A Posteriori Second-Order Guarantees for Bolza Problems via Collocation

1. Il Problema

Il lavoro affronta una lacuna fondamentale nella teoria del controllo ottimo numerico.

• Contesto: I problemi di controllo ottimo di tipo Bolza sono spesso risolti utilizzando metodi di collocazione diretta, che trasformano il problema continuo in un programma non lineare (NLP) discreto.
• La Lacuna: I solutori NLP restituiscono solo quantità discrete (iterati primali-duali, Hessiani ridotti, Jacobiani KKT discreti). Tuttavia, la teoria di ottimalità del secondo ordine (SSOC - Second-Order Sufficient Conditions) e la crescita quadratica sono definite nello spazio continuo (funzioni, variazioni di Gâteaux).
• La Sfida: Esiste un "gap" tra i dati numerici disponibili dal solutore e la capacità di certificare rigorosamente che la soluzione discreta corrisponda a un minimo locale forte per il problema continuo originale. Non è sufficiente che il punto KKT discreto sia ottimo; bisogna garantire che l'ottimalità si mantenga nel dominio continuo.

2. Metodologia

Gli autori sviluppano un framework di certificazione a posteriori che colma questo gap partendo da una soluzione KKT discreta già calcolata. La metodologia si articola in tre fasi principali:

A. Ricostruzione e Residui

Partendo dai dati discreti $(x_N, u_N, \lambda_N)$, il metodo ricostruisce traiettorie continue a tratti polinomiali per lo stato, il controllo e il costo (moltiplicatore di Lagrange) $p_N$.
Vengono poi valutati i residui delle equazioni KKT continue:

• Dinamica: $\dot{X}_N - f(t, X_N, u_N)$
• Adiunto (Costato): $-\dot{p}_N - H_x(t, X_N, u_N, p_N)$
• Stazionarietà: $H_u(t, X_N, u_N, p_N)$
• Condizioni al bordo.

Si definiscono indicatori di errore in norma $L^2$ ($E^{(2)}_N$) e $L^\infty$ ($E_\infty$) per quantificare quanto la soluzione ricostruita si discosta dalla soluzione esatta continua.

B. Trasferimento di Curvatura

L'obiettivo è legare la curvatura discreta (l'Hessiano ridotto del NLP) alla variazione seconda continua.

• Si utilizza la stabilità della proiezione tra lo spazio tangente continuo e quello discreto.
• Si derivano limiti superiori conservativi per le costanti geometriche ($C_{geo}$), di quadratura ($C_{quad}$) e di non conformità ($C'_T$) basati sui dati discreti e sulle stime di interpolazione.
• Si introduce una costante di Lipschitz ($\Lambda$) che lega la variazione seconda continua alla variazione seconda valutata sulla traiettoria ricostruita.

C. Criterio di Accettazione

Il cuore del metodo è una disuguaglianza che fornisce un limite inferiore calcolabile per la variazione seconda continua ($\alpha_{cont}$):

$$\hat{\alpha}_N (1 - C_T E^{(2)}_N)^2 - (\Gamma + C_{quad} + C'_T) E^{(2)}_N > 0$$

Dove:

• $\hat{\alpha}_N$: Minimo autovalore dell'Hessiano ridotto discreto.
• $E^{(2)}_N$: Misura dell'errore residuo ($L^2$).
• $\Gamma, C_T, C_{quad}, C'_T$: Costanti calcolabili dai dati discreti che pesano l'impatto degli errori di ricostruzione e discretizzazione.

Se il termine a sinistra è positivo, si garantisce che la soluzione continua soddisfi le condizioni di ottimalità del secondo ordine.

3. Contributi Chiave

1. Certificazione Rigorosa A Posteriori: Il primo framework che permette di derivare certificati di ottimalità continua direttamente dall'output di un solutore di collocazione, senza richiedere conoscenze a priori sulla soluzione esatta.
2. Stime Quantitative: Fornisce non solo un test di accettazione (sì/no), ma anche stime quantitative per:
   • Il raggio della regione di crescita quadratica (trust-region).
   • La distanza tra la soluzione discreta e la soluzione esatta continua.
3. Guida per l'Adattività: La decomposizione dei residui permette di identificare quali componenti dell'errore dominano, guidando strategie di raffinamento adattivo della mesh o dell'ordine polinomiale.
4. Estendibilità: Il paper delinea un'estensione del metodo per gestire vincoli di percorso con interruttori trasversali isolati (path inequalities), trattando i salti del costo come perturbazioni strutturate.

4. Risultati Numerici

Il framework è stato validato su un benchmark di un quadrotore planare (manovra da spostamento a hover).

• Setup: Dinamiche non lineari, discretizzate con collocazione di Hermite-Simpson.
• Esecuzione: Sono stati testati diversi livelli di discretizzazione ($N=10$ a $N=35$).
• Risultati:
  • Per $N=35$, l'errore residuo $E^{(2)}_N$ è stato estremamente basso ($\approx 10^{-14}$).
  • L'Hessiano ridotto discreto ha mostrato un autovalore minimo positivo ($\hat{\alpha}_N \approx 6.29 \times 10^{-4}$).
  • Il limite inferiore calcolato per la curvatura continua ($\alpha_{cont}$) è risultato strettamente positivo.
  • È stato verificato che la condizione di prossimità ($C_{close, \infty} E_\infty \leq r$) è soddisfatta, confermando l'esistenza di un punto KKT esatto vicino alla soluzione ricostruita.
  • Il metodo ha dimostrato di funzionare anche con mesh relativamente sparsa, grazie alla precisione dei gradienti forniti dall'autodifferenziazione.

5. Significato e Impatto

Questo lavoro è significativo perché trasforma i metodi di collocazione diretta da strumenti puramente numerici a strumenti verificabili matematicamente.

• Affidabilità: Permette di rispondere con certezza alla domanda: "La soluzione trovata dal computer è davvero un ottimo locale per il problema fisico continuo?".
• Sicurezza: Fornisce garanzie quantitative sulla stabilità locale e sulle dimensioni della regione di attrazione, cruciali per applicazioni critiche (es. robotica, aerospaziale).
• Efficienza: Offre criteri oggettivi per decidere quando fermare il processo di raffinamento della mesh, evitando calcoli inutili o, al contrario, accettando soluzioni insufficienti.

In sintesi, il paper fornisce gli strumenti teorici e pratici per "chiudere il cerchio" tra la teoria dell'ottimizzazione continua e la pratica computazionale discreta, garantendo che le soluzioni numeriche siano matematicamente certificate come ottimali.