Localization for nonlocal gradient-based optimal control problems

Resumo Técnico: Localização para Problemas de Controle Ótimo Baseados em Gradientes Não Locais

Enunciação do Problema
Este artigo investiga problemas de controle ótimo formulados dentro de um quadro de espaço funcional não local caracterizado por dois parâmetros distintos: um parâmetro fracionário $s \in (0, 1)$ e um parâmetro de horizonte $\delta > 0$. A variável de controle $g$ pertence a um conjunto admissível $Z_{ad}$, enquanto a variável de estado $u$ reside em um espaço de Sobolev não local $H^{s,p,\delta}_0(\Omega-\delta; \mathbb{R}^n)$. O estado $u$ está restrito a minimizar uma densidade de energia não local $W^{s,\delta}_g$, que depende do controle $g$. O objetivo é minimizar um funcional de custo $F(u, g)$ sujeito a essas restrições não locais.

O estudo aborda dois cenários primários regarding a densidade de energia $W$:

1. Caso Convexo: A energia é estritamente convexa, especificamente modelada por um $p$-Laplaciano não local (ou energia de Dirichlet $p$-ponderada).
2. Caso Não Convexo: A energia é policonvexa ou quasiconvexa, satisfazendo limites padrão de crescimento $p$. Neste cenário, minimizadores existem, mas não são necessariamente únicos.

O desafio matemático central é analisar a "localização" desses problemas, demonstrando como as soluções convergem para problemas de controle ótimo baseados em equações diferenciais parciais (EDP) clássicas à medida que a não localidade desaparece. Isso é alcançado através de dois processos limite distintos:

• Tomando o parâmetro fracionário $s \to 1^-$ (com $\delta$ fixo).
• Tomando o parâmetro de horizonte $\delta \to 0^+$ (com $s$ fixo).

Metodologia e Quadro Teórico
Os autores utilizam um operador gradiente não local $D^s_\delta$, definido via um núcleo truncado $\rho^s_\delta$ que generaliza o gradiente fracionário de Riesz. Este operador atua sobre funções definidas em um domínio estendido $\Omega_\delta$, mas impõe condições de contorno nulas nas regiões de "gola" $\Omega_\delta \setminus \Omega$ e $\Omega \setminus \Omega_{-\delta}$.

A análise baseia-se em várias ferramentas de análise funcional:

• Espaços de Sobolev Não Locais: Os espaços $H^{s,p,\delta}$ são definidos como o fecho de funções suaves sob uma norma envolvendo o gradiente não local.
• Compacidade e Imersões: Os autores empregam desigualdades de Poincaré não locais (Proposição 2.5) e resultados de imersão compacta (Proposição 2.6) para estabelecer a limitação dos estados admissíveis e a existência de subsequências convergentes.
• $\Gamma$-Convergência: Para lidar com a análise assintótica, o artigo utiliza a $\Gamma$-convergência dos funcionais de energia. Isso garante que o limite dos minimizadores das energias não locais corresponda a um minimizador da energia local limite.
• Método Direto do Cálculo Variacional: Para o caso não convexo, a existência é provada usando o método direto, aproveitando a semicontinuidade inferior fraca de funcionais policonvexos e quasiconvexos.

Resultados Chave

1. Bem-postura no Caso Convexo:
   Para a energia do $p$-Laplaciano não local, o conjunto de pares admissíveis $(u, g)$ é convexo. Os autores provam a existência e unicidade de um minimizador para o problema de controle ótimo (Teorema 3.7). Isso depende da compacidade do operador solução que mapeia o controle $g$ para o estado $u$.

2. Existência no Caso Não Convexo:
   Quando a energia é policonvexa ou quasiconvexa, o conjunto admissível é geralmente não convexo, e a unicidade do estado $u$ para um $g$ fixo não pode ser garantida. No entanto, os autores estabelecem a existência de pelo menos um par ótimo $(u, g)$ (Teorema 3.12) provando a limitação do conjunto de estados admissíveis e o fechamento fraco do conjunto de restrições.

3. Localização quando $s \to 1^-$:
   Com $\delta$ fixo, o artigo demonstra que, à medida que $s \to 1^-$, os gradientes não locais convergem fortemente para o gradiente clássico.

   • Caso Convexo: Os minimizadores dos problemas de controle não local convergem fortemente (para estados e gradientes) e fracamente (para controles) para o minimizador único do problema de controle do $p$-Laplaciano local correspondente (Teorema 4.10). Além disso, os valores do funcional de custo convergem.
   • Caso Não Convexo: Devido à falta de unicidade na equação de estado, uma convergência completa dos minimizadores não pode ser garantida. Em vez disso, os autores provam um resultado de "minimização relativa" (Corolário 4.11), mostrando que qualquer limite de uma sequência de minimizadores não locais é um minimizador relativo ao conjunto de pares localmente admissíveis que podem ser aproximados por soluções não locais.
   • Convergência Forte dos Controles: Um resultado significativo é que as variáveis de controle $g_s$ convergem fortemente em $L^r$ para qualquer $r \in [1, \infty)$, não apenas fracamente (Teorema 4.12). Isso é derivado da estrutura específica do funcional de custo e do termo de regularização.

4. Localização quando $\delta \to 0^+$:
   Com $s$ fixo, o artigo analisa o limite à medida que o horizonte $\delta \to 0^+$. Os resultados espelham aqueles para $s \to 1^-$. Os gradientes não locais convergem para o gradiente clássico, e os problemas de controle ótimo não local convergem para seus equivalentes locais (Teorema 4.19). Similarmente ao caso $s \to 1$, a convergência forte dos controles é estabelecida (Teorema 4.21).

Significado e Afirmações
O artigo afirma ser o primeiro trabalho a considerar problemas de controle ótimo onde as restrições de estado envolvem a minimização de energias policonvexas ou quasiconvexas, mesmo dentro do cenário local. Ao estender esses resultados para o quadro não local, os autores preenchem a lacuna entre a modelagem não local moderna (como peridinâmica e cálculo fracionário) e a teoria clássica de controle ótimo.

O significado do trabalho reside em:

• Generalização: Ir além de energias estritamente convexas para incluir materiais e modelos descritos por energias quasiconvexas ou policonvexas, que são essenciais para a elasticidade não linear.
• Localização Dual: Fornecer uma análise rigorosa da convergência através de dois parâmetros distintos ($s$ e $\delta$), oferecendo flexibilidade na forma como modelos não locais são aproximados por EDPs locais.
• Convergência Forte dos Controles: Estabelecer convergência forte para variáveis de controle, o que é um resultado mais forte do que a convergência fraca típica encontrada em muitas aplicações de $\Gamma$-convergência.

Os autores notam modestamente que, embora a $\Gamma$-convergência garanta a convergência dos minimizadores, ela não fornece taxas de convergência. Eles sugerem que trabalhos futuros poderiam utilizar a teoria de regularidade para recuperar taxas de convergência. Adicionalmente, eles identificam o estudo de problemas de controle com funcionais de custo não convexos (requerendo condições de otimalidade de segunda ordem) e limites simultâneos ($s \to 1$ e $\delta \to 0$) como direções potenciais para pesquisa futura.