⚡ electrical engineering

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

Cet article propose un nouveau modèle de systèmes hybrides pour l'optimisation par rétroaction des systèmes linéaires, où la dynamique est continue et le calcul des entrées est discret, en démontrant la convergence exponentielle, l'absence de comportement Zeno et la robustesse face aux perturbations de mesure, de modèle et de timing.

Auteurs originaux : Oscar Jed Chuy, Matthew Hale, Ricardo Sanfelice

Publié 2026-03-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Oscar Jed Chuy, Matthew Hale, Ricardo Sanfelice

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🍳 Le Chef, la Cuisine et le Timer : Une Histoire d'Optimisation Hybride

Imaginez que vous êtes un chef cuisinier (le système) qui doit préparer un plat parfait. Votre objectif est d'obtenir exactement le goût désiré (l'état idéal).

Dans le monde réel, il y a deux façons de cuisiner :

La méthode "Recette à l'aveugle" (Optimisation en boucle ouverte) : Vous suivez une recette écrite à l'avance. Si vous vous trompez sur la quantité de sel ou si le four est un peu plus chaud que prévu, le plat sera raté. Vous ne pouvez pas corriger en cours de route.
La méthode "Goûter et Ajuster" (Optimisation par retour d'information) : Vous goûtez la sauce régulièrement. Si c'est trop salé, vous ajoutez de l'eau. Si c'est trop doux, vous mettez plus de sel. C'est ce qu'on appelle l'optimisation par retour d'information.

Le problème de ce papier :
Jusqu'à présent, les chercheurs étudiaient soit des cuisiniers qui goûtent et ajustent en continu (comme un robot qui goûte chaque milliseconde), soit des cuisiniers qui goûtent et ajustent par étapes (comme un humain qui goûte toutes les minutes).

Mais dans la vraie vie, c'est un mélange des deux :

La cuisine (le système physique) évolue en continu (la sauce bout tout le temps).
Le chef (l'ordinateur) ne peut goûter et décider de nouvelles quantités que par à-coups (il faut du temps pour calculer, il faut attendre que le goût se stabilise).

Ce papier dit : "Attendez, si on modélise ça comme un système 'hybride' (mi-continu, mi-discret), on peut prouver mathématiquement que ça marche super bien, même si tout ne va pas parfaitement !".

🧩 Les 4 Grandes Idées du Papier

1. Le Système Hybride : Le Chef et son Timer 🕒

Les auteurs créent un modèle mathématique où :

Le flux continu (La sauce qui bout) : Le plat change tout le temps. C'est la dynamique continue.
Les sauts discrets (Le goût et la décision) : Le chef s'arrête, goûte, calcule la nouvelle quantité d'ingrédient, et l'ajoute. C'est la partie discrète.

Ils prouvent d'abord que ce système est sain (bien posé). En langage simple : ils montrent que le chef ne va pas devenir fou en essayant de goûter une infinité de fois en une seconde (ce qu'on appelle le comportement "Zeno" en maths, qui serait catastrophique). Le système est stable et fonctionne indéfiniment.

2. La Convergence : On arrive toujours au but (presque) 🎯

Le but est d'atteindre le goût parfait. Le papier montre que, même si on commence loin du goût idéal, le système va converger très vite (exponentiellement) vers un petit cercle autour de la perfection.

L'analogie : Imaginez que vous cherchez votre chemin dans le brouillard. Vous avancez, vous vous arrêtez pour regarder la carte, vous corrigez votre trajectoire, et vous recommencez. Le papier prouve que vous finirez par arriver à moins d'un mètre de la destination, peu importe où vous avez commencé.

3. La Robustesse : Le Système est "Tolérant aux Pannes" 🛡️

C'est la partie la plus importante. Dans la vraie vie, rien n'est parfait :

Le goût peut être faux : Votre langue est un peu fatiguée (erreur de mesure).
La recette est approximative : Vous ne connaissez pas exactement la puissance de votre four (erreur de modèle).
Le timing est imprécis : Parfois vous goûtez un peu trop tôt, parfois un peu trop tard (erreur de temps).

Le papier prouve que même avec toutes ces erreurs, le système reste stable. Si les erreurs sont petites, la cuisine ne finit pas en catastrophe. Le plat sera juste un tout petit peu moins parfait, mais toujours mangeable. C'est comme si le chef était capable de compenser automatiquement ses propres erreurs de goût ou les pannes de son four.

4. La Simulation : La Preuve par l'Expérience 🧪

Les auteurs ont simulé ce système sur un ordinateur. Ils ont volontairement ajouté du "bruit" (des erreurs de mesure, des retards, des modèles de four faux).

Résultat : Même avec des erreurs énormes sur les paramètres du four, le système a réussi à trouver le bon goût. Cela confirme que leur théorie mathématique tient la route dans la pratique.

💡 Pourquoi est-ce important pour nous ?

Imaginez des applications réelles :

Les réseaux électriques : Ajuster la production d'énergie en temps réel pour éviter les pannes, même si les capteurs sont imparfaits.
Les voitures autonomes : Ajuster la trajectoire en continu en fonction de la route, même si les capteurs GPS ont un léger retard ou une petite erreur.
La gestion du trafic : Optimiser les feux tricolores en fonction du flux de voitures, même si les compteurs de voitures sont parfois en erreur.

En résumé :
Ce papier dit : "Ne vous inquiétez pas si votre ordinateur ne peut pas calculer en temps réel parfait, ou si vos capteurs sont un peu faux. En utilisant notre nouvelle méthode 'hybride', vous pouvez quand même garantir que votre système (qu'il s'agisse d'un four, d'un réseau ou d'une voiture) restera stable, sûr et proche de l'objectif, même dans un monde imparfait."

C'est une garantie de sécurité et de performance pour les systèmes intelligents de demain.

1. Problématique et Contexte

L'optimisation par rétroaction (feedback optimization) est une approche où les entrées d'un système dynamique sont calculées en temps réel à l'aide de mesures de sortie, permettant ainsi de s'adapter aux perturbations et aux imprécisions du modèle. Cependant, la littérature existante modélise généralement ces systèmes soit entièrement en temps continu (dynamique et algorithme d'optimisation), soit entièrement en temps discret.

Ce dichotomie ne reflète pas fidèlement la réalité des implémentations pratiques : les systèmes physiques sont naturellement modélisés en temps continu, tandis que les algorithmes d'optimisation s'exécutent sur des ordinateurs numériques en temps discret (échantillonnage). L'absence de modèles hybrides rigoureux pour ce cas spécifique rend difficile l'analyse formelle de la stabilité et de la robustesse face à des perturbations variées (bruit de mesure, erreurs de modèle, variations temporelles).

Objectif principal : Établir un modèle hybride formel pour l'optimisation par rétroaction sur des systèmes linéaires invariants dans le temps (LTI), où la dynamique est continue et le calcul des entrées est discret, et prouver ses propriétés de convergence et de robustesse.

2. Méthodologie

Les auteurs adoptent le cadre théorique des systèmes hybrides (défini par Goebel, Sanfelice et Teel) pour modéliser l'interconnexion entre le processus physique et l'algorithme d'optimisation.

A. Modélisation du Système Hybride

Le système est défini par l'état $\zeta = [x^\top, u^\top, y_s^\top, z^\top, \tau_c, \tau_g]^\top$ , où :

$x$ : État du système LTI ( $\dot{x} = Ax + Bu$ ).
$u$ : Entrée appliquée (constante par morceaux).
$y_s$ : Sortie échantillonnée (utilisée pour l'optimisation).
$z$ : Itération courante de l'algorithme de descente de gradient.
$\tau_c$ et $\tau_g$ : Minuteries (timers) gérant le temps entre les changements d'entrée et la durée des calculs d'optimisation.

Le système évolue selon deux modes :

Flot (Flow) : La dynamique continue $\dot{x} = Ax + Bu$ s'exécute tandis que les minuteries $\tau_c$ et $\tau_g$ décomptent. Les autres variables restent constantes.
Saut (Jump) : Se produit lorsque les minuteries atteignent zéro. Il y a trois cas :
- Cas (i) : $\tau_g = 0$ (calcul terminé) : Mise à jour de l'itérateur $z$ par descente de gradient projetée sur l'ensemble des contraintes $U$ .
- Cas (ii) : $\tau_c = 0$ (changement d'entrée) : Application de la nouvelle entrée $u = z$ , échantillonnage de la sortie $y_s$ , et réinitialisation de $\tau_c$ .
- Cas (iii) : Les deux minuteries sont nulles simultanément (combinaison des deux).

L'objectif d'optimisation est quadratique : minimiser $\Phi(u, y) = \frac{1}{2}u^\top Q_u u + \frac{1}{2}(y - \hat{y})^\top Q_y (y - \hat{y})$ , sous la contrainte de la relation entrée-sortie à l'état stationnaire $y = Hu + d$.

B. Hypothèses Clés

Stabilité du système : La matrice $A$ est Hurwitz (le système est stable en boucle ouverte ou stabilisé par un contrôleur préexistant).
Séparation des échelles de temps : L'algorithme effectue au moins $\ell$ itérations de gradient entre deux changements d'entrée ( $\ell \tau_{g,comp} \leq \tau_{c,min}$ ).

3. Contributions Clés

Modélisation Hybride et Bien-posé (Well-posedness) :
- Démonstration que le modèle satisfait les "conditions hybrides de base" (ensembles fermés, applications semi-continues extérieurement).
- Preuve que toutes les solutions maximales sont complètes (définies pour tout temps infini) et non-Zénoniennes (pas de nombre infini de sauts en temps fini).
Convergence Exponentielle :
- Établissement d'une borne supérieure sur la distance entre l'état du système $x(t)$ et un état stationnaire désiré $\tilde{x}$ .
- Démonstration que la solution converge exponentiellement vers une boule de rayon connu autour de l'optimum, en tenant compte de la dynamique complète hybride.
Robustesse Analytique :
- Preuve que le système est robuste aux perturbations bornées sur des horizons de temps finis. Les perturbations considérées incluent :
  - Les erreurs dans les valeurs des sorties mesurées ( $y_s$ ).
  - Les erreurs dans les matrices du modèle LTI ( $A, B, \Psi$ ).
  - Les erreurs dans les instants d'application des entrées (variations des timers).
- C'est la première preuve analytique montrant qu'un modèle d'optimisation par rétroaction hybride est simultanément robuste à toutes ces sources d'incertitudes.

4. Résultats Principaux

Théorème 1 & 2 (Convergence) : Pour toute solution maximale, la norme de l'erreur $\|\phi(t,j)\|_{\mathcal{A}}$ (distance à l'ensemble cible) décroît exponentiellement avec le temps $t$ , convergeant vers zéro asymptotiquement. La vitesse de convergence dépend des valeurs propres de $A$ et du nombre d'itérations de gradient effectuées entre les échantillonnages.
Théorème 3 (Robustesse) : Pour tout $\epsilon > 0$ et tout horizon de temps $\tau$ , il existe un seuil de perturbation $\delta$ tel que si les perturbations du modèle sont inférieures à $\delta$ , la solution du système perturbé reste à une distance $\epsilon$ de la solution du système nominal sur l'intervalle $[0, \tau]$ . Cela confirme la stabilité structurelle du modèle face aux incertitudes.
Simulations :
- Un système LTI d'ordre 4 a été simulé.
- Cas nominal : L'erreur d'état converge vers une valeur négligeable ( $3.26 \times 10^{-15}$ ).
- Cas perturbé : Des perturbations importantes ont été introduites sur les matrices ( $\hat{A}, \hat{B}$ ) et les timers. Les résultats montrent que l'erreur à l'état stationnaire augmente avec la magnitude des perturbations de modèle (paramètre $\mu$ ), mais reste bornée, validant la robustesse théorique. Les erreurs de temps (paramètre $\kappa$ ) affectent principalement le taux de convergence plutôt que la précision finale.

5. Signification et Impact

Ce travail comble un vide théorique important en fournissant un cadre rigoureux pour l'analyse des systèmes de contrôle basés sur l'optimisation en temps réel, qui sont intrinsèquement hybrides.

Validité Pratique : Contrairement aux modèles purement continus ou discrets, ce modèle capture fidèlement les contraintes d'implémentation numérique (échantillonnage, temps de calcul) tout en garantissant la stabilité.
Garanties de Sécurité : La preuve de robustesse est cruciale pour le déploiement de ces algorithmes dans des environnements critiques (réseaux électriques, processus chimiques) où les modèles sont imparfaits et les capteurs bruités.
Fondation pour le Futur : Les auteurs ouvrent la voie à l'extension de ces résultats vers des objectifs non convexes et des dynamiques non linéaires, ce qui élargirait considérablement le champ d'application de l'optimisation par rétroaction.

En résumé, cet article démontre que l'optimisation par rétroaction, lorsqu'elle est correctement modélisée comme un système hybride, conserve ses propriétés de robustesse et de convergence, même en présence d'erreurs de modèle, de bruit de mesure et d'irrégularités temporelles.