forrestguang的博客

笔者今天上午收到了之前北大课题组老板的通知，得知研究生期间和学长合作的论文终于被siam接收，终于为自己研究生涯画上了一个句号。这里打算分享一下个人的科研过程以及这篇论文的工作，即将读研或者打算读研的同学或许可以从中获得益处。论文今天被接收，距离见刊尚有一段时间，因此这里只能提供arxiv上的论文链接。

稀疏最优控制问题问题改编自论文An FE-Inexact Heterogeneous ADMM for Elliptic Optimal Control Problems with L1-Control Cost{min⁡y(μ),u(μ)J(y(μ),u(μ))=12∥y(μ)−yd(μ)∥L2(Ω)2+α2∥u(μ)∥L2(Ω)2+μ∥u(μ)∥L1, subject to {−Δy(μ)=u(μ)+f(μ), in Ω(μ),y(μ)=0,&nbs

稀疏椭圆优化控制问题{min⁡y(μ),u(μ)J(y(μ),u(μ);μ):=12∥y(μ)−yd∥L2(Ω)2+α2∥u(μ)∥L2(Ω)2+μ∥u(μ)∥L1(Ω), subject to {−Δy(μ)+y(μ)3=u(μ) in Ω,y(μ)=0 on ∂Ω,andua≤u(μ)≤ub a.e. in Ω.\left\{\begin{aligned} &\min_{y(\bold

问题来源于论文Reduced Basis Methods—An Application to Variational Discretization of Parametrized Elliptic Optimal Control Problems问题描述{min⁡y(μ),u(μ)J(y(μ),u(μ))=12∥y(μ)−yd∥L2(Ω)2+α2∥u(μ)∥L2(Ω)2, subject to {−∇⋅(a(μ)⋅∇y(μ))=u(μ), in Ω,y(

多重参数最优控制问题问题改编自论文Fast PDE-constrained optimization via self-supervised operator learningmin⁡12∥y(μ)−yd(μ)∥L2(Ω)2+α(μ)2∥u(μ)∥L2(Ω)2+β(μ)∥u(μ)∥L1\min \frac{1}{2}\left\|y(\boldsymbol{\mu})- y_{d}(\boldsymbol{\mu})\right\|_{L_{2}\left(\Omega\right)}^{2}+\fra

含参优化控制问题数学模型下面三行代码分别表示：代码运行,–para 2表示选择第二种并行策略查看运行情况杀死命令nohup mpiexec -n 8 python hpann.py --para 2 >> hmpi.log 2>&1 &ps -ef | grep pythonps -ef | grep python | awk '{print $2}' | xargs -n 1 kill -9OCP(μ):{min⁡(y(x,μ),u(x,μ))∈Y×UQ

含参优化控制问题描述{min⁡(y(x,μ),u(x,μ))∈Y×UQ(y(x,μ),u(x,μ))+β(x,μ)j(u(x,μ)), s.t. u(x,μ)∈Uad(μ)={v:ua(μ)≤v≤ub(μ)}⊂U,\left\{\begin{aligned} &\min _{(y(\mathbf{x}, \boldsymbol{\mu}), u(\mathbf{x}, \boldsymbol{\mu})) \in Y \times U} Q(y(\mathbf{x},

{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

ADMMimport matplotlib.pyplot as pltimport numpy as npimport timefrom matplotlib import cmdef Cholesky(matrix): w = matrix.shape[0] G = np.zeros((w,w))#实际上只用一半的空间就可以完成矩阵分解 for i in range(w): G[i,i] = (matrix[i,i] - np.dot(G[i,:i]...

min⁡y,uJ(y,u)=∫Ω(y−yΩ)2dxdy s.t. −Δy=u+eΩ,x∈Ω,y=0,x∈∂Ω.−1≤u≤1.\begin{array}{cl} \min _{y,u} & J(y,u) = \int_{\Omega} (y - y_{\Omega})^2 dx dy \\ \text { s.t. } & - \Delta y = u + e_{\Omega},\mathbf{x} \in \Omega, \\{ }&y = 0, \math

问题引入给出两个优化问题：问题1min⁡y,uJ(y,u)=12∫Ω(y−yΩ)2+u2dxdy+∫∂ΩeΓyds. s.t. −Δy+y=u+eΩ,x∈Ω,∂y∂n=0,x∈∂Ω.0≤u≤1.\begin{array}{cl} \min _{y,u} & J(y,u) = \frac{1}{2}\int_{\Omega} (y - y_{\Omega})^2 + u^2 dx dy + \int_{\partial \Omega} e_{\Gamma}y

注意，下面代码的bfgs库是我们自己编写的优化库，可以注释掉，使用torch自带的LBFGS库代替优化器部分。OCP(μ):{min⁡(y(x,μ),u(x,μ))∈Y×UJ(y(x,μ),u(x,μ);μ), s.t. F(y(x,μ),u(x,μ);μ)=0 in Ω(μ), and u(x,μ)∈Uad(μ),\mathrm{OCP}(\boldsymbol{\mu}):\\\quad \left\{\begin{aligned} &\min _{(y(\mathbf{x},

{min⁡y,uJ(y,u):=12∥y−yd∥L2(Ω×(0,T))2+α2∥u∥L2(Ω×(0,T))2, subject to {yt−∇(a∇⋅y)=f+u in Ω×(0,T)y=0 on ∂Ω×(0,T),y(⋅,0)=y0 on Ω,\left\{\begin{aligned} &\min_{y,u} J(y, u):=\frac{1}{2}\left\|y-y_{d}\right\|_{L^2(\Omega\times (0,T))}^{2}+\frac{\alpha}{2}\|

topy的安装，拓扑优化库的安装

代码主要包括三个部分第一：定义PDE约束第二：定义目标函数第三：编写优化过程管道流问题初始形状参考链接的geo文件。参考链接添加链接描述不知道为什么原链接代码无法收敛，会报错，因此本人做了一些修改本人把u∇uu\nabla uu∇u去掉了import firedrake as fdimport fireshape as fsimport ROLimport fireshape.zoo as fszfrom fireshape import PdeConstraintfrom

fireshape的使用安装以及基本算例参考链接添加链接描述，这里本人将针对这个介绍做一些中文的翻译以及在代码上做一些修改和解释fireshape的安装参考前一篇博客添加链接描述特殊说明，后面可能会用到fireshape.zoo库，这个库使用简单的source firedrake/activate/bin 无法调用，原因未知，这里的处理方式是，写一个pre.sh文件，文件内容是source firedrake/bin/activatecd fireshape-mastersource activa

算法介绍一般问题引入{min⁡(y),u)∈Y×UJ(y,u), s.t. F(y,u)=0. and u∈Uad\left\{\begin{aligned} \min _{(y), u) \in Y \times U} J(y, u),\\ \text { s.t. }\mathbf{F}(y, u) = 0 .\\ \text{ and } u\in U_{ad} \end{aligned}\right.⎩⎪⎪⎨⎪⎪⎧​(y),

注意以下安装过程都是默认在docker环境下的服务器进行的，用户需要被服务器管理员添加锦docker组1:百度搜索firedrake官网，进去，然后Ctrl + f，搜索docker，找到下面这个部分2：点击进入上面提到的docker image，复制右边的命令：docker pull firedrakeproject/firedrake，把这段命令复制到服务器终端，然后服务器会开始下载跟firedrake相关的库，大概有两三个G.3：下载完了以后，键入命令：docker run -it – p

（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

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

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

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 torchimport timeimport numpy as npimport matplotlib.pyplot as pltfrom matplotlib import cmimport torch.nn as nnimport torch.nn.functional as Fimport

引入算例基本形式min⁡u∈Uad,yJ(y,u)=12∥y−yd∥L2(Ω)2+α2∥u∥L2(Ω)2,Ω=[0,1]d. s.t. {−Δy=u,in  Ω,y=y0,on  ∂Ω.\begin{aligned} &\min_{u \in U_{ad},y} J(y,u) = \frac{1}{2}\|y - y_d\|^{2}_{L^{2}(\Omega)} + \frac{\alpha}{2}\|u\|^2_{L^{2}(\Omega)} ,\quad \Ome

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

伴随方法介绍引入算例基本形式min⁡u∈Uad,yJ(y,u)=12∥y−yd∥L2(Ω)2+α2∥u∥L2(Ω)2,Ω=[0,1]d. s.t. {−Δy=u,in  Ω,y=y0,on  ∂Ω.\begin{aligned} &\min_{u \in U_{ad},y} J(y,u) = \frac{1}{2}\|y - y_d\|^{2}_{L^{2}(\Omega)} + \frac{\alpha}{2}\|u\|^2_{L^{2}(\Omega)} ,\qu

算例引入这里我们以下面这个算例为根本，相继介绍神经网络+penalty以及神经网络+ALM如何求解约束优化问题。min⁡y,uJ(y,u)=12∫Ω(y−yΩ)2+u2dxdy+∫∂ΩeΓyds. s.t. −Δy+y=u+eΩ,x∈Ω,∂y∂n=0,x∈∂Ω.0≤u≤1.\begin{array}{cl} \min _{y,u} & J(y,u) = \frac{1}{2}\int_{\Omega} (y - y_{\Omega})^2 + u^2 dx d

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,