Optimality-Based Control Space Reduction for Infinite-Dimensional Control Spaces

Resumen Técnico: Reducción del Espacio de Control Basada en la Optimalidad para Espacios de Control de Alta Dimensión

Planteamiento del Problema
El artículo aborda la solución numérica de problemas de control óptimo (OCP) cuadráticos lineales no restringidos gobernados por ecuaciones diferenciales parciales (PDE) parabólicas variantes en el tiempo. Estos problemas involucran espacios de estados ($V$) y de controles ($U$) de alta dimensión o de dimensión infinita, lo que hace que la optimización numérica directa sea computacionalmente prohibitiva. El enfoque estándar consiste en la Reducción de Orden del Modelo (MOR), típicamente mediante proyección de Galerkin, para reducir el espacio de estados. Sin embargo, los métodos tradicionales suelen tratar el espacio de control de forma separada o no explotan plenamente la relación estructural entre el estado reducido y el control óptimo, lo que puede introducir errores de aproximación innecesarios o sobrecarga computacional.

Metodología
Los autores proponen un marco que integra la reducción del espacio de estados con una reducción inducida del espacio de control, fundamentada en las condiciones de optimalidad de primer orden del OCP.

1. Reducción de Control Inducida: La idea teórica central es que, para los OCP cuadráticos lineales no restringidos, proyectar la ecuación de estado sobre un subespacio reducido $V_r \subset V$ define implícitamente un subespacio de control reducido $U_r \subset U$. Específicamente, el control óptimo $\bar{u}$ está relacionado con el estado adjunto óptimo $\bar{p}$ mediante la condición $\bar{u} = -\frac{1}{\beta} J_U^{-1} B' \bar{p}$. Si el estado adjunto reducido $\bar{p}_r$ pertenece a $V_r$, entonces el control óptimo resultante $\bar{u}_r$ pertenece automáticamente al subespacio $U_r = \text{span}\{J_U^{-1} B' v_i\}$, donde $\{v_i\}$ es la base de $V_r$.
2. Equivalencia de Problemas Reducidos: Los autores demuestran que el OCP "reducido en el estado" (donde el control aún se busca en el espacio completo $U$) y el OCP "combinado de reducción de estado y control" (donde el control se restringe a $U_r$) son equivalentes. El minimizador del primero reside naturalmente en el segundo, lo que significa que restringir la optimización a $U_r$ no introduce ningún error de aproximación adicional.
3. Estimación de Error A Posteriori: El artículo deriva límites de error a posteriori tanto inferiores como superiores para el control óptimo. A diferencia de algunos métodos existentes, estos límites no dependen de que el modelo reducido satisfaga exactamente la condición de optimalidad, lo que permite su aplicación a iterados arbitrarios en un bucle de optimización. Los límites cuantifican la distancia entre el control óptimo del Modelo de Orden Completo (FOM) y un candidato de control arbitrario.
4. Algoritmo Adaptativo: Se desarrolla un algoritmo en línea-adaptativo (Algoritmo 1) para resolver el OCP. En lugar de una fase de entrenamiento offline, el algoritmo construye los espacios reducidos $V_r$ y $U_r$ de forma iterativa durante el proceso de solución. Utiliza la Descomposición de Órdenes Propias (POD) sobre instantáneas (snapshots) de las variables de estado y de adjunto generadas por el iterado actual. El algoritmo termina cuando las estimaciones de error a posteriori caen por debajo de una tolerancia especificada.

Contribuciones Clave

• Equivalencia Teórica: El artículo establece que la reducción del espacio de estados induce por sí sola una estructura de control reducida, demostrando la equivalencia entre los OCP reducidos en estado y los reducidos en estado y control combinados. Esto elimina la necesidad de errores de discretización de control explícitos en el análisis.
• Límites de Error: Proporciona límites de error a posteriori rigurosos, tanto inferiores como superiores, para el error del control óptimo. Estos límites son aplicables a controles arbitrarios en el espacio, no solo a los óptimos, lo que facilita su uso en esquemas de optimización iterativos sin requerir que el modelo reducido se resuelva con precisión de máquina en cada paso.
• Prueba de Convergencia: Se demuestra la convergencia del algoritmo adaptativo propuesto en espacios de Hilbert separables. La prueba demuestra que el algoritmo construye una secuencia de iterados que convergen a la solución del FOM a medida que la dimensión reducida aumenta.
• Eficiencia Numérica: El estudio demuestra que resolver el OCP en el espacio reducido combinado produce aceleraciones significativas en comparación con resolver únicamente en el espacio reducido de estado.

Resultados
Experimentos numéricos en un OCP de PDE parabólica con parámetros de regularización ($\beta$) variables validan los hallazgos teóricos:

• Verificación de la Equivalencia: Comparar el OCP reducido en estado con el OCP reducido de control y estado combinados mostró que la diferencia en los controles óptimos fue insignificante (del orden de $10^{-9}$ a $10^{-16}$), confirmando la equivalencia teórica.
• Aceleración: El enfoque de reducción de control y estado combinados (Control-ROM) logró aceleraciones de aproximadamente 9x en comparación con el enfoque de reducción de estado (ROM) por sí solo.
• Comparación con el FOM: Comparado con el Modelo de Orden Completo (FOM), el método Control-ROM logró aceleraciones que oscilaron entre 3.6x y 34.2x, dependiendo del valor de $\beta$. La aceleración aumentó a medida que $\beta$ disminuía (es decir, a medida que el problema se volvía más mal condicionado), debido a que el modelo reducido requería menos iteraciones externas para converger.
• Estimación de Error: Se verificó que los límites de error a posteriori derivados eran ajustados (sharp), con el límite superior siguiendo de cerca el error real y el límite inferior proporcionando una estimación válida, aunque a veces conservadora.

Significancia y Reivindicaciones
Los autores afirman que su enfoque ofrece una "reducción variacional" del espacio de control. Al aprovechar las condiciones de optimalidad, el método evita el error de aproximación adicional típicamente asociado con la discretización explícita del control. Este punto de vista simplifica el análisis de convergencia y mejora las estimaciones de error. El artículo posiciona este trabajo como una estrategia de MOR adaptativa y certificada, adecuada para resoluciones únicas de OCP con parámetros fijos, donde la descomposición tradicional offline-online es menos efectiva debido al alto costo del entrenamiento offline. Los resultados sugieren que, para problemas cuadráticos lineales no restringidos, restringir la optimización al subespacio de control inducido implícitamente no solo es teóricamente sólido, sino también computacionalmente superior, ofreciendo una aceleración significativa sin pérdida de precisión. Los autores señalan que, si bien el marco actual se centra en problemas cuadráticos lineales, la lógica subyacente respecto a la entrada lineal del control y el funcional de costo cuadrático sugiere una aplicabilidad potencial, aunque no probada, a las PDE no lineales bajo suficientes condiciones de optimalidad de segundo orden.