Controle e observação genéticos para sistemas não lineares

César Daltoé Berci
Ano Celso Pascoli Bottura

02
CONTROLE E OBSERVAÇÃO
GENÉTICOS NA
IMPLEMENTAÇÃO DE
n. CONTROLADOR NÃO LINEAR
03 POR REALIMENTAÇÃO DE
SAÍDA
Instituto de Engenharia Arquitetura e Design -

p. INSEAD
1-12 Centro Universitário Nossa Senhora do Patrocinio

CEUNSP - Salto-SP
N.03, Março de 2011
Abstract
The development of stable controllers for non linear systems can become quite complex, mainly because this
complexity is a function of the non linearities of the system, that can assume a limitless number of forms. In the
present work an intelligent controller, using new concepts of control and observation based on computational
intelligence and geometric control theory is proposed. A genetic observer for estimate the state of the plant,
followed for a genetic controller for obtaining of the control input are developed. This method makes possible
the conception of a control system quite general and with great efficiency.
KEYWORDS: Intelligent Control, Non Linear Systems, Genetic Algorithms
Resumo
A tarefa de desenvolvimento de um controlador estável para sistemas não lineares pode se tornar bastante
complexa, principalmente porque esta é função das não linearidades presentes no sistema, que podem assumir
um ilimitado número de formas. No presente trabalho é proposto um controlador inteligente, utilizando novos
conceitos de controle e observação baseados em inteligencia computacional e teoria de controle geométrico. É
desenvolvido um observador genético para estimação do estado da planta, seguido por um controlador genético
para obtenção da entrada de controle. Esse método possibilita a concepção de um sistema de controle bastante
generalista e de grande eficiência.
KEYWORDS: Controle Inteligente, Sistemas Não Lineares, Algoritmos Genéticos
1 INTRODUÇÃO
O controle de sistemas não lineares é uma tarefa bastante complexa quando comparada ao controle de sistema
lineares, para os quais são conhecidas uma série de ferramentas generalistas, cuja aplicação já é bastante difundida
e estruturada.
Em sistemas não lineares, por outro lado, as ferramentas possuem caracterı́sticas peculiares e em geral são aplicáveis
a classes bem definidas de sistemas. A tı́tulo de exemplo, são citados os seguintes métodos de controle para sistemas
não lineares (Spooner et al., 2002; Ioannou, 1996; Sastry, 1999):
• Linearização por realimentação de estado/saı́da
• Backstepping
Ambos os métodos previamente citados são bastante difundidos, sendo objeto de pesquisa de vários trabalhos nas
últimas décadas, rendendo resultados consistentes. Porém, esses métodos requerem certas propriedades do sistema
que viabilizam sua aplicação, não sendo esta possı́vel a qualquer sistema não linear, mesmo este sendo controlável
e observável.
O presente trabalho busca uma alternativa a implementação de controladores por realimentação de saı́da para
sistemas não lineares. A principio é utilizado um mecanismo já conhecido de controle, aplicando um observador
para obter o estado estimado do sistema e um controlador que utiliza essa estimativa para calcular uma entrada
de controle.
O observador e o controlador utilizados neste trabalho foram desenvolvidos com a aplicação de ferramentas de
inteligência computacional associadas a teoria de controle geométrico (Berci, 2008; Berci and Bottura, 2008b; Berci
and Bottura, 2008a; Berci and Bottura, 2008c; Berci and Bottura, 2010). Mais especificamente neste trabalho
Berci, César D. e Bottura, Celso P. Controle e Observação Genéticos Na Implementação de
Controlador Não Linear Por Realimentação de Saı́da. Complexus - Instituto Superior de
Engenharia Arquitetura e Design - CEUNSP, Salto-SP, ano.02, n.03, p.1-12, Março de 2011.
P.2
Disponı́vel em: www.engenho.info
foram utilizados algoritmos genéticos (Wright, 1991; Eshelman and Schafter, 1993; Davis, 1991; Goldberg, 1989)
para implementação dos dispositivos de controle e observação.
Essa abordagem permite a concepção de controladores suficientemente generalistas, possibilitando sua aplicação a
uma vasta gama de sistemas não lineares, desde que o sistema a ser controlado seja Uniformemente Completamente
Observável e Localmente Fracamente Controlável, o que não representa uma restrição demasiadamente restritiva,
tendo em vista que a ausência dessas propriedades inviabiliza o controle/observação do sistema por qualquer técnica
conhecida.
2 OBSERVADOR GENÉTICO
Algoritmos genéticos são comumente aplicados, entre diversas outras possı́veis aplicações, a problemas de otimização
onde dado um mapeamento E(p) : Rn → R, e uma região V ∈ Rn , deseja-se encontrar p∗ ∈ V tal que E(p∗ ) é um
extremo do mapeamento E.
Conforme (Berci and Bottura, 2008b) fica comprovada a eficiência da utilização de métodos meta-heurı́sticos de
busca e otimização na solução do problema de observação, quando adotada uma abordagem através da geometria
diferencial (Schutz, 1999; Sastry, 1999; Besançon, 2007; Spooner et al., 2002), sendo demonstrada a aplicação de
otimização por enxame de partı́culas (Kennedy, 1997; Kennedy and Eberhart, 1995) na concepção de um observador
de estado baseado em inteligência de enxame.
Para problemas de de dimensão relativamente baixa, é mostrado em (Berci, 2008) que os algoritmos genéticos
apresentam uma melhor relação entre taxa de convergência e preservação da capacidade exploratória, fator esse
pelo qual essa meta-heurı́stica foi escolhida para implementação do observador e do controlador apresentados neste
trabalho.
A definição dos algoritmos genéticos utilizados no observador e no controlador discutidos neste trabalho requer a
atribuição de valores aos seguintes parâmetros, que conferem a codificação adequada ao método evolutivo:
• Representação dos indivı́duos.

• Forma de avaliação dos indivı́duos (função de fitness).
• Método de seleção.
• Método de reprodução.
• Método de mutação.
A seguir é discutida a codificação do AG utilizado no observador.
2.1 Representação dos indivı́duos

Para o problema de observação, uma codificação satisfatória é representar cada indivı́duo por um estado do sistema
a ser observado.
2.2 Função de fitness

A função de fitness é então definida pela seguinte equação.
n
P 2
−τ (yei −Hi (ai ))
f itness(ai ) = e i=1 (1)
P.3
onde τ é um fator que ajusta a sensibilidade do algoritmo, ai = x̂ é um vetor que representa o indivı́duo, e ye é um
vetor contendo a saı́da mensurável do sistema e suas n − 1 derivadas, dado por:
φ0 (x, u, u̇, ..., u(nu ) )

   
y
 ẏ   φ1 (x, u, u̇, ..., u(nu ) ) 
ye =  .. = .. (2)
   

 .   . 
y (n−1) φn−1 (x, u, u̇, ..., u(nu ) )
onde nu representa o número de derivadas de u que surgem na representação do vetor ye .
Supondo que o sistema é uniformemente observável, a função f itness(ai ) é convexa, e, estritamente convexa com
relação a H(ai ), possuindo mı́nimo global ai = x tal que f itness(ai ) = max(f itness(a)). Logo se observam as
seguintes relações:
ai = x (3)
f itness(ai ) > f itness(x0 ) (4)
∀ x0 ∈ X | x0 6= x
onde x é estado do sistema e X é o espaço de estados.
2.3 Método de seleção

A seleção dos indivı́duos é realizada em duas etapas distintas. Primeiramente são selecionados de forma deter-
minı́stica um número aleatório de indivı́duos que irão sobreviver até a próxima geração. Feito isso é selecionado
através do mecanismo conhecido como roleta, um número determinado de pares de indivı́duos que irão se reproduzir
deixando herdeiros na próxima geração. É importante salientar que é preservado o número máximo de indivı́duos
na população em todas as gerações.
2.4 Método de reprodução

O mecanismo de reprodução utilizado é o método matricial (Berci, 2008), que demonstra melhor desempenho em
espaços de busca reais e contı́nuos.
2.5 Método de mutação

O método de mutação empregado é o método vetorial, onde um vetor aleatório com distribuição retangular de
baixa amplitude é adicionado ao vetor ai , sendo os indivı́duos que irão sofrer mutação aleatoriamente escolhidos
dentre todos os da população.
3 CONTROLADOR GENÉTICO
O controlador genético utilizado neste trabalho é uma ferramenta computacional capaz de encontrar a solução para
o seguinte problema de minimização:
u(t) =
(5)

T
arg min (G(u(t), t) − r(t)) (G(u(t), t) − r(t))

P.4
Considerando a entrada u ∈ U ⊂ Rm , os indivı́duos da população são representados por a, onde cada indivı́duo i
tem associado a ele um ponto ai ∈ U .
A avaliação dos indivı́duos associa a cada indivı́duo ai , um escalar real: f itnessi = f itness(ai ), e é realizada com
base em uma função de fitness dada por:
f itness(ai ) = e−τ ((yδ (t,ai )−r(t)) (yδ (t,ai )−r(t)))

T
(6)
onde τ é um fator que ajusta a sensibilidade do algoritmo e a variável yδ é a saı́da futura do sistema dada por:
yδ (t0 , u) = y(t0 + δ)|

(7)
{u(t) = u(t0 ) ∀ t0 < t ≤ (t + δ)}
3.1 Métodos de seleção, reprodução e mutação

Esses métodos referem-se a caracterı́sticas de implementação do algoritmo genético, e apesar de influenciar direta-
mente na sua performance, são suficientemente robustos podendo ser utilizados em uma vasta gama de problemas.
Dada a relativa semelhança em dimensionalidade e complexidade dos problemas de controle, e estimação de estado
tratados neste trabalho, os métodos de seleção, reprodução e mutação, são os mesmos para o controlador e para o
observador, sendo estes discutidos na sessão anterior.
4 AMOSTRAGEM E ESTABILIDADE
A utilização de observadores em sistemas não lineares associados a controladores, cria um efeito conhecido como
fenômeno de pico. A implicação prática desse fenômeno é a perda de estabilidade do sistema completo (planta+observador+cont
quando o erro de observação é muito grande, fazendo com que o controlador a forneça uma entrada de controle u
que leva o sistema a instabilidade. Isso ocorre porque em sistemas não lineares o principio da separação se aplica
apenas a uma vizinhança restrita do estado real do sistema: x(t).
Em (Spooner et al., 2002) é apresentada uma análise desse fenômeno, mostrando claramente os limites de erro de
observação admissı́veis, e a perda de estabilidade quando esses limites não são obedecidos.
Ambos os dispositivos utilizados no sistema de controle proposto neste documento, são claramente ferramentas
discretas, e portanto possuem um perı́odo de amostragem, podendo este ser diferente para cada um destes dispos-
itivos.
O estado do sistema amostrado no instante de tempo t1 é utilizado para o calulo da entrada de controle que será
aplicada ao sistema no instante de tempo t2 , portanto, existe um erro no estado do sistema devido a esses perı́odos
de amostragem.
Uma possı́vel solução, não explorada neste trabalho, é a utilização de um preditor na saı́da do observador a fim de
avançar o estado por um intervalo de amostragem, reduzindo o referido erro.
A solução aqui adotada para as simulações realizadas, é utilizar um perı́odo de amostragem relativamente pequeno
para o observador, assim, a variação do estado dentro de um perı́odo de amostragem fica reduzida e o controlador
capaz de calcular a entrada de controle corretamente. Esta solução, apesar de simplista, atende os requisitos deste
trabalho.

P.5
0
Estado do Sistema
x1
x̂1
−0.5
−1
Amplitude
−1.5
−2
−2.5
−3
−3.5
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tempo [s]
Figura 1: Componente x1 do estado do sistema, valores real e estimado, perı́odo de amostragem: α = 0.1s
5 EXEMPLO DE APLICAÇÃO
Consideremos o seguinte sistema dinâmico não linear:
ẋ1 = x21 − x2 − u
ẋ2 = x1 x2 − 2x21 (8)
y = x1
A seguir são dadas as configurações do observador e do controlador genéticos aplicados no controle desse sistema.
5.1 Parâmetros dos controlador

• Tamanho da população: 100
• Dimensão do problema: 1
• Número de gerações: 40
5.2 Parâmetros dos observador

• Tamanho da população: 200
• Dimensão do problema: 2
• Número de gerações: 40
Primeiramente consideremos uma simulação com tempo total de 2 segundos, os perı́odos de amostragem do con-
trolador e do observador são 0.1s e 0.02s respectivamente. A saı́da futura á calculada para δ = 0.1s.
O sinal de referência utilizado é um degrau de amplitude −1.5 aplicado em t = 0s.
As Figuras 1 e 2 apresentam os componentes real e estimado do estado do sistema durante a simulação:
Nota-se claramente que o observador utilizado foi capaz de estimar corretamente o estado do sistema durante a
simulação em questão.

P.6
1
Estado do Sistema
x2
0 x̂2
−1
−2
Amplitude
−3
−4
−5
−6
−7
−8
−9
−10
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tempo [s]
Figura 2: Componente x2 do estado do sistema, valores real e estimado, perı́odo de amostragem: α = 0.1s
35
Entrada do Sistema
30
Amplitude
25
20
15
10
0 0.5 1 1.5 2
Tempo [s]
Figura 3: Entrada do sistema calculada pelo controlador genético, perı́odo de amostragem: α = 0.1s
Com base nesta estimativa do estado, o controlador genético foi utilizado para calcular a entrada de controle u(t).
O resultado é mostrado na Figura 3:
Por fim, a aplicação da entrada u(t) da Figura 3 ao sistema em questão, resulta na saı́da dada na Figura 4, onde é
plotado também o sinal de referência r(t):
Consideremos agora o mesmo sistema de controle (observador+controlador) previamente definido, porém, com a
entrada futura calculada para δ = 0.01s e perı́odo de amostragem do controlador 0.001s e do observador 0.0008s,
valores muito inferiores àqueles utilizados na simulação anterior.
A Figura 5 ilustra o resultado obtido com relação a saı́da do sistema para 2 segundo de simulação utilizando esses
novos parâmetros:
Como esperado, a saı́da do sistema atinge o valor de referência em um tempo muito menor, utilizando perı́odos de
amostragem menores. Essa alternativa, porém, requer um custo computacional consideravelmente mais elevado.
Um fator relevante a eficiência do sistema de controle genético proposto, é o erro de estimação do estado da planta.
Para implementação utilizada neste trabalho, como propositalmente não foi implementado um preditor à saı́da do
observador de estado, esse erro pode ser controlado variando-se o perı́odo de amostragem do observador.
P.7
0
Saı́da do Sistema
y(t)
r(t)
−0.5
Amplitude −1
−1.5
−2
−2.5
−3
−3.5
0 0.5 1 1.5 2
Tempo [s]
Figura 4: Saı́da simulada do sistema utilizando o controlador genético, perı́odo de amostragem: α = 0.1s
0
Saı́da do Sistema
y(t)
r(t)
−0.2
−0.4
Amplitude
−0.6
−0.8
−1
−1.2
−1.4
−1.6
0 0.5 1 1.5 2
Tempo [s]
Figura 5: Saı́da simulada do sistema utilizando o controlador genético, perı́odo de amostragem: α = 0.005s

P.8
0
Saı́da do Sistema
y(t)
r(t)
−0.5
−1
Amplitude
−1.5
−2
−2.5
−3
−3.5
−4
0 0.5 1 1.5 2
Tempo [s]
Figura 6: Saı́da simulada do sistema utilizando observador 2 vezes mais rápido que o controlador, perı́odo de
amostragem: α = 0.1s
0
Saı́da do Sistema
y(t)
r(t)
−0.5
−1
Amplitude
−1.5
−2
−2.5
−3
−3.5
0 0.5 1 1.5 2
Tempo [s]
Figura 7: Saı́da simulada do sistema utilizando observador 10 vezes mais rápido que o controlador, perı́odo de
amostragem: α = 0.1s
Considerando uma saı́da futura calculada para δ = 0.1s e um controlador com perı́odo de amostragem 0.1s, foram
realizadas diversas simulações variando-se o perı́odo de amostragem do observador e conseqüentemente seu erro de
estimação. A Figura 6 mostra a saı́da do sistema para um observador com perı́odo de amostragem de 0.05s:
Nota-se uma degradação da eficiência do controlador quando comparada a saı́da do sistema mostrada na Figura 6
com àquela mostrada na Figura 4.
Diminuindo o perı́odo de amostragem do observador para 0.01s é obtido o resultado mostrado na Figura 7
Nesta simulação é obtido um resultado superior àquele mostrado na Figura 4. Essas simulações ilustram a variação
no comportamento do controlador com relação ao erro de estimação de estado, e demonstram claramente que o
controlador aumenta a oscilação do sistema com o aumento do erro no estado estimado, podendo levar o sistema
a instabilidade.
Por fim é analisada a capacidade do sistema proposto em atuar como servo, seguindo uma referência variante no
tempo. Para tanto, consideremos um sinal de referência senoidal dado por:
P.9
0
Saı́da do Sistema
y(t)
r(t)
−0.5
−1
Amplitude
−1.5
−2
−2.5
−3
−3.5
0 0.5 1 1.5 2
Tempo [s]
Figura 8: Saı́da simulada do sistema para sinal de referencia senoidal, perı́odo de amostragem: α = 0.1s
r(t) = −2 sin(3t) (9)
Como agora o sinal de referência é variante no tempo, torna-se necessária a utilização de um preditor para avançar
a referência, conforme discutido em (Berci and Bottura, 2010). Foi aqui optado pela utilização de um preditor
quadrático dado por:
d r(t) d2 r(t) 2
rα (t) = r(t) + α+ α (10)
dt dt2
A Figura 8 ilustra a saı́da do sistema para uma simulação de 2 segundos, com saı́da futura calculada para δ = 0.1s
perı́odo de amostragem do controlador 0.1s e perı́odo de amostragem do observador 0.02s.
O resultado obtido ilustra o bom desempenho do sistema de controle proposto em seguir um sinal variante no
tempo.
Para esta simulação, o erro do sistema (e = y(t) − r(t)) é mostrado na Figura 9:
Erro: y(t) − r(t)

2
1.5
Amplitude
0.5
−0.5
0 0.5 1 1.5 2
Tempo [s]
Figura 9: Erro em seguir um sinal de referência senoidal, perı́odo de amostragem: α = 0.1s

P.10
As simulações avaliadas comprovam a capacidade do sistema de controle proposto em atuar como regulador ou
servo no controle do sistema 8, sendo obtidos resultados satisfatórios em ambos os casos.
6 CONCLUSÕES
A proposta de controle por realimentação de estado para sistemas não lineares apresentada neste trabalho explora
novas técnicas de observação e controle, apoiadas em inteligencia computacional, controle geométrico e geometria
diferencial, utilizando computação massiva na busca da entrada de controle adequada.
O controlador obtido é relativamente generalista quando comparado com outras técnicas de controle não linear,
o que lhe confere um diferencial significativo, principalmente no que tange o projeto do controlador que pode se
tornar bem mais simples em muitos casos, tornando o controlador proposto uma relevante ferramenta de controle.
O controle e observação baseados em inteligencia computacional, da forma como é feito neste trabalho, representam
ambos propostas novas na área de controle inteligente, pois exploram as ferramentas de inteligencia computacional
como dispositivos completos de controle, e não como ferramentas auxiliares de algum processo de controle.
As simulações realizadas expressam claramente algumas caracterı́sticas do sistema de controle proposto, e demon-
stram sua capacidade de atuação como servo ou regulador. Fica claro que a sua eficiência esta diretamente rela-
cionada com a complexidade computacional dos algoritmos empregados, podendo ser ampliada sempre que existir
capacidade computacional disponı́vel para tanto.
Ressalta-se ainda o paralelismo intrı́nseco dos métodos de inteligencia computacional aplicáveis aos problemas de
controle e observação da forma que esses são aqui descritos. Esse paralelismo representa uma vantagem significativa
à implementação do sistema de controle proposto em uma máquina paralela, dentre outros benefı́cios apresentados
por essa técnica mesmo quando implementada em uma máquina digital, como fica claro na definição do observador
e do controlador e nas simulações analisadas.
REFERÊNCIAS
Berci, C. D. (2008). Observadores inteligentes de estado: Propostas, Master’s thesis, Universidade Estadual de
Campinas.
Berci, C. D. and Bottura, C. P. (2008a). Observador inteligente adaptativo neural não baseado em modelo para
sistemas não lineares, Proceedings of 7th Brazilian Conference on Dynamics, Control and Applications. Pres-
idente Prudente, Brasil 7: 209–215.
Berci, C. D. and Bottura, C. P. (2008b). Observador inteligente para sistema não lineares baseado em inteligência
de enxame, Anais do XVII Congresso Brasileiro de Automática. Juiz de Fora, Brasil .
Berci, C. D. and Bottura, C. P. (2008c). Observador neural inteligente não baseado em modelo para sistemas não
lineares, Anais do XVII Congresso Brasileiro de Automática. Juiz de Fora, MG, Brasil .
Berci, C. D. and Bottura, C. P. (2010). Controle genético não linear por realimentação de estado, Artigo Submetido
.
Besançon, G. (2007). Nonlinear Observers and Aplications, Springer.
Davis, L. (1991). Handbook of Genetic Algorithms, Van Nostrand Reinhold.
Eshelman, L. and Schafter, J. (1993). Real-coded genetic algorithm and interval schemata, Foundation of Genetic
Algorithms 2 pp. 375–382.
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization & Machine Learning, Addison-Wesley.

P.11
Ioannou, P. A. (1996). Robust Adaptive Control, Prentice Hall.
Kennedy, J. (1997). The particle swarm: Social adaptation of knowledge, IEEE Int. Conf. on Evolutionary Com-
putation pp. 303–308.
Kennedy, J. and Eberhart, R. (1995). Particle swarm optimization, Proceedings of IEEE Int. Conf. on Neural
Network Piscataway, NJ: 1942–1948.
Sastry, S. (1999). Nonlinear Systems: Analysis, Stability, and Control, Springer Verlag.
Schutz, B. F. (1999). Geometrical methods of mathematical physics, Cambridge University Press.
Spooner, J., Maggiore, M., Ordóñez, R. and Passino, K. (2002). Stable Adaptive Control and Estimation for
Nonlinear Systems, Wiley Interscience.
Wright, A. H. (1991). Genetic algorithms for real parameter optimization, Department of Computer Science
University of Montana pp. 205–220.

P.12

Controle e observação genéticos para sistemas não lineares

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Controle e observação genéticos para sistemas não lineares

Enviado por

Direitos autorais:

Formatos disponíveis

César Daltoé Berci

Ano Celso Pascoli Bottura

Instituto de Engenharia Arquitetura e Design -

1-12 Centro Universitário Nossa Senhora do Patrocinio

KEYWORDS: Intelligent Control, Non Linear Systems, Genetic Algorithms

KEYWORDS: Controle Inteligente, Sistemas Não Lineares, Algoritmos Genéticos

• Linearização por realimentação de estado/saı́da

• Representação dos indivı́duos.

A seguir é discutida a codificação do AG utilizado no observador.

2.1 Representação dos indivı́duos

2.2 Função de fitness

φ0 (x, u, u̇, ..., u(nu ) )

onde x é estado do sistema e X é o espaço de estados.

2.3 Método de seleção

2.4 Método de reprodução

2.5 Método de mutação

Berci, César D. e Bottura, Celso P. Controle e Observação Genéticos Na Implementação de

f itness(ai ) = e−τ ((yδ (t,ai )−r(t)) (yδ (t,ai )−r(t)))

yδ (t0 , u) = y(t0 + δ)|

3.1 Métodos de seleção, reprodução e mutação

Berci, César D. e Bottura, Celso P. Controle e Observação Genéticos Na Implementação de

5.1 Parâmetros dos controlador

5.2 Parâmetros dos observador

O sinal de referência utilizado é um degrau de amplitude −1.5 aplicado em t = 0s.

As Figuras 1 e 2 apresentam os componentes real e estimado do estado do sistema durante a simulação:

Berci, César D. e Bottura, Celso P. Controle e Observação Genéticos Na Implementação de

Berci, César D. e Bottura, Celso P. Controle e Observação Genéticos Na Implementação de

r(t) = −2 sin(3t) (9)

Para esta simulação, o erro do sistema (e = y(t) − r(t)) é mostrado na Figura 9:

Erro: y(t) − r(t)

Figura 9: Erro em seguir um sinal de referência senoidal, perı́odo de amostragem: α = 0.1s

Davis, L. (1991). Handbook of Genetic Algorithms, Van Nostrand Reinhold.

Berci, César D. e Bottura, Celso P. Controle e Observação Genéticos Na Implementação de

Ioannou, P. A. (1996). Robust Adaptive Control, Prentice Hall.

Schutz, B. F. (1999). Geometrical methods of mathematical physics, Cambridge University Press.

Berci, César D. e Bottura, Celso P. Controle e Observação Genéticos Na Implementação de

Você também pode gostar