Localization for nonlocal gradient-based optimal control problems

Resumen Técnico: Localización para Problemas de Control Óptimo Basados en Gradientes No Locales

Planteamiento del Problema
Este artículo investiga problemas de control óptimo formulados dentro de un marco de espacios funcionales no locales caracterizado por dos parámetros distintos: un parámetro fraccional $s \in (0, 1)$ y un parámetro de horizonte $\delta > 0$. La variable de control $g$ pertenece a un conjunto admisible $Z_{ad}$, mientras que la variable de estado $u$ reside en un espacio de Sobolev no local $H^{s,p,\delta}_0(\Omega-\delta; \mathbb{R}^n)$. El estado $u$ está restringido a minimizar una densidad de energía no local $W^{s,\delta}_g$, que depende del control $g$. El objetivo es minimizar un funcional de costo $F(u, g)$ sujeto a estas restricciones no locales.

El estudio aborda dos escenarios principales respecto a la densidad de energía $W$:

1. Caso Convexo: La energía es estrictamente convexa, modelada específicamente por un $p$-Laplaciano no local (o energía de Dirichlet $p$-ponderada).
2. Caso No Convexo: La energía es policonvexa o cuasiconvexa, satisfaciendo cotas estándar de crecimiento $p$. En este contexto, existen minimizadores pero no son necesariamente únicos.

El desafío matemático central es analizar la "localización" de estos problemas, demostrando cómo las soluciones convergen a problemas de control óptimo basados en ecuaciones diferenciales parciales (EDP) clásicas a medida que la no localidad desaparece. Esto se logra mediante dos procesos límite distintos:

• Tomar el parámetro fraccional $s \to 1^-$ (con $\delta$ fijo).
• Tomar el parámetro de horizonte $\delta \to 0^+$ (con $s$ fijo).

Metodología y Marco
Los autores utilizan un operador gradiente no local $D^s_\delta$, definido mediante un núcleo truncado $\rho^s_\delta$ que generaliza el gradiente fraccional de Riesz. Este operador actúa sobre funciones definidas en un dominio extendido $\Omega_\delta$, pero impone condiciones de frontera cero en las regiones de "cuello" $\Omega_\delta \setminus \Omega$ y $\Omega \setminus \Omega_{-\delta}$.

El análisis se basa en varias herramientas de análisis funcional:

• Espacios de Sobolev No Locales: Los espacios $H^{s,p,\delta}$ se definen como el cierre de funciones suaves bajo una norma que involucra el gradiente no local.
• Compacidad y Sumersiones: Los autores emplean desigualdades de Poincaré no locales (Proposición 2.5) y resultados de sumersiones compactas (Proposición 2.6) para establecer la acotación de los estados admisibles y la existencia de subsucesiones convergentes.
• Convergencia $\Gamma$: Para manejar el análisis asintótico, el artículo utiliza la convergencia $\Gamma$ de los funcionales de energía. Esto asegura que el límite de los minimizadores de las energías no locales corresponda a un minimizador de la energía local límite.
• Método Directo del Cálculo de Variaciones: Para el caso no convexo, la existencia se demuestra mediante el método directo, aprovechando la semicontinuidad inferior débil de los funcionales policonvexos y cuasiconvexos.

Resultados Clave

1. Bien planteamiento en el Caso Convexo:
   Para la energía del $p$-Laplaciano no local, el conjunto de pares admisibles $(u, g)$ es convexo. Los autores prueban la existencia y unicidad de un minimizador para el problema de control óptimo (Teorema 3.7). Esto depende de la compacidad del operador solución que mapea el control $g$ al estado $u$.

2. Existencia en el Caso No Convexo:
   Cuando la energía es policonvexa o cuasiconvexa, el conjunto admisible es generalmente no convexo, y no se puede garantizar la unicidad del estado $u$ para un $g$ fijo. No obstante, los autores establecen la existencia de al menos un par óptimo $(u, g)$ (Teorema 3.12) demostrando la acotación del conjunto de estados admisibles y el cierre débil del conjunto de restricciones.

3. Localización cuando $s \to 1^-$:
   Con $\delta$ fijo, el artículo demuestra que a medida que $s \to 1^-$, los gradientes no locales convergen fuertemente al gradiente clásico.

   • Caso Convexo: Los minimizadores de los problemas de control no locales convergen fuertemente (para estados y gradientes) y débilmente (para controles) al minimizador único del problema de control local correspondiente del $p$-Laplaciano (Teorema 4.10). Además, los valores del funcional de costo convergen.
   • Caso No Convexo: Debido a la falta de unicidad en la ecuación de estado, no se puede garantizar una convergencia completa de los minimizadores. En su lugar, los autores prueban un resultado de "minimización relativa" (Corolario 4.11), mostrando que cualquier límite de una secuencia de minimizadores no locales es un minimizador relativo al conjunto de pares localmente admisibles que pueden aproximarse mediante soluciones no locales.
   • Convergencia Fuerte de los Controles: Un resultado significativo es que las variables de control $g_s$ convergen fuertemente en $L^r$ para cualquier $r \in [1, \infty)$, no solo débilmente (Teorema 4.12). Esto se deriva de la estructura específica del funcional de costo y del término de regularización.

4. Localización cuando $\delta \to 0^+$:
   Con $s$ fijo, el artículo analiza el límite cuando el horizonte $\delta \to 0^+$. Los resultados reflejan los obtenidos para $s \to 1^-$. Los gradientes no locales convergen al gradiente clásico, y los problemas de control óptimo no locales convergen a sus contrapartes locales (Teorema 4.19). Al igual que en el caso $s \to 1$, se establece la convergencia fuerte de los controles (Teorema 4.21).

Significado y Afirmaciones
El artículo afirma ser el primer trabajo que considera problemas de control óptimo donde las restricciones de estado implican minimizar energías policonvexas o cuasiconvexas, incluso dentro del contexto local. Al extender estos resultados al marco no local, los autores cierran la brecha entre el modelado no local moderno (como la peridinámica y el cálculo fraccional) y la teoría clásica de control óptimo.

El significado del trabajo radica en:

• Generalización: Ir más allá de las energías estrictamente convexas para incluir materiales y modelos descritos por energías cuasiconvexas o policonvexas, que son esenciales para la elasticidad no lineal.
• Localización Dual: Proporcionar un análisis riguroso de la convergencia mediante dos parámetros distintos ($s$ y $\delta$), ofreciendo flexibilidad en cómo los modelos no locales son aproximados por EDP locales.
• Convergencia Fuerte de los Controles: Establecer la convergencia fuerte para las variables de control, lo cual es un resultado más fuerte que la convergencia débil típica encontrada en muchas aplicaciones de convergencia $\Gamma$.

Los autores notan modestamente que, si bien la convergencia $\Gamma$ garantiza la convergencia de los minimizadores, no proporciona tasas de convergencia. Sugieren que el trabajo futuro podría utilizar la teoría de regularidad para recuperar tasas de convergencia. Además, identifican el estudio de problemas de control con funcionales de costo no convexos (que requieren condiciones de optimalidad de segundo orden) y límites simultáneos ($s \to 1$ y $\delta \to 0$) como posibles direcciones para futuras investigaciones.