I. Khám phá điều khiển tối ưu cho phương trình sai phân suy biến
Lĩnh vực nghiên cứu phương trình sai phân ẩn và phương trình vi phân đại số đang nhận được sự quan tâm lớn từ cộng đồng khoa học trong và ngoài nước. Nguyên nhân xuất phát từ nhu cầu giải quyết các bài toán thực tiễn phức tạp, chẳng hạn như mô hình hóa hệ thống điện, động lực học dân số, và đặc biệt là các mô hình kinh tế. Các hệ thống này thường được mô tả bởi phương trình sai phân suy biến, một dạng phương trình đặc biệt nảy sinh từ việc rời rạc hóa các phương trình vi phân đại số. Ví dụ, phương pháp Euler hiển áp dụng cho phương trình vi phân đại số chỉ số 1 sẽ cho ra một phương trình sai phân tuyến tính ẩn chỉ số 1. Bài viết này sẽ tập trung phân tích sâu về bài toán điều khiển tối ưu cho phương trình sai phân suy biến, đặc biệt là dạng tuyến tính-toàn phương. Mục tiêu là tìm ra một vectơ điều khiển tối ưu nhằm cực tiểu hóa một hàm mục tiêu cho trước, đồng thời thỏa mãn các ràng buộc của hệ thống. Các phương pháp tiếp cận chính bao gồm việc sử dụng phương trình Hamilton, phương trình Riccati, và các phép biến đổi ma trận hiệu quả như khai triển giá trị kỳ dị (SVD) và biến đổi Kronecker-Weierstrass.
1.1. Định nghĩa và vai trò của phương trình sai phân ẩn
Một phương trình sai phân ẩn là một phương trình mô tả mối quan hệ giữa các trạng thái của một hệ thống tại các thời điểm rời rạc, có dạng tổng quát là En xn+1 = An xn + qn. Điểm đặc trưng của loại phương trình này là ma trận En có thể là ma trận suy biến, tức là không khả nghịch (det(En) = 0). Điều này làm cho việc tìm nghiệm trở nên phức tạp hơn so với phương trình sai phân thường, nơi En là ma trận đơn vị. Các phương trình này đóng vai trò quan trọng trong việc mô hình hóa các hệ thống vật lý và kinh tế nơi tồn tại các ràng buộc đại số bên cạnh các quy luật động lực học. Chẳng hạn, trong kỹ thuật điện, các định luật Kirchhoff tạo ra các ràng buộc đại số, dẫn đến mô hình hệ thống dưới dạng phương trình vi phân-đại số, và khi rời rạc hóa, ta thu được một phương trình sai phân suy biến. Việc hiểu rõ cấu trúc và tính chất của chúng là nền tảng để xây dựng các thuật toán điều khiển hiệu quả.
1.2. Tầm quan trọng của bài toán điều khiển tối ưu
Bài toán điều khiển tối ưu là một trong những vấn đề cốt lõi của lý thuyết điều khiển tự động và toán học ứng dụng. Mục tiêu chính là tìm ra một chiến lược điều khiển (một chuỗi các tín hiệu đầu vào) để một hệ thống động lực có thể đạt được một mục tiêu cụ thể theo cách tốt nhất có thể. 'Tốt nhất' ở đây thường được định nghĩa thông qua việc cực tiểu hóa hoặc cực đại hóa một hàm mục tiêu (cost function or objective function). Trong bối cảnh của phương trình sai phân suy biến, bài toán này trở nên đặc biệt quan trọng. Nó cho phép chúng ta tìm ra cách vận hành tối ưu cho các hệ thống phức tạp, ví dụ như tối đa hóa lợi nhuận trong một mô hình kinh tế hoặc tối thiểu hóa năng lượng tiêu thụ trong một hệ thống cơ điện. Việc giải quyết thành công bài toán này không chỉ mang lại lợi ích về mặt kinh tế mà còn giúp cải thiện hiệu suất và độ ổn định của hệ thống.
1.3. Các khái niệm cốt lõi chỉ số 1 và tính suy biến
Hai khái niệm trung tâm trong nghiên cứu này là 'tính suy biến' và 'chỉ số 1'. Tính suy biến (degeneracy) đề cập đến việc ma trận En trong phương trình En xn+1 = An xn + qn là một ma trận suy biến (singular matrix), tức là hạng của nó nhỏ hơn số chiều của không gian trạng thái. Điều này ngụ ý rằng không phải tất cả các thành phần của vectơ trạng thái xn+1 đều có thể được xác định một cách duy nhất từ xn. Khái niệm 'chỉ số' (index) của một phương trình vi phân-đại số hoặc sai phân ẩn là một thước đo mức độ phức tạp của hệ thống. Một phương trình được gọi là có chỉ số 1 nếu nó thỏa mãn một số điều kiện kỹ thuật nhất định liên quan đến không gian nhân (kernel) và không gian ảnh (image) của các ma trận hệ thống. Các hệ chỉ số 1 là lớp hệ phương trình suy biến đơn giản nhất và có thể được phân tích hiệu quả bằng các công cụ toán học như phép biến đổi Kronecker-Weierstrass, giúp tách phương trình thành một phần sai phân thường và một phần đại số thuần túy.
II. Cách nhận diện thách thức trong điều khiển tối ưu hệ suy biến
Việc giải quyết bài toán điều khiển tối ưu cho phương trình sai phân suy biến đối mặt với nhiều thách thức đặc thù không xuất hiện trong các hệ sai phân thông thường. Thách thức lớn nhất đến từ chính bản chất suy biến của ma trận hệ thống En. Khi En không khả nghịch, các phương pháp giải tiêu chuẩn dựa trên việc nghịch đảo ma trận này sẽ không thể áp dụng trực tiếp. Điều này đòi hỏi phải phát triển các kỹ thuật giải tích và số học mới, chẳng hạn như sử dụng nghịch đảo suy rộng Moore-Penrose hoặc các phép phân rã ma trận chuyên biệt. Một khó khăn khác là việc xác định điều kiện ban đầu. Đối với phương trình sai phân ẩn, không phải mọi vectơ trạng thái ban đầu x₀ đều dẫn đến một nghiệm tồn tại. Thay vào đó, điều kiện ban đầu phải thỏa mãn một ràng buộc nhất quán, thường có dạng P−1 (x0 − x̄0 ) = 0, trong đó P−1 là một toán tử chiếu. Sự phức tạp này lan sang cả việc xây dựng và giải các phương trình điều kiện cần cho tối ưu, như phương trình Euler-Lagrange rời rạc hay hệ phương trình Hamilton.
2.1. Vấn đề suy biến của ma trận hệ thống En
Tính suy biến của ma trận En là trở ngại cơ bản. Trong phương trình sai phân thường, xn+1 = Anxn + Bun, trạng thái tiếp theo xn+1 được xác định hoàn toàn bởi trạng thái hiện tại xn và điều khiển un. Tuy nhiên, trong hệ suy biến En xn+1 = An xn + Bun, vì En suy biến, phương trình này không cung cấp đủ thông tin để xác định duy nhất tất cả các thành phần của xn+1. Nó thực chất là một hệ phương trình tuyến tính ràng buộc các thành phần của xn+1. Điều này có nghĩa là không gian trạng thái của hệ thống bị giới hạn trên một đa tạp (manifold) nhỏ hơn. Do đó, quỹ đạo của hệ thống không thể di chuyển tự do trong toàn bộ không gian mà phải tuân theo các ràng buộc đại số ẩn. Việc này đòi hỏi phải sử dụng các công cụ từ đại số tuyến tính nâng cao, như phân tích không gian nhân và không gian ảnh, để hiểu rõ cấu trúc động học của hệ thống trước khi có thể thiết kế bộ điều khiển.
2.2. Khó khăn khi áp dụng điều kiện ban đầu
Một hệ quả trực tiếp của tính suy biến là sự phức tạp trong việc đặt điều kiện ban đầu. Đối với bài toán giá trị ban đầu (bài toán Cauchy), việc chỉ định một vectơ x₀ tùy ý có thể dẫn đến vô nghiệm. Điều này xảy ra vì x₀ phải nằm trên đa tạp ràng buộc của hệ thống. Trong tài liệu nghiên cứu, điều kiện ban đầu hợp lệ thường được yêu cầu thỏa mãn ràng buộc nhất quán P−1 (x0 − x̄0 ) = 0, trong đó x̄0 là một giá trị cho trước và P−1 là một phép chiếu lên một không gian con phù hợp. Điều này có nghĩa là chỉ một số thành phần của vectơ trạng thái ban đầu có thể được tự do lựa chọn, trong khi các thành phần khác bị quyết định bởi các ràng buộc của hệ. Thách thức này yêu cầu một cách tiếp cận cẩn thận hơn trong việc thiết lập bài toán, đảm bảo rằng các điều kiện biên được đặt ra là hợp lý và cho phép tồn tại nghiệm duy nhất.
2.3. Sự phức tạp của phương trình Euler Lagrange rời rạc
Các điều kiện cần cho điểm cực trị trong bài toán biến phân, như phương trình Euler-Lagrange, cũng trở nên phức tạp hơn. Đối với hệ sai phân thường, phương trình Euler-Lagrange rời rạc có thể được thiết lập một cách tương đối trực tiếp. Tuy nhiên, với sự hiện diện của ràng buộc En xn+1 = An xn + Bun, cần phải sử dụng phương pháp nhân tử Lagrange để đưa ràng buộc này vào hàm mục tiêu. Điều này dẫn đến một hệ phương trình kết hợp cho cả biến trạng thái xn và biến đối ngẫu (nhân tử Lagrange) λn. Hệ phương trình này, thường được gọi là hệ phương trình Hamilton-Pontryagin, chính là một hệ phương trình sai phân suy biến khác, nhưng với số chiều lớn hơn. Việc giải hệ phương trình biên hai điểm này là một thách thức lớn, đòi hỏi các phương pháp chuyên biệt như phương pháp bắn (shooting method) hoặc các kỹ thuật dựa trên phương trình Riccati.
III. Hướng dẫn giải điều khiển tối ưu bằng phương trình Hamilton
Một trong những phương pháp nền tảng và mạnh mẽ nhất để giải quyết bài toán điều khiển tối ưu là sử dụng Nguyên lý cực đại Pontryagin và xây dựng hệ phương trình Hamilton. Cách tiếp cận này biến bài toán tìm cực tiểu hàm mục tiêu thành bài toán giải một hệ phương trình sai phân biên hai điểm. Đầu tiên, ta xây dựng hàm Hamilton, là một hàm kết hợp hàm mục tiêu tại mỗi bước và phương trình trạng thái của hệ thống thông qua các nhân tử Lagrange (còn gọi là biến đối ngẫu hoặc biến liên hợp). Cụ thể, hàm Hamilton có dạng Hn = Φ(xn, un, n) + λTn+1 f(xn, un, n). Từ hàm Hamilton này, bằng cách lấy đạo hàm riêng theo các biến trạng thái, biến điều khiển và biến đối ngẫu, chúng ta thu được một hệ phương trình gồm: phương trình trạng thái, phương trình đối ngẫu (mô tả động học của biến λn), và điều kiện tối ưu cho biến điều khiển un. Hệ thống các phương trình này được gọi là hệ Hamilton-Pontryagin, và nghiệm của nó chính là quỹ đạo và điều khiển tối ưu cần tìm.
3.1. Thiết lập hàm Hamilton cho bài toán điều khiển rời rạc
Để giải bài toán điều khiển tối ưu cho phương trình sai phân suy biến dạng tuyến tính-toàn phương, bước đầu tiên là xây dựng hàm Lagrange và từ đó suy ra hàm Hamilton. Xét hàm mục tiêu dạng toàn phương và phương trình trạng thái Exn+1 = Axn + Bun. Hàm Lagrange L được xây dựng bằng cách cộng hàm mục tiêu với tổng của các phương trình trạng thái nhân với các vectơ nhân tử Lagrange λn+1. Hàm Hamilton, Hn, sau đó được định nghĩa là thành phần bên trong dấu tổng của hàm Lagrange, không bao gồm các số hạng liên quan đến λn+1xn+1. Cụ thể, với hàm mục tiêu toàn phương, ta có: Hn := λTn+1 (Axn + Bun) + 1/2 [xTn Wxn + ... + uTn Run]. Hàm Hamilton này đóng vai trò như một dạng 'năng lượng' tổng quát của hệ thống, và việc tối ưu hóa nó tại mỗi bước thời gian n sẽ dẫn đến quỹ đạo tối ưu toàn cục.
3.2. Xây dựng hệ phương trình Hamilton Pontryagin
Từ hàm Hamilton đã thiết lập, Nguyên lý cực đại Pontryagin cho ta một bộ điều kiện cần cho tối ưu. Các điều kiện này bao gồm ba phương trình chính: 1) Phương trình trạng thái: Exn+1 = ∂Hn/∂λn+1 = Axn + Bun. Đây chính là phương trình động học ban đầu của hệ thống. 2) Phương trình đối ngẫu: ETλn = ∂Hn/∂xn. Phương trình này mô tả sự tiến hóa ngược thời gian của các biến đối ngẫu λn, và nó đóng vai trò quan trọng trong việc lan truyền thông tin từ điều kiện cuối về quá khứ. 3) Điều kiện tối ưu điều khiển: ∂Hn/∂un = 0. Phương trình này cho phép xác định điều khiển tối ưu un tại mỗi bước dựa trên trạng thái xn và biến đối ngẫu λn+1. Kết hợp ba phương trình này cùng với điều kiện ban đầu cho xn và điều kiện cuối cho λn, ta thu được một hệ phương trình sai phân biên hai điểm, được gọi là hệ Hamilton-Pontryagin.
3.3. Điều kiện cần và đủ cho điểm tối ưu trong hệ suy biến
Đối với bài toán tuyến tính-toàn phương (LQ), các điều kiện từ hệ Hamilton là điều kiện cần cho tối ưu. Nếu các ma trận trọng số trong hàm mục tiêu là nửa xác định dương (như giả thiết trong luận văn), các điều kiện này cũng trở thành điều kiện đủ. Trong trường hợp của hệ sai phân suy biến, điều kiện biên cuối cùng cho biến đối ngẫu λN có một dạng đặc biệt: ETλN = ETDNExN, thay vì λN = DNxN như trong trường hợp không suy biến. Điều này phản ánh thực tế rằng chỉ có các thành phần của trạng thái và biến đối ngẫu nằm trong không gian ảnh của E (hoặc ET) mới có ý nghĩa tại điểm cuối. Việc chứng minh rằng hệ Pontryagin thu được cũng là một hệ chỉ số 1 là một bước quan trọng, đảm bảo rằng bài toán được đặt ra một cách hợp lý và có thể giải được.
IV. Bí quyết sử dụng khai triển kỳ dị và phương trình Riccati
Để giải quyết hệ phương trình Hamilton-Pontryagin phức tạp, đặc biệt là trong bối cảnh suy biến, các kỹ thuật phân rã ma trận và phương pháp dựa trên phương trình Riccati đóng vai trò then chốt. Khai triển giá trị kỳ dị (SVD) là một công cụ cực kỳ hữu ích để đơn giản hóa cấu trúc của bài toán. Bằng cách áp dụng SVD cho ma trận suy biến E, ta có thể đưa hệ phương trình về một dạng chuẩn tắc, trong đó phần động lực học và phần ràng buộc đại số được tách biệt rõ ràng. Sau khi hệ thống được đơn giản hóa, phương trình sai phân Riccati (DRE) được sử dụng để tìm một mối liên hệ tuyến tính giữa biến trạng thái và biến đối ngẫu, có dạng λn = Dnxn. Việc này giúp chuyển đổi bài toán biên hai điểm thành một bài toán giá trị ban đầu (hoặc cuối) cho ma trận Riccati Dn, vốn dễ giải hơn về mặt tính toán. Nghiệm của DRE sau đó được sử dụng để xây dựng bộ điều khiển phản hồi trạng thái tối ưu.
4.1. Áp dụng khai triển giá trị kỳ dị SVD để đơn giản hóa
Khai triển giá trị kỳ dị (SVD) của ma trận E là E = UΣVT, trong đó U và V là các ma trận trực giao và Σ là ma trận đường chéo chứa các giá trị kỳ dị. Bằng cách thực hiện các phép đổi biến x̄n = VTxn và nhân trước phương trình trạng thái với UT, hệ phương trình Exn+1 = Axn + Bun được chuyển thành một dạng SVD tương đương. Trong dạng mới này, các biến trạng thái được tách thành hai nhóm: một nhóm tương ứng với các giá trị kỳ dị khác không (phần động lực học) và một nhóm tương ứng với các giá trị kỳ dị bằng không (phần ràng buộc đại số). Sự tách biệt này giúp làm rõ cấu trúc của hệ suy biến và là bước chuẩn bị quan trọng để áp dụng phương pháp Riccati một cách hiệu quả. Toàn bộ hệ Hamilton-Pontryagin sau đó cũng được biến đổi tương ứng, tạo ra một hệ thống có cấu trúc khối rõ ràng hơn, dễ phân tích hơn.
4.2. Giải nghiệm tối ưu thông qua phương trình sai phân Riccati
Phương pháp Riccati giả định rằng tồn tại một mối quan hệ tuyến tính giữa biến đối ngẫu và biến trạng thái của phần động lực học: λ1n = D11n Σx1n. Thay thế mối quan hệ này vào hệ Hamilton dạng SVD, sau một loạt các phép biến đổi đại số, ta có thể loại bỏ các biến đối ngẫu và thu được một phương trình truy hồi chỉ phụ thuộc vào ma trận D11n. Phương trình này được gọi là phương trình sai phân Riccati (DRE). Nó là một phương trình ma trận phi tuyến, được giải ngược thời gian từ điều kiện cuối D11N = DN11. Sau khi tìm được chuỗi ma trận D11n, ta có thể tính toán được điều khiển tối ưu dưới dạng phản hồi trạng thái: un = -Knxn, trong đó ma trận hệ số khuếch đại Kn phụ thuộc vào D11n+1. Đây là một kết quả kinh điển và mạnh mẽ, cung cấp một giải pháp tường minh và có cấu trúc cho bài toán điều khiển tối ưu.
4.3. Biến đổi Kronecker Weierstrass cho hệ chỉ số 1
Đối với các phương trình sai phân tuyến tính chỉ số 1, có một công cụ lý thuyết mạnh mẽ khác là phép biến đổi Kronecker-Weierstrass. Phép biến đổi này sử dụng một cặp ma trận không suy biến (Hn, Kn) để đưa phương trình En xn+1 = An xn + qn về một dạng chuẩn tắc. Dạng chuẩn tắc này tách hoàn toàn hệ thống thành hai hệ con độc lập: một hệ sai phân thường (phần động học) và một hệ phương trình đại số (phần ràng buộc). Theo luận văn, mọi phương trình sai phân tuyến tính chỉ số 1 đều có thể được đưa về dạng chuẩn tắc này. Việc áp dụng phép biến đổi này cho phép phân tích và giải bài toán điều khiển tối ưu một cách có hệ thống, tương tự như cách SVD được sử dụng cho hệ số hằng. Kết quả này là một trong những đóng góp mới và quan trọng của nghiên cứu, mở rộng phương pháp giải cho một lớp rộng hơn các hệ suy biến.
V. Ứng dụng thực tiễn điều khiển tối ưu trong mô hình kinh tế
Một trong những ứng dụng quan trọng và trực quan nhất của lý thuyết điều khiển tối ưu cho phương trình sai phân suy biến là trong lĩnh vực kinh tế lượng và hoạch định kinh tế. Các mô hình kinh tế vĩ mô thường mô tả sự tương tác phức tạp giữa các biến số như sản lượng, đầu tư, tiêu dùng, và cung-cầu qua nhiều giai đoạn thời gian. Những mô hình này có thể được biểu diễn một cách tự nhiên bằng các hệ phương trình sai phân. Trong nhiều trường hợp, các ràng buộc về cân bằng thị trường hoặc giới hạn nguồn lực dẫn đến các hệ phương trình có tính chất suy biến. Bằng cách áp dụng các kỹ thuật đã trình bày, các nhà hoạch định chính sách có thể giải quyết các bài toán như: làm thế nào để điều chỉnh các công cụ chính sách (ví dụ: lãi suất, chi tiêu chính phủ) để tối đa hóa tăng trưởng kinh tế hoặc tối thiểu hóa lạm phát trong một khoảng thời gian nhất định. Luận văn đã trình bày cách xây dựng và giải quyết một bài toán điều khiển tối ưu nhằm đạt được sự cân bằng cung-cầu để tối đa hóa lợi nhuận.
5.1. Mô hình hóa hệ thống sản xuất bằng phương trình sai phân
Một hệ thống sản xuất có thể được mô hình hóa bằng các biến trạng thái đại diện cho mức tồn kho, vốn, và lao động tại mỗi kỳ (ví dụ: mỗi tháng hoặc mỗi quý). Phương trình sai phân sẽ mô tả cách các biến này thay đổi từ kỳ này sang kỳ tiếp theo dưới tác động của các quyết định sản xuất và các yếu tố ngoại sinh. Ví dụ, mức tồn kho ở kỳ n+1 sẽ bằng mức tồn kho ở kỳ n cộng với sản lượng sản xuất và trừ đi lượng hàng bán ra. Biến điều khiển trong mô hình này có thể là mức sản lượng hoặc chi phí quảng cáo. Hàm mục tiêu thường là tổng lợi nhuận chiết khấu trong một khoảng thời gian hoạch định. Việc sử dụng phương trình sai phân cho phép mô tả chính xác động học rời rạc của quá trình ra quyết định kinh doanh.
5.2. Điều kiện cân bằng cung cầu để đạt lợi nhuận cực đại
Luận văn trình bày một mô hình kinh tế cụ thể, nơi mục tiêu là tìm ra chiến lược sản xuất để đạt được sự cân bằng giữa cung và cầu, qua đó tối đa hóa lợi nhuận. Bài toán được phát biểu dưới dạng một bài toán điều khiển tối ưu tuyến tính rời rạc. Điều kiện cân bằng được xem như một ràng buộc của hệ thống. Bằng cách giải bài toán này, doanh nghiệp có thể xác định được mức sản lượng tối ưu tại mỗi thời điểm để đáp ứng nhu cầu thị trường mà không gây ra tình trạng tồn kho quá mức hoặc thiếu hụt hàng hóa, cả hai đều làm giảm lợi nhuận. Kết quả của bài toán cung cấp một kế hoạch sản xuất năng động, có khả năng thích ứng với những thay đổi dự kiến trong nhu cầu thị trường.
5.3. Mở rộng mô hình cho hệ thống kinh tế suy biến
Một đóng góp mới và quan trọng của luận văn là mở rộng mô hình kinh tế trên cho trường hợp hệ thống được mô tả bởi một phương trình sai phân suy biến. Tính suy biến có thể phát sinh trong các mô hình kinh tế phức tạp hơn, nơi có các ràng buộc tức thời giữa các biến kinh tế. Ví dụ, một ràng buộc về ngân sách hoặc một quy luật thị trường (như luật một giá) có thể tạo ra một phương trình đại số liên kết các biến trạng thái, dẫn đến một hệ thống suy biến. Bằng cách áp dụng các kỹ thuật đã được phát triển cho hệ chỉ số 1, luận văn đã chỉ ra cách giải quyết bài toán điều khiển tối ưu trong bối cảnh này. Đây là một kết quả có ý nghĩa thực tiễn, cho phép phân tích các mô hình kinh tế thực tế và phức tạp hơn, cung cấp các công cụ mạnh mẽ hơn cho việc hoạch định và ra quyết định.
VI. Tổng kết và tương lai của điều khiển tối ưu hệ sai phân suy biến
Nghiên cứu về điều khiển tối ưu cho phương trình sai phân suy biến đã đạt được những tiến bộ đáng kể, đặc biệt trong việc giải quyết bài toán dạng tuyến tính-toàn phương cho các hệ chỉ số 1. Các kết quả chính của luận văn đã cung cấp một phương pháp luận có hệ thống để giải quyết lớp bài toán này, dựa trên sự kết hợp giữa lý thuyết điều khiển cổ điển (như nguyên lý cực đại Pontryagin) và các công cụ đại số tuyến tính hiện đại (như SVD và phép biến đổi Kronecker-Weierstrass). Các phương pháp này không chỉ có giá trị về mặt lý thuyết mà còn mở ra khả năng ứng dụng trong nhiều lĩnh vực thực tiễn, tiêu biểu là trong các mô hình kinh tế. Việc xây dựng và giải thành công phương trình sai phân Riccati cho hệ suy biến là một trong những đóng góp cốt lõi, cung cấp một công thức tường minh cho bộ điều khiển phản hồi tối ưu. Tương lai của lĩnh vực này hứa hẹn sẽ tiếp tục mở rộng sang các hệ có chỉ số cao hơn, các hệ phi tuyến, và các bài toán điều khiển ngẫu nhiên, nơi sự không chắc chắn đóng vai trò quan trọng.
6.1. Tóm tắt các kết quả nghiên cứu chính đã đạt được
Luận văn đã thành công trong việc xây dựng một khuôn khổ toàn diện để phân tích và giải bài toán điều khiển tối ưu dạng toàn phương cho hệ phương trình sai phân tuyến tính ẩn chỉ số 1. Các kết quả chính bao gồm: (1) Trình bày và chứng minh các tính chất cơ bản của phương trình sai phân chỉ số 1 và phương trình dưới liên hợp của nó. (2) Xây dựng thành công hệ phương trình Hamilton và bài toán biên cho hệ suy biến. (3) Sử dụng khai triển giá trị kỳ dị (SVD) và phép biến đổi Kronecker-Weierstrass để đưa bài toán về dạng đơn giản hơn. (4) Thiết lập và giải phương trình Riccati tương ứng, từ đó tìm ra nghiệm tối ưu của bài toán. (5) Áp dụng thành công lý thuyết vào một mô hình kinh tế về cân bằng cung-cầu, mở rộng kết quả cho trường hợp hệ suy biến.
6.2. Các đóng góp mới về phương trình Riccati và nghiệm tối ưu
Điểm mới nổi bật của nghiên cứu là việc đưa ra phương pháp giải tường minh cho bài toán điều khiển tối ưu cho hệ sai phân tuyến tính ẩn chỉ số 1. Trong khi các nghiên cứu trước đó của D. Laub tập trung vào hệ số hằng, luận văn đã mở rộng cho trường hợp hệ số biến thiên thông qua phép biến đổi Kronecker-Weierstrass. Việc thiết lập được phương trình sai phân Riccati trong bối cảnh này và tìm ra công thức nghiệm tường minh cho điều khiển tối ưu là một đóng góp quan trọng. Hơn nữa, việc áp dụng các kết quả này vào một mô hình kinh tế suy biến cũng là một kết quả mới, thể hiện tính ứng dụng cao của các phương pháp lý thuyết đã được phát triển. Những nội dung này đã được trình bày và công nhận tại các seminar khoa học chuyên ngành, khẳng định giá trị khoa học của luận văn.
6.3. Triển vọng phát triển trong lý thuyết và ứng dụng
Hướng nghiên cứu trong tương lai cho lĩnh vực điều khiển tối ưu cho phương trình sai phân suy biến là rất rộng mở. Về mặt lý thuyết, một thách thức lớn là mở rộng các phương pháp này cho các hệ phương trình có chỉ số cao hơn (chỉ số 2, 3,...), nơi mà cấu trúc toán học trở nên phức tạp hơn rất nhiều. Một hướng đi khác là nghiên cứu các hệ phi tuyến, đòi hỏi việc sử dụng các kỹ thuật xấp xỉ hoặc các phương pháp giải tích phi tuyến. Về mặt ứng dụng, việc tích hợp các yếu tố ngẫu nhiên (stochastic) vào mô hình sẽ làm cho chúng trở nên thực tế hơn, dẫn đến các bài toán điều khiển tối ưu ngẫu nhiên. Các lĩnh vực ứng dụng tiềm năng khác bao gồm robot học (điều khiển robot có ràng buộc), kỹ thuật hóa học (điều khiển quá trình phản ứng), và tài chính (tối ưu hóa danh mục đầu tư với các ràng buộc).
