Zugl.: Berlin, Techn. Univ., Diss., 2008

University, Diss., 2001--Heidelberg. / Dateiformat: gz, Dateien im PS-Format.

University, Diss., 2001--Stuttgart.

Techn. Universiẗat, Diss., 2002--Berlin.

Techn. Universiẗat, Diss., 2004--Berlin.

This thesis is devoted to the numerical and theoretical analysis of ensemble optimal control problems governed by kinetic models. The formulation and study of these problems have been put forward in recent years by R.W. Brockett with the motivation that ensemble control may provide a more general and robust control framework for dynamical systems. Following this formulation, a Liouville (or continuity) equation with an unbounded drift function is considered together with a class of cost functionals that include tracking of ensembles of trajectories of dynamical systems and different control costs. Specifically, $L^2$, $H^1$ and $L^1$ control costs are taken into account which leads to non--smooth optimization problems. For the theoretical investigation of the resulting optimal control problems, a well--posedness theory in weighted Sobolev spaces is presented for Liouville and related transport equations. Specifically, existence and uniqueness results for these equations and energy estimates in suitable norms are provided; in particular norms in weighted Sobolev spaces. Then, non--smooth optimal control problems governed by the Liouville equation are formulated with a control mechanism in the drift function. Further, box--constraints on the control are imposed. The control--to--state map is introduced, that associates to any control the unique solution of the corresponding Liouville equation. Important properties of this map are investigated, specifically, that it is well--defined, continuous and Frechet differentiable. Using the first two properties, the existence of solutions to the optimal control problems is shown. While proving the differentiability, a loss of regularity is encountered, that is natural to hyperbolic equations. This leads to the need of the investigation of the control--to--state map in the topology of weighted Sobolev spaces. Exploiting the Frechet differentiability, it is possible to characterize solutions to the optimal control problem as solutions to an optimality system. This system consists of the Liouville equation, its optimization adjoint in the form of a transport equation, and a gradient inequality. Numerical methodologies for solving Liouville and transport equations are presented that are based on a non--smooth Lagrange optimization framework. For this purpose, approximation and solution schemes for such equations are developed and analyzed. For the approximation of the Liouville model and its optimization adjoint, a combination of a Kurganov--Tadmor method, a Runge--Kutta scheme, and a Strang splitting method are discussed. Stability and second--order accuracy of these resulting schemes are proven in the discrete $L^1$ norm. In addition, conservation of mass and positivity preservation are confirmed for the solution method of the Liouville model. As numerical optimization strategy, an adapted Krylow--Newton method is applied. Since the control is considered to be an element of $H^1$ and to obey certain box--constraints, a method for calculating a $H^1$ projection is presented. Since the optimal control problem is non-smooth, a semi-smooth adaption of Newton's method is taken into account. Results of numerical experiments are presented that successfully validate the proposed deterministic framework. After the discussion of deterministic schemes, the linear space--homogeneous Keilson--Storer master equation is investigated. This equation was originally developed for the modelling of Brownian motion of particles immersed in a fluid and is a representative model of the class of linear Boltzmann equations. The well--posedness of the Keilson--Storer master equation is investigated and energy estimates in different topologies are derived. To solve this equation numerically, Monte Carlo methods are considered. Such methods take advantage of the kinetic formulation of the Liouville equation and directly implement the behaviour of the system of particles under consideration. This includes the probabilistic behaviour of the collisions between particles. Optimal control problems are formulated with an objective that is constituted of certain expected values in velocity space and the $L^2$ and $H^1$ costs of the control. The problems are governed by the Keilson--Storer master equation and the control mechanism is considered to be within the collision kernel. The objective of the optimal control of this model is to drive an ensemble of particles to acquire a desired mean velocity and to achieve a desired final velocity configuration. Existence of solutions of the optimal control problem is proven and a Keilson--Storer optimality system characterizing the solution of the proposed optimal control problem is obtained. The optimality system is used to construct a gradient--based optimization strategy in the framework of Monte--Carlo methods. This task requires to accommodate the resulting adjoint Keilson--Storer model in a form that is consistent with the kinetic formulation. For this reason, we derive an adjoint Keilson--Storer collision kernel and an additional source term. A similar approach is presented in the case of a linear space--inhomogeneous kinetic model with external forces and with Keilson--Storer collision term. In this framework, a control mechanism in the form of an external space--dependent force is investigated. The purpose of this control is to steer the multi--particle system to follow a desired mean velocity and position and to reach a desired final configuration in phase space. An optimal control problem using the formulation of ensemble controls is stated with an objective that is constituted of expected values in phase space and $H^1$ costs of the control. For solving the optimal control problems, a gradient--based computational strategy in the framework of Monte Carlo methods is developed. Part of this is the denoising of the distribution functions calculated by Monte Carlo algorithms using methods of the realm of partial differential equations. A standalone C++ code is presented that implements the developed non--linear conjugated gradient strategy. Results of numerical experiments confirm the ability of the designed probabilistic control framework to operate as desired. An outlook section about optimal control problems governed by non--linear space--inhomogeneous kinetic models completes this thesis. / Diese Arbeit widmet sich der numerischen und theoretischen Analyse von Proble- men der optimalen Kontrolle von Ensembles, die durch kinetische Modelle gesteuert werden. Die Formulierung und Untersuchung von Ensemble–Kontrollproblemen wur- den in den letzten Jahren von R.W. Brockett vorgeschlagen und vorangetrieben, mit der Motivation, dass Ensemblekontrolle einen allgemeineren und robusteren Rahmen für die Kontrolle von dynamischen Systemen bieten kann. In Anlehnung an diese Formulierung der Ensemble–Steuerung werden eine Liouville– (oder Kontinuitäts– ) Gleichung mit unbeschränkter Driftfunktion und eine Klasse von Kostenfunk- tionalen miteinbezogen, die das Nachverfolgen der Ensembles und verschiedener Kon- trollkosten berücksichtigen. Insbesondere werden L2, H1 und L1 Kontrollkosten be- trachtet. Für die theoretische Untersuchung der resultierenden Optimalsteuerungs- problemen wird eine Gutgestelltheitstheorie in gewichteten Sobolev–Räumen für die Liouville– und Transportgleichungen vorgestellt. Insbesondere werden Existenz– und Eindeutigkeitsresultate sowie Energieabschätzungen in geeigneten Normen präsen- tiert; insbesondere in gewichteten Sobolev–Räumen. Dann wird eine Klasse von nicht–glatten Optimalsteuerungsproblemen formuliert mit der Liouville–Gleichung als Nebenbedingung und einem Kontrollmechanismus in der Driftfunktion. Weiter- hin werden Box–Einschränkungen angenommen. ...

In this thesis, time-optimal control of the bi-steerable robot is addressed. The bi-steerable robot, a vehicle with two independently steerable axles, is a complex nonholonomic system with applications in many areas of land-based robotics. Motion planning and optimal control are challenging tasks for this system, since standard control schemes do not apply. The model of the bi-steerable robot considered here is a reduced kinematic model with the driving velocity and the steering angles of the front and rear axle as inputs. The steering angles of the two axles can be set independently from each other. The reduced kinematic model is a control system with affine and non-affine inputs, as the driving velocity enters the system linearly, whereas the steering angles enter nonlinearly. In this work, a new approach to solve the time-optimal control problem for the bi-steerable robot is presented. In contrast to most standard methods for time-optimal control, our approach does not exclusively rely on discretization and purely numerical methods. Instead, the Pontryagin Maximum Principle is used to characterize candidates for time-optimal solutions. The resultant boundary value problem is solved by optimization to obtain solutions to the path planning problem over a given time horizon. The time horizon is decreased and the path planning is iterated to approximate a time-optimal solution. An optimality condition is introduced which depends on the number of cusps, i.e., reversals of the driving direction of the robot. This optimality condition allows to single out non-optimal solutions with too many cusps. In general, our approach only gives approximations of time-optimal solutions, since only normal regular extremals are considered as solutions to the path planning problem, and the path planning is terminated when an extremal with minimal number of cusps is found. However, for most desired configurations, normal regular extremals with the minimal number of cusps provide time-optimal solutions for the bi-steerable robot. The convergence of the approach is analyzed and its probabilistic completeness is shown. Moreover, simulation results on time-optimal solutions for the bi-steerable robot are presented. / In dieser Dissertation wird die zeitoptimale Steuerung des zweiachsgelenkten Roboters behandelt. Der zweiachsgelenkte Roboter, ein Fahrzeug mit zwei voneinander unabhängig lenkbaren Achsen, ist ein komplexes nichtholonomes System mit Anwendungen in vielen Bereichen der Land-Robotik. Bahnplanung und optimale Steuerung sind anspruchsvolle Aufgaben für dieses System, da Standardverfahren hierfür nicht anwendbar sind. Das hier betrachtete Modell des zweiachsgelenkten Roboters ist ein reduziertes kinematisches Modell mit der Fahrgeschwindigkeit und den Lenkwinkeln als Eingangsgrößen. Die Lenkwinkel der beiden Achsen können unabhängig voneinander vorgegeben werden. Das reduzierte kinematische Modell ist ein Kontrollsystem mit affinen und nichtaffinen Eingängen, da die Fahrgeschwindigkeit linear in das System eingeht, während die Lenkwinkel nichtlineare Eingangsgrößen sind. In dieser Arbeit wird ein neuer Ansatz zur Lösung des zeitoptimalen Steuerungsproblems für den zweiachsgelenkten Roboter vorgestellt. Im Gegensatz zu den meisten Standardmethoden für die zeitoptimale Steuerung basiert unser Ansatz nicht ausschließlich auf Diskretisierung und rein numerischen Verfahren. Stattdessen wird das Pontryagin Maximum Prinzip angewendet, um Kandidaten für zeitoptimale Lösungen zu charakterisieren. Das sich dabei ergebende Randwertproblem wird durch Optimierung gelöst, um Lösungen für das Bahnplanungsproblem über einem bestimmten Zeithorizont zu erhalten. Die Bahnplanung wird über einem abnehmenden Zeithorizont iteriert, um eine zeitoptimale Lösung zu approximieren. Eine Optimalitätsbedingung wird eingeführt, die von der Anzahl der Richtungsumkehrungen des Roboters abhängt. Diese Optimalitätsbedingung erlaubt es, nichtoptimale Lösungen mit zu vielen Richtungsumkehrungen auszusondern. Im Allgemeinen liefert unser Ansatz nur Approximationen zeitoptimaler Lösungen, da nur normale reguläre Extremalen als Lösungen für das Bahnplanungsproblem betrachtet werden und die Bahnplanung beendet wird, sobald eine Extremale mit der minimalen Anzahl von Richtungsumkehrungen gefunden wurde. Allerdings ergeben normale reguläre Extremalen mit der minimalen Anzahl von Richtungsumkehrungen für die meisten Zielkonfigurationen des zweiachsgelenkten Roboters zeitoptimale Lösungen. Die Konvergenz des Ansatzes wird untersucht und seine probabilistische Vollständigkeit wird bewiesen. Des Weiteren werden Simulationsergebnisse für zeitoptimale Lösungen des zweiachsgelenkten Roboters präsentiert.

This thesis is devoted to numerical verification of optimality conditions for non-convex optimal control problems. In the first part, we are concerned with a-posteriori verification of sufficient optimality conditions. It is a common knowledge that verification of such conditions for general non-convex PDE-constrained optimization problems is very challenging. We propose a method to verify second-order sufficient conditions for a general class of optimal control problem. If the proposed verification method confirms the fulfillment of the sufficient condition then a-posteriori error estimates can be computed. A special ingredient of our method is an error analysis for the Hessian of the underlying optimization problem. We derive conditions under which positive definiteness of the Hessian of the discrete problem implies positive definiteness of the Hessian of the continuous problem. The results are complemented with numerical experiments. In the second part, we investigate adaptive methods for optimal control problems with finitely many control parameters. We analyze a-posteriori error estimates based on verification of second-order sufficient optimality conditions using the method developed in the first part. Reliability and efficiency of the error estimator are shown. We illustrate through numerical experiments, the use of the estimator in guiding adaptive mesh refinement. / Diese Arbeit widmet sich der numerischen Verifizierung von Optimalitaetsbedingungen fuer nicht konvexe Optimalsteuerungsprobleme. Im ersten Teil beschaeftigen wir uns mit der a-posteriori Ueberpruefung von hinreichenden Optimalitaetskriterien. Es ist bekannt, dass der Nachweis solcher Bedingungen fuer allgemeine nicht konvexe Optimierungsproblemem mit Nebenbedingungen in Form von partiellen Differentialgleichungen sehr schwierig ist. Wir stellen eine Methode vor, um die hinreichenden Bedingungen zweiter Ordnung fuer eine allgemeine Problemklasse zu testen. Falls die vorgeschlagene Strategie bestaetigt, dass diese Bedingungen erfuellt sind, koennen a-posteriori Fehlerschaetzungen berechnet werden. Ein wesentlicher Bestandteil unserer Methode ist eine Fehleranalyse fuer die Hessematrix des zugrunde liegenden Optimierungsproblems. Es werden Bedingungen hergeleitet, unter denen die positive Definitheit der Hessematrix des diskreten Problems die positive Definitheit der Hessematrix fuer das kontinuierliche Problem nach sich zieht. Diese Ergebnisse werden durch numerische Experimente ergaenzt. Im zweiten Teil untersuchen wir adaptive (Diskretisierungs-)methoden fuer Optimalsteuerungsprobleme mit endlich vielen Kontrollparametern. Basierend auf dem Nachweis hinreichender Optimalitaetsbedingungen zweiter Ordnung analysieren wir a posteriori Fehlerschaetzungen. Dies geschieht unter der Nutzung der Resultate des ersten Teils der Arbeit. Es wird die Zuverlaessigkeit und Effizienz des Fehlerschaetzers bewiesen. Mittels weiterer numerischer Experimente illustrieren wir, wie der Fehlerschaetzer zur Steuerung adaptiver Gitterverfeinerung eingesetzt werden kann.

Mathematical modelling, simulation, and optimisation are core methodologies for future developments in engineering, natural, and life sciences. This work aims at applying these mathematical techniques in the field of biological processes with a focus on the wine fermentation process that is chosen as a representative model. In the literature, basic models for the wine fermentation process consist of a system of ordinary differential equations. They model the evolution of the yeast population number as well as the concentrations of assimilable nitrogen, sugar, and ethanol. In this thesis, the concentration of molecular oxygen is also included in order to model the change of the metabolism of the yeast from an aerobic to an anaerobic one. Further, a more sophisticated toxicity function is used. It provides simulation results that match experimental measurements better than a linear toxicity model. Moreover, a further equation for the temperature plays a crucial role in this work as it opens a way to influence the fermentation process in a desired way by changing the temperature of the system via a cooling mechanism. From the view of the wine industry, it is necessary to cope with large scale fermentation vessels, where spatial inhomogeneities of concentrations and temperature are likely to arise. Therefore, a system of reaction-diffusion equations is formulated in this work, which acts as an approximation for a model including computationally very expensive fluid dynamics. In addition to the modelling issues, an optimal control problem for the proposed reaction-diffusion fermentation model with temperature boundary control is presented and analysed. Variational methods are used to prove the existence of unique weak solutions to this non-linear problem. In this framework, it is possible to exploit the Hilbert space structure of state and control spaces to prove the existence of optimal controls. Additionally, first-order necessary optimality conditions are presented. They characterise controls that minimise an objective functional with the purpose to minimise the final sugar concentration. A numerical experiment shows that the final concentration of sugar can be reduced by a suitably chosen temperature control. The second part of this thesis deals with the identification of an unknown function that participates in a dynamical model. For models with ordinary differential equations, where parts of the dynamic cannot be deduced due to the complexity of the underlying phenomena, a minimisation problem is formulated. By minimising the deviations of simulation results and measurements the best possible function from a trial function space is found. The analysis of this function identification problem covers the proof of the differentiability of the function–to–state operator, the existence of minimisers, and the sensitivity analysis by means of the data–to–function mapping. Moreover, the presented function identification method is extended to stochastic differential equations. Here, the objective functional consists of the difference of measured values and the statistical expected value of the stochastic process solving the stochastic differential equation. Using a Fokker-Planck equation that governs the probability density function of the process, the probabilistic problem of simulating a stochastic process is cast to a deterministic partial differential equation. Proofs of unique solvability of the forward equation, the existence of minimisers, and first-order necessary optimality conditions are presented. The application of the function identification framework to the wine fermentation model aims at finding the shape of the toxicity function and is carried out for the deterministic as well as the stochastic case. / Mathematische Modellierung, Simulation und Optimierung sind wichtige Methoden für künftige Entwicklungen in Ingenieurs-, Natur- und Biowissenschaften. Ziel der vorliegende Arbeit ist es diese mathematische Methoden im Bereich von biologischen Prozessen anzuwenden. Dabei wurde die Weingärung als repräsentatives Modell ausgewählt. Erste Modelle der Weingärung, die man in der Literatur findet, bestehen aus gewöhnlichen Differentialgleichungen. Diese modellieren den Verlauf der Populationszahlen der Hefe, sowie die Konzentrationen von verwertbarem Stickstoff, Zucker und Ethanol. In dieser Arbeit wird auch die Konzentration von molekularem Sauerstoff betrachtet um den Wandel des Stoffwechsels der Hefe von aerob zu anaerob zu erfassen. Weiterhin wird eine ausgefeiltere Toxizitätsfunktion benutzt. Diese führt zu Simulationsergebnissen, die im Vergleich zu einem linearen Toxizitätsmodell experimentelle Messungen besser reproduzieren können. Außerdem spielt eine weitere Gleichung für die zeitliche Entwicklung der Temperatur eine wichtige Rolle in dieser Arbeit. Diese eröffnet die Möglichkeit den Gärprozess in einer gewünschten Weise zu beeinflussen, indem man die Temperatur durch einen Kühlmechanismus verändert. Für industrielle Anwendungen muss man sich mit großen Fermentationsgefäßen befassen, in denen räumliche Abweichungen der Konzentrationen und der Temperatur sehr wahrscheinlich sind. Daher ist in dieser Arbeit ein System von Reaktion-Diffusions Gleichungen formuliert, welches eine Approximation an ein Modell mit rechenaufwändiger Strömungsmechanik darstellt. Neben der Modellierung wird in dieser Arbeit ein Optimalsteuerungsproblem für das vorgestellte Gärmodell mit Reaktions-Diffusions Gleichungen und Randkontrolle der Temperatur gezeigt und analysiert. Variationelle Methoden werden benutzt, um die Existenz von eindeutigen schwachen Lösungen von diesem nicht-linearen Modell zu beweisen. Das Ausnutzen der Hilbertraumstruktur von Zustands- und Kontrolraum macht es möglich die Existenz von Optimalsteuerungen zu beweisen. Zusätzlich werden notwendige Optimalitätsbedingungen erster Ordnung vorgestellt. Diese charakterisieren Kontrollen, die das Zielfunktional minimieren. Ein numerisches Experiment zeigt, dass die finale Konzentration des Zuckers durch eine passend ausgewählte Steuerung reduziert werden kann. Der zweite Teil dieser Arbeit beschäftigt sich mit der Identifizierung einer unbekannten Funktion eines dynamischen Modells. Es wird ein Minimierungsproblem für Modelle mit gewöhnlichen Differentialgleichungen, bei denen ein Teil der Dynamik aufgrund der Komplexität der zugrundeliegenden Phänomene nicht hergeleitet werden kann, formuliert. Die bestmögliche Funktion aus einem Testfunktionenraum wird dadurch ausgewählt, dass Abweichungen von Simulationsergebnissen und Messungen minimiert werden. Die Analyse dieses Problems der Funktionenidentifikation beinhaltet den Beweis der Differenzierbarkeit des Funktion–zu–Zustand Operators, die Existenz von Minimierern und die Sensitivitätsanalyse mit Hilfe der Messung–zu–Funktion Abbildung. Weiterhin wird diese Funktionenidentifikationsmethode für stochastische Differentialgleichungen erweitert. Dabei besteht das Zielfunktional aus dem Abstand von Messwerten und dem Erwartungswert des stochastischen Prozesses, der die stochastische Differentialgleichung löst. In dem man die Fokker-Planck Gleichung benutzt wird das wahrscheinlichkeitstheoretische Problem einen stochastischen Prozess zu simulieren in eine deterministische partielle Differentialgleichung überführt. Es werden Beweise für die eindeutige Lösbarkeit der Vorwärtsgleichung, die Existenz von Minimierern und die notwendigen Bedingungen erster Ordnung geführt. Die Anwendung der Funktionenidentifikation auf die Weingärung zielt darauf ab die Form der Toxizitätsfunktion herauszufinden und wird sowohl für den deterministischen als auch für den stochastischen Fall durchgeführt.

Universiẗat, Diss., 2004--Stuttgart.