求解分数阶最优控制问题的谱-fPINN（Spectral-fractional Physics-Informed Neural Network，谱-fPINN）框架

《Computation》：A Spectral-fPINN Framework for Fractional Optimal Control Problems

　　

分数阶最优控制问题（Fractional Optimal Control Problems, FOCPs）为具有记忆效应、遗传特性和反常扩散现象的动力学系统建模提供了有效的数学框架。然而，Caputo分数阶算子（Caputo fractional operator）的非局部性及分数阶解正则性降低的特点，给高精度、高效率数值算法的开发带来了显著挑战。本文提出一种谱-fPINN（Spectral-fPINN）框架，用于求解由Caputo分数阶微分方程（Caputo Fractional Differential Equation）控制的分数阶最优控制问题。该方法将归一化移位Legendre谱逼近（normalized shifted Legendre spectral approximation）、分数阶运算矩阵（fractional operational matrix）表述及物理信息优化（physics-informed optimization）整合于统一的计算框架中。与传统PINN及fPINN直接近似未知解变量不同，本框架预测与移位Legendre基函数相关联的谱系数向量，获得低维全局表示并提高近似效率。Caputo分数阶导数通过谱运算矩阵计算，所得优化问题采用Gauss–Legendre求积离散并通过基于梯度的优化算法求解。此外，研究人员给出了所提Spectral-fPINN框架的理论分析，包括逼近性、相容性、稳定性、收敛性结果，以及误差估计与残差控制性质。研究人员通过若干线性与非线性基准分数阶最优控制问题验证该方法，数值结果表明数值解与精确解高度吻合，残差误差极小，且谱系数快速衰减，证实了该方法的高阶精度与鲁棒性。综上，所提Spectral-fPINN框架为广泛类型的分数阶最优控制问题提供了一种精确、稳定且计算高效的求解方法。

论文解读：A Spectral-fPINN Framework for Fractional Optimal Control Problems

分数阶微积分（Fractional Calculus）因能描述具记忆效应、遗传特性及反常扩散（anomalous diffusion）的物理过程，在粘弹性材料、生物系统及输运过程中得到广泛应用。分数阶最优控制问题（Fractional Optimal Control Problems, FOCPs）将分数阶微积分与控制理论结合，使控制过程依赖于系统演化历史而不仅是当前状态。现有数值方法如有限差分、有限元、运算矩阵（operational matrix）法及传统谱方法虽有一定成功，但分数阶算子的非局部性导致计算成本和存储需求剧增。近年兴起的物理信息神经网络（Physics-Informed Neural Networks, PINNs）通过将控制方程嵌入损失函数实现无网格求解，但传统PINN依赖自动微分（automatic differentiation），无法直接处理不满足链式法则的分数阶微分算子；已有fPINN（fractional PINN）仍存在训练效率低、参数量大等问题，且较少有工作将谱逼近与PINN深度融合用于Caputo分数阶最优控制系统。因此，本研究旨在融合归一化移位Legendre谱逼近与分数阶运算矩阵于PINN架构中，构建Spectral-fPINN框架以降低可训练参数量、提升光滑解的光谱收敛性，并给出严格的理论分析与数值验证。论文发表于《Computation》。

主要关键技术方法：

研究人员构建归一化移位Legendre多项式基函数，将状态变量x(t)、控制变量u(t)及伴随变量（costate variable，λ(t)）表示为该基函数的线性组合，其未知谱系数由一前馈神经网络（feed-forward neural network，4隐层各40神经元，tanh激活，Xavier初始化）输出预测。Caputo分数阶导数^CD_0,t^αx(t)通过预构的分数阶微分运算矩阵（fractional operational matrix of differentiation，D^(α)）以矩阵—向量乘法代数计算。最优性系统（状态方程、伴随方程、平稳条件）残差及目标泛函积分采用Gauss–Legendre求积近似，构造含初边值惩罚项的物理信息损失函数，使用Adam及L-BFGS优化，并采用罚参数递增的延拓策略（continuation strategy）以提高收敛稳定性。理论分析涵盖谱逼近定理、运算矩阵相容性、残差一致性、谱收敛性及残差稳定性。数值实验选取整数阶及α=0.5、α=1.5线性FOCP与α=0.5非线性FOCP四个基准问题进行验证。

研究结果：

2. Preliminaries（预备知识）：

研究人员给出Riemann–Liouville分数阶积分、左/右Caputo分数阶导数定义，引入归一化移位Legendre基函数及其正交性，推导分数阶运算矩阵D^(α)的元素计算公式（通过对基函数取Caputo导数后投影至自身空间），并说明采用Gauss–Legendre求积及离散L²残差范数量化近似精度。

3. Mathematical Model and Spectral-fPINN Methodology（数学模型与Spectral-fPINN方法）：

研究人员给出一般FOCP形式——在t∈[0,1]上最小化J=∫₀¹L(x,u,t)dt+Φ(x(1))，受限于^CD_0,t^αx(t)=f(x,u,t)及初值条件。通过引入Hamiltonian H=L+λ^Tf，导出一阶必要条件即状态方程、伴随方程^CD_t^αλ=??H/?x与平稳条件?H/?u=0。Spectral-fPINN中将x(t)、u(t)、λ(t)表为移位Legendre谱展开加满足边界条件的辅助函数，神经网络以常数输入预测谱系数向量c_x、c_u、c_λ，分数阶导数经运算矩阵得^CD_0,t^αx≈P^T(t)D^(α)c_x，再代入残差R_state、R_adjoint、R_stat及目标泛函离散形式构造总损失L_total=J_quad+λ_p(‖R_state‖²_G-L+‖R_adjoint‖²_G-L+‖R_stat‖²_G-L)+L_IC+L_TC，经梯度优化获得谱系数并重构近似解。

4. Theoretical Analysis of the Spectral-fPINN Framework（理论分析）：

• •
  定理1（逼近定理）：若真解属于C^k则L²误差O(N^?k)，若解析则指数收敛O(e^?cN)。
• •
  定理2（运算矩阵相容性）：谱运算矩阵近似Caputo导数的截断误差随N→∞消失，且‖^CD^αP_Nf?P_N^CD^αf‖≤CN^?k。
• •
  定理3（残差一致性）：当谱近似解依范数收敛于真解时，残差R_state、R_adjoint、R_stat→0，框架与连续最优性系统相容。
• •
  定理4（谱收敛）：解析解情形下总误差及残差均呈指数衰减。
• •
  定理5（残差稳定性）：Hamiltonian关于x,u,λ Lipschitz连续时，残差算子是稳定的，即小系数扰动引致小残差变化。
• •
  误差估计表明总误差由谱截断误差与残差误差联合控制，随N增大及损失趋零而收敛至真解。

5. Results and Discussion（结果与讨论）：

• •
  Example 1（整数阶α=1最优控制）：Spectral-fPINN获状态、控制、伴随变量与精确解吻合，目标泛函绝对误差~10^?7，残差范数极小，谱系数快速衰减，验证框架对经典问题有效性。
• •
  Example 2（FOCP，α=0.5）：状态、控制及分数阶导数近似与精确解一致，目标泛函误差~10^?6，残差近零，谱系数快速衰减，表明框架可准确处理分数阶动力学。
• •
  Example 3（高阶分数α=1.5 FOCP）：同样获高精度近似与微小残差，证实框架适用于较高阶Caputo导数情形。
• •
  Example 4（非线性FOCP，α=0.5，f含x²项）：数值解与精确解高度吻合，残差小，证明框架可拓展至非线性分数阶最优控制问题。所有算例显示谱能量集中于低阶模，确认表示紧凑高效。

讨论与结论（Conclusions）总结翻译：

研究人员开发了一种基于归一化移位Legendre多项式逼近与分数阶微分运算矩阵的修正Spectral-fPINN框架，用于求解分数阶最优控制问题。该方法结合了谱方法的高阶精度与物理信息优化的灵活性。理论分析与数值实验证明了所提框架的精确性、稳定性、相容性及谱收敛性质；数值结果显示高精度近似与极小残差误差，验证了该方法对线性和非线性分数阶最优控制问题的有效性。快速谱系数衰减与残差范数进一步确认了归一化移位Legendre表示在Spectral-fPINN中的强逼近能力。该框架适用于具光滑解的FOCP，对非光滑问题需引入自适应技术，未来工作将拓展至约束、变阶及多维FOCP及自适应Spectral-fPINN。