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

Résumé Technique : Réduction de l'Espace de Contrôle Basée sur l'Optimalité pour les Espaces de Contrôle de Haute Dimension

Énoncé du Problème
L'article traite de la résolution numérique de problèmes de contrôle optimal quadratique-linéaire (OCP) non contraints, régis par des équations aux dérivées partielles (EDP) paraboliques dépendant du temps. Ces problèmes impliquent des espaces d'états ($V$) et des espaces de contrôle ($U$) de haute dimension ou de dimension infinie, ce qui rend l'optimisation numérique directe prohibitive en termes de calcul. L'approche standard consiste en une réduction de l'ordre du modèle (MOR), généralement via une projection de Galerkin, pour réduire l'espace d'état. Cependant, les méthodes traditionnelles traitent souvent l'espace de contrôle séparément ou n'exploitent pas pleinement la relation structurelle entre l'état réduit et le contrôle optimal, ce qui peut introduire des erreurs d'approximation inutiles ou une surcharge de calcul.

Méthodologie
Les auteurs proposent un cadre qui intègre la réduction de l'espace d'état avec une réduction induite de l'espace de contrôle, fondée sur les conditions d'optimalité du premier ordre de l'OCP.

1. Réduction de Contrôle Induite : L'intuition théorique centrale est que, pour les OCP quadratiques-linéaires non contraints, la projection de l'équation d'état sur un sous-espace réduit $V_r \subset V$ définit implicitement un sous-espace de contrôle réduit $U_r \subset U$. Plus précisément, le contrôle optimal $\bar{u}$ est lié à l'état adjoint optimal $\bar{p}$ via la condition $\bar{u} = -\frac{1}{\beta} J_U^{-1} B' \bar{p}$. Si l'état adjoint réduit $\bar{p}_r$ appartient à $V_r$, alors le contrôle optimal résultant $\bar{u}_r$ appartient automatiquement au sous-espace $U_r = \text{span}\{J_U^{-1} B' v_i\}$, où $\{v_i\}$ est la base de $V_r$.
2. Équivalence des Problèmes Réduits : Les auteurs prouvent que l'OCP « réduit par l'état » (où le contrôle est toujours recherché dans l'espace complet $U$) et l'OCP « combiné (état et contrôle) réduit » (où le contrôle est restreint à $U_r$) sont équivalents. Le minimiseur du premier réside naturellement dans le second, ce qui signifie que la restriction de l'optimisation à $U_r$ n'introduit aucune erreur d'approximation supplémentaire.
3. Estimation d'Erreur A Posteriori : L'article dérive des bornes d'erreur a posteriori inférieures et supérieures pour le contrôle optimal. Contrairement à certaines méthodes existantes, ces bornes ne reposent pas sur le fait que le modèle réduit satisfasse exactement la condition d'optimalité, ce qui permet de les appliquer à des itérés arbitraires dans une boucle d'optimisation. Les bornes quantifient la distance entre le contrôle optimal du Modèle à Pleine Ordre (FOM) et un candidat de contrôle arbitraire.
4. Algorithme Adaptatif : Un algorithme en ligne-adaptatif (Algorithme 1) est développé pour résoudre l'OCP. Au lieu d'une phase d'entraînement hors ligne, l'algorithme construit les espaces réduits $V_r$ et $U_r$ de manière itérative pendant le processus de résolution. Il utilise la Décomposition en Modes Propres (POD) sur des instantanés (snapshots) des variables d'état et adjointes générées par l'itération actuelle. L'algorithme s'arrête lorsque les estimations d'erreur a posteriori tombent en dessous d'une tolérance spécifiée.

Contributions Clés

• Équivalence Théorique : L'article établit que la réduction de l'espace d'état induit seule une structure de contrôle réduite, prouvant l'équivalence entre les OCP réduits par l'état et ceux combinant réduction d'état et de contrôle. Cela élimine le besoin d'une discrétisation explicite du contrôle dans l'analyse.
• Bornes d'Erreur : Il fournit des bornes d'erreur a posteriori rigoureuses, inférieures et supérieures, pour l'erreur du contrôle optimal. Ces bornes sont applicables à des contrôles arbitraires dans l'espace, et non seulement aux contrôles optimaux, facilitant leur utilisation dans des schémas d'optimisation itératifs sans nécessiter que le modèle réduit soit résolu à la précision machine à chaque étape.
• Preuve de Convergence : La convergence de l'algorithme adaptatif proposé est prouvée dans des espaces de Hilbert séparables. La preuve démontre que l'algorithme construit une séquence d'itérés convergeant vers la solution du FOM à mesure que la dimension réduite augmente.
• Efficacité Numérique : L'étude démontre que la résolution de l'OCP sur l'espace réduit combiné produit des accélérations significatives par rapport à la résolution sur l'espace réduit par l'état seul.

Résultats
Des expériences numériques sur un OCP régi par une EDP parabolique avec des paramètres de régularisation ($\beta$) variables valident les conclusions théoriques :

• Vérification de l'Équivalence : La comparaison entre l'OCP réduit par l'état et l'OCP combiné réduit a montré que la différence entre les contrôles optimaux était négligeable (de l'ordre de $10^{-9}$ à $10^{-16}$), confirmant l'équivalence théorique.
• Accélération : L'approche combinée (réduction de l'état et du contrôle - Control-ROM) a obtenu des accélérations d'environ 9x par rapport à l'approche réduite par l'état (ROM) seule.
• Comparaison avec le FOM : Comparée au Modèle à Pleine Ordre (FOM), la méthode Control-ROM a atteint des accélérations allant de 3,6x à 34,2x, selon la valeur de $\beta$. L'accélération augmente à mesure que $\beta$ diminue (c'est-à-dire quand le problème devient plus mal conditionné), car le modèle réduit nécessite moins d'itérations externes pour converger.
• Estimation de l'Erreur : Les bornes d'erreur a posteriori dérivées ont été vérifiées comme étant précises (sharp), la borne supérieure suivant étroitement l'erreur réelle et la borne inférieure fournissant une estimation valide, bien que parfois conservatrice.

Signification et Revendications
Les auteurs affirment que leur approche offre une « réduction variationnelle » de l'espace de contrôle. En exploitant les conditions d'optimalité, la méthode évite l'erreur d'approximation supplémentaire typiquement associée à une discrétisation explicite du contrôle. Ce point de vue simplifie l'analyse de convergence et améliore les estimations d'erreur. L'article positionne ce travail comme une stratégie de MOR certifiée et adaptative, adaptée aux résolutions uniques d'OCP avec des paramètres fixes, là où la décomposition classique hors ligne-en ligne est moins efficace en raison du coût élevé de l'entraînement hors ligne. Les résultats suggèrent que pour les problèmes quadratiques-linéaires non contraints, la restriction de l'optimisation au sous-espace de contrôle implicitement induit est non seulement théoriquement saine, mais aussi numériquement supérieure, offrant une accélération significative sans perte de précision. Les auteurs notent que bien que le cadre actuel se concentre sur les problèmes quadratiques-linéaires, la logique sous-jacente concernant l'entrée linéaire du contrôle et le fonctionnel de coût quadratique suggère une applicabilité potentielle, bien que non prouvée, aux EDP non linéaires sous des conditions d'optimalité de second ordre suffisantes.