Cours DEA Supelec LMI 2006

Outils pour la robustesse : inegalites matricielles anes
(Notes de cours)
Master-2 Recherche Sciences de lAutomatique et du Traitement du
Signal
Universite dOrsay SUPELEC
Gerard Scorletti
U.F.R. de Sciences, Universite de Caen
GREYC Equipe Automatique
6, Boulevard du Marechal Juin
14050 Caen Cedex
e-mail : scorletti@greyc.ensicaen.fr
tel : 02.31.45.27.12
c _Gerard Scorletti, France, 2006
http ://www.greyc.ensicaen.fr/EquipeAuto/Gerard S/DEA opti Supelec.html
6 fevrier 2006
2 Version Provisoire du 6 f
evrier 2006
The control theoreticians role may be viewed as one of developing methods that allow the
control engineer to make assumptions which seem relatively natural and physically motivated.
The ultimate question of the applicability of any mathematical technique to a specic physical
problem will always require a leap of faith on the part of the engineer and the theoritician can
only hope to make this leap smaller, John Doyle [10].
Principle (Simple Case First) Consider rst only the very simplest problem - but strive for
a representation of the simplest problem which generalizes easily, Safonov [37]
Table des matières
1 Introduction 5
2 Fonctions, ensembles et optimisation convexes 15
2.1 Problème doptimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Ensembles convexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Fonctions convexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Exercice : optimisation (quasi) convexe ou pas ? . . . . . . . . . . . . . . . . . . . 21
2.5 Problème doptimisation avec c non convexe . . . . . . . . . . . . . . . . . . . . . 21
3 Optimisation LMI 23
3.1 Problèmes doptimisation sous contraintes LMI . . . . . . . . . . . . . . . . . . . 23
3.1.1 Problème de Faisabilite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.2 Problème de minimisation dune fonction de co ut lineaire . . . . . . . . . . 28
3.1.3 Minimisation de la valeur propre generalisee maximale . . . . . . . . . . . 30
3.2 Problèmes doptimisation LMI particuliers . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Exercice : Optimisation sur des variables de decisions discrètes . . . . . . . . . . 33
3.4 Notions sur la resolution de problèmes sous contraintes LMI . . . . . . . . . . . . 34
3.4.1 Minimisation dun co ut lineaire sous contraintes LMI . . . . . . . . . . . . 34
3.4.2 Recherche dun point faisable . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5 Au delà des contraintes LMIs : les contraintes BMIs . . . . . . . . . . . . . . . . . 36
3.6 A la recherche de la LMI cachee... . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.6.1 Règles de transformation si F() nest pas une fonction ane en . . . . . 38
3.6.2 Règle de transformation quand x A() avec A() R
n
et A() ,= R
n
. . 41
3.6.3 Exercice : mise sous forme de problèmes doptimisation LMI . . . . . . . . 43
4 Formulation de problèmes dAutomatiques sous forme de problèmes doptimi-
sation LMI : exemple de la synthèse H
45
4.1 Synthèse de correcteur H
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2 Synthèse dun correcteur H
par retour detat . . . . . . . . . . . . . . . . . . . . 47

4.3 Lien (ebauche) avec la solution par equation de Riccati . . . . . . . . . . . . . . . 51
4.4 Synthèse H
par retour de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.5 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.5.1 Correcteur avec eet integral . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.5.2 Rejet de perturbation mesuree avec une certaine dynamique . . . . . . . . 55
3
evrier 2006
5 Formulation de problèmes dAutomatiques sous forme de problèmes doptimi-
sation LMI : au-delà des systèmes lineaires stationnaires 57
5.1 Systèmes à paramètres variant dans le temps . . . . . . . . . . . . . . . . . . . . . 57
5.2 Analyse de la stabilite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.3 Exemple dapplication sur un missile . . . . . . . . . . . . . . . . . . . . . . . . . 58
6 Annexe A : rappels sur les matrices 63
6.1 Rappels sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.1.1 Cas des matrices carrees et reelles . . . . . . . . . . . . . . . . . . . . . . . 66
7 Annexe B : Ensembles convexes particuliers 69
7.1 Ellipsodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7.2 Polyèdres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
8 Annexe C : TD sur lanalyse et la commande par LMI, Matlab et la LMI control
toolbox 73
8.1 Calcul de la norme H
dune fonction de transfert . . . . . . . . . . . . . . . . . . 73

8.2 LMI et -analyse : des critères graphiques à loptimisation . . . . . . . . . . . . . 79
Chapitre 1
Introduction
Loptimisation est la branche des Mathematiques consacree à letude du (ou des) minimum(s)/ma-
ximum(s) dune fonction à plusieurs variables sur un certain domaine de denition, de letude de
leur existence à leur determination, en general par la mise en uvre dun algorithme sur un
calculateur. On peut sinterroger sur linteret reel dun tel cours dans un master en Sciences de
lIngenieur, f ut-il un master recherche. Sagit-il dun cours joliment academique propre à atter
lego de lenseignant-chercheur qui le dispense ? Sagit-il encore dun cours presentant un domaine
prospectif agitant une fraction du milieu de la recherche en Sciences de lIngenieur et qui, peut-etre,
dans un futur proche ou lointain, correspondra à une demande industrielle eclairee eventuelle ? Il
ne sagit de rien de tout cela. Il sagit dun cours fondamental pour la formation de lingenieur et
du chercheur en ingenierie. En eet, la matrise doutils bases sur loptimisation devient de plus
en plus incontournable dans la pratique de lingenieur car repondant à des enjeux industriels forts
et actuels dans un nombre croissant dapplications. Un ingenieur matrisant ces outils possède
ainsi un avantage competitif certain pour repondre à ces enjeux. Parallèlement, au niveau de la
recherche, loptimisation apparat comme lune des branches des Mathematiques les plus adaptees
au developpement doutils pour lingenieur. Lobjectif de cette introduction est declairer le lecteur
sur linteret de loptimisation pour lingenieur.
Notre quotidien est actuellement envahi par une multitude dobjets (systèmes) technologiques
(vehicules, systèmes electroniques, etc.) dune grande complexite. Pour lingenieur, se posent alors
plusieurs problèmes importants : comment reussir à apprehender le comportement dobjets de
fonctionnement complexe an de les concevoir, realiser et/ou commander ? La description du
comportement attendu du système constitue le cahier des charges.
Ces questions sont dautant plus cruciales que le niveau de complexite des systèmes tech-
nologiques a fortement augmente. Parallèlement, pour repondre à des contraintes de marche, le
temps du cycle de conception des systèmes tend à etre fortement reduit. Le phenomène est parti-
culièrement impressionnant pour les applications grand public. On peut citer le cas de lauto-
mobile o` u le cycle de developpement dun vehicule est passe dune dizaine dannees à moins de 5
ans alors que de nombreux systèmes electroniques complexes (ABS, ESP, injection electronique,
etc..) y ont ete massivement introduits, y compris dans les vehicules les plus bas de gamme an
de remplir les nouveaux objectifs pour le comportement desire dune vehicule (plus grand confort,
securite accrue, etc.). Un vehicule apparat ainsi comme un ensemble de sous systèmes complexes,
interagissant les uns avec les autres. Pour repondre à cette evolution, il apparat donc necessaire
de disposer de methodes et doutils de conception, de realisation et/ou de commande des systèmes
5
evrier 2006
technologiques qui soient particulièrement ecaces, plus ecaces que ceux traditionnellement mis
en uvre.
An de concevoir les systèmes, de les realiser et de les commander, lingenieur doit acquerir
une certaine comprehension de leur comportement. Pour cela, le mode le plus ecace pour exploi-
ter toute linformation disponible sur le système considere est de la synthetiser sous la forme
dun modèle mathematique. Les constructeurs automobiles demandent à leurs sous traitants
(equipementiers) de developper et de produire des sous ensembles complets pour leurs vehicules.
Depuis quelques annees, certains constructeurs exigent que leurs equipementiers fournissent les
modèles decrivant le comportement des sous ensembles. La culture du modèle tend donc à se
developper, y compris dans des branches de lindustrie o` u elle est traditionnellement absente ou
peu repandue.
La question est de savoir comment exploiter ecacement ces modèles pour letude du com-
portement des systèmes. Ces modèles se presentent en general comme des systèmes dequations
(dierentielles). Une pratique courante pour etudier le comportement du système est de faire la
simulation de son modèle par un ordinateur. Le developpement formidable de la puissance de cal-
cul et des possibilites de visualisation associees pour un co ut modique a popularise cette pratique
parmi les ingenieurs. La simulation se retrouve dans la majorite des logiciels de Conception As-
sistee par Ordinateur (C.A.O.), parfois au coeur de ceux-ci. Quelles garanties peut-elle apporter ?
Un element de reponse peut etre donne à travers un exemple.
Un exemple sur les limites de la simulation On desire mettre au point un metronome
constitue dun axe oscillant avec une periode de 4 secondes. Il est constitue un moteur à courant
U(p)
k
m
p + 1
1
p
- - -
a
p
1
?
6
-
+
6
+
+
(p)
p(p) (p)
moteur CC Correcteur PI
0
Fig. 1.1 Commande dun moteur à courant continu par un correcteur PI
continu commande en position par un correcteur proportionnel integral. Le signal (t) represente
la position angulaire de laxe du moteur ; le signal

(t) represente sa vitesse angulaire ; le signal
(t) est un signal du correcteur. Les paramètres ont ete choisis egaux à :
pour le moteur à courant continu : k
m
= 235 et = 67 ;
Version Provisoire du 6 f
evrier 2006 7
pour le correcteur PI : a = 0.0149 et k
c
= 1.647 10
4
.
de facon à ce que le signal (t) soit bien un signal periodique de periode 4 secondes. Nous allons
essayer de verier que le système presente bien le comportement attendu.
A partir de la gure 1.1, il est facile dobtenir les equations dierentielles (le modèle) qui
decrivent levolution de ce système pour dierentes conditions initiales et de les simuler en utilisant
par exemple la bote à outils Simulink de Matlab. Les conditions initiales correspondent aux
valeurs de (t),

(t) et (t) pour t = 0.
0 2 4 6 8 10 12 14 16 18 20
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Response to Initial Conditions
Time (sec)
A
m
p
lit
u
d
e
0 2 4 6 8 10 12 14 16 18 20
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
Time (sec)
A
m
p
lit
u
d
e
Fig. 1.2 Simulation du moteur CC avec correcteur PI
Lutilisation de la simulation est une pratique courante pour etudier le comportement temporel
(les proprietes) dun système technologique. Pour cela, dans notre exemple, on fait des simulations
correspondant à dierentes conditions initiales, chaque jeu de conditions initiales correspondant
à une sorte de scenario. Sur la gure 1.2, à gauche, sont superposees les evolutions de (t) en
fonction de t pour 20 conditions initiales choisies aleatoirement. On constate que dans tous les
cas de gure consideres, (t) tend bien vers un signal periodique de periode 4 secondes. Cela se
voit clairement sur la gure 1.2, à droite, o` u (t) est represente pour une seule condition initiale :
(0) = 0,

(0) = 1 radian/s et (0) = 0.0043.
De ces dierents essais, il semble donc naturel de conclure que, pour tous les scenari (cest-
à-dire pour toutes les conditions initiales), le système a bien le comportement desire, à savoir
(t) tend vers un signal periodique de periode 4 secondes. Or, une etude attentive des proprietes
mathematiques du modèle montre quil en est rien. En eet en choisissant pour condition initiale
(0) = 0.0149 radians,

(0) = radians/s et (0) = 2.5 10
6
, avec R ,= 0, le signal
(t) tends vers 0 quand t tend vers linni, ce quillustre la simulation representee sur la gure 1.3.
Est ce que si on avait eectue un nombre susant de tirages au sort des conditions initiales, on
aurait trouve une condition initiale qui assure ce comportement ? La reponse est non. On ne peut
le mettre en evidence par simulation que si on connat a priori lexistence de ce comportement.
Il est donc clair que lutilisation de la simulation du modèle, meme de facon intensive, ne
permet pas de garantir que lon va reproduire de facon exhaustive les comportements possibles dun
evrier 2006
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
15
10
5
0
x 10
3 Response to Initial Conditions
Time (sec)
A
m
p
lit
u
d
e
Fig. 1.3 Simulation du moteur CC avec correcteur PI avec (0) = 0.0149 radian,

(0) = 1
radian/s et (0) = 2.458 10
6
système. Il est donc imperatif de disposer de methodes permettant de prevoir le comportement dun
système à partir de letude directe des proprietes mathematiques du modèle. La simulation montre
ainsi clairement ses limitations : elle ne permet que de conrmer lexistence du comportement prevu
par letude.
Une voie alternative à la simulation est de denir les proprietes mathematiques que doit satis-
faire le modèle pour reeter un certain comportement et tester si ce modèle possède eectivement
ces proprietes.
Retour à lexemple du moteur CC Au moteur à courant continu commande par un correc-
teur proportionnel integral, on peut associer une matrice A, dite matrice devolution :
A =
_
_
0 1 0
k
m
k
c
ak
c
0 0
_
_
dont letude des valeurs propres et des vecteurs propres permet de prevoir le comportement du
système. Deux valeurs propres imaginaires pures correspondent à un phenomène doscillation qui
peut etre observe pour les conditions initiales denies comme des combinaisons lineaires de leurs
vecteurs propres associes
1
; une valeur propre à partie reelle strictement negative implique que
pour des conditions initiales proportionnelles au vecteur propre associe, les signaux du systèmes
tendent vers 0. Dans lexemple present, en utilisant un logiciel de calcul scientique general comme
Matlab, les valeurs propres de la matrice A peuvent etre calculees :
1
(A) = 1.61j
2
(A) = 1.61j
3
(A) = 67
1
Si besoin est, lire le chapitre 6 de rappels sur les matrices, page 63.
evrier 2006 9
avec comme vecteur propre associe pour la troisième :
_
0.0149 1 2.458 10
6

T
. On a donc
(t) qui tend vers 0 pour (0) = 0.0149 radians,

(0) = radians/s et (0) = 2.458 10
6
,
avec R ,= 0, comme on peut lobserver sur la simulation reproduite Figure 1.3.
Par suite, on a pu etudier de facon exhaustive le comportement du système à travers la
verication dun critère mathematique sur un modèle mathematique. On peut ainsi garantir quel
sera le comportement du système pour tous les scenari possibles, ce que na pas permis la simu-
lation. Un certain nombre de logiciels de CAO incluent
2
une partie de ces outils.
Il est donc important detre capable de formaliser les dierents types du comportement at-
tendu dun système technologique par un critère mathematique. La (non) verication de ce critère
mathematique permet de garantir la (non) presence du comportement attendu. Un nombre très
important de ces problèmes de verication de critères mathematiques sur des modèles peut secrire
comme des problèmes doptimisation, cest-à-dire comme la recherche du minimum (ou du maxi-
mum) dune fonction à plusieurs variables sur un certain domaine de denition.
Actuellement, tous les dierents types de comportements interessants ne sont pas formalises par
des critères mathematiques. Il sagit dun champ de recherche au coeur des Sciences de lIngenieur,
avec un fort interet à la fois fondamental (theorique) et applique (pratique), avec des evolutions
importantes à court terme et à long terme.
Ce champ de recherche est dautant plus important quactuellement les exigences au niveau du
comportement (cahier des charges) sont de plus en plus fortes pour des systèmes decrits par des
modèles de plus en plus complexes. Lautre point remarquable est que les outils et les methodes
developpes sont susamment fondamentaux pour ne pas correspondre à un type particulier de
systèmes technologiques. Des problèmes aussi dierents que la commande dengins volants, de
procedes industriels chimiques, de canaux dirrigation ou encore le developpement de suspensions
actives en automobile peuvent etre ainsi abordes en se basant sur un meme ensemble de methodes.
Cela est dautant plus important quactuellement de nombreux systèmes technologiques font appel
à dierents domaines de competence. Par exemple, un vehicule grand publique etait il y a une
quinzaine dannee essentiellement un système mecanique. Les vehicules qui sont concus actuelle-
ment sont des systèmes à la fois mecaniques et electroniques tant est grande la place prise par
lelectronique.
La verication du critère mathematique reetant le comportement se fait en règle generale par
calcul numerique, sur un ordinateur. Tout comme pour la simulation, le developpement de cette
pratique en ingenierie est lie à la forte augmentation de la puissance de calcul pour un co ut de
plus en plus bas. Dans lexemple du moteur, son etude repose sur le calcul numerique des valeurs
propres et des vecteurs propres dune matrice, un problème danalyse numerique bien etudie. Ce
calcul prend dans cet exemple une fraction de seconde car il est resolu par un algorithme de faible
complexite. Ce point est important car il est imperatif que la verication du critère mathematique
par un algorithme se fasse en un temps susamment raisonnable pour lingenieur. Est-ce toujours
le cas ?
La diculte est de denir un temps raisonnable. Une mesure usuelle est detudier levolution
du temps de calcul pour la verication dun critère en fonction de la taille du problème. Par
exemple, pour une matrice carree (comme la matrice A), ce sera le nombre de lignes. Etudions
deux cas de gures :
2
ou devrait inclure
evrier 2006
Complexite Taille n du problème
10 20 30 40 50
n
3
0, 01 s 0, 08 s 0, 27 s 0, 64 s 1, 25 s
10 s 1, 33 mn 4, 50 mn 10, 67 mn 20, 83 mn
2
n
0, 01 s 10, 24 s 2, 91 h 124, 3 jours 348, 7 ans
10 s 2, 84 h 121, 4 jours 348, 7 ans 3, 49 10
5
ans
Tab. 1.1
1. un premier cas o` u le temps de calcul est une fonction polynomiale dordre 3 de la taille n
du problème : dans le tableau 1.1, on considère deux polynomes dordre 3, un premier dont
levaluation pour n = 10 donne 0, 01s et un second 10s.
2. un second cas o` u le temps de calcul est une fonction exponentielle de la taille n du problème
(2
n
) : dans le tableau 1.1, on considère deux fonctions, une premiere dont levaluation pour
n = 10 donne 0, 01s et une seconde 10s.
Dans le cas o` u le temps de calcul est une fonction polynomiale, pour n = 50 le temps de calcul
reste relativement raisonnable : 1, 25 secondes et 20, 83 minutes. Dans le cas o` u le temps de calcul
est une fonction exponentielle, pour n = 50 le temps de calcul devient prohibitif : 349 annees
3
et
349000 annees
4
. Un problème est considere comme facile quand on est capable de le resoudre par
un algorithme en un temps fonction polynomiale de la taille du problème. Dans le cas o` u le temps
est fonction exponentielle, on considère que le problème est dicile
5
. Il ne faut pas confondre
diculte du problème avec diculte de lalgorithme de resolution : un problème donne peut etre
resolu par dierents algorithmes. Il est considere comme facile sil existe au moins un algorithme
qui le resout en un temps fonction polynomiale de la taille du problème. Il est considere comme
dicile si tous les algorithmes le resolvant (y compris ceux quon ne connat pas encore) ne sont
pas en temps polynomial.
Les problèmes doptimisation ont ete evoques ci-dessus comme une classe generale de problèmes
mathematiques permettant letude des proprietes dun modèle. Les problèmes doptimisation
convexe apparaissent comme une sous classe de problèmes faciles, cest-à-dire dotee dalgo-
rithmes de resolution en temps polynomial. Loptimisation convexe sous contraintes LMI ap-
parat actuellement comme une des plus larges classes doptimisation convexe pour laquelle on dis-
pose dalgorithmes de resolution ecace proposes dans les logiciels de calcul scientique generaux
comme Matlab ou Scilab et qui a eu dimportantes applications en Sciences de lIngenieur. Après
des generalites sur loptimisation convexe, ce document de cours donnera une introduction à cette
classe de problèmes doptimisation.
De nombreux problèmes dingenierie se formulent comme des problèmes doptimisation pour
lesquels on ne dispose pas dalgorithme de resolution ecace. Cependant, un certain nombre
3
Soit la duree de quatre vies humaines environ.
4
Lhomme prehistorique est apparu il y a environ 1 000 000 ans. Malheureusement lordinateur a moins de 100
ans.
5
En theorie de la complexite, on considère deux classes de problèmes :
1. T classe des problèmes calculables en temps polynomial
2. ^T classe des problèmes veriables en temps polynomial
Une conjecture largement admise par des gens très competents est que T ,= ^T.
evrier 2006 11
dentre eux peuvent etre reecrits de facon equivalente comme des problèmes doptimisation dune
autre classe. Si ces problèmes equivalents sont des problème doptimisation convexe sous contrainte
LMI alors on est ramene à des problèmes quil est possible de resoudre ecacement en utilisant
les logiciels actuellement disponibles. Transformer un problème doptimisation en un problème
doptimisation equivalent est un art dont nous verrons quelques règles dans le cas o` u lon veut
se ramener à un problème doptimisation LMI.
Linteret de loptimisation ne se limite pas à la possibilite detudier un nombre important
de proprietes de modèles. Loptimisation permet denvisager letude des proprietes non pas dun
modèle mais dune famille de modèles. Nous allons voir que ce mode de representation est beaucoup
plus adapte à ce quattend un ingenieur de letude des systèmes par la modelisation. Si letude
dun nombre signicatif de proprietes dun modèle peut se faire par des critères dautre nature
bases par exemple sur le calcul des valeurs propres, lorsque letude des familles de modèles est
envisagee, loptimisation devient loutil incontournable.
Que represente une famille de modèles ? Quel est son interet pour lingenieur ? Dans la discus-
sion precedente, on a suppose que le modèle representait exactement le système. En pratique, il y
a necessairement des dierences (erreurs de modelisation) qui apparaissent entre le système reel
et son modèle :
au niveau de la structure : on a suppose quun moteur CC se modelise par une equation
dierentielle dordre 2 : une modelisation plus ne peut mener à un modèle dordre plus
important ;
au niveau des paramètres : les paramètres du moteur CC ne sont pas mesurables avec une
precision innie ; dautre part, ils peuvent evoluer au cours du temps.
Quel peut etre limpact de ces hypothèses sur la qualite de la prediction du comportement ?
0 200 400 600 800 1000 1200 1400 1600 1800 2000
50
40
30
20
10
0
10
20
30
40
50
Time (sec)
A
m
p
lit
u
d
e
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
x 10
4
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
Time (sec)
A
m
p
lit
u
d
e
Fig. 1.4 Simulation du moteur CC avec correcteur PI
De limpact des erreurs de modelisation à travers un exemple Reprenons lexemple du
moteur à courant continu commande par un correcteur PI. Supposons quune erreur de 1% sest
evrier 2006
glissee dans la mesure de la constante de temps du moteur : en realite, elle est plus importante
et vaut = 0.0151 s au lieu de = 0.0149 s. Pour une condition initiale donnee, on obtient
levolution de (t) representee gure 1.4, à gauche. On remarque que (t) tend à diverger : il est
possible de demontrer que cest eectivement le cas. Supposons maintenant que est en realite
moins importante (toujours une erreur de 1%) : = 0.0148 s au lieu de = 0.0149 s. Pour
une condition initiale donnee, on obtient levolution de (t) representee gure 1.4, à droite. On
remarque que (t) semble tendre vers 0 : il est possible de demontrer que cest eectivement le
cas.
Le comportement du système est donc très sensible à de très faibles variations de ces pa-
ramètres. Comme il est impossible de realiser technologiquement un système dont les paramètres
sont exactement xes et stables dans le temps, cela veut dire quen pratique, suivant la realisation
eectuee, (t) oscillera, divergera ou tendra vers 0... Concevoir un système technologique dont le
comportement nest pas à priori previsible est evidement intolerable pour un ingenieur.
Dans le cas de notre système oscillateur, lutilisation pertinente dun element non-lineaire
bien choisi peut permettre la mise au point dun système oscillant pour toute condition initiale
et malgre des variations de ses paramètres.
Letude du comportement dun système à travers son modèle doit donc prendre en compte
explicitement les erreurs de modelisation. Cest pour cela que plutot que representer un système
par un seul modèle : par exemple, le moteur CC est une fonction de transfert denie par :
k
m
p(p + 1)
, k
m
= 235, = 0.0149,
il est preferable de le modeliser par une famille de modèles : le moteur CC est une fonction de
transfert appartenant à lensemble des fonctions de transfert deni par :
_
k
m
p(p + 1)
, k
m
[212; 258], [0.0134; 0.0164]
_
.
Si on est capable de garantir un meme comportement pour toutes les fonctions de transfert de cet
ensemble commandees par un correcteur PI, comme le moteur CC est un element de cet ensemble
(on ne sait pas lequel), on garantira ce comportement aussi pour le système reel.
La verication dun critère mathematique pour une famille de modèles a lavantage detre un
problème beaucoup plus pertinent pour lingenieur. Par contre, le problème mathematique associe
est plus complexe que la verication dun critère mathematique pour un seul modèle. Il est lobjet
dintenses recherches dans les Sciences de lIngenieur depuis une dizaine dannees, recherches au
sein desquelles loptimisation occupe une place centrale. Les idees sous jacentes seront evoquees à
travers dierents exemples dans ce cours.
Enn, la discussion de ce chapitre a porte sur lanalyse du comportement dun système tech-
nologique par optimisation. Quen est-il de sa conception, cest-à-dire, par exemple, du choix de
des dierents paramètres du système ? De la meme facon, on peut montrer que les problèmes de
conceptions peuvent etre abordes aussi de facon prometteuse par la meme demarche. Cela sera
illustre dans le cours par dierents exemples.
evrier 2006 13
Plan du document La première partie presente les notions de base en optimisation convexe.
La seconde partie est consacree à loptimisation LMI : denition, exemples de problèmes, notions
sur la resolution et comment se ramener à des problèmes doptimisation LMI (si cela est possible).
La dernière partie est consacree à des exemples de formulation de problèmes comme des problèmes
doptimisation LMI. Lannexe est consacree à des rappels sur les matrices, les ensembles convexes
ainsi que des exemples de programmes Matlab doptimisation LMI.
evrier 2006
Chapitre 2
Fonctions, ensembles et optimisation
convexes
Si besoin est, lire le chapitre 6 de rappels sur les matrices, page 63.
2.1 Problème doptimisation
Denition 2.1.1 (Problème doptimisation de dimension nie) Soit
R
m
R
f()
Alors un problème doptimisation secrit :
min f()
c
o` u
c R
m
est lensemble des contraintes
est le vecteur de variables de decision ou variables doptimisation
la valeur de pour laquelle le minimum est atteint est appelee
. Notation :
= argmin f()
c
la fonction f est lobjectif ou la fonction de co ut
Quand c = R
m
, on parle de problème doptimisation sans contrainte sinon de problème
doptimisation sous contraintes
Dans le cas general, la resolution par un algorithme dun problème doptimisation est un
problème complique (voir gure 2.1). Pourquoi ? A partir dun point initial
0
, les algorithmes
ecaces recherchent un minimum local. Si la fonction f admet plusieurs minima, le resultat va
dependre du point initial
0
. Dans certains cas sympathiques (minimum local = minimum global),
le problème est de faible complexite (voir gure 2.2). Independamment du point initial, le minimum
global sera alors atteint.
15
evrier 2006
0 1 2 3 4 5 6 7 8 9 10
5
0
5
10
15
20
25
30
35
40
C

f()
Fig. 2.1 Exemple dune fonction sur R à plusieurs minima
0 1 2 3 4 5 6 7 8 9 10
0
5
10
15
20
25
30
C

f()
Fig. 2.2 Exemple dune fonction sur R à un seul minimum
evrier 2006 17
Cas sympathiques Problèmes doptimisation convexe, cest-à-dire :
1. f est une fonction convexe
2. c est convexe
Dans ce cas-là, quelque soit le point initial
0
, les algorithmes convergent vers le minimum global.
2.2 Ensembles convexes
x
1
x
1
x
2
x
2
x
1
+ (1 )x
2
x
1
+ (1 )x
2
Fig. 2.3 Ensemble non convexe (gauche), convexe (droite)

Denition 2.2.1
Ensemble convexe c :
[0, 1], x
1
c et x
2
c =x
1
+ (1 )x
2
c
Cone convexe c :
1
0,
2
0, x
1
c et x
2
c =
1
x
1
+
2
x
2
c
Ellipsode : = x R
n
[ (x x
c
)
T
P
1
(x x
c
) 1 avec P matrice denie positive
Coquille convexe dun ensemble S :
1
x
1
+ . . . +
k
x
k
, x
i
S,
i
0,
k
i=1
i
= 1
Proprietes Lintersection de deux ensembles convexes est convexe.
Deux classes importantes densembles convexes (les ellipsodes et les polytopes) sont etudies en
Annexe, page 69.
2.3 Fonctions convexes
Denition 2.3.1 (Fonction convexe) Soit une fonction f
T R
m
R
x f(x)
La fonction f est convexe si :
1. le support (ensemble de denition) T de f est convexe
evrier 2006
0 1 2 3 4 5 6 7 8 9 10
0
5
10
15
20
25
30
x
f(x)
x y
x + (1)y
f( x + (1)y)
f(x) + (1)f(y)
o
o
EPIGRAPHE
0 1 2 3 4 5 6 7 8 9 10
0
5
10
15
20
25
30
x
f(x)
x
y
f(x) o
f(y)
f(x)+ f(x)
T
(yx)
evrier 2006 19
2. x
1
T, x
2
T, [0, 1], f(x
1
+ (1 )x
2
) f(x
1
) + (1 )f(x
2
)
convexite stricte : remplace par <
Si f est dierentiable alors la seconde condition est equivalente à
x
1
T, x
2
T, f(x
2
) f(x
1
) +f(x
1
)
T
(x
2
x
1
)
o` u f(x) est le gradient
1
de la fonction f deni par :
f(x) =
_
_
f
x
1
(x)
.
.
.
f
x
n
(x)
_
_
Pour une fonction convexe, dune information de nature locale (la valeur du gradient de f en
x
1
), on peut tirer une information de nature globale (toute la courbe denie par la fonction
f est dans un demi-plan delimite par lhyperplan tangent (la tangente) en x
1
dequation y =
f(x
1
) +f(x
1
)
T
(x x
1
) dans le plan (x, y)).
Si f est dierentiable deux fois alors la seconde condition est equivalente à
x T,
2
f(x) 0
(semi denie positive) avec
2
f(x) =
_
2
f
x
1
x
1
(x) . . .

2
f
x
1
x
n
(x)
.
.
. . . .
.
.
.
2
f
x
n
x
1
(x) . . .

2
f
x
n
x
n
(x)
_
_
. .
matrice hessienne
Remarque x T,
2
f(x) > 0 est une condition susante mais pas necessaire de stricte
convexite.
Exemple de fonction convexe f(x) = x
T
Px+2q
T
x+r avec P = P
T
R
nn
, q R
n
, r R.
Quelle(s) condition(s) doi(ven)t verier les paramètres de f (P, q et r) pour que f soit convexe ?
Propriete Si f
1
(x) et f
2
(x) sont deux fonctions convexes (meme domaine de denition) alors
f(x) = max(f
1
(x), f
2
(x)) est convexe.
Propriete Si f(x, y) est convexe en (x, y) et C un domaine convexe alors g(x) = inf
yC
f(x, y)
est une fonction convexe.
Denition 2.3.2 (fonction quasi-convexe) Soit une fonction f
T R
m
R
x f(x)
La fonction f est quasi convexe si :
1
Dans le cas dune fonction de R dans R, le gradient concide avec la derivee.
evrier 2006
1. le support T de f est convexe
2. x
1
T, x
2
T, [0, 1], f(x
1
+ (1 )x
2
) max(f(x
1
), f(x
2
))
La seconde condition peut se reecrire : les ensembles C() = x T [ f(x) sont convexes.
-
6
f(x)
x
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
C()
. .
Fig. 2.6 Fonction quasiconvexe
-
6
f(x)
x
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
C()
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. .
C()
Fig. 2.7 Fonction non quasiconvexe
Si f est dierentiable alors la seconde condition est equivalente à
x T, y T, f(y) f(x) f(x)
T
(y x) 0
Si f est dierentiable deux fois alors la seconde condition est equivalente à
x T, y
T
f(x) = 0 y
T
2
f(x)y 0
Remarque Pour avoir un problème doptimisation convexe, il est dune part necessaire que
lensemble des contraintes c soit convexe. Dautre part, la fonction de co ut f doit etre denie sur
un domaine contenant lensemble des contraintes et doit etre convexe au moins sur lensemble des
contraintes c.
evrier 2006 21
2.4 Exercice : optimisation (quasi) convexe ou pas ?
Soit le problème doptimisation suivant :
min
C
1
C
2
f()
o` u f est une fonction de R dans R et o` u C
1
et C
2
sont deux intervalles de R. Pour les quatre cas
representes sur la gure 2.8 et correspondant à dierentes fonctions f et dierents ensembles C
1
et C
2
, indiquez si le problème doptimisation correspondant est convexe (quasi convexe) ou pas.
Justier en quelques mots.
-
6 f()
. . ..
C
1
C
2
-
6 f()
. .
..
C
1
C
2
-
6 f()
. .
..
C
1
C
2
-
6 f()
C
1
..
. .
C
2
Fig. 2.8 cas de gure consideres

2.5 Problème doptimisation avec c non convexe
Soit
min f()
c
avec f convexe mais c non convexe. En general la resolution de ce problème est complexe. Peut-on
utiliser loptimisation convexe pour obtenir une borne inferieure et une borne superieure sur la
valeur du minimum f(
) ?
Borne inferieure par relaxation de lensemble des contraintes c Supposons que lon
dispose dun ensemble convexe c
t
tel que c c
t
(par exemple c
t
coquille convexe de c). Alors
min f() f(
).
c
t
evrier 2006
c
c
t
c
tt
Fig. 2.9 Ensembles c, c
t
et c
tt
Borne superieure par restriction de lensemble des contraintes c Supposons que lon
dispose dun ensemble convexe c
tt
tel que c
tt
c. Alors
f(
) min f().
c
tt
Chapitre 3
Optimisation LMI
3.1 Problèmes doptimisation sous contraintes LMI
min f()
c
o` u
c = R
m
[ x R
n
, x
T
F()x 0 ou c = R
m
[ x R
n
0, x
T
F()x > 0
avec
F()

= F
0
+
m
i=1
i
F
i
,
avec le vecteur des variables de decision, vecteur de R
m
et o` u les F
i
sont m matrices symetriques
donnees de R
nn
, i = 0, . . . , m. Cette contrainte est appelee contrainte Inegalite Matricielle Ane
ou contrainte LMI. Notation F() > 0( 0). Le symbole > 0 ( 0) signie denie positive (semi
denie positive)
1
.
Propriete 1 c est un ensemble convexe.
Propriete 2 Soient :
c
1
= R
m
[ F
1
() > 0 et c
2
= R
m
[ F
2
() > 0
alors lintersection est denie par
c
1
c
2
=
_
R
m
[
_
F
1
() 0
0 F
2
()
_
> 0
_
Cette propriete decoule du fait que les valeurs propres dune matrice diagonale par blocs sont
constituees par les valeurs propres des matrices sur la diagonale. Pour plus de details, voir les
rappels sur la matrices, section 6.1.
1
Rappelons que x R
n
, x
T
F()x > 0 les valeurs propres de F() sont strictement positives. Pour plus de
details, voir les rappels sur les matrices, section 6.1, page 63.
23
evrier 2006
Exemple I Soit F() la matrice symetrique de fonctions anes en le scalaire reel :
F() =
_
2 3 2
3 2 2
_
=
_
2 2
2 2
_
+
_
1 3
3 1
_
Le polynome caracteristique de la matrice F() est donne par
2
2(2 ) + 8(1 ). Le
produit etant donne par 8(1 ) et la somme par 2(2 ), les racines sont
1
(F()) = 4(1 )
et
2
(F()) = 2. Par suite, la contrainte LMI [ F() > 0 correspond à denir le domaine :
[ ]0; 1[.
3.1.1 Problème de Faisabilite
Tester si c ,= et si oui determiner un c :
trouver R
m
tel que F() > 0
Exemple I (suite) Le problème est faisable car lintervalle ]0, 1[ nest pas vide.
Exemple II : Etude de la stabilite de systèmes lineaires stationnaires Soit le système :
x(t) = Ax(t)
exemple du pendule simple :

(t) =

(t)
3
4
g
l
sin((t)). Pour faible, sin() , do` u :
(t) =

(t)
3
4
g
l
(t), soit :
_
(t)
(t)
_
. .
x(t)
=
_
0 1
3
4
g
l

_
. .
A
_
(t)
(t)
_
. .
x(t)
Le vecteur x(t) est appele vecteur detat. Ici letat est donne par la position angulaire (t) et par
la vitesse

(t). Pour une valeur donnee x
0
de letat x(t) à linstant t = 0, on dit que le système est
stable
2
si pour toute condition initial x
0
, on a :
lim
t+
x(t) = 0 soit encore lim
t+
|x(t)| = 0.
Verier la stabilite du système pendule revient à assurer que lorsque le pendule est abandonne
au temps t = 0 avec position angulaire
0
et une vitesse angulaire

0
, il tend à simmobiliser à la
position angulaire = 0 et ceci, pour toute valeur de
0
et pour toute valeur de

0
.
2
En toute rigueur, cette denition nest pas correcte, surtout si le système est decrit par des equations non
lineaires. Elle a ete introduite pour simplier lexpose de lexample dont lobjectif nest pas de presenter les
dierentes notions de stabilite des systèmes dynamiques.
evrier 2006 25
Daprès la theorie de Lyapunov, on a stabilite pour toute condition initiale sil existe une
fonction V (x) telle que pour x ,= 0, V (x) > 0 et

V (x) < 0. On prend V (x) = x
T
Px o` u P est une
matrice symetrique à determiner.
x ,= 0,
_
V (x) > 0
V (x) < 0

_
P > 0
A
T
P + PA < 0

_
P 0
0 (A
T
P + PA)
_
> 0 (3.1)
La dernière equivalence decoule du fait que les valeurs propres dune matrice diagonale par blocs
sont constituees par les valeurs propres des matrices sur la diagonale. Pour plus de details, voir
les rappels sur la matrices, section 6.1. Avec
P =
n(n+1)
2
i=1
i
P
i
avec P
i
, i 1, ,
n(n+1)
2
une base de lespace des matrices symetriques de dimension nn. Par
exemple, pour n = 2, on peut prendre comme base :
__
1 0
0 0
_
,
_
0 0
0 1
_
,
_
0 1
1 0
__
.
En posant F
0
= 0,
F() =
n(n+1)
2
i=1
i
F
i
avec F
i
=
_
P
i
0
0 (A
T
P
i
+ P
i
A)
_
On a
trouver V tel que x ,= 0,
_
V (x) > 0
V (x) < 0
trouver tel que F() > 0 (3.2)
Remarque importante sur les notations Dans lexemple precedent, les contraintes LMIs
peuvent etre ecrites sous deux formats particuliers : dune part, en utilisant les variables de decision
sous la forme matricielle (par exemple P, dans linegalite (3.1)), dautre part, en mettant les
variables de decision sous forme vectorielle , dans linegalite (3.2). Dans la suite, les variables de
decision sous forme matricielle apparaissant dans les inegalites seront soulignees.
Exemple III : analyse de la stabilite dun système incertain On desire verier quun
système incertain (represente gure 8.4 avec M stable) est stable pour toute matrice de fonctions
de transfert (p), de norme H
inferieure à 1 et telle que , (j) avec

=
_
_
C
kk
/ =
_
1
0 . . .
0
.
.
.
.
.
.
.
.
.
.
.
.

q
_
_
avec
_

i
C
q
i
q
i
, i 1, . . . , q
k =
q
i=1
q
i
_
_
. (3.3)
Daprès le theorème du petit gain structure, une condition necessaire et susante est donnee
par :
,
(M(j)) < 1.
evrier 2006
M
- -
?
6
6
?
p
q
w
1
w
2
+
+
+
+
Fig. 3.1 Connexion de M avec
(Dans ce qui suit, on considère une pulsation donnee. Pour alleger les notations la dependance
en de M(j) nest plus indiquee.) Le problème est quen general le calcul de
(M) est NP
dicile. Par contre, on dispose dune borne superieure
sup
(M) telle que
(M)
sup
(M)
o` u la borne superieure de est obtenue par la resolution du problème doptimisation suivant :
sup
(M) = min
D T
R
+
DM
2
D < 0
avec
T =
_
_
D C
kk
/ D =
_
_
d
1
I
q
1
0 . . .
0
.
.
.
.
.
.
.
.
.
.
.
.
d
q
I
q
q
_
_
avec
d
i
R, d
i
> 0, i 1, . . . , q
_
.
Pour notre problème, il sagit de demontrer que
(M) < 1. Une condition susante est alors :
sup
(M)(M) < 1.
Pour verier cela, il sagit de trouver D T telle que
M
DM D < 0
Mettons ce problème sous forme dun problème de faisabilite LMI. La première diculte est
que la matrice M est une matrice complexe. Il est possible de transformer des inegalites matricielles
complexes en inegalites matricielles reelles.
Propriete 1 Soit une matrice A C
NN
donnee telle que
3
A = A
et A = A
R
+ jA
I
avec
A
R
R
NN
et A
I
R
NN
. Alors on a
A > 0
_
A
R
A
I
A
I
A
R
_
> 0
3
o` u A
note la matrice A transposee et conjuguee.

evrier 2006 27
Propriete 2 Soit une matrice A C
NN
donnee telle que A = A
R
+ jA
I
avec A
R
R
NN
et
A
I
R
NN
et soit une matrice B denie de la meme facon. Alors
_
(AB)
R
(AB)
I
(AB)
I
(AB)
R
_
=
_
A
R
A
I
A
I
A
R
_ _
B
R
B
I
B
I
B
R
_
De meme
_
(A + B)
R
(A + B)
I
(A + B)
I
(A + B)
R
_
=
_
A
R
A
I
A
I
A
R
_
+
_
B
R
B
I
B
I
B
R
_
En appliquant ces deux proprietes, M
DM D < 0 est equivalent à

_
M
R
M
I
M
I
M
R
_
T
_
D
R
D
I
D
I
D
R
_ _
M
R
M
I
M
I
M
R
_
_
D
R
D
I
D
I
D
R
_
< 0
soit en remplacant D
R
et D
I
par leurs valeurs
_
M
R
M
I
M
I
M
R
_
T
_
_
d
1
I
q
1
0 0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
d
q
I
q
q
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
d
1
I
q
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
0 0 d
q
I
q
q
_
_
_
M
R
M
I
M
I
M
R
_
_
d
1
I
q
1
0 0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
d
q
I
q
q
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
d
1
I
q
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
0 0 d
q
I
q
q
_
_
< 0
Les variables doptimisation sont d
1
, , d
q
. Par suite, en posant =
_
d
1
d
q
T
, on a
M
DM D < 0 F() > 0 avec

F
i
=
_
i
0
0
_

i
0
0
i
_
_
M
R
M
I
M
I
M
R
_
T
_

i
0
0
i
_ _
M
R
M
I
M
I
M
R
_
_
_
avec
i
une matrice dont tous les elements sont nuls sauf le i
ième
de coordonnees (i, i) qui est mis
à 1. On est donc ramener à un problème de faisabilite.
evrier 2006
3.1.2 Problème de minimisation dune fonction de co ut lineaire
minimiser c
T
pour R
m
contraint par F() > 0
o` u c
T
est un vecteur ligne donne.
Exemple I (suite) On considère maintenant le problème suivant :
min
R, R I F() 0
o` u F() est deni dans lexemple I. En utilisant le fait que pour une matrice A symetrique
4
max
(A) = min
IA0
, ce problème est equivalent à :
min
max
(F()).
R
2
On peut noter que, dans ce cas, un problème doptimisation sous contraintes peut etre reecrit de
facon equivalente en un problème doptimisation sans contrainte. Ils sont equivalents au sens quils
admettent la meme solution : meme valeur de
et meme valeur de la fonction de co ut pour
.
Dans ce qui suit, on voit que si la fonction de
max
(F()) est convexe, elle nest cependant
pas derivable. Pour cela, avec
max
(F()) = max
1
(F()),
2
(F()), on a la gure 3.2. Par
suite, cette fonction de nest pas dierentiable pour =
2
3
.
1 0.5 0 0.5 1 1.5 2 2.5 3 3.5 4
12
10
8
6
4
2
0
2
4
6
8
m
a
x
(
F
(
)
)
Fig. 3.2 Trace de
max
(F()) en fonction de x
4
Les valeurs propres dune matrice symetrique sont reelles.
evrier 2006 29
Exemple II Etude du /
2
gain de systèmes lineaires stationnaires (conditions initiales nulles) :
x(t) = Ax(t) + Bw(t)
z(t) = Cx(t) + Dw(t)
o` u w(t) est lentree du système (inuence de lenvironnement sur le système) et z(t) est la sortie
(inuence du système sur lenvironnement). Question : quand on considère les signaux sur [0, T],
que dire de lenergie du signal de sortie :
_
T
0
z(t)
T
z(t)dt
par rapport à lenergie du signal dentree w(t) :
_
T
0
w(t)
T
w(t)dt ?
Existe-il un reel positif tel que pour tout signal dentree w(t) denergie borne :
_
T
0
w(t)
T
w(t)dt < +
on ait
T > 0,
_
T
0
z(t)
T
z(t)dt
_
T
0
w(t)
T
w(t)dt

2
? (3.4)
(on parle dattenuation si 1). On demontre que si le système est stable alors un tel existe.
On recherche alors le plus petit tel que linegalite (3.4) soit veriee. Cette valeur est appelee le
/
2
gain du système. Dans le cas dun système lineaire stationnaire (cas present), on demontre que
le /
2
gain du système est egale à la norme H
de la fonction de transfert associee.

On demontre (lemme reel borne) que (3.4) est veriee pour toute entree w bornee et non nulle
si et seulement si il existe une matrice symetrique P telle que :
_
_
_
P > 0
_
A
T
P + PA + C
T
C PB + C
T
D
B
T
P + D
T
C D
T
D
2
I
_
< 0
(3.5)
Pour une valeur de donnee, linegalite matricielle ci-dessus est ane en la variable de decision
P : elle denit donc une contrainte LMI. Rechercher P revient donc à resoudre un problème de
faisabilite. Si on desire rechercher le plus petit tel quil existe P veriant (3.5) alors devient
aussi une variable de decision. Cependant, (3.5) depend de facon ane de
2
et non de . Do` u
le changement de variable =
2
: minimiser est equivalent à minimiser car est positif. Par
suite, le problème se reecrit :
min
R, P = P
T
R
nn
_
_
_
P > 0
_
A
T
P + PA + C
T
C PB + C
T
D
B
T
P + D
T
C D
T
D I
_
< 0
evrier 2006
Avec :
P =
n(n+1)
2
i=1
i
P
i
o` u P
i
, i 1, ,
n(n+1)
2
une base de lespace des matrices symetriques de dimension n n et
n(n+1)
2
+1
= . En posant F() =
n(n+1)
2
+1
i=1

i
F
i
avec :
i 1, ,
n(n+1)
2
, F
i
=
_
_
P
i
0 0
0 (A
T
P
i
+ P
i
A) P
i
B
0 B
T
P
i
0
_
_
F
0
=
_
_
0 0 0
0 C
T
C C
T
D
0 D
T
C D
T
D
_
_
et Fn(n+1)
2
+1
=
_
_
0 0 0
0 0 0
0 0 I
_
_
c =
_
0 0 1
T
et m =
n(n+1)
2
+ 1, la recherche du plus petit tel quil existe P veriant
(3.5) secrit comme la minimisation dun co ut lineaire sous contraintes LMI :
minimiser c
T
pour R
m
contraint par F() > 0
La plus petite valeur de est alors donnee par la racine carree du minimum obtenu.
3.1.3 Minimisation de la valeur propre generalisee maximale
minimiser
pour R, R
m
contraint par F() G() > 0
F() > 0 et H() > 0
Autre ecriture En utilisant la valeur propre generalisee denie page 68,
minimiser
max
(G(), F())
pour R
m
contraint par F() > 0 et H() > 0
Propriete cest un problème doptimisation quasi convexe car on cherche le minimum dune
fonction de co ut quasi convexe (f() =
max
(G(), F())) pour la variable de decision apparte-
nant à un ensemble convexe deni par les contraintes F() > 0 et H() > 0.
evrier 2006 31
Exemple II : Etude du taux de decroissance des systèmes lineaires stationnaires Soit
le système :
x(t) = Ax(t). (3.6)
Pour un système stable, on peut calculer le taux de decroissance exponentiel deni comme le plus
grand positif tel que pour toute condition initiale x
0
lim
t
e
t
|x(t)| = 0.
On peut relier le taux de decroissance aux valeurs propres de la matrice A. Dans le cas o` u A
est diagonalisable dans C, en notant
i
=
i
+ j
i
les valeurs propres de la matrice A, on a :
x(t) =
i
e
i
t
(
i
cos(
i
t) +
i
sin(
i
t)).
La limite (3.6) sera satisfaite si et seulement si
i
.
Il est possible de demontrer une condition necessaire et susante : le taux de decroissance
est (strictement) superieur à sil existe une fonction V (x) telle que pour x ,= 0, V (x) > 0 et
V (x) < 2V (x). On prend V (x) = x

T
Px o` u P est une matrice symetrique à determiner.
_
V (x) > 0
V (x) < 2V (x)

_
P > 0
A
T
P + PA + 2P < 0

_
()(2P) (A
T
P + PA) > 0
2P > 0
(3.7)
Rechercher le plus grand tel que (3.7) soit satisfait revient à minimiser tel que (3.7) soit
satisfait. En posant
P =
n(n+1)
2
i=1
i
P
i
avec P
i
, precedemment introduit, on peut denir F() =
n(n+1)
2
i=1

i
F
i
avec i 1, ,
n(n+1)
2
,
F
i
= 2P
i
; G() =
n(n+1)
2
i=1

i
G
i
avec i 1, ,
n(n+1)
2
, G
i
= A
T
P
i
+P
i
A. En posant = , la
recherche du plus grand taux de decroissance secrit alors :
minimiser
pour R, R
m
contraint par F() G() > 0
F() > 0
ce qui est un problème de minimisation de la valeur propre generalisee maximale.
Exemple III : Calcul de la borne superieure de dans le cas dincertitudes complexes
On reprend lexemple III presente page 25. On cherche maintenant à calculer la borne superieure
de
qui est obtenue par la resolution du problème doptimisation suivant :
sup
(M) = min
D T
R
+
DM
2
D < 0
evrier 2006
avec
T =
_
_
D C
kk
/ D =
_
_
d
1
I
q
1
0 . . .
0
.
.
.
.
.
.
.
.
.
.
.
.
d
q
I
q
q
_
_
avec
d
i
R, d
i
> 0, i 1, . . . , q
_
.
On peut reecrire sous forme dinegalite sur des matrices reelles :
sup
(M) = min
D T
R
+
_
M
R
M
I
M
I
M
R
_
T
_
D
R
D
I
D
I
D
R
_ _
M
R
M
I
M
I
M
R
_
2
_
D
R
D
I
D
I
D
R
_
< 0
En posant =
2
sup
(M)
2
= min
R
+

_
D
R
D
I
D
I
D
R
_
_
M
R
M
I
M
I
M
R
_
T
_
D
R
D
I
D
I
D
R
_ _
M
R
M
I
M
I
M
R
_
> 0
_
D
R
D
I
D
I
D
R
_
> 0
ce qui est un problème de minimisation dune valeur propre generalisee.
3.2 Problèmes doptimisation LMI particuliers
Les problèmes doptimisation LMI contiennent des problèmes doptimisation convexe clas-
siques : la programmation lineaire et la programmation quadratique (voir la gure 3.3).
Programmation lineaire Etant donnes la matrice A R
pm
et le vecteur b R
p
et c R
m
:
minimiser c
T
pour R
m
contraint par A b
o` u signie, dans cette section, que la i
ieme
composante du vecteur du vecteur A est superieure
ou egale à la i
ieme
composante du vecteur du vecteur b.
Exemple dun problème de programmation lineaire : Calcul dun regime alimentaire
equilibre et economique Un regime alimentaire equilibre doit contenir m nutriments avec des
quantites au moins egales à b
1
,..., b
m
. Un aliment contient en general plusieurs nutriments. Une
quantite 1 de laliment j contient une quantite a
ij
du nutriment i, pour un co ut c
j
. On dispose
de k aliments. Comment calculer la quantite de chaque aliment à consommer de facon à obtenir
un regime alimentaire equilibre, pour le co ut le plus faible possible ?
evrier 2006 33
Optimisation LMI
Programmation
Programmation Lineaire
Optimisation Convexe
Quadratique
Fig. 3.3 Dierentes classes doptimisation convexe
Programmation quadratique Etant donnes A R
mm
et b R
m
, c R, F R
pm
et
g R
p
, avec la matrice A semi denie positive :
minimiser
T
A + 2b
T
+ c
pour R
m
contraint par F g
Exercice Demontrer que tout problème de programmation lineaire et tout problème de pro-
grammation quadratique peut secrire sous la forme dun problème doptimisation LMI.
3.3 Exercice : Optimisation sur des variables de decisions
discrètes
Un certain nombre de problèmes de conception de systèmes se ramène à des problèmes dopti-
misation dans lesquels les variables de decision ne peuvent prendre quun nombre ni de valeurs,
par exemple 0 ou 1 :
min
x(
c
T
x
avec c = x R
m
, i 1, , m, x
i
= 0 ou x
i
= 1 et Ax b avec A R
nm
,
b R
n
et c R
n
. Par Ax b, il faut comprendre que chaque composante du vecteur Ax est
superieure ou egale à la composante de b de meme indice. De plus, c designe un vecteur de R
m
.
Soit
opt
= min
x(
c
T
x. Ce problème doptimisation est dit discret car les variables de decision ne
peuvent prendre quun nombre ni de valeurs.
En general, un tel problème est complexe à resoudre car meme si x ne prend quun nombre
ni de valeurs, il y en a quand meme 2
m
. Par suite, lalgorithme naf qui consiste à tester toutes
les valeurs de x presente une complexite exponentielle.
evrier 2006
A ce problème doptimisation est alors associe un autre problème doptimisation dans lequel
les contraintes i 1, , m, x
i
= 0 ou x
i
= 1 sont remplacees par les contraintes
i 1, , m, 0 x
i
1. Le problème doptimisation associe secrit alors
min
x(
c
T
x
avec c = x R
m
, i 1, , m, 0 x
i
1 et Ax b
A quelle classe de problèmes doptimisation convexe appartient le problème associe ? Soit
opt
= min
x(
c
T
x. Est ce que
opt

opt
ou est ce que
opt

opt
? Justier en quelques mots.
3.4 Notions sur la resolution de problèmes sous contraintes
LMI
Plusieurs methodes de resolution, avec dierentes variantes sont possibles. On se concentre sur
une seule : une forme particulière de la methode des points interieurs qui est presentee à travers un
exemple. Comme il a ete vu dans lexemple presente page 28, loptimisation sous contraintes LMI
recouvre des problèmes doptimisation sans contrainte avec une fonction de co ut non dierentiable.
Pour resoudre ce problème la methode des points interieurs consiste à se ramener à la resolution
dune serie de problèmes doptimisation dierentiables sans contrainte.
3.4.1 Minimisation dun co ut lineaire sous contraintes LMI
On cherche la solution dun problème de minimisation dune fonction de co ut lineaire, cest-à-
dire un problème de la forme :
minimiser c
T
pour R
m
contraint par F() 0
(3.8)
On suppose que lon connat un point strictement faisable
0
, cest-à-dire que F(
0
) > 0. En fait,
lalgorithme ne fonctionne que sil existe un point strictement faisable, cest-à-dire que [ F() >
0 ,= .
Exemple de programmation lineaire
minimiser
1
+
2
pour
1
R,
2
R
contraint par
1
0,
1
1,
2
0,
2
1
Ce problème est un cas particulier de (3.8) avec =
_

1

2
T
, c =
_
1 1
T
et
F() =
_
1
0 0 0
0 1
1
0 0
0 0
2
0
0 0 0 1
2
_
_
0.
evrier 2006 35
Le point
0
=
_
0, 5 0, 5
T
est manifestement un point strictement faisable (F(
0
) > 0). Par
suite, la valeur du minimum est telle que c
T
c
T
0
.
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
2
Lignes de niveau de la fonction barrire en fonction de
1
et
2
1
+
2
=1,2
sens croissant
Fig. 3.4 Courbes de niveau de la fonction barrière ()
1. Soit
0
> c
T
0
on considère la region denie par c
T

0
et F() 0. Forcement, le
minimum est atteint sur cette region. Pour notre exemple, avec
0
= 1, 2, la region est
denie par
1
0,
1
1,
2
0,
2
1 et
0
>
1
+
2
. A cette region, on peut associer
une fonction barrière () denie sur cette region telle () tende vers + quand tend
vers la frontière de la region. Cette fonction est convexe avec un minimum qui correspond
au centre geometrique de la region. Il est appele centre analytique
c
= argmin(()). La
fonction barrière est denie par :
() = log(det(F())) log(
0
c
T
).
Sur notre exemple :
() = (log(
1
) + log(1
1
) + log(
2
) + log(1
2
) + log(1, 2
1
2
))
(voir gure 3.4).
2. On recherche du minimum de () (problème doptimisation convexe, dierentiable, sans
contrainte) par lalgorithme de Newton base sur :
(k + 1) = (k) h(k)(
2
((k)))
1
((k))
o` u h(k) est un coecient permettant dameliorer la convergence de lalgorithme de Newton.
3. Si un critère darret est verie (
c

) alors on sarrete, sinon on eectue les initialisations
0
(1 )c
T
c
+ c
T
0
,
0
c
avec ]0, 1[ et on retourne à letape 1.
La convergence de cet algorithme a ete demontree.
evrier 2006
Condition dapplication Le domaine deni par F() 0 doit etre borne.
Mise en uvre Il est mis en uvre dans des botes à outils de logiciels de calcul scientique
(numerique) general, commerciaux comme Matlab (LMI control toolbox) ou freeware comme
Scilab (LMI tool). Ce nest pas forcement le meme algorithme qui est utilise.
Complexite (pratique) Le temps de calcul crot comme un polynome dordre 6 en fonction de
la taille du problème.
3.4.2 Recherche dun point faisable
Pour la resolution du problème precedent, il est necessaire davoir un point strictement faisable
(sil existe) sinon de conclure à [ F() > 0 = .
minimiser
pour R, R
m
contraint par I + F() 0
(3.9)
Ce problème est un problème de minimisation dun co ut lineaire sous contraintes LMI (montrez-le)
pour lequel il est simple de trouver un point strictement faisable. Par exemple, on peut choisir
= 0 et >
max
(F
0
). Par suite, il peut etre resolu par lalgorithme ebauche dans la section
3.4.1. Au minimum
, deux cas :
1.
< 0 : F(
I > 0.
est le point faisable recherche.

2.
0 : il nexiste pas de
tel que F(
) > 0 (faire un raisonnement par labsurde). Par

suite, il nexiste pas de point faisable.
3.5 Au delà des contraintes LMIs : les contraintes BMIs
Contrainte Bilinear Matrix inequalities :
c = R
m
[ x R
n
0, x
T
B()x > 0
avec
B()

= B
0
+
m
i=1
i
B
i
+
m
k=1
m
l=1
l
B
kl
Des problèmes NP diciles peuvent se formuler comme des problèmes doptimisation sous contraintes
BMI. Mais parfois, pour un problème doptimisation sous contraintes BMI, il est possible de
construire un problème doptimisation convexe sous contraintes LMIs qui est equivalent.
Exemple
minimiser

2
1
2
pour
1
R,
2
R
contraint par
1
> 0,
2
> 0, 1 >
2
1
+
2
2
evrier 2006 37
A priori, un problème qui nest pas LMI. Cependant, en posant =

2
1
2
, ce qui revient à faire le
changement de variables (
1
,
2
) par (,
2
) :
minimiser
pour R,
2
R
contraint par > 0,
2
> 0,
1
2
> +
2
Ce qui est equivalent à
minimiser
pour R,
2
R
contraint par > 0,
_
_
1
2
1
1
1
_
_
> 0
En posant =
1
2
, ce qui revient à faire le changement de variables (,
2
) par (, ) :
minimiser
pour R, R
contraint par > 0,
_
1
1
_
> 0
Ce qui est un problème LMI. A priori, pour transformer de facon equivalente le problème BMI
en un problème LMI, on a utilise des transformations tirees du chapeau. Il est cependant possible
de proposer des règles de transformation systematiques. Ces règles sont presentees dans la section
suivante.
3.6 A la recherche de la LMI cachee...
Nous allons voir des règles de transformation de problèmes doptimisation en problèmes dop-
timisation sous contraintes LMI. Une contrainte LMI est denie par
c = R
m
[ x R
n
0, x
T
F()x > 0 avec F()

= F
0
+
m
i=1
i
F
i
(3.10)
o` u le vecteur des variables de decision, vecteur de R
m
et o` u les F
i
sont m matrices symetriques
donnees de R
nn
, i = 0, . . . , m. Lors de letablissement dun problème doptimisation, les contraintes
peuvent etre similaires à (3.10) mais dierer sous deux points :
1. F() nest pas une fonction ane en (par exemple, cest une fonction biane, do` u
contrainte BMI) ;
2. linegalite x
T
F()x 0 est denie pour x appartenant à un sous ensemble de R
n
qui nest
pas R
n
tout entier.
Neanmoins, dans certains cas, il est possible de presenter certaines règles de transformation qui
permettent de reecrire le problème doptimisation en un problème doptimisation sous contraintes
LMI equivalent.
evrier 2006
3.6.1 Règles de transformation si F() nest pas une fonction ane en
Règle 1 : changement de base dans R

n
Posons x = T() x, avec R
m
, T() R
mm
inversible. Par suite :
c = R
m
[ x R
n
0, x
T
F()x > 0 = R
m
[ x R
n
0, x
T
H() x > 0
avec H() = T()
T
F()T(). Si H() est une fonction ane en alors c est bien une contrainte
LMI.
Consequence de la règle 1 : le lemme de Schur
Lemme 3.6.1 (lemme de Schur) Soit une matrice symetrique partionnee :
_
A B
B
T
C
_
o` u A et C sont des matrices carrees. Cette matrice est denie positive si et seulement si A et
C B
T
A
1
B sont denies positives.
La demonstration est basee sur la remarque que :
_
I 0
B
T
A
T
I
_ _
A B
B
T
C
_ _
I A
1
B
0 I
_
=
_
A 0
0 C B
T
A
1
B
_
.
Les deux matrices etant congruentes, elles ont memes inerties. En fait, le lemme de Schur se ramène
à un changement de base dans lespace des signaux. En eet, au lieu de considerer lensemble des
q et des p tels que :
_
q
p
_
T
_
A B
B
T
C
_ _
q
p
_
> 0,
nous considerons lensemble des q et des p tels que :
_
q
p
_
T
_
A 0
0 C B
T
A
1
B
_ _
q
p
_
> 0,
avec
_
q
p
_
=
_
I A
1
B
0 I
_ _
q
p
_
.
Interet du lemme de Schur Soient A(), B(), C(), D() quatre matrices fonctions anes
en . Alors C() B()
T
A()
1
B() nest pas une fonction ane en . Neanmoins, daprès le
lemme de Schur :
_
A() > 0
C() B()
T
A()
1
B() > 0

_
A() B()
B()
T
C()
_
> 0
_
C() B()
T
B() A()
_
> 0
Les deux dernières inegalites sont anes en .
Exercice Soit A() une matrice fonction ane de . Mettre sous forme dun problème dopti-
misation LMI la recherche de telle que la valeur singulière maximale de A() soit minimisee.
evrier 2006 39
Remarque En depit de leur nom, les contraintes LMI peuvent etre equivalentes à des contraintes
non lineaires. Ce qui qualie la diculte dun problème doptimisation est plus le fait quil soit
non convexe que le fait quil soit non lineaire.
Exemple (debut) Soit le système lineaire stationnaire :
x(t) = Ax(t) + Bu(t)
o` u u(t) est lentree de commande et x(t) est letat du système, avec A R
nn
et B R
np
.
Question : on recherche une loi de commande par retour detat : u(t) = Kx(t) (cest-à-dire la
matrice K R
pn
) tel que le système en boucle fermee :
x(t) = (A + BK)x(t) (3.11)
soit stable. Il est stable sil existe une matrice P telle que
x
1
R
n
x
T
1
Px
1
> 0
x
2
R
n
x
T
2
_
(A + BK)
T
P + P(A + BK)
_
x
2
< 0
Problème : la seconde inegalite est bilineaire en les inconnues P et K. Posons x
1
= P
1
x
1
et
x
2
= P
1
x
2
. Alors,
x
1
R
n
x
T
1
P
1
x
1
> 0
x
2
R
n
x
T
2
_
AP
1
+ P
1
A
T
+ BKP
1
+ P
1
K
T
B
T
_
x
2
< 0
(3.12)
Apparemment pas susant pour avoir une LMI : à suivre...
Règle 2 : changement de variable sur
Exemple (suite) Les deux inegalites obtenues dans lexemple (3.12) ne sont pas anes en les
variables doptimisation P R
nn
et K R
pn
. Par contre, en posant Q = P
1
R
nn
et
Y = KP
1
R
pn
, elles sont equivalentes à :
x
1
R
n
x
T
1
Q x
1
> 0
x
2
R
n
x
T
2
_
AQ + QA
T
+ BY + Y
T
B
T
_
x
2
< 0
(3.13)
Ce changement de variables est bien pose car la fonction qui relie (P, K) à (Q, Y ) est une bijection.
De plus, les inegalites (3.13) sont bien anes en les variables Q et Y . Par suite, la recherche dune
loi de commande u(t) = Kx(t) stabilisant le système (3.11) peut seectuer de la facon suivante :
1. Trouver Q et Y tels que les inegalites (3.13) soient satisfaites (problème de faisabilite)
2. P = Q
1
et K = Y P
evrier 2006
Exercice Soit le système lineaire stationnaire discret :
x(k + 1) = Ax(k) + Bu(k)
o` u u(k) est lentree de commande et x(k) est letat du système, avec A R
nn
et B R
np
.
Question : on recherche une loi de commande par retour detat : u(k) = Kx(k) (cest-à-dire la
matrice K R
pn
) tel que le système en boucle fermee : x(k + 1) = (A + BK)x(k) soit stable.
Il est stable sil existe une matrice P telle que
x
1
R
n
x
T
1
Px
1
> 0
x
2
R
n
x
T
2
_
(A + BK)
T
P(A + BK) P
_
x
2
< 0
A partir de ces conditions, formuler la recherche dune loi de commande stabilisante sous la forme
dun problème doptimisation sous contraintes LMI.
Règle 3 : elimination de variables
Lemme 3.6.2 Soit G = G
T
R
nn
, U R
rn
avec Rang(U) = r < n et V R
sn
avec
Rang(V ) = s < n. Alors, il existe une matrice K R
sr
telle que linegalite suivante est
veriee :
G + U
T
K
T
V + V
T
KU < 0
si et seulement si il existe R :
G < U
T
U et G < V
T
V
si et seulement si :
U
T
GU
< 0 et V
T
GV
< 0,
avec
U
engendre le noyau de lapplication lineaire associee à la matrice U ;

V
engendre le noyau de lapplication lineaire associee à la matrice V .

Exemple : mise en uvre sur le problème de synthèse de retour detat voir chapitre
4.
Règle 4 : Completion des carres Elle est basee sur legalite :
X
T
X + X
T
Y + Y
T
X = (X + Y )
T
(X + Y ) Y
T
Y.
Règle 5 : Introduction de variables supplementaires (ou variables bidons)
Exemple Soient A() et B() deux matrices fonctions anes en . On veut mettre sous la forme
dun problème doptimisation LMI la recherche dune valeur de telle que
_
Trace(B()
T
A()
1
B()) < 1
A() > 0
(3.14)
evrier 2006 41
On introduit alors la variable supplementaire X telle que :
Trace(X) < 1 et
_
X > B()
T
A()
1
B()
A() > 0
(3.15)
Chercher telle que (3.14) soit satisfaite est equivalent à chercher et X tels que (3.15) soient
satisfaites. Daprès le lemme de Schur, les conditions (3.15) sont equivalentes à :
Trace(X) < 1 et
_
X B()
T
B() A()
_
> 0 (3.16)
Exercice Soit un problème de programmation quadratique : etant donnes A R
mm
et b R
m
,
c R, F R
pm
et g R
p
, avec A > 0 :
minimiser
T
A + 2b
T
+ c
pour R
m
contraint par F g
Le formuler comme un problème de minimisation dun co ut lineaire sous contraintes LMI.
3.6.2 Règle de transformation quand x A() avec A() R
n
et A() ,=
R
n
Soit A() R
n
et A() ,= R
n
. Considerons la contrainte denie par :
c = R
m
[ x A()0, x
T
F()x > 0
Ce nest pas une contrainte LMI car A() ,= R
n
. Dans certain cas, on peut essayer de se ramener
à une contrainte LMI, par exemple, dans le cas o` u :
A() = x R
n
[ x
T
F
1
()x > 0 . . . x
T
F
p
()x > 0
x
T
H
1
()x = 0 . . . x
T
H
q
()x = 0
_
.
Exemple : approximation de lintersection de deux ellipsodes par un troisième el-
lipsode Soient deux ellipsodes
P
1
et
P
2
de centre 0 denis par les matrices denies positives
P
1
et P
2
de dimension n n :
P
1
= x R
n
[ x
T
P
1
1
x < 1 et
P
2
= x R
n
[ x
T
P
2
1
x < 1
On cherche à approcher leur intersection par un troisième ellipsode de centre 0, cest-à-dire, on
recherche le plus petit ellipsode de centre 0, deni par la matrice denie positive P
0
, contenant
lintersection de ces deux ellipsodes. Soit
P
0
cet ellipsode. Alors, il contient lintersection des
ellipsodes
P
1
et
P
2
si on a
x
T
P
0
1
x < 1 pour tout x R
n
tel que x
T
P
1
1
x < 1 et x
T
P
2
1
x < 1
evrier 2006
Ce qui peut se reecrire :
_
x
1
_
T
_
P
0
1
0
0 1
_ _
x
1
_
> 0
pour tout x R
n
tel que
_
x
1
_
T
_
P
1
1
0
0 1
_ _
x
1
_
> 0 et
_
x
1
_
T
_
P
1
2
0
0 1
_ _
x
1
_
> 0
ce qui est equivalent à :
x
T
_
P
0
1
0
0 1
_
x > 0
pour tout x R
n+1
tel que x
T
_
P
1
1
0
0 1
_
x > 0 et x
T
_
P
1
2
0
0 1
_
x > 0
(3.17)
Lemme 3.6.3 (o-procedure) Sils existent
1
R
+
, ...,
p
R
+
,
1
R, ...,
q
R tels que :
x R
n
, x
T
_
F()
p
i=1
i
F
i
()
q
j=1
j
H
j
()
_
x > 0 (3.18)
alors
x A(), x
T
F()x > 0 (3.19)
Exercice Le demontrer.
Exemple : approximation de lintersection de deux ellipsodes.. (suite) Par application
de la o procedure, une condition susante pour que la condition (3.17) soit veriee est que :
1
R
+
,
2
R
+
,
_
P
0
1
0
0 1
_
>
1
_
P
1
1
0
0 1
_
+
2
_
P
1
2
0
0 1
_
(3.20)
Ce qui est equivalent à :
1
R
+
,
2
R
+
,
_
P
0
1
+
1
P
1
1
+
2
P
1
2
0
0 1
1
2
_
> 0 (3.21)
ce qui est equivalent à
1
> 0,
2
> 0, 1 >
1
+
2
et
P
0
1
+
1
P
1
1
+
2
P
1
2
> 0
soit par le lemme de Schur :
1
> 0,
2
> 0, 1 >
1
+
2
,
_

1
P
1
1
+
2
P
1
2
I
I P
0
_
> 0
Les variables de decision sont ici
1
,
2
et P
0
: la contrainte ci-dessus est LMI puisquane en
les variables de decision. En mesurant la taille de lellipsode
P
0
par la trace de la matrice P
0
,
trouver le plus petit ellipsode revient à resoudre un problème de minimisation dun co ut lineaire
sous contraintes LMI (ecrivez le explicitement). Linteret de la o procedure peut etre discute de
facon plus generale.
evrier 2006 43
Consequence de la o-procedure Posons F(,
i
,
j
) = F()
p
i=1
i
F
i
()
q
j=1
j
H
j
().
Le cas interessant est celui o` u F est fonction ane de ,
i
et
j
.
c
t
= R
m
,
i
R,
j
R
+
[ x R0, x
T
F(,
i
,
j
))x > 0
Notez que c
t
est une contrainte LMI. Soit R
m
tel quil existe
i
R
+
,
j
R pour lesquels
(,
i
,
j
) c
t
. Alors daprès la o procedure, c. Par suite, dans le cas de
Problème de Faisabilite remplacer le problème doptimisation :
trouver R
m
tel que c
par
trouver R
m
,
i
R
+
,
j
R
tel que (,
i
,
j
) c
t
revient à faire une restriction. Si le second problème permet de trouver un point faisable
(
faisa
,
faisa
i
,
faisa
j
) alors
faisa
est solution du premier problème. Si le second problème
nadmet pas de point faisable (
faisa
,
faisa
i
,
faisa
j
) alors on ne peut pas conclure sur
lexistence dun point faisable pour le premier problème.
Minimisation dun co ut lineaire remplacer le problème doptimisation :
minimiser c
T
pour c
par
minimiser c
T
pour (,
i
,
j
) c
t
revient à faire une restriction : la resolution du second problème donnera une borne
superieure sur la valeur du minimum pour le premier problème.
3.6.3 Exercice : mise sous forme de problèmes doptimisation LMI
Soit F() une matrice de fonctions dependant lineairement du vecteur reel :
=
_
_
n
_
_
R
n
.
Peut-on mettre les problèmes suivant sous forme de problèmes doptimisation convexe sous contraintes
LMI :
1. minimiser sur R
n
la valeur propre maximale de F() ;
2. maximiser sur R
n
la valeur propre minimale de F() ;
3. minimiser sur R
n
la valeur propre maximale de F()
T
XF() o` u X est une matrice
donnee, symetrique, denie positive.
Si oui, donner le problème doptimisation LMI correspondant.
evrier 2006
Chapitre 4
Formulation de problèmes
dAutomatiques sous forme de
problèmes doptimisation LMI : exemple
de la synthèse H
4.1 Synthèse de correcteur H
P
K
-
- -
z w
y
u
Fig. 4.1 Problème sous forme standard
Soit le système P decrit sur le schema bloc represente gure 4.1 o` u
le vecteur des sorties commandees z(t) est de dimension p
z
;
le vecteur des entrees de critère w(t) est de dimension m
w
;
le vecteur des sorties mesurees
1
y(t) est de dimension p
y
;
le vecteur des entrees de commande u(t) est de dimension m
u
.
Le système P admet pour equations detat :
x(t) = Ax(t) + B
w
w(t) + B
u
u(t)
z(t) = C
z
x(t) + D
zw
w(t) + D
zu
u(t)
y(t) = C
y
x(t) + D
yw
w(t) + D
yu
u(t)
(4.1)
1
En fait, ce signal regroupe les signaux qui entrent dans la loi de commande : ce ne sont pas forcement les
signaux mesures !
45
evrier 2006
Lentier n est lordre de la representation detat. Dans le domaine de Laplace, les equations du
système se reecrivent :
P(p) =
_
P
zw
(p) P
zu
(p)
P
yw
(p) P
yu
(p)
_
=
_
D
zw
D
zu
D
yw
D
yu
_
+
_
C
z
C
y
_
(pI A)
1
_
B
w
B
u
_
z(p)
y(p)
_
= P(p)
_
w(p)
u(p)
_
et u(p) = K(p)y(p)
soit
z(p) =
_
P
zw
(p) + P
zu
(p)K(p)(I P
yu
(p)K(p))
1
P
yw
(p)
_
. .
note PK ou T
l
(P,K)
w(p)
Problème H
standard
1. Etant donne > 0, existe-il une loi de commande K telle que
le système boucle P K soit asymptotiquement stable
(tous les poles du système en boucle fermee sont à partie reelle strictement
negative)
|P K|

2. Si oui, construire une loi de commande K assurant pour le système en boucle
fermee les deux proprietes precedentes.
Ce problème admet deux resolutions possibles. Elles sont en general mise en uvre numeriquement
sur un calculateur. Les deux methodes de resolution ont ete programmees sous Matlab. La première
approche repose sur la resolution dune serie dequations de Riccati. Cest la solution la plus simple
et la plus able numeriquement. Cependant, elle necessite la verication dun certain nombre
dhypothèses qui peuvent etre non veriees alors que le problème H
standard admet une solution.

Ces hypothèses
2
sont :
Hypothèses solution par equations de Riccati
1. rang(D
zu
) = m
u
et rang(D
yw
) = p
y
: ce sont des conditions susantes pour assurer que la
loi de commande K(p) est propre. De facon implicite, cela veut dire aussi quil y a plus de
sorties commandees z que dentrees de commande u (p
z
m
u
) et quil y a plus dentrees de
critère w que de mesures y (m
w
p
y
).
2. rang
_
A jI
n
B
u
C
z
D
zu
_
= n + m
u
garantit que le transfert P
zu
na pas de zero sur laxe
imaginaire.
2
En plus de lhypothèse evidente de stabilisabilite et detectabilite necessaire pour un système en boucle fermee
asymptotiquement stable.
evrier 2006 47
3. rang
_
A jI
n
B
w
C
y
D
yw
_
= n + p
y
garantit que le transfert P
yw
na pas de zero sur laxe
imaginaire.
Une deuxième solution au problème H
standard permet de faire leconomie de ces hy-

pothèses. Une telle approche est basee sur la resolution dun problème doptimisation convexe
sous contraintes dinegalites matricielles lineaires (LMIs). Ici nous allons donner les grandes lignes
de la demonstration de cette solution. Par soucis de simplicite, seul le cas du retour detat, ou
information complète, (cest-à-dire, que le correcteur mesure letat du système : y(t) = x(t) soit
C
y
= I, D
yw
= 0 et D
yu
= 0) sera considere. Le cas general necessite des developpements tech-
niques assez lourds qui napportent rien à la comprehension des idees sous-jacentes. Sa presentation
peut etre trouvee dans la reference [23].
4.2 Synthèse dun correcteur H
par retour detat

Dans le cas du retour detat, le système P admet pour equations detat :
x(t) = Ax(t) + B
w
w(t) + B
u
u(t)
z(t) = C
z
x(t) + D
zw
w(t) + D
zu
u(t)
y(t) = x(t)
On recherche une loi de commande par retour detat (cest-à-dire une matrice K R
pn
) telle
que u(t) = Kx(t) assure :
1. le système boucle est stable ;
2. la norme H
de la fonction de transfert en boucle fermee entre lentree w et la sortie z est

inferieure à .
Les developpements qui suivent sont bases sur le lemme suivant.
Lemma 4.2.1 (Reel borne) Soit un système lineaire stationnaire multivariable stable H decrit
par une representation detat minimale :
o` u x(t) est letat du système, w(t) lentree et z(t) est la sortie. Alors |H|
si et seulement
sil existe une matrice P telle que
_
_
_
P 0
_
A
T
P + PA + C
T
C PB + C
T
D
B
T
P + D
T
C D
T
D
2
I
_
0
(4.2)
Synthèse directe
Le système en boucle fermee admet pour equations detat :
x(t) = (A + B
u
K)x(t) + B
w
w(t)
z(t) = (C
z
+ D
zu
K)x(t) + D
zw
w(t)
evrier 2006
En appliquant le lemme 4.2.1 au système en boucle fermee, il existe un correcteur par retour detat
sil existe une matrice K et une matrice symetrique P telles que P > 0 et :
_
(A + B
u
K)
T
P + P(A + B
u
K) + (C
z
+ D
zu
K)
T
(C
z
+ D
zu
K) PB
w
+ (C
z
+ D
zu
K)
T
D
zw
B
T
w
P + D
T
zw
(C
z
+ D
zu
K) D
T
zw
D
zw
2
I
_
0
(4.3)
Les variables doptimisation sont P et K. Cette inegalite netant pas ane en P et en K, elle ne
denit pas une LMI. Par une serie de transformations, on va montrer que lon peut obtenir une
contrainte LMI equivalente après un changement de variables adequat.
Linegalite (4.3) peut se reecrire :
_
A
T
P + PA + K
T
B
T
u
P + PB
u
K PB
w
B
T
w
P
2
I
_
+
_
(C
z
+ D
zu
K)
T
D
T
zw
_
_
C
z
+ D
zu
K D
zw
0 (4.4)
Lemme 4.2.1 (lemme de Schur) Soit une matrice symetrique partionnee :
_
A B
B
T
C
_
o` u A et C sont des matrices carrees. Cette matrice est denie positive si et seulement si A et
CB
T
A
1
B sont denies positives.
Lemme 4.2.2 (lemme de Schur modie) Soit une matrice symetrique partionnee :
_
A B
B
T
C
_
o` u A et C sont des matrices carrees, avec A denie positive. Cette matrice est denie positive
si et seulement si CB
T
A
1
B est semi denie positive.
Linegalite (4.4) peut alors se reecrire :
_
A
T
P + PA + K
T
B
T
u
P + PB
u
K PB
w
B
T
w
P
2
I
_
. .
C
_
(C
z
+ D
zu
K)
T
D
T
zw
_
. .
B
T
(I)
..
A
1
_
C
z
+ D
zu
K D
zw
. .
B
0
(4.5)
Par application du lemme de Schur modie, on a alors linegalite (4.5) qui est equivalente à :
_
_
A
T
P + PA + K
T
B
T
u
P + PB
u
K PB
w
(C
z
+ D
zu
K)
T
B
T
w
P
2
I D
T
zw
C
z
+ D
zu
K D
zw
I
_
_
0 (4.6)
Linteret de cette transformation est que, dans linegalite obtenue, il ne reste plus que PB
u
K et
K
T
B
T
u
P comme terme bilineaire. On va utiliser une nouvelle transformation puis un changement
de variable de facon à se ramener à une inegalite ane. Pour cela, on va se baser sur la propriete :
evrier 2006 49
Propriete T inversible R
nn
, A 0 T
T
AT 0.
En appliquant cette propriete avec :
T =
_
_
P
1
0 0
0 I 0
0 0 I
_
_
et A =
_
_
A
T
P + PA + K
T
B
T
u
P + PB
u
K PB
w
(C
z
+ D
zu
K)
T
B
T
w
P
2
I D
T
zw
C
z
+ D
zu
K D
zw
I
_
_
on obtient :
_
_
P
1
A
T
+ AP
1
+ P
1
K
T
B
T
u
+ B
u
KP
1
B
w
P
1
(C
T
z
+ K
T
D
T
zu
)
B
T
w

2
I D
T
zw
C
z
P
1
+ D
zu
KP
1
D
zw
I
_
_
0 (4.7)
En posant Q = P
1
R
nn
et Y = KP
1
R
pn
, on obtient :
_
_
QA
T
+ AQ + Y
T
B
T
u
+ B
u
Y B
w
QC
T
z
+ Y
T
D
T
zu
B
T
w

2
I D
T
zw
C
z
Q + D
zu
Y D
zw
I
_
_
0 (4.8)
Dautre part, on a P > 0 Q > 0.
Ce changement de variables est bien pose car la fonction qui relie (P, K) et (Q, Y ) est une
bijection. De plus, les inegalites (4.8) et Q > 0 sont bien anes en les variables Q et Y . Rechercher
Q et Y tels que Q > 0 et (4.8) est donc un problème de faisabilite LMI.
En conclusion, la recherche dune loi de commande u(t) = Kx(t) assurant la stabilite de la
boucle fermee et une norme H
entre w et z inferieure à sobtient de la facon suivante :

1. Trouver Q et Y tels que les inegalites Q > 0 et (4.8) soient satisfaites (problème de faisabilite)
2. P = Q
1
et K = Y P
Existence dun correcteur H
On peut etre interesse par determiner sil existe un correcteur H
pour un donne, sans le

calculer explicitement. Pour cela, on dispose du resultat suivant.
Lemme 4.2.3 (Lemme delimination) Soit G = G
T
R
nn
, U R
rn
avec Rang(U) =
r < n et V R
sn
avec Rang(V) = s < n. Alors, il existe une matrice K R
rs
telle que
linegalite suivante est veriee :
G+U
T
KV +V
T
K
T
U < 0
si et seulement si :
U
T
GU
< 0 et V
T
GV
< 0,
avec
evrier 2006
U
engendre le noyau de lapplication lineaire associee à la matrice

3
U;
V
engendre le noyau de lapplication lineaire associee à la matrice V.

Ce resultat est remarquable puisquil donne une condition necessaire et susante permettant de
tester lexistence dune matrice K telle que la matrice G + U
T
K
T
V + V
T
KU est (semi) denie
negative, sans rechercher K explicitement.
Linegalite (4.8) peut se reecrire :
_
_
QA
T
+ AQ B
w
QC
T
z
B
T
w

2
I D
T
zw
C
z
Q D
zw
I
_
_
. .
G
+
_
_
B
u
0
D
zu
_
_
. .
U
T
Y
..
K
_
I 0 0
. .
V
+
_
_
I
0
0
_
_
Y
T
_
B
T
u
0 D
T
zu
0
(4.9)
En appliquant le lemme 4.2.3, linegalite 4.9 est equivalente à
U
T
GU
0
_
B
T
u
0 D
T
zu
_
QA
T
+ AQ B
w
QC
T
z
B
T
w

2
I D
T
zw
C
z
Q D
zw
I
_
_
_
B
T
u
0 D
T
zu
0
et à
V
T
GV
0
_
I 0 0
_
QA
T
+ AQ B
w
QC
T
z
B
T
w

2
I D
T
zw
C
z
Q D
zw
I
_
_
_
I 0 0
0.
Comme
_
I 0 0
=
_
_
0 0
I 0
0 I
_
_
on a :
V
T
GV
0
_

2
I D
T
zw
D
zw
I
_
0 D
T
zw
D
zw

2
I.
En resume, une condition necessaire et susante dexistence dun correcteur par retour detat
assurant que
1. le système boucle est stable ;
2. la norme H
de la fonction de transfert en boucle fermee entre lentree w et la sortie z est

inferieure à
est donnee par
1. D
T
zw
D
zw

2
I (valeur singulière maximale de D
zw
inferieure ou egale à )
3
Les vecteurs colonnes de U
forment une base du noyau.

evrier 2006 51
2. lexistence dune matrice Q telle que Q > 0 et
_
B
T
u
0 D
T
zu
_
QA
T
+ AQ B
w
QC
T
z
B
T
w

2
I D
T
zw
C
z
Q D
zw
I
_
_
_
B
T
u
0 D
T
zu
0.
On a donc un problème de faisabilite LMI dans lequel le correcteur nest pas recherche
explicitement.
Cette solution a des liens très forts avec la solution par equations de Riccati par retour detat
(information complète). Rappelons que contrairement à la solution par equations de Riccati, il
nest pas necessaire que les hypothèses presentees page 46 soient veriees.
4.3 Lien (ebauche) avec la solution par equation de Riccati
Dans la solution par equations de Riccati, pour obtenir des expressions plus simples, on intro-
duit les conditions supplementaires suivantes :
D
zw
= 0 D
T
zu
_
C
z
D
zu
=
_
0 I
m
u
(4.10)
La condition D
T
zw
D
zw

2
I est automatiquement veriee.
Par suite, un choix possible
4
pour
_
B
T
u
0 D
T
zu
peut etre :
_
_
I 0 0
0 I 0
D
zu
B
T
u
0 C
z
C
T
z
_
_
Par suite, en remplacant
_
B
T
u
0 D
T
zu
par lexpression ci-dessus, on obtient :

U
T
GU
0
_
_
QA
T
+ AQB
u
B
T
u
B
w
QC
T
z
C
z
C
T
z
B
T
w

2
I 0
C
z
C
T
z
C
z
Q 0 C
z
C
T
z
C
z
C
T
z
_
_
0
En supposant que C
z
est de rang plein et par application du Lemme de Schur modie, ceci est
equivalent à
QA
T
+ AQB
u
B
T
u
+
2
B
w
B
T
w
+ QC
T
z
C
z
Q 0
Soit, en post et pre multipliant par P = Q
1
:
PA + A
T
P + P(
2
B
w
B
T
w
B
u
B
T
u
)P + C
T
z
C
z
0.
Cette inegalite de Ricatti correspond à legalite de Ricatti de la solution par equation de Riccati :
X
A + A
T
X
+ X
(
2
B
w
B
T
w
B
u
B
T
u
)X
+ C
T
z
C
z
= 0.
4
Il nest pas unique.
evrier 2006
4.4 Synthèse H
par retour de sortie

Le theorème suivant donne la solution dans le cas o` u letat nest pas mesure par formulation
LMI.
Theorème 4.4.1 Soit le système P dordre n deni par (4.1). Etant donne > 0, il existe un
correcteur K dordre inferieur ou egal à n, deni par la representation detat :
x
K
(t) = A
K
x
K
(t) + B
K
y(t)
u(t) = C
K
x(t) + D
K
y(t)
telle que
le système boucle P K soit asymptotiquement stable
(tous les poles du système en boucle fermee sont à partie reelle strictement negative)
|P K|

si et seulement si il existe deux matrices P et Q telles que :
_
B
T
u
0 D
T
zu
_
QA
T
+ AQ B
w
QC
T
z
B
T
w
I D
T
zw
C
z
Q D
zw
I
_
_
_
B
T
u
0 D
T
zu
0 (4.11)
_
C
y
D
yw
0
_
A
T
P + PA PB
w
C
T
z
B
T
w
P I D
T
zw
C
z
D
zw
I
_
_
_
C
y
D
yw
0
0 (4.12)
et
_
P I
I Q
_
0 (4.13)
Tester lexistence dun correcteur qui assure un niveau de performance donne est un
problème de faisabilite LMI. Tester lexistence dun correcteur qui assure le plus petit niveau
de performance peut secrire comme un problème de minimisation dun co ut lineaire sous
contraintes LMI.
Principe de la demonstration Comme dans le cas du retour detat, le resultat sobtient en
appliquant le lemme reel borne au système en boucle fermee en ayant soin de faire apparatre dans
evrier 2006 53
sa representation detat les matrices detat du correcteur rassemblees dans une matrice par blocs :
_
x(t)
x
K
(t)
_
=
_
_
_
_
_
_
_
A 0
0 0
_
. .
A
+
_
0 B
u
I 0
_
. .
B
u
_
A
K
B
K
C
K
D
K
_
. .
K
_
0 I
C
y
0
_
. .
C
y
_
_
_
_
_
_
_
x(t)
x
K
(t)
_
. .
x(t)

+
_
_
_
_
_
_
_
B
w
0
_
. .
B
w
+
_
0 B
u
I 0
_ _
A
K
B
K
C
K
D
K
_ _
0
D
yw
_
. .
D
yw
_
_
_
_
_
_
w(t)
z(t) =
_
_
_
_
_
_
C
z
0
0 0
_
. .
C
z
+
_
0 D
zu
. .
D
zu
_
A
K
B
K
C
K
D
K
_ _
0 I
C
y
0
_
_
_
_
_
_
_
x(t)
x
K
(t)
_
+
_
D
zw
+
_
0 D
zu
_
A
K
B
K
C
K
D
K
_ _
0
D
yw
__
w(t)
Ceci peut sinterpreter comme commander le système P augmente de n
K
integrateurs :
x(t) =

A x(t) +

B
w
w(t) +

B
u
u(t)
z(t) =

C
z
x(t) + D
zw
w(t) +

D
zu
u(t)
y(t) =

C
y
x(t) +

D
yw
w(t)
par le correcteur par retour statique de sortie :
u(t) =

K y(t).
Letape suivante est dappliquer le lemme reel borne (enonce page 47). On obtient alors une
formulation similaire à la formulation 4.5 : il existe une matrice

P denie positive telle que :
_
A
T
P +

P

A +

C
T
y
K
T
B
T
u
P +

P

B
u
C
y

P

B
w
(
C
z
+

D
zu
C
y
)
T
B
T
w
P
2
I (
D
zw
+

D
zu
D
yw
)
T
C
z
+

D
zu
C
y

D
zw
+

D
zu
D
yw
I
_
_
0 (4.14)
Par application du lemme delimination, on obtient les conditions (4.11) et (4.12) dans lesquelles
on a P et Q telles que :
P =
_
P

_
et

P
1
=
_
Q

_
.
La condition (4.13) garantit que

P > 0.
evrier 2006
4.5 Exemples
4.5.1 Correcteur avec eet integral
On desire commander un système G de representation detat :
x(t) = Ax(t) + Bu(t)
y(t) = Cx(t)
Seule la sortie à commander de G est mesuree. Le correcteur admet pour entree lerreur de suivi
de reference (t) = r(t) y(t). Lobjectif est de faire du suivi dechelon de reference avec une
certaine rapidite et une erreur statique nulle. La commande devra etre raisonnable.
Pour assurer un bon suivi de reference, il est necessaire de contraindre la fonction de transfert
entre r et (T
r
). Cela est fait par lintroduction dune ponderation W
1
(p). On recherche alors
le correcteur satisfaisant
[T
r
(j)[
1
[W
1
(j)[
.
Pour avoir une erreur statique nulle, il est necessaire davoir T
r
(0) = 0. Pour imposer cela, W
1
doit contenir un integrateur, ce qui nest pas possible car toute ponderation doit avoir ses poles à
partie strictement negative.
G K
_
1
6
-
- -
z
1
(t)
-
6
- -
r(t) y(t) u(t) x
I
(t)
..
(t)
+
6
W
2
-
z
2
(t)
Fig. 4.2 Commande integrale
An davoir une erreur statique nulle, on decide dintroduire a priori et explicitement un
integrateur dans le correcteur. On obtient le schema 4.2.
Le gain
1
va permettre de contraindre [T
r
(j)[ puisque si 1 on a
[
1
j
T
r
(j)[ 1 [T
r
(j)[
[[
1
evrier 2006 55
La ponderation W
2
permet de limiter la bande passante du correcteur un imposant :
[T
ru
(j)[
1
[W
2
(j)[
avec
1
W
2
(p)
qui est un ltre passe-bas. W
2
admet pour representation detat :
x
W
2
(t) = A
W
2
x
W
2
(t) + B
W
2
u(t)
z
2
(t) = C
W
2
x
W
2
(t)
Le système mis sous forme standard secrit alors
_
_
x(t)
x
I
(t)
x
W
2
(t)
_
_
=
_
_
A 0 0
C 0 0
0 0 A
W
2
_
_
. .
A
_
_
x(t)
x
I
(t)
x
W
2
(t)
_
_
+
_
_
0
1
0
_
_
. .
B
w
r(t) +
_
_
B
0
B
W
2
_
_
. .
B
u
u(t)
_
z
1
(t)
z
2
(t)
_
=
_
0
1
0
0 0 C
W
2
_
. .
C
z
_
_
x(t)
x
I
(t)
x
W
2
(t)
_
_
+
_
0
0
_
. .
D
zw
r(t) +
_
0
D
W
2
_
. .
D
zu
u(t)
y(t) =
_
0 1 0
. .
C
y
_
_
x(t)
x
I
(t)
x
W
2
(t)
_
_
+
_
0
. .
D
yw
r(t)
Comme D
yw
est nul, il nest pas de rang 1. On ne peut donc pas appliquer la solution par
equation de Riccati.
4.5.2 Rejet de perturbation mesuree avec une certaine dynamique
On considère la mise au point dun correcteur qui doit assurer le suivi de trajectoire de reference
et assurer le rejet dune perturbation b en entree du système à commander. Une solution classique
consiste à choisir un correcteur à un degre de liberte :
u(p) = K(p)(r(p) y(p)).
On suppose que la perturbation est en fait mesuree avec une certaine dynamique, cest-à-dire quil
existe une fonction de transfert passe bas connue F(p) (representant le capteur) telle que lon
mesure le signal de transformee de Laplace F(p)b(p). Par suite, on decide de choisir la structure
de commande
u(p) = K(p)
_
F(p)b(p)
r(p) y(p)
_
.
K(p) a donc deux entrees et une sortie. (voir le schema 4.3).
Montrer que dans ce cas la matrice D
yw
nest pas de rang egal à m
u
= 2 et que la solution par
equation de Ricatti ne peut pas etre utilisee.
evrier 2006
G(p)
u
-
-
6
6
-
6
+
r
y
W
1
(p) W
2
(p)
6 6
z
1
z
2
-
?
W
3
(p)
b
K(p)
F(p)
?
Fig. 4.3 Rejet de perturbation mesuree avec une certaine dynamique
Chapitre 5
Formulation de problèmes
dAutomatiques sous forme de
problèmes doptimisation LMI : au-delà
des systèmes lineaires stationnaires
Un des grands apports de lintroduction de loptimisation LMI, cest de permettre de traiter
de problèmes dAutomatique impliquant des systèmes non lineaires et/ou non stationnaires. Les
aspects de manipulations et de mise en uvre de loptimisation LMI sont similaires à ce qui
a ete vu dans les chapitres precedents. Par contre, la presentation de ces resultats demandent
lintroduction de concepts dAutomatique qui sortent largement du cadre de ce cours. Par suite,
on se contentera de la solution à un problème particulier simple.
5.1 Systèmes à paramètres variant dans le temps
Soient A
i
, i allant de 1 à L, L matrices carrees. On considère le système lineaire non stationnaire
deni par les equations :
x(t) =
L
i=1
i
(t)A
i
x(t) (5.1)
o` u pour i allant de 1 à L, les paramètres variant dans le temps
i
(t) peuvent prendre toutes les
valeurs possibles telles que
i
(t) 0 et
L
i=1
i
(t) = 1.
5.2 Analyse de la stabilite
On cherche à demontrer la stabilite du système deni par 5.1. Une condition susante de
stabilite est donnee par lexistence dune matrice P > 0 telle que :
i
(t) 0,
i
(t) = 1,
_
L
i=1
i
(t)A
i
_
T
P + P
_
L
i=1
i
(t)A
i
_
< 0 (5.2)
(voir la similitude de cette condition avec la condition de stabilite des systèmes lineaires station-
naires introduite page 24).
57
evrier 2006
La diculte est que trouver P > 0 telle que (5.2) soit satisfaite est un problème doptimisation
deni par un nombre inni de contraintes parametrisees par
i
. Neanmoins il est possible de le
transformer en un problème doptimisation de dimension nie par le lemme suivant.
Lemme 5.2.1
i
0,
i
= 1,
0
+
L
i=1
i
> 0 i 1, . . . , L,
0
+
i
> 0
Par application de ce lemme, trouver P > 0 telle que la condition (5.2) soit satisfaite est
equivalent à trouver P > 0 telle que
i 1, , L, A
T
i
P + PA
i
< 0 (5.3)
ce qui est un problème doptimisation de dimension nie.
5.3 Exemple dapplication sur un missile
Lapplication consideree est la commande de la voie de tangage dun missile, cest-à-dire la
commande dun missile suivant le plan vertical. Celle-ci est constituee de deux boucles imbriquees :
1. la boucle (externe) de guidage qui en fonction de la position de lengin et de la trajectoire
desiree delivre des consignes en acceleration à la boucle interne ;
2. la boucle (interne) de pilotage qui à partir de la mesure de lacceleration et de la vitesse
de rotation du missile essaye de suivre les consignes en acceleration delivrees par la voie de
guidage.
Cest la seconde boucle qui nous interesse ici, en ne considerant que les mouvements du missile
dans le plan vertical.
+
x
z
Vxz
y
G
Fig. 5.1 Missile dans le plan vertical
Le missile est represente sur la gure 5.1. G designe le centre de gravite. Le trièdre (Gx, Gy, Gz)
est lie au missile. Le plan vertical est celui deni par (Gx, Gz). Vxz est la projection de la vi-
tesse du missile par rapport au vent sur le plan vertical. Langle entre Vxz et Gx est appele
langle dincidence. On introduit la vitesse de rotation q du missile autour du point G avec les
evrier 2006 59
conventions habituelles dorientation. Le but du correcteur de pilotage est de suivre des demandes
dacceleration
c
suivant Gz en echelon en agissant sur la deexion de la gouverne correspon-
dante. Il possède des caracteristiques interessantes par rapport à ce qui a ete vu precedemment :
il est (fortement) non lineaire. Pour plus de details sur la description dun missile, se rapporter à
la thèse [20].
Le système à analyser se compose donc du missile et du correcteur de la boucle interne. Dans
ce qui suit, nous allons considerer le modèle propose dans larticle [21].
Modèle du missile
En prenant comme variables detat et q pour le missile, la representation detat est :
= cos()K
MC
n
(, , M) + q
q = K
q
M
2
C
m
(, , M)
avec les coecients de portance qui sont donnes par :
C
n
(, , M) = a
n
3
+ b
n
[[ + c
n
(2 M/3) + d
n
C
m
(, , M) = a
m
3
+ b
m
[[ + c
m
(7 + 8M/3) + d
m
On peut estimer que leur domaine de validite est deni par des angles dincidence appartenant à
une plage de 20 degres ( 0, 35 radians). La sortie à commander est donnee par :
=
K
z
grav
M
2
C
n
(, , M)
La dynamique de lactionneur peut etre modelisee par :
=
2
a
2
a
+
2
a
c
La signication et les valeurs numeriques des dierents grandeurs sont donnees dans les ta-
bleaux 5.1 et 5.2 à la n de la section.
Correcteur PI lineaire
-
6
- - - - - - -
6 6
-
_
k
0
k
1
k
2
k
3
q
+
+
+
+
c
Fig. 5.2 Structure du correcteur PI
Un correcteur proportionnel integral de la forme de la gure 5.2 a ete synthetise. Lexpression
du PI est :
c
= k
3
q + k
2
q + (k
1
k
2
)(k
0
c
)
evrier 2006
Modelisation du système
Le modèle du système obtenu en supposant que cos() = 1, que a
m
2a
n
et que b
m
2b
n
est
le suivant :
x = (A + (t)A
)x
o` u x
PI
est la variable detat associee au PI et avec
A =
_
_
K
Mc
n
(2
M
3
) 1 K
Md
n
0 0
K
q
M
2
c
m
(7 +
8M
3
) 0 K
q
M
2
d
m
0 0
0 0 0 1 0
0 k
3
w
2
a
w
2
a
2
a
w
a
w
2
a
k
1
k
2
K
z
grav
M
2
c
n
(2
M
3
) k
2
k
1
k
2
K
z
grav
M
2
d
n
0 0
_
_
(t) = a
n
2
+ b
n
[[
A
=
_
_
K
M 0 0 0 0
2K
q
M
2
0 0 0 0
0 0 0 0 0
0 0 0 0 0
k
1
k
2
K
z
grav
M
2
0 0 0 0
_
_
et x =
_
x
PI
_
_
Vu la forme de la matrice A
, la non linearite impliquee est (t). La non linearite impliquee

se trouve gure 5.3. On peut lencadrer dans deux droites de pente 10 et 0.
0.4 0.3 0.2 0.1 0 0.1 0.2 0.3 0.4
4
3
2
1
0
1
2
3
4
pente 10
pente 0
Fig. 5.3 Secteur englobant la non linearite du missile ((t))
Par suite, le missile peut etre deni par un système LPV avec L = 2, A
1
= A et A
2
= A10A
.
On trouve alors P tel que :
A
T
1
P + PA
1
< 0 et A
T
2
P + PA
2
< 0
Valeurs des variables du modèle
Missile La signication des grandeurs est donnee dans le tableau 5.1. Les valeurs numeriques
sont donnees dans le tableau 5.2. Les unites ne sont pas celles du système international.
evrier 2006 61
angle dincidence en radians
q vitesse de rotation dans le plan (Gx, Gz) (rad/s)
M nombre de Mach
angle de gouverne en radians
c
commande dangle de gouverne en radians
c
consigne dacceleration en g
acceleration en g
Tab. 5.1 Dierentes grandeurs du modèle.
a
n
1, 0286 10
4
deg
3
b
n
0, 94457 10
2
deg
2
c
n
0, 1696 deg
1
d
n
0, 034 deg
1
a
m
2, 1524 10
4
deg
3
b
m
1, 9546 10
2
deg
2
c
m
0, 051 deg
1
d
m
0, 206 deg
1
a
150
a
0, 7
P
0
973, 3 lb/ft
2
S 0, 44 ft
2
m 13, 98 slugs
V 1036, 4 ft/s
d 0, 75 ft
I
y
182, 5 slug.ft
2
K
0, 7PoS/m/V
K
q
0, 7PoSd/I
y
K
z
0, 7PoS/m
grav 32, 2
Tab. 5.2 Valeurs numeriques des paramètres.
evrier 2006
PI Un reglage correct du PI est obtenu pour les valeurs :
k
0
= 1, 12, k
1
= 0, 0867, k
2
= 2, 5, et k
3
= 0, 5
Chapitre 6
Annexe A : rappels sur les matrices
6.1 Rappels sur les matrices
Propriete Sauf cas particuliers, etant donnees deux matrices A et B appartenant à C
nn
:
AB ,= BA
Denition 6.1.1 Soit A C
nn
. Le nombre complexe est valeur propre de A si :
v C
n
, v ,= 0, Av = v.
Le vecteur v est un vecteur propre associe à la valeur propre . A possède alors n valeurs propres
notees
i
(A), i 1, , n.
Interpretation On peut associer à la matrice A une application lineaire :
C
n
C
n
x y = Ax
Pour x vecteur propre associe à une valeur propre de A, le vecteur image y est alors obtenu par
la multiplication de x par le scalaire . Suivant la direction denie par x, A se comporte alors
comme un scalaire.
Caracterisation est valeur propre de A si et seulement si det(I
n
A) = 0 o` u I
n
represente
la matrice identite. De plus, det(I
n
A) est un polynome en appele polynome caracteristique
et note P
c
(). Les valeurs propres de A sont les racines du polynome P
c
() : les valeurs propres
de A peuvent etre ainsi calculee en calculant les racines de P
c
(). Une fois que les valeurs propres
sont determinees, les vecteurs propres peuvent etre obtenus en resolvant lequation en v :
(A I
n
)v = 0.
Denition 6.1.2 Une matrice A C
nn
est inversible (ou non singulière) sil existe une matrice,
notee A
1
C
nn
, telle que :
AA
1
= I
n
Propriete Une matrice A est inversible si et seulement si i 1, , n,
i
(A) ,= 0. A est
inversible si et seulement si det(A) ,= 0 (car det(A) =
n
i=1
i
(A)).
63
64 Chapitre 6 Annexe
Propriete (AB)
1
= B
1
A
1
Denition 6.1.3 La trace dune matrice A (pas forcement symetrique) est la somme des elements
de sa diagonale. Notation : Trace(A).
Propriete Trace(A) =
n
i=1
i
(A)
Propriete Trace(AB) = Trace(BA)
Denition 6.1.4 Linertie dune matrice A est un triplet de 3 entiers indiquant le nombre de
valeurs propres positives, le nombre de valeurs propres negatives et le nombre de valeurs propres
nulles.
Denition 6.1.5 Matrice bloc diagonale :
A =
_
_
A
1
0 0
0 A
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
0 0 A
r
_
_
o` u 0 correspond à la matrice nulle de dimension adequate.
Propriete
i
(A) =
r
j=1
i
(A
j
)
Decomposition en valeurs singulières dune matrice complexe Pour la matrice A
C
mn
, avec
1
m n : elle est denie par 3 matrices dont le produit est :
A = UV
(6.1)
o` u U C
mm
, UU
= I
m
, V C
nn
, V V
= I
n
et
=
_
1
0 0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
0 0
n
0 0
.
.
.
.
.
.
0 0
_
_
avec
1

2

n
0.
Les scalaires reels
i
sont appeles valeurs singulières de la matrice complexe A. Ce ne sont rien
dautre que les racines carrees des valeurs propres de la matrice
2
A
A, cest-à-dire
_
(A
A).
La plus grande valeur singulière
1
denit une norme sur la matrice A. Le nombre de valeurs
singulières de A non nulles indique le rang de la matrice A
La commande Matlab svd permet dobtenir tous les elements de la decomposition en valeurs
singulières dune matrice (complexe). Son calcul est en general numeriquement plus able que
celui de la decomposition en valeurs propres.
1
Dans le cas o` u n > m, la decomposition en valeurs singulières se denit de facon similaire.
2
Cette matrice etant symetrique, ces valeurs propres sont reelles. De plus, comme elle est (semi) denie positive,
ses valeurs propres sont positives ou nulles.
G. Scorletti Version Provisoire du 6 f
evrier 2006 65
Exemples Avec
A =
_
_
1
2
3
_
_
on obtient :
U =
_
_
0.2673 0.5345 0.8018
0.5345 0.7745 0.3382
0.8018 0.3382 0.4927
_
_
=
_
_
3.7417
0
0
_
_
V =
_
1
Avec
A =
_
_
1 2 3
1 2 3
4 5 6 + j
_
_
on obtient :
U =
_
_
0.3588 + 0.0278j 0.5926 + 0.1391j 0.6867 + 0.1685j
0.3588 + 0.0278j 0.5926 + 0.1391j 0.6867 0.1685j
0.8607 0.0139j 0.5042 0.0695j 0
_
_
=
_
_
10.2408 0 0
0 1.0607 0
0 0 0
_
_
V =
_
_
0.4063 0.7840 0.4694
0.5604 + 0.0041j 0.1420 + 0.1967j 0.7222 0.3250j
0.7158 + 0.0922j 0.5655 0.0819j 0.3250 + 0.2166j
_
_
La matrice A etant de rang 2, on observe que seules deux valeurs singulières sont non nulles.
Avant denoncer un certain nombre de proprietes, il est interessant de regarder le cas des
matrices reelles de dimension 2 2. Dans ce cas-là, il existe deux scalaires
1
et
2
tels que :
A =
_
cos(
1
) sin(
1
)
sin(
1
) cos(
1
)
_
. .
U
_

1
0
0
2
_
. .
_
cos(
2
) sin(
2
)
sin(
2
) cos(
2
)
_
T
. .
V
T
Par suite, la matrice U (resp. V ) a ses colonnes orthonormales : elles correspondent à des matrices
associees à des rotations : la matrice U (resp. V ) à une rotation dangle
1
(resp.
2
). Si on applique
la matrice A à un vecteur x, celui-ci subit dabord une rotation denie par la matrice V
T
puis
chacune de ces composantes est dilatee par
i
avant de subir une nouvelle rotation denie par U.
Proprietes On a les proprietes suivantes :
Prop. 1
3
n
(A) = min
|v|, =0
|Av|
|v|
Soient v
1
, v
2
, , v
n
les n vecteurs colonnes de la matrice V . Alors |Av
n
| =
n
(A). De plus,
Av
n
=
n
u
n
, o` u u
n
est la n
i` eme
colonne de la matrice U.
3
Cette propriete nest pas veriee pour n > m.
*
}
i
=
x
V
T
x
V
T
x
Ax
rotation
rotation
dilatation
Fig. 6.1 Transformation de v par A quand
1
= 2 et
2
= 1
Prop. 2
1
(A) = max
|v|, =0
|Av|
|v|
Comme precedemment, Av
1
=
1
u
1
, o` u u
1
est la première colonne de la matrice U. Par suite,
|Av
1
| =
1
(A).
Prop. 3 i 1, , n, Av
i
=
i
u
i
.
Prop. 4 Pour une matrice complexe A inversible,
1
(A) =
1
n
(A
1
)
et
n
(A) =
1
1
(A
1
)
.
Prop. 5 Pour deux matrices complexes A et B, un scalaire complexe ,
1.
1
(A) = [[
1
(A) ;
2.
1
(A + B)
1
(A) +
1
(B) (inegalite triangulaire) ;
3.
1
(AB)
1
(A)
1
(B) (propriete de gain).
6.1.1 Cas des matrices carrees et reelles
Si A R
nn
alors ses valeurs propres sont soit reelles soit complexes conjuguees. Pour une
valeur propre complexe de A, sa conjuguee est aussi valeur propre de A.
Propriete Toute matrice secrit comme la somme dune matrice symetrique et dune matrice
anti symetrique : A = S + G avec S = S
T
et G = G
T
. Lensemble des matrices de dimension
n n forme un espace vectoriel de dimension n
2
, celui des matrices symetriques de dimension
n n forme un espace vectoriel de dimension
n(n + 1)
2
et celui des matrices anti symetriques de
dimension n n forme un espace vectoriel de dimension
n(n 1)
2
.
Propriete Si A est symetrique (A = A
T
) alors ses valeurs propres sont reelles. De plus, ses
valeurs singulières sont le module de ses valeurs propres.
evrier 2006 67
Notations
max
(A) = max
i1,,n
i
(A)
min
(A) = min
i1,,n
i
(A)
Denition 6.1.6 Si A est une matrice symetrique (A = A
T
) alors on peut lui associer une forme
quadratique, cest-à-dire une fonction de R
n
dans R qui à x associe q
A
(x) = x
T
Ax.
Si x ,= 0, q
A
(x) > 0 (q
A
(x) 0) alors A est dite (semi) denie positive.
Notation : A > 0 (A 0).
Caracterisation des matrices denies positives A est symetrique (semi) denie positive si
et seulement si ses valeurs propres sont positives (ou positives ou nulles).
i 1, , n,
i
(A) > 0 (
i
(A) 0)
Caracterisation des matrices denies positives Soit A
i
la sous matrice obtenue à partir
de la matrice A en ne conservant que les i premières lignes et les i premières colonnes. A est
symetrique denie positive si et seulement si :
i 1, , n, det(A
i
) > 0.
Propriete Lensemble des matrices denies positives est un cone convexe.
Propriete Si A > 0 alors Tinversible R
nn
, A = T
T
T. Notation : A
1/2
Propriete T inversible R
nn
, A > 0 T
T
AT > 0.
Denition 6.1.7 (Relation dordre (partiel))
A B A B est une matrice semi denie positive
Caracterisations variationnelles Si A est une matrice symetrique alors
max
(A) = max
x,=0
x
T
Ax
x
T
x
= max
x
T
x=1
x
T
Ax = min
R

I A 0
et
min
(A) = min
x,=0
x
T
Ax
x
T
x
= min
x
T
x=1
x
T
Ax = max
R

I A 0
Par suite :
>
max
(A) I > A
<
min
(A) I < A
Denition 6.1.8 (Produit scalaire de deux matrices) Le produit scalaire de deux matrices
A et B note par < A, B > est deni par :
< A, B >= Trace(AB)
Propriete Si A 0 et B 0 alors < A, B > 0.
Denition 6.1.9 (Valeurs propres generalisees) Soit A R
nn
et soit B R
nn
, B = B
T
et B > 0. Les valeurs propres generalisees de (A, B) sont les valeurs propres de la matrice
4
M = B
1/2
AB
1/2
. De facon equivalente, le nombre complexe est valeur propre generalisee de
(A, B) si :
v C
n
, v ,= 0, Av = Bv.
Caracterisation de la plus grande valeur propre generalisee de (A, B)
max
(A, B) = min
R
B A 0
4
Etant donnee une matrice B = B
T
, B > 0, il est toujours possible de construire une matrice notee B
1/2
telle
que B
1/2
B
1/2
= B, Propriete enoncee precedemment.
Chapitre 7
Annexe B : Ensembles convexes
particuliers
7.1 Ellipsodes
Cest un domaine de R
n
deni par :
= x R
n
[ (x x
c
)
T
P
1
(x x
c
) < 1
avec P = P
T
R
nn
denie positive et x
c
R
n
: centre de lellipsode. La matrice P decrit
lextension de lellipsode dans chaque direction de R
n
. Par exemple pour n = 1, lellipsode est
un intervalle de centre x
c
et de largeur 2
P.
Propriete Cette representation dun ellipsode est unique.
Demi-axes de lellipsode Soit la decomposition de P :
P =
n
i=1
i
v
i
v
T
i
o` u
i
, i 1, . . . , n, sont les valeurs propres de P, classees par ordre decroissant et o` u les vecteurs
propres associes v
i
sont orthonormaux. Chaque demi-axe de lellipsode est deni par le segment
[x
c
, x
c
+
i
v
i
]. Lexcentricite est mesuree par

1
n
. La gure 7.1 correspond à un ellipsode deni
par la matrice :
P =
_
3
4
1
4
1
4
3
4
_
et x
c
=
_
1
2
_
. on a alors
1
= 1, v
1
=
_
1
2
1
2
_
T
,
2
=
1
2
, v
2
=
_

1
2
1
2
_
T
.
La taille dun ellipsode peut etre mesuree par la somme des carres des longueurs des demi
axes, donnee par trace(P) ou par le volume de lellipsode :
vol() =
n
(det(P))
1
2
avec
n
le volume de la boule unite de dimension n.
69
0 0.5 1 1.5 2 2.5 3
0
0.5
1
1.5
2
2.5
3
*

c
1
0.5
v
1

2
0.5
v
2

Fig. 7.1 Exemple dun ellipsode dans R
2
Representation alternative Soit C une matrice
1
de rang plein telle que P = CC
T
. Alors
(x x
c
)
T
P
1
(x x
c
) = (C
1
(x x
c
))
T
(C
1
(x x
c
)
. .
u
) 1
Par suite,
= x R
n
[ u R
n
, |u| 1, tel que x = Cu + x
c
.
7.2 Polyèdres
Un hyperplan est deni par : x [ a
T
x = b o` u a ,= 0 est un vecteur de R
n
. Il denit deux demi
plans : x [ a
T
x b et x [ a
T
x b. Une intersection nie de demi-plans denit un polyèdre :
T = x [ a
T
j
x b
j
, j = 1, , m
Notation compacte : T = x [ Ax b ATTENTION ICI Ax et b sont des vecteurs. Notation
x > y i, x
i
> y
i
.
Un polytope est un polyèdre borne. Il peut se reecrire : il existe v
i
vecteurs tels que :
T =
_
x R
n
[
i
0, i = 1, , k,
k
i=1
i
= 1, x =
k
i=1
i
v
i
_
1
Une telle matrice existe daprès la propriete presentee page 67.
evrier 2006 71
0 0.5 1 1.5 2 2.5 3
0
0.5
1
1.5
2
2.5
3
v
1

v
2

v
4
v
3

Fig. 7.2 Exemple dun polytope dans R
2
v
i
sont appeles sommets du polytope.
Le choix de la representation est important. Par exemple on prend le cube unite de R
n
:
Cube = x [ [x
i
[ 1, i = 1, , n
1. description 1 : 2n inegalites lineaires : e
T
i
x 1 avec e
i
=
_
0 0 1 0 0
T
2. description 2 : 2
n
sommets v
i
(nombre fonction exponentielle de n).
Chapitre 8
Annexe C : TD sur lanalyse et la
commande par LMI, Matlab et la LMI
control toolbox
Les fonctions de Matlab sont organisees par thème. Le noyau Matlab contient les fonctions de
base ; les fonctions plus specialisees sont regroupees dans des botes à outils (pour en avoir la liste,
taper help sous Matlab).
Remarque preliminaire La fonction Matlab : help nomdefonction permet davoir une aide en
ligne sur cette fonction.
La bote à outils LMI control toolbox regroupe deux groupes de fonctions :
1. Le premier groupe rassemble les fonctions permettant la resolution de problèmes doptimi-
sations sous contraintes LMIs (faisabilite, minimisation dun co ut lineaire sous contraintes
LMIs, minimisation de valeur propre generalisee sous contraintes LMIs) :
2. le second groupe rassemble les fonctions resolvant des problèmes dAutomatique par lutili-
sation de loptimisation sous contraintes LMI (par exemple, calcul dun correcteur H
).
Nous allons decouvrir le premier groupe de fonctions à travers la programmation de la norme
H
dune fonction de transfert. Lutilisation de loptimisation LMI pour la analyse sera ensuite
evoquee.
8.1 Calcul de la norme H
dune fonction de transfert

Rappel Soit un système lineaire stationnaire multivariable stable H decrit par une representation
detat minimale :
(8.1)
73
o` u x(t), de dimension n, est letat du système, w(t) lentree et z(t) est la sortie La resolution du
problème doptimisation suivant permet dobtenir le carre de la norme H
de H :
min
R, P = P
T
R
nn
_
_
P 0
_
A
T
P + PA + C
T
C PB + C
T
D
B
T
P + D
T
C D
T
D I
_
0
(8.2)
Il sagit dun problème de minimisation dun co ut lineaire sous contraintes LMIs. Les variables de
decision sont et P. La fonction mincx permet de resoudre un tel problème. Exemple :
[copt,xopt] = mincx(lmisys, c)
Entrees la première entree lmisys est une variable qui decrit lensemble des variables de decision
et lensemble des contraintes LMIs, la seconde c est une variable qui decrit la fonction de
co ut.
Sorties La première sortie copt donne la valeur optimale du co ut, la seconde xopt les valeurs
des variables de decision pour lequel ce co ut est atteint.
Comment denir la variable decrivant les contraintes LMIs ? La commande Matlab lmiedit
ouvre une interface utilisateur qui va permettre de la denir simplement.
>> lmiedit
La fenetre representee gure 8.1 souvre alors. La gure se decompose en trois zones. Dans
la première (name the LMI) est entre le nom de la variable qui va contenir la description des
variables et des contraintes LMI. Les variables sont introduites ligne par ligne. La première colonne
contient le nom de la variable, la seconde sa structure (S pour matrice symetrique, R pour matrice
rectangulaire et G pour autre) et la dernière colonne permet de denir ses dimensions (par exemple
dans le cas dune matrice symetrique [n,1] denit une matrice symetrique de dimension n par
n).
La seconde zone (describe the matrix variables) va contenir la description des variables
doptimisation. La troisième zone contient alors la description des contraintes LMIs. Par exemple,
une condition necessaire et susante de stabilite pour le système (8.1) est donnee par lexistence
dune matrice symetrique P telle que
_
P > 0
A
T
P + PA < 0
La gure 8.2 illustre comment cet ensemble de variables et de contraintes est deni sous lmiedit.
Cette denition peut etre alors sauvegardee sous forme dun chier .m à laide du bouton write
de lmiedit. On obtient alors le chier suivant :
setlmis([]);
P=lmivar(1,[n,1]);
lmiterm([-1 1 1 P],1,1); % LMI #1: P
lmiterm([2 1 1 P],A,1,s); % LMI #2: A*P+P*A
stab=getlmis;
evrier 2006 75
Fig. 8.1 Fenetre LMIedit
Dans la LMI control toolbox, chaque LMI est de la forme :
L()
..
termedegauche
< R()
..
termededroite
.
Par defaut, un terme vaut 0. Chaque terme peut etre decoupe en sous blocs en fonction du besoin
considere. Par exemple,
L() =
_
L()
11
L()
12
L()
21
L()
22
_
setlmis([]) indique que lon va creer un nouvelle ensemble de contraintes et de variables ;
P=lmivar(1,[n,1]) denit la variable de decision P qui est symetrique (premier argument de
lmivar à 1) de dimension n par n; la fonction lmivar peut admettre trois arguments en
sortie : [P,ndec,Pstruct]=lmivar(1,[n,1]) o` u ndec indique le nombre de variables de
decision denies jusquà maintenant (taille du vecteur ) et o` u Pstruct indique le lien entre
la variable de decision matricielle P et les dierentes composantes du vecteur de variable de
decision . Par exemple, dans le cas o` u n=2, on a :
>> Pstruct
Pstruct =
1 2
2 3
lelement (1,1) de P correspond au premier element du vecteur de variables de decision, etc..
Fig. 8.2 Fenetre LMIedit
lmiterm([-1 1 1 P],1,1) denit (une partie du) sous bloc de coordonnees (1,1) (deuxième et
troisième elements de [-1 1 1 P]) du terme de droite (premier element de [-1 1 1 P]
negatif) de la première contrainte LMI (premier element de [-1 1 1 P] dont la valeur
absolue vaut 1) ; ce terme secrit I P I (le premier I correspond au second argument de
la commande lmiterm([-1 1 1 P],1,1), la variable P est denie par le quatrième element
du vecteru [-1 1 1 P], le second au troisième argument) ;
lmiterm([2 1 1 P],A,1,s) denit (une partie du) sous bloc de coordonnees (1,1) (deuxième
et troisième elements de [2 1 1 P]) du terme de gauche (premier element de [2 1 1 P]
positif) de la seconde contrainte LMI (premier element de [2 1 1 P] dont la valeur absolue
vaut 2) ; ce terme secrit A P I (le premier A correspond au second argument de
la commande lmiterm([2 1 1 P],A,1,s), la variable P est denie par le quatrième
element du vecteur [2 1 1 P], la matrice I au troisième argument de la commande). Le
quatrième argument s indique que le sous bloc contient aussi le symetrique de A P
I soit I P A.
Exercice En utilisant lmiedit, generer un chier .m permettant de denir lensemble des va-
riables et des contraintes associees au problème doptimisation LMI (8.2) sous le nom de lmisys.
On prendre soin de denir en premier eta an quil apparaisse en premier dans le vecteur de
variables de decision.
Par suite, le vecteur c denissant la fonction de co ut est deni par :
c = zeros((n*(n+1)/2+1),1); c(1) = 1;
evrier 2006 77
Completer le chier precedemment obtenu de cet ligne dinstruction ainsi que de la ligne :
[copt,xopt] = mincx(lmisys, c)
En prenant la racine carree de copt (fonction sqrt) la norme H
est alors obtenue. Le programme

va etre teste sur le calcul de la norme H
dun système du second ordre :

H(p) =

2
0
p
2
+ 2
0
0
p +
2
0
deni dans le chier sys hinf.m :
w0 = 10; xsi0 = 0.01;
sys = ltisys(tf, w0^2, [1, 2*xsi0*w0, w0^2]);
[A,B,C,D] = ltiss(sys);
n = 2;
Tester le programme ainsi obtenu.
Le vecteur xopt contient la valeur du vecteur de variables de decision pour lequel le minimum
est atteint. Il est plus important de connatre la valeur des variables de decision sous forme
matricielle. Pour cela, on dispose de la fonction dec2mat : la ligne de commande
Popt = dec2mat(lmisys,xopt,P);
permet dobtenir la valeur de la variable P pour laquelle le minimum est atteint. On peut verier
que la solution optimale est correcte cest-à-dire que Popt a bien ses valeurs propres positives
>> eig(Popt)
et quavec P =Popt on a :
_
A
T
P + PA + C
T
C PB + C
T
D
B
T
P + D
T
C D
T
D I
_
0
Pour cela, la ligne de commande
>> evalsys = evallmi(lmisys, xopt);
permet devaluer les matrices denissant les contraintes pour = xopt. La ligne de commande
>>[lhs,rhs] = showlmi(evalsys, 2);
permet alors devaluer les deux termes de la seconde LMI. On verie ensuite que
>> eig(lhs)
Paramètres doptimisation La fonction mincx peut admettre un troisième argument dentree
options qui est un vecteur de 5 elements :
options(1) xe la precision relative sur le co ut optimal (par defaut, cest 10
3
) ;
options(2) xe le nombre maximum diterations (par defaut, cest 100) ;
options(3) xe le rayon R de faisabilite (par defaut, cest 10
9
) : dans lalgorithme, la norme du
vecteur de variables de decision est bornee par R :
T
R
2
. Une valeur de R trop faible
peut sur contraindre le problème et donc modier la solution, une valeur de R trop elevee
peut mener à des problèmes numeriques.
options(4) xe le nombre maximum diterations au bout duquel si la fonction de co ut na pas
decru dune valeur superieure à la precision relative consideree le programme est arrete (par
defaut, cest 10) ;
options(5) = 1 supprime les achages dans la fenetre Matlab lors de lexecution de mincx, =0
les retablit (par defaut, cest 0).
Si un element de options est à 0 alors la valeur par defaut est selectionnee.
Jouer sur la première option pour obtenir une meilleure precision.
Ecacite par rapport à une approche directe Comparer le resultat obtenu avec un examen
direct des valeurs singulières de H(j) en fonction de la pulsation (voir gure 8.3).
Singular Values
Frequency (rad/sec)
S
i
n
g
u
l
a
r

V
a
l
u
e
s

(
d
B
)
10
0
10
1
10
2
10
0
10
20
30
31
32
33
34
35
40
Fig. 8.3 Valeurs singulières de H(p) splot(sys,sv,logspace(0,2,500))
evrier 2006 79
8.2 LMI et -analyse : des critères graphiques à loptimi-
sation
m
- -
?
6
6
?
p
q
w
1
w
2
+
+
+
+
Fig. 8.4 Connexion de M avec
Soit m une fonction de transfert stable à une entree et à une sortie. On desire verier que le
système boucle represente gure 8.4 est stable pour tout scalaire [1, 1]
1
. Daprès le theorème
du petit gain structure, une condition necessaire et susante est donnee par :
,
(m(j)) < 1.
(Dans ce qui suit, on considère une pulsation donnee.) On dispose dune borne superieure
sup
(m(j)) telle que
(m(j))
sup
(m(j))
o` u, dans le cas particulier considere, la borne superieure de est obtenue par la resolution du
problème doptimisation suivant :
sup
(M(j)) = min
d R
+
g R
R
+
dm(j)
m(j) + j(gm(j) gm(j)
)
2
d < 0
Dans ce cas particulier, la borne superieure de donne la valeur de . Ce problème est un problème
de minimisation de valeur propre generalisee sous contraintes LMIs.
On garantira la stabilite de la boucle fermee pour tout scalaire [1, 1] si et seulement sil
existe d R
+
et g R tels que :
dm(j)
m(j) + jg(m(j) m(j)
) d < 0 (8.3)
ce qui est un problème de faisabilite LMI.
1
Il sagit en fait dun problème proche de celui de la marge de gain.
Essayons de donner une interpretation graphique à la condition (8.3). Comme d > 0, elle peut
se reecrire en posant g =
g
d
: trouver g R tel que :
m(j)
m(j) + jg(m(j) m(j)
) 1 < 0. (8.4)
En completant les carres, on obtient
(m(j) jg)
(m(j) jg) < 1 + g

2
.
Dans le plan complexe, cette condition revient à verier que le point associe à m(j) est dans le
disque ouvert de centre jg et de rayon
_
1 + g
2
. Ce disque est delimite par le cercle de centre jg
et passant par les points 1 et 1 (voir la gure 8.5).
6
-
1 +1
jg
_
1 + g
2
Fig. 8.5 Disque de centre jg et de rayon
_
1 + g
2
avec g negatif
Interpretons cette condition par rapport au critère de Nyquist. La fonction de transfert m(j)
etant stable, il sut de verier que pour toute valeur de [1, 1], le trace de m(j) dans le plan
complexe pour allant de à nentoure pas le point
1
. Pour cela, en utilisant un argument

de continuite, une condition necessaire et susante est dassurer que pour toute pulsation et
pour tout [1, 1], le point m(j) ne recouvre pas le point
1
.
Quand decrit lintervalle [1, 1], le point
1
decrit le demi axe [, 1] puis le demi axe

[1, +], demi axes qui sont exterieurs au disque ouvert de centre jg et de rayon
_
1 + g
2
. La
condition (8.3) assurant que le point m(j) est dans ce disque, on en deduit que pour la pulsation
, le point m(j) ,=
1
pour tout [1, 1].

Pour une pulsation donnee, le programme Matlab mu int.m permet de construire un tel
disque. La resolution du problème (8.4) correspond à un problème de faisabilite qui peut etre code
sous la LMI control toolbox de la facon suivante (extrait du programme mu inter.m) :
evrier 2006 81
% Calcul de la reponse frequentielle a la pulsation w
Mw = sresp(sysm, w);
% Construction des matrices augmentees equivalentes aux matrices complexes
Mw_aug = [ real(Mw),imag(Mw);
-imag(Mw),real(Mw)];
jMw_aug = [-imag(Mw), real(Mw);
-real(Mw),-imag(Mw)];
% definition du problème LMI
setlmis([]);
g = lmivar(1,[1,1]);
% contrainte Mw*Mw + jg(Mw-Mw*)- 1 < 0
lmiterm([1 1 1 0],Mw_aug*Mw_aug-1);
lmiterm([1 1 1 g], 1, jMw_aug, s);
Stab=getlmis;
options = zeros(1,5);
options(3) = 4; % limitation du la norme de la variable doptimisation
% calcul de g
[tmin,xfeas] = feasp(Stab,options);
gfeas = xfeas;
En guise de conclusion
Le critère de Nyquist tient une place centrale en Automatique frequentielle classique dans
letude de la robustesse des systèmes en boucle fermee mono variables. Son grand interet est lie
à son utilisation sous forme de critères graphiques. Neanmoins, dans le cas des systèmes multiva-
riables ou meme pour letude de marges dincertitudes plus complexes que la marge de gain ou la
marge de phase, meme si cest le critère de Nyquist qui est utilise, il ne peut plus, en general, etre
mis en uvre sous forme de critères graphiques. Les critères graphiques sont alors remplaces par
la resolution de problèmes doptimisation sous contraintes LMIs. De ce fait, le role de loptimisa-
tion LMI dans lautomatique frequentielle avancee est similaire à celui (fondamental) des critères
graphiques dans lautomatique frequentielle classique.
Bibliographie
[1] V. Blondel and J. N. Tsitsiklis. NP-hardness of some linear control design problems. SIAM
J. of Control and Opt., 35(6), 1997.
[2] S. Boyd and L. El Ghaoui. Method of centers for minimizing generalized eigenvalues. Linear
Algebra and Applications, special issue on Numerical Linear Algebra Methods in Control,
Signals and Systems, 188 :63111, July 1993.
[3] S. Boyd, L. El Ghaoui, E. Feron, and V. Balakrishnan. Linear Matrix Inequalities in Systems
and Control Theory, volume 15 of Studies in Appl. Math. SIAM, Philadelphia, June 1994.
[4] S. Boyd and L. Vandenberghe. Introduction to convex optimization with engineering appli-
cations. Lecture Notes, Information Systems Laboratory. Stanford University, 1995.
[5] R. D. Braatz, P. M. Young, J. C. Doyle, and M. Morari. Computational complexity of
calculation. IEEE Trans. Aut. Control, AC-39(5) :10001002, May 1994.
[6] M. Chilali. Methodes LMI pour lanalyse et la synthèse multi-critère. PhD thesis, Universite
Paris Dauphine, Paris, France, 1996.
[7] Y-S. Chou. Stability Robustness of Systems under Structured Time-Varying Mixed Uncer-
tainty. PhD thesis, University of Maryland, Colledge Park, US, 1996.
[8] C. A. Desoer and M. Vidyasagar. Feedback Systems : Input-Output Properties. Academic
Press, New York, 1975.
[9] J. Doyle, A. Packard, and K. Zhou. Review of LFTs, LMIs and . In IEEE, editor, Proc.
IEEE Conf. on Decision and Control, volume 2, pages 12271232, Brighton, England, De-
cember 1991.
[10] J. C. Doyle. A review of for case studies in robust control. In IFAC Munich, pages 395402,
1987.
[11] J.C. Doyle. Analysis of feedback systems with structured uncertainties. IEE Proc., 129-
D(6) :242250, November 1982.
[12] J.C. Doyle and G. Stein. Multivariable feedback design : Concepts for a classical/modern
synthesis. IEEE Trans. Aut. Control, AC-26(1) :416, February 1981.
[13] L. El Ghaoui and J.P. Folcher. Multiobjective robust control of LTI systems subject to
unstructured perturbations. Syst. Control Letters, 28 :2330, 1996.
[14] L. El Ghaoui, R. Nikoukhah, and F. Delebecque. LMITOOL : A front-end for LMI optimi-
zation, userss guide, February 1995. Avalaible via anonymous ftp to ftp.ensta.fr, under
/pub/elghaoui/lmitool.
[15] L. El Ghaoui and G. Scorletti. Control of rational systems using Linear-Fractional Represen-
tations and Linear Matrix Inequalities. Automatica, 32(9) :12731284, September 1996.
83
[16] M. K. H. Fan, A. L. Tits, and J. C. Doyle. Robustness in the presence of mixed parametric
uncertainty and unmodeled dynamics. IEEE Trans. Aut. Control, 36(1) :2538, January 1991.
[17] G. Ferreres, V. Fromion, G. Duc, and M. MSaad. Non-conservative robustness evaluation of
a multivariable H
missile autopilot. Int. J. Robust and Nonlinear Control, 6(8) :743769,

June 1996.
[18] G. Ferreres, G. Scorletti, and V. Fromion. Advanced computation of the robustness margin.
In Proc. IEEE Conf. on Decision and Control, pages 45804584, December 1996.
[19] S. Font. Methodologie pour prendre en compte la robustesse des systèmes asservis : optimisa-
tion H
et approche symbolique de la forme standard. PhD thesis, Universite Paris XI Orsay,

France, 1995.
[20] V. Fromion. Une approche incrementale de la robustesse non lineaire ; application au domaine
de laeronautique. PhD thesis, Universite de Paris Sud Orsay, January 1995.
[21] V. Fromion, G. Scorletti, and G. Ferreres. Nonlinear performance of a PID controlled missile :
a simple explanation. Int. J. Robust and Nonlinear Control, (9) :485518, 1999.
[22] V. Fromion, G. Scorletti, and G. Ferreres. Nonlinear performance of a PID controlled missile :
a simple explanation. Int. J. Robust and Nonlinear Control, (9) :485518, 1999.
[23] P. Gahinet and P. Apkarian. A linear matrix inequality approach to H
control. International
Journal of Robust and Nonlinear Control, 4 :421448, 1994.
[24] P. Gahinet, A. Nemirovsky, A. L. Laub, and M. Chilali. LMI Control Toolbox. The Mathworks
Inc., 1995.
[25] K.C. Goh and M.G. Safonov. Robust analysis, sectors and quadratic functionals. In IEEE,
editor, Proc. IEEE Conf. on Decision and Control, New Orleans, Louisiana, 1995.
[26] R. A. Horn and C. A. Johnson. Matrix Analysis. Cambridge University Press, 1985.
[27] J.H. Ly, R.Y. Chiang, K.C. Goh, and M.G. Safonov. Mutiplier K
m
/-analysis-LMI approach.
In Proc. American Control Conf., pages 431436, June 1995.
[28] J.H. Ly, M.G. Safonov, and R.Y. Chiang. Real / complex multivariable stability margin
computation via generalized popov multiplier - LMI approach. In Proc. American Control
Conf., 1994.
[29] A. Nemirovskii. Several NP-hard problems arising in robust stability analysis. MCSS, 6 :99
105, 1993.
[30] Yu. Nesterov and A. Nemirovsky. Interior point polynomial methods in convex programming :
Theory and applications. SIAM, Philadelphia, PA, 1994.
[31] A. Packard. Gain scheduling via linear fractional transformations. Syst. Control Letters,
22(2) :7992, February 1994.
[32] A. Packard and J.C. Doyle. The complex structured singular value. Automatica, 29(1) :71
109, 1993.
[33] A. Packard and P. Pandey. Continuity properties of the real/complex structured singular
value. IEEE Trans. Aut. Control, 38(3) :415428, 1993.
[34] V. M. Popov. Hyperstability of Control Systems. Springer-Verlag, New York, 1973.
[35] A. Rantzer and A. Megretski. System analysis via integral quadratic constraints. In Proc.
IEEE Conf. on Decision and Control, pages 30623067, December 1994.
[36] R. T. Rockafellar. Convex Analysis. Princeton Univ. Press, Princeton, second edition, 1970.
evrier 2006 85
[37] M. Safonov and T.-C. Tsao. Feedback Control, Nonlinear Systems and Complexity, chapter
The Unfalsied Control Concept : A Direct Path from Experiment to Controller, pages 196
214. B. A. Francis and A. R. Tannenbaum (editors), Springer-Verlag : Berlin, 1995.
[38] M. G. Safonov. Stability and Robustness of Multivariable Feedback Systems. MIT Press,
Cambridge, 1980.
[39] M. G. Safonov. Stability margin of diagonaly perturbed multivariable feedback systems. IEE
Proc., Part D, 129(6) :251256, 1982.
[40] M. G. Safonov and M. Athans. A multiloop generalization of the circle criterion for stability
margin analysis. IEEE Trans. Aut. Control, AC-26(2) :415422, April 1981.
[41] G. Scorletti. Approche Uniee de lanalyse et la commande des systèmes par formulation
LMI. PhD thesis, Universite dOrsay, Paris, France, 1997. In French.
[42] G. Scorletti. Robustness analysis with time delays. In IEEE, editor, Proc. IEEE Conf. on
Decision and Control, pages 38243829, San Diego, California, December 1997.
[43] G. Scorletti and L. El Ghaoui. Improved LMI conditions for gain scheduling and related
problems. Int. J. Robust and Nonlinear Control, 8(10) :845877, August 1998.
[44] A.L. Tits, V. Balakrishnan, and L. Lee. Robustness under bounded uncertainty with phase
information. IEEE Trans. Aut. Control, 44(1), 1999.
[45] O. Toker and H. Ozbay. On the NP-hardness of solving bilinear matrix inequalities and
simultaneous stabilization with static output feedback. In American Control Conference,
pages 25252526, June 1995.
[46] L. Vandenberghe and S. Boyd. Semidenite programming. SIAM Review, 38(1) :4995, March
1996.
[47] J. C. Willems. The Analysis of Feedback Systems, volume 62 of Research Monographs. MIT
Press, Cambridge, Massachusetts, 1969.
[48] J. C. Willems. Least squares stationnary optimal control and the algebraic Riccati equation.
IEEE Trans. Aut. Control, AC-16(6) :621634, december 1971.
[49] V. A. Yakubovich. A frequency theorem in control theory. Siberian Mathematical Journal,
14(2) :265289, MarchApril 1973.
[50] G. Zames. On the input-output stability of time-varying nonlinear feedback systemsPart
I : Conditions derived using concepts of loop gain, conicity, and positivity. IEEE Trans. Aut.
Control, AC-11 :228238, April 1966.
[51] G. Zames. On the input-output stability of time-varying nonlinear feedback systemsPart
II : Conditions involving circles in the frequency plane and sector nonlinearities. IEEE Trans.
Aut. Control, AC-11 :465476, July 1966.
[52] G. Zames. Feedback and optimal sensitivity : Model reference transformations, multiplicative
seminorms, and approximate inverses. IEEE Trans. Aut. Control, AC-26(2) :301320, April
1981.

Cours DEA Supelec LMI 2006

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cours DEA Supelec LMI 2006

Uploaded by

Copyright:

Available Formats

Outils pour la robustesse : inegalites matricielles anes

par retour detat . . . . . . . . . . . . . . . . . . . . 47

par retour de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

dune fonction de transfert . . . . . . . . . . . . . . . . . . 73

Fig. 2.3 Ensemble non convexe (gauche), convexe (droite)

Fig. 2.8 cas de gure consideres

inferieure `a 1 et telle que , (j) avec

(M) telle que

(M) < 1. Une condition susante est alors :

note la matrice A transposee et conjuguee.

DM D < 0 est equivalent `a

DM D < 0 F() > 0 avec

et meme valeur de la fonction de co ut pour

de la fonction de transfert associee.

V (x) < 2V (x). On prend V (x) = x

V (x) < 2V (x)

qui est obtenue par la resolution du probl`eme doptimisation suivant :

) alors on sarrete, sinon on eectue les initialisations

est le point faisable recherche.

) > 0 (faire un raisonnement par labsurde). Par

R`egle 1 : changement de base dans R

engendre le noyau de lapplication lineaire associee `a la matrice U ;

engendre le noyau de lapplication lineaire associee `a la matrice V .

4.1 Synth`ese de correcteur H

standard admet une solution.

standard permet de faire leconomie de ces hy-

par retour detat

de la fonction de transfert en boucle fermee entre lentree w et la sortie z est

entre w et z inferieure `a sobtient de la facon suivante :

On peut etre interesse par determiner sil existe un correcteur H

pour un donne, sans le

engendre le noyau de lapplication lineaire associee `a la matrice

engendre le noyau de lapplication lineaire associee `a la matrice V.

de la fonction de transfert en boucle fermee entre lentree w et la sortie z est

forment une base du noyau.

par lexpression ci-dessus, on obtient :

par retour de sortie

, la non linearite impliquee est (t). La non linearite impliquee

dune fonction de transfert

est alors obtenue. Le programme

dun syst`eme du second ordre :

m(j) + j(gm(j) gm(j)

m(j) + jg(m(j) m(j)

m(j) + jg(m(j) m(j)

(m(j) jg) < 1 + g

. Pour cela, en utilisant un argument

decrit le demi axe [, 1] puis le demi axe

pour tout [1, 1].

missile autopilot. Int. J. Robust and Nonlinear Control, 6(8) :743769,

et approche symbolique de la forme standard. PhD thesis, Universite Paris XI Orsay,

You might also like