1 / 24

Sistemas Dinâmicos com Campo de Direções Parcialmente Conhecido

Sistemas Dinâmicos com Campo de Direções Parcialmente Conhecido. Laécio Carvalho de Barros ( laeciocb@ime.unicamp.br ) IMECC - Unicamp. Um Esquema de Modelagem. EDO. Fenômeno Regras. Lógica p/ Regras. função. EDIF. ?. Metodologia. Runge-kutta. S n , I n. Controle fuzzy.

amalie
Download Presentation

Sistemas Dinâmicos com Campo de Direções Parcialmente Conhecido

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Sistemas Dinâmicos com Campo de Direções Parcialmente Conhecido Laécio Carvalho de Barros (laeciocb@ime.unicamp.br) IMECC - Unicamp

  2. Um Esquema de Modelagem EDO Fenômeno Regras Lógica p/ Regras função EDIF ?

  3. Metodologia Runge-kutta Sn, In Controle fuzzy 1/S dS/dt 1/I dI/dt Sn+1,In+1 Metodologia Controladores fuzzy e métodos numéricos para equações diferenciais (Runge-Kutta) foram usados para realizar as simulações.

  4. Princípio bem aceito Ecologia “Uma população varia a uma taxa proporcional a própria população em cada instante t.”

  5. Modelo Clássico de Malthus • Característica do Modelo: A variação é dada pela derivada. Nesse caso tem-se o seguinte PVI: Obs. : crescimento específico (dx/dt) constante.

  6. Modelo Clássico de Malthus • Solução do Modelo

  7. Lógica Fuzzy: o começo Lofti Zadeh publica (1965) o artigo com as primeiras Idéias sobre conjuntos fuzzy. Principal interesse era armazenar conceitos como “aproximadamente”, “em torno de” etc.

  8. Conj. Clássico e conj. Fuzzy

  9. Função de pertinência Um subconjunto fuzzy F de U é definido por uma função µ : U  [0, 1], chamada função de pertinência de F . µ (x) indica o grau com que “x” é um elemento de F. Ex.: “em torno de 100” µ(x) =

  10. Malthus com regras • Uma primeira tentativa de modelagem para tal princípio poderia nos levar às seguintes regras -Se a população(X) é baixa(B) então a variação é baixa(B); -Se a população(X) é média(M) então a variação é média(M); -Se a população(X) é alta(A) então a variação é alta(A).

  11. Conjuntos fuzzy para os antecedentes e conseqüentes das regras de Malthus

  12. Método de Mamdani

  13. Solução p-fuzzy

  14. Modelo presa-predador de Lotka-Volterra O modelo presa-predador clássico de Lotka-Volterra, que se tornou um paradigma da Biomatemática, pressupõe que: • 1- Tanto as presas como os predadores estão distribuídos uniformemente num mesmo habitat, ou seja, todos os predadores têm a mesma chance de encontrar cada presa; • 2- O encontro entre os indivíduos das duas espécies seja ao acaso, a uma taxa proporcional ao tamanho das duas populações; • 3- A população de presas x(t) cresce exponencialmente na ausência de predadores (crescimento ilimitado por escassez de predadores); • 4- A população de predadores y(t) decresce exponencialmente na ausência de presas (decrescimento por escassez de alimento); • 5- A população de predadores é favorecida pela abundância de presas; • 6- A população de presas é desfavorecida pelo aumento de predadores.

  15. Modelo Clássico do tipo Presa-Predador de Lotka-Volterra • Estas seis hipóteses são resumidas nas equações abaixo, denominadas Modelo de Lotka-Volterra:

  16. Interpretação para parâmetros • a: taxa de crescimento da população de presas na ausência de predadores; • (α/β): a eficiência de predação, isto é, a eficiência de conversão de uma unidade de massa de presas em uma unidade de massa de predadores, já que α representa a proporção de sucesso dos ataques dos predadores e β a taxa de conversão de biomassa das presas em predadores; • b : taxa de mortalidade de predadores na ausência de presas; Obs.:Os pontos críticos do sistema são: (0,0), um ponto de sela instável, e ((b/β),(a/α)) que é um centro estável.

  17. Plano de fase do modelo clássico de Lotka-Volterra • Ciclos Ecológicos

  18. Re-interpretando as seis hipóteses comentadas acima: A hipótese "1" significa apenas que, dentro de cada espécie, o ambiente não privilegia nenhum indivíduo. Portanto é natural que as variáveis de estado sejam apenas quantidades; "2" significa apenas que há interação entre as espécies; "3" indica que não há auto-inibição nas presas, isto é, para um dado número de predadores, o crescimento específico das presas é constante, podendo ser positivo ou negativo; "4" como em "3", espera-se que, para um dado número de presas, o crescimento específico dos predadores seja constante, podendo ser positivo ou negativo; "5" apenas indica que o crescimento específico dos predadores aumenta com o número de presas; "6" significa que o crescimento específico das presas diminui com o aumento dos predadores. Resumidamente, as hipótese de 3 a 6 indicam que, dada uma certa quantidade de uma espécie, a outra tem crescimento (decrescimento) malthusiano.

  19. Arquitetura para modelo p-fuzzy de Lotka-Volterra

  20. Representação gráfica da regras

  21. Base de Regras para Lotka-Volterra • Se X é A1 e Y é B1 então (1/X)((dX)/(dt)) é P2 e (1/Y)((dY)/(dt)) é N2 • Se X é A2 e Y é B1 então (1/X)((dX)/(dt)) é P2 e (1/Y)((dY)/(dt)) é N1 • Se X é A3 e Y é B1 então (1/X)((dX)/(dt)) é P2 e (1/Y)((dY)/(dt)) é P1 • Se X é A4 e Y é B1 então (1/X)((dX)/(dt)) é P2 e (1/Y)((dY)/(dt)) é P2 • Se X é A1 e Y é B2 então (1/X)((dX)/(dt)) é P1 e (1/Y)((dY)/(dt)) é N2 • Se X é A2 e Y é B2 então (1/X)((dX)/(dt)) é P1 e (1/Y)((dY)/(dt)) é N1 • Se X é A3 e Y é B2 então (1/X)((dX)/(dt)) é P1 e (1/Y)((dY)/(dt)) é P1 • Se X é A4 e Y é B2 então (1/X)((dX)/(dt)) é P1 e (1/Y)((dY)/(dt)) é P2 • Se X é A1 e Y é B3 então (1/X)((dX)/(dt)) é N1 e (1/Y)((dY)/(dt)) é N2 • Se X é A2 e Y é B3 então (1/X)((dX)/(dt)) é N1 e (1/Y)((dY)/(dt)) é N1 • Se X é A3 e Y é B3 então (1/X)((dX)/(dt)) é N1 e (1/Y)((dY)/(dt)) é P1 • Se X é A4 e Y é B3 então (1/X)((dX)/(dt)) é N1 e (1/Y)((dY)/(dt)) é P2 • Se X é A1 e Y é B4 então (1/X)((dX)/(dt)) é N2 e (1/Y)((dY)/(dt)) é N2 • Se X é A2 e Y é B4 então (1/X)((dX)/(dt)) é N2 e (1/Y)((dY)/(dt)) é N1 • Se X é A3 e Y é B4 então (1/X)((dX)/(dt)) é N2 e (1/Y)((dY)/(dt)) é P1 • Se X é A4 e Y é B4 então (1/X)((dX)/(dt)) é N2 e (1/Y)((dY)/(dt)) é P2

  22. Soluções para o p-fuzzy Lotka-Volterra • Em cada instante t, o número de presas e de predadores é dado pelas fórmulas

  23. Estimativas • Assim, os valores de x(t) e y(t) são estimados pelas fórmulas onde e são as saídas do controlador correspondentes às entradas e .

  24. Contingentes populacionais e plano de fase para o p-fuzzy Lotka-Volterra

More Related