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

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 자동화 작업에서는 종종 시스템의 거동을 최적화하기 위해 오프라인 계획 문제를 해결합니다. 그러나 시스템 모델의 불확실성이나 외부 교란으로 인해 사전 계산된 입력 (Feedforward) 이 원하는 출력을 내지 못할 수 있습니다. 이를 해결하기 위해 실시간 출력 측정을 기반으로 입력을 최적화하는 피드백 최적화 (Feedback Optimization) 기법이 사용됩니다.
• 기존 연구의 한계: 기존 연구들은 대부분 시스템 동역학과 최적화 알고리즘을 모두 연속 시간 (Continuous-time) 이나 모두 이산 시간 (Discrete-time) 으로 모델링했습니다.
• 문제점: 실제 물리 시스템은 연속 시간으로 동작하지만, 디지털 컴퓨터 기반의 제어기는 이산 시간으로 계산합니다. 따라서 실제 구현은 연속 동역학과 이산 계산을 혼합한 하이브리드 (Hybrid) 특성을 가지는데, 이를 정확히 모델링하지 않으면 실제 시스템의 동작을 오해석하거나 강인성 보장을 보장하기 어렵습니다.
• 연구 목표: 연속 시간 선형 시스템 동역학과 이산 시간 최적화 계산을 결합한 하이브리드 시스템 모델을 수립하고, 이 모델의 수렴성 (Convergence) 과 다양한 교란에 대한 강인성 (Robustness) 을 분석하는 것.

2. 방법론 (Methodology)

저자들은 선형 시불변 (LTI) 시스템과 그루디언트 하강법 (Gradient Descent) 기반 최적화 알고리즘이 상호 연결된 시스템을 하이브리드 자동화 (Hybrid Automaton) 프레임워크 [18] 를 사용하여 모델링했습니다.

• 시스템 모델:
  • Plant (식물/시스템): $\dot{x} = Ax + Bu$, $y = \Psi x + d$ (연속 시간).
  • Controller (제어기): 이산 시간 최적화 업데이트 ($u_{k+1} = \Pi_U [u_k - \gamma \nabla_u \Phi(u_k, y_s)]$).
  • 하이브리드 상태 벡터 ($\zeta$): 시스템 상태 $x$, 입력 $u$, 샘플링된 출력 $y_s$, 최적화 반복 변수 $z$, 입력 변경 타이머 $\tau_c$, 계산 타이머 $\tau_g$로 구성됩니다.
• 하이브리드 동역학:
  • Flow (흐름): 입력이 일정하게 유지되는 동안 시스템 상태가 연속적으로 변화하고, 타이머들이 감소합니다.
  • Jump (점프): 타이머가 0 이 되면 발생합니다.
    • Case 1: 계산 타이머 ($\tau_g$) 만 0 이 되면, 최적화 알고리즘이 한 단계 업데이트됩니다.
    • Case 2: 입력 변경 타이머 ($\tau_c$) 만 0 이 되면, 새로운 입력이 시스템에 적용되고 출력이 샘플링됩니다.
    • Case 3: 두 타이머가 동시에 0 이 되면 위 두 과정이 결합됩니다.
• 가정:
  • 시스템 행렬 $A$는 Hurwitz (안정적).
  • 입력 변경 간격 ($\tau_c$) 이 최적화 계산 시간 ($\tau_g$) 보다 충분히 길어, 최소 $\ell$회의 최적화 반복이 입력 변경 전에 수행됨 (Assumption 2).

3. 주요 기여 (Key Contributions)

이 논문은 다음과 같은 네 가지 주요 기여를 제공합니다.

1. 잘 정의된 하이브리드 모델 수립: 피드백 최적화를 하이브리드 시스템으로 모델링하고, 이 모델이 잘 정의됨 (Well-posedness) 을 증명했습니다. 특히, 유한 시간 내에 무한히 많은 점프가 발생하는 제노 (Zeno) 행동이 발생하지 않음을 보였으며, 모든 최대 해가 완전 (Complete, 무한 시간까지 존재) 함을 증명했습니다.
2. 수렴성 분석 (Convergence): 시스템 상태가 원하는 목표 상태 (최적 정상 상태) 주위의 알려진 반지름을 가진 구 (Ball) 로 지수적으로 수렴함을 증명했습니다. 이는 입력과 출력 사이의 오차를 정량화한 것입니다.
3. 강인성 분석 (Robustness): 하이브리드 시간 구간 내에서 시스템이 다음과 같은 교란에 대해 강인함을 분석적으로 증명했습니다.
   • 측정된 출력 값의 오차.
   • LTI 시스템을 모델링하는 행렬 ($A, B, \Psi$) 의 오차.
   • 입력이 적용되는 시점 (샘플링 시간) 의 오차.
   • 이는 기존 연구들보다 더 포괄적인 강인성 보장으로, 하이브리드/샘플링 데이터 피드백 최적화 모델이 이러한 모든 교란에 동시에 강인함을 보인 최초의 연구로 평가됩니다.
4. 시뮬레이션을 통한 검증: 제안된 접근법이 교란을 효과적으로 억제하고 시스템을 안정화함을 시뮬레이션으로 확인했습니다.

4. 주요 결과 (Results)

• 수렴성 (Theorem 1 & 2): 시스템 상태 $x(t, j)$는 최적 정상 상태 $\tilde{x}$로부터의 거리가 지수 함수적으로 감소하여, 오차 반지름 $r$ 이내로 수렴함을 보였습니다. 이 오차 반지름은 시스템 파라미터와 교란 크기에 의존하며, 사전 피드백 제어를 통해 임의로 줄일 수 있습니다.
• 강인성 (Theorem 3): 모델링 오차 ($\hat{A}, \hat{B}, \hat{H}$), 타이머 오차 ($\kappa, \theta$), 출력 측정 오차 등이 존재할 때, 교란이 있는 시스템의 해와 정상 시스템의 해가 유한 시간 구간에서 임의의 오차 범위 ($\epsilon$) 내에서 서로 가깝게 유지됨을 증명했습니다.
• 시뮬레이션 결과:
  • 명목 시스템 (Nominal system) 에서 상태 오차 $\|x - \tilde{x}\|$가 $3.26 \times 10^{-15}$ 수준으로 수렴하여 거의 0 에 가까워짐을 확인했습니다.
  • 교란이 있는 시스템 (Perturbed system) 에서는 행렬 오차 ($\mu$) 가 증가할수록 정상 상태 오차가 증가하는 경향을 보였으나, 시간 오차 ($\kappa$) 는 수렴 속도에만 영향을 주었고 최종 오차에는 큰 영향을 미치지 않았습니다. 이는 모델의 정확도가 최종 성능에 더 중요함을 시사합니다.

5. 의의 및 중요성 (Significance)

• 실제 적용 가능성 증대: 실제 제어 시스템은 디지털 컴퓨터 (이산) 와 물리 시스템 (연속) 의 혼합이므로, 이를 정확히 반영한 하이브리드 모델은 이론적 분석과 실제 구현 사이의 간극을 해소합니다.
• 이론적 엄밀성: 기존 샘플링 데이터 기반 연구들이 주로 안정성에 초점을 맞췄다면, 본 논문은 강인성 (Robustness) 을 하이브리드 시스템 이론의 틀 안에서 엄밀하게 분석하여, 모델 불확실성과 타이밍 오차가 동시에 존재하는 상황에서도 시스템이 견딜 수 있음을 수학적으로 증명했습니다.
• 확장성: 본 연구는 선형 시스템과 볼록 목적 함수에 국한되었으나, 향후 비선형 시스템 및 비볼록 목적 함수로 확장될 수 있는 기초를 마련했습니다.

결론적으로, 이 논문은 피드백 최적화를 연속 - 이산 하이브리드 시스템으로 모델링함으로써, 실제 환경에서의 모델 불확실성과 타이밍 오차에 대한 강력한 이론적 보장을 제공하며, 이를 통해 더 신뢰할 수 있는 자동화 제어 시스템 설계를 가능하게 합니다.