Discrete-Time Event-Triggered Extremum Seeking

1. Problématique

L'article aborde le problème de l'optimisation en temps réel de systèmes non linéaires statiques inconnus (modèle libre) via une méthode de recherche d'extrémum (Extremum Seeking - ES).

• Contexte : Les implémentations classiques de l'ES en temps discret reposent sur des mises à jour périodiques du signal de commande. Cette approche génère souvent un nombre excessif d'actuations et de communications, ce qui est inefficace pour les systèmes embarqués aux ressources limitées (batterie, bande passante, puissance de calcul).
• Défi spécifique : Bien que des mécanismes de déclenchement par événement (Event-Triggered Control - ETC) aient été développés dans le domaine du temps continu, leur extension au temps discret n'est pas triviale. Les contraintes d'échantillonnage, de maintien de l'entrée (hold) et les dynamiques discrètes introduisent des défis théoriques et pratiques distincts qui ne peuvent être résolus par une simple discrétisation des solutions continues.

2. Méthodologie

Les auteurs proposent un schéma de contrôle en temps discret et déclenché par événement pour l'optimisation de cartes statiques non linéaires.

• Modèle du système : Le système est modélisé par une carte statique quadratique inconnue $Q[\theta]$. L'entrée $\theta[k]$ est une estimation de l'optimum $\theta^*$ perturbée par un signal de dither sinusoïdal $a \sin(\omega \epsilon k)$.
• Estimation du gradient : Un estimateur de gradient $\hat{G}[k]$ est construit en utilisant la démodulation du signal de sortie $y[k]$ par le signal de dither.
• Loi de commande : Une loi de rétroaction basée sur le gradient est définie : $u[k] = -K \hat{G}[k]$.
• Mécanisme de déclenchement (Event-Triggering) :
  • Contrairement aux mises à jour périodiques, la commande $u[k]$ n'est mise à jour qu'à des instants discrets $k_l$ spécifiques. Entre deux instants de déclenchement, la commande reste constante (maintien d'ordre zéro).
  • Une condition de déclenchement dépendante de l'état est définie pour déterminer le prochain instant $k_{l+1}$. La condition est satisfaite lorsque l'erreur de mesure $e[k]$ (différence entre l'estimation actuelle du gradient et sa dernière valeur transmise) devient trop grande par rapport à la valeur du gradient elle-même.
  • Formellement, le prochain déclenchement se produit lorsque : $\sqrt{\sigma}|\hat{G}[k]| - \alpha|e[k]| < 0$, où $\sigma$ et $\alpha$ sont des paramètres de conception.
• Analyse théorique :
  • Les auteurs utilisent la moyenne discrète (discrete-time averaging) pour transformer le système non autonome (avec oscillations dues au dither) en un système autonome moyen.
  • Une analyse de Lyapunov est appliquée au système moyen pour prouver la stabilité exponentielle locale.
  • La preuve démontre que la dynamique moyenne converge vers un voisinage de l'extrémum inconnu et que le mécanisme de déclenchement évite le comportement de type « Zeno » (nombre infini de déclenchements dans un temps fini), bien que dans le temps discret, le Zeno soit naturellement exclu par la nature de l'échantillonnage.

3. Contributions Clés

1. Cadre théorique original : C'est la première proposition d'un schéma d'ES déclenché par événement spécifiquement conçu pour le temps discret. Les auteurs soulignent que cela nécessite un cadre de conception et d'analyse différent de celui du temps continu.
2. Réduction des ressources : Le schéma permet de réduire considérablement le nombre de mises à jour de la commande et de communications sans sacrifier la capacité d'optimisation.
3. Preuve de stabilité rigoureuse : L'article établit la convergence pratique des trajectoires vers un voisinage de l'optimum et la stabilité exponentielle des dynamiques moyennes associées, en utilisant des outils d'analyse de Lyapunov adaptés aux systèmes discrets.
4. Garantie de non-Zeno : Bien que le temps discret empêche mathématiquement le Zeno, les auteurs prouvent que l'intervalle entre les déclenchements est borné inférieurement par une valeur non triviale, évitant ainsi des déclenchements à chaque pas d'échantillonnage (ce qui annulerait l'avantage du mécanisme).

4. Résultats de Simulation

Les simulations ont été réalisées sur une carte non linéaire avec les paramètres suivants : $H^* = -0.7$, $Q^* = 2$, $\theta^* = 3$.

• Convergence : Les résultats montrent que l'entrée $\theta[k]$ converge vers l'optimum $\theta^* = 3$ et que la sortie $y[k]$ atteint sa valeur maximale.
• Efficacité des déclenchements : Sur 1000 itérations, la loi de commande n'a été mise à jour que 19 fois.
  • Cela correspond à un intervalle moyen entre exécutions de 9,47 secondes.
  • Cela démontre une réduction drastique de l'activité de commande par rapport à une approche périodique (qui aurait mis à jour la commande à chaque itération).
• Comportement des signaux : L'estimateur de gradient $\hat{G}[k]$ converge vers zéro de manière stable, et tous les signaux restent bornés. La figure 2(c) illustre le motif apériodique des instants de mise à jour, caractéristique des systèmes déclenchés par événement.

5. Signification et Perspectives

• Importance : Ce travail comble un vide important dans la littérature en reliant le contrôle déclenché par événement et l'optimisation en temps réel dans un contexte numérique (temps discret). Il offre une solution pratique pour les applications où les ressources de communication et de calcul sont contraintes.
• Impact : La méthode préserve les propriétés d'optimisation classiques de l'ES tout en introduisant une politique de mise à jour « consciente des ressources ».
• Travaux futurs : Les auteurs suggèrent d'explorer des extensions vers des systèmes multi-agents, des environnements réseau, la robustesse face au bruit de mesure et aux retards, ainsi que la validation expérimentale sur des plateformes numériques embarquées.

En conclusion, cet article propose une avancée significative pour l'implémentation numérique efficace de l'optimisation en temps réel, démontrant qu'il est possible de réduire massivement l'effort de calcul et de communication sans compromettre la performance de convergence.