QUICK REVIEW
[论文解读] Pontryagin's maximum principle and second order optimality condition for optimal control problems for the nonlocal Cahn-Hilliard-Navier-Stokes systems in two dimensions
Tania Biswas, Sheetal Dharmatti|arXiv (Cornell University)|Feb 23, 2018
Advanced Mathematical Modeling in Engineering参考文献 39被引用 5
一句话总结
本文为二维非局部Cahn-Hilliard-Navier-Stokes系统建立了分布式最优控制的一阶和二阶最优性条件,推导了庞特里亚金最大值原理,并通过伴随系统和变分分析证明了必要与充分的二阶条件。主要贡献在于对具有相分离与流体相互作用的复杂、非线性、非局部流体动力学模型中的最优控制进行了严格表征。
ABSTRACT
In this work, we address some optimal control problems related to the evolution of two isothermal, incompressible, immisible fluids in a two dimensional bounded domain. A distributed optimal control problem is formulated as the minimization of a suitable cost functional subject to the controlled nonlocal Cahn-Hilliard-Navier-Stokes equations. We describe the first order necessary conditions of optimality via Pontryagin minimum principle and prove second order necessary and sufficient conditions of optimality for the problem.
研究动机与目标
- 为二维非局部Cahn-Hilliard-Navier-Stokes系统制定分布式最优控制问题。
- 利用庞特里亚金最大值原理推导一阶必要最优性条件。
- 为最优控制问题建立二阶必要与充分最优性条件。
- 分析伴随系统的结构及其在表征最优控制中的作用。
- 为非局部、非线性且非光滑的流体-相分离相互作用模型提供严谨的数学最优控制框架。
提出的方法
- 在有界二维区域中,制定一个最小化二次型性能泛函的分布式最优控制问题,约束条件为非局部Cahn-Hilliard-Navier-Stokes方程。
- 通过状态变量(速度、浓度、化学势)的伴随系统,利用庞特里亚金最大值原理推导一阶必要最优性条件。
- 为状态变量引入伴随系统,并在希尔伯特空间框架下通过分部积分法推导变分恒等式。
- 对性能泛函在最优控制附近的二阶展开,推导出涉及拉格朗日函数Hessian矩阵的二阶充分条件。
- 利用非局部项(J∗ϕ)和Korteweg力(µ∇ϕ)的结构,分析伴随方程的正则性与适定性。
- 建立二阶充分条件与控制空间中约化Hessian矩阵严格凸性之间的等价性。
实验结果
研究问题
- RQ1二维非局部Cahn-Hilliard-Navier-Stokes系统分布式最优控制的一阶必要最优性条件是什么?
- RQ2如何为该非局部、非线性PDE系统推导二阶必要与充分最优性条件?
- RQ3非局部相互作用核J在伴随系统与最优性条件结构中起什么作用?
- RQ4Korteweg力(µ∇ϕ)的存在如何影响最优性系统的正则性与可解性?
- RQ5二阶充分条件能否以拉格朗日函数的Hessian矩阵与控制空间几何结构的形式表达?
主要发现
- 本文证明了在可变粘度与迁移率条件下,非局部Cahn-Hilliard-Navier-Stokes系统存在唯一弱解,将先前结果推广至非局部情形。
- 通过庞特里亚金最大值原理推导出一阶必要最优性条件,表明最优控制满足涉及伴随状态的变分不等式。
- 通过分析拉格朗日函数的二阶变分并要求Hessian矩阵在控制方向上非负,建立了二阶必要条件。
- 通过证明若二阶变分严格正定,则控制为局部最优,从而证明了二阶充分条件。
- 分析确认最优控制三元组(u*, ϕ*, U*)满足涉及伴随变量(p, η)的变分不等式,且在可行集中的扰动下性能泛函增加。
- 在核J、双阱势F以及迁移率与粘度函数的标准假设下,结果成立,且非局部项(J∗ϕ)通过伴随方程中的卷积结构处理。
更好的研究,从现在开始
从阅读论文到最终审阅,大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成,并经人工编辑审核。