基于梯度型变分的多元与曲线积分最优控制理论：二阶拉格朗日量在PDE/PDI约束下的应用

《Communications in Nonlinear Science and Numerical Simulation》：Optimal control models with gradient-type variations constrained by third-order PDEs

推荐：为解决带有高阶偏微分方程和偏微分不等式约束的多元积分与曲线积分型最优控制问题，研究人员开展了基于梯度型变分（而非经典变分）的二阶拉格朗日量优化理论研究。通过引入扩展的拉格朗日乘子法和反迹（anti-trace）运算，导出了受控的非齐次欧拉-拉格朗日偏微分方程组，建立了最优性条件，并利用拟凸性给出了充分条件。该理论框架推广了经典变分原理，为多变量演化系统（如电磁场、脑动力学）的优化控制提供了更一般的数学工具，具有重要的理论意义和应用潜力。

　　

在数学与控制论领域，变分法为描述物理、工程乃至生物系统中的动力学演化与优化问题提供了核心框架。然而，随着系统复杂性增加，特别是涉及多个演化参数（多时间）和高阶动力学约束时，传统的、基于经典变分的优化理论在捕捉系统更精细结构方面可能显得力不从心。经典变分通常考虑状态函数本身的微小扰动，而梯度型变分则关注其梯度的变化。这种视角的转换，如同从观察物体的位置变化转为观察其“变形趋势”的变化，有望揭示更深层的优化规律。此外，现实中的优化问题往往受到各种偏微分方程或不等式的约束，例如在电磁学中，场强分布满足麦克斯韦方程组；在神经科学中，脑电活动遵循特定的波动方程。如何为这类受高阶偏微分方程约束的多元（涉及体积分）或曲线（涉及线积分）目标泛函建立系统的最优性理论，既是数学上的挑战，也对理解多变量系统的控制行为至关重要。

为了解决上述问题，研究人员在发表于《Communications in Nonlinear Science and Numerical Simulation》的论文中，开创性地将梯度型变分应用于两类受约束的最优控制问题：一类是目标为多重积分，另一类是目标为曲线积分。研究者们不仅考虑了包含二阶偏导数的拉格朗日量，还引入了由三阶偏导数定义的系统动力学约束，构建了更为一般的受控优化模型。通过运用拉格朗日乘子法构造增广泛函，并巧妙地结合“反迹”算子（可视为散度算子的逆微分）技术，他们成功推导出了刻画最优状态与控制函数的、右端受控的非齐次欧拉-拉格朗日偏微分方程组。这些方程比经典的齐次欧拉-拉格朗日方程更为一般，能够编码系统的额外结构信息。进一步地，通过建立修正的勒让德对偶，研究者还给出了相应的哈密顿方法。这项研究的意义在于，它为处理一大类具有高阶约束和多变量演化的最优控制问题提供了统一且强有力的理论工具，所发展的“梯度型变分”框架及其伴随的“反迹欧拉-拉格朗日方程”极大地扩展了经典变分法的适用范围。

本研究主要采用变分学中的解析方法。关键技术包括：1. 构建了基于梯度型变分的多变量最优控制问题数学框架，定义了涉及状态、控制函数及其一、二阶偏导数的拉格朗日量。2. 运用拉格朗日乘子法处理偏微分方程和偏微分不等式约束，引入共态函数，将原约束优化问题转化为无约束的增广泛函极小化问题。3. 发展了“反迹”算子技术，对增广泛函应用该算子，通过分部积分处理梯度型变分，最终推导出决定最优解的必要条件——一组受控的非齐次欧拉-拉格朗日偏微分方程组。4. 利用函数的拟凸性概念，建立了确保所得必要条件同时也是充分条件的最优性准则。5. 对曲线积分型目标泛函，通过定义沿曲线的控制动力学，建立了并行的一套变分与对偶理论。

优化PDE&PDI约束的受控多重积分泛函：必要条件

为了研究多重积分型目标，研究人员首先建立了一个数学模型。该模型中，性能指标（目标泛函）是一个在m维区域K_{α0, α1}上的多重积分，被积函数（拉格朗日量）χ依赖于状态变量z(α)、其一阶偏导z_λ(α)、二阶偏导z_συ(α)以及控制变量u(α)。状态函数满足边界条件。优化问题受到两类约束：一类是形式为φ^a_b(·) ≤ 0的偏微分不等式，另一类是形如Υ^μ_ρπτ(·) = 0的三阶偏微分方程，其中Υ定义了系统的控制动力学。通过引入非负的乘子函数p(α)和s(α)，构造增广拉格朗日量χ₁。应用梯度型变分原理，对增广泛函的变分为零，并利用散度定理（分部积分），最终导出了最优解必须满足的方程组。这组方程包括：关于状态变量zⁱ的欧拉-拉格朗日方程，其右端为一个常数c_i；关于控制变量u^q的类似方程，右端为常数c_q；以及关于乘子p^b_a和s^ρπτ_μ的方程，其右端为零。这些方程共同构成了求解最优对(z, u)及对应乘子(p, s)的完整系统。

充分条件

在获得必要条件后，研究者进一步探讨了最优解的充分条件。他们证明了，如果增广拉格朗日函数χ₁关于其变量（包括状态、控制及其高阶导数）是拟凸的，并且所求得的、满足上述必要条件的候选解(z, u, p, s)位于函数定义域的内部，那么这个候选解就是原约束优化问题的全局最小解。这一结论为验证由必要条件求得的解是否确实为最优解提供了一个实用的判据。

优化PDE&PDI约束的受控曲线积分泛函：必要条件

接下来，研究者将理论框架推广到曲线积分型目标泛函。此时，性能指标是沿着一条光滑曲线Γ的曲线积分，被积函数L依赖于状态变量xⁱ(t)、其一阶导数(dxⁱ/dt)、控制变量w(t)以及沿曲线的弧长参数t。问题同样受到两类约束：不等式约束g^a_b(·) ≤ 0和三阶常微分方程（沿曲线的动力学）约束Ω^k_r(·) = 0。采用类似的拉格朗日乘子法构造增广函数L₁。通过对曲线积分应用梯度型变分，并沿曲线进行分部积分，导出了沿最优轨线必须满足的方程组。这包括关于状态x^k的欧拉-拉格朗日型常微分方程，关于控制w^q的方程，以及关于乘子π^b_a和θ^r_k的方程。这些方程描述了最优轨线和控制沿给定曲线的演化规律。

充分条件

类似于多重积分情形，对于曲线积分问题，研究者也建立了充分最优性条件。他们证明，如果增广被积函数L₁关于其变量是拟凸的，并且满足必要条件的候选解位于定义域内部，那么该候选解就是曲线积分型控制问题的全局最小解。

数值算例

为了说明理论的应用，研究者给出了一个曲线积分问题的具体算例。目标是最小化一个与状态变量平方及其一阶导数平方相关的曲线积分。系统动力学由一个三阶常微分方程约束，要求状态函数的三阶导数等于控制函数。通过应用推导出的必要条件，他们成功求解出了最优状态函数（一个五次多项式）和最优控制函数（一个二次多项式），并确定了所有积分常数，完整地刻画了最优解。这个例子清晰地展示了所建立的理论框架解决具体问题的可行性和步骤。

结论与讨论

本研究的核心贡献在于，为两类受高阶偏微分方程/不等式约束的变分控制问题——多重积分型和曲线积分型——建立了一套基于梯度型变分的、完整的最优性理论。研究者证明了，最优解由一组右端受控的（非齐次）欧拉-拉格朗日偏微分方程（对多重积分）或常微分方程（对曲线积分）所刻画。这与经典变分法导出的齐次欧拉-拉格朗日方程有本质不同，能蕴含更丰富的系统结构信息。通过引入“反迹”算子的技术，该理论自然地将经典结果作为其特例包含在内。此外，利用拟凸性概念建立的充分条件，为验证解的最优性提供了有力工具。

这项研究的意义深远。在理论上，它极大地推广了经典变分原理和最优控制理论，为分析具有复杂、高阶、多变量约束的动力系统开辟了新途径。所提出的“梯度型变分”和“反迹方程”构成了新的数学工具。在应用上，该框架具有广泛适用性。文中提及的电磁场波动方程（与达朗贝尔算子相关）即为一例，说明该理论可用于推导受控的波动方程。此外，在多时间动力学、非完整力学系统以及近年备受关注的生物医学领域（如基于变分原理的脑动力学建模、神经信号源定位）中，涉及多变量优化和控制的问题均可从本研究的成果中受益。未来的工作可以探索在不确定性（鲁棒优化）、向量值目标（多目标优化）以及更一般的几何设定（如流形上）下推广此理论框架。