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

Resumo Técnico: Modelo de Sistemas Híbridos para Otimização por Feedback em Sistemas Lineares

1. Problema e Motivação

A otimização por feedback (ou otimização em malha fechada) é uma estratégia onde entradas de controle são calculadas em tempo real utilizando medições de saída do sistema, visando mitigar os efeitos de perturbações e incertezas no modelo. Tradicionalmente, a literatura modela esses sistemas de duas formas homogêneas:

1. Tempo Contínuo: Dinâmica do sistema e algoritmo de otimização ambos contínuos.
2. Tempo Discreto: Dinâmica do sistema e algoritmo de otimização ambos discretos.

No entanto, na prática, sistemas físicos são naturalmente modelados em tempo contínuo, enquanto computadores digitais operam em tempo discreto. A implementação prática resulta em uma dinâmica híbrida (contínua com atualizações discretas) que não é capturada adequadamente pelos modelos puramente contínuos ou discretos existentes. O problema central deste trabalho é desenvolver um modelo matemático rigoroso para essa interconexão híbrida e provar suas propriedades de convergência e robustez, algo que não havia sido feito analiticamente para todos os tipos de perturbações simultaneamente.

2. Metodologia

Os autores propõem um modelo de sistema híbrido baseado no formalismo de Goebel, Sanfelice e Teel (referência [18]), que unifica a dinâmica contínua do sistema físico com a computação discreta do algoritmo de otimização.

• Sistema Físico (Planta): Modelado como um sistema linear invariante no tempo (LTI) em tempo contínuo:
  $$\dot{x} = Ax + Bu, \quad y = \Psi x + d$$
  Onde $x$ é o estado, $u$ a entrada, $y$ a saída e $d$ uma perturbação constante desconhecida. Assume-se que a matriz $A$ é Hurwitz (estável).

• Algoritmo de Otimização (Controlador): Um algoritmo de descida de gradiente projetado que opera em tempo discreto. A entrada $u$ é atualizada com base em amostras da saída $y_s$. O objetivo é minimizar uma função quadrática $\Phi(u, y)$.

• Modelo Híbrido ($H_{FO}$): O estado do sistema híbrido $\zeta$ inclui:

  • Variáveis contínuas: Estado do sistema $x$, entrada atual $u$, saída amostrada $y_s$, e iterado atual da otimização $z$.
  • Temporizadores (Timers): $\tau_c$ (tempo até a próxima mudança de entrada) e $\tau_g$ (tempo para completar uma iteração de gradiente).
  • Fluxo (Flow): Entre eventos discretos, o sistema evolui continuamente com entradas constantes e os temporizadores decrescem.
  • Salto (Jump): Quando os temporizadores atingem zero, ocorrem saltos discretos:
    1. Atualização do iterado de gradiente ($z$).
    2. Amostragem da saída e aplicação de uma nova entrada ($u$).
    3. Reinicialização dos temporizadores.

3. Contribuições Principais

O artigo apresenta quatro contribuições teóricas fundamentais:

1. Bem-postura do Modelo (Well-Posedness):

   • Demonstra-se que o modelo híbrido satisfaz as "condições básicas híbridas", garantindo a existência de soluções.
   • Prova-se que todas as soluções máximas são completas (existem para todo o tempo $t \to \infty$) e não-Zeno (não ocorrem infinitos saltos em tempo finito).

2. Convergência Exponencial:

   • Estabelece-se que o estado do sistema converge exponencialmente para uma bola de raio conhecido ao redor do estado de equilíbrio desejado ($\tilde{x}$).
   • O raio da bola de erro residual depende dos parâmetros do sistema, do tamanho da amostragem e da precisão da otimização.

3. Análise de Robustez (Teorema 3):

   • Este é um dos resultados mais significativos: o modelo é provado ser robusto a perturbações simultâneas em:
     • Valores das medições de saída (ruído/sensores).
     • Matrizes do modelo LTI ($A, B, \Psi$) (erros de modelagem).
     • Tempos de aplicação das entradas (jitter de amostragem).
   • A prova mostra que, para qualquer horizonte de tempo limitado, soluções de um sistema perturbado permanecem "próximas" (no sentido de $(\tau, \epsilon)$-close) às soluções do sistema nominal.

4. Validação por Simulação:

   • Resultados numéricos confirmam a convergência e a capacidade do sistema de rejeitar perturbações, validando as previsões teóricas.

4. Resultados Chave

• Convergência: O erro $\|x(t) - \tilde{x}\|$ decai exponencialmente com a taxa $\rho$ (relacionada aos autovalores de $A$), até atingir um limite assintótico.
• Separação de Escalas: O trabalho introduz uma condição de separação de escalas (Assunção 2), garantindo que pelo menos $\ell$ iterações de gradiente sejam realizadas entre duas mudanças consecutivas de entrada. Isso é crucial para garantir que o algoritmo de otimização tenha tempo suficiente para convergir antes que a dinâmica do sistema mude novamente.
• Robustez: A análise demonstra que erros no modelo da planta ou no tempo de amostragem não destabilizam o sistema, apenas alteram o tamanho da bola de erro final. Simulações mostram que o erro em regime permanente é predominantemente influenciado por erros nas matrizes do modelo ($\mu$) e não por erros de tempo ($\kappa$).

5. Significado e Impacto

Este trabalho preenche uma lacuna importante na teoria de controle e otimização. Ao formalizar a otimização por feedback como um sistema híbrido, os autores fornecem:

• Garantias Analíticas: Pela primeira vez, é provado analiticamente que a otimização por feedback em configurações de dados amostrados (híbridas) é robusta a múltiplos tipos de incertezas simultaneamente.
• Aplicabilidade Prática: O modelo reflete com maior fidelidade a implementação real em computadores digitais controlando sistemas físicos, permitindo o projeto de controladores que são inerentemente robustos a falhas de modelagem e atrasos de amostragem.
• Base para Futuras Pesquisas: Abre caminho para o uso de funções objetivo não convexas e sistemas com dinâmicas não lineares dentro deste framework híbrido.

Em suma, o artigo oferece um framework matemático rigoroso que valida a eficácia e a segurança da otimização por feedback em ambientes reais, onde a interação entre tempo contínuo e discreto é inevitável.