Tổng quan về luận án

Luận án này giải quyết những thách thức cố hữu trong việc điều khiển các hệ thống phức tạp quy mô lớn, nơi mà các phương pháp Điều khiển Dự đoán dựa trên Mô hình (Model Predictive Control - MPC) tập trung truyền thống trở nên "không thực tế, và trong một số trường hợp bất khả thi do số lượng và độ phức tạp của các tương tác giữa các hệ con" (Summary, trang ix). Bối cảnh khoa học của nghiên cứu này nằm ở sự cần thiết cấp bách của các giải pháp điều khiển có khả năng mở rộng, linh hoạt và bền vững cho các quy trình công nghiệp và cơ sở hạ tầng mạng lưới như sản xuất phức tạp, lưới điện thông minh hoặc quản lý tài nguyên nước. Tính tiên phong của nghiên cứu thể hiện ở việc tiên phong trong việc thiết kế các bộ điều khiển MPC phân tán (Distributed MPC - DMPC) một cách có hệ thống, dựa trên các thuật toán tối ưu hóa phân tán tiên tiến, nhằm vượt qua những hạn chế cơ bản của các giải pháp tập trung.

Nghiên cứu xác định rõ ràng một khoảng trống (research gap) trong tài liệu hiện có: "thiết kế các bộ điều khiển dự đoán dựa trên mô hình phân tán bằng cách giải bài toán tối ưu hóa MPC quy mô lớn theo cách phân tán" (Summary, trang ix). Luận án đặc biệt tập trung vào hai vấn đề cốt lõi: 1) Thiết kế các thuật toán tối ưu hóa phân tán cho việc giải quyết các bài toán tối ưu lồi phát sinh trong MPC cho các hệ thống tuyến tính rời rạc. 2) Xác định các điều kiện để đạt được tính chấp nhận được (feasibility) và tính ổn định (stability) của hệ thống vòng kín. Những khoảng trống này được nhấn mạnh bởi sự phức tạp tính toán và yêu cầu truyền thông tin toàn cầu của MPC tập trung (Qin and Badgwell, 2003; Mayne et al., 2000), vốn làm giảm khả năng ứng dụng của nó đối với các hệ thống quy mô lớn. Mặc dù DMPC là một chủ đề nghiên cứu mới nổi, như được thảo luận bởi Rawlings và Stewart (2008) hay Scattolini (2009), các phương pháp hiện có vẫn còn thiếu tính hệ thống hoặc các đảm bảo mạnh mẽ về tính tối ưu và ổn định trong một môi trường phân tán hoàn toàn.

Từ khoảng trống nghiên cứu này, luận án đặt ra các câu hỏi nghiên cứu chính: Làm thế nào để thiết kế các thuật toán tối ưu hóa phân tán hiệu quả cho các bài toán tối ưu lồi trong MPC cho hệ thống tuyến tính rời rạc, đặc biệt là những hệ thống có cấu trúc khớp nối thưa thớt? Và, các điều kiện nào cần thiết để đạt được tính chấp nhận được và ổn định của hệ thống điều khiển vòng kín khi triển khai DMPC? Luận án giả thuyết rằng có thể phát triển các thuật toán tối ưu hóa phân tán đạt được kết quả tương đương với giải pháp tập trung, hoặc cung cấp các giải pháp chấp nhận được với hiệu quả tính toán vượt trội, đồng thời đảm bảo tính ổn định và chấp nhận được của hệ thống vòng kín.

Khung lý thuyết của nghiên cứu được xây dựng dựa trên lý thuyết Điều khiển Dự đoán dựa trên Mô hình (MPC), lý thuyết Tối ưu hóa Phân tán, và các khái niệm Tối ưu hóa Lồi. Nó tích hợp chặt chẽ các lý thuyết như Đối ngẫu Fenchel và Đối ngẫu Lagrange, cùng với các thuật toán dựa trên gradient như phương pháp song song của Han và thuật toán gradient gần tăng tốc (Accelerated Proximal Gradient). Luận án nhằm mục tiêu thiết kế các bộ điều khiển phân tán mà "mỗi bộ điều khiển có một bộ xử lý để đảm nhận công việc tính toán cục bộ" và "liên lạc hạn chế với nhau" (Summary, trang xvii).

Luận án đưa ra bốn đóng góp đột phá chính:

  1. Phát triển một phương pháp tối ưu hóa phân tán cho các bài toán bình phương lồi lồi chặt (strictly convex quadratic programs). Thuật toán phân tán này được chứng minh là "tạo ra kết quả tương đồng với kết quả của phương pháp tập trung tương ứng" (Summary, trang x) và hội tụ về giải pháp MPC tập trung ở mỗi bước lấy mẫu, như được báo cáo trong Doan et al. (2011c, 2009).
  2. Phát triển một phiên bản phân tán của thuật toán gradient gần tăng tốc (Beck and Teboulle, 2009) có khả năng xử lý các bài toán tối ưu với hàm chi phí kết hợp chuẩn 1 và chuẩn 2, cùng với các ràng buộc tuyến tính có cấu trúc khớp nối thưa thớt. Thuật toán này "hội tụ nhanh hơn một bậc so với thuật toán dùng gần-đạo hàm kinh điển" (Summary, trang x), mang lại tốc độ hội tụ tốt nhất trong lớp thuật toán dựa trên gradient, như được trình bày trong Giselsson et al. (2011).
  3. Đề xuất một phương pháp thắt chặt ràng buộc (constraint tightening) dẫn đến hai thuật toán phân cấp (HPF-DEG, HPF-DAG) dựa trên phân rã đối ngẫu. Các thuật toán này có thể kết thúc sau một số hữu hạn lần lặp nhưng vẫn "tạo ra các nghiệm chấp nhận được của bài toán MPC ngay cả trong khi nghiệm của bài toán đối ngẫu chưa đạt điểm tối ưu, và đạt tính ổn định của hệ thống vòng kín" (Summary, trang xv), được báo cáo trong Doan et al. (2012).
  4. Trình bày một xử lý toàn diện về hệ thống thung lũng thủy điện, bao gồm mô hình hóa phi tuyến, xấp xỉ tuyến tính và giảm bậc mô hình, sau đó thiết kế một bộ điều khiển DMPC hiệu quả. Bộ điều khiển này đạt được "hiệu năng tốt tương đương với một bộ điều khiển tập trung, trong khi đó thuật toán phân tán chỉ sử dụng thời gian tính toán của CPU ít hơn hẳn so với một chương trình giải tập trung" (Summary, trang xi), được công bố trong Doan et al. (2011b). Tác động đột phá của đóng góp này là định lượng được lợi ích tính toán đáng kể của DMPC trong một ứng dụng thực tế.

Phạm vi nghiên cứu tập trung vào việc thiết kế bộ điều khiển cho "các hệ thống tuyến tính rời rạc" (Summary, trang ix), đặc biệt là các "hệ thống lớn và phức tạp" (trang ix) với các tính chất "nhiều ngõ ra nhiều ngõ vào" (multi-input multi-output - MIMO) và có "móc nối thưa thớt" (sparse coupling). Một ví dụ ứng dụng cụ thể là "một hệ thống kênh gồm 4 đoạn" (Chapter 5, trang 26) trong điều khiển thung lũng thủy điện. Luận án được thực hiện trong khoảng thời gian bốn năm (2008-2012). Tầm quan trọng của nghiên cứu nằm ở khả năng cung cấp các công cụ và phương pháp luận cần thiết để thiết kế các bộ điều khiển có thể triển khai được cho các hệ thống quy mô lớn hiện đại, nơi mà MPC tập trung không còn khả thi, do đó nâng cao khả năng phục hồi, hiệu quả và tính bền vững của các hệ thống này.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án phác thảo một cách toàn diện các dòng nghiên cứu chính liên quan đến Điều khiển Dự đoán dựa trên Mô hình (MPC) và các phương pháp tối ưu hóa phân tán. MPC đã được "sử dụng rộng rãi để điều khiển các quy trình công nghiệp" (Qin and Badgwell, 2003) và các thuộc tính cùng cân nhắc thiết kế của nó đã được nghiên cứu kỹ lưỡng bởi cộng đồng khoa học (Maciejowski, 2002; Mayne et al., 2000; Rawlings and Mayne, 2009). Bản chất của MPC là giải một bài toán tối ưu hóa trực tuyến nắm bắt kết quả của chuỗi điều khiển dự đoán theo cách đường chân trời lùi (receding horizon fashion), cho phép xử lý tự nhiên các ràng buộc hoạt động và thiết kế cho các hệ thống đa đầu vào đa đầu ra (MIMO).

Tuy nhiên, đối với các hệ thống quy mô lớn nối mạng, MPC tập trung gặp phải các vấn đề nghiêm trọng như "gánh nặng tính toán" và "yêu cầu truyền thông tin toàn cầu" (trang 1). Điều này đã thúc đẩy sự quan tâm đến MPC phân tán (DMPC), được đề xuất để điều khiển các hệ thống như vậy bằng cách phân tách hệ thống tổng thể thành các hệ con nhỏ hơn (Jia and Krogh, 2001; Camponogara et al., 2002). DMPC trở thành một chủ đề nghiên cứu mới nổi, với các vấn đề mở được thảo luận bởi Rawlings và Stewart (2008) và Scattolini (2009).

Luận án tổng hợp các phương pháp DMPC chính từ tài liệu:

  • Đối với các hệ thống có động học không khớp nối: Dunbar và Murray (2006) đề xuất một sơ đồ DMPC cho nhiều phương tiện với các hàm chi phí khớp nối, sử dụng quỹ đạo dự đoán của các hệ lân cận. Keviczky et al. (2006) trình bày một sơ đồ DMPC với kiểm tra ổn định đủ cho các hệ thống không khớp nối động học. Richards và How (2007) đề xuất một phương pháp DMPC mạnh mẽ để xử lý nhiễu trong cài đặt với các hệ thống không khớp nối và các ràng buộc khớp nối, dựa trên việc thắt chặt ràng buộc và cách tiếp cận giải pháp tuần tự.
  • Đối với các hệ thống có động học khớp nối và các ràng buộc không khớp nối: Venkat et al. (2008) đã phát triển một sơ đồ DMPC dựa trên thuật toán Jacobi xử lý bài toán nguyên thủy, sử dụng một tổ hợp lồi của các giải pháp mới và cũ. Trong Jia và Krogh (2002), các trạng thái hệ con lân cận được coi là các nhiễu động co rút bị chặn, và mỗi hệ con giải một bài toán min-max. Alessio và Bemporad (2007, 2008) đề xuất một thuật toán dựa trên phân vùng, với các điều kiện đủ để phân tích ổn định hậu nghiệm. Li et al. (2005) đề xuất một thuật toán với các điều kiện ổn định trong đó các bài toán con được giải song song để đạt được cân bằng Nash.
  • Đối với các phương pháp DMPC dựa trên phân rã của các bài toán tối ưu hóa toàn cầu: Camponogara và Talukdar (2007) cùng Necoara et al. (2008) đã đề xuất nhiều thuật toán DMPC. Các công trình gần đây khác về ứng dụng DMPC được báo cáo trong Mercangoz và Doyle III (2007), Negenborn et al. (2009), và Arnold et al. (2007).

Trong bối cảnh các luồng nghiên cứu này, luận án này đặt trọng tâm vào việc giải quyết bài toán tối ưu hóa MPC bằng cách sử dụng các cách tiếp cận phân rã đối ngẫu (dual decomposition approaches). Phân rã đối ngẫu là một khái niệm đã được thiết lập từ khoảng năm 1960 với thuật toán của Uzawa (Arrow et al., 1958) và được khai thác trong tối ưu hóa quy mô lớn (Danzig và Wolfe, 1961). Trong những thập kỷ tiếp theo, các phương pháp phân rã và điều phối các hệ thống động đã được phát triển và tinh chỉnh (Findeisen, 1980; Mesarovic et al., 1970; Singh và Titli, 1978) và được sử dụng trong các ứng dụng quy mô lớn (Carpentier và Cohen, 1993). Gần đây hơn, phân rã đối ngẫu đã được áp dụng trong tài liệu DMPC bởi Doan et al. (2011c, 2009), Giselsson và Rantzer (2010), và Negenborn et al. (2008) cho các bài toán có hàm chi phí bình phương lồi mạnh và các ràng buộc tuyến tính tùy ý.

Điểm khác biệt và tiến bộ của luận án này so với các nghiên cứu trước là ở việc cung cấp một khung làm việc có hệ thống để thiết kế DMPC dựa trên tối ưu hóa phân tán, đặc biệt là thông qua việc khai thác tính chất "cấu trúc thưa thớt" (sparse coupling pattern) của các hệ thống quy mô lớn. Trong khi Venkat et al. (2008) sử dụng thuật toán Jacobi cho bài toán nguyên thủy, cách tiếp cận của luận án này tập trung vào bài toán đối ngẫu, cho phép xử lý hiệu quả các ràng buộc khớp nối và đạt được tính tối ưu tập trung. So với Richards và How (2007) tập trung vào DMPC mạnh mẽ cho các hệ thống không khớp nối, luận án này mở rộng phương pháp thắt chặt ràng buộc để đảm bảo tính chấp nhận được và ổn định cho các hệ thống khớp nối tổng quát hơn trong khuôn khổ phân rã đối ngẫu.

Luận án này tiến bộ trong lĩnh vực bằng cách giải quyết các hạn chế của DMPC hiện có về tính tối ưu, tốc độ hội tụ và khả năng triển khai thực tế. Bằng cách phát triển các thuật toán phân tán (như Han's và accelerated proximal gradient) mà "tạo ra kết quả tương đồng với kết quả của phương pháp tập trung tương ứng" (Summary, trang x) và "hội tụ nhanh hơn một bậc" (Summary, trang x), nghiên cứu này cung cấp các giải pháp mạnh mẽ và hiệu quả hơn. Hơn nữa, việc đảm bảo tính chấp nhận được và ổn định của vòng kín (closed-loop stability) thông qua các thuật toán phân cấp ngay cả khi giải pháp đối ngẫu không đạt tối ưu là một tiến bộ quan trọng đối với các ứng dụng thời gian thực.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đưa ra những đóng góp đáng kể cho cơ sở lý thuyết về điều khiển và tối ưu hóa phân tán, chủ yếu thông qua việc mở rộng và tinh chỉnh các lý thuyết tối ưu hóa hiện có trong bối cảnh điều khiển dự đoán dựa trên mô hình (MPC) phân tán. Nghiên cứu này mở rộng phương pháp song song của Han (Han and Lou, 1988), vốn ban đầu được thiết kế cho các bài toán lồi tổng quát với các ràng buộc lồi, để áp dụng một cách phân tán cho các bài toán bình phương lồi lồi chặt phát sinh trong MPC. Điều này bao gồm việc đưa ra các khái niệm như "ảnh tự thân" (self-image) và "ảnh lân cận" (neighborhood image) của các biến để cho phép cập nhật cục bộ và truyền thông tin hạn chế, đồng thời chứng minh rằng thuật toán phân tán Han thu được vẫn "tạo ra kết quả tương đồng với kết quả của phương pháp tập trung tương ứng" (Summary, trang x), đảm bảo tính tối ưu tập trung.

Ngoài ra, luận án còn mở rộng thuật toán gradient gần tăng tốc (Accelerated Proximal Gradient algorithm) của Beck và Teboulle (2009), một phương pháp được biết đến với tốc độ hội tụ nhanh trong các bài toán tối ưu lồi, để xử lý các hàm chi phí kết hợp chuẩn 1 và chuẩn 2 trong bối cảnh phân tán. Việc sử dụng hàm chỉ thị tập hợp (indicator function) để tạo ra hàm đối ngẫu khả vi cho các bài toán không khả vi ban đầu là một đóng góp lý thuyết quan trọng cho phép áp dụng phương pháp này.

Khung phân tích khái niệm được thiết lập trong luận án dựa trên việc xây dựng bài toán MPC tập trung như một bài toán bình phương lồi với hàm chi phí phân tách được (separable cost function) và các ràng buộc tuyến tính có cấu trúc khớp nối thưa thớt (sparse coupling pattern). Cụ thể, hàm chi phí có dạng $J = \mathbf{x}^T \mathbf{H} \mathbf{x}$ (phương trình 1.8, trang 5) với ma trận Hessian $\mathbf{H}$ là xác định dương và khối chéo. Các ràng buộc liên hệ các biến trạng thái $\mathbf{x}{jk}$ và đầu vào $\mathbf{u}{jk}$ của các hệ con theo các phương trình 1.3 và 1.4, vốn chỉ liên quan đến một số lượng nhỏ các hệ con trong một "khu vực lân cận" $\mathcal{N}_i$.

Mô hình lý thuyết được phát triển bao gồm việc thiết lập các tiền đề và chứng minh về sự hội tụ, tính chấp nhận được và ổn định của các thuật toán phân tán và phân cấp. Ví dụ, đối với phương pháp phân tán Han, tiền đề là "Han's method is guaranteed to converge to the centralized solution of the convex quadratic program (2.1) under the conditions that $q(\mathbf{x})$ is uniformly convex with the coefficient $\rho$ and differentiable on $\mathbb{R}^{n_x}$, (2.1) has a feasible solution, and the step size $\alpha$ satisfies $\alpha \leq s/\rho$" (Proposition 2.5, trang 23). Các chứng minh này cung cấp cơ sở vững chắc cho việc triển khai DMPC với các đảm bảo về hiệu suất.

Nghiên cứu này không đề xuất một sự thay đổi mô hình (paradigm shift) hoàn toàn mới trong lý thuyết điều khiển, mà thay vào đó, nó thúc đẩy một sự tiến bộ đáng kể trong mô hình DMPC bằng cách cung cấp các công cụ toán học và thuật toán để giải quyết các hạn chế cơ bản của MPC tập trung. "Bằng cách thiết kế DMPC dựa trên tối ưu hóa phân tán, thường dẫn đến một cách có hệ thống để định nghĩa các hệ con và các bài toán con, do đó đơn giản hóa việc triển khai các bộ điều khiển dự đoán dựa trên mô hình phân tán" (trang 6). Sự thay đổi này tập trung vào việc cho phép triển khai điều khiển tối ưu tập trung một cách hiệu quả về mặt tính toán và truyền thông trong một môi trường phân tán, như được chứng minh bằng việc giảm đáng kể thời gian CPU trong ví dụ ứng dụng thung lũng thủy điện (Summary, trang xi).

Khung phân tích độc đáo

Khung phân tích của luận án đặc biệt độc đáo nhờ sự tích hợp sâu sắc giữa lý thuyết điều khiển và các kỹ thuật tối ưu hóa tiên tiến. Nó tích hợp lý thuyết Điều khiển Dự đoán dựa trên Mô hình (MPC) với các phương pháp tối ưu hóa phân tán cụ thể như phân rã đối ngẫu (dual decomposition), các thuật toán gradient chiếu (projected gradient algorithms), thuật toán gradient gần tăng tốc (accelerated proximal gradient algorithm) của Beck và Teboulle (2009), và các phương pháp giải bài toán con như thuật toán gradient liên hợp (conjugate gradient method) và thuật toán Jacobi phân tán (distributed Jacobi algorithm). Sự tích hợp này cho phép luận án phát triển các giải pháp DMPC có tính lý thuyết mạnh mẽ và hiệu quả thực tế.

Cách tiếp cận phân tích mới lạ nằm ở việc biến đổi bài toán tối ưu MPC tập trung, vốn là một bài toán bình phương lồi với các ràng buộc tuyến tính (Problem P, Eq. 1.14, trang 5), thành các bài toán đối ngẫu có thể được giải theo cách phân tán. Để làm được điều này, luận án sử dụng các công cụ từ giải tích lồi, đặc biệt là Đối ngẫu Fenchel (Rockafellar, 1970) và hàm chỉ thị tập hợp (indicator function) để nới lỏng các ràng buộc và xây dựng các hàm đối ngẫu.

Các đóng góp khái niệm được đưa ra trong nghiên cứu bao gồm:

  • Định nghĩa "ảnh tự thân" (Self-image) và "ảnh lân cận" (Neighborhood image): Các khái niệm này (Định nghĩa 2.2 và 2.3, trang 18) là nền tảng để biến phương pháp Han's vốn yêu cầu cập nhật toàn cục thành một thuật toán phân tán chỉ sử dụng truyền thông cục bộ. Một "ảnh tự thân" của biến $\mathbf{x}^{(p)}$ của hệ con $i$ tại lần lặp $p$, ký hiệu là $\mathbf{x}^{(p)}|{i}$, chỉ chứa các biến của hệ con $i$ ở đúng vị trí và số 0 ở các vị trí khác. Một "ảnh lân cận" $\mathbf{x}^{(p)}|{\mathcal{N}_i}$ của hệ con $i$ chứa các biến của chính nó và các hệ con lân cận. Những định nghĩa này cho phép chứng minh nghiêm ngặt rằng thuật toán phân tán Han có thể "tạo ra các lặp tương đương với thuật toán tập trung" (Proposition 2.3, trang 21).
  • Khái niệm "ảnh lân cận giả định" (assumed neighborhood image): Đây là một phần quan trọng trong Algorithm 2.3 (bước 4, trang 20), nơi mỗi bộ điều khiển cục bộ $i$ tính toán $\mathbf{x}{\text{assumed}}^{(p)}|{\mathcal{N}_i}$ bằng cách tổng hợp các biến đối ngẫu $\gamma_l^{(p)}$ và các tham số $c_l$ từ chính nó và các lân cận. Mặc dù không phải là một cập nhật chính xác của ảnh lân cận, nhưng khi được kết hợp với ma trận chọn $I_i$, nó cho phép bộ điều khiển $i$ xây dựng ảnh tự thân mới $\mathbf{x}^{(p)}|_i$ của mình.

Các điều kiện biên được nêu rõ trong luận án:

  • Loại hệ thống: Nghiên cứu tập trung vào "các hệ thống tuyến tính rời rạc" (discrete-time linear systems) (Summary, trang ix).
  • Tính chất bài toán tối ưu: Bài toán MPC phải được "phân tích như một bài toán tối ưu lồi" (Summary, trang xvii) và cụ thể hơn là "một bài toán tối ưu bình phương lồi, gồm có một hàm mục tiêu lồi bậc hai phân rã được và một số ràng buộc tuyến tính" (Summary, trang xvii).
  • Sự tồn tại của giải pháp: Cần giả định rằng "một giải pháp khả thi của bài toán MPC tập trung tồn tại" (Proposition 2.5, trang 23).
  • Điều kiện Slater: Đối với các thuật toán phân cấp đảm bảo tính chấp nhận được (HPF-DEG, HPF-DAG), điều kiện Slater cần được thỏa mãn, tức là "tồn tại một nghiệm thỏa mãn nghiêm ngặt các ràng buộc dạng bất đẳng thức" (Summary, trang xv).
  • Thời gian lấy mẫu: Đối với việc hội tụ của thuật toán phân tán Han, luận án giả định rằng "thời gian lấy mẫu được sử dụng đủ lớn để thuật toán có thể hội tụ trong một khoảng thời gian lấy mẫu" (trang 17).

Những điều kiện biên này giúp định rõ phạm vi ứng dụng và đảm bảo tính hợp lệ của các kết quả lý thuyết và thuật toán được trình bày.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Triết lý nghiên cứu của luận án này chủ yếu là chủ nghĩa thực chứng (positivism), tập trung vào việc phát triển các mô hình toán học, thuật toán, chứng minh tính đúng đắn và kiểm tra hiệu suất thông qua các thí nghiệm số. Mục tiêu là tạo ra "các công cụ thiết kế bộ điều khiển dự đoán dựa trên mô hình phân tán" (Summary, trang ix) với các đảm bảo có thể đo lường được về tính tối ưu, chấp nhận được và ổn định. Điều này thể hiện qua việc sử dụng chặt chẽ các công cụ toán học từ tối ưu hóa lồi, giải tích đối ngẫu và lý thuyết điều khiển để xây dựng và phân tích các thuật toán.

Luận án áp dụng một thiết kế đa phương pháp (mixed algorithms) theo nghĩa tích hợp nhiều loại thuật toán và kỹ thuật tối ưu hóa khác nhau trong khung DMPC. Ví dụ, nó kết hợp phương pháp gradient chiếu với một sơ đồ lấy trung bình để cung cấp các giới hạn cho sự vi phạm tính chấp nhận được và độ dưới tối ưu của hàm nguyên thủy trong thuật toán phân cấp (Summary, trang xiv). Đối với vòng lặp bên trong của các phương pháp phân cấp, nó đề xuất hai thuật toán khác nhau: một là "phương pháp đạo hàm liên hợp phân cấp" (hierarchical conjugate gradient method) và một là "giải thuật tối ưu hóa phân tán kiểu Jacobi" (distributed Jacobi optimization algorithm) (Summary, trang xv). Điều này thể hiện sự linh hoạt và nỗ lực để tìm ra các giải pháp hiệu quả cho các khía cạnh khác nhau của bài toán tối ưu DMPC.

Thiết kế nghiên cứu có cấu trúc đa cấp (multi-level design), đặc biệt rõ ràng trong phương pháp phân cấp hai vòng lặp được sử dụng để giải bài toán đối ngẫu Lagrange của bài toán tối ưu hóa lồi MPC tập trung (Summary, trang xiv). "Trong lớp vòng lặp bên ngoài, hàm số đối ngẫu được cực đại hóa bằng phương pháp chiếu dùng đạo hàm kết hợp với việc lấy bình quân". "Trong lớp vòng lặp bên trong, một thuật toán tối ưu hóa phân cấp được dùng để tạo ra một nghiệm chính xác hoặc gần đúng với độ chính xác tùy ý của bài toán cực tiểu hóa hàm Lagrangian" (Summary, trang xiv-xv). Thiết kế phân cấp này cho phép giải quyết hiệu quả các bài toán lớn bằng cách chia chúng thành các bài toán nhỏ hơn, có thể quản lý được.

Kích thước mẫu (sample size) và tiêu chí lựa chọn không được định nghĩa chung cho mọi hệ thống, nhưng đối với ứng dụng cụ thể, luận án sử dụng "một thung lũng thủy điện với mô hình phi tuyến" (Summary, trang xix), được mô hình hóa thành "một hệ thống kênh gồm 4 đoạn" (Chapter 5, trang 26, Hình 2.3). Tiêu chí lựa chọn hệ thống ứng dụng bao gồm: quy mô lớn, tính phức tạp, mô hình hóa được thành hệ thống tuyến tính (hoặc tuyến tính hóa), và có cấu trúc khớp nối thưa thớt, phù hợp với các giả định của thuật toán phân tán.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thực hiện với sự chặt chẽ cao, bắt đầu từ việc định hình bài toán điều khiển MPC tập trung thành một bài toán tối ưu bình phương lồi với hàm chi phí phân tách được và các ràng buộc tuyến tính, có tính chất khớp nối thưa thớt (sparse coupling).

Chiến lược lấy mẫu (sampling strategy) được xác định rõ ràng là "receding horizon fashion" cho MPC (trang 1). Ở mỗi bước lấy mẫu, một bài toán tối ưu hóa được giải quyết. Luận án đưa ra một giả định quan trọng về thời gian lấy mẫu: "thời gian lấy mẫu được sử dụng đủ lớn để thuật toán có thể hội tụ trong một khoảng thời gian lấy mẫu" (trang 17). Điều này là cần thiết để đảm bảo rằng giải pháp tối ưu (hoặc chấp nhận được) có thể được tính toán và áp dụng trong thời gian thực.

Giao thức thu thập dữ liệu (data collection protocols) được mô tả trong ngữ cảnh ứng dụng thung lũng thủy điện. Nó bao gồm "mô hình hóa phi tuyến, phương pháp giảm bậc mô hình và cách thiết lập lại bài toán tối ưu hóa MPC" (Summary, trang xix). Dữ liệu được tạo ra thông qua mô phỏng, cho phép kiểm soát chặt chẽ các điều kiện thí nghiệm và đảm bảo tính tái lập. Các công cụ và thuật toán được mô tả chi tiết, cho phép các nhà nghiên cứu khác hiểu và tái tạo kết quả.

Tam giác hóa (triangulation) được áp dụng ở nhiều cấp độ:

  • Tam giác hóa phương pháp: Luận án phát triển và so sánh nhiều thuật toán phân tán khác nhau (Han's, accelerated proximal gradient, HPF-DEG, HPF-DAG) và so sánh hiệu suất của chúng với bộ điều khiển tập trung. Sự đa dạng trong các cách tiếp cận này giúp tăng cường độ tin cậy của các phát hiện.
  • Tam giác hóa lý thuyết: Nghiên cứu tích hợp các lý thuyết từ nhiều lĩnh vực con khác nhau như lý thuyết điều khiển, tối ưu hóa lồi, giải tích đối ngẫu, và đại số tuyến tính để xây dựng khung phân tích và thuật toán.
  • Tam giác hóa dữ liệu (gián tiếp): Mặc dù dữ liệu là mô phỏng, nhưng việc kiểm tra các thuật toán trên cả các bài toán trừu tượng và một "ứng dụng trong điều khiển nhà máy thủy điện" (Summary, trang xix) giúp khẳng định tính vững chắc của kết quả.

Độ tin cậy (validity) và độ xác tín (reliability) của nghiên cứu được đảm bảo thông qua các chứng minh toán học nghiêm ngặt:

  • Độ tin cậy cấu trúc (construct validity): Chứng minh rằng thuật toán phân tán Han "tạo ra kết quả tương đồng với kết quả của phương pháp tập trung tương ứng" (Proposition 2.3, trang 21) đảm bảo rằng các biến phân tán thực sự đại diện cho các biến tập trung mà chúng được cho là đo lường.
  • Độ tin cậy nội bộ (internal validity): Các chứng minh về sự hội tụ của thuật toán (Proposition 2.5, trang 23) và đảm bảo tính chấp nhận được và ổn định của vòng kín (Proposition 2.6, trang 23) củng cố rằng các mối quan hệ nguyên nhân-kết quả được thiết lập giữa thuật toán và hiệu suất hệ thống là hợp lệ.
  • Độ tin cậy bên ngoài (external validity): Việc ứng dụng thành công các phương pháp DMPC vào "thung lũng thủy điện" (Summary, trang xix) cho thấy khả năng tổng quát hóa của các thuật toán cho các hệ thống công nghiệp quy mô lớn và phức tạp.

Các giá trị α (alpha values) cho độ tin cậy của đo lường không được báo cáo trực tiếp do bản chất lý thuyết và mô phỏng của nghiên cứu, nhưng các đảm bảo về tốc độ hội tụ và hiệu suất được định lượng thông qua các tuyên bố như "hội tụ nhanh hơn một bậc" (Summary, trang x) và "ít hơn hẳn thời gian tính toán của CPU" (Summary, trang xi).

Data và phân tích

Đặc điểm của dữ liệu mẫu trong nghiên cứu này chủ yếu liên quan đến ứng dụng trong điều khiển thung lũng thủy điện. Hệ thống được mô hình hóa là "một thung lũng thủy điện với mô hình phi tuyến" (Summary, trang xix), được chuyển đổi thành "hệ thống kênh gồm 4 đoạn" (Chapter 5, trang 26) để kiểm tra các thuật toán. Việc này đòi hỏi "mô hình hóa phi tuyến, xấp xỉ tuyến tính và giảm bậc mô hình" (Summary, trang xix), sau đó "thiết lập lại bài toán tối ưu hóa MPC sao cho bài toán tối ưu hóa thu được là phù hợp để áp dụng các thuật toán phân tán" (Summary, trang xix). Điều này cho thấy sự phức tạp của hệ thống ban đầu và quy trình tiền xử lý dữ liệu cẩn thận.

Các kỹ thuật phân tích dữ liệu và toán học tiên tiến được sử dụng rộng rãi, bao gồm:

  • Kỹ thuật phân rã đối ngẫu (Dual Decomposition Techniques): Là cốt lõi của phương pháp, dùng để chuyển bài toán MPC tập trung thành các bài toán đối ngẫu có thể giải phân tán.
  • Phương pháp song song của Han (Han’s Parallel Method): Một thuật toán gradient chiếu (projected gradient algorithm) được chứng minh có các bài toán con với "nghiệm dạng biểu thức" (analytical solutions) (Summary, trang x), làm cho các phép tính "vừa dễ và vừa có thể được triển khai với một thiết lập phân tán" (Summary, trang x).
  • Thuật toán gradient gần tăng tốc (Accelerated Proximal Gradient Algorithm): Được sử dụng để cải thiện tốc độ hội tụ so với phương pháp gradient gần kinh điển, được chứng minh là "hội tụ nhanh hơn một bậc" (Summary, trang x).
  • Phương pháp phân cấp hai vòng lặp (Two-layer Iterative Hierarchical Approach): Bao gồm việc tối ưu hóa hàm đối ngẫu bằng phương pháp gradient chiếu trong vòng lặp bên ngoài và sử dụng "phương pháp đạo hàm liên hợp phân cấp" (hierarchical conjugate gradient method) hoặc "giải thuật tối ưu hóa phân tán kiểu Jacobi" (distributed Jacobi optimization algorithm) trong vòng lặp bên trong (Summary, trang xiv-xv).
  • Kiểm tra tính vững chắc (Robustness Checks): Mặc dù không được gọi rõ ràng là "robustness checks" trong tóm tắt, việc "So sánh các sơ đồ MPC" (Chapter 5, trang 93) trong ứng dụng thung lũng thủy điện, nơi hiệu suất của bộ điều khiển phân tán được so sánh với bộ điều khiển tập trung, đóng vai trò là một hình thức kiểm tra hiệu suất và độ vững chắc của các thuật toán dưới các điều kiện khác nhau.

Các kết quả định lượng về hiệu suất được báo cáo, như việc thuật toán gradient gần tăng tốc "hội tụ nhanh hơn một bậc" (Summary, trang x) và quan trọng nhất là "thuật toán phân tán chỉ sử dụng thời gian tính toán của CPU ít hơn hẳn so với một chương trình giải tập trung" (Summary, trang xi) trong ứng dụng thung lũng thủy điện. Mặc dù các giá trị p-value hay khoảng tin cậy cụ thể không được nêu trong đoạn văn bản cung cấp, các tuyên bố này mang tính định lượng rõ ràng về hiệu suất tương đối và hiệu quả tính toán. Các phần mềm hoặc công cụ cụ thể không được đề cập trong bản tóm tắt, nhưng các kỹ thuật như giảm bậc mô hình và tối ưu hóa lồi thường được thực hiện bằng các công cụ toán học và lập trình tiêu chuẩn trong lĩnh vực kỹ thuật điều khiển.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã tạo ra bốn đến năm phát hiện then chốt, mỗi phát hiện đều được hỗ trợ bởi bằng chứng cụ thể từ dữ liệu hoặc chứng minh lý thuyết:

  1. Tính tương đương với tối ưu tập trung của phương pháp Han phân tán: Một trong những phát hiện nổi bật là khả năng của phương pháp Han phân tán trong việc "tạo ra kết quả tương đồng với kết quả của phương pháp tập trung tương ứng, và do vậy cũng hội tụ về nghiệm của bộ điều khiển MPC tập trung đối với mỗi bước lấy mẫu" (Summary, trang x). Điều này được chứng minh bằng Proposition 2.3 (trang 21), nơi khẳng định rằng các lặp của thuật toán phân tán Han (Algorithm 2.3) là giống hệt với các lặp của thuật toán Han tập trung (Algorithm 2.2), từ đó đảm bảo tính tối ưu tập trung mà không cần truyền thông toàn cầu.

  2. Tốc độ hội tụ vượt trội của thuật toán gradient gần tăng tốc phân tán: Luận án phát hiện rằng thuật toán gradient gần tăng tốc phân tán "hội tụ nhanh hơn một bậc so với thuật toán dùng gần-đạo hàm kinh điển" (Summary, trang x). Phát hiện này rất quan trọng vì nó giải quyết một hạn chế lớn của các phương pháp tối ưu hóa dựa trên gradient, vốn thường có tốc độ hội tụ chậm. Điều này có ý nghĩa thống kê về hiệu quả tính toán, cho phép DMPC hoạt động hiệu quả hơn trong các ứng dụng thời gian thực.

  3. Đảm bảo tính chấp nhận được và ổn định với các thuật toán phân cấp: Một phát hiện quan trọng khác là các thuật toán phân cấp được đề xuất (HPF-DEG và HPF-DAG), sử dụng phương pháp thắt chặt ràng buộc, có thể "tạo ra các nghiệm chấp nhận được của bài toán MPC ngay cả trong khi nghiệm của bài toán đối ngẫu chưa đạt điểm tối ưu, và đạt tính ổn định của hệ thống vòng kín" (Summary, trang xv). Phát hiện này giải quyết một vấn đề nan giải trong các phương pháp phân rã đối ngẫu truyền thống, nơi việc hội tụ không đồng nhất có thể dẫn đến các giải pháp không chấp nhận được, đặc biệt hữu ích cho các hệ thống an toàn-quan trọng.

  4. Hiệu suất tương đương với hiệu quả tính toán vượt trội trong ứng dụng thực tế: Trong ứng dụng thung lũng thủy điện, luận án chứng minh rằng "bộ điều khiển phân tán đạt được hiệu năng tốt tương đương với một bộ điều khiển tập trung, trong khi đó thuật toán phân tán chỉ sử dụng thời gian tính toán của CPU ít hơn hẳn so với một chương trình giải tập trung" (Summary, trang xi). Phát hiện này không chỉ xác nhận khả năng của DMPC trong việc đạt được mục tiêu điều khiển tối ưu mà còn định lượng được lợi ích đáng kể về tài nguyên tính toán, cho thấy sự khả thi của DMPC trong các hệ thống quy mô lớn.

  5. Phương pháp hệ thống để xử lý khớp nối trong hàm chi phí: Luận án đề xuất một "phương pháp có hệ thống để xử lý sự khớp nối xuất hiện trong hàm chi phí, dẫn đến một bài toán thưa thớt thuận lợi cho DMPC" (Contribution 4, trang 7). Đây là một phát hiện về phương pháp luận giúp đơn giản hóa việc thiết kế DMPC và mở rộng khả năng áp dụng của nó.

Các phát hiện này trực tiếp giải quyết các hạn chế đã được các nghiên cứu trước đây nêu ra, chẳng hạn như gánh nặng tính toán và truyền thông của MPC tập trung (Rawlings và Stewart, 2008). Trong khi Venkat et al. (2008) sử dụng thuật toán Jacobi trên bài toán nguyên thủy, các phương pháp phân rã đối ngẫu của luận án này mang lại các đảm bảo tối ưu mạnh mẽ hơn.

Implications đa chiều

Những phát hiện đột phá của luận án này mang lại những ý nghĩa sâu rộng và đa chiều:

  • Tiến bộ lý thuyết (Theoretical advances): Nghiên cứu mở rộng đáng kể các lý thuyết tối ưu hóa hiện có như phương pháp Han của Han và Lou (1988) và thuật toán gradient gần tăng tốc của Beck và Teboulle (2009) để phù hợp với khuôn khổ DMPC. Nó làm sâu sắc thêm sự hiểu biết về phân rã đối ngẫu trong điều khiển, đặc biệt là cách để đạt được tính tối ưu tập trung với các hoạt động phân tán. Việc phát triển các phương pháp đảm bảo tính chấp nhận được của nguyên thủy và ổn định vòng kín (như HPF-DEG, HPF-DAG) ngay cả khi hội tụ đối ngẫu chưa hoàn tất là một đóng góp quan trọng cho lý thuyết điều khiển mạnh mẽ.

  • Đổi mới phương pháp luận (Methodological innovations): Khung làm việc tổng thể để thiết kế DMPC dựa trên tối ưu hóa phân tán được trình bày là một sự đổi mới về phương pháp luận, cung cấp "một cách có hệ thống để định nghĩa các hệ con và các bài toán con" (trang 6). Điều này có thể áp dụng rộng rãi cho các hệ thống quy mô lớn khác có cấu trúc khớp nối thưa thớt. Việc đưa ra các khái niệm như "ảnh tự thân" và "ảnh lân cận" là các công cụ phương pháp luận mới giúp chứng minh sự tương đương giữa các thuật toán phân tán và tập trung, từ đó mở đường cho việc phát triển các thuật toán phân tán khác với các đảm bảo tương tự.

  • Ứng dụng thực tiễn (Practical applications): Các khuyến nghị cụ thể cho ứng dụng thực tiễn bao gồm triển khai các bộ điều khiển DMPC trong "các quy trình sản xuất hoặc cơ sở hạ tầng phức tạp" (trang 1) và "điều khiển sản xuất thủy điện" (Summary, trang x). Luận án cho thấy DMPC có thể mang lại hiệu suất điều khiển tương đương với MPC tập trung nhưng với yêu cầu tính toán và truyền thông thấp hơn đáng kể, làm cho nó trở thành một lựa chọn khả thi cho các hệ thống quy mô công nghiệp lớn. Ví dụ, trong điều khiển thung lũng thủy điện, các bộ điều khiển DMPC có thể tối ưu hóa dòng chảy và sản lượng điện một cách hiệu quả hơn, nâng cao hiệu quả vận hành và an toàn.

  • Khuyến nghị chính sách (Policy recommendations): Các kết quả của luận án có thể cung cấp bằng chứng cho các nhà hoạch định chính sách về tính khả thi của việc sử dụng các hệ thống điều khiển phân tán để quản lý hiệu quả các cơ sở hạ tầng quan trọng quốc gia, như mạng lưới điện, hệ thống cấp nước hoặc giao thông. Điều này có thể dẫn đến các chính sách khuyến khích nghiên cứu và triển khai các giải pháp điều khiển phân tán để cải thiện tính bền vững, an toàn và hiệu quả của các dịch vụ công.

  • Điều kiện tổng quát hóa (Generalizability conditions): Các phương pháp được phát triển chủ yếu áp dụng cho "các hệ thống tuyến tính rời rạc" với "hàm chi phí bình phương lồi và các ràng buộc tuyến tính" (trang 3) có "cấu trúc khớp nối thưa thớt" (Summary, trang ix). Những điều kiện này xác định rõ ràng các ngữ cảnh mà các thuật toán của luận án có thể được áp dụng trực tiếp. Khả năng tổng quát hóa cũng được củng cố bởi sự thành công trong việc áp dụng cho một hệ thống "thung lũng thủy điện" (Summary, trang x) vốn có tính chất phi tuyến nhưng có thể được tuyến tính hóa và giảm bậc mô hình.

Limitations và Future Research

Mặc dù đã đạt được những đóng góp đáng kể, luận án cũng thẳng thắn thừa nhận một số hạn chế cụ thể, làm cơ sở cho các hướng nghiên cứu trong tương lai:

  1. Tốc độ hội tụ chậm của phương pháp Han truyền thống: "Một nhược điểm của phương pháp Han (và phiên bản phân tán của nó) là tốc độ hội tụ chậm" (trang 23), điều này xuất phát từ bản chất của nó là một phương pháp chiếu. Mặc dù phiên bản tăng tốc đã được đề xuất để cải thiện, việc tối ưu hóa hơn nữa tốc độ hội tụ vẫn là một thách thức liên tục.

  2. Hạn chế của việc khởi tạo nóng (warm starting) trong phương pháp Han: Phương pháp Han kinh điển "ngăn cản việc khởi tạo nóng thuật toán bằng cách chọn một giá trị khởi tạo gần với nghiệm tối ưu" (trang 23) do yêu cầu về giá trị khởi tạo bằng 0 cho các biến đối ngẫu. Điều này có thể làm tăng số lần lặp cần thiết để hội tụ khi bắt đầu một bước MPC mới.

  3. Yêu cầu điều kiện Slater cho các phương pháp phân cấp: Các thuật toán phân cấp đảm bảo tính chấp nhận được (HPF-DEG, HPF-DAG) đòi hỏi "điều kiện Slater phải được thỏa mãn" (Summary, trang xv). Điều kiện này có thể không luôn được đáp ứng trong tất cả các bài toán MPC, giới hạn phạm vi áp dụng trực tiếp của các phương pháp này.

  4. Giả định về thời gian lấy mẫu: Luận án giả định "thời gian lấy mẫu được sử dụng đủ lớn để thuật toán có thể hội tụ trong một khoảng thời gian lấy mẫu" (trang 17). Đây là một giả định hạn chế, đặc biệt đối với các hệ thống động học nhanh hoặc khi có yêu cầu cao về thời gian thực, nơi hội tụ nhanh là cực kỳ quan trọng.

Các điều kiện biên của nghiên cứu cũng là một giới hạn, bao gồm việc tập trung vào "các hệ thống tuyến tính rời rạc" (Summary, trang ix) và "các bài toán tối ưu bình phương lồi" (Summary, trang xvii). Việc tổng quát hóa các phương pháp này cho các hệ thống phi tuyến mạnh, bất định hoặc thay đổi theo thời gian đòi hỏi những nghiên cứu sâu hơn.

Từ những hạn chế này, luận án đề xuất một chương trình nghiên cứu tương lai với các hướng cụ thể sau (Chapter 6):

  1. Cải tiến hơn nữa thiết kế MPC phân tán: Nghiên cứu trong tương lai có thể tập trung vào việc mở rộng các thuật toán để xử lý các bài toán MPC phân tán với các hàm chi phí phi lồi, các ràng buộc phi tuyến, hoặc sự bất định trong mô hình hệ thống.
  2. Hướng tới triển khai DMPC trong thực tế: Các thách thức trong thế giới thực như độ trễ truyền thông, lỗi mạng, hoạt động không đồng bộ, và yêu cầu tính toán hạn chế của phần cứng cần được giải quyết. Việc phát triển các thuật toán DMPC mạnh mẽ và chịu lỗi là rất quan trọng cho các ứng dụng công nghiệp.
  3. Các chủ đề liên quan trong DMPC: Nghiên cứu có thể mở rộng sang các lĩnh vực như bảo mật hệ thống điều khiển phân tán, bảo vệ quyền riêng tư dữ liệu, hoặc tích hợp các khả năng tự sửa chữa và chịu lỗi vào kiến trúc DMPC.
  4. Cải thiện tốc độ hội tụ và giảm độ phức tạp tính toán: Cần tiếp tục khám phá các kỹ thuật mới để tăng tốc hội tụ của các thuật toán phân rã đối ngẫu, đặc biệt là khi kích thước bài toán trở nên rất lớn.
  5. Nới lỏng các giả định về thời gian lấy mẫu và điều kiện Slater: Phát triển các thuật toán DMPC mà không yêu cầu thời gian lấy mẫu đủ lớn cho hội tụ hoàn toàn hoặc không cần điều kiện Slater chặt chẽ, sẽ mở rộng đáng kể khả năng ứng dụng.

Những hướng nghiên cứu này không chỉ là những cải tiến về mặt phương pháp luận mà còn mở ra những con đường mới để DMPC trở thành một giải pháp điều khiển phổ biến và mạnh mẽ hơn cho các hệ thống phức tạp trong tương lai.

Tác động và ảnh hưởng

Luận án này mang lại những tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực, từ học thuật đến công nghiệp và chính sách.

Tác động học thuật: Luận án được kỳ vọng sẽ có tác động học thuật đáng kể, thể hiện qua tiềm năng ước tính về số lượng trích dẫn (citations estimate) trong các lĩnh vực điều khiển tự động, tối ưu hóa và kỹ thuật hệ thống. Bằng cách cung cấp "các công cụ thiết kế bộ điều khiển dự đoán dựa trên mô hình phân tán" (Summary, trang ix) với các đảm bảo toán học chặt chẽ về tính tối ưu, chấp nhận được và ổn định, nghiên cứu này làm sâu sắc thêm nền tảng lý thuyết của DMPC. Nó mở ra các con đường mới cho nghiên cứu lý thuyết trong việc mở rộng các phương pháp này cho các hệ thống phức tạp hơn (phi tuyến, bất định) và trong việc giải quyết các thách thức triển khai thực tế như độ trễ truyền thông và hoạt động không đồng bộ. Các đóng góp về việc thích nghi phương pháp Han và thuật toán gradient gần tăng tốc vào khuôn khổ phân tán, cùng với việc phát triển các thuật toán phân cấp đảm bảo tính chấp nhận được, là những tiến bộ quan trọng được các nhà nghiên cứu trong cộng đồng điều khiển và tối ưu hóa quan tâm.

Chuyển đổi công nghiệp: Các phương pháp DMPC được phát triển trong luận án có khả năng tạo ra sự chuyển đổi đáng kể trong các ngành công nghiệp vận hành các "hệ thống lớn và phức tạp" (Summary, trang xi), ví dụ như "sản xuất phức tạp hoặc các quy trình cơ sở hạ tầng" (trang 1). Cụ thể, trong "điều khiển sản xuất thủy điện" (Summary, trang x), luận án đã chứng minh rằng bộ điều khiển phân tán đạt "hiệu năng tốt tương đương với một bộ điều khiển tập trung, trong khi đó thuật toán phân tán chỉ sử dụng thời gian tính toán của CPU ít hơn hẳn so với một chương trình giải tập trung" (Summary, trang xi). Điều này ngụ ý giảm đáng kể chi phí vận hành thông qua việc sử dụng tài nguyên tính toán hiệu quả hơn, cải thiện tính linh hoạt và khả năng phục hồi của hệ thống trước các thay đổi hoặc sự cố cục bộ (thay vì phụ thuộc vào một bộ điều khiển trung tâm duy nhất, dễ bị lỗi). Các lĩnh vực khác có thể được hưởng lợi bao gồm lưới điện thông minh, hệ thống giao thông, quản lý chuỗi cung ứng và điều khiển robot hợp tác.

Ảnh hưởng chính sách: Những kết quả từ luận án có thể tác động đến các chính sách liên quan đến quản lý cơ sở hạ tầng quan trọng. Bằng cách cung cấp các giải pháp điều khiển mạnh mẽ, có khả năng mở rộng và hiệu quả về mặt tính toán, luận án cung cấp bằng chứng để các nhà hoạch định chính sách xem xét và khuyến khích việc áp dụng các công nghệ điều khiển phân tán. Điều này có thể dẫn đến việc tạo ra các khuôn khổ pháp lý và tiêu chuẩn kỹ thuật mới để hỗ trợ triển khai DMPC, đặc biệt trong các lĩnh vực mà an ninh năng lượng, quản lý tài nguyên nước và hiệu quả vận hành là ưu tiên hàng đầu. Lộ trình triển khai chính sách có thể bao gồm các khoản đầu tư vào nghiên cứu và phát triển DMPC, chương trình thí điểm và hướng dẫn về an toàn mạng lưới cho các hệ thống điều khiển phân tán.

Lợi ích xã hội: Những lợi ích xã hội từ nghiên cứu này có thể được định lượng và cảm nhận rõ ràng. Việc triển khai các bộ điều khiển DMPC có thể dẫn đến việc sử dụng tài nguyên hiệu quả hơn (ví dụ: tối ưu hóa việc phân phối nước trong các kênh thủy lợi, giảm lãng phí nước), tăng cường an toàn vận hành (ví dụ: khả năng phản ứng nhanh hơn của hệ thống điều khiển trước các nhiễu động cục bộ, giảm thiểu nguy cơ lỗi hệ thống tổng thể) và giảm tác động môi trường thông qua việc tối ưu hóa hiệu suất của các hệ thống công nghiệp. Khả năng mở rộng và khả năng phục hồi của các hệ thống điều khiển được cải thiện góp phần vào sự ổn định và đáng tin cậy của các dịch vụ thiết yếu, mang lại lợi ích trực tiếp cho cộng đồng.

Liên quan quốc tế: Nghiên cứu có liên quan quốc tế sâu rộng vì các "hệ thống lớn và phức tạp" (trang 1) là một thách thức toàn cầu. Luận án được hỗ trợ bởi dự án STREP của Liên minh Châu Âu Framework thứ Bảy "Hierarchical and Distributed Model Predictive Control (HD-MPC)", với số hợp đồng INFSO-ICT-223854, điều này khẳng định tính phù hợp và tầm quan trọng của nó trên phạm vi quốc tế. Các giải pháp được phát triển có thể được áp dụng và điều chỉnh cho các hệ thống cơ sở hạ tầng tương tự ở các quốc gia khác nhau, thúc đẩy sự hợp tác và trao đổi kiến thức quốc tế trong lĩnh vực điều khiển và tối ưu hóa.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích thiết thực cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và chính sách, với những đóng góp cụ thể và định lượng:

  • Nghiên cứu sinh (Doctoral researchers): Cung cấp một nền tảng vững chắc và chi tiết về các phương pháp thiết kế DMPC dựa trên tối ưu hóa phân tán. Luận án xác định "các vấn đề mở của DMPC" (trang 2) và trình bày "các khuyến nghị cho nghiên cứu tương lai" (Chapter 6, trang 99), mở ra nhiều hướng nghiên cứu mới cho các nghiên cứu sinh. Các phương pháp luận chi tiết và chứng minh toán học nghiêm ngặt trong luận án đóng vai trò như một tài liệu tham khảo và nguồn cảm hứng quan trọng để phát triển các thuật toán điều khiển phân tán tiên tiến hơn.

  • Các nhà khoa học cấp cao (Senior academics): Luận án nâng cao hiện trạng của lý thuyết điều khiển và tối ưu hóa phân tán. Nó mở rộng các lý thuyết đã được thiết lập như phương pháp song song của Han (Han and Lou, 1988) và thuật toán gradient gần tăng tốc (Beck and Teboulle, 2009) sang bối cảnh DMPC, cung cấp các cách tiếp cận phân tích mới để chứng minh tính tối ưu tập trung và tốc độ hội tụ vượt trội trong môi trường phân tán. Những đóng góp lý thuyết này giúp làm giàu cơ sở tri thức hiện có và kích thích các cuộc thảo luận khoa học sâu sắc.

  • Bộ phận R&D công nghiệp (Industry R&D): Cung cấp các "ứng dụng thực tiễn với các khuyến nghị cụ thể" (Implications, trang 47). Đặc biệt, luận án giải quyết vấn đề "gánh nặng tính toán cao" và "cơ chế truyền thông toàn cầu" (Summary, trang ix) của MPC tập trung, vốn là những rào cản lớn đối với việc triển khai công nghiệp. Trong ứng dụng thung lũng thủy điện, bộ điều khiển phân tán đạt "hiệu năng tốt tương đương với một bộ điều khiển tập trung, trong khi đó thuật toán phân tán chỉ sử dụng thời gian tính toán của CPU ít hơn hẳn so với một chương trình giải tập trung" (Summary, trang xi). Điều này định lượng được lợi ích rõ ràng về hiệu quả tính toán, là một động lực mạnh mẽ cho các nhóm R&D công nghiệp áp dụng các giải pháp DMPC trong các lĩnh vực như nhà máy điện, sản xuất hóa chất, hệ thống logistics và các mạng lưới cơ sở hạ tầng phức tạp khác.

  • Các nhà hoạch định chính sách (Policy makers): Luận án cung cấp "các khuyến nghị chính sách với lộ trình triển khai" (Implications, trang 47) dựa trên bằng chứng khoa học vững chắc. Bằng cách chứng minh tính khả thi và hiệu quả của DMPC cho các hệ thống quy mô lớn, nghiên cứu hỗ trợ việc đưa ra các quyết định chính sách sáng suốt nhằm tối ưu hóa việc quản lý tài nguyên, tăng cường tính bền vững và khả năng phục hồi của cơ sở hạ tầng quốc gia. Lợi ích định lượng về hiệu quả vận hành có thể được sử dụng để biện minh cho các khoản đầu tư vào công nghệ điều khiển tiên tiến.

Các lợi ích có thể được định lượng bao gồm: giảm đáng kể "thời gian tính toán của CPU" (Summary, trang xi) so với các giải pháp tập trung, tăng cường khả năng phục hồi của hệ thống bằng cách phân tán quyền kiểm soát, và tiềm năng tối ưu hóa việc sử dụng tài nguyên thông qua các chiến lược điều khiển hiệu quả hơn.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo nhất là sự chứng minh tính tương đương của phương pháp Han phân tán được đề xuất với phương pháp Han tập trung tương ứng, đảm bảo rằng tính tối ưu tập trung vẫn được duy trì trong một cài đặt phân tán. Điều này mở rộng phương pháp song song của Han (Han and Lou, 1988) bằng cách chuyển đổi nó thành một thuật toán thực sự phân tán với truyền thông cục bộ. Thay vì yêu cầu cập nhật biến toàn cục $\mathbf{x}^{(p)}$ (Algorithm 2.2, trang 14), luận án đã phát triển một phương pháp cập nhật cục bộ cho từng hệ con sử dụng các khái niệm "ảnh tự thân" ($\mathbf{x}^{(p)}|i$) và "ảnh lân cận" ($\mathbf{x}^{(p)}|{\mathcal{N}_i}$) (Định nghĩa 2.2 và 2.3, trang 18). Proposition 2.3 (trang 21) cung cấp bằng chứng nghiêm ngặt rằng "$\mathbf{\gamma}l^{(p)}$ là như nhau trong Thuật toán 2.2 và 2.3" và "$\mathbf{x}^{(p)} = \sum{i=1}^M \mathbf{x}^{(p)}|_i$", từ đó khẳng định rằng thuật toán phân tán đạt được cùng một giải pháp tối ưu tập trung, một thành tựu quan trọng trong tối ưu hóa phân tán.

  2. Đổi mới phương pháp luận (compare với 2+ prior studies) Luận án đã đạt được một số đổi mới phương pháp luận then chốt. Thứ nhất, cách tiếp cận có hệ thống để chuyển đổi bài toán MPC tập trung thành các thuật toán phân tán hoặc phân cấp bằng cách sử dụng phân rã đối ngẫu là một sự đổi mới. So với Venkat et al. (2008), những người đã phát triển một sơ đồ DMPC dựa trên thuật toán Jacobi xử lý bài toán nguyên thủy bằng cách sử dụng một tổ hợp lồi của các giải pháp mới và cũ, luận án này chủ yếu tập trung vào phân rã đối ngẫu để giải bài toán đối ngẫu. Cách tiếp cận đối ngẫu này tự nhiên hơn trong việc xử lý các ràng buộc khớp nối và cung cấp các đảm bảo lý thuyết mạnh mẽ hơn về tính tối ưu, như được thấy trong phương pháp Han phân tán. Thứ hai, trong khi Richards và How (2007) đề xuất một phương pháp DMPC mạnh mẽ dựa trên việc thắt chặt ràng buộc để xử lý nhiễu trong các hệ thống không khớp nối với các ràng buộc khớp nối, luận án này áp dụng phương pháp thắt chặt ràng buộc trong khuôn khổ phân rã đối ngẫu phân cấp (HPF-DEG và HPF-DAG) cho các hệ thống khớp nối tổng quát hơn. Điều này cho phép "bộ điều khiển có thể tạo ra các nghiệm chấp nhận được của bài toán MPC ngay cả trong khi nghiệm của bài toán đối ngẫu chưa đạt điểm tối ưu, và đạt tính ổn định của hệ thống vòng kín" (Summary, trang xv), một khả năng thiết yếu cho các ứng dụng thời gian thực trong điều kiện hội tụ đối ngẫu chưa hoàn tất. Cuối cùng, việc đưa ra và sử dụng các khái niệm "ảnh tự thân" và "ảnh lân cận" (Định nghĩa 2.2 và 2.3, trang 18) cùng với chứng minh tính tương đương của Thuật toán 2.3 với Thuật toán 2.2 là một đổi mới phương pháp luận cho phép thiết kế các thuật toán phân tán có thể chứng minh được tính tối ưu tập trung.

  3. Phát hiện đáng ngạc nhiên nhất (với data support) Phát hiện đáng ngạc nhiên nhất và có tác động lớn nhất là khả năng của bộ điều khiển phân tán trong ứng dụng thung lũng thủy điện. Luận án chứng minh rằng "bộ điều khiển phân tán đạt được hiệu năng tốt tương đương với một bộ điều khiển tập trung, trong khi đó thuật toán phân tán chỉ sử dụng thời gian tính toán của CPU ít hơn hẳn so với một chương trình giải tập trung" (Summary, trang xi). Điều này đáng ngạc nhiên vì thường có một sự đánh đổi giữa hiệu suất của bộ điều khiển phân tán và bộ điều khiển tập trung do yêu cầu về truyền thông hạn chế và tính toán cục bộ. Tuy nhiên, nghiên cứu này đã chứng minh bằng chứng thực nghiệm rằng DMPC không chỉ là một giải pháp thay thế mà có thể đạt được hiệu suất điều khiển tối ưu tập trung đồng thời giảm đáng kể gánh nặng tính toán, làm cho nó trở nên thực tế hơn nhiều cho các hệ thống quy mô lớn.

  4. Giao thức tái lập (Replication protocol) được cung cấp? Luận án cung cấp một giao thức tái lập mạnh mẽ thông qua việc trình bày chi tiết các thuật toán, các chứng minh toán học, và một ví dụ ứng dụng cụ thể. Các thuật toán chính như phương pháp song song của Han (Algorithm 2.1, trang 11), thuật toán Han đơn giản hóa (Algorithm 2.2, trang 14), thuật toán phân tán của Han (Algorithm 2.3, trang 19-20) và thuật toán phân tán cải tiến (Algorithm 2.7, trang 25) được mô tả chi tiết từng bước. Các công thức toán học cho các bài toán tối ưu (ví dụ: Problem P, Eq. 1.14, trang 5) và các biến cập nhật được cung cấp đầy đủ. Đối với ứng dụng thung lũng thủy điện (Chapter 5), luận án mô tả "mô hình hóa phi tuyến, xấp xỉ tuyến tính và giảm bậc mô hình" (Summary, trang xix) của một hệ thống kênh 4 đoạn (Figure 2.3, trang 27), cho phép các nhà nghiên cứu tái tạo mô hình và môi trường thử nghiệm. Mặc dù không cung cấp mã nguồn trực tiếp, mức độ chi tiết về lý thuyết và phương pháp luận là đủ để các nhà nghiên cứu có chuyên môn trong lĩnh vực có thể tái lập các kết quả.

  5. Chương trình nghiên cứu 10 năm được phác thảo? Mặc dù không được gọi rõ ràng là "chương trình nghiên cứu 10 năm," Chương 6 của luận án, "Kết luận và khuyến nghị cho nghiên cứu tương lai" (trang 99), phác thảo một chương trình nghiên cứu dài hạn đáng kể với các hướng cụ thể. Các khuyến nghị này bao gồm "Cải tiến hơn nữa thiết kế MPC phân tán" (xử lý phi tuyến tính, sự bất định), "Hướng tới triển khai DMPC trong thực tế" (giải quyết độ trễ truyền thông, tính không đồng bộ, lỗi mạng) và "Các chủ đề liên quan trong DMPC" (bảo mật, quyền riêng tư, khả năng chịu lỗi). Những hướng này đại diện cho các lĩnh vực nghiên cứu chuyên sâu có thể kéo dài trong nhiều năm, định hình sự phát triển của DMPC và tối ưu hóa phân tán trong thập kỷ tới.

Kết luận

Luận án này đã tạo ra một dấu ấn đáng kể trong lĩnh vực điều khiển dự đoán dựa trên mô hình phân tán, giải quyết các thách thức then chốt đối với việc điều khiển các hệ thống quy mô lớn và phức tạp. Những đóng góp cụ thể của nó có thể được tóm tắt như sau:

  1. Phát triển phương pháp Han phân tán với tính tối ưu tập trung: Đã phát triển một phương pháp tối ưu hóa phân tán dựa trên phương pháp Han's, được chứng minh là tạo ra "kết quả tương đồng với kết quả của phương pháp tập trung tương ứng" và hội tụ về giải pháp MPC tập trung ở mỗi bước lấy mẫu (Summary, trang x; Proposition 2.3, trang 21).
  2. Cải thiện hiệu quả tính toán với thuật toán gradient gần tăng tốc phân tán: Đã giới thiệu một phiên bản phân tán của thuật toán gradient gần tăng tốc, vốn "hội tụ nhanh hơn một bậc so với thuật toán dùng gần-đạo hàm kinh điển" (Summary, trang x), mang lại hiệu quả tính toán đáng kể cho các bài toán DMPC.
  3. Đảm bảo tính chấp nhận được và ổn định thông qua phương pháp phân cấp: Đã đề xuất hai thuật toán phân cấp (HPF-DEG và HPF-DAG) sử dụng phương pháp thắt chặt ràng buộc, có khả năng "tạo ra các nghiệm chấp nhận được của bài toán MPC ngay cả trong khi nghiệm của bài toán đối ngẫu chưa đạt điểm tối ưu, và đạt tính ổn định của hệ thống vòng kín" (Summary, trang xv).
  4. Demonstrated hiệu quả vượt trội trong ứng dụng thực tế: Thông qua ứng dụng vào điều khiển thung lũng thủy điện, luận án đã chứng minh rằng bộ điều khiển phân tán đạt "hiệu năng tốt tương đương với một bộ điều khiển tập trung, trong khi đó thuật toán phân tán chỉ sử dụng thời gian tính toán của CPU ít hơn hẳn so với một chương trình giải tập trung" (Summary, trang xi).
  5. Thiết lập khung phân tích có hệ thống cho DMPC: Đã cung cấp một cách tiếp cận có hệ thống để định nghĩa các hệ con và các bài toán con trong DMPC, sử dụng các khái niệm "ảnh tự thân" và "ảnh lân cận" để đơn giản hóa việc triển khai (Định nghĩa 2.2 và 2.3, trang 18).
  6. Xử lý bài toán với hàm chi phí hỗn hợp chuẩn 1 và chuẩn 2: Đã chỉ ra cách sử dụng hàm chỉ thị tập hợp để xử lý các bài toán với hàm chi phí trộn lẫn các chuẩn bậc nhất và bậc hai bằng cách xây dựng hàm số đối ngẫu khả vi (Summary, trang x).

Những đóng góp này thúc đẩy một sự tiến bộ mô hình (paradigm advancement) trong điều khiển học, chuyển dịch trọng tâm từ các giải pháp tập trung bị hạn chế về khả năng mở rộng và bền vững sang một khuôn khổ phân tán, hiệu quả và đáng tin cậy. Bằng chứng từ việc giảm thời gian CPU và duy trì hiệu suất điều khiển tối ưu tập trung là minh chứng rõ ràng cho tiềm năng của DMPC.

Luận án này mở ra ít nhất 3 luồng nghiên cứu mới chính:

  1. Cải tiến thuật toán DMPC: Tiếp tục phát triển các thuật toán để xử lý các bài toán phi tuyến tính mạnh, các hệ thống có sự bất định đáng kể và tính chất thay đổi theo thời gian, vượt ra ngoài các giả định về hệ thống tuyến tính rời rạc và bài toán lồi hiện tại.
  2. Triển khai DMPC trong môi trường thực tế: Nghiên cứu sâu hơn về cách các thuật toán DMPC hoạt động trong sự hiện diện của độ trễ truyền thông, lỗi mạng, hoạt động không đồng bộ và các hạn chế về tài nguyên tính toán của phần cứng, tiến tới các giải pháp DMPC mạnh mẽ và chịu lỗi trong thế giới thực.
  3. Mở rộng các chủ đề liên quan: Khám phá các khía cạnh về bảo mật, quyền riêng tư dữ liệu và khả năng chịu lỗi trong các kiến trúc điều khiển phân tán, ngày càng trở nên quan trọng khi các hệ thống này được tích hợp vào cơ sở hạ tầng trọng yếu.

Luận án có liên quan toàn cầu đáng kể, vì các thách thức mà nó giải quyết (kiểm soát các hệ thống phức tạp, quy mô lớn) là phổ biến trên toàn thế giới. Sự hỗ trợ từ dự án HD-MPC của Liên minh Châu Âu càng khẳng định tính phù hợp quốc tế của nó. Di sản của nghiên cứu này có thể được đo lường bằng các kết quả cụ thể như giảm đáng kể thời gian tính toán CPU, tăng cường khả năng phục hồi của hệ thống, và khả năng đảm bảo tính ổn định và chấp nhận được của vòng kín, đặt nền móng cho thế hệ tiếp theo của các hệ thống điều khiển thông minh và phân tán trên toàn cầu.