Empirical risk minimization for risk-neutral composite optimal control with applications to bang-bang control

Resumo Técnico: Minimização de Risco Empírico para Controle Ótimo Composto Neutro ao Risco

1. Problema Investigado

O artigo aborda problemas de controle ótimo composto neutro ao risco sob incerteza, formulados como:
$$\min_{u \in U} G(u) := F(Bu) + \psi(u)$$
onde:

• $F(w) = \mathbb{E}[f(w, \xi)]$ é uma função de expectativa (potencialmente não convexa) dependente de um elemento aleatório $\xi$.
• $B: U \to W$ é um operador linear compacto entre um espaço de Hilbert $U$ e um espaço de Banach $W$.
• $\psi: U \to [0, \infty]$ é uma função convexa, própria e fechada, mas potencialmente não suave (não diferenciável).

Contexto de Aplicação:
O foco principal recai sobre problemas de controle ótimo restritos a Equações Diferenciais Parciais (EDPs) com entradas aleatórias. Um caso de destaque são os problemas de controle do tipo bang-bang, onde a função de penalidade $\psi$ inclui um termo de norma $L^1$ ($\beta \|u\|_{L^1}$) e uma função indicadora de um conjunto de controles admissíveis. Isso promove soluções esparsas ou que assumem apenas valores extremos (ex: $\{-1, 0, 1\}$), características comuns em problemas de controle de sistemas físicos e de engenharia.

2. Metodologia

Para lidar com a expectativa $\mathbb{E}[\cdot]$ que é computacionalmente intratável, os autores utilizam a abordagem de Aproximação pela Média Amostral (SAA - Sample Average Approximation), também conhecida como Minimização de Risco Empírico.

• Aproximação SAA: A função objetivo é substituída por uma média de $N$ amostras independentes:
  $$\hat{G}_N(u) = \hat{F}_N(Bu) + \psi(u) = \frac{1}{N} \sum_{i=1}^N f(Bu, \xi_i) + \psi(u)$$
• Análise Teórica: O estudo combina ferramentas de análise não suave, teoria de probabilidade em espaços de dimensão infinita e otimização estocástica.
  • Estrutura de EDP: Aproveita-se da compacidade do operador $B$ (comum em EDPs, como o operador de solução de EDPs elípticas) e de condições de crescimento.
  • Condições de Otimalidade: Devido à não suavidade de $\psi$, a análise foca em pontos críticos definidos por inclusões de subgradientes e na função de lacuna (gap function) $\Psi(u)$.
  • Limites de Amostragem: Deriva-se estimativas de tamanho de amostra não assintóticas baseadas em números de cobertura (covering numbers) de conjuntos compactos.

3. Principais Contribuições

O artigo oferece contribuições teóricas e práticas significativas:

1. Consistência Assintótica:

   • Prova-se que, à medida que o tamanho da amostra $N \to \infty$, os valores ótimos, soluções e pontos críticos do problema SAA convergem para os do problema determinístico original com probabilidade 1.
   • Estabelece-se a consistência da função de lacuna SAA em relação à função de lacuna verdadeira.

2. Estimativas de Tamanho de Amostra Não Assintóticas (Não Convexo):

   • Para problemas gerais (não necessariamente convexos), derivam-se limites superiores para o valor esperado da função de lacuna $\mathbb{E}[\Psi(u_N)]$.
   • O tamanho da amostra necessário depende do número de cobertura do conjunto imagem do domínio de $\psi$ sob o operador $B$, refletindo a complexidade geométrica do problema em dimensão infinita.

3. Taxas de Convergência Superiores (Caso Convexo):

   • Se o integrando $f$ for convexo para cada $\xi$ e uma condição de crescimento (tipo erro quadrático) for satisfeita, os autores provam taxas de convergência mais fortes.
   • Resultado Chave: Enquanto o erro na solução converge na taxa padrão de Monte Carlo ($O(N^{-1/2})$), o valor da função de lacuna e a subotimalidade no valor da função objetivo exibem uma superconvergência com taxa $O(N^{-1})$.
   • Importante: Essas taxas são obtidas sem exigir que o operador $B$ seja compacto para a parte convexa, apenas para a estrutura geral.

4. Aplicação a Controle Bang-Bang:

   • O framework é aplicado especificamente a problemas de controle com EDPs afins-lineares e bilineares.
   • Demonstra-se que a regularização $L^1$ (que induz o comportamento bang-bang) é compatível com a estrutura teórica, permitindo o uso de métodos de gradiente condicional para resolução eficiente.

4. Resultados e Ilustrações Numéricas

Os autores validam suas teorias através de experimentos numéricos em dois cenários:

• Problema Afim-Linear: Controle ótimo governado por uma EDP elíptica com coeficiente de difusão aleatório e termo de fonte linear.
• Problema Bilinear: Controle ótimo onde o termo de acoplamento entre o controle e o estado é bilinear ($u \cdot y$).

Achados Numéricos:

• As taxas de convergência empíricas observadas para o erro de otimalidade e a função de lacuna alinham-se estreitamente com as previsões teóricas (ex: taxa de $N^{-1}$ para a lacuna no caso convexo).
• As soluções SAA demonstram características de "bang-bang" (valores discretos ou esparsos) consistentes com a teoria.
• O uso de métodos de gradiente condicional mostrou-se eficaz para resolver os problemas discretizados de alta dimensão.

5. Significância e Impacto

Este trabalho é relevante por várias razões:

• Generalidade: Estende a análise de SAA para problemas de controle ótimo em dimensão infinita com regularizadores não suaves (como $L^1$), que eram anteriormente excluídos por muitas análises que exigiam regularizadores suaves (como Tikhonov $L^2$).
• Fundamentação Teórica para Controle Bang-Bang: Fornece a base matemática rigorosa para o uso de aproximações SAA em problemas de controle de comutação (bang-bang), que são computacionalmente desafiadores devido à não convexidade e não suavidade.
• Eficiência Computacional: Ao provar taxas de convergência rápidas ($O(1/N)$) para a função de lacuna sob condições de crescimento, o trabalho justifica o uso de amostras moderadas para obter soluções de alta qualidade em problemas complexos de EDPs estocásticas.
• Reprodutibilidade: O código e os dados dos experimentos são disponibilizados publicamente, facilitando a verificação e extensão dos resultados.

Em suma, o artigo preenche uma lacuna importante na interseção entre otimização estocástica, análise de EDPs e controle ótimo não suave, oferecendo tanto garantias teóricas robustas quanto validação prática para aplicações de engenharia complexas.