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

Sintesi Tecnica: Riduzione dello Spazio di Controllo Basata sull'Ottimalità per Spazi di Controllo ad Alta Dimensionalità

Definizione del Problema
Il documento affronta la soluzione numerica di problemi di controllo ottimo (OCP) lineari-quadratici non vincolati, governati da equazioni alle derivate parziali (PDE) paraboliche tempo-varianti. Questi problemi coinvolgono spazi di stato ($V$) e spazi di controllo ($U$) ad alta dimensionalità o a dimensione infinita, rendendo l'ottimizzazione numerica diretta computazionalmente proibitiva. L'approccio standard prevede la Riduzione dell'Ordine del Modello (MOR), tipicamente tramite proiezione di Galerkin, per ridurre lo spazio di stato. Tuttavia, i metodi tradizionali spesso trattano lo spazio di controllo separatamente o non sfruttano appieno la relazione strutturale tra lo stato ridotto e il controllo ottimo, introducendo potenzialmente errori di approssimazione non necessari o sovraccarichi computazionali.

Metodologia
Gli autori propongono un framework che integra la riduzione dello spazio di stato con una riduzione indotta dello spazio di controllo, basata sulle condizioni di ottimalità del primo ordine dell'OCP.

1. Riduzione del Controllo Indotta: L'intuizione teorica centrale è che, per gli OCP lineari-quadratici non vincolati, la proiezione dell'equazione di stato su un sottospazio ridotto $V_r \subset V$ definisce implicitamente uno spazio di controllo ridotto $U_r \subset U$. Nello specifico, il controllo ottimo $\bar{u}$ è correlato allo stato aggiunto ottimo $\bar{p}$ tramite la condizione $\bar{u} = -\frac{1}{\beta} J_U^{-1} B' \bar{p}$. Se lo stato aggiunto ridotto $\bar{p}_r$ appartiene a $V_r$, allora il controllo ottimo risultante $\bar{u}_r$ appartiene automaticamente allo spazio $U_r = \text{span}\{J_U^{-1} B' v_i\}$, dove $\{v_i\}$ è la base di $V_r$.
2. Equivalenza dei Problemi Ridotti: Gli autori dimostrano che l'OCP "ridotto nello stato" (dove il controllo è ancora cercato nello spazio completo $U$) e l'OCP "combinato riduzione di stato e controllo" (dove il controllo è ristretto a $U_r$) sono equivalenti. Il minimizzatore del primo risiede naturalmente nel secondo, il che significa che restringere l'ottimizzazione a $U_r$ non introduce alcun errore di approssimazione aggiuntivo.
3. Stima dell'Errore A Posteriori: Il documento deriva limiti di errore a posteriori sia inferiori che superiori per il controllo ottimo. A differenza di alcuni metodi esistenti, questi limiti non dipendono dal fatto che il modello ridotto soddisfi esattamente la condizione di ottimalità, permettendo loro di essere applicati ad arbitrarie iterazioni in un ciclo di ottimizzazione. I limiti quantificano la distanza tra il controllo ottimo del Modello a Ordine Completo (FOM) e un candidato controllo arbitrario.
4. Algoritmo Adattivo: Un algoritmo online-adattivo (Algoritmo 1) è sviluppato per risolvere l'OCP. Invece di una fase di addestramento offline, l'algoritmo costruisce i sottospazi ridotti $V_r$ e $U_r$ iterativamente durante il processo di soluzione. Utilizza la Decomposizione in Propri Ordini (POD) su snapshot di stato e variabili aggiunte generati dall'iterazione corrente. L'algoritmo termina quando le stime dell'errore a posteriori scendono al di sotto di una specifica tolleranza.

Contributi Chiave

• Equivalenza Teorica: Il documento stabilisce che la sola riduzione dello spazio di stato induce una struttura di controllo ridotta, provando l'equivalenza tra gli OCP ridotti per stato e quelli combinati stato-controllo. Ciò elimina la necessità di errori di discretizzazione espliciti del controllo nell'analisi.
• Limiti di Errore: Fornisce limiti di errore a posteriori rigorosi, sia inferiori che superiori, per l'errore del controllo ottimo. Questi limiti sono applicabili a controlli arbitrari nello spazio, non solo a quelli ottimi, facilitandone l'uso in schemi di ottimizzazione iterativi senza richiedere che il modello ridotto sia risolto alla precisione di macchina ad ogni step.
• Dimostrazione di Convergenza: La convergenza del proposto algoritmo adattivo è dimostrata in spazi di Hilbert separabili. La dimostrazione mostra che l'algoritmo costruisce una sequenza di iterazioni che convergono alla soluzione FOM all'aumentare della dimensione ridotta.
• Efficienza Numerica: Lo studio dimostra che risolvere l'OCP sullo spazio combinato ridotto produce significativi acceleramenti rispetto alla risoluzione sul solo spazio ridotto dello stato.

Risultati
Esperimenti numerici su un OCP con PDE paraboliche con parametri di regolarizzazione ($\beta$) variabili validano i risultati teorici:

• Verifica dell'Equivalenza: Il confronto tra l'OCP ridotto nello stato e l'OCP combinato riduzione stato-controllo ha mostrato che la differenza nei controlli ottimi era trascurabile (dell'ordine di $10^{-9}$ a $10^{-16}$), confermando l'equivalenza teorica.
• Accelerazione: L'approccio combinato riduzione controllo-stato (Control-ROM) ha ottenuto accelerazioni di circa 9 volte rispetto all'approccio ridotto solo per lo stato (ROM).
• Confronto con il FOM: Rispetto al Modello a Ordine Completo (FOM), il metodo Control-ROM ha ottenuto accelerazioni compresi tra 3,6x e 34,2x, a seconda del valore di $\beta$. L'accelerazione aumentava al diminuire di $\beta$ (ovvero, man mano che il problema diventava più mal condizionato), poiché il modello ridotto richiedeva meno iterazioni esterne per convergere.
• Stima dell'Errore: I limiti di errore a posteriori derivati sono stati verificati come accurati (sharp), con il limite superiore che segue da vicino l'errore reale e il limite inferiore che fornisce una stima valida, sebbene talvolta conservativa.

Significato e Rivendicazioni
Gli autori affermano che il loro approccio offre una "riduzione variazionale" dello spazio di controllo. Sfruttando le condizioni di ottimalità, il metodo evita l'errore di approssimazione aggiuntivo tipicamente associato alla discretizzazione esplicita del controllo. Questa prospettiva semplifica l'analisi della convergenza e migliora le stime dell'errore. Il documento posiziona questo lavoro come una strategia di MOR certificata e adattiva, adatta per risoluzioni singole di OCP con parametri fissi, dove la tradizionale decomposizione offline-online è meno efficace a causa dell'alto costo dell'addestramento offline. I risultati suggeriscono che, per problemi lineari-quadratici, la restrizione dell'ottimizzazione al sottospazio di controllo implicitamente indotto non è solo teoricamente solida, ma anche computazionalmente superiore, offrendo un'accelerazione significativa senza perdita di accuratezza. Gli autori osservano che, sebbene l'attuale framework si concentri su problemi lineari-quadratici, la logica sottostante riguardante l'ingresso lineare del controllo e il funzionale di costo quadratico suggerisce una potenziale, sebbene non ancora provata, applicabilità a PDE non lineari sotto sufficienti condizioni di ottimalità del secondo ordine.