Commande optimale | EPFL Graph Search

Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?

Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.

Découvrez-en plus sur les applications Graph.

La théorie de la commande optimale permet de déterminer la commande d'un système qui minimise (ou maximise) un critère de performance, éventuellement sous des contraintes pouvant porter sur la commande ou sur l'état du système. Cette théorie est une généralisation du calcul des variations. Elle comporte deux volets : le principe du maximum (ou du minimum, suivant la manière dont on définit l'hamiltonien) dû à Lev Pontriaguine et à ses collaborateurs de l'institut de mathématiques Steklov , et l'équation de Hamilton-Jacobi-Bellman, généralisation de l'équation de Hamilton-Jacobi, et conséquence directe de la programmation dynamique initiée aux États-Unis par Richard Bellman. La théorie de la commande optimale fait partie de l'automatique et des mathématiques appliquées (optimisation des processus). En tant que cette théorie généralise le calcul des variations, elle a également un champ d'application en physique mathématique, et les développements théoriques actuels rejoignent les mathématiques pures. Les idées sous-jacentes au principe du maximum et à la programmation dynamique sont fort anciennes et ont été intimement liées dès leur préhistoire. Elles ont été développées de manière indépendante et pratiquement simultanée, vers le milieu des années 1950, et elles continuent aujourd’hui d’avoir de nombreuses connexions. La programmation dynamique a pour origine le principe de Huygens pour la propagation de la lumière : c’est le fameux principe des « sources intermédiaires » qui interprète les phénomènes de réflexion et de réfraction en supposant la propagation d'ondelettes sphériques secondaires issues d'une onde sphérique principale ; le principe d'Huygens est lui-même fondé sur le principe de Fermat qui postule que la lumière suit le trajet dont le temps de propagation est minimal. Le principe du maximum est une généralisation des équations d' Hamilton du calcul des variations.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (86)

Personnes associées (37)

Unités associées (1)

Concepts associés (17)

Cours associés (92)

Séances de cours associées (729)

MOOCs associés (19)

Bellman equation

A Bellman equation, named after Richard E. Bellman, is a necessary condition for optimality associated with the mathematical optimization method known as dynamic programming. It writes the "value" of a decision problem at a certain point in time in terms of the payoff from some initial choices and the "value" of the remaining decision problem that results from those initial choices. This breaks a dynamic optimization problem into a sequence of simpler subproblems, as Bellman's “principle of optimality" prescribes.

Commande optimale

Costate equation

The costate equation is related to the state equation used in optimal control. It is also referred to as auxiliary, adjoint, influence, or multiplier equation. It is stated as a vector of first order differential equations where the right-hand side is the vector of partial derivatives of the negative of the Hamiltonian with respect to the state variables. The costate variables can be interpreted as Lagrange multipliers associated with the state equations.

EE-492(c): Project in bioelectronics

ME-425: Model predictive control

Provide an introduction to the theory and practice of Model Predictive Control (MPC). Main benefits of MPC: flexible specification of time-domain objectives, performance optimization of highly complex

EE-715: Optimal control

This doctoral course provides an introduction to optimal control covering fundamental theory, numerical implementation and problem formulation for applications.

Intro to Traffic Flow Modeling and Intelligent Transport Systems

Learn how to describe, model and control urban traffic congestion in simple ways and gain insight into advanced traffic management schemes that improve mobility in cities and highways.

Intro to Traffic Flow Modeling and Intelligent Transport Systems

Learn how to describe, model and control urban traffic congestion in simple ways and gain insight into advanced traffic management schemes that improve mobility in cities and highways.

Launching New Ventures

Develop your promising idea into a successful business concept proposal, and launch it! Gain practical experience in the key steps of the venture creation process, including marketing and fundraising.

Navigation of Concentric Tube Continuum Robots using Optimal Control

John Maddocks, Siva Prasad Chakri Dhanakoti

Recently developed Concentric Tube Continuum Robots (CTCRs) are widely exploited in, for example in minimally invasive surgeries which involve navigating inside narrow body cavities close to sensitive

SCITEPRESS2022

Memory of Motion for Initializing Optimization in Robotics

Teguh Santoso Lembono

Many robotics problems are formulated as optimization problems. However, most optimization solvers in robotics are locally optimal and the performance depends a lot on the initial guess. For challengi

EPFL2022

Reinforcement Learning for the occupant-centric operation of building energy systems: Theoretical and experimental investigations

Amirreza Heidari

Occupant behavior, defined as the presence and energy-related actions of occupants, is today known as a key driver of building energy use. Closing the gap between what is provided by building energy s

EPFL2022

Théorie du contrôle optimal : les bases EE-715: Optimal control

Couvre les principes fondamentaux de la théorie du contrôle optimal, en se concentrant sur la définition des OCP, l'existence de solutions, les critères de performance, les contraintes physiques et le principe d'optimalité.

Convolution et transformation de Laplace ME-273: Introduction to control of dynamical systems

Explore le contrôle des systèmes dynamiques, la réponse impulsionnelle, la transformée de Laplace et la transformée de Fourier pour résoudre les équations différentielles.

Contrôle LQ Infinite-Horizon : Solution et exemple ME-422: Multivariable control

Explore Infinite-Horizon Contrôle optimal du Quadratic linéaire (LQ), mettant l'accent sur les méthodes de solution et les exemples pratiques.