A Hybrid Systems Model of Feedback Optimization for Linear Systems: Convergence and Robustness

Resumen Técnico: Modelado Híbrido para Optimización por Retroalimentación en Sistemas Lineales

1. Planteamiento del Problema

La optimización por retroalimentación (feedback optimization) es una estrategia que calcula las entradas de un sistema utilizando mediciones de salida en tiempo real para mitigar efectos de perturbaciones y modelos inexactos. Sin embargo, la literatura existente suele modelar estos sistemas de dos formas homogéneas:

• Dinámica continua con algoritmos de optimización continuos.
• Dinámica discreta con algoritmos de optimización discretos.

El problema central es que las implementaciones prácticas a menudo combinan dinámica física en tiempo continuo (el sistema real) con computación en tiempo discreto (controladores digitales). Los modelos puramente continuos o discretos no capturan con precisión la interacción de muestreo, retardo computacional y aplicación de entradas en estos escenarios híbridos. Además, existe una falta de garantías analíticas sobre la robustez de estos sistemas híbridos frente a perturbaciones simultáneas en:

1. Los valores de las salidas medidas.
2. Los parámetros de la matriz del sistema (modelo LTI).
3. Los instantes de tiempo en los que se aplican las nuevas entradas (muestreo no periódico o con errores de tiempo).

2. Metodología

Los autores proponen un modelo de sistema híbrido basado en el marco teórico de [18] (Goebel, Sanfelice, Teel) para describir la optimización por retroalimentación.

• Sistema Subyacente: Se considera un sistema lineal e invariante en el tiempo (LTI) con dinámica continua:
  $$\dot{x} = Ax + Bu, \quad y = \Psi x + d$$
  donde $d$ es una perturbación desconocida constante. Se asume que el sistema ya ha sido estabilizado (la matriz $A$ es Hurwitz).
• Algoritmo de Optimización: Se utiliza un algoritmo de descenso de gradiente proyectado para calcular la entrada $u$, minimizando una función objetivo cuadrática $\Phi(u, y)$ sujeta a restricciones.
• Modelado Híbrido ($H_{FO}$):
  • Estado Híbrido ($\zeta$): Incluye el estado del sistema $x$, la entrada $u$, la salida muestreada $y_s$, la iteración actual del optimizador $z$, y dos temporizadores ($\tau_c$ y $\tau_g$).
  • Flujo (Dinámica Continua): El sistema evoluciona continuamente con entradas constantes mientras los temporizadores cuentan hacia cero.
  • Salto (Dinámica Discreta): Ocurren saltos cuando los temporizadores llegan a cero. Estos saltos modelan:
    1. Actualización de la iteración del gradiente (sin cambiar la entrada al sistema).
    2. Muestreo de la salida y aplicación de la nueva entrada al sistema.
  • Condiciones de Bien-posedness: Se verifica que el modelo cumple con las "condiciones básicas híbridas" (conjuntos cerrados, mapas semicontinuos externamente, etc.), lo que garantiza la existencia y unicidad de soluciones.

3. Contribuciones Clave

El artículo presenta cuatro contribuciones principales:

1. Formulación de un Modelo Híbrido Bien-Posto: Se demuestra que el modelo propuesto es bien-posto, todas sus soluciones máximas son completas (existen para todo tiempo) y no exhiben comportamiento Zeno (infinitos saltos en tiempo finito).
2. Acotación del Error de Estado: Se establece una cota teórica para la distancia entre el estado del sistema y un estado objetivo deseado, demostrando convergencia exponencial a una bola de radio conocido.
3. Garantías de Robustez Analítica: Se prueba que el sistema es robusto frente a perturbaciones acotadas en:
   • Valores de las salidas medidas.
   • Matrices del modelo LTI ($A, B, \Psi$).
   • Tiempos de muestreo y aplicación de entradas.
   • Nota: Esta es la primera prueba analítica que demuestra robustez simultánea ante todos estos tipos de perturbaciones en un contexto de optimización por retroalimentación híbrida/muestreada.
4. Validación por Simulación: Se confirma experimentalmente la capacidad del sistema para rechazar perturbaciones.

4. Resultados Principales

• Convergencia (Teoremas 1 y 2): Bajo supuestos de separación de escalas de tiempo (al menos $\ell$ iteraciones de gradiente entre cambios de entrada), el estado del sistema converge exponencialmente a un conjunto acotado alrededor del estado óptimo. El radio de este conjunto depende de la precisión del modelo, la tasa de muestreo y los parámetros del algoritmo.
• Robustez (Teorema 3): Se demuestra que, para cualquier horizonte de tiempo acotado, las soluciones de un sistema perturbado ($H_{FO}^\iota$) permanecen $\epsilon$-cercanas a las soluciones del sistema nominal ($H_{FO}$), siempre que las perturbaciones sean suficientemente pequeñas. Esto valida la estabilidad estructural del modelo frente a errores de modelado y temporización.
• Simulaciones:
  • En el caso nominal, el error de estado $\|x - \tilde{x}\|$ converge a un valor numérico cercano a cero ($3.26 \times 10^{-15}$).
  • En el caso perturbado, se variaron errores en los temporizadores ($\kappa$) y en las matrices del sistema ($\mu$). Los resultados mostraron que el error en estado estacionario depende principalmente de los errores en el modelo del sistema ($\mu$), mientras que los errores temporales afectan la tasa de convergencia pero no el error final de manera tan drástica.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre la teoría de control óptimo y la implementación digital práctica.

• Realismo de Implementación: Al modelar explícitamente la interacción entre dinámica continua y computación discreta, el modelo es más fiel a los sistemas de control reales que los modelos puramente continuos o discretos.
• Garantías de Seguridad: Las pruebas de robustez son cruciales para aplicaciones críticas (como redes eléctricas o procesos químicos) donde los modelos nunca son perfectos y los sensores/actuadores tienen ruido y retardos.
• Novedad Teórica: Proporciona el primer marco analítico que garantiza la estabilidad y robustez simultánea frente a múltiples fuentes de incertidumbre en un esquema de optimización por retroalimentación híbrida, permitiendo el uso de muestreo aperiódico y computación con tiempos variables.

En conclusión, el paper establece una base teórica sólida para implementar algoritmos de optimización por retroalimentación en sistemas físicos reales controlados por computadoras digitales, asegurando que el sistema no solo converja, sino que lo haga de manera robusta ante las inevitables imperfecciones del mundo real.