不知道为什么说我正文字数过多. 难道因为公式太多了?
本文整理 (目前实际上就是先读一遍) 模型约化文献集第一部分第一章1的POD (Proper Orthogonal Decomposition) 方法和一些应用分析.
目录
更具体的应用实例
Linear Quadratic Optimal Control 是由Evolution Problem 引出一类问题. 我们在这里回顾一下 Evolution Problem.
d
d
t
⟨
y
(
t
)
,
φ
⟩
H
+
a
(
t
;
y
(
t
)
,
φ
)
=
⟨
(
f
+
B
u
)
(
t
)
,
φ
⟩
V
′
,
V
,
∀
φ
∈
V
,
a
.
e
.
i
n
(
0
,
T
]
⟨
y
(
0
)
,
φ
⟩
H
=
⟨
y
0
,
φ
⟩
H
,
∀
φ
∈
H
\newcommand{\lmrm}[1]{\langle #1 \rangle} \newcommand{\dd}[1]{\frac{\text{d}}{\text{d} #1}} \newcommand{\vphi}{\varphi} \begin{aligned} &\dd{t}\lmrm{y(t),\vphi}_{H}+a(t;y(t),\vphi)=\lmrm{(f+Bu)(t),\vphi}_{V',V},\forall \vphi\in V,a.e.\ in(0,T]\\ &\lmrm{y(0),\vphi}_H=\lmrm{y_0,\vphi}_H,\ \forall \vphi\in H \end{aligned}
dtd⟨y(t),φ⟩H+a(t;y(t),φ)=⟨(f+Bu)(t),φ⟩V′,V,∀φ∈V,a.e. in(0,T]⟨y(0),φ⟩H=⟨y0,φ⟩H, ∀φ∈H
这是非常General的Form, 下面是与它相关的定义和说明:
- V , H V, H V,H 是实的可分Hilbert空间, 满足 V ↪ H = H ′ ↪ V ′ V\hookrightarrow H=H'\hookrightarrow V' V↪H=H′↪V′.
- ∣ a ( t ; φ , ψ ) ∣ ≤ γ ∥ φ ∥ V ∥ ψ ∥ V ; a ( t ; ψ , ψ ) ≥ γ 1 ∥ ψ ∥ V 2 − γ 2 ∥ ψ ∥ H 2 |a(t;\varphi,\psi)|\leq \gamma \|\varphi\|_{V}\|\psi\|_V;\ a(t;\psi,\psi)\geq\gamma_1\|\psi\|_V^2-\gamma_2\|\psi\|_H^2 ∣a(t;φ,ψ)∣≤γ∥φ∥V∥ψ∥V; a(t;ψ,ψ)≥γ1∥ψ∥V2−γ2∥ψ∥H2 是对称双线性型.
- u ∈ U = L 2 ( 0 , T ; R N u ) u\in U=L^2(0,T;\R^{N_u}) u∈U=L2(0,T;RNu) 是控制(control).
- B : U → L 2 ( 0 , T ; V ′ ) B:U\to L^2(0,T;V') B:U→L2(0,T;V′) 是线性算子.
- f ∈ L 2 ( 0 , T ; V ′ ) f\in L^2(0,T;V') f∈L2(0,T;V′), y 0 ∈ H y_0\in H y0∈H.
- W ( 0 , T ) : = { ϕ ∈ L 2 ( 0 , T ; V ) ∣ ϕ t ∈ L 2 ( 0 , T ; V ′ ) } W(0,T):=\{\phi\in L^2(0,T;V)|\phi_t\in L^2(0,T;V')\} W(0,T):={ϕ∈L2(0,T;V)∣ϕt∈L2(0,T;V′)} 是解 y y y 所在的空间.
- W 0 ( 0 , T ) : = { ϕ ∈ W ( 0 , T ) ∣ ϕ ( 0 ) = 0 i n H } W_0(0,T):=\{\phi\in W(0,T)|\phi(0)=0\ in\ H\} W0(0,T):={ϕ∈W(0,T)∣ϕ(0)=0 in H}, 一会儿会用到.
把原来的问题拆分成与控制
u
u
u 无关的和相关的两部分,
第一部分:
d
d
t
⟨
y
(
t
)
,
φ
⟩
H
+
a
(
t
;
y
(
t
)
,
φ
)
=
⟨
f
(
t
)
,
φ
⟩
V
′
,
V
,
∀
φ
∈
V
,
a
.
e
.
i
n
(
0
,
T
]
⟨
y
(
0
)
,
φ
⟩
H
=
⟨
y
0
,
φ
⟩
H
,
∀
φ
∈
H
\newcommand{\lmrm}[1]{\langle #1 \rangle} \newcommand{\dd}[1]{\frac{\text{d}}{\text{d} #1}} \newcommand{\vphi}{\varphi} \begin{aligned} &\dd{t}\lmrm{y(t),\vphi}_{H}+a(t;y(t),\vphi)=\lmrm{f(t),\vphi}_{V',V},\forall \vphi\in V,a.e.\ in(0,T]\\ &\lmrm{y(0),\vphi}_H=\lmrm{y_0,\vphi}_H,\ \forall \vphi\in H \end{aligned}
dtd⟨y(t),φ⟩H+a(t;y(t),φ)=⟨f(t),φ⟩V′,V,∀φ∈V,a.e. in(0,T]⟨y(0),φ⟩H=⟨y0,φ⟩H, ∀φ∈H
有之前说过的定理保证这个方程在
W
(
0
,
T
)
W(0,T)
W(0,T) 中存在唯一解, 记为
y
^
\hat{y}
y^.
第二部分:
d
d
t
⟨
y
(
t
)
,
φ
⟩
H
+
a
(
t
;
y
(
t
)
,
φ
)
=
⟨
B
u
(
t
)
,
φ
⟩
V
′
,
V
,
∀
φ
∈
V
,
a
.
e
.
i
n
(
0
,
T
]
⟨
y
(
0
)
,
φ
⟩
H
=
⟨
0
,
φ
⟩
H
,
∀
φ
∈
H
\newcommand{\lmrm}[1]{\langle #1 \rangle} \newcommand{\dd}[1]{\frac{\text{d}}{\text{d} #1}} \newcommand{\vphi}{\varphi} \begin{aligned} &\dd{t}\lmrm{y(t),\vphi}_{H}+a(t;y(t),\vphi)=\lmrm{Bu(t),\vphi}_{V',V},\forall \vphi\in V,a.e.\ in(0,T]\\ &\lmrm{y(0),\vphi}_H=\lmrm{0,\vphi}_H,\ \forall \vphi\in H \end{aligned}
dtd⟨y(t),φ⟩H+a(t;y(t),φ)=⟨Bu(t),φ⟩V′,V,∀φ∈V,a.e. in(0,T]⟨y(0),φ⟩H=⟨0,φ⟩H, ∀φ∈H
也用之前的定理保证这个方程在
W
0
(
0
,
T
)
W_0(0,T)
W0(0,T) 中存在唯一解. 并且有线性映射
S
:
U
→
W
0
(
0
,
T
)
S:U\to W_0(0,T)
S:U→W0(0,T), 使得输入
u
u
u, 对应的解为
S
u
Su
Su.
综合这两部分, 原问题的解可以表述为
y
=
y
^
+
S
u
y=\hat{y}+Su
y=y^+Su. 我们把输入
u
u
u 和对应的解
y
y
y 组合成一个pair:
x
:
=
(
y
,
u
)
∈
W
(
0
,
T
)
×
U
=
:
X
x:=(y, u)\in W(0,T)\times U=:X
x:=(y,u)∈W(0,T)×U=:X, 解的存在唯一性定理保证这个
X
X
X 一定非空. 我们的optimal control问题就由此出发.
问题形式
限制 u ∈ U a d : = { u ∈ U ∣ u a ≤ u ≤ u b i n R n u a . e . i n [ 0 , T ] } u\in U_{ad}:=\{u\in U|u_a\leq u\leq u_b\ in\ \R^{n_u}\ a.e.\ in[0,T]\} u∈Uad:={u∈U∣ua≤u≤ub in Rnu a.e. in[0,T]}, 这里的小于等于意味着每个分量都小于等于. 这样的 U a d U_{ad} Uad 在 U U U 中是闭的, 凸的, 有界的. 用这个 u u u 的限制, 可以得到一个 x = ( y , u ) x=(y,u) x=(y,u) 的限制: x ∈ X a d : = { ( y ^ + S u , u ) ∈ X ∣ u ∈ U a d } x\in X_{ad}:=\{(\hat{y}+Su,u)\in X|u\in U_{ad}\} x∈Xad:={(y^+Su,u)∈X∣u∈Uad}. 我们的二次最优控制就限制在这个范围上.
先给出目标函数:
J
(
x
)
=
σ
Q
2
∫
0
T
∥
y
(
t
)
−
y
Q
(
t
)
∥
H
2
d
t
+
σ
Ω
2
∥
y
(
T
)
−
y
Ω
∥
H
2
+
σ
Q
2
∥
u
∥
U
2
J(x)=\frac{\sigma_Q}{2}\int_0^T\|y(t)-y_Q(t)\|_H^2\text{d}t+\frac{\sigma_{\Omega}}{2}\|y(T)-y_{\Omega}\|_H^2+\frac{\sigma_Q}{2}\|u\|_U^2
J(x)=2σQ∫0T∥y(t)−yQ(t)∥H2dt+2σΩ∥y(T)−yΩ∥H2+2σQ∥u∥U2
其中的
σ
Q
,
σ
Ω
≥
0
\sigma_Q,\sigma_{\Omega}\geq 0
σQ,σΩ≥0,
σ
>
0
\sigma>0
σ>0;
(
y
Q
,
y
Ω
)
∈
H
:
=
L
2
(
0
,
T
;
H
)
×
H
(y_Q,y_{\Omega})\in\mathcal{H}:=L^2(0,T;H)\times H
(yQ,yΩ)∈H:=L2(0,T;H)×H, 是给定的我们的想要的状态. 极小化
J
J
J, 就是想让
y
y
y 尽可能靠近它们, 同时保持
u
u
u 足够小. 上面这个关于
x
x
x 的
J
(
x
)
J(x)
J(x), 实际上就是关于
u
u
u 的
J
^
(
u
)
\hat{J}(u)
J^(u):
J
^
(
u
)
=
J
(
(
y
^
+
S
u
,
u
)
)
=
σ
Q
2
∫
0
T
∥
S
u
−
(
y
Q
(
t
)
−
y
^
(
t
)
)
∥
H
2
d
t
+
σ
Ω
2
∥
S
u
−
(
y
Ω
−
y
^
(
T
)
)
∥
H
2
+
σ
2
∥
u
∥
U
2
\newcommand{\norm}[1]{\| #1\|} \begin{aligned} \hat{J}(u)=&J((\hat{y}+Su,u))\\ =&\frac{\sigma_Q}{2}\int_0^T\norm{Su-(y_Q(t)-\hat{y}(t))}_H^2\text{d}t\\ &+\frac{\sigma_{\Omega}}{2}\norm{Su-(y_{\Omega}-\hat{y}(T))}_H^2\\ &+\frac{\sigma}{2}\norm{u}_U^2 \end{aligned}
J^(u)==J((y^+Su,u))2σQ∫0T∥Su−(yQ(t)−y^(t))∥H2dt+2σΩ∥Su−(yΩ−y^(T))∥H2+2σ∥u∥U2
min
x
∈
X
a
d
J
(
x
)
⇔
min
u
∈
U
a
d
J
^
(
u
)
\min\limits_{x\in X_{ad}}J(x)\Leftrightarrow \min\limits_{u\in U_{ad}}\hat{J}(u)
x∈XadminJ(x)⇔u∈UadminJ^(u)
所以我们接下来就考虑关于控制
u
u
u 的极小化问题.
min
u
∈
U
a
d
J
^
(
u
)
(问题形式)
\min\limits_{u\in U_{ad}}\hat{J}(u)\tag{问题形式}
u∈UadminJ^(u)(问题形式)
简化目标表达式
注意, 我们的
H
\mathcal{H}
H 是用两个Hilbert空间直积定义的, 在一般的直积的内积定义下它也是Hilbert空间, 对
ψ
,
ϕ
∈
H
\psi,\phi\in\mathcal{H}
ψ,ϕ∈H, 我们可以写为
ψ
=
(
ψ
1
(
t
)
,
ψ
2
)
,
ϕ
=
(
ϕ
1
(
t
)
,
ϕ
2
)
\psi=(\psi_1(t),\psi_2),\phi=(\phi_1(t),\phi_2)
ψ=(ψ1(t),ψ2),ϕ=(ϕ1(t),ϕ2). 它俩在
H
\mathcal{H}
H 中距离有这样的表达:
∥
ψ
−
ϕ
∥
H
2
=
∫
0
T
∥
ψ
1
(
t
)
−
ϕ
1
(
t
)
∥
H
2
d
t
+
∥
ψ
2
−
ϕ
2
∥
H
2
\newcommand{\norm}[1]{\| #1\|} \norm{\psi-\phi}_{\mathcal{H}}^2=\int_0^T\norm{\psi_1(t)-\phi_1(t)}_H^2\text{d}t+\norm{\psi_2-\phi_2}_H^2
∥ψ−ϕ∥H2=∫0T∥ψ1(t)−ϕ1(t)∥H2dt+∥ψ2−ϕ2∥H2
所以我们的目标函数
J
^
(
u
)
\hat{J}(u)
J^(u) 可以用
H
\mathcal{H}
H 上的范数来重写一下:
J
^
(
u
)
=
1
2
∥
(
σ
Q
S
u
(
t
)
,
σ
Ω
S
u
(
T
)
)
−
(
σ
Q
(
y
Q
(
t
)
−
y
^
(
t
)
)
,
σ
Ω
(
y
Ω
−
y
^
(
T
)
)
)
∥
H
2
+
σ
2
∥
u
∥
U
2
.
\newcommand{\norm}[1]{\| #1\|} \begin{aligned} \hat{J}(u)=&\frac{1}{2}\norm{(\sqrt{\sigma_Q}Su(t),\sqrt{\sigma_{\Omega}}Su(T))-(\sqrt{\sigma_Q}(y_Q(t)-\hat{y}(t)),\sqrt{\sigma_{\Omega}}(y_{\Omega}-\hat{y}(T)))}_H^2\\ &+\frac{\sigma}{2}\norm{u}_U^2. \end{aligned}
J^(u)=21∥(σQSu(t),σΩSu(T))−(σQ(yQ(t)−y^(t)),σΩ(yΩ−y^(T)))∥H2+2σ∥u∥U2.
这么大坨看着太累, 为了简便, 记
- E 1 : W ( 0 , T ) → L 2 ( 0 , T ; H ) \mathcal{E}_1:W(0,T)\to L^2(0,T;H) E1:W(0,T)→L2(0,T;H) 为嵌入映射 (这里就是恒等映射).
- E 2 : W ( 0 , T ) → H , ϕ ↦ ϕ ( T ) \mathcal{E}_2:W(0,T)\to H, \phi\mapsto\phi(T) E2:W(0,T)→H,ϕ↦ϕ(T).
- G : U → H , G = ( σ Q E 1 S , σ Ω E 2 S ) , u ↦ ( σ Q S u , σ Ω S u ( T ) ) G:U\to \mathcal{H}, G=(\sqrt{\sigma_Q}\mathcal{E}_1S,\sqrt{\sigma_{\Omega}}\mathcal{E}_2S),u\mapsto(\sqrt{\sigma_Q}Su,\sqrt{\sigma_{\Omega}}Su(T)) G:U→H,G=(σQE1S,σΩE2S),u↦(σQSu,σΩSu(T)).
- z d : = ( σ Q ( y Q ( t ) − y ^ ( t ) ) , σ Ω ( y Ω − y ^ ( T ) ) ) ∈ H z_d:=(\sqrt{\sigma_Q}(y_Q(t)-\hat{y}(t)),\sqrt{\sigma_{\Omega}}(y_{\Omega}-\hat{y}(T)))\in\mathcal{H} zd:=(σQ(yQ(t)−y^(t)),σΩ(yΩ−y^(T)))∈H
现在, 原来的目标函数可以写成
J
^
(
u
)
=
1
2
∥
G
u
−
z
d
∥
H
2
+
σ
2
∥
u
∥
U
2
\newcommand{\norm}[1]{\| #1\|} \hat{J}(u)=\frac{1}{2}\norm{Gu-z_d}_{\mathcal{H}}^2+\frac{\sigma}{2}\norm{u}_U^2
J^(u)=21∥Gu−zd∥H2+2σ∥u∥U2
这个形式, 是不是就看着简单多了呢.
最优解的存在唯一性
这一节主要就是给一个定理, 保证上面这个极小化问题的解是存在唯一的.
Thm 1.34 令 U , H U, \mathcal{H} U,H 为两个Hilbert空间, U a d ⊂ U U_{ad}\subset U Uad⊂U是非空有界闭凸子集, z d ∈ H z_d\in \mathcal{H} zd∈H, σ ≥ 0 \sigma\geq 0 σ≥0, G : U → H G:U\to\mathcal{H} G:U→H 是连续线性算子, 则对如下问题存在最优解 u ˉ \bar{u} uˉ:
min u ∈ U a d J ^ ( u ) = 1 2 ∥ G u − z d ∥ H 2 + σ 2 ∥ u ∥ U 2 \newcommand{\norm}[1]{\| #1\|} \min\limits_{u\in U_{ad}}\hat{J}(u)=\frac{1}{2}\norm{Gu-z_d}_{\mathcal{H}}^2+\frac{\sigma}{2}\norm{u}_U^2 u∈UadminJ^(u)=21∥Gu−zd∥H2+2σ∥u∥U2
如果 σ > 0 \sigma >0 σ>0 或者 G G G 是单射, 这个最优解是唯一的.
显然这个定理是给我们的问题量身打造的. 接下来照抄一遍即可. 用两个定理, 先说有界的 U a d U_{ad} Uad 存在唯一解, 再说如果我们的 u a , u b u_a,u_b ua,ub 可能取到无穷, 这个解的存在唯一性仍然是可以保证的.
一阶必要最优性条件
回到我们的问题. 既然解的存在唯一性有保证了, 继续求下去就有意义了. 用我们高中就知道的知识, 想求极值点, 能用导数就好办. 这里也作同样的考虑.
先大概地分析一下. 如果 u ˉ \bar{u} uˉ 是 min u ∈ U a d J ^ ( u ) \min\limits_{u\in U_{ad}}\hat{J}(u) u∈UadminJ^(u) 的解, 那从 u ˉ \bar{u} uˉ 出发, 往任意可行的 u u u 靠近任意可行的步长, 得到 u ˉ + ϵ ( u − u ˉ ) \bar{u}+\epsilon(u-\bar{u}) uˉ+ϵ(u−uˉ), 它对应的目标函数值应满足 J ^ ( u ˉ + ϵ ( u − u ˉ ) ) ≥ J ^ ( u ˉ ) \hat{J}(\bar{u}+\epsilon(u-\bar{u}))\geq \hat{J}(\bar{u}) J^(uˉ+ϵ(u−uˉ))≥J^(uˉ). 这个任意步长 ϵ \epsilon ϵ 就提示, 我们正接近我们想要的导数. 再进一步, 乘上 1 / ϵ 1/\epsilon 1/ϵ, 再让步长 ϵ ↓ 0 \epsilon\downarrow 0 ϵ↓0, 我们可以以此定义一个导数.
G a ^ t e a u x G\hat{a}teaux Ga^teaux 导数
给一个函数空间上的导数定义.
记 B 1 , B 2 B_1,B_2 B1,B2 为实的Banach空间, U ⊂ B 1 U\subset B_1 U⊂B1 为开集. F : U → B 2 F:U\to B_2 F:U→B2, 对给定的 u ∈ U u\in U u∈U, h ∈ B 1 h\in B_1 h∈B1,
D F ( u ; h ) : = lim ϵ ↓ 0 1 ϵ ( F ( u + ϵ h ) − F ( u ) ) . DF(u;h):=\lim\limits_{\epsilon\downarrow0}\frac{1}{\epsilon}(F(u+\epsilon h)-F(u)). DF(u;h):=ϵ↓0limϵ1(F(u+ϵh)−F(u)).
若存在 K : U → B 2 K:U\to B_2 K:U→B2 满足
D F ( u ; h ) = K h , ∀ h ∈ U DF(u;h)=Kh,\ \forall h\in U DF(u;h)=Kh, ∀h∈U
则称 F F F 在 u u u 处 G a ^ t e a u x G\hat{a}teaux Ga^teaux 可导, 记 K K K 为 F ′ ( u ) F'(u) F′(u), 称为 F F F 在 u u u 处的 G a ^ t e a u x G\hat{a}teaux Ga^teaux导数. 以后简称导数 (为了好打.)
我们讨论的算子
J
:
U
→
R
J:U\to \R
J:U→R 是作用在Hilbert空间上的,
J
J
J 的导数可以用 Riesz 同构来刻画.
D
J
^
(
u
;
v
)
D\hat{J}(u;v)
DJ^(u;v) 实际上可以看成作用在
v
∈
U
v\in U
v∈U 上的线性泛函, 所以
J
^
′
(
u
)
∈
U
′
\hat{J}'(u)\in U'
J^′(u)∈U′, 所以存在唯一的
τ
−
1
J
^
′
(
u
)
∈
U
\tau^{-1}\hat{J}'(u)\in U
τ−1J^′(u)∈U 满足
⟨
τ
−
1
J
^
′
(
u
)
,
v
⟩
U
=
⟨
J
^
′
(
u
)
,
v
⟩
U
′
,
U
\langle \tau^{-1}\hat{J}'(u),v\rangle_U=\langle\hat{J}'(u),v\rangle_{U',U}
⟨τ−1J^′(u),v⟩U=⟨J^′(u),v⟩U′,U
τ
−
1
J
^
′
(
u
)
\tau^{-1}\hat{J}'(u)
τ−1J^′(u) 作用在
v
v
v 上 (以内积的意义) 和导数作用 (按导数的意义) 是一致的. 为了简化, 我们就记
τ
−
1
J
^
′
(
u
)
=
:
∇
J
^
(
u
)
\tau^{-1}\hat{J}'(u)=:\nabla\hat{J}(u)
τ−1J^′(u)=:∇J^(u).
用这个梯度来表述导数作用, 我们的最优解应该满足的条件就是
⟨
∇
J
^
(
u
ˉ
)
,
u
−
u
ˉ
⟩
U
≥
0
,
∀
u
∈
U
a
d
\langle\nabla\hat{J}(\bar{u}),u-\bar{u}\rangle_U\geq 0,\ \forall u\in U_{ad}
⟨∇J^(uˉ),u−uˉ⟩U≥0, ∀u∈Uad
现在的问题是, 这个梯度应该长什么样子呢? 我们先回忆一下
J
^
(
u
)
\hat{J}(u)
J^(u) 表达式:
J
^
(
u
)
=
1
2
∥
G
u
−
z
d
∥
H
2
+
σ
2
∥
u
∥
U
2
\newcommand{\norm}[1]{\| #1\|} \hat{J}(u)=\frac{1}{2}\norm{Gu-z_d}_{\mathcal{H}}^2+\frac{\sigma}{2}\norm{u}_U^2
J^(u)=21∥Gu−zd∥H2+2σ∥u∥U2
有几种办法可以求这个梯度. 我们这里直接用矩阵来类比推断一下, 应该写成
∇
J
^
(
u
)
=
G
∗
(
G
u
−
z
d
)
+
σ
u
,
f
o
r
u
∈
U
\nabla\hat{J}(u)=G^*(Gu-z_d)+\sigma u,\ for\ u\in U
∇J^(u)=G∗(Gu−zd)+σu, for u∈U
如此, 我们得到我们想要的一阶最优必要条件.
Thm 1.40 假定 u ˉ \bar{u} uˉ 是我们目标问题的最优解, 那它满足如下的变分不等式:
⟨ ∇ J ^ ( u ˉ ) , u − u ˉ ⟩ U ≥ 0 , ∀ u ∈ U a d \langle\nabla\hat{J}(\bar{u}),u-\bar{u}\rangle_U\geq 0,\ \forall u\in U_{ad} ⟨∇J^(uˉ),u−uˉ⟩U≥0, ∀u∈Uad
其中的 ∇ J ^ ( u ) \nabla\hat{J}(u) ∇J^(u) 为
∇ J ^ ( u ) = G ∗ ( G u − z d ) + σ u , f o r u ∈ U \nabla\hat{J}(u)=G^*(Gu-z_d)+\sigma u,\ for\ u\in U ∇J^(u)=G∗(Gu−zd)+σu, for u∈U
那么我们最优解的一阶必要条件转化为
0
≤
⟨
G
∗
(
G
u
ˉ
−
z
d
)
+
σ
u
ˉ
,
u
−
u
ˉ
⟩
U
=
⟨
G
u
ˉ
−
z
d
,
G
(
u
−
u
ˉ
)
⟩
H
+
⟨
σ
u
,
u
−
u
ˉ
⟩
U
\newcommand{\lmrm}[1]{\langle #1 \rangle} \newcommand{\bu}{\bar{u}} \begin{aligned} 0\leq&\lmrm{G^*(G\bu-z_d)+\sigma\bu,u-\bu}_U\\ =&\lmrm{G\bu-z_d,G(u-\bu)}_{\mathcal{H}}+\lmrm{\sigma u,u-\bu}_U \end{aligned}
0≤=⟨G∗(Guˉ−zd)+σuˉ,u−uˉ⟩U⟨Guˉ−zd,G(u−uˉ)⟩H+⟨σu,u−uˉ⟩U
回顾一下,
G
=
(
σ
Q
E
1
S
,
σ
Ω
E
2
S
)
,
u
↦
(
σ
Q
S
u
,
σ
Ω
S
u
(
T
)
)
G=(\sqrt{\sigma_Q}\mathcal{E}_1S,\sqrt{\sigma_{\Omega}}\mathcal{E}_2S),u\mapsto(\sqrt{\sigma_Q}Su,\sqrt{\sigma_{\Omega}}Su(T))
G=(σQE1S,σΩE2S),u↦(σQSu,σΩSu(T)),
z
d
:
=
(
σ
Q
(
y
Q
(
t
)
−
y
^
(
t
)
)
,
σ
Ω
(
y
Ω
−
y
^
(
T
)
)
)
∈
H
z_d:=(\sqrt{\sigma_Q}(y_Q(t)-\hat{y}(t)),\sqrt{\sigma_{\Omega}}(y_{\Omega}-\hat{y}(T)))\in\mathcal{H}
zd:=(σQ(yQ(t)−y^(t)),σΩ(yΩ−y^(T)))∈H, 我们想搞出从control
u
u
u 到解
y
y
y 的映射
S
S
S 是很困难的, 但如果给一个控制
u
u
u, 我们去解evolution problem是可以做到的. 下面就来想, 怎么把这个最优性条件变成解evolution problem? 表达式的第二项不需要再约化了, 我们看看第一项怎么办.
⟨
G
u
ˉ
−
z
d
,
G
(
u
−
u
ˉ
)
⟩
H
=
σ
Q
⟨
S
u
ˉ
−
(
y
Q
−
y
^
)
,
S
(
u
−
u
ˉ
)
⟩
L
2
(
0
,
T
;
H
)
+
σ
Ω
⟨
S
u
ˉ
(
T
)
−
(
y
Ω
−
y
^
(
T
)
)
,
S
(
u
−
u
ˉ
)
(
T
)
⟩
H
=
(
σ
Q
⟨
S
u
ˉ
,
S
(
u
−
u
ˉ
)
⟩
L
2
(
0
,
T
;
H
)
+
σ
Ω
⟨
S
u
ˉ
(
T
)
,
S
(
u
−
u
ˉ
)
(
T
)
⟩
H
)
−
(
σ
Q
⟨
y
Q
−
y
^
,
S
(
u
−
u
ˉ
)
⟩
L
2
(
0
,
T
;
H
)
+
σ
Ω
⟨
y
Ω
−
y
^
(
T
)
,
S
(
u
−
u
ˉ
)
(
T
)
⟩
H
)
\newcommand{\lmrm}[1]{\langle #1 \rangle} \newcommand{\bu}{\bar{u}} \begin{aligned} &\lmrm{G\bu-z_d,G(u-\bu)}_{\mathcal{H}}\\ =&\sigma_Q\lmrm{S\bu-(y_Q-\hat{y}),S(u-\bu)}_{L^2(0,T;H)}\\ &+\sigma_{\Omega}\lmrm{S\bu(T)-(y_{\Omega}-\hat{y}(T)),S(u-\bu)(T)}_H\\ =&\color{red}{(\sigma_Q\lmrm{S\bu,S(u-\bu)}_{L^2(0,T;H)}+\sigma_{\Omega}\lmrm{S\bu(T),S(u-\bu)(T)}_H)}\\ &-\color{blue}{(\sigma_Q\lmrm{y_Q-\hat{y},S(u-\bu)}_{L^2(0,T;H)}+\sigma_{\Omega}\lmrm{y_{\Omega}-\hat{y}(T),S(u-\bu)(T)}_H)} \end{aligned}
==⟨Guˉ−zd,G(u−uˉ)⟩HσQ⟨Suˉ−(yQ−y^),S(u−uˉ)⟩L2(0,T;H)+σΩ⟨Suˉ(T)−(yΩ−y^(T)),S(u−uˉ)(T)⟩H(σQ⟨Suˉ,S(u−uˉ)⟩L2(0,T;H)+σΩ⟨Suˉ(T),S(u−uˉ)(T)⟩H)−(σQ⟨yQ−y^,S(u−uˉ)⟩L2(0,T;H)+σΩ⟨yΩ−y^(T),S(u−uˉ)(T)⟩H)
我们先任意选
v
v
v 代替
u
ˉ
\bar{u}
uˉ, 选
u
u
u 代替
u
−
u
ˉ
u-\bar{u}
u−uˉ 来分析一下上面这两项. 我们希望, 这两项能化成
⟨
⋅
,
u
−
u
ˉ
⟩
U
\langle\cdot,u-\bar{u}\rangle_U
⟨⋅,u−uˉ⟩U 的样子, 并且第一个位置用我们可以求出来的表达式来写. 先考虑第一个.
σ
Q
⟨
S
v
,
S
u
⟩
L
2
(
0
,
T
;
H
)
+
σ
Ω
⟨
S
v
(
T
)
,
S
u
(
T
)
⟩
H
=
∫
0
T
σ
Q
⟨
S
v
,
S
u
⟩
H
d
t
+
σ
Ω
⟨
S
v
(
T
)
,
S
u
(
T
)
⟩
H
\newcommand{\lmrm}[1]{\langle #1 \rangle} \begin{aligned} &\color{red}{\sigma_Q\lmrm{Sv,Su}_{L^2(0,T;H)}+\sigma_{\Omega}\lmrm{Sv(T),Su(T)}_H}\\ =&\int_0^T\sigma_Q\lmrm{Sv,Su}_H\text{d}t+\sigma_{\Omega}\lmrm{Sv(T),Su(T)}_H \end{aligned}
=σQ⟨Sv,Su⟩L2(0,T;H)+σΩ⟨Sv(T),Su(T)⟩H∫0TσQ⟨Sv,Su⟩Hdt+σΩ⟨Sv(T),Su(T)⟩H
我们知道, 对给定的
u
∈
U
u\in U
u∈U,
y
=
S
u
y=Su
y=Su 是之前的evolution problem 中与
u
u
u 相关的部分的解, 满足
d
d
t
⟨
y
(
t
)
,
φ
⟩
H
+
a
(
t
;
y
(
t
)
,
φ
)
=
⟨
B
u
(
t
)
,
φ
⟩
V
′
,
V
,
∀
φ
∈
V
,
a
.
e
.
i
n
(
0
,
T
]
⟨
y
(
0
)
,
φ
⟩
H
=
⟨
0
,
φ
⟩
H
,
∀
φ
∈
H
\newcommand{\lmrm}[1]{\langle #1 \rangle} \newcommand{\dd}[1]{\frac{\text{d}}{\text{d} #1}} \newcommand{\vphi}{\varphi} \begin{aligned} &\dd{t}\lmrm{y(t),\vphi}_{H}+a(t;y(t),\vphi)=\lmrm{Bu(t),\vphi}_{V',V},\forall \vphi\in V,a.e.\ in(0,T]\\ &\lmrm{y(0),\vphi}_H=\lmrm{0,\vphi}_H,\ \forall \vphi\in H \end{aligned}
dtd⟨y(t),φ⟩H+a(t;y(t),φ)=⟨Bu(t),φ⟩V′,V,∀φ∈V,a.e. in(0,T]⟨y(0),φ⟩H=⟨0,φ⟩H, ∀φ∈H
现在我们把
v
∈
U
v\in U
v∈U 也视为某个 evolution problem 的控制,
p
=
A
v
∈
W
(
0
,
T
)
p=\mathcal{A}v\in W(0,T)
p=Av∈W(0,T) 为对应的解. 这个problem 定义成
d
d
t
⟨
p
(
t
)
,
φ
⟩
H
−
a
(
t
;
p
(
t
)
,
φ
)
=
σ
Q
⟨
S
v
(
t
)
,
φ
⟩
H
,
∀
φ
∈
V
,
a
.
e
.
i
n
[
0
,
T
)
⟨
p
(
T
)
,
φ
⟩
H
=
σ
Ω
⟨
S
v
(
T
)
,
φ
⟩
H
,
∀
φ
∈
H
\newcommand{\lmrm}[1]{\langle #1 \rangle} \newcommand{\dd}[1]{\frac{\text{d}}{\text{d} #1}} \newcommand{\vphi}{\varphi} \dd{t}\lmrm{p(t),\vphi}_{H}-a(t;p(t),\vphi)=\sigma_Q\lmrm{Sv(t),\vphi}_{H},\forall \vphi\in V,a.e.\ in[0,T)\\ \lmrm{p(T),\vphi}_H=\sigma_{\Omega}\lmrm{Sv(T),\vphi}_H,\ \forall \vphi\in H
dtd⟨p(t),φ⟩H−a(t;p(t),φ)=σQ⟨Sv(t),φ⟩H,∀φ∈V,a.e. in[0,T)⟨p(T),φ⟩H=σΩ⟨Sv(T),φ⟩H, ∀φ∈H
那么, 把
φ
\varphi
φ 取为
y
=
S
u
y=Su
y=Su, 用
p
p
p 来转化一下,
σ
Q
⟨
S
v
,
S
u
⟩
L
2
(
0
,
T
;
H
)
+
σ
Ω
⟨
S
v
(
T
)
,
S
u
(
T
)
⟩
H
=
∫
0
T
σ
Q
⟨
S
v
,
y
⟩
H
d
t
+
σ
Ω
⟨
S
v
(
T
)
,
y
(
T
)
⟩
H
=
∫
0
T
d
d
t
(
⟨
p
(
t
)
,
y
⟩
H
−
a
(
t
;
p
(
t
)
,
y
)
)
d
t
+
⟨
p
(
T
)
,
y
(
T
)
⟩
H
=
−
∫
0
T
⟨
y
t
(
t
)
,
p
(
t
)
⟩
V
′
,
V
+
a
(
t
;
y
(
t
)
,
p
(
t
)
)
d
t
(
分
部
积
分
;
y
(
0
)
=
0
)
=
−
∫
0
T
⟨
B
u
(
t
)
,
A
v
(
t
)
⟩
V
′
,
V
d
t
(
再
用
对
偶
算
子
)
=
−
∫
0
T
⟨
B
′
A
v
,
u
⟩
R
N
u
d
t
(
对
固
定
的
t
,
是
R
N
u
)
=
−
⟨
B
′
A
v
,
u
⟩
U
\newcommand{\lmrm}[1]{\langle #1 \rangle} \newcommand{\somega}{\sigma_{\Omega}} \newcommand{\dd}[1]{\frac{\text{d}}{\text{d} #1}} \begin{aligned} &\sigma_Q\lmrm{Sv,Su}_{L^2(0,T;H)}+\sigma_{\Omega}\lmrm{Sv(T),Su(T)}_H\\ =&\int_0^T\sigma_Q\lmrm{Sv,y}_H\text{d}t+\somega\lmrm{Sv(T),y(T)}_H\\ =&\int_0^T\dd{t}(\lmrm{p(t),y}_H-a(t;p(t),y))\text{d}t+\lmrm{p(T),y(T)}_H\\ =&-\int_0^T\lmrm{y_t(t),p(t)}_{V',V}+a(t;y(t),p(t))\text{d}t\ (分部积分;y(0)=0)\\ =&-\int_0^T\lmrm{Bu(t),\mathcal{A}v(t)}_{V',V}\text{d}t\ (再用对偶算子)\\ =&-\int_0^T\lmrm{B'\mathcal{A}v,u}_{\R^{N_u}}\text{d}t\ (对固定的t,是\R^{N_u})\\ =&-\lmrm{B'\mathcal{A}v,u}_U \end{aligned}
======σQ⟨Sv,Su⟩L2(0,T;H)+σΩ⟨Sv(T),Su(T)⟩H∫0TσQ⟨Sv,y⟩Hdt+σΩ⟨Sv(T),y(T)⟩H∫0Tdtd(⟨p(t),y⟩H−a(t;p(t),y))dt+⟨p(T),y(T)⟩H−∫0T⟨yt(t),p(t)⟩V′,V+a(t;y(t),p(t))dt (分部积分;y(0)=0)−∫0T⟨Bu(t),Av(t)⟩V′,Vdt (再用对偶算子)−∫0T⟨B′Av,u⟩RNudt (对固定的t,是RNu)−⟨B′Av,u⟩U
此时要问, 这个
A
\mathcal{A}
A 不也是个解映射, 也不好求吗? 不急, 回看第二项:
σ
Q
⟨
y
Q
−
y
^
,
S
u
⟩
L
2
(
0
,
T
;
H
)
+
σ
Ω
⟨
y
Ω
−
y
^
(
T
)
,
S
u
(
T
)
⟩
H
\newcommand{\lmrm}[1]{\langle #1 \rangle} \color{blue}{\sigma_Q\lmrm{y_Q-\hat{y},Su}_{L^2(0,T;H)}+\sigma_{\Omega}\lmrm{y_{\Omega}-\hat{y}(T),Su(T)}_H}
σQ⟨yQ−y^,Su⟩L2(0,T;H)+σΩ⟨yΩ−y^(T),Su(T)⟩H
和之前一样的推导, 如果我们能找到一个
p
^
∈
W
(
0
,
T
)
\hat{p}\in W(0,T)
p^∈W(0,T), 是如下的evolution problem 的解:
−
d
d
t
⟨
p
(
t
)
,
φ
⟩
H
+
a
(
t
;
p
(
t
)
,
φ
)
=
σ
Q
⟨
y
Q
(
t
)
−
y
^
(
t
)
,
φ
⟩
H
,
∀
φ
∈
V
a
.
e
.
i
n
[
0
,
T
)
p
(
T
)
=
σ
Ω
(
y
Ω
−
y
^
(
T
)
)
-\frac{\text{d}}{\text{d}t}\langle p(t),\varphi\rangle_H+a(t;p(t),\varphi)=\sigma_Q\langle y_Q(t)-\hat{y}(t),\varphi\rangle_H,\forall\varphi\in V\ a.e.\ in[0,T)\\ p(T)=\sigma_{\Omega}(y_{\Omega}-\hat{y}(T))
−dtd⟨p(t),φ⟩H+a(t;p(t),φ)=σQ⟨yQ(t)−y^(t),φ⟩H,∀φ∈V a.e. in[0,T)p(T)=σΩ(yΩ−y^(T))
就可以用一样分部积分, 把第二项变成
⟨
B
′
p
^
,
u
⟩
U
\langle B'\hat{p},u\rangle_U
⟨B′p^,u⟩U. 这样, 把
v
v
v 换回
u
ˉ
\bar{u}
uˉ,
u
u
u 换回
u
−
u
ˉ
u-\bar{u}
u−uˉ第一项和第二项合在一起就变成
−
⟨
B
′
(
p
^
+
A
u
ˉ
)
,
u
−
u
ˉ
⟩
U
-\langle B'(\hat{p}+\mathcal{A}\bar{u}),u-\bar{u}\rangle_U
−⟨B′(p^+Auˉ),u−uˉ⟩U
这个时候我们用叠加原理, 并记
y
ˉ
\bar{y}
yˉ 为
u
ˉ
\bar{u}
uˉ 对应的 evolution problem 的解, 则
p
ˉ
:
=
p
^
+
A
u
ˉ
\bar{p}:=\hat{p}+\mathcal{A}\bar{u}
pˉ:=p^+Auˉ 就是如下evolution problem的解:
−
⟨
p
(
t
)
,
φ
⟩
V
′
,
V
+
a
(
t
;
p
(
t
)
,
φ
)
=
σ
Q
⟨
y
Q
(
t
)
−
y
ˉ
(
t
)
,
φ
⟩
H
,
∀
φ
∈
V
a
.
e
.
i
n
[
0
,
T
)
p
(
T
)
=
σ
Ω
(
y
Ω
−
y
ˉ
(
T
)
)
-\langle p(t),\varphi\rangle_{V',V}+a(t;p(t),\varphi)=\sigma_Q\langle y_Q(t)-\bar{y}(t),\varphi\rangle_H,\ \forall \varphi\in V\ a.e.\ in[0,T)\\ p(T)=\sigma_{\Omega}(y_{\Omega}-\bar{y}(T))
−⟨p(t),φ⟩V′,V+a(t;p(t),φ)=σQ⟨yQ(t)−yˉ(t),φ⟩H, ∀φ∈V a.e. in[0,T)p(T)=σΩ(yΩ−yˉ(T))
总结上述的分析, 我们把一阶最优性条件转变成了
⟨
σ
u
ˉ
−
B
′
p
ˉ
,
u
−
u
ˉ
⟩
U
≥
0
,
∀
u
∈
U
a
d
\langle \sigma\bar{u}-B'\bar{p},u-\bar{u}\rangle_U\geq 0,\ \forall u\in U_{ad}
⟨σuˉ−B′pˉ,u−uˉ⟩U≥0, ∀u∈Uad
也就是说, 我们把求一个控制到解的映射
S
S
S 的任务, 转变成了在目标值
u
ˉ
\bar{u}
uˉ 未知的情况下, 求两次evolution problem (一次以
u
ˉ
\bar{u}
uˉ 为控制求
y
ˉ
\bar{y}
yˉ, 一次把
y
ˉ
\bar{y}
yˉ 代入求
p
ˉ
\bar{p}
pˉ ). 这时候要问了, 目标值
u
ˉ
\bar{u}
uˉ 还不知道呢, 怎么求? 这就要用我们的迭代方法了. 论文中采用的是 primal-dual active set strategy.
应用POD方法
我们刚刚已经得到一阶最优性条件的表达形式, 也知道它要求解两次evolution problem, 这里的求解我们就可以用上POD方法了. 使用方法就和应用在 evolution problem上是一致的, 推导一下即可.
上一节说了, 我们这个最优条件需要解两个evolution problem: 用
u
u
u 作输入控制解
y
=
y
^
+
S
u
y=\hat{y}+Su
y=y^+Su, 用
y
y
y 作输入控制去解
p
p
p. 在这两个过程里我们只用一次POD方法来求POD基, 并且假定
p
l
p^l
pl 也使用和
y
l
y^l
yl 相同的POD基
p
l
(
t
)
=
p
^
(
t
)
+
∑
i
=
1
l
p
i
l
(
t
)
ψ
i
∈
V
p^l(t)=\hat{p}(t)+\sum_{i=1}^lp_i^l(t)\psi_i\in V
pl(t)=p^(t)+i=1∑lpil(t)ψi∈V
p
l
(
T
)
=
σ
Ω
(
y
Ω
−
y
l
(
T
)
)
p^l(T)=\sigma_{\Omega}(y_{\Omega}-y^l(T))
pl(T)=σΩ(yΩ−yl(T)), 我们又知道
p
^
(
T
)
=
σ
Ω
(
y
Ω
−
y
^
(
T
)
)
\hat{p}(T)=\sigma_{\Omega}(y_{\Omega}-\hat{y}(T))
p^(T)=σΩ(yΩ−y^(T)),
y
l
(
T
)
=
y
^
(
T
)
+
∑
i
=
1
l
y
i
l
(
t
)
ψ
i
y^l(T)=\hat{y}(T)+\sum_{i=1}^ly_i^l(t)\psi_i
yl(T)=y^(T)+∑i=1lyil(t)ψi, 所以
p
i
l
(
T
)
=
−
σ
Ω
y
i
l
(
T
)
p_i^l(T)=-\sigma_{\Omega}y_i^l(T)
pil(T)=−σΩyil(T). 总结一下,
p
l
p^l
pl 即为如下方程的解:
−
⟨
p
(
t
)
,
φ
⟩
V
′
,
V
+
a
(
t
;
p
(
t
)
,
φ
)
=
σ
Q
⟨
y
Q
(
t
)
−
y
l
(
t
)
,
φ
⟩
H
,
∀
φ
∈
V
a
.
e
.
i
n
[
0
,
T
)
p
i
l
(
T
)
=
−
σ
Ω
y
i
l
(
T
)
,
i
=
1
,
⋯
,
l
.
-\langle p(t),\varphi\rangle_{V',V}+a(t;p(t),\varphi)=\sigma_Q\langle y_Q(t)-y^l(t),\varphi\rangle_H,\ \forall \varphi\in V\ a.e.\ in[0,T)\\ p_i^l(T)=-\sigma_{\Omega}y_i^l(T),\ i=1,\cdots,l.
−⟨p(t),φ⟩V′,V+a(t;p(t),φ)=σQ⟨yQ(t)−yl(t),φ⟩H, ∀φ∈V a.e. in[0,T)pil(T)=−σΩyil(T), i=1,⋯,l.
类似我们在evolution problem的POD方法中做的事情, 把
p
l
p^l
pl 拆分成
p
^
\hat{p}
p^ 和
A
l
u
\mathcal{A}^lu
Alu, 其中
A
l
u
\mathcal{A}^lu
Alu 就是如下方程的解:
−
⟨
w
(
t
)
,
φ
⟩
V
′
,
V
+
a
(
t
;
w
(
t
)
,
φ
)
=
−
σ
Q
⟨
S
l
u
(
t
)
,
φ
⟩
H
,
∀
φ
∈
V
a
.
e
.
i
n
[
0
,
T
)
w
(
T
)
=
−
σ
Ω
S
l
u
(
T
)
.
-\langle w(t),\varphi\rangle_{V',V}+a(t;w(t),\varphi)=-\sigma_Q\langle S^lu(t),\varphi\rangle_H,\ \forall \varphi\in V\ a.e.\ in[0,T)\\ w(T)=-\sigma_{\Omega}S^lu(T).
−⟨w(t),φ⟩V′,V+a(t;w(t),φ)=−σQ⟨Slu(t),φ⟩H, ∀φ∈V a.e. in[0,T)w(T)=−σΩSlu(T).
看到现在, 我觉得, 好像这个特解
y
^
\hat{y}
y^,
p
^
\hat{p}
p^ 都是要自己想办法求的.
下面给出 p l p^l pl 和由此算出来的 u ˉ l \bar{u}^l uˉl 的误差估计.
Thm 1.47 A u ∈ H 1 ( 0 , T ; V ) \ { 0 } \mathcal{A}u\in H^1(0,T;V)\backslash\{0\} Au∈H1(0,T;V)\{0}.\
取 ℘ \wp ℘ = 4, y 1 = S u , y 2 = ( S u ) t , y 3 = A u , y 4 = ( A u ) t y^1=Su,y^2=(Su)_t,y^3=\mathcal{A}u,y^4=(\mathcal{A}u)_t y1=Su,y2=(Su)t,y3=Au,y4=(Au)t, 则 p l p^l pl 和 p p p 的误差估计为
∥ p 1 − p ∥ H 1 ( 0 , T ; V ) 2 ≤ C { ∑ i = l + 1 d V λ i V , X = V ∑ i = l + 1 d H λ i H ∥ ψ i H − P H l ψ i H ∥ V 2 , X = H \newcommand{\norm}[1]{\|#1\|}\norm{p^1-p}_{H^1(0,T;V)}^2\leq C\left\{\begin{aligned} &\sum_{i=l+1}^{d_V}\lambda_i^V,\ X=V\\ &\sum_{i=l+1}^{d_H}\lambda_i^H\norm{\psi_i^H-P_H^l\psi_i^H}_V^2,X=H \end{aligned}\right. ∥p1−p∥H1(0,T;V)2≤C⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧i=l+1∑dVλiV, X=Vi=l+1∑dHλiH∥ψiH−PHlψiH∥V2,X=H
其中 C = C ( T , γ , γ 1 , γ 2 , σ Q , σ Ω ) C=C(T,\gamma,\gamma_1,\gamma_2,\sigma_Q,\sigma_{\Omega}) C=C(T,γ,γ1,γ2,σQ,σΩ) 为常数.如果对任意的 u ~ ∈ U \tilde{u}\in U u~∈U, 都有 S u ~ , A u ~ ∈ H 1 ( 0 , T ; V ) S\tilde{u}, \mathcal{A}\tilde{u}\in H^1(0,T;V) Su~,Au~∈H1(0,T;V), 并且对所有的 i ∈ J i \in \mathcal{J} i∈J, λ i H > 0 \lambda_i^H>0 λiH>0, 那么我们有
lim l → ∞ ∥ A − A l ∥ L ( U , W ( 0 , T ) ) = 0. \lim_{l\to\infty}\|\mathcal{A}-\mathcal{A}^l\|_{\mathcal{L}(U,W(0,T))}=0. l→∞lim∥A−Al∥L(U,W(0,T))=0.
近似解 u ˉ l \bar{u}^l uˉl 是一阶最优性变分不等式
⟨ σ u ˉ l − B ′ p ˉ l , u − u ˉ l ⟩ U ≥ 0 , ∀ u ∈ U a d \langle\sigma\bar{u}^l-B'\bar{p}^l,u-\bar{u}^l\rangle_U\geq 0,\ \forall u\in U_{ad} ⟨σuˉl−B′pˉl,u−uˉl⟩U≥0, ∀u∈Uad
的解, 其中 p ˉ l = p ^ l + A l u ˉ l \bar{p}^l=\hat{p}^l+\mathcal{A}^l\bar{u}^l pˉl=p^l+Aluˉl. (这个是啥? )
Thm 1.49 ( u ˉ l \bar{u}^l uˉl的误差估计) 和之前的Thm 1.47 同样的假定.
取 ℘ \wp ℘ = 4, y 1 = S u , y 2 = ( S u ) t , y 3 = A u , y 4 = ( A u ) t y^1=Su,y^2=(Su)_t,y^3=\mathcal{A}u,y^4=(\mathcal{A}u)_t y1=Su,y2=(Su)t,y3=Au,y4=(Au)t, 则 u ˉ l \bar{u}^l uˉl 和 u ˉ \bar{u} uˉ 的误差估计为
∥ u ˉ 1 − u ˉ ∥ U ≤ C σ { ∑ i = l + 1 d V λ i V , X = V ∑ i = l + 1 d H λ i H ∥ ψ i H − P H l ψ i H ∥ V 2 , X = H \newcommand{\norm}[1]{\|#1\|} \norm{\bar{u}^1-\bar{u}}_{U}\leq \frac{C}{\sigma}\left\{\begin{aligned} &\sum_{i=l+1}^{d_V}\lambda_i^V,\ X=V\\ &\sum_{i=l+1}^{d_H}\lambda_i^H\norm{\psi_i^H-P_H^l\psi_i^H}_V^2,X=H \end{aligned}\right. ∥uˉ1−uˉ∥U≤σC⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧i=l+1∑dVλiV, X=Vi=l+1∑dHλiH∥ψiH−PHlψiH∥V2,X=H
其中 C = C ( T , γ , γ 1 , γ 2 , σ Q , σ Ω , ∥ B ′ ∥ L ( L 2 ( 0 , T ; V ) , U ) ) C=C(T,\gamma,\gamma_1,\gamma_2,\sigma_Q,\sigma_{\Omega},\|B'\|_{\mathcal{L}(L^2(0,T;V),U)}) C=C(T,γ,γ1,γ2,σQ,σΩ,∥B′∥L(L2(0,T;V),U)) 为常数.lim l → ∞ ∥ u ˉ l − u ˉ ∥ U = 0 \lim_{l\to\infty}\|\bar{u}^l-\bar{u}\|_U=0 l→∞lim∥uˉl−uˉ∥U=0
上面这个定理实际上是用
∥
u
ˉ
−
u
ˉ
l
∥
U
≤
1
σ
∥
B
′
(
A
l
−
A
)
u
ˉ
∥
U
\|\bar{u}-\bar{u}^l\|_U\leq \frac{1}{\sigma}\|B'(\mathcal{A}^l-\mathcal{A})\bar{u}\|_U
∥uˉ−uˉl∥U≤σ1∥B′(Al−A)uˉ∥U
来得到的. 然后文章给了一个用POD的算法. POD discretized primal-dual active set strategy.
后验误差估计
我们希望找出一种误差估计, 它的估计限与
u
ˉ
\bar{u}
uˉ 无关. 我们的近似解
u
ˉ
l
≠
u
ˉ
\bar{u}^l\not=\bar{u}
uˉl=uˉ, 也就不满足最优解对应的变分不等式. 但是添加一个扰动
ξ
l
∈
U
\xi^l\in U
ξl∈U, 我们可以得到下面的不等式形式:
⟨
σ
u
ˉ
l
−
B
′
p
~
l
+
ξ
l
,
u
−
u
ˉ
l
⟩
U
≥
0
,
∀
u
∈
U
a
d
\langle \sigma\bar{u}^l-B'\tilde{p}^l+\xi^l,u-\bar{u}^l\rangle_U\geq 0,\ \forall u\in U_{ad}
⟨σuˉl−B′p~l+ξl,u−uˉl⟩U≥0, ∀u∈Uad
其中的
p
~
l
=
p
^
+
A
u
ˉ
l
\tilde{p}^l=\hat{p}+\mathcal{A}\bar{u}^l
p~l=p^+Auˉl. 所以,
u
ˉ
l
\bar{u}^l
uˉl 可以视为
min
u
∈
U
a
d
J
~
(
u
)
=
J
(
y
^
+
S
u
,
u
)
+
⟨
ξ
l
,
u
⟩
U
\min_{u\in U_{ad}}\tilde{J}(u)=J(\hat{y}+Su,u)+\langle \xi^l,u\rangle_U
u∈UadminJ~(u)=J(y^+Su,u)+⟨ξl,u⟩U
的解. 只要
ξ
l
\xi^l
ξl 足够小, 它就足够靠近精确解.
Thm 1.50 还是取 ℘ = 4 \wp=4 ℘=4, snapshots 和之前一样, 定义 ξ l ∈ U \xi^l\in U ξl∈U,
ξ i l ( t ) = { − min ( 0 , η i l ( t ) ) , a . e . t ∈ A a i l = { t ∈ [ 0 , T ] ∣ u ˉ i l ( t ) = u a i ( t ) } − max ( 0 , η i l ( t ) ) , a . e . t ∈ A b i l = { t ∈ [ 0 , T ] ∣ u ˉ b i l ( t ) = u b i ( t ) } − η i l ( t ) , a . e . t ∈ [ 0 , T ] \ ( A a i l ∪ A b i l ) . \xi_i^l(t)=\left\{\begin{aligned} &-\min(0,\eta_i^l(t)), &a.e.\ t\in \mathcal{A}_{ai}^l=\{t\in[0,T]|\bar{u}_i^l(t)=u_{ai}(t)\}\\ &-\max(0,\eta_i^l(t)), &a.e.\ t\in \mathcal{A}_{bi}^l=\{t\in[0,T]|\bar{u}_{bi}^l(t)=u_{bi}(t)\}\\ &-\eta_i^l(t), &a.e.\ t\in[0,T]\backslash(\mathcal{A}_{ai}^l\cup\mathcal{A}_{bi}^l). \end{aligned}\right. ξil(t)=⎩⎪⎪⎨⎪⎪⎧−min(0,ηil(t)),−max(0,ηil(t)),−ηil(t),a.e. t∈Aail={t∈[0,T]∣uˉil(t)=uai(t)}a.e. t∈Abil={t∈[0,T]∣uˉbil(t)=ubi(t)}a.e. t∈[0,T]\(Aail∪Abil).
其中, η l = σ u ˉ l − B ′ ( p ^ + A u ˉ l ) ∈ U \eta^l=\sigma\bar{u}^l-B'(\hat{p}+\mathcal{A}\bar{u}^l)\in U ηl=σuˉl−B′(p^+Auˉl)∈U. 则有后验误差估计
∥ u ˉ − u ˉ l ∥ U ≤ 1 σ ∥ ξ l ∥ U \|\bar{u}-\bar{u}^l\|_U\leq\frac{1}{\sigma}\|\xi^l\|_U ∥uˉ−uˉl∥U≤σ1∥ξl∥U
特别地, lim l → ∞ ∥ ξ l ∥ U = 0 \lim\limits_{l\to\infty}\|\xi^l\|_U=0 l→∞lim∥ξl∥U=0.
参考文献
Gubisch M, Volkwein S. Proper orthogonal decomposition for linear-quadratic optimal control[J]. Model reduction and approximation: theory and algorithms, 2017, 15(1). ↩︎