CONTROLE GENÉTICO NÃO LINEAR POR REALIMENTAÇÃO DE ESTADO

César Daltoé Berci∗, Celso Pascoli Bottura∗

∗
DMCSI - FEEC - UNICAMP
Av. Albert Einstein, 400 - sala 215
Campinas, Brasil

Emails: cesardaltoe@hotmail.com, cpbottura@dmcsi.fee.unicamp.br

Abstract— Control theory has been benefited from the enormous development of digital computing and
computational intelligence to solve relatively complex problems through means of computational methods. In
the control theory of nonlinear systems this relationship is even clearer. Because of the complexity of these
systems, it becomes virtually impossible to treat most of them with traditional methods. Within this context,
this paper proposes the design of a controller, based on genetic algorithms, which through a particular approach
to the control problem, applies an evolutionary process to select the correct input to be applied to the system in
each sample time. Thus, a controller quite simple and generally applicable to a wide range of nonlinear dynamic
systems is obtained.

Keywords— Intelligent Control, Nonlinear Systems, Genetic Algorithms

Resumo— A teoria de controle é grande beneficiária do desenvolvimento da computação digital e da inteligen-

cia computacional, utilizadas na solução de problemas relativamente complexos através de métodos computa-
cionais. Na teoria de controle de sistemas não lineares esta relação é ainda mais clara. Devido a complexidade
desse tipo de sistema, torna-se praticamente impossı́vel tratá-los através dos métodos tradicionais de controle.
Neste contexto o presente documento propõe a concepção de um controlador baseado em algoritmos genéticos,
através de uma abordagem particular do problema de controle, aplicando um processo evolutivo na seleção da
entrada que deve ser aplicada ao sistema em cada instante de tempo. Dessa forma é obtido um controlador
bastante simples e aplicável de forma geral a uma vasta gama de sistemas não lineares.

Keywords— Controle Inteligente, Sistemas Não Lineares, Algoritmos Genéticos

1 Introdução ples e abrangente do problema de controle: “En-

O controle de sistemas dinâmicos não lineares
pode se tornar uma tarefa de grande complexi-
dade, em função das caracterı́sticas e não lineari-
dades do sistema a ser controlado. Existem na lit-
eratura diversos métodos/algoritmos de controle
para esse tipo de sistema, em sua grande maio-
ria baseados em simplificações e linearizações do
modelo não linear.
O constante crescimento da capacidade com-
putacional disponı́vel, cria uma motivação para a
aplicação de técnicas relativamente novas de in-
teligência computacional ao problema de controle
por meios menos convencionais, como é feito em:
(Berci and Bottura, 2008c; Berci and Bottura,
2008b; Berci and Bottura, 2008a; Berci, 2008),
onde são desenvolvidos observadores de estado in-
teligentes com base em condições geométricas de
observabilidade (Hirschorn and Lewis, 2002; Be-
sançon, 2007; Haynes, 1969; Hedrick and Girard,
2005; Klamka, 2002; Lewis, 2002; Wadoo, 2003),
por meio de um novo paradigma na área de es-
timação de estado, criado a partir de uma teoria
de controle relativamente antiga, porém, apoiado
na capacidade presente na inteligência computa-
cional.
Mantendo em mente esta mesma motivação, o
presente documento propõe uma solução alterna-
tiva para concepção de controladores não lineares
para sistemas MIMO (Multiple-Input Multiple-
Output), baseado em uma definição bastante sim-
contrar o ponto no espaço de entradas, que quando
aplicado ao sistema leva a saı́da ao ponto desejado
no espaço de saı́das”, utilizando para tanto con-
ceitos relativamente modernos da teoria de cont-
role, como o controle por realimentação de estado.
A presente proposta visa localizar este ponto
através de uma computação massiva guiada por
uma meta-heurı́stica apropriada. Dessa forma é
utilizada uma grande capacidade computacional
para a solução do problema de controle, capaci-
dade essa impensável a algumas décadas, inviabi-
lizando este tipo de abordagem, ainda inexplorada
na literatura pertinente ao assunto.
Dentre inúmeras ferramentas de busca com
capacidade de serem aplicadas ao problema em
tela, optou-se pela utilização de algoritmos genéti-
cos (Wright, 1991; Eshelman and Schafter, 1993;
Davis, 1991; Goldberg, 1989) para concepção do
controlador proposto. Existem vários fatores que
levam a esta escolha, tendo em vista que os
AGs (Algoritmos Genéticos) são uma ferramente
amplamente difundida na comunidade cientı́fica,
demonstrando a capacidade necessária para real-
ização da tarefa proposta, além de apresentarem
caracterı́sticas de convergência que favorecem esse
tipo de aplicação (Berci, 2008).
2 O Problema de Controle
Inúmeras são as situações onde aplica-se o controle
de sistemas dinâmicos, cada uma delas podendo
apresentar sua própria definição desse conceito.
Inicialmente é definido o problema de controle
de uma forma bastante particular, porém, sufi-
cientemente abrangente para englobar outras pos-
sı́veis definições mais especı́ficas.
Definição 1 (O Problema de Controle)
Dada uma variável y(t), doravante chamada
de variável a ser controlada, pertencente a um
espaço Y, pretende-se manter y no interior de
um subespaço R ∈ Y, quando é possı́vel apenas
alterar o valor de uma segunda variável u(t) ∈ U ,
doravante denominada variável de controle, que
se relaciona com y de alguma maneira, tal que o
mapeamento y = G(u(t), t) existe.
Esta definição generalista do problema de con-
trole se aplica a praticamente todos os métodos
de controle conhecidos, que por meios diferentes,
mantem o mesmo objetivo da Definição 1.
Esta definição baseada em subespaços, ali-
ada a representação de sistemas dinâmicos no es-
paço de estados, permitem a aplicação de ferra-
mentas de inteligência computacional diretamente
na solução do problema de controle previamente
definido, ao invés da utilização dessas ferramen-
tas apenas como suporte para métodos classicos
de controle.
Para tanto, consideremos o seguinte sistema
não linear:
ẋ = f (x, u)
(1)
y = h(x, u)
onde x ∈ Rn é o estado do sistema, u ∈ Rm é
a entrada do sistema, y ∈ Rp é a saı́da do sistema,
f : Rn+m → Rn é um mapeamento onde fi para
todo i ∈ {1...n}, é uma função suave e Lipschitz,
e h : Rn → Rp é um mapeamento hi para todo
i ∈ {1...p} é uma função suave e Lipschitz.
Comparando o Sistema 1 com a Definição 1
temos que a saı́da do sistema y é a variável a ser
controlada e sua entrada u é a variável de controle.
As funções f e h, juntamente com o estado do
sistema x definem o mapeamento existente entre
u e y. Como o estado x(t) é variante com o tempo,
o mapeamento G(u(t), t) também o é.
Consideremos o caso onde se deseja que a
saı́da do Sistema 1 siga uma determinada refer-
encia variante no tempo r(t) ∈ Rp , então, o sube-
spaço R(t) é definido a cada instante de tempo t,
como sendo o menor espaço vetorial que contenha
r(t) e sua vizinhança.
Dessa forma, o problema de controle se re-
duz a encontrar o valor da variável de controle do
sistema u(t), a cada instante de tempo, tal que:
y(t) = G(u(t), t) ∈ R(t). Esse problema pode
também ser descrito da seguinte forma:
u(t) = 
T

arg min (G(u(t), t) − r(t)) (G(u(t), t) − r(t))
(2)
A equação 2 representa um problema clássico
de otimização contı́nuo e convexo com relação a
G(u(t), t), e como tal, pode-se utilizar algoritmos
genéticos, bem como outras ferramentas de busca
e otimização, em sua solução.
3 O Controlador Genético
Dadas a Definição 1 e a equação 2 é possı́vel criar
uma codificação de forma a solucionar o problema
de minimização da equação 2 utilizando AG. Para
tanto faz-se necessária a definição dos seguintes
parâmetros, que formam a codificação do prob-
lema:
• Representação dos indivı́duos.
• Forma de avaliação dos indivı́duos (função de
fitness).
• Método de seleção.
• Método de reprodução.
• Método de mutação.
Este conjunto de parâmetros define o contro-
lador genético proposto neste trabalho, pois esta-
belece a codificação do algoritmo genético, e com
isso estabelece seu objetivo. A definição desses
parâmetros é feita com base no Sistema 1 e detal-
hada nos parágrafos que seguem:
Considerando a entrada u ∈ U ⊂ Rm , os indi-
vı́duos 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 in-
divı́duo i um escalar real: f itnessi refletindo a
qualidade da solução por ele apresentada, e é re-
alizada com base em uma função de fitness:
f itnessi = f itness(ai ) (3)
A definição da função f itness(ai ) é dada a
seguir:
f itness(ai ) = e(−τ (yδ (t,ai )−r(t)) (yδ (t,ai )−r(t)))
T
(4)
onde o parâmetro τ é um parâmetro utilizado
para ajustar a sensibilidade do algoritmo, seu
ajuste é feito de forma empı́rica requerendo ex-
periência e observação e afeta diretamente a con-
vergência e a capacidade exploratória do método,
podendo ser ajustado dinamicamente a fim de evi-
tar o mal condicionamento numérico. A variável
yδ é a saı́da futura do sistema definida a seguir:
Definição 2 (Saı́da Futura) Dado o sistema r(t) u(t) y(t)
dinâmico não linear 1, a saı́da futura do sistema Controlador Sistema 6
yδ (t0 ) é dada por:

yδ (t0 , u) = y(t0 + δ)| x(t)

(5)
{u(t) = u(t0 ) ∀ t0 < t ≤ (t + δ)}
Figure 1: Controlador genético
Nota-se claramente a necessidade do conheci-
mento completo do vetor de estado do sistema em 16
Entrada do Sistema
t0 para o cálculo da saı́da futura yδ . Dessa forma,
o controlador genético proposto implementa uma 14

forma alternativa de controle por realimentação 12

Amplitude
de estado.
A seleção dos indivı́duos é realizada em duas 10

etapas distintas. Primeiramente são selecionados 8

de forma determinı́stica um número aleatório de
indivı́duos que irão sobreviver até a próxima ger- 6

ação. Feito isso é selecionado através do mecan- 4

ismo conhecido como roleta, um número aleatório

2
de pares de indivı́duos que irão se reproduzir 0 2 4 6 8 10

deixando herdeiros na próxima geração. É impor- Tempo [s]

tante salientar que é preservado o número máximo
de indivı́duos na população em todas as gerações.
O mecanismo de reprodução utilizado é o
método matricial (Berci, 2008), que demonstra
melhor desempenho em espaços de busca reais e
contı́nuos.
O método de mutação empregado é o método
vetorial, onde um vetor aleatório com distribuição
retangular de baixa amplitude é adicionado ao ve-
tor ai , sendo os indivı́duos que irão sofrer mutação
aleatoriamente escolhidos dentre todos os da pop-
ulação.
O processo evolutivo do AG, utilizando a con-
figuração previamente descrita, possui a capaci-
dade de localizar u(t) ∈ U de forma a solucionar
o problema descrito na Definição 1, não empre-
gando para tanto nenhuma técnica antes utilizada
de controle, caracterizando um novo paradigma na
área de controle por realimentação de estado.
4 Exemplo de Aplicação
Figure 2: Entrada do sistema para uma referência
em degrau de amplitude −1.5
amostragem α = 0.1s segundos. O sinal de refer-
encia r(t) adotado foi um degrau com amplitude
−1.5. A Figura 2 ilustra a entrada do sistema
u(t) calculada pelo controlador genético para esta
simulação:
A aplicação do sinal de controle dado na
Figura 2 à entrada do sistema resulta na saı́da
y(t) mostrada na Figura 3:
Pode-se observar nas Figuras 2 e 3 que o
tempo de acomodação da entrada do sistema cal-
culada pelo controlador genético é aproximada-
mente 2 segundos. A saı́da, porém, alcança o valor
de referência rapidamente e se estabiliza sem so-
bre sinal em aproximadamente dois perı́odos de
amostragem e com tempo de subida tr igual a um
perı́odo de amostragem, como fica evidenciado na

Consideremos o seguinte sistema dinâmico não lin- Saida do Sistema

0
ear:
−0.2

ẋ1 = x21 − x2 − u −0.4

ẋ2 = x1 x2 − 2x21 (6)
Amplitude

y = x1 −0.6

−0.8
Suporemos aqui, ainda que sem comprovação,
que este sistema é não localmente fracamente con- −1

trolável, conforme ficará claro mais adiante. −1.2

É utilizado aqui um controlador genético

−1.4
(Figura 1) com uma população de 100 indivı́-
duos, que são evoluı́dos por 30 gerações a cada −1.6
0 2 4 6 8 10

perı́odo de amostragem e saı́da futura calculada Tempo [s]

para δ = 0.1s.
Consideremos agora uma simulação com Figure 3: Saı́da resultante do sistema para a en-
tempo total de 10 segundos e perı́odo de trada mostrada na Figura 2
 −1.35
Saida do Sistema 0
Saı́da do Sistema
r(t)
−1
y(t)

−2

Amplitude
−1.4
Amplitude
−3

−4

−5
−1.45

−6

−7

−1.5
−8
0 2 4 6 8 10
0 0.1 0.2 0.3 0.4 0.5 Tempo [s]
Tempo [s]
Figure 6: Saı́da do sistema para a referência dada
Figure 4: Detalhe da saı́da do sistema y durante
pela equação 7 com α = 0.1s
o inicio da simulação

pontos de descontinuidades na derivada do sinal

Figura 4, que mostra em detalhe o inicio da sim-
ulação.
Este resultado pode ainda ser melhorado,
diminuindo o tempo de estabilização da saı́da para
um perı́odo de amostragem, visto que é sem-
pre possı́vel (dentro dos limites da capacidade
computacional disponı́vel) melhorar a solução ap-
resentada pelo algoritmo genético, modificando
parâmetros como o tamanho da população e
número de gerações entre outros.
A simulação previamente discutida ilustra a
operação do controlador proposto para uma en-
trada constante, porém, é de fundamental inter-
essa avaliar a sua capacidade de seguir uma refer-
ência variante no tempo, caracterizando o prob-
lema do servo mecanismo. Para tanto, consider-
emos agora uma referência descrita por um sinal
não linear formado pela combinação de degraus e
rampas, descrito na equação 7:
de referência adotado, onde o valor desta não é
definido. Essa caracterı́stica que representa um
desafio significativo para o controlador proposto,
pois torna-se impossı́vel prever a uma referência
futura.
Para o caso um sinal de referência em degrau,
descrito na Figura 3, o controlador foi plenamente
capaz de seguir essa referência, porém, no caso em
tela o sinal de referência é variante no tempo, e
nota-se claramente na equação 4, que o sistema
irá produzir na saı́da um atraso igual a α, ou seja,
um perı́odo de amostragem.
Esse atraso indesejável pode ser eliminado
pela utilização de um preditor na entrada do con-
trolador. Tal ferramenta irá estimar o valor do
sinal de referência para o tempo t + α: rα (t) =
r(t + α). A função de fitness é então substituı́da
pela equação que segue:

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

r(t) = −3µ(t)−tµ(t)+2(t−4)µ(t−4)−(t−6)µ(t−6) (8)

(7) Neste trabalho foi adotado para o calculo
A Figura 5 ilustra o sinal de referência dado do valor rα (t) o preditor quadrático dado pela
na equação 7: equação 9:

−3
Sinal de Referência
d r(t) d2 r(t) 2
−3.5 rα (t) = r(t) + α+ α (9)
dt dt2
−4
Consideremos agora um perı́odo de
Amplitude

−4.5
amostragem α = 0.1 segundos. A aplicação
−5 do controlador proposto para esta configuração
−5.5
resulta na saı́da mostrada na Figura 6:
Nota-se claramente que o controlador pro-
−6
posto foi perfeitamente capaz de seguir o sinal de
−6.5
referência em utilizado, o que o faz de forma bas-
−7
0 2 4 6 8 10
tante eficiente. É possı́vel verificar ainda que o
Tempo [s] controlador apresenta maior erro nos pontos de
descontinuidade da derivada, conforme suposição
Figure 5: Sinal de referência não suave variante anteriormente discutida, onde a grandeza d r(t)
dt é
no tempo alterada subitamente.
Uma possı́vel forma de mitigar o erro do con-
A Figura 5 mostra claramente que existem trolador genético nesta situação, é diminuir o
 0
Saı́da do Sistema ência dado pela equação 10:
r(t)
−1
y(t)
r(t) = sin(t) (10)
−2
Amplitude
−3 O resultado da aplicação deste sinal de refer-
−4
ência, utilizando um perı́odo de amostragem α =
0.05 s, é mostrado na Figura 9:
−5

−6
0.6
Saı́da do Sistema
−7

0.4
−8
0 2 4 6 8 10
Tempo [s] 0.2

Amplitude
0
Figure 7: Saı́da do sistema para a referência dada
pela equação 7 com α = 0.01s −0.2

−0.4
Erro do Sistema
−0.6 r(t)
0.05 y(t)
−0.8
0 2 4 6 8 10
Tempo [s]
Amplitude

−0.05
Figure 9: Saı́da do sistema para a referência
−0.1
senoidal com α = 0.01s

−0.15 α = 0.01 s Novamente fica evidenciado o potencial do

1 2 3 4 5 6
Tempo [s]
Figure 8: Erro do sistema em seguir o sinal de
referência: y(t) − r(t)
perı́odo de amostragem α, o que claramente irá
diminuir o perı́odo de tempo no qual existe um
erro considerável no valor rα calculado pelo pred-
itor.
A tı́tulo de comprovação, consideremos a
Figura 7, na qual é mostrada a saı́da do sis-
tema quando utilizado um perı́odo de amostragem
α = 0.01 segundos, dez vezes inferior ao utilizado
na simulação que resultou na saı́da dada na Figura
6.
A Figura 8 ilustra o erro do sistema em seguir
o sinal de referência para as duas configurações em
questão (α = 0.01 s e α = 0.1 s)
É evidente a redução do erro do contro-
lador nos pontos de descontinuidade do sinal
de referência associada à redução do perı́odo de
amostragem, confirmando a hipótese previamente
discutida. Esses resultados confirmam também
a eficiência do controlador genético em seguir
um sinal de referência variante no tempo, ca-
pacidade essa que se soma ao potencial regu-
lador demonstrado anteriormente pelo controlador
quando aplicado a um sinal de referência em de-
grau.
Por fim é avaliada a capacidade do con-
trolador proposto seguir um sinal de referência
senoidal. Para tanto, é utilizado o sinal de refer-
α = 0.1 s
controlador proposto, que foi plenamente capaz
7 8 9 10 de seguir uma referência senoidal, utilizando um
preditor quadrático.
Outra caracterı́stica relevante a todo contro-
lador é a estabilidade do sistema completo con-
trolador+planta em malha fechada. Em contro-
ladores baseados em modelo, essa estabilidade
pode ser avaliada com o auxilio de várias técni-
cas, porém, a grande maioria dessas técnicas são
voltadas para sistemas lineares, sendo o caso não
linear consideravelmente mais complexo, e em al-
gumas situações praticamente intratável.
Para o controlador proposto não são perti-
nentes essas análises convencionais, sendo sua es-
tabilidade relacionada apenas a controlabilidade
do sistema e a limitação da referência, sempre que
supusermos que o AG será capaz de encontrar o
ponto de otimalidade da sua função de custo.
5 Conclusões
A aplicação de computação massiva e inteligên-
cia computacional em controle é um assunto bas-
tante difundido na literatura pertinente ao as-
sunto, porém, o controlador genético proposto não
se enquadra nesse cenário de forma usual, onde
geralmente essas ferramentas são utilizadas como
suporte para métodos tradicionais de controle ou
mesmo para modelar caracterı́sticas desconheci-
das dos sistemas a serem controlados.
Diferentemente, o controlador genético aqui
proposto é aplicado diretamente no cálculo da en-
trada do sistema com base no sinal de referên-
cia, constituindo um controlador não baseado em
modelo, com caracterı́sticas bastante particulares
e de grande relevância na área de controle.
Esse controlador é suportado pela definição
particular do problema de controle aqui apresen-
tada, que permite a representação do controle
através de um problema de otimização. Esta
definição é bastante genérica e não faz menção a
nenhuma caracterı́stica dinâmica ou classificação
do sistema. Dessa forma, os controladores desen-
volvidos com base nesta definição também serão
consideravelmente abrangentes, podendo ser apli-
cados a uma vasta gama de sistemas não lineares.
Outra caracterı́stica singular do controlador
proposto, seu tempo de resposta, pode ser obser-
vada no exemplo de aplicação discutido. Fica ev-
idente que o tempo de resposta do controlador é
função da configuração do AG, a qual pode ser
melhorada sempre que houver capacidade com-
putacional disponı́vel. No caso aqui descrito ele
se torna muito próximo de um controlador ideal,
pois, além de alcançar um tempo de resposta
muito pequeno, o sistema controlado não apre-
senta overshoot considerável.
Ressalta-se ainda o paralelismo intrı́nseco dos
métodos de inteligência computacional aplicáveis
ao problema de controle da forma que esse é
aqui definido. Esse paralelismo representa uma
vantagem significativa à implementação do sis-
tema de controle proposto em uma máquina par-
alela hipotética, como um computador quântico,
tornando o controlador consideravelmente mais
rápido.
Esses resultados experimentais, juntamente
com as espectativas teóricas, comprovam que o
controlador genético aqui proposto, representa
uma importante ferramenta na área de cont-
role por realimentação de estado, sendo ainda
de concepção relativamente simples, pois não
é necessária uma análise mais detalhada da
dinâmica do sistema a ser controlado, e aplicável
a uma vasta gama de sistemas não lineares, inde-
pendente do seu grau de complexidade ou classi-
ficação.
References
Berci, C. D. (2008). Observadores inteligentes de
estado: Propostas, Master’s thesis, Universi-
dade Estadual de Campinas.
Berci, C. D. and Bottura, C. P. (2008a). Ob-
servador inteligente adaptativo neural não
baseado em modelo para sistemas não lin-
eares, Proceedings of 7th Brazilian Confer-
ence on Dynamics, Control and Applications.
Presidente Prudente, Brasil 7: 209–215.
Berci, C. D. and Bottura, C. P. (2008b). Obser-
vador 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). Ob-
servador neural inteligente não baseado em
modelo para sistemas não lineares, Anais do
XVII Congresso Brasileiro de Automática.
Juiz de Fora, MG, Brasil .
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.
Haynes, G. W. (1969). Controllability of Nonlin-
ear Systems With Linearly Occurring Con-
trols, National Aeronautics and Space Ad-
ministration NASA - Washington, D.C.
Hedrick, J. K. and Girard, A. (2005). Control-
lability and observability of nonlinear sys-
tems, Control of Nonlinear Dynamic Sys-
tems: Theory and Applications .
Hirschorn, R. M. and Lewis, A. D. (2002). Ge-
ometric local controllability: Second-order
conditions, Proceedings of the 41st IEEE
Conference on Decision and Control, Las Ve-
gas, NV, Institute of Electrical and Electron-
ics Engineers .
Klamka, J. (2002). Controllability of nonlinear
discrete systems, Int. J. Appl. Math. Com-
put. Sci 12: 179–180.
Lewis, A. D. (2002). Nonlinear control theory,
Transactions Of The American Mathematical
Society .
Wadoo, S. A. (2003). Feedback Control and Non-
linear Controllability of Nonholonomic Sys-
tems, PhD thesis, Faculty of the Virginia
Polytechnic Institute and State University.
Wright, A. H. (1991). Genetic algorithms for
real parameter optimization, Department of
Computer Science University of Montana
pp. 205–220.