전역화된 부정확 반매끄러운 뉴턴 방법으로 강볼록 최적 제어 문제 해결

초록

본 논문은 강볼록 최적 제어 문제의 이중 형태에 반매끄러운 뉴턴 방법을 적용하고, 목표 함수의 연속 미분성을 이용해 전역 수렴성을 보장하는 전역화 기법을 제안한다. 전역화된 알고리즘은 이중 목표 함수를 merit function 으로 사용하며, 부정확한 선형 시스템 해석을 위해 공액 그라디언트(CG) 방법을 결합한다. 수렴 분석을 통해 전역 강수렴과 국소 초선형 수렴을 모두 증명하고, 수치 실험으로 기존 비전역화 방법이 발산하는 경우에도 안정적으로 수렴함을 확인한다.

상세 분석

논문은 먼저 (1.1) 형태의 강볼록 최적 제어 문제를 정의하고, 이 문제의 최적성 조건을 프록시 연산자를 이용한 비매끄러운 방정식(1.2)와 (1.3)으로 변환한다. 핵심 아이디어는 (1.3)에서 정의되는 이중 변수 ξ에 대해 연속적으로 미분 가능한 목적함수 Φ(ξ)를 구성하고, 이를 merit function 으로 삼아 전역화된 반매끄러운 뉴턴 방법을 설계하는 것이다.
반매끄러운 뉴턴 단계에서는 ∇Φ(ξ)=0을 풀기 위해 선형화 연산자 M∈∂²Φ(ξ) 를 사용한다. 여기서 ∂²Φ는 정의 3.1에 따라 두 번째 차수의 반매끄러움을 만족하도록 구성되며, 특히 Ψ(ξ)=½α‖Sξ‖²−α env_{g/α}(Sξ/α)의 두 번째 미분 가능성(Assumption 1)을 가정한다. 이 가정은 Nemytskii 연산자와 같은 무한 차원 상황에서도 성립함을 섹션 6에서 검증한다.
전역화 전략은 Φ 자체를 merit function 으로 채택하고, 라인 서치와 백트래킹을 통해 충분 감소 조건을 만족하도록 단계 길이 τ_k 를 조정한다. 또한, 뉴턴 시스템을 정확히 풀지 않고 공액 그라디언트(CG) 방법으로 근사해를 구함으로써 ‘부정확’(inexact)성을 허용한다. Lemma 4.1은 CG 반복이 생성하는 방향이 항상 하강 방향임을 보장하고, 이는 전역 수렴 증명에 필수적인 역할을 한다.
수렴 분석은 크게 두 부분으로 나뉜다. 첫 번째는 Lemma 5.10을 통해 모든 반복열 {ξ_k} 가 강수렴(strong convergence)한다는 것을 보이며, 이는 Φ가 강볼록이고 ∇Φ가 Lipschitz 연속이라는 사실에 기반한다. 두 번째는 Theorem 5.13에서 국소 초선형(superlinear) 수렴을 입증한다. 이를 위해 두 번째 차수의 반매끄러운 전개식(3.1)을 활용하고, ∂²Ψ가 유계임을 이용해 Newton 단계의 잔차가 2차 이상 감소함을 보인다.
마지막으로 섹션 8에서는 변분 이산화(varitional discretization)를 적용한 수치 실험을 제시한다. α가 작을 때 기존 비전역화 방법이 발산하거나 매우 느리게 수렴하는 반면, 제안된 전역화 방법은 안정적으로 수렴하고, 특히 CG 기반 부정확 해법이 연산 비용을 크게 절감한다는 점을 확인한다. 전체적으로 이 논문은 강볼록 무한 차원 최적 제어 문제에 대해 전역적이고 효율적인 반매끄러운 뉴턴 프레임워크를 제공하며, 이론적 엄밀성과 실용적 구현을 동시에 만족한다.