带有上下界约束的离散经验插值方法

《Journal of Computational Science》：Discrete empirical interpolation method with upper and lower bound constraints

　　

离散经验插值方法（DEIM）是一种简单有效的方法，用于从不完整的逐点观测重构函数。然而，将DEIM应用于具有物理约束范围的函数时，可能会产生超出规定物理界限的重构值。这类物理约束量在应用中经常出现，例如质量密度其范围非负。违反这些物理约束的DEIM重构在下游任务（如预测和控制）中不可用。为解决此问题，研究人员开发了约束DEIM（C-DEIM），其重构保证尊重所关注量的物理边界。C-DEIM将边界作为软约束，以精心设计的罚项形式添加到底层最小二乘问题中。研究人员证明，C-DEIM重构渐近地满足物理约束，即随着罚参数趋于无穷大。研究人员还推导了C-DEIM观测残差的定量上界。基于这些理论结果，研究人员设计了一种高效算法用于实际实施C-DEIM。该方法及伴随算法的有效性通过多个示例得到验证，包括来自流体动力学的热传递问题和野火传播的元胞自动机模型。

离散经验插值方法（DEIM）是一种简单有效的重构技术，通过稀疏的逐点观测来估计函数值。然而，当函数的值域受到物理约束（如质量密度非负、概率介于0和1之间）时，DEIM的重构结果可能超出这些界限，导致下游任务（如预测和控制）中不可用。为解决此问题，研究人员提出了约束DEIM（C-DEIM），通过将上下界作为软约束（以精心设计的罚项形式）融入最小二乘问题，确保重构结果满足物理约束。该研究证明，随着罚参数趋于无穷大，C-DEIM的解收敛到约束集合，并推导了观测残差的严格上界。基于这些理论，研究人员开发了结合牛顿迭代与二分法的高效算法，用于确定最优罚参数。论文发表在《Journal of Computational Science》。研究人员通过三个数值示例（随机谐波函数、瑞利-贝纳德对流、野火传播的元胞自动机模型）验证了方法的有效性，样本队列来源包括：训练数据800个样本、测试数据200个样本（随机谐波函数）；训练数据950个快照、测试数据50个快照（瑞利-贝纳德对流）；训练数据800个模拟、测试数据200个模拟（野火传播）。主要关键技术方法包括：使用POD（Proper Orthogonal Decomposition）提取基函数矩阵Φ；采用列主元QR分解（CPQR）及其受限版本（restricted CPQR）进行传感器放置；通过罚函数（如分段三次函数）将物理约束转化为软约束；利用牛顿法求解最小化问题，并用二分法优化罚参数λ。
**5.1 基准测试：随机谐波函数**
通过随机谐波函数生成测试数据，对比DEIM和C-DEIM在传感器放置受限（仅允许在子域[0.1π, 1.9π]内）时的重构性能。结果表明，C-DEIM的重构始终满足[-1,1]的约束，而DEIM在插值区域外产生大幅偏离。随着传感器数量增加，C-DEIM的平均相对重构误差保持在100%以下，而DEIM误差可超过2000%。C-DEIM的观测残差（OR）不超过12%，且计算时间仅增加约0.27秒。
**5.2 瑞利-贝纳德对流**
在二维矩形域中模拟瑞利-贝纳德对流（Pr=10, Ra=10⁵），温度场受边界条件约束在[0,1]内。使用30个POD模态和30个传感器（受限CPQR放置于子域[1,3]×[0.25,0.75]）。C-DEIM重构的温度始终位于[0,1]内，而DEIM重构出现超出范围的值（如>2或<-1）。C-DEIM的平均相对重构误差约为22%，显著低于DEIM的71%，也优于阈值处理后的DEIM（约40%）。
**5.3 野火传播**
基于元胞自动机模型模拟野火蔓延，状态变量s_ij(t)∈[0,1]表示细胞燃烧比例。使用随机风场生成1000个模拟，训练800个、测试200个。在两种传感器放置场景下（受限CPQR于三条水平线，随机放置于燃烧细胞），C-DEIM均保持s_ij在[0,1]内，而DEIM产生负值或大于1的值。当传感器数量为70时，受限CPQR下C-DEIM的重构误差为11%（DEIM为42%），随机放置下C-DEIM误差为11.5%（DEIM为183%）。C-DEIM还用于预测点火后两小时的火灾状态，其预测误差显著低于DEIM（如随机放置下C-DEIM预测误差39%，DEIM为55%）。
**讨论与结论**
C-DEIM通过软约束罚项将物理上下界直接融入重构过程，理论分析（定理1）保证解随罚参数增大收敛到约束集合，观测残差上界（定理2）指导参数选择。数值实验表明，C-DEIM在传感器受限或随机放置时均显著降低重构误差，且对观测噪声鲁棒（10%噪声下结果几乎不变）。未来研究方向包括：针对C-DEIM优化传感器放置策略、推导更紧的观测残差上界（特别是超定情形r>m）、以及结合时间序列数据进行动态系统重构。C-DEIM已展现出应用于实验数据的潜力，例如作者团队正将其用于2023年毛伊岛野火分析。论文结论部分翻译如下：
DEIM是一种简单而强大的方法，用于从局部逐点观测重构场。然而，DEIM重构可能违反所关注量的预设上下界，限制其在预测或控制等下游任务中的效用。本文开发的C-DEIM通过软罚约束明确地将预设边界融入重构过程。研究人员证明，随着罚参数增加，惩罚最小化问题的解收敛到约束集合（定理1），为C-DEIM重构尊重预设边界提供了理论保证。研究人员还推导了C-DEIM重构观测残差的理论上界（定理2），该上界指导了使用二分法选择最优罚参数，从而在满足约束精度的同时确保观测残差尽可能小。此外，研究人员基于上述理论设计了C-DEIM算法，并证明其在有限迭代内收敛。通过三个数值示例（随机谐波函数、瑞利-贝纳德对流、野火传播模型）验证了方法有效性，结果显示C-DEIM在传感器放置受限或随机分布时显著优于DEIM。