POD方法读书笔记(三) 最终话

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.

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.
$$\begin{array}{rl}& \frac{\text{d}}{\text{d}t}⟨y(t),\phi {⟩}_H+a(t;y(t),\phi )=⟨(f+Bu)(t),\phi {⟩}_{V^{\prime },V},\forall \phi \in V,a.e.in(0,T]\\ & ⟨y(0),\phi {⟩}_H=⟨y_0,\phi {⟩}_H,\forall \phi \in H\end{array}$$
这是非常General的Form, 下面是与它相关的定义和说明:

1. $V,H$ 是实的可分Hilbert空间, 满足 $V\hookrightarrow H=H^{\prime }\hookrightarrow V^{\prime }$.
2. $|a(t;\phi ,\psi )|\le \gamma \Vert \phi {\Vert }_V\Vert \psi {\Vert }_V;a(t;\psi ,\psi )\ge {\gamma }_1\Vert \psi {\Vert }_V^2-{\gamma }_2\Vert \psi {\Vert }_H^2$ 是对称双线性型.
3. $u\in U=L^2(0,T;{\mathbb{R}}^{N_u})$ 是控制(control).
4. $B:U\to L^2(0,T;V^{\prime })$ 是线性算子.
5. $f\in L^2(0,T;V^{\prime })$, $y_0\in H$.
6. 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 $y$ 所在的空间.
7. 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 $u$ 无关的和相关的两部分,
第一部分:
$$\begin{array}{rl}& \frac{\text{d}}{\text{d}t}⟨y(t),\phi {⟩}_H+a(t;y(t),\phi )=⟨f(t),\phi {⟩}_{V^{\prime },V},\forall \phi \in V,a.e.in(0,T]\\ & ⟨y(0),\phi {⟩}_H=⟨y_0,\phi {⟩}_H,\forall \phi \in H\end{array}$$
有之前说过的定理保证这个方程在 $W(0,T)$ 中存在唯一解, 记为 $\hat{y}$.
第二部分:
$$\begin{array}{rl}& \frac{\text{d}}{\text{d}t}⟨y(t),\phi {⟩}_H+a(t;y(t),\phi )=⟨Bu(t),\phi {⟩}_{V^{\prime },V},\forall \phi \in V,a.e.in(0,T]\\ & ⟨y(0),\phi {⟩}_H=⟨0,\phi {⟩}_H,\forall \phi \in H\end{array}$$
也用之前的定理保证这个方程在 $W_0(0,T)$ 中存在唯一解. 并且有线性映射 $S:U\to W_0(0,T)$, 使得输入 $u$, 对应的解为 $Su$.
综合这两部分, 原问题的解可以表述为 $y=\hat{y}+Su$. 我们把输入 $u$ 和对应的解 $y$ 组合成一个pair: $x:=(y,u)\in W(0,T)\times U=:X$, 解的存在唯一性定理保证这个 $X$ 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 $U_{ad}$ 在 $U$ 中是闭的, 凸的, 有界的. 用这个 $u$ 的限制, 可以得到一个 $x=(y,u)$ 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:
$$J(x)=\frac{{\sigma }_Q}{2}{\int }_0^T\Vert y(t)-y_Q(t){\Vert }_H^2\text{d}t+\frac{{\sigma }_{\Omega }}{2}\Vert y(T)-y_{\Omega }{\Vert }_H^2+\frac{{\sigma }_Q}{2}\Vert u{\Vert }_U^2$$
其中的 ${\sigma }_Q,{\sigma }_{\Omega }\ge 0$, $\sigma >0$; $(y_Q,y_{\Omega })\in \mathcal{H}:=L^2(0,T;H)\times H$, 是给定的我们的想要的状态. 极小化 $J$, 就是想让 $y$ 尽可能靠近它们, 同时保持 $u$ 足够小. 上面这个关于 $x$ 的 $J(x)$, 实际上就是关于 $u$ 的 $\hat{J}(u)$:
$$\begin{array}{rl}\hat{J}(u)=& J((\hat{y}+Su,u))\\ =& \frac{{\sigma }_Q}{2}{\int }_0^T\Vert Su-(y_Q(t)-\hat{y}(t)){\Vert }_H^2\text{d}t\\ & +\frac{{\sigma }_{\Omega }}{2}\Vert Su-(y_{\Omega }-\hat{y}(T)){\Vert }_H^2\\ & +\frac{\sigma }{2}\Vert u{\Vert }_U^2\end{array}$$
$$\underset{x\in X_{ad}}{\min }J(x)\iff \underset{u\in U_{ad}}{\min }\hat{J}(u)$$
所以我们接下来就考虑关于控制 $u$ 的极小化问题.
$$\underset{u\in U_{ad}}{\min }\hat{J}(u)\text{\hspace{1em}(问题形式)}$$

简化目标表达式

注意, 我们的 $\mathcal{H}$ 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 $\psi ,\varphi \in \mathcal{H}$, 我们可以写为 $\psi =({\psi }_1(t),{\psi }_2),\varphi =({\varphi }_1(t),{\varphi }_2)$. 它俩在 $\mathcal{H}$ 中距离有这样的表达:
$$\Vert \psi -\varphi {\Vert }_{\mathcal{H}}^2={\int }_0^T\Vert {\psi }_1(t)-{\varphi }_1(t){\Vert }_H^2\text{d}t+\Vert {\psi }_2-{\varphi }_2{\Vert }_H^2$$
所以我们的目标函数 $\hat{J}(u)$ 可以用 $\mathcal{H}$ 上的范数来重写一下:
$$\begin{array}{rl}\hat{J}(u)=& \frac{1}{2}\Vert (\sqrt{{\sigma }_Q}Su(t),\sqrt{{\sigma }_{\Omega }}Su(T))-(\sqrt{{\sigma }_Q}(y_Q(t)-\hat{y}(t)),\sqrt{{\sigma }_{\Omega }}(y_{\Omega }-\hat{y}(T))){\Vert }_H^2\\ & +\frac{\sigma }{2}\Vert u{\Vert }_U^2.\end{array}$$
这么大坨看着太累, 为了简便, 记

• ${\mathcal{E}}_1:W(0,T)\to L^2(0,T;H)$ 为嵌入映射 (这里就是恒等映射).
• ${\mathcal{E}}_2:W(0,T)\to H,\varphi \mapsto \varphi (T)$.
• $G:U\to \mathcal{H},G=(\sqrt{{\sigma }_Q}{\mathcal{E}}_{1}S,\sqrt{{\sigma }_{\Omega }}{\mathcal{E}}_{2}S),u\mapsto (\sqrt{{\sigma }_Q}Su,\sqrt{{\sigma }_{\Omega }}Su(T))$.
• $z_d:=(\sqrt{{\sigma }_Q}(y_Q(t)-\hat{y}(t)),\sqrt{{\sigma }_{\Omega }}(y_{\Omega }-\hat{y}(T)))\in \mathcal{H}$

现在, 原来的目标函数可以写成
$$\hat{J}(u)=\frac{1}{2}\Vert Gu-z_d{\Vert }_{\mathcal{H}}^2+\frac{\sigma }{2}\Vert u{\Vert }_U^2$$
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 $U,\mathcal{H}$ 为两个Hilbert空间, $U_{ad}\subset U$是非空有界闭凸子集, $z_d\in \mathcal{H}$, $\sigma \ge 0$, $G:U\to \mathcal{H}$ 是连续线性算子, 则对如下问题存在最优解 $\bar{u}$:
$$\underset{u\in U_{ad}}{\min }\hat{J}(u)=\frac{1}{2}\Vert Gu-z_d{\Vert }_{\mathcal{H}}^2+\frac{\sigma }{2}\Vert u{\Vert }_U^2$$
如果 $\sigma >0$ 或者 $G$ 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 $U_{ad}$ 存在唯一解, 再说如果我们的 $u_a,u_b$ 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 $\bar{u}$ 是 $\underset{u\in U_{ad}}{\min }\hat{J}(u)$ 的解, 那从 $\bar{u}$ 出发, 往任意可行的 $u$ 靠近任意可行的步长, 得到$\bar{u}+ϵ(u-\bar{u})$, 它对应的目标函数值应满足 $\hat{J}(\bar{u}+ϵ(u-\bar{u}))\ge \hat{J}(\bar{u})$. 这个任意步长 $ϵ$ 就提示, 我们正接近我们想要的导数. 再进一步, 乘上 $1/ϵ$, 再让步长 $ϵ\downarrow 0$, 我们可以以此定义一个导数.

$G\hat{a}teaux$ 导数

给一个函数空间上的导数定义.

记 $B_1,B_2$ 为实的Banach空间, $U\subset B_1$ 为开集. $F:U\to B_2$, 对给定的 $u\in U$, $h\in B_1$,
$$DF(u;h):=\underset{ϵ\downarrow 0}{\lim }\frac{1}{ϵ}(F(u+ϵh)-F(u)).$$
若存在 $K:U\to B_2$ 满足
$$DF(u;h)=Kh,\forall h\in U$$
则称 $F$ 在 $u$ 处 $G\hat{a}teaux$ 可导, 记 $K$ 为 $F^{\prime }(u)$, 称为 $F$ 在 $u$ 处的 $G\hat{a}teaux$导数. 以后简称导数 (为了好打.)

我们讨论的算子 $J:U\to \mathbb{R}$ 是作用在Hilbert空间上的, $J$ 的导数可以用 Riesz 同构来刻画. $D\hat{J}(u;v)$ 实际上可以看成作用在 $v\in U$ 上的线性泛函, 所以 ${\hat{J}}^{\prime }(u)\in U^{\prime }$, 所以存在唯一的 ${\tau }^{-1}{\hat{J}}^{\prime }(u)\in U$ 满足
$$⟨{\tau }^{-1}{\hat{J}}^{\prime }(u),v{⟩}_U=⟨{\hat{J}}^{\prime }(u),v{⟩}_{U^{\prime },U}$$
${\tau }^{-1}{\hat{J}}^{\prime }(u)$ 作用在 $v$ 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 ${\tau }^{-1}{\hat{J}}^{\prime }(u)=:\nabla \hat{J}(u)$.
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
$$⟨\nabla \hat{J}(\bar{u}),u-\bar{u}{⟩}_U\ge 0,\forall u\in U_{ad}$$
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 $\hat{J}(u)$ 表达式:
$$\hat{J}(u)=\frac{1}{2}\Vert Gu-z_d{\Vert }_{\mathcal{H}}^2+\frac{\sigma }{2}\Vert u{\Vert }_U^2$$
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
$$\nabla \hat{J}(u)=G^{\ast }(Gu-z_d)+\sigma u,foru\in U$$
如此, 我们得到我们想要的一阶最优必要条件.

Thm 1.40 假定 $\bar{u}$ 是我们目标问题的最优解, 那它满足如下的变分不等式:
$$⟨\nabla \hat{J}(\bar{u}),u-\bar{u}{⟩}_U\ge 0,\forall u\in U_{ad}$$
其中的 $\nabla \hat{J}(u)$ 为
$$\nabla \hat{J}(u)=G^{\ast }(Gu-z_d)+\sigma u,foru\in U$$

那么我们最优解的一阶必要条件转化为
$$\begin{array}{rl}0\le & ⟨G^{\ast }(G\bar{u}-z_d)+\sigma \bar{u},u-\bar{u}{⟩}_U\\ =& ⟨G\bar{u}-z_d,G(u-\bar{u}){⟩}_{\mathcal{H}}+⟨\sigma u,u-\bar{u}{⟩}_U\end{array}$$
回顾一下, $G=(\sqrt{{\sigma }_Q}{\mathcal{E}}_{1}S,\sqrt{{\sigma }_{\Omega }}{\mathcal{E}}_{2}S),u\mapsto (\sqrt{{\sigma }_Q}Su,\sqrt{{\sigma }_{\Omega }}Su(T))$, $z_d:=(\sqrt{{\sigma }_Q}(y_Q(t)-\hat{y}(t)),\sqrt{{\sigma }_{\Omega }}(y_{\Omega }-\hat{y}(T)))\in \mathcal{H}$, 我们想搞出从control $u$ 到解 $y$ 的映射 $S$ 是很困难的, 但如果给一个控制 $u$, 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.
$$\begin{array}{rl}& ⟨G\bar{u}-z_d,G(u-\bar{u}){⟩}_{\mathcal{H}}\\ =& {\sigma }_Q⟨S\bar{u}-(y_Q-\hat{y}),S(u-\bar{u}){⟩}_{L^2(0,T;H)}\\ & +{\sigma }_{\Omega }⟨S\bar{u}(T)-(y_{\Omega }-\hat{y}(T)),S(u-\bar{u})(T){⟩}_H\\ =& ({\sigma }_Q⟨S\bar{u},S(u-\bar{u}){⟩}_{L^2(0,T;H)}+{\sigma }_{\Omega }⟨S\bar{u}(T),S(u-\bar{u})(T){⟩}_H)\\ & -({\sigma }_Q⟨y_Q-\hat{y},S(u-\bar{u}){⟩}_{L^2(0,T;H)}+{\sigma }_{\Omega }⟨y_{\Omega }-\hat{y}(T),S(u-\bar{u})(T){⟩}_H)\end{array}$$
我们先任意选 $v$ 代替 $\bar{u}$, 选 $u$ 代替 $u-\bar{u}$ 来分析一下上面这两项. 我们希望, 这两项能化成 $⟨\cdot ,u-\bar{u}{⟩}_U$ 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.
$$\begin{array}{rl}& {\sigma }_Q⟨Sv,Su{⟩}_{L^2(0,T;H)}+{\sigma }_{\Omega }⟨Sv(T),Su(T){⟩}_H\\ =& {\int }_0^T{\sigma }_Q⟨Sv,Su{⟩}_H\text{d}t+{\sigma }_{\Omega }⟨Sv(T),Su(T){⟩}_H\end{array}$$
我们知道, 对给定的 $u\in U$, $y=Su$ 是之前的evolution problem 中与 $u$ 相关的部分的解, 满足
$$\begin{array}{rl}& \frac{\text{d}}{\text{d}t}⟨y(t),\phi {⟩}_H+a(t;y(t),\phi )=⟨Bu(t),\phi {⟩}_{V^{\prime },V},\forall \phi \in V,a.e.in(0,T]\\ & ⟨y(0),\phi {⟩}_H=⟨0,\phi {⟩}_H,\forall \phi \in H\end{array}$$
现在我们把 $v\in U$ 也视为某个 evolution problem 的控制, $p=\mathcal{A}v\in W(0,T)$ 为对应的解. 这个problem 定义成
$$\begin{gathered} \frac{\text{d}}{\text{d}t}⟨p(t),\phi {⟩}_H-a(t;p(t),\phi )={\sigma }_Q⟨Sv(t),\phi {⟩}_H,\forall \phi \in V,a.e.in[0,T) \\ ⟨p(T),\phi {⟩}_H={\sigma }_{\Omega }⟨Sv(T),\phi {⟩}_H,\forall \phi \in H \end{gathered}$$
那么, 把$\phi$ 取为 $y=Su$, 用 $p$ 来转化一下,
$$\begin{array}{rl}& {\sigma }_Q⟨Sv,Su{⟩}_{L^2(0,T;H)}+{\sigma }_{\Omega }⟨Sv(T),Su(T){⟩}_H\\ =& {\int }_0^T{\sigma }_Q⟨Sv,y{⟩}_H\text{d}t+{\sigma }_{\Omega }⟨Sv(T),y(T){⟩}_H\\ =& {\int }_0^T\frac{\text{d}}{\text{d}t}(⟨p(t),y{⟩}_H-a(t;p(t),y))\text{d}t+⟨p(T),y(T){⟩}_H\\ =& -{\int }_0^T⟨y_t(t),p(t){⟩}_{V^{\prime },V}+a(t;y(t),p(t))\text{d}t(分部积分;y(0)=0)\\ =& -{\int }_0^T⟨Bu(t),\mathcal{A}v(t){⟩}_{V^{\prime },V}\text{d}t(再用对偶算子)\\ =& -{\int }_0^T⟨B^{\prime }\mathcal{A}v,u{⟩}_{{\mathbb{R}}^{N_u}}\text{d}t(对固定的t,是{\mathbb{R}}^{N_u})\\ =& -⟨B^{\prime }\mathcal{A}v,u{⟩}_U\end{array}$$
此时要问, 这个 $\mathcal{A}$ 不也是个解映射, 也不好求吗? 不急, 回看第二项:
$${\sigma }_Q⟨y_Q-\hat{y},Su{⟩}_{L^2(0,T;H)}+{\sigma }_{\Omega }⟨y_{\Omega }-\hat{y}(T),Su(T){⟩}_H$$
和之前一样的推导, 如果我们能找到一个 $\hat{p}\in W(0,T)$, 是如下的evolution problem 的解:
$$\begin{gathered} -\frac{\text{d}}{\text{d}t}⟨p(t),\phi {⟩}_H+a(t;p(t),\phi )={\sigma }_Q⟨y_Q(t)-\hat{y}(t),\phi {⟩}_H,\forall \phi \in Va.e.in[0,T) \\ p(T)={\sigma }_{\Omega }(y_{\Omega }-\hat{y}(T)) \end{gathered}$$
就可以用一样分部积分, 把第二项变成$⟨B^{\prime }\hat{p},u{⟩}_U$. 这样, 把 $v$ 换回 $\bar{u}$, $u$ 换回 $u-\bar{u}$第一项和第二项合在一起就变成
$$-⟨B^{\prime }(\hat{p}+\mathcal{A}\bar{u}),u-\bar{u}{⟩}_U$$
这个时候我们用叠加原理, 并记 $\bar{y}$ 为$\bar{u}$ 对应的 evolution problem 的解, 则 $\bar{p}:=\hat{p}+\mathcal{A}\bar{u}$ 就是如下evolution problem的解:
$$\begin{gathered} -⟨p(t),\phi {⟩}_{V^{\prime },V}+a(t;p(t),\phi )={\sigma }_Q⟨y_Q(t)-\bar{y}(t),\phi {⟩}_H,\forall \phi \in Va.e.in[0,T) \\ p(T)={\sigma }_{\Omega }(y_{\Omega }-\bar{y}(T)) \end{gathered}$$
总结上述的分析, 我们把一阶最优性条件转变成了
$$⟨\sigma \bar{u}-B^{\prime }\bar{p},u-\bar{u}{⟩}_U\ge 0,\forall u\in U_{ad}$$
也就是说, 我们把求一个控制到解的映射 $S$ 的任务, 转变成了在目标值 $\bar{u}$ 未知的情况下, 求两次evolution problem (一次以 $\bar{u}$ 为控制求 $\bar{y}$, 一次把 $\bar{y}$ 代入求 $\bar{p}$ ). 这时候要问了, 目标值 $\bar{u}$ 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 $u$ 作输入控制解 $y=\hat{y}+Su$, 用 $y$ 作输入控制去解 $p$. 在这两个过程里我们只用一次POD方法来求POD基, 并且假定 $p^l$ 也使用和 $y^l$ 相同的POD基
$$p^l(t)=\hat{p}(t)+\sum _{i=1}^l{p}_i^l(t){\psi }_i\in V$$
$p^l(T)={\sigma }_{\Omega }(y_{\Omega }-y^l(T))$, 我们又知道 $\hat{p}(T)={\sigma }_{\Omega }(y_{\Omega }-\hat{y}(T))$, $y^l(T)=\hat{y}(T)+{\sum }_{i=1}^l{y}_i^l(t){\psi }_i$, 所以 $p_i^l(T)=-{\sigma }_{\Omega }{y}_i^l(T)$. 总结一下, $p^l$ 即为如下方程的解:
$$\begin{gathered} -⟨p(t),\phi {⟩}_{V^{\prime },V}+a(t;p(t),\phi )={\sigma }_Q⟨y_Q(t)-y^l(t),\phi {⟩}_H,\forall \phi \in Va.e.in[0,T) \\ {p}_i^l(T)=-{\sigma }_{\Omega }{y}_i^l(T),i=1,\cdots ,l. \end{gathered}$$
类似我们在evolution problem的POD方法中做的事情, 把$p^l$ 拆分成 $\hat{p}$ 和 ${\mathcal{A}}^{l}u$, 其中 ${\mathcal{A}}^{l}u$ 就是如下方程的解:
$$\begin{gathered} -⟨w(t),\phi {⟩}_{V^{\prime },V}+a(t;w(t),\phi )=-{\sigma }_Q⟨S^{l}u(t),\phi {⟩}_H,\forall \phi \in Va.e.in[0,T) \\ w(T)=-{\sigma }_{\Omega }{S}^{l}u(T). \end{gathered}$$
看到现在, 我觉得, 好像这个特解 $\hat{y}$, $\hat{p}$ 都是要自己想办法求的.

下面给出 $p^l$ 和由此算出来的 ${\bar{u}}^l$ 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}.\

1. 取 $\wp$ = 4, $y^1=Su,y^2=(Su{)}_t,y^3=\mathcal{A}u,y^4=(\mathcal{A}u{)}_t$, 则 $p^l$ 和 $p$ 的误差估计为
   $$\Vert p^1-p{\Vert }_{H^1(0,T;V)}^2\le C\{\begin{array}{rl}& \sum _{i=l+1}^{d_V}{\lambda }_i^V,X=V\\ & \sum _{i=l+1}^{d_H}{\lambda }_i^H\Vert {\psi }_i^H-P_H^l{\psi }_i^H{\Vert }_V^2,X=H\end{array}$$
   其中$C=C(T,\gamma ,{\gamma }_1,{\gamma }_2,{\sigma }_Q,{\sigma }_{\Omega })$ 为常数.

2. 如果对任意的 $\tilde{u}\in U$, 都有 $S\tilde{u},\mathcal{A}\tilde{u}\in H^1(0,T;V)$, 并且对所有的 $i\in \mathcal{J}$, ${\lambda }_i^H>0$, 那么我们有
   $$\underset{l\to \infty }{\lim }\Vert \mathcal{A}-{\mathcal{A}}^l{\Vert }_{\mathcal{L}(U,W(0,T))}=0.$$
   近似解 ${\bar{u}}^l$ 是一阶最优性变分不等式
   $$⟨\sigma {\bar{u}}^l-B^{\prime }{\bar{p}}^l,u-{\bar{u}}^l{⟩}_U\ge 0,\forall u\in U_{ad}$$
   的解, 其中 ${\bar{p}}^l={\hat{p}}^l+{\mathcal{A}}^l{\bar{u}}^l$. (这个是啥? )

Thm 1.49 (${\bar{u}}^l$的误差估计) 和之前的Thm 1.47 同样的假定.

1. 取 $\wp$ = 4, $y^1=Su,y^2=(Su{)}_t,y^3=\mathcal{A}u,y^4=(\mathcal{A}u{)}_t$, 则 ${\bar{u}}^l$ 和 $\bar{u}$ 的误差估计为
   $$\Vert {\bar{u}}^1-\bar{u}{\Vert }_U\le \frac{C}{\sigma }\{\begin{array}{rl}& \sum _{i=l+1}^{d_V}{\lambda }_i^V,X=V\\ & \sum _{i=l+1}^{d_H}{\lambda }_i^H\Vert {\psi }_i^H-P_H^l{\psi }_i^H{\Vert }_V^2,X=H\end{array}$$
   其中$C=C(T,\gamma ,{\gamma }_1,{\gamma }_2,{\sigma }_Q,{\sigma }_{\Omega },\Vert B^{\prime }{\Vert }_{\mathcal{L}(L^2(0,T;V),U)})$ 为常数.

$$\underset{l\to \infty }{\lim }\Vert {\bar{u}}^l-\bar{u}{\Vert }_U=0$$

上面这个定理实际上是用
$$\Vert \bar{u}-{\bar{u}}^l{\Vert }_U\le \frac{1}{\sigma }\Vert B^{\prime }({\mathcal{A}}^l-\mathcal{A})\bar{u}{\Vert }_U$$
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 $\bar{u}$ 无关. 我们的近似解 ${\bar{u}}^l\ne \bar{u}$, 也就不满足最优解对应的变分不等式. 但是添加一个扰动 ${\xi }^l\in U$, 我们可以得到下面的不等式形式:
$$⟨\sigma {\bar{u}}^l-B^{\prime }{\tilde{p}}^l+{\xi }^l,u-{\bar{u}}^l{⟩}_U\ge 0,\forall u\in U_{ad}$$
其中的 ${\tilde{p}}^l=\hat{p}+\mathcal{A}{\bar{u}}^l$. 所以, ${\bar{u}}^l$ 可以视为
$$\underset{u\in U_{ad}}{\min }\tilde{J}(u)=J(\hat{y}+Su,u)+⟨{\xi }^l,u{⟩}_U$$
的解. 只要 ${\xi }^l$ 足够小, 它就足够靠近精确解.

Thm 1.50 还是取 $\wp =4$, snapshots 和之前一样, 定义 ${\xi }^l\in U$,
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, ${\eta }^l=\sigma {\bar{u}}^l-B^{\prime }(\hat{p}+\mathcal{A}{\bar{u}}^l)\in U$. 则有后验误差估计
$$\Vert \bar{u}-{\bar{u}}^l{\Vert }_U\le \frac{1}{\sigma }\Vert {\xi }^l{\Vert }_U$$
特别地, $\underset{l\to \infty }{\lim }\Vert {\xi }^l{\Vert }_U=0$.

参考文献

---

1. Gubisch M, Volkwein S. Proper orthogonal decomposition for linear-quadratic optimal control[J]. Model reduction and approximation: theory and algorithms, 2017, 15(1). ↩︎