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

1. Problema e Contesto

Il lavoro affronta la sfida di ottimizzare il comportamento di sistemi dinamici lineari tempo-invarianti (LTI) in presenza di disturbi e modelli imprecisi.

• Limiti degli approcci esistenti: La maggior parte delle ricerche sulla "ottimizzazione con feedback" (feedback optimization) modella o interamente il sistema e l'algoritmo di ottimizzazione in tempo continuo, o interamente in tempo discreto. Tuttavia, le implementazioni pratiche spesso combinano sistemi fisici (tempo continuo) con computer digitali (tempo discreto).
• La sfida: Modellare accuratamente questa interazione ibrida, dove le dinamiche del sistema evolvono continuamente mentre i calcoli dell'ottimizzazione e l'applicazione degli input avvengono in istanti discreti e potenzialmente aperiodici.
• Obiettivo: Sviluppare un modello ibrido rigoroso che garantisca la convergenza verso uno stato desiderato e dimostri la robustezza del sistema rispetto a perturbazioni nei dati misurati, nei parametri del modello e nei tempi di campionamento.

2. Metodologia

Gli autori formulano il problema di ottimizzazione con feedback come un sistema ibrido nel quadro teorico di Goebel, Sanfelice e Teel [18].

• Modello del Sistema:
  • Dinamica Continua (Flusso): Il sistema LTI è descritto da $\dot{x} = Ax + Bu$, con output $y = \Psi x + d$. Gli input $u$ sono costanti a tratti tra gli istanti di aggiornamento.
  • Dinamica Discreta (Salto): Un algoritmo di discesa del gradiente calcola nuovi input basandosi su misurazioni campionate dell'output ($y_s$).
  • Stato Ibrido: Lo stato esteso $\zeta$ include lo stato del sistema $x$, l'input $u$, l'output campionato $y_s$, l'iterata corrente dell'ottimizzazione $z$, e due timer ($\tau_c$ e $\tau_g$) che regolano rispettivamente il tempo tra i cambi di input e il tempo necessario per completare un'iterazione di ottimizzazione.
• Mappe del Sistema:
  • Mappa di Flusso ($F$): Governa l'evoluzione continua di $x$ e la decrescita dei timer.
  • Mappa di Salto ($G$): Gestisce tre casi: (i) completamento di un'iterazione di ottimizzazione senza cambio di input, (ii) applicazione di un nuovo input e campionamento di un nuovo output, (iii) combinazione dei due eventi.
• Ipotesi Chiave:
  • Il sistema è stabilizzato (la matrice $A$ è Hurwitz).
  • Esiste una separazione delle scale temporali: vengono eseguite almeno $\ell \ge 1$ iterazioni di discesa del gradiente tra due cambi consecutivi di input (Assunzione 2).
  • L'obiettivo di ottimizzazione è una funzione quadratica strettamente convessa.

3. Contributi Chiave

Il paper apporta quattro contributi principali:

1. Modellazione Ibrida e Ben-Posatezza: Viene definito un modello ibrido completo che cattura la natura a tempo misto del problema. Si dimostra che il sistema soddisfa le "condizioni ibride di base", garantendo che le soluzioni siano ben poste (well-posed), complete (definite per ogni tempo) e prive del comportamento Zeno (infinite salti in tempo finito).
2. Analisi di Convergenza: Si dimostra che lo stato del sistema converge esponenzialmente a una sfera di raggio noto attorno allo stato stazionario ottimale desiderato. Il raggio di questa sfera dipende dai parametri del sistema e dal numero di iterazioni di ottimizzazione eseguite tra i cambi di input.
3. Garanzie di Robustezza: Viene fornita una prova analitica della robustezza del modello ibrido. Si dimostra che, su orizzonti temporali limitati, le soluzioni di un sistema perturbato rimangono vicine a quelle del sistema nominale. Le perturbazioni considerate includono:
   • Errori nei valori degli output misurati.
   • Errori nelle matrici del modello LTI ($A, B, \Psi$).
   • Errori nei tempi di applicazione degli input (campionamento aperiodico o impreciso).
4. Validazione Sperimentale: Simulazioni numeriche confermano che l'approccio ibrido mitiga efficacemente gli effetti dei disturbi e mantiene la stabilità anche in presenza di significative perturbazioni del modello.

4. Risultati Principali

• Teorema 1 e 2 (Convergenza): Per ogni soluzione massimale del sistema ibrido, la distanza tra lo stato attuale e lo stato ottimale $\tilde{x}$ è limitata da una funzione che decade esponenzialmente nel tempo, più un termine costante che rappresenta l'errore residuo dovuto alla natura campionata e ai disturbi.
• Teorema 3 (Robustezza): Il sistema è robusto nel senso di "closeness" $(\tau, \epsilon)$. Per qualsiasi orizzonte temporale $\tau$ e tolleranza $\epsilon$, esiste una soglia di perturbazione tale che le traiettorie del sistema perturbato rimangono entro $\epsilon$ da quelle del sistema nominale. Questo è il primo risultato analitico che prova la robustezza simultanea a errori di modello, errori di misura e errori di temporizzazione in un contesto di ottimizzazione con feedback ibrida.
• Simulazioni: I risultati mostrano che il sistema converge rapidamente allo stato desiderato. In presenza di perturbazioni (es. errori nelle matrici $A, B$ fino al 90% o errori di temporizzazione), l'errore allo stato stazionario aumenta ma rimane limitato e prevedibile, confermando la validità delle stime teoriche.

5. Significato e Impatto

Questo lavoro è significativo perché:

• Colma un divario teorico: Fornisce il primo quadro analitico rigoroso per l'ottimizzazione con feedback che combina dinamiche continue e computazioni discrete, riflettendo meglio la realtà delle implementazioni ingegneristiche.
• Garantisce la sicurezza operativa: Dimostrando la robustezza a errori di modello e di temporizzazione, il lavoro rende l'ottimizzazione con feedback più affidabile per applicazioni critiche (es. reti elettriche, processi chimici) dove i modelli non sono perfetti e i tempi di calcolo possono variare.
• Fondamento per futuri sviluppi: Apre la strada all'applicazione di tecniche di ottimizzazione con feedback a sistemi non lineari e a funzioni obiettivo non convesse, utilizzando la struttura ibrida come base teorica solida.

In sintesi, il paper trasforma l'ottimizzazione con feedback da un approccio puramente teorico o discretizzato in un framework ibrido robusto, garantendo stabilità e prestazioni anche in condizioni di incertezza e implementazione pratica.