ناتساویهای ماتریسی خطی (LMI)

دیدگاهها

1. 

   لیلا 19 شهریور 1396

   سلام آقای دکتر
   وقت بخیر
   ابتدا از جنابعالی بخاطر همه ی ویدئوهای مفید و به دور از نگاه بازاری، که دراین سایت قرار دادید ا سپاسگزارم.
   من یک LMI دارم که یکی از درایه های آن Q^ -1 می باشد . ماتریس Q یکی از متغیرهای من هست که با دستور sdpvar تعریف شده است.
   ضمنا شرط Q>0 نیز جز محدودیت ها لحاظ شده . (Q ماتریس مربعی 4در 4 است.)
   ولی هنگام run این خطا را می دهد:
   Only scalars can have negative or non-integer powers
   در صورت امکان راهنمایی بفرمایید.

   • 

     علی جوادی 19 شهریور 1396

     @لیلا,
     با سلام و تشکر از لطف شما
     مشکل این جاست که شما LMI ندارید بلکه NMI دارید چون هم خود Q رو دارید و هم معکوسش رو. بنابراین نمیتونید مستقیما مساله خودتون رو با متلب حل کنید.
     باید از یه روشی مثل Cone Complementarity Linearization یا CCL استفاده کنید تا NMI رو به LMI تبدیل کنید. برای مشاهده الگوریتم CCL مثلا میتونید به مقاله زیر مراجعه کنید:
     http://ieeexplore.ieee.org/document/618250

     • 

       لیلا 19 شهریور 1396

       @علی جوادی,

       ممنون از وقتی که گذاشتید.
       آقای دکتر ،دو تا مساله ای که یادم رفت بگم خدمتتون:
       1) این بود که مقاله در داخل LMI ماتریس Q^-1 را مستقیما وارد نکرده بلکه اومده یه متغیر جدیدی بصورت G=Q^-1 رو تعریف کرده و داخل LMI از متغیر G استفاده کرده …..آیا این مطلب کمکی می کنه؟
       2) ضمنا خود مقاله بارها روابط رو LMI معرفی می کند…
       واقعا ممنون میشم نظرتون رو بفرمایید.

       • 

         علی جوادی 20 شهریور 1396

         @لیلا,
         خوب اگر G رو به عنوان یک متغیر جدید تعریف کرده و خود Q (که معکوس G هستش) هم داخل ناتساوی موجوده، بنابراین باز هم یک متغیر دارید که هم خودش و هم معکوسش در ناتساوی وجود داره و بنابراین باز هم LMI نیست.
         ممکنه مقاله با یه روشی مساله رو به LMI تبدیل کرده و معکوس رو بنحوی از بین برده. مقاله رو با دقت بیشتر بخونید
         امیدوارم این توضیحات کمک کرده باشه

         • 

           لیلا 2 مهر 1396

           @علی جوادی,
           سلام آقای دکتر
           بابت تاخیر عذرخواهی می کنم…
           نا متاسفانه مشکل همچنان برطرف نشده
           ولی همین که شما پاسخگو هستید و وقت میذارید، سپاسگزارم.

2. 

   مسعود 13 تیر 1396

   سلام خوب اون پرسشم مربوط به نتیجه شبیه سازی قطار بود دیگه .

   • 

     علی جوادی 13 تیر 1396

     @مسعود,
     همونطور که در اول پست می‌بینید، آشنایی با متلب جزو پیش نیازهای این سری فیلم هاست

3. 

   مسعود 13 تیر 1396

   سلام مهندس ببخشید راجب plotها سوال داشتم که یادم رفته یه جایی بود که بدون حفظ دستور میانبر میرفتیم نتایج شبیه سازیو مثلا زمان میدادیم یا صفحه سیاهو زمینشو سفید میکردیم الان میرم اونقسمت ولی توی اون نوار ابزار که گزینه بیشتری بود الان فقط چهار تا هست یقیه نیستن مثلا یک پنجره سمت راست بالای توی اون تنظیمات بود اون نیس یا مثلا میخواستیم اسم برای هر نموار بغل تصویر بزاریم لطفا راهنمایی کنید.

   • 

     علی جوادی 13 تیر 1396

     @مسعود,
     سلام
     در اینجا به سوالات مربوط به LMI جواب داده میشه. لطفا به فایلهای آموزشی متلب مراجعه کنید

4. 

   محمد غضنفری 8 تیر 1396

   با سلام
   بنده دنبال یه مقاله نه خیلی سخت در زمینه LMI هستم ( با کد های آماده ) می خواستم بدونم که یه چنین مقاله ای دم دستتون هست ؟
   (البته من قبلا مقاله قطار رو از سایتتون خریداری کردم اگه ممکنه یه مقاله دیگه باشه )

   • 

     مدیر سایتادمین سایت ( مالک تایید شده ) 9 تیر 1396

     @محمد غضنفری,
     سلام موضوعی که شما میخواید برای ما مقدور نیست اما در مورد اینکه یه آموزش مثل آموزشی که خریداری کردید رو بخواید باید هشت نفر پیش خرید انجام بدن تا مقاله ای با محوریت موضوع شما آماده بشه. یا اینکه شما هزینه هشت نفر رو پرداخت کنید.
     سپاسگزارم

5. 

   مدیر سایتادمین سایت ( مالک تایید شده ) 6 تیر 1396

   @امیر یوسف زاده,
   سلام
   در حال حاضر تخفیفی که اعمال شده تخفیف 40 درصده و تخفیف 20 درصد وجود نداره!
   برای دریافت کد تخفیف 40 درصد به کانال ما مراجعه بفرمایید
   سپاسگزارم

6. 

   علی جوادی 6 تیر 1396

   @امیر یوسف زاده,
   سلام
   تخفیف 20 درصدی کل جلسات در قیمت نهایی اعمال شده است. اگر دقت کنید قیمت کل جلسات 60000 تومان است ولی با 20 درصد تخفیف 48000 تومان قیمت گذاری شده است

7. 

   امیر یوسف زاده 6 تیر 1396

   سلام
   من کل جلسات رو برای خرید انتخاب می کنم ولی تخفیف 20 درصدی شامل حالم نمی شه.

8. 

   مسعود 1 تیر 1396

   سلام مهندس من مشکلم باز حل نشد ایا منظور شما از تولباکس همان یالمیپ است بله اونو نصب کردم وتستم کردم داخل یالمیپ فقط چنتا سالور بودن . لطفا بیشتر توضیح بدین ببینید تو فیلم فقط روش نصب یالمیپو گفته دیگه راجب ارور برنامه چیزی نگفته که لطفا کمکم کنید

   • 

     علی جوادی 1 تیر 1396

     @مسعود,
     بله منظورم همون تولباکس یالمیپ هستش. اون خطایی که گفتید بعد از نصب تولباکس نباید ببینید مگر اینکه خطای دیگری ببینید. مثلا ممکنه مشکل از این باشه که شما solver مورد استفاده در کد رو ندارید که در اینصورت کافیه در دستور sdpsettings نوع solver رو انتخاب نکنید تا خود تولباکس از solver هایی که داره انتخاب کنه

9. 

   مسعود 28 خرداد 1396

   سلام مهندس راجب خطالی اون برنامه قطار شناور که گفتین یالمیپ رو نصب کنم بازم مشکل حل نشد چکار کنم خطار م قبلا فرستادم.

   • 

     علی جوادی 28 خرداد 1396

     @مسعود,
     اگر تولباکس رو درست نصب کرده باشید، قطعا نباید همون خطا رو ببینید به خاطر اینکه دستور sdpvar داخل تولباکس تعریف شده. با روشی که در جلسه 6 گفتم (دقیقه 34)، نصب تولباکس رو تست کنید

10. 

    Elham 27 خرداد 1396

    ممنون از پاسخگویی سریع و دقیقتون.
    اینکه من از روش تکراری استفاده کردم برای این بود که به عنوان مثال یکبار آلفا را ثابت فرض میکنم بعد نسبت به بتا مینیمم سازی انجام میدهم سپس این روند را برای آلفا به کار میگیرم.
    مسئله که بنده بر روی آن کار میکنم به شکل زیر است:
    Maximize α
    X,S,M1,M2
    Minimum β
    X,S,M1,M2
    Subject to X>0, β>0, α>0,S>0
    [I S ;S I)]>0
    -A1 X+BM1-XA1^T+M1^T B^T-2αX>0
    -A2 X+BM2-XA2^T+M2^T B^T-2αX>0
    [βS {(A1X – BM_1 )-(A2 X – BM2)}^T; {(A1 X-BM1 )-(A_2 X-BM2)}; I)]>0
    با توجه به مسئله بالا یعنی روش حل بنده مشکل داشته است؟
    اگر امکانش هست میشه لطف کنید، بگید برای حل اینگونه مسائل باید از چه روشی استفاده کنم؟

    • 

      علی جوادی 27 خرداد 1396

      @Elham,
      داخل ناتساوی ها حاصلضرب آلفا و ایکس و همچنین بتا و اس وجود داره و بنابراین با solver های عادی نمیشه مساله رو حل کرد چون ناتساوی ها اصلا LMI نیستند. پیشنهاد من اینه که شما هر بار آلفا و بتا رو یه مقداری تعیین کنید و مساله feasibility رو حل کنید به جای مینیمم سازی. اگر جواب داد بتا رو کمتر و آلفا رو بیشتر کنید و در غیر اینصورت برعکس عمل کنید. این کار رو تا جایی ادامه بدید تا هم LMI ها feasible بشه و هم تا حد ممکن بتا مینیمم و آلفا ماکزیمم بشه.