PDE约束优化控制问题-NN结合DAL

已于 2023-02-07 11:42:32 修改
阅读量260 收藏
点赞数
分类专栏： PDE约束优化控制问题 Deep learning 文章标签： 线性代数 概率论 几何学
于 2022-02-16 19:44:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/forrestguang/article/details/122970093
版权
本文探讨了偏微分方程（PDE）约束的优化控制问题，通过神经网络（NN）与差分算法（DAL）的结合来求解。文章首先介绍了问题的基本形式，并给出KKT系统的表达式。接着，详细阐述了如何利用PINN解决PDE，并通过三个算例——算例1 Gongwei、算例2 和算例3（Neumann边界条件）展示了方法的应用。最后，利用最小二乘法更新控制变量，确保其在给定的约束范围内。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

引入算例基本形式
min ⁡ u ∈ U a d , y

了解本专栏 订阅专栏 解锁全文
偏微分方程约束下的优化控制问题（PDE-constrained optimal control problems）
forrestguang的博客
02-08 1512
{min⁡(y(x),u(x))∈Y×UJ(y(x),u(x)), s.t. F(y(x),u(x))=0 in Ω, and u(x)∈Uad,\left\{\begin{aligned} &\min _{(y(\mathbf{x}), u(\mathbf{x})) \in Y \times U} J(y(\mathbf{x}), u(\mathbf{x}) ),\\ &\text { s.t. } \ \mathbf{F}(y(\mathbf{x}),u(\mathbf{x
PDE约束优化控制问题-ADMM求解经典算例
forrestguang的博客
01-26 360
基本形式 {min⁡y,uJ(y,u), s.t. F(y,u)=0,u∈Uad={ua≤u≤ub}.\left\{\begin{array}{l} \min_{y,u} J(y,u),\\ \text { s.t. }\mathbf{F}(y,u) = 0 ,\\ u \in U_{ad} = \{ u_a\leq u \leq u_b\}. \end{array}\right.⎩⎨⎧​miny,u​J(y,u), s.t. F(y,
Python 相关以及安装 FEniCS
米饭的白色的专栏
06-14 8248
1. Python 相关，安装多版本python和pip共存 这一部分摘抄自：https://blog.csdn.net/hymanjack/article/details/80285400 。 ubuntu18.04自带python3，但是没有python2，pip2，pip3。 sudo apt install python2.7 #安装python2.7 sudo apt inst...
fenics入门笔记
热门推荐
qq_41230365的博客
03-18 1万+
fenics名称释义： fe：finite element的简写 cs：computational software的简写 ni：有了fe和cs后，由于最初fenics软件是在芝加哥大学(简称为phoenix）编译的，故而在其间加入ni就很自然而然了。其实就是取个谐音。 fenics有如下几个核心部件： 1. dolfin： dynamic object-oriented lib...
PDE约束优化控制问题-固定参数pinn,DAL对比
forrestguang的博客
02-18 447
算例引入 { minimize J(y,u):=12∥y−yd∥L22+α2∥u∥L22 subject to {−Δy=u in Ωy=0 on ∂Ωandyd={1,0≤x0≤1,μ2else.\left\{\begin{aligned} \text { minimize } &J(y, u):=\frac{1}{2}\left\|y-y_{d}\right\|_{L^{2}}^{2}+\fra
PDE约束优化控制问题-神经网络求解几何参数泊松约束问题
forrestguang的博客
03-11 269
算例1（gongwei） basicgeo.py 结果整理代码 算例2:box(μ1,μ2)(\mu_1,\mu_2)(μ1​,μ2​) min⁡u∈Uad,yJ(y,u)=12∥y−yd∥L2(Ω)2+α2∥u∥L2(Ω)2,Ω=[0,2]×[0,1]−B(1.5,0.5,μ1). s.t. {−Δy=u,in  Ω,y=1,on  ∂Ω.B(1.5,0.5,μ1)=(x−1.5)2+(y−0.5)2≤μ12.yd={1,x<1μ2,else.u∈Uad={u:0≤u≤10
PDE约束优化控制问题-NN求解含参问题
forrestguang的博客
02-16 129
算例1（gongwei修改ub含参问题） 把ub当成第三个维度传入NN，相应修改yd,f,uaccy_d,f,u_{acc}yd​,f,uacc​的定义，就可以直接求解一系列问题了。 import torch import time import numpy as np import matplotlib.pyplot as plt from matplotlib import cm import torch.nn as nn import torch.nn.functional as F import
PDE约束优化控制问题-神经网络求解L1稀疏优化
forrestguang的博客
03-17 272
（圆形区域L1优化） 算例来源于下列文献： 该论文给出了算例的参考结果 下面我们将展示我们的算例结果： DAL+dolfin代码 r""" Solves a optimal control problem constrained by the Poisson equation: min_(u, m) \int_\Omega 1/2 || u - d ||^2 + 1/2 || f ||^2 subject to grad \cdot \grad u = f in
记录 fenics 的使用过程
米饭的白色的专栏
06-25 2873
偶尔要用到 fenics 来计算, 但是各种不熟悉, 每次网上找, 资料很多很乱, 而且 fenics 的版本更新后, 很多函数的用法都报错, 所以这里还是记录一下自己的使用过程 定义网格和空间后, 得到空间的自由度编号 from dolfin import * import numpy as np mesh = UnitSquareMesh(4, 4) # Create a scalar and vector spaces space_S1 = FunctionSpace(mesh, 'CG', 1
PDE约束优化控制问题-dolfin软件求解
forrestguang的博客
01-28 1020
dolfin安装 dolfin是我们发现的一个专门求解PDE约束优化问题的软件，或者说是一个python的库，参考网页添加链接描述，这个软件暂时缺乏用户手册，不过网页上有不少demo，本人就是根据网页上的demo来学习使用dolfin的，具体的原理也请参考网页，本人不做过多解释。这个软件的使用需要结合fenics库，参考fenics官网添加链接描述,fenics有用户手册，自己可以到官网下载。 下面重点讲解dolfin以及相关的库的安装方法，本人都是在linux服务器安装的 首先还是先建一个虚拟环境，本人建
pytorch实现NS方程求解-基础PINN
forrestguang的博客
04-14 8542
问题描述Kovasznay problem 参考文献：Dockhorn, T. . “A Discussion on Solving Partial Differential Equations using Neural Networks.” (2019). {−νΔu+uux+vuy+px=f1,−νΔv+uvx+vvy+py=f2,ux+vy=0,u∣∂Ω=u0,v∣∂Ω=v0.\left\{\begin{array}{l} -\nu \Delta u + uu_x + v u_y + p_x = f_
Fouier Net和DeepOnet等求解器算法解读和代码
forrestguang的博客
11-21 4595
首先还是先给定一个泊松方程，其中区域 Ω=[0,1+μ1]×[0,1],μ1∈[1,3]Ω=[0,1+μ_1]×[0,1],μ_1∈[1,3]Ω=[0,1+μ1​]×[0,1],μ1​∈[1,3] ，边界条件 g=1g=1g=1 。 −Δu=f,x∈Ω,u∣∂Ω=g.−Δu=f,x∈Ω,\\ u|∂Ω=g.−Δu=f,x∈Ω,u∣∂Ω=g. 以往的传统数值方法都是针对固定的一个右端项求出一个对应的数值解，这种做法的核心是构造一个输入节点数目为2，输出节点数目为1的模型（有限元句柄函数或者全连接神经网络），基
torch.nn.Parameters用法以及PINN求解PDE和画图
forrestguang的博客
12-14 3498
PINN介绍和代码 以前我的PINN代码一直都是接受(xi,yj)(x_i,y_j)(xi​,yj​)输出u(xi,yj)u(x_i,y_j)u(xi​,yj​) {−Δu=f,inΩ,u=u0,on  ∂Ω.\left\{\begin{array}{l} -\Delta u = f , \quad in \Omega,\\ u=u_0 ,\quad on \;\partial \Omega. \end{array}\right.{−Δu=f,inΩ,u=u0​,on∂Ω.​
基于pytorch的PINN求解含时间项的泊松方程
forrestguang的博客
05-06 3431
方程引出 ut−uxx−uyy−uzz=f,x∈Ω,u_t-u_{xx}-u_{yy}-u_{zz}=f,x\in \Omega,ut​−uxx​−uyy​−uzz​=f,x∈Ω, u(0,x,y,z)=u0,u(0,x,y,z)=u_0,u(0,x,y,z)=u0​, u(t,x,y,z)=h,(x,y,z)∈∂Ωu(t,x,y,z)=h,(x,y,z)\in \partial \Omegau(t,x,y,z)=h,(x,y,z)∈∂Ω 这里同样使用PINN来求解方程。 难点 第一个困难在于我们需要给出几
PINN求解PDE
forrestguang的博客
04-18 3336
PINN求解Dirichlet泊松方程 泊松方程引入 −Δu=f,x∈Ω=(0,1)2-\Delta u=f,x \in \Omega=(0,1)^2−Δu=f,x∈Ω=(0,1)2 u=g,x∈∂Ωu=g,x \in \partial \Omegau=g,x∈∂Ω import torch import time import numpy as np import matplotlib.pyplot as plt import torch.nn as nn def UU(X, order,prob):
PFNN两个神经网络组合训练求解泊松方程
forrestguang的博客
09-07 3081
边界条件的自动匹配 仍然考虑这个微分方程 首先给出精确解以及采样过程： def U(X, order,prob): if prob==1: temp = 10*(X[:,0]+X[:,1])**2 + (X[:,0]-X[:,1])**2 + 0.5 if order[0]==0 and order[1]==0: return torch.log(temp) if order[0]==1 and order[1]==0:
NS方程求解-PointNet和升维思想（效果很差）
forrestguang的博客
04-14 2773
PointNet求解NS方程 参考文献：Kashefi, A. , and T. Mukerji . “Physics-Informed PointNet: A Deep Learning Solver for Steady-State Incompressible Flows and Thermal Fields on Multiple Sets of Irregular Geometries.” (2022). PointNet网络的特点在于中间通过pool提取过一次全局特征，这个特点导致一个问题。
NS方程求解-NSFnet
forrestguang的博客
04-14 2590
NSFnet求解CVD正问题 参考文献： Yang, H. , F. N. Hwang , and X. C. Cai . “NONLINEAR PRECONDITIONING TECHNIQUES FOR FULL-SPACE LAGRANGE-NEWTON SOLUTION OF PDE-CONSTRAINED OPTIMIZATION PROBLEMS *.” Siam Journal on entific Computing (2016). 其中γ=0.01,Re=1,Pr=0.72,Gr=1e
pde约束优化控制问题求解-间断问题
最新发布
09-08
PDE约束优化控制问题是指在优化问题中存在偏微分方程（Partial Differential Equation, PDE）约束的控制问题。常见的PDE约束包括椭圆型、抛物型和双曲型方程等。 而间断问题是指在优化控制问题中，相关参数或变量会...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

谨慎付费（看不懂试读博客不要订阅）

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值