[论文解读] Sufficient Conditions for Feasibility and Optimality of Real-Time Optimization Schemes - I. Theoretical Foundations

Gene A. Bunin, Grégory François+1 more|arXiv (Cornell University)|Aug 12, 2013

Advanced Control Systems Optimization参考文献 49被引用 24

一句话总结

本文提出了实时优化（RTO）方案中可行性与最优性的充分条件（SCFO），即使在存在不确定性的情况下，也能通过可行迭代确保收敛至KKT点。通过强制实施局部梯度下降、全局边界以及滤波更新规则，SCFO确保了无论底层RTO算法结构如何，均能实现收敛，为鲁棒、安全且最优的过程优化提供了统一的理论基础。

ABSTRACT

The idea of iterative process optimization based on collected output measurements, or "real-time optimization" (RTO), has gained much prominence in recent decades, with many RTO algorithms being proposed, researched, and developed. While the essential goal of these schemes is to drive the process to its true optimal conditions without violating any safety-critical, or "hard", constraints, no generalized, unified approach for guaranteeing this behavior exists. In this two-part paper, we propose an implementable set of conditions that can enforce these properties for any RTO algorithm. The first part of the work is dedicated to the theory behind the sufficient conditions for feasibility and optimality (SCFO), together with their basic implementation strategy. RTO algorithms enforcing the SCFO are shown to perform as desired in several numerical examples - allowing for feasible-side convergence to the plant optimum where algorithms not enforcing the conditions would fail.

研究动机与目标

• 建立一套统一且可实现的充分条件，以保证实时优化（RTO）方案中的可行性与最优性。
• 解决现有RTO算法在黑箱、不确定及噪声条件下缺乏通用性保证的问题。
• 提供一个理论框架，确保通过可行迭代收敛至KKT点，即使可行集具有复杂的拓扑性质。
• 通过使收敛保证独立于所用具体算法，减少RTO算法设计的随意性，只要满足SCFO即可。
• 为在实际系统中实现SCFO提供理论基础，如附带论文所探讨的。

提出的方法

• 采用迭代反馈的广义RTO框架：$\mathbf{u}_{k+1}^* = \Gamma(\mathbf{u}_0, \dots, \mathbf{u}_k, \mathbf{y}_0, \dots, \mathbf{y}_k)$，随后进行滤波更新 $\mathbf{u}_{k+1} = \mathbf{u}_k + K(\mathbf{u}_{k+1}^* - \mathbf{u}_k)$。
• 基于局部梯度估计和约束违反的全局上界，提出可行性充分条件（SCF），确保迭代始终保持在可行集中。
• 通过要求每次迭代中目标函数局部下降，并对滤波增益 $K$ 施加约束，推导出最优性充分条件（SCO），以确保目标函数单调下降。
• 将SCF与SCO结合，形成统一的可行性与最优性充分条件（SCFO），在较弱假设下保证收敛至KKT点。
• 采用基于投影的策略，通过精确的局部导数和全局边界，对候选步长 $\mathbf{u}_{k+1}^*$ 进行修改，以确保可行性和最优性。
• 通过在具有非凸或不连通可行区域的复杂问题上的数值仿真，验证了SCFO框架的有效性，标准RTO方法在这些情况下均失效。

实验结果

研究问题

• RQ1 能否推导出一组统一的充分条件，以在不确定性下保证实时优化中的可行性与最优性？
• RQ2 如何结合局部梯度信息与全局边界，以确保通过可行迭代收敛至KKT点？
• RQ3 SCFO条件在具有复杂或不利可行集拓扑结构的问题中，能在多大程度上确保收敛？
• RQ4 SCFO框架是否可独立于所用的具体RTO算法应用，从而实现算法选择与收敛保证的解耦？
• RQ5 在具有噪声测量和不确定模型的实际系统中，实施SCFO所需的理论与实践条件是什么？

主要发现

• SCFO的实施可确保通过可行迭代收敛至KKT点，即使在标准RTO算法失效的复杂或不连通可行集问题中亦然。
• 当滤波增益 $K$ 满足特定边界时，该框架可保证每次迭代中目标函数单调下降，从而确保最优性收敛。
• 数值示例表明，SCFO支持的算法在标准非SCFO算法发散或陷入不可行区域时，仍能成功收敛至真实最优解。
• 理论分析表明，SCFO条件对收敛性是充分的，且不依赖于底层RTO算法的结构，使算法选择变得不那么关键。
• 在仿真中，SCFO条件对测量噪声和模型不确定性具有鲁棒性，表明其具备实际应用潜力，如附带论文所示。
• SCFO为RTO设计提供了通用的理论基础，减少了设计的随意性，支持未来RTO方案的系统性分析与开发。