de Lagrange associés aux contraintes dynamiques. Le coétat lié à $x_1$ montre une décroissance rapide vers des valeurs négatives, indiquant un coût élevé pour respecter la dynamique en début de trajectoire. Celui associé à $x_2$ reste constant (proche de -1), conformément à l'objectif de maximisation de $x_2(t_f)$, car la dynamique de $x_2$ ne dépend pas directement de $x_2$ lui-même.

### Analyse du contrôle (control)
La commande optimale $u(t)$ évolue entre les bornes $[0, 1]$. Elle démarre à une valeur élevée (proche de 0.4) pour satisfaire rapidement la condition finale sur $x_1$, puis décroît progressivement. Cette décroissance reflète un compromis entre la maximisation de $x_2$ et la contrainte sur $x_1(t_f)$.

Copy link
Copy Markdown
Contributor

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

bla bla bla

Comment thread rapport.qmd
L'évolution des états montre que la composante $x_1(t)$ part de 0 et atteint la condition finale $x_1(t_f) = 0.5$ à $t = 1$. La trajectoire est croissante et présente une non-linéarité, reflétant l'influence de la dynamique $\dot{x}_1 = -x_1 + u$. La composante $x_2(t)$, qui représente l'objectif à maximiser, augmente de manière monotone avec une pente décroissante, en cohérence avec la dynamique $\dot{x}_2 = \sqrt{x_1}$. La valeur finale de $x_2(t_f)$ est d'environ 0.48, ce qui correspond à l'objectif optimisé.

### Analyse du coétat (costate)
Les variables adjointes (coétats) illustrent les multiplicateurs de Lagrange associés aux contraintes dynamiques. Le coétat lié à $x_1$ montre une décroissance rapide vers des valeurs négatives, indiquant un coût élevé pour respecter la dynamique en début de trajectoire. Celui associé à $x_2$ reste constant (proche de -1), conformément à l'objectif de maximisation de $x_2(t_f)$, car la dynamique de $x_2$ ne dépend pas directement de $x_2$ lui-même.

Copy link
Copy Markdown
Contributor

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

Ils sont tous les deux nuls !

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment

Labels

None yet

Projects

None yet

Development

Successfully merging this pull request may close these issues.

2 participants