🔢 mathematics

Lecture Note for Bounded Controls in Continuous-Time and Control of Several Variables

Diese Vorlesungsnotizen für fortgeschrittene Doktoranden entwickeln die Theorie der optimalen Steuerung mit Box-Nebenbedingungen, indem sie die Anpassung des Pontryagin'schen Maximumprinzips, Projektionsformeln und numerische Forward-Backward-Sweep-Verfahren auf Basis des Werkes von Lenhart und Workman erläutern.

Ursprüngliche Autoren: Louis Shuo Wang

Veröffentlicht 2026-04-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Louis Shuo Wang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind der Kapitän eines riesigen Schiffes (das ist Ihr System, z. B. ein biologischer Prozess, ein Wirtschaftsmarkt oder ein Roboter). Ihr Ziel ist es, das Schiff von Punkt A nach Punkt B zu steuern, dabei aber den Kraftstoffverbrauch so gering wie möglich zu halten (oder den Gewinn so hoch wie möglich).

Das Problem? Sie haben keine unbegrenzte Macht. Ihr Ruder (die Steuerung) kann nicht beliebig weit nach links oder rechts gedreht werden. Es gibt physische Grenzen:

Sie können nicht schneller als 20 Knoten fahren (obere Grenze).
Sie können nicht rückwärts fahren, wenn der Motor blockiert ist (untere Grenze).

Diese Vorlesungsnotizen erklären, wie man das perfekte Steuerungsmanöver berechnet, wenn solche Grenzen existieren.

1. Der große Fehler: "Zuerst planen, dann zurechtschneiden"

Viele Leute machen einen klassischen Fehler. Sie denken: "Ich berechne erst den idealen Kurs, als hätte ich keine Grenzen. Wenn ich dann sehe, dass ich schneller als 20 Knoten fahren müsste, schneide ich den Wert einfach auf 20 ab."

Das ist falsch!
Stellen Sie sich vor, Sie planen eine Wanderung. Wenn Sie einfach den kürzesten Weg durch einen Berg zeichnen und dann sagen "Okay, da wo der Berg ist, klettern wir einfach nicht", haben Sie keinen echten Weg. Sie müssen den Berg in Ihre Planung einbeziehen.
In der Mathematik bedeutet das: Wenn Sie die Grenzen ignorieren und erst am Ende "abkürzen" (clipping), verändern Sie damit auch, wie sich das Schiff bewegt. Die Grenzen müssen während der Berechnung berücksichtigt werden, nicht danach.

2. Die Magische Formel: Der "Klemm"-Effekt (Clamping)

Wie findet man den richtigen Weg mit Grenzen? Die Autoren nutzen eine clevere Methode, die sie Hamilton-Funktion nennen. Stellen Sie sich das wie eine Landkarte der Kosten vor.

Ohne Grenzen: Die Karte zeigt einen perfekten, glatten Hügel. Der beste Weg ist genau dort, wo der Hügel am tiefsten ist (oder am höchsten, je nachdem, was man will).
Mit Grenzen: Jetzt gibt es eine Mauer links und rechts.
- Wenn der perfekte Punkt hinter der Mauer liegt, gehen Sie einfach bis zur Mauer und bleiben dort stehen.
- Wenn der perfekte Punkt zwischen den Mauern liegt, gehen Sie dorthin.

Die Mathematik nennt das Projektion. Es ist wie ein Gummiband: Sie ziehen es zum idealen Punkt, aber wenn es an eine Wand stößt, bleibt es an der Wand hängen. Das ist die Formel:

Nimm den idealen Wert. Wenn er zu klein ist, nimm die Untergrenze. Wenn er zu groß ist, nimm die Obergrenze. Sonst nimm den idealen Wert.

3. Der "Schalter"-Effekt (Bang-Bang)

Manchmal ist die Aufgabe so einfach, dass es nur zwei Möglichkeiten gibt: Vollgas oder Bremsen.
Stellen Sie sich einen Thermostat vor. Wenn es zu kalt ist, schaltet er die Heizung auf Maximum ("Bang"). Wenn es warm genug ist, schaltet er sie aus ("Bang"). Es gibt keinen "halben" Modus, der sinnvoll ist.
In der Mathematik nennt man das Bang-Bang-Steuerung. Das Schiff fährt entweder mit voller Kraft oder gar nicht. Der Moment, in dem es umschaltet, wird durch eine "Schaltfunktion" bestimmt – wie ein unsichtbarer Taktstock, der sagt: "Jetzt! Umsteigen!"

4. Der Vorwärts-Rückwärts-Tanz (Forward-Backward Sweep)

Wie berechnet man das alles im Computer? Man kann es nicht auf einmal lösen, weil man zwei Dinge gleichzeitig braucht:

Wo ist das Schiff jetzt? (Vergangenheit/Gegenwart)
Wo muss es in der Zukunft sein, um optimal zu sein? (Zukunft)

Das ist wie ein Tanz:

Schritt 1 (Vorwärts): Sie simulieren die Reise mit einem ersten Versuch. "Okay, ich fahre so."
Schritt 2 (Rückwärts): Sie schauen zurück von der Zielzeit. "Wenn ich dort ankommen will, hätte ich vor einer Stunde anders steuern müssen."
Schritt 3 (Anpassung): Sie passen Ihren Kurs an, basierend auf dem Rückblick.
Schritt 4 (Wiederholung): Sie wiederholen den Tanz immer wieder, bis die Vorwärts-Reise und der Rückblick perfekt zusammenpassen.

Wichtig dabei: Bei jedem Schritt des Tanzes wird sofort geprüft: "Ist meine Geschwindigkeit noch innerhalb der Grenzen?" Wenn nein, wird sie sofort korrigiert (geklammert), bevor man den nächsten Schritt macht.

5. Mehrere Schiffe und komplexe Probleme

Die Notizen gehen auch auf komplexere Szenarien ein:

Mehrere Schiffe: Was, wenn Sie nicht nur ein Schiff, sondern ein ganzer Flotte steuern müssen, die sich gegenseitig beeinflusst? (Mehrere Zustände).
Ressourcen-Budget: Was, wenn Sie nicht nur Zeit, sondern auch eine begrenzte Menge an Treibstoff haben, die Sie über die ganze Reise genau aufteilen müssen? (Isoperimetrische Nebenbedingungen).
- Die Lösung: Man baut einen "Zähler" in das Schiff ein, der den Treibstoffverbrauch zählt. Am Ende muss der Zähler genau bei der erlaubten Menge stehen. So wird ein globales Problem zu einem lokalen Problem.

Zusammenfassung für den Alltag

Die Kernbotschaft dieser Vorlesung ist: Grenzen sind nicht nur eine nachträgliche Korrektur.

Wenn Sie ein Problem lösen, bei dem Sie etwas begrenzen müssen (Zeit, Geld, Kraftstoff, Dosis), dürfen Sie nicht erst das "Traum-Szenario" berechnen und dann die Ecken abschneiden. Sie müssen die Grenzen von Anfang an in die Berechnung einweben. Die Mathematik bietet dafür elegante Werkzeuge (wie das "Klemmen" oder den "Vorwärts-Rückwärts-Tanz"), die sicherstellen, dass Ihr Ergebnis nicht nur theoretisch gut, sondern auch in der realen Welt machbar ist.

Es ist der Unterschied zwischen einem Architekten, der ein Haus auf dem Papier baut und dann sagt "Oh, der Baum steht im Weg, wir schneiden das Haus einfach zu", und einem Architekten, der den Baum von Anfang an in den Plan integriert.

Titel und Zielsetzung

Titel: Vorlesungsskript: Beschränkte Steuerungen in der kontinuierlichen Zeit und Steuerung mehrerer Variablen
Autor: Louis Shuo Wang (Department of Mathematics, Northeastern University)
Zielgruppe: Fortgeschrittene Doktoranden und Studierende mit Vorkenntnissen in Variationsrechnung, adjungierten Systemen und nichtlinearer Analysis.
Zweck: Entwicklung einer Theorie erster Ordnung für optimale Steuerungsprobleme mit Box-Beschränkungen (Kastenbeschränkungen) für die Steuergrößen und Erweiterung auf Mehrvariablen-Systeme. Die Notizen basieren maßgeblich auf dem Werk von Lenhart und Workman.

1. Problemstellung

Das Skript adressiert eine zentrale Klasse optimaler Steuerungsprobleme vom Bolza-Typ, bei denen die Steuergröße $u(t)$ nicht frei über $\mathbb{R}^m$ variiert, sondern durch physikalische, technologische oder regulatorische Grenzen eingeschränkt ist.

Das allgemeine Problem lautet:
$\max_{u(\cdot)} J(u) = \int_{t_0}^{t_1} f(t, x(t), u(t)) \, dt + \phi(x(t_1))$
unter den Nebenbedingungen:
$\dot{x}(t) = g(t, x(t), u(t)), \quad x(t_0) = x_0, \quad u(t) \in U \text{ fast überall}$
wobei $U$ eine kompakte Box ist, z. B. $U = [a_1, b_1] \times \dots \times [a_m, b_m]$ .

Der Kern der Problematik liegt darin, dass die Beschränkungen nicht einfach nachträglich auf eine unbeschränkte Lösung angewendet werden dürfen, sondern integraler Bestandteil des Optimalitätssystems sein müssen.

2. Methodik und theoretischer Rahmen

2.1 Hamilton-Formalismus mit Box-Beschränkungen

Das Skript definiert die Hamilton-Funktion $H(t, x, u, \lambda) = f + \lambda^\top g$ . Im Gegensatz zu unbeschränkten Problemen, wo die Optimalität oft durch $\frac{\partial H}{\partial u} = 0$ gegeben ist, gilt bei Beschränkungen das Pontryagin'sche Maximumprinzip (PMP) in seiner verallgemeinerten Form:
Die optimale Steuerung $u^*(t)$ muss die Hamilton-Funktion punktweise über der zulässigen Menge $U$ maximieren:
$u^*(t) \in \arg \max_{v \in U} H(t, x^*(t), v, \lambda^*(t))$

2.2 Skalare Box-Beschränkungen und Vorzeichenbedingungen

Für skalare Steuerungen $u \in [a, b]$ wird die Optimalitätsbedingung in äquivalente Vorzeichenbedingungen umgewandelt (Komplementaritätsbedingungen):

Wenn $u^* = a$ , dann muss $\frac{\partial H}{\partial u} \leq 0$ gelten.
Wenn $a < u^* < b$ , dann muss $\frac{\partial H}{\partial u} = 0$ gelten.
Wenn $u^* = b$ , dann muss $\frac{\partial H}{\partial u} \geq 0$ gelten.

2.3 Projektionsformel für quadratische Hamilton-Funktionen

Ein wesentlicher methodischer Beitrag ist die Herleitung einer exakten Projektionsformel für den Fall, dass $H$ strikt konkav und quadratisch in $u$ ist (z. B. $H = \Psi + \beta u - \frac{\rho}{2}u^2$ ).
Der unbeschränkte Kandidat $\tilde{u} = \beta / \rho$ wird auf das Intervall $[a, b]$ projiziert:
$u^*(t) = \text{clamp}_{[a,b]}(\tilde{u}(t)) = \min\{b, \max\{a, \tilde{u}(t)\}\}$
Dies ist keine heuristische Korrektur, sondern die exakte punktweise Optimierung.

2.4 Bang-Bang-Struktur und Schaltfunktionen

Ist die Hamilton-Funktion affin in der Steuerung ( $H = \Psi + \sigma(t)u$ ), so hängt die Steuerung nur vom Vorzeichen der Schaltfunktion $\sigma(t) = \frac{\partial H}{\partial u}$ ab. Dies führt zu einer Bang-Bang-Struktur, bei der die Steuerung an den Rändern ( $a$ oder $b$ ) liegt und nur bei Vorzeichenwechsel von $\sigma(t)$ springt.

2.5 Numerische Implementierung: Forward-Backward-Sweep

Das Skript beschreibt den Forward-Backward-Sweep-Algorithmus (FBSM) für beschränkte Steuerungen. Der kritische Unterschied zu unbeschränkten Problemen liegt im Update-Schritt der Steuerung:

Vorwärtsintegration der Zustände.
Rückwärtsintegration der adjungierten Variablen.
Update: Berechnung des unbeschränkten Kandidaten und sofortige Projektion auf $U$ innerhalb jedes Iterationsschritts.
Das Skript warnt explizit davor, eine unbeschränkte Lösung erst zu berechnen und sie danach abzuschneiden (Post-hoc-Truncation), da dies die Kopplung zwischen Zustand und Adjungierter ignoriert und zu suboptimalen Lösungen führt.

3. Erweiterungen auf Mehrvariablen-Systeme (Teil II)

Der zweite Teil des Skripts erweitert die Theorie auf Systeme mit mehreren Zuständen ( $x \in \mathbb{R}^n$ ) und mehreren Steuerungen ( $u \in \mathbb{R}^m$ ).

Allgemeine PMP-Bedingungen: Die Bedingungen werden komponentenweise formuliert. Für konvexe Mengen $U$ wird die Optimalität durch Variationsungleichungen mit Normalenkegeln ( $0 \in -\frac{\partial H}{\partial u} + N_U(u^*)$ ) ausgedrückt.
Lineare Quadratische Regler (LQR): Für lineare Dynamik und quadratische Kosten wird die Riccati-Differentialgleichung hergeleitet. Dies ermöglicht eine geschlossene Feedback-Lösung $u^*(t) = -R^{-1}B^\top S(t)x(t)$ , wobei $S(t)$ die Lösung der Riccati-Gleichung ist.
Reduktion höherer Ordnung: Höhere Differentialgleichungen werden durch Einführung zusätzlicher Zustandsvariablen in Systeme erster Ordnung überführt.
Isoperimetrische Nebenbedingungen: Integralnebenbedingungen (z. B. begrenzte Gesamtmenge einer Ressource) werden durch Einführung einer Hilfszustandsvariable $z(t)$ in Randwertbedingungen umgewandelt, sodass das Standard-PMP anwendbar bleibt.

4. Wichtige Ergebnisse und Beiträge

Präzisierung des PMP: Klare Formulierung, wie das Maximumprinzip bei kompakten Steuermengen modifiziert wird (Maximierung über $U$ statt stationärer Punkt).
Exakte Projektionsformel: Beweis, dass für quadratische Kosten die beschränkte Lösung durch einfaches "Clampen" des unbeschränkten Kandidaten gewonnen wird, solange die Hamilton-Funktion strikt konkav ist.
Strukturelle Unterscheidung: Detaillierte Analyse der Phasen einer optimalen Steuerung: Sättigung (obere/untere Schranke), innere Bahn (unbeschränkt) und Übergänge.
Warnung vor Post-hoc-Truncation: Theoretischer Nachweis, dass das Abschneiden einer unbeschränkten Lösung nachträglich falsch ist, da die adjungierten Variablen (und damit die Steuerungsgesetze) von der Beschränkung beeinflusst werden.
Algorithmische Anleitung: Konkrete Anleitung zur Implementierung beschränkter Steuerungen in numerischen FBSM-Verfahren durch projektive Updates.

5. Signifikanz und Anwendungsbereiche

Das Skript ist von hoher Bedeutung für die angewandte Mathematik, insbesondere in den Bereichen:

Mathematische Biologie und Epidemiologie: Modellierung von Dosierungen (Medikamente, Impfstoffe), die physikalisch begrenzt sind ( $0 \le u \le u_{max}$ ).
Ökonomie und Ressourcenmanagement: Steuerung von Erntemengen oder Investitionen unter Kapazitätsgrenzen.
Ingenieurwissenschaften: Behandlung von Aktuator-Sättigungen.

Die Notizen schließen eine Lücke zwischen der abstrakten Theorie des Pontryagin-Prinzips und der praktischen numerischen Umsetzung. Sie betonen, dass Beschränkungen nicht als nachträgliche Korrektur, sondern als fundamentaler Teil des Optimalitätssystems behandelt werden müssen. Für Doktoranden bietet das Skript zudem einen Überblick über fortgeschrittene Themen wie singuläre Bögen, die Beziehung zur Hamilton-Jacobi-Bellman-Gleichung (HJB) und die Existenztheorie.