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

Resumo Técnico: Redução do Espaço de Controle Baseada em Otimalidade para Espaços de Controle de Alta Dimensão

Definição do Problema
O artigo aborda a solução numérica de problemas de controle ótimo quadrático-linear não restritos (OCPs) governados por equações diferenciais parciais (PDEs) parabólicas variantes no tempo. Esses problemas envolvem espaços de estado ($V$) e espaços de controle ($U$) de alta dimensão ou de dimensão infinita, tornando a otimização numérica direta computacionalmente proibitiva. A abordagem padrão envolve a Redução de Ordem de Modelo (MOR), tipicamente via projeção de Galerkin, para reduzir o espaço de estado. No entanto, os métodos tradicionais frequentemente tratam o espaço de controle separadamente ou não exploram plenamente a relação estrutural entre o estado reduzido e o controle ótimo, o que pode introduzir erros de aproximação desnecessários ou sobrecarga computacional.

Metodologia
Os autores propõem um framework que integra a redução do espaço de estado com uma redução induzida do espaço de controle, fundamentada nas condições de otimalidade de primeira ordem do OCP.

1. Redução de Controle Induzida: A percepção teórica central é que, para OCPs quadráticos-lineares não restritos, projetar a equação de estado em um subespaço reduzido $V_r \subset V$ define implicitamente um subespaço de controle reduzido $U_r \subset U$. Especificamente, o controle ótimo $\bar{u}$ está relacionado ao estado adjunto ótimo $\bar{p}$ via a condição $\bar{u} = -\frac{1}{\beta} J_U^{-1} B' \bar{p}$. Se o estado adjunto reduzido $\bar{p}_r$ reside em $V_r$, então o controle ótimo resultante $\bar{u}_r$ reside automaticamente no subespaço $U_r = \text{span}\{J_U^{-1} B' v_i\}$, onde $\{v_i\}$ é a base de $V_r$.
2. Equivalência de Problemas Reduzidos: Os autores provam que o OCP "reduzido pelo estado" (onde o controle ainda é buscado no espaço total $U$) e o OCP "combinado de redução de estado e controle" (onde o controle é restrito a $U_r$) são equivalentes. O minimizador do primeiro reside naturalmente no segundo, o que significa que restringir a otimização a $U_r$ não introduz erro de aproximação adicional.
3. Estimativa de Erro A Posteriori: O artigo deriva limites de erro a posteriori tanto inferiores quanto superiores para o controle ótimo. Diferente de alguns métodos existentes, esses limites não dependem do modelo reduzido satisfazer a condição de otimalidade exatamente, permitindo que sejam aplicados a quaisquer iterados em um loop de otimização. Os limites quantificam a distância entre o controle ótimo do Modelo de Ordem Total (FOM) e um candidato a controle arbitrário.
4. Algoritmo Adaptativo: Um algoritmo online-adaptativo (Algoritmo 1) é desenvolvido para resolver o OCP. Em vez de uma fase de treinamento offline, o algoritmo constrói os espaços reduzidos $V_r$ e $U_r$ iterativamente durante o processo de solução. Ele utiliza Decomposição de Órdenes Próprias (POD) em snapshots dos estados e variáveis adjuntas geradas pelo iterado atual. O algoritmo termina quando as estimativas de erro a posteriori caem abaixo de uma tolerância especificada.

Principais Contribuições

• Equivalência Teórica: O artigo estabelece que a redução do espaço de estado induz, por si só, uma estrutura de controle reduzida, provando a equivalência entre OCPs reduzidos por estado e reduzidos combinados de estado-controle. Isso elimina a necessidade de erros explícitos de discretização de controle na análise.
• Limites de Erro: Fornece limites de erro a posteriori rigorosos, tanto inferiores quanto superiores, para o erro do controle ótimo. Esses limites são aplicáveis a controles arbitrários no espaço, não apenas aos ótimos, facilitando seu uso em esquemas de otimização iterativos sem exigir que o modelo reduzido seja resolvido com precisão de máquina em cada etapa.
• Prova de Convergência: A convergência do algoritmo adaptativo proposto é provada em espaços de Hilbert separáveis. A prova demonstra que o algoritmo constró-se uma sequência de iterados convergindo para a solução do FOM conforme a dimensão reduzida aumenta.
• Eficiência Numérica: O estudo demonstra que resolver o OCP no espaço reduzido combinado produz ganhos de velocidade significativos em comparação com a resolução apenas no espaço de estado reduzido, sem sacrificar a precisão.

Resultados
Experimentos numéricos em um OCP de PDE parabólica com variados parâmetros de regularização ($\beta$) validam os achados teóricos:

• Verificação de Equivalência: A comparação entre o OCP reduzido pelo estado e o OCP reduzido combinado mostrou que a diferença nos controles ótimos foi negligenciável (na ordem de $10^{-9}$ a $10^{-16}$), confirmando a equivalência teórica.
• Aceleração (Speed-up): A abordagem de controle e estado reduzidos combinados (Control-ROM) alcançou acelerações de aproximadamente 9x em relação à abordagem de apenas redução de estado (ROM).
• Comparação com o FOM: Comparado ao Modelo de Ordem Total (FOM), o método Control-ROM alcançou acelerações variando de 3.6x a 34.2x, dependendo do valor de $\beta$. A aceleração aumentou conforme $\beta$ diminuía (ou seja, conforme o problema se tornava mais mal condicionado), porque o modelo reduzido exigiu menos iterações externas para convergir.
• Estimativa de Erro: Os limites de erro a posteriori derivados foram verificados como sendo agudos (sharp), com o limite superior acompanhando de perto o erro real e o limite inferior fornecendo uma estimativa válida, embora por vezes conservadora.

Significância e Alegações
Os autores alegam que sua abordagem oferece uma "redução variacional" do espaço de controle. Ao aproveitar as condições de otimalidade, o método evita o erro de aproximação adicional tipicamente associado à discretização explícita do controle. Este ponto de vista simplifica a análise de convergência e melhora as estimativas de erro. O artigo posiciona este trabalho como uma estratégia de MOR adaptativa e certificada, adequada para resoluções únicas de OCPs com parâmetros fixos, onde a decomposição tradicional offline-online é menos eficaz devido ao alto custo do treinamento offline. Os resultados sugerem que, para problemas quadráticos-lineares não restritos, restringir a otimização ao subespaço de controle implicitamente induzido é não apenas teoricamente sólido, mas também computacionalmente superior, oferecendo aceleração significativa sem perda de precisão. Os autores observam que, embora o framework atual foque em problemas quadráticos-lineares, a lógica subjacente referente à entrada linear do controle e ao funcional de custo quadrático sugere aplicabilidade potencial, embora não provada, para PDEs não lineares sob condições de otimalidade de segunda ordem suficientes.