《Mathematics》：An Accelerated Residual ADI Method for Large-Scale Low-Rank Riccati Equations
编辑推荐：
该论文研究了用于求解由时不变控制系统导出的大规模低秩Riccati矩阵方程的残差交替方向隐式（Residual Alternating Direction Implicit, RADI）迭代的加速问题。直接尝试通过将反馈增益矩阵视为定点迭代来加速交替方向隐式（
该论文研究了用于求解由时不变控制系统导出的大规模低秩Riccati矩阵方程的残差交替方向隐式（Residual Alternating Direction Implicit, RADI）迭代的加速问题。直接尝试通过将反馈增益矩阵视为定点迭代来加速交替方向隐式（Alternating Direction Implicit, ADI）迭代，通常导致残差矩阵范数的收敛相对缓慢。为处理该问题，研究人员将反馈增益矩阵与残差矩阵组合作为RADI迭代的输入，并基于这种重新表述开发了加速RADI方案。在相对温和的假设下建立了加速RADI算法的收敛性。来自工程应用的数值实验表明，所提出的加速RADI算法在适当选择参数的情况下，能够以更少的迭代次数和更少的计算时间达到规定的残差水平。
研究背景与核心问题
连续时间线性时不变（Linear Time-Invariant, LTI）控制系统在机械工程、电气电子工程及航空航天等领域具有广泛应用。针对该系统的线性二次调节器（Linear Quadratic Regulator, LQR）优化控制问题，其核心归结为求解连续时间代数Riccati方程（Continuous-time Algebraic Riccati Equation, CARE）。对于大规模CARE，由于其解具有固有的低秩（Low-Rank）结构，发展高效的数值求解方法至关重要。现有方法涵盖牛顿型方法、结构保持加倍算法（Structure-Preserving Doubling Algorithm, SDA）以及Krylov子空间方法等。其中，残差交替方向隐式（Residual Alternating Direction Implicit, RADI）方法在多种实际工程问题中表现出优异性能，其核心思想是将残差表示为低秩矩阵方程，并通过二次交替方向隐式（Alternating Direction Implicit, ADI）方案进行迭代更新。与其他方法逐步扩大低秩子空间维度不同，RADI方法在迭代过程中始终保持固定的子空间维度，这在大规模计算环境下具有显著的计算优势。然而，如何进一步加速RADI迭代仍是关键问题。直接尝试将反馈增益矩阵视为定点迭代来应用加速策略，会导致残差因子矩阵信息丢失，进而造成残差范数收敛缓慢甚至停滞。因此，有必要开发新的加速策略以克服这一局限。该论文发表于《Mathematics》期刊，旨在通过新的重构方式实现RADI迭代加速。
关键技术方法
研究人员将反馈增益矩阵与残差矩阵组合为统一迭代变量，将RADI迭代重新表述为该增广矩阵的非线性映射，并构建基于前t步迭代信息的加速更新机制，其中涉及残差Hamiltonian位移策略的ADI位移参数选取方法，即利用当前反馈矩阵、残差因子及基矩阵构造正交基，将残差CARE投影至低维子空间，通过计算投影后Hamiltonian矩阵的特征值获得位移参数。在实现层面，算法首先执行原始RADI迭代直至残差小于切换容限，表明已进入稳定解邻域；随后激活加速阶段，利用前t步历史信息构造残差最小化问题并求解组合系数。若加速过程中残差增长超过预设回退容限，则自动返回RADI迭代并重复该过程，形成带保护机制的SARADI算法。
研究结果
2.1 迭代格式与加速方案
研究人员首先回顾了二次ADI（Quadratic ADI, QADI）迭代框架，其中给定初始逼近后，通过复平面上半平面的ADI位移参数迭代更新解矩阵。当系统矩阵具有低秩结构时，QADI可经济地实现为RADI迭代，此时解矩阵和残差均可表示为低秩因子的乘积形式，且反馈增益可由低秩因子直接计算。原始加速思路是将当前反馈增益矩阵视为定点迭代来构造残差信息以更新下一步迭代。然而研究发现，在RADI的低秩迭代格式中，仅加速反馈增益矩阵会导致残差因子矩阵信息丢失，从而造成残差范数停滞。为此，研究人员将当前反馈增益矩阵与残差矩阵组合为增广向量，将RADI迭代视为该组合矩阵的非线性映射，进而利用前t步残差信息对组合矩阵进行更新，并引入阻尼因子来稳定迭代过程。
2.2 非线性映射的性质
在闭路矩阵与ADI位移参数之和在稳定解邻域内一致有界的温和假设下，研究人员建立了由RADI迭代诱导的非线性映射及其Fréchet导数的关键性质。这些性质包括映射在稳定解附近的局部Lipschitz估计，即映射差分可被与迭代变量无关的常数控制；映射的H?lder型估计；Fréchet导数在稳定解处为零；以及导数差分的高阶控制等。这些理论结果为后续加速算法的局部收敛分析提供了坚实基础。
3.1 单步前残差加速的收敛性
基于上述性质，研究人员分析了利用单步前残差信息加速时的收敛行为。通过引入特定的矩阵组合记号，证明了若残差满足特定一致有界条件，则通过最小化当前残差与上一步残差线性组合的Frobenius范数，可以获得残差等式关系。进一步地，利用前述建立的性质，证明了在温和假设下，单步前残差加速的RADI迭代具有残余上界估计，确保加速过程不会导致残差无界增长。
3.2 多步前残差加速的收敛性
进一步地，研究人员将收敛分析推广至多步前残差信息的情形。通过构造包含多个历史迭代和残差信息的增广矩阵，利用几何正交化条件确定最优组合系数，证明了更一般的残差上界定理。理论分析表明若在稳定解邻域内原始RADI方法次线性收敛，则加速方法至少改善局部收敛行为；若RADI线性收敛，加速方法至少保证线性收敛且具有更小的收敛因子。该结论可推广至包含更一般历史迭代信息的情形。
4.1 实用ARADI算法
研究人员提出了基于保护策略的SARADI实用算法。初始阶段执行原始RADI迭代并监控残差；当残差小于切换容限时，判定迭代序列已进入稳定解邻域，随即切换至ARADI加速。加速阶段利用前t步历史信息构造残差最小化问题并求解组合系数。若加速过程中残差增长超过预设回退容限，则自动清除历史记录并回退至RADI迭代。此外，算法采用残差Hamiltonian位移策略在每步计算ADI位移参数，该策略通过低维投影和特征值计算实现，计算开销可忽略。算法主导计算成本在于构造特定乘积矩阵，其复杂度为O(n)量级；而后续最小化问题维度很小，求解复杂度极低。
4.2 数值示例
研究人员通过四个工程应用实例验证算法有效性。示例1为三维稳态对流扩散方程，采用中心差分格式离散，系统维度从39304变化至140608。参数测试表明前进步数t的选择不敏感，阻尼因子在0.5至0.7区间效果较优。ARADI所需迭代次数和计算时间约为RADI的三分之一至一半。示例2为热对流流动控制系统，系统维度为9660且矩阵对称，ARADI以24次迭代和约16秒完成任务，RADI则需62次迭代和约42秒。示例3为微机械传感器器件的电-热行为模型，有限元离散后系统维度为66917，ARADI仅需23次迭代和约35秒，RADI需60次迭代和约98秒。示例4为钢型材的最优冷却过程，经谱位移处理后系统维度为20209和79841，ARADI仅需9次迭代，RADI需11次，且ARADI计算时间约为RADI的一半。在所有示例中，SARADI表现介于ARADI和RADI之间，而仅加速反馈增益矩阵的ARADIK表现最差。
讨论、结论与意义
研究人员指出，与仅将RADI视为反馈增益矩阵的函数并进行加速的方法不同，所提出的方法将反馈增益矩阵与残差矩阵组合为统一迭代变量，建立了有效的RADI加速策略。数值实验表明，在适当参数选择下，SARADI和ARADI均能以显著减少的迭代次数和计算成本达到规定的残差容限，其中ARADI表现最佳。关于参数选择，前进步数t和阻尼因子是两大关键因素。对于固定维度的方程，当初始残差不超特定阈值且早期迭代残差衰减较快时，选择较大的t值较为有效；而初始阶段残差衰减缓慢时则应选择较小的t。实验表明阻尼因子约0.5时加速效果最为显著。研究人员强调，尽管所提算法在上述参数策略下表现良好，但开发自适应参数选择策略仍是未来研究的重要方向。
研究结论指出：研究人员已开发了一种加速RADI迭代方法用于大规模CARE，通过将反馈增益矩阵与残差矩阵组合为统一迭代变量，将RADI迭代重新表述为该增广矩阵的非线性映射，构建了有效的加速策略；在温和假设下，研究人员建立了加速迭代的局部收敛理论；数值实验表明，在适当参数选择下，SARADI和ARADI均能以更少的迭代次数和计算成本达到规定的残差容限，其中ARADI表现最佳，具有显著的工程应用价值。
