[论文解读] Variational discretization and semi-smooth Newton methods; implementation, convergence and globalization in pde constrained optimization with control constraints

Michael Hinze, Morten Vierling|ArXiv.org|Dec 2, 2009

Advanced Optimization Algorithms Research参考文献 5被引用 8

一句话总结

本文提出了一种结合变分离散化与半光滑牛顿法的求解方法，用于处理带有控制约束的PDE约束最优控制问题。该方法建立了局部超线性收敛性，提出了两种全局化策略（阻尼法与增广函数法），并通过数值实验在不同网格尺寸和正则化参数下验证了其鲁棒性能。

ABSTRACT

When combining the numerical concept of variational discretization and semi-smooth Newton methods for the numerical solution of pde constrained optimization with control constraints, special emphasis has to be taken on the implementation, convergence and globalization of the numerical algorithm. In the present work we address all these issues. In particular we prove fast local convergence of the algorithm and propose two different globalization strategies which are applicable in many practically relevant mathematical settings. We illustrate our analytical and algorithmical findings by numerical experiments.

研究动机与目标

• 为解决在使用变分离散化与半光滑牛顿法求解带有控制约束的PDE约束最优控制问题时所面临的实现、收敛性与全局化挑战。
• 在变分离散化框架下，证明半光滑牛顿算法具有快速的局部收敛性（q-超线性）。
• 开发并验证两种适用于广泛数学设定的鲁棒全局化策略。
• 通过椭圆控制问题的数值实验，展示所提算法的高效性与网格无关的收敛行为。
• 在正则化参数与网格细化程度变化的条件下，提供离散解的误差估计与收敛速率。

提出的方法

• 采用变分离散化以避免对完整控制空间的逼近，从而在保持最优收敛率的同时降低计算成本。
• 将半光滑牛顿法应用于最优性系统对偶-对偶活动集形式，求解非光滑方程 $ u = P_{U_{\text{ad}}}(u - \sigma \nabla \hat{J}(u)) $。
• 采用带有Armijo型线搜索的阻尼牛顿迭代，以确保全局收敛性。
• 提出一种基于增广函数的全局化策略，利用 $ MF(p) = \|p - S_h^* S_h P_{[a,b]}(-\frac{1}{\alpha}p) + S_h^* z\|^2_{L^2(\Omega)} $ 自适应控制步长。
• 使用连续分段多项式试函数空间的有限元方法实现算法，用于状态变量与控制变量。
• 采用简化形式 $ \min_{u \in U_{\text{ad}}} \hat{J}_h(u) $，其中 $ \hat{J}_h(u) = J(S_h B u, u) $，将问题完全归约为仅关于控制空间的问题。

实验结果

研究问题

• RQ1 变分离散化能否与半光滑牛顿法有效结合，以在带有控制约束的PDE约束最优控制问题中实现快速的局部收敛？
• RQ2 何种全局化策略可确保在控制边界引起的非光滑性存在时，半光滑牛顿法的鲁棒收敛？
• RQ3 该算法的收敛速率是否保持与网格尺寸 $ h $ 无关，特别是在正则化参数 $ \alpha $ 较小时？
• RQ4 当 $ \alpha $ 减小时，误差估计与收敛行为如何变化，特别是在Lavrentiev正则化存在的情况下？
• RQ5 在不同离散化水平与参数设置下，该算法在迭代次数与误差减少方面的表现如何？

主要发现

• 采用变分离散化的半光滑牛顿法在 $ L^2 $-范数下表现出 q-超线性局部收敛性，观测到的收敛阶数接近 2。
• 当 $ \alpha = 10^{-7} $ 时，随着网格加密，迭代次数几乎保持不变（17–33次），表明具有网格无关的收敛行为。
• 当 $ \alpha \geq 10^{-4} $ 时，$ L^2 $-误差的实验收敛阶数（EOC）接近 2.0，而 $ \alpha $ 更小时略有下降，表明进入超线性收敛性减弱的环境。
• 基于增广函数的全局化策略成功稳定了阻尼牛顿法，即使未经修改的迭代无法实现全局收敛。
• 当 $ \alpha = 1 $ 时，无阻尼牛顿法在Neumann控制情形下仍能实现全局收敛，尽管解算子在 $ L^2(\Omega) $ 中的范数为 1，表明在特定条件下具有鲁棒性。
• 该方法成功扩展至抛物型问题以及带有Lavrentiev正则化状态约束的椭圆问题，展示了其广泛的应用潜力。