🔢 mathematics

Lecture Note for Bounded Controls in Continuous-Time and Control of Several Variables

Ces notes de cours, destinées à des doctorants avancés et s'inspirant de l'ouvrage de Lenhart et Workman, établissent la théorie du premier ordre pour les problèmes de contrôle optimal avec contraintes bornées, en détaillant les modifications du principe du maximum de Pontryagin, les formules de projection pour les Hamiltoniens quadratiques et les méthodes d'implémentation numérique correspondantes.

Auteurs originaux : Louis Shuo Wang

Publié 2026-04-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Louis Shuo Wang

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 Guide du Conducteur Parfait : Comment piloter avec des limites

Imaginez que vous êtes le capitaine d'un navire (ou le pilote d'une fusée, ou le médecin d'un patient). Votre objectif est d'arriver à une destination précise en dépensant le moins de carburant possible, ou en guérissant le patient le plus vite possible. C'est ce qu'on appelle un problème de contrôle optimal.

Mais il y a un hic : vous ne pouvez pas faire n'importe quoi.

Le moteur a une vitesse maximale (vous ne pouvez pas aller plus vite que 100 km/h).
Le médicament a une dose maximale (vous ne pouvez pas tuer le patient avec une surdose).
Le budget est limité.

Ces limites s'appellent des contraintes de "boîte" (box constraints). Le document de Louis Shuo Wang nous explique comment trouver la meilleure stratégie possible quand on est coincé entre un plancher et un plafond.

Voici les 5 leçons principales, expliquées simplement :

1. L'erreur classique : "On ajuste après coup" ❌

Beaucoup de gens pensent : "Je vais d'abord calculer la trajectoire idéale sans aucune limite, et si je dépasse la vitesse maximale, je couperai simplement le moteur à la fin."

C'est une erreur fatale.
Imaginez que vous conduisez vers un virage serré. Si vous calculez votre trajectoire en allant à 200 km/h (vitesse illégale) et que vous freinez brusquement juste avant le virage, vous allez probablement sortir de la route.
La vraie solution demande de penser aux limites dès le début. Le calcul doit savoir qu'il ne peut pas dépasser 100 km/h pendant qu'il planifie le virage, pas après.

L'analogie : C'est comme cuisiner un gâteau. Vous ne pouvez pas mettre 5 kg de sucre dans la recette, puis dire "bon, je vais juste enlever l'excès à la fin". Vous devez doser les ingrédients pendant le mélange.

2. Le principe du "Maxi-Mini" (Le Principe de Pontryagin) 🧠

Pour trouver la meilleure stratégie, on utilise une formule magique appelée Hamiltonien. Imaginez que c'est un "score" instantané qui combine :

Ce que vous gagnez maintenant (le plaisir de la vitesse, l'efficacité du remède).
Ce que cela vous coûte pour le futur (l'usure du moteur, les effets secondaires).

La règle d'or est simple : À chaque instant, choisissez l'action qui donne le meilleur score immédiat, tout en respectant vos limites.

Si le score augmente quand vous appuyez à fond, vous appuyez à fond (jusqu'à la limite).
Si le score baisse quand vous appuyez, vous lâchez tout (jusqu'au minimum).
Si le score est à son pic juste au milieu, vous restez au milieu.

3. La "Clamp" ou l'Élastique 📏

Quand la formule mathématique vous dit "Fais 150 km/h" mais que votre limite est 100 km/h, que faites-vous ?
Le document explique une règle simple appelée projection.

Si la formule dit 150 ➡️ Vous faites 100 (la limite).
Si la formule dit 50 ➡️ Vous faites 50 (c'est dans la zone autorisée).
Si la formule dit -10 ➡️ Vous faites 0 (la limite inférieure).

C'est comme un élastique qui vous tire vers la solution idéale, mais qui s'arrête net s'il touche le mur. C'est ce qu'on appelle la formule de projection.

4. Le "Bang-Bang" : Tout ou Rien ⚡

Parfois, la solution idéale n'est jamais au milieu. C'est soit le maximum, soit le minimum.

Imaginez un thermostat qui ne fait que "Chauffer à fond" ou "Éteindre", jamais à moitié.
En mathématiques, on appelle cela une structure Bang-Bang. Le contrôle passe brutalement d'un extrême à l'autre. C'est souvent le cas quand on veut aller très vite vers un objectif (comme une course de Formule 1 : on accélère à fond, puis on freine à fond).

5. La méthode du "Balayage" (Forward-Backward Sweep) 🔁

Comment les ordinateurs résolvent ce problème ? Ils ne trouvent pas la réponse du premier coup. Ils utilisent une méthode d'essais et d'erreurs intelligente :

Avant (Forward) : On imagine une stratégie de conduite, on simule le trajet du début à la fin.
Arrière (Backward) : On regarde le résultat final et on remonte le temps pour voir où on a fait des erreurs ("Ah, si j'avais freiné plus tôt, j'aurais gagné du temps !").
Ajustement : On corrige la stratégie en tenant compte des limites (les murs), et on recommence.

On répète ce va-et-vient jusqu'à ce que la trajectoire soit parfaite.

🎯 En résumé pour le grand public

Ce document nous apprend que la vie réelle a des limites, et que les mathématiques doivent en tenir compte dès la conception, pas après.

Ne faites pas de "bricolage" à la fin : Si vous avez une contrainte, intégrez-la dans votre calcul.
La solution est souvent un compromis : Parfois, on est bloqué au maximum, parfois au minimum, et parfois on glisse doucement entre les deux.
C'est un jeu de rebonds : On ajuste constamment notre trajectoire en regardant devant (l'état actuel) et derrière (les conséquences futures).

C'est comme conduire une voiture de sport dans une ville avec des limitations de vitesse strictes : le meilleur conducteur n'est pas celui qui va le plus vite, mais celui qui sait exactement quand accélérer à fond et quand freiner, sans jamais toucher le mur, tout en arrivant le premier.

Résumé Technique : Contrôles Bornés et Systèmes Multi-Variables en Temps Continu

1. Problématique et Contexte

Ce document s'adresse à des étudiants avancés (niveau doctorat) et vise à établir la théorie du premier ordre pour les problèmes de contrôle optimal soumis à des contraintes de type « boîte » (box constraints) sur les commandes. Contrairement aux problèmes classiques où la commande $u(t)$ peut varier librement dans $\mathbb{R}^m$ , ici la commande est contrainte à appartenir à un ensemble compact $U$ , typiquement un hyperrectangle :
$U = [a_1, b_1] \times \dots \times [a_m, b_m]$
Ces contraintes sont omniprésentes dans les modèles réels (biologiques, épidémiologiques, économiques et ingénierie) où les doses, les taux d'extraction ou les saturations d'actionneurs imposent des bornes physiques ( $0 \le u(t) \le u_{max}$ ).

Le problème central est de maximiser (ou minimiser) une fonctionnelle de type Bolza :
$J(u) = \int_{t_0}^{t_1} f(t, x(t), u(t)) \, dt + \phi(x(t_1))$
sous la dynamique $\dot{x} = g(t, x, u)$ , avec $u(t) \in U$ presque partout.

2. Méthodologie et Cadre Théorique

L'approche repose sur une modification rigoureuse du Principe du Maximum de Pontryagin (PMP) pour intégrer les contraintes de bornes directement dans le système d'optimalité, plutôt que de les traiter a posteriori.

A. Formalisme Hamiltonien Contraint
Pour un problème de maximisation, le contrôle optimal $u^*(t)$ doit maximiser ponctuellement le Hamiltonien $H(t, x, u, \lambda) = f + \lambda^\top g$ sur l'ensemble admissible $U$ :
$u^*(t) \in \arg\max_{v \in U} H(t, x^*(t), v, \lambda^*(t))$
Les équations d'état et d'adjoint (costate) $\lambda$ conservent leur forme standard :
$\dot{x}^* = H_\lambda, \quad \dot{\lambda}^* = -H_x$
avec les conditions transversales appropriées.

B. Conditions de Signe et Projection
Pour une commande scalaire $u \in [a, b]$ et un Hamiltonien différentiable en $u$ , la condition de maximisation se traduit par des conditions de signe sur la dérivée partielle $H_u$ :

Si $H_u < 0$ , alors $u^* = a$ (borne inférieure).
Si $H_u > 0$ , alors $u^* = b$ (borne supérieure).
Si $H_u = 0$ , alors $a < u^* < b$ (intérieur).

Cas Quadratique (Projection) : Si le Hamiltonien est strictement concave et quadratique en $u$ (ex: $H = \dots + \beta u - \frac{\rho}{2}u^2$ ), la solution contrainte est donnée par une formule de projection explicite :
$u^*(t) = \text{clamp}_{[a,b]}(\tilde{u}(t)) = \min\{b, \max\{a, \tilde{u}(t)\}\}$
où $\tilde{u}(t)$ est le contrôleur optimal non contraint.

C. Structure Bang-Bang et Fonctions de Commutation
Lorsque le Hamiltonien est affine en $u$ ( $H = \Psi + \sigma(t)u$ ), la commande prend des valeurs extrêmes (bang-bang) selon le signe de la fonction de commutation $\sigma(t)$ . Des arcs singuliers peuvent apparaître si $\sigma(t) \equiv 0$ sur un intervalle.

D. Méthode Numérique : Balayage Avant-Arrière (FBSM)
La note insiste sur l'implémentation numérique via la méthode de balayage avant-arrière. L'erreur fréquente consiste à résoudre le système non contraint puis à tronquer la solution. La méthode correcte impose la projection à chaque itération de la boucle de contrôle :

Résoudre l'état vers l'avant.
Résoudre l'adjoint vers l'arrière.
Mettre à jour la commande en projetant la solution non contrainte sur $[a, b]$ avant de l'utiliser pour la prochaine itération.

3. Contributions Clés et Résultats

Correction d'une Erreur Courante : L'auteur démontre formellement que la troncature a posteriori (résoudre le problème sans contraintes, puis couper la commande) est généralement incorrecte. Les contraintes modifient la structure couplée des équations d'état et d'adjoint ; la projection doit être intrinsèque au système d'optimalité.
Formule de Projection Exacte : Pour les Hamiltoniens quadratiques, la note fournit une caractérisation exacte du contrôleur optimal comme la projection orthogonale du contrôleur non contraint sur l'intervalle admissible.
Généralisation Multi-Variables : Extension des conditions de PMP aux systèmes à plusieurs états ( $x \in \mathbb{R}^n$ ) et plusieurs commandes ( $u \in \mathbb{R}^m$ ), utilisant les cônes normaux pour décrire les conditions d'optimalité sur les faces et les coins de l'ensemble admissible.
Réduction de Problèmes Complexes :
- Élimination d'états : Méthodes pour réduire la dimension du problème lorsque certains états n'apparaissent pas dans le coût ou les équations dynamiques principales.
- Contraintes Isopérimétriques : Transformation des contraintes intégrales (ex: dose totale fixe) en contraintes de point final via l'introduction d'un état auxiliaire.
- Équations d'Ordre Supérieur : Réduction systématique des équations différentielles d'ordre $n$ en systèmes d'ordre 1 pour appliquer le PMP.
Régulateur Linéaire Quadratique (LQR) à Horizon Fini : Dérivation de la solution analytique via l'équation de Riccati, montrant que même avec des dynamiques linéaires, la structure de rétroaction reste valide, bien que les bornes nécessitent une projection si elles sont actives.

4. Signification et Impact

Ce document est une ressource pédagogique cruciale pour les chercheurs et ingénieurs travaillant sur le contrôle optimal appliqué, notamment en biologie mathématique et en épidémiologie.

Rigueur Mathématique : Il clarifie la distinction subtile entre les conditions de stationnarité (pour les problèmes non contraints) et les conditions variationnelles d'inégalité (pour les problèmes contraints).
Validité Numérique : Il prévient les praticiens contre l'erreur de troncature post-hoc, qui conduit à des solutions sous-optimales, et fournit l'algorithme correct (FBSM avec projection itérative).
Versatilité : En couvrant à la fois les cas scalaires simples et les systèmes multi-dimensionnels complexes (incluant les contraintes intégrales et les équations d'ordre supérieur), il offre un cadre unifié pour modéliser des problèmes réalistes où les ressources sont limitées.

En résumé, ces notes établissent que pour les contrôles bornés, la loi de contrôle doit être projetée à chaque instant, et non la trajectoire finale, ce qui change fondamentalement la structure du problème de valeur aux limites à résoudre.