41

Chapitre 2

Estimation, contrôle optimal et contrôle

robuste

Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2 Contrôle d’écoulement et optimisation sous contraintes . . . . . . . . . 43
2.2.1 Formulation du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2.2 Discussion sur la fonctionnelle objectif : régularisation du problème d’opti-
misation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3 Contrôle linéaire par feedback dans l’espace des états . . . . . . . . . . 45
2.3.1 Contexte de la théorie du contrôle linéaire . . . . . . . . . . . . . . . . . . . 46
2.3.2 Théorie du contrôle sur H2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.3.3 Théorie du contrôle robuste sur H∞ . . . . . . . . . . . . . . . . . . . . . . 53
2.3.4 Application à l’équation de la chaleur . . . . . . . . . . . . . . . . . . . . . 55
2.4 Optimisation non linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.4.1 Méthode des multiplicateurs de Lagrange . . . . . . . . . . . . . . . . . . . 58
2.4.2 Approche du gradient par les sensibilités . . . . . . . . . . . . . . . . . . . . 61
2.4.3 Approche du gradient par l’équation adjointe . . . . . . . . . . . . . . . . . 62
2.4.4 Résolution numérique : commutativité des étapes de discrétisation et de dif-
férentiation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.5 Un problème modèle : l’équation de Burgers . . . . . . . . . . . . . . . . 65
2.5.1 Définition du problème d’optimisation . . . . . . . . . . . . . . . . . . . . . 65
2.5.2 Résolution du problème d’optimisation . . . . . . . . . . . . . . . . . . . . . 66
2.5.3 Résultats numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

2.1 Introduction
L’objet de ce chapitre n’est pas de décrire de manière exhaustive les méthodes d’estimation, de contrôle
optimal et de contrôle robuste tant la bibliographie est importante et les approches souvent différentes selon
la communauté (automaticien, mathématicien appliqué, ...) abordant le sujet. Plus humblement, nous sou-
haitons présenter quelques idées essentielles, susceptibles de faciliter la résolution d’un problème de contrôle
d’écoulement. Par ailleurs, nous ne prétendons pas à une pleine et entière rigueur 1 mathématique, en parti-
culier, les espaces fonctionnels ne seront que rarement introduits. Les lecteurs intéressés par des compléments
mathématiques pourront se référer aux ouvrages publiés par Borggaard et al. (1994); Gunzburger (1995);
Sritharan (1998) et aux articles de Fattorini et Sritharan (1992); Bewley et al. (2000a,b) pour des résul-
tats d’existence et d’unicité de solutions concernant les problèmes de contrôle optimal pour les équations de
1. Cependant, notre objectif est d’utiliser le plus rigoureusement possible des outils mathématiques en vue de
résoudre un problème d’ingénieurs.
42

Navier-Stokes.

D’une manière générale, un système dynamique à contrôler (un écoulement par exemple) est un processus
comprenant des entrées et des sorties. Les entrées du système (les commandes 2 ) sont choisies de manière à
optimiser un certain critère de performance 3 . Les sorties correspondent à des observations qui sont utilisées
via un contrôleur pour déterminer en temps réel la commande à exercer. Des difficultés pratiques supplé-
mentaires viennent du fait que les observations peuvent être bruitées ou partielles, ne permettant pas de
déterminer exactement l’état du système, et que le système lui-même peut être perturbé ou connu de manière
imparfaite.

En Mécanique des Fluides, ce problème est généralement abordé par des méthodes distinctes, provenant
respectivement de l’automatique et des mathématiques appliquées, selon que le système dynamique décrivant
l’état du système en fonction de la commande puisse être considéré comme linéaire ou non.
Le premier cas concerne principalement les études sur le retardement 4 de la transition à la turbulence
d’un écoulement laminaire. En effet, au lieu de chercher à contrôler un écoulement instable, il est souvent plus
judicieux (et surtout plus économique) de l’empêcher de se déstabiliser. Les équations de Navier-Stokes étant
alors linéarisables, il est possible d’utiliser des méthodes de contrôle linéaire par feedback dans l’espace des
états (voir §2.3) développées à l’origine par les automaticiens dans le cadre de la théorie du contrôle. C’est
précisément l’approche qui a été suivie avec succès par Bewley pour contrôler un écoulement de Poiseuille
(Bewley et Agarwal, 1996; Bewley et Liu, 1998 et Mckerman et al., 2003). Beaucoup plus récemment, deux
groupes se sont intéressés à l’utilisation de ce type de méthodes pour contrôler des écoulements en dévelop-
pement spatial. Ainsi, Buchot et al. (2003) ont réussi à supprimer 5 numériquement, par application de la
méthode LQR présentée à la section [Link], les allées de Von Kármán en aval d’un cylindre circulaire. Lauga
et Bewley (2002, 2003, 2004) ont considéré la même configuration d’écoulement mais en la modélisant par
une équation de Ginzburg Landau complexe.

Le second cas concerne le contrôle des écoulements en régime turbulent. L’hypothèse de linéarité n’est
évidemment plus valable et il n’est donc plus possible d’utiliser des approches linéaires pour déterminer une
loi de contrôle. Par contre, il est toujours possible de formuler 6 ce problème de contrôle d’écoulement comme
un problème d’optimisation et de faire appel aux méthodes d’optimisation non linéaires pour le résoudre
(voir §2.4). Cette approche a été suivie, en particulier, par Bewley et al. (2001) pour contrôler par simulation
numérique directe un écoulement de canal turbulent et, plus récemment, par He et al. (2000) et Protas et
Styczek (2002) pour contrôler le sillage d’un cylindre en régime laminaire. Puisque l’objet de ce mémoire est
de développer des méthodologies de contrôle pouvant in fine être mises en œuvre pour contrôler un écoule-
ment en régime turbulent, nous utiliserons exclusivement le contrôle optimal dans les chapitres 5, 6 et 7 en
considérant que la dynamique du système contrôlé est représentée par le modèle d’ordre réduit basé sur la
POD développé au chapitre 4. Le lecteur trouvera à l’annexe D, le système optimal associé à la minimisation,
par rotation, de la traînée du cylindre lorsque le modèle de Navier-Stokes est utilisé comme équations d’état.

2. Pour un système physique modélisé par un système d’équations aux dérivées partielles (EDP), ces commandes
pourront être une condition initiale, des conditions aux limites, des coefficients du système d’EDP. On verra au
chapitre 4 que pour le cylindre contrôlé étudié dans ce mémoire, le contrôle est introduit via un terme de frontière.
3. La performance d’une solution est souvent évaluée par un critère énergétique car on est alors assuré que le
processus de minimisation conduit à un contrôleur stable et suffisamment robuste. Par ailleurs, on est légitimement
intéressé par les solutions qui minimisent l’énergie du signal de commande.
4. Lorsque l’on sait que la traînée visqueuse se révèle être bien plus importante dans une couche limite turbulente
que laminaire (jusqu’à 90% plus forte selon Joslin 1998, on comprend aisément l’objectif de la majorité des stratégies
de contrôle d’écoulements : retarder la transition vers la turbulence de l’écoulement laminaire.
5. Les résultats de cette étude sont limités au régime laminaire de l’écoulement (nombre de Reynolds compris
entre 60 et 85). Dans cet intervalle de nombre de Reynolds, le modèle linéaire d’écoulement qu’ils utilisent est alors
légitime. Toutefois, les auteurs font remarquer, qu’une stabilisation de l’écoulement par feedback, ne pourra être
utilisée numériquement pour des valeurs plus élévées du nombre de Reynolds, qu’à condition de réduire la dimension
de l’opérateur de feedback par une approche de type POD similaire à celle utilisée par Atwell (2000).
6. Naturellement, formuler un problème de contrôle d’écoulement comme un problème d’optimisation est toujours
possible (Gunzburger, 1997a) que le système dynamique modélisant le processus physique soit linéaire ou non. Citons
par exemple les travaux présentés par Walther (2001) dans lesquels il a été fait appel à la méthode du contrôle optimal
pour contrôler et amortir des perturbations de couche limite de type ondes planes de Tollmien-Schlichting décrites par
la technique PSE (Parabolized Stability Equations).
2.2 Contrôle d’écoulement et optimisation sous contraintes 43

La section 2.2 définit le cadre mathématique dans lequel peut être posé le contrôle d’écoulement comme
un problème général d’optimisation sous contraintes. En effet, que la loi de contrôle soit recherchée par
contrôle linéaire par feedback dans l’espace des états comme à la section 2.3 ou directement comme solution
d’un problème d’optimisation non linéaire comme à la section 2.4, le cœur de la méthode est constitué par
l’optimisation d’une fonctionnelle donnée, sous contraintes de respect des équations du système dynamique.
A la section 2.2.2, le choix de la fonctionnelle objectif est ensuite discutée en insistant sur la limitation du
coût lié au contrôle afin que le problème d’optimisation soit bien posé. La section 2.3 présente des méthodes
type feedback pour contrôler et amortir des perturbations extérieures susceptibles de déstabiliser le système.
Lorsque ce type de méthodes n’est plus applicable, i.e. quand l’écoulement est trop instable ou quand les
contrôleurs mis en jeu ne sont pas assez efficaces, il faut user de stratégies différentes. Pour cela, des méthodes
de résolution adaptées aux problèmes d’optimisation non linéaire sont présentées à la section 2.4. Enfin, la
détermination d’un système optimal est illustrée à la section 2.5 sur un problème modèle constitué par les
équations de Burgers monodimensionnelles.

2.2 Contrôle d’écoulement et optimisation sous contraintes

L’objet de cette section est de montrer qu’un problème de contrôle d’écoulement posé physiquement peut
être reformulé, moyennant l’introduction d’un certain formalisme, dans un cadre unifié permettant l’utilisa-
tion ultérieure de méthodes de résolution issues de la théorie du contrôle ou de l’optimisation non linéaire.

2.2.1 Formulation du problème

Tout problème de contrôle d’écoulement (optimisation de forme, contrôle actif) peut être décrit mathé-
matiquement par les quantités suivantes (Gunzburger, 1997a) :

1. Des variables d’état φ qui définissent les grandeurs caractéristiques du problème. Selon le cas, il pourra
s’agir d’un champ de vitesse, de pression, de température ...

2. Des paramètres de contrôle c. En pratique, selon que le contrôle soit aux frontières ou distribué, ces
variables apparaîtront soit comme conditions initiales ou aux limites du problème, soit directement
comme terme source dans les équations d’état. Selon le cas, il pourra s’agir d’un champ de vitesse
(soufflage-aspiration de fluide) ou d’un flux de température en paroi, ou encore pour un problème d’op-
timisation de forme (Mohammadi et Pironneau, 2001), ce seront des variables permettant de décrire la
forme des frontières du domaine.

3. Une fonctionnelle coût ou objectif J qui définit les objectifs que l’on souhaite atteindre. Il pourra s’agir
d’amortir des perturbations en un temps minimal, de minimiser une traînée ou maximiser une portance
ou un flux de chaleur, de stabiliser une température, de retarder le décollement d’une couche limite ou
d’approcher l’écoulement d’un écoulement désiré ... Cette fonctionnelle J est une fonction explicite des
variables d’état φ (J = J (φ)) et peut également dépendre des paramètres de contrôle c (voir discussion
§ 2.2.2).

4. Des contraintes physiques (F) du problème qui traduisent l’évolution des variables d’état φ en fonction 7
des paramètres de contrôle c en respectant les lois de la physique. Mathématiquement, on note ces
contraintes :
F (φ, c) = 0. (2.1)
En Mécanique des Fluides, elles représentent généralement les équations de Navier-Stokes munies de
leurs conditions initiales et aux limites. On verra à la section 2.2.2 qu’une contrainte supplémentaire,
traduisant la limitation du coût lié au contrôle, peut éventuellement leurs être rajoutées.

Toutes les quantités physiques étant maintenant définies mathématiquement, le problème d’optimi-
sation sous contraintes, lié à tout problème de contrôle d’écoulement peut donc s’énoncer de la manière
7. Les variables d’état φ dépendant implicitement des variables de contrôle c par les contraintes (F ), il faudrait en
toute rigueur écrire les variables d’état φ(c). Cependant, pour alléger les notations, elles seront notées par la suite
uniquement φ.
44

suivante :

Déterminer les variables d’état φ et les paramètres de contrôle c, tels que la fonctionnelle objectif J soit
optimale (minimale ou maximale selon le cas) sous les contraintes F.

2.2.2 Discussion sur la fonctionnelle objectif : régularisation du problème d’op-

timisation
Le choix de la fonctionnelle coût J est central dans un problème d’optimisation. D’un point de vue
mathématique, la grandeur physique à optimiser est représentée à l’aide d’une mesure M de celle-ci par :

J =M

où M peut représenter une traînée, une portance, l’énergie d’une perturbation, ... Le choix de cette fonction-
nelle, si il peut s’avérer difficile à réaliser, est essentiel en pratique pour que le problème d’optimisation soit
bien posé. Par ailleurs, au delà de la difficulté mathématique, il s’agit de l’unique quantité où il est possible
de "faire intervenir un peu de physique" dans le problème.

Dans le cas général, la fonctionnelle J ne dépend pas explicitement des paramètres de contrôle c. Le
problème d’optimisation peut alors être mal posé car il est possible d’obtenir un contrôle optimal qui, bien
que minimisant la fonctionnelle objectif, serait non borné. La mise en œuvre pratique d’un contrôle non borné
n’est d’ailleurs pas envisageable car les coûts économiques qui lui sont liés seraient infinis. Pour éviter cette
difficulté, on régularise le problème d’optimisation en s’arrangeant pour limiter le coût lié au contrôle. Soit
Jc ce coût, la limitation envisagée peut être réalisée de deux manières :

1. En ajoutant une contrainte supplémentaire aux contraintes physiques (F)

Le principe consiste à ajouter aux contraintes physiques (F), une contrainte supplémentaire traduisant
un seuil à ne pas dépasser pour le coût lié au contrôle. Soit S > 0 cette valeur de seuil, on impose
donc la contrainte d’inégalité Jc ≤ S. En optimisation, les contraintes d’inégalité font apparaitre les
conditions d’optimalité dites de Karush-Kuhn-Tucker (Bonnans et al., 2003) qui sont souvent délicates
à prendre en compte. Par conséquent, on préfère généralement retenir des contraintes de type égalité
que l’on peut assez facilement imposées via des multiplicateurs de Lagrange (§ 2.4.1). Soit Su > 0, un
coût fixé par l’utilisateur, on impose comme contrainte supplémentaire au système (2.1), Jc = Su , sans
que la nature de celui-ci soit alors changée.

2. En modifiant la fonctionnelle objectif J

Il est également possible de faire dépendre explicitement la fonctionnelle objectif J des paramètres
de contrôle c en modifiant celle-ci en :
J = M + βJc .
La conséquence principale est que l’on ne recherche plus à optimiser la fonctionnelle J mais le couple
(M,Jc ). Le paramètre β ≥ 0 est laissé au choix de l’utilisateur suivant l’importance qu’il souhaite
donner au coût lié au contrôle. Si la valeur de β est "faible" alors le coût lié au contrôle n’est pas une
priorité dans sa mise en œuvre pratique, et dans ce cas, on parle de régularisation de la fonctionnelle
objectif. Si la valeur de β est "élevée", le coût lié au contrôle est une priorité et on parle de pénalisation
de la fonctionnelle objectif.

En pratique (voir sections 2.3 et 2.4 ainsi qu’au chapitre 4), le coût lié au contrôle est limité en modifiant
la fonctionnelle objectif. En effet, cette méthode fait intervenir de manière naturelle via le paramètre β un
compromis entre l’objectif à atteindre et les moyens mis à disposition pour y parvenir. Par ailleurs, cette mé-
thode ne fait pas introduire 8 de relation supplémentaire au système de contraintes physiques (F) facilitant
ainsi la formulation du problème.

8. En ajoutant une contrainte d’égalité au système des contraintes physiques (F ), il y a introduction par application
de la méthode des multiplicateurs de Lagrange (§ 2.4.1) d’une inconnue adjointe supplémentaire dans le système
optimal.
2.3 Contrôle linéaire par feedback dans l’espace des états 45

Le contrôle d’écoulement est maintenant bien posé sous la forme d’un problème d’optimisation sous
contraintes. Nous allons donc présenter successivement les deux principales méthodes de résolution que l’on
rencontre dans la littérature du contrôle d’écoulement. A la section suivante, les méthodes de contrôle linéaire
par feedback dans l’espace des états, puis à la section 2.4 les méthodes d’optimisation non linéaire.

2.3 Contrôle linéaire par feedback dans l’espace des états

Une approche classique du contrôle d’écoulement consiste à développer des méthodes qui permettent de
retarder voire d’éliminer la transition de l’écoulement du régime laminaire au régime turbulent. On cherche
alors à déterminer une loi de contrôle qui amortisse le plus rapidement possible les perturbations susceptibles
de déstabiliser l’écoulement. Dans le cas d’une couche limite laminaire, cela revient à introduire un forçage
contrôlé en paroi (soufflage/aspiration le plus souvent) tel que la croissance des perturbations de type ondes
planes de Tollmien-Schlichting ne puisse se produire (Joslin et al., 1995, par exemple). Dans le cadre d’une
approche faiblement non-parallèle de la stabilité de couche limite, ces perturbations sont bien décrites par
la technique des Equations de Stabilité Parabolisées (Airiau, 1994). Le contrôle à exercer peut alors être
recherchée par contrôle optimal en essayant de déterminer le forçage qui minimise l’énergie de perturbation
à la fin du domaine d’étude (Walther, 2001). Mais le plus souvent en Mécanique des Fluides (Bewley et
Agarwal, 1996; Bewley et Liu, 1998; Bewley, 2001; Aamo et Fossen, 2002; Mckerman et al., 2003), la théorie
locale 9 est utilisée pour décrire les perturbations de couche limite. Après discrétisation du problème en temps
et en espace, on aboutit à un modèle linéaire du type 10 :
φ̇ = Aφ + Bc (2.2a)
ψ m = Cφ + Dc (2.2b)
Dans ce modèle, encore appelé système dans l’espace des états ou encore Plant dans la terminologie
anglo-saxonne (noté P par la suite), on considère que les variables d’état φ ∈ Rn et que les variables de
contrôle c ∈ Rp . Quant aux variables ψ m ∈ Rm , elles représentent les mesures réalisées sur le système à
contrôler. On verra à la section 2.3.1 que ces mesures 11 , encore appelées observables, peuvent être bruitées et
éventuellement en nombre très limité. Les matrices A, B, C, D, définissant le système dans l’espace des états,
sont des matrices réelles de dimension respective n × n, n × p, m × n et m × p. Enfin, si le système dynamique
à contrôler possède une entrée (m = 1) et une sortie (p = 1) celui-ci est appelé SISO (Single Input Single
Output), sinon il est dit MIMO (Multiple Input Multiple Output).

L’intérêt du système (2.2), en terme de contrôle d’écoulement, est qu’il correspond précisément à la forme
générique de système dynamique largement étudié en théorie du contrôle linéaire (Zhou et al., 1996). On
pourra donc transposer assez facilement à nos problèmes tous les résultats issus des travaux des automati-
ciens.

Par la suite, la section 2.3.1 décrit le contexte général associé à la théorie du contrôle linéaire. A cette
occasion, on montrera que le formalisme développé dans le cadre de cette théorie permet de prendre en compte
de manière rigoureuse les perturbations susceptibles d’être subies par le système dynamique à contrôler, ainsi
que les éventuels bruits de mesure. Dans la section 2.3.2, on présente la théorie du contrôle sur H2 . Dans une
première partie, on expose la méthode du contrôle optimal dite encore méthode LQR (Linear Quadratic Regu-
lator) pour laquelle on considère que l’état du système peut être connu de manière exacte. Dans une seconde
partie, on introduit la méthode LQG (Linear Quadratic Gaussian) qui remplace la méthode LQR lorsqu’il y a
nécessité d’estimer (par filtre de Kalman, par exemple) l’état du système. Enfin, à la section 2.3.3, on discute
de la théorie du contrôle sur H∞ . Contrairement au cas de la théorie du contrôle sur H2 , on ne s’intéresse
plus à des perturbations pouvant être représentées par des bruits blancs gaussiens mais à la pire perturba-
tion que peut subir le système, d’où le nom de contrôle robuste porté encore par le contrôle sur H∞ . Enfin,
9. Cette démarche conduit alors aux équations d’Orr-Sommerfeld.
10. A titre d’illustration, dans le cas de l’écoulement de canal étudié par Thomas Bewley dans Bewley et Agarwal
(1996); Bewley et Liu (1998); Bewley (2001), les variables du système (2.2) correspondent à :
– φ : coefficients de Fourier des composantes normales de la vitesse et de la vorticité,
– c : vitesses d’aspiration/soufflage aux parois,
– ψ m : frottements longitudinal et transversal estimés aux parois.

11. Il n’y aucune raison pour que ces observables soient confondues avec les états du système.
46

la section 2.3.4 propose une application numérique de la méthode LQR au contrôle de l’équation de la chaleur.

Dans l’esprit, les sections 2.3.1, 2.3.2 et 2.3.3 suivent de manière fidèle les résumés de la théorie du contrôle
linéaire que l’on peut trouver dans Bewley et Agarwal (1996); Bewley et Liu (1998). La présentation ne se
veut donc pas mathématique et seules les idées essentielles seront présentées. Pour une présentation plus
rigoureuse mais aussi plus complète 12 de la théorie du contrôle, le lecteur pourra se reporter à Stengel (1994);
Zhou et al. (1996).

2.3.1 Contexte de la théorie du contrôle linéaire

Pour commencer, supposons l’évolution des variables d’état φ et des observables ψ m connue via le système
P donné par l’équation (2.2). La théorie du contrôle linéaire a pour objet la détermination d’une loi de contrôle
c, utilisant les observables ψ m , telle que les fonctions d’état φ tendent vers 0, et cela même en présence de
perturbations extérieures et de bruits de mesures.

perturbations

P
mesures éventuellement bruitées
ψm

contrôle
E
c

état estimé
b
φ
K

Figure 2.1 – Diagramme bloc illustrant le contexte général de la théorie du contrôle linéaire.

Le cas général correspond à un système P qui peut éventuellement être excité par des perturbations
extérieures. Dans ces conditions, il est impossible d’observer directement l’état φ du système P, et seules
quelques mesures bruitées ψ m peuvent être obtenues. Ces mesures sont alors utilisées afin de déterminer par
un estimateur appelé E, une valeur approchée φ b de l’état φ. Finalement, l’estimé φ
b est utilisé pour déterminer
13
via un contrôleur K une loi de contrôle par feedback c telle que l’état φ converge vers 0 le plus rapidement
possible. Les circulations d’information relatives à cette procédure sont rappelées de manière schématique
dans le diagramme bloc de la figure 2.1.

Formalisons maintenant un peu cette description en précisant les expressions de l’estimateur E et du

contrôleur K.

Mathématiquement, on considère que l’étape d’estimation caractérisée par l’estimateur 14 E peut être
représentée par le système d’équations :

12. En particulier, il ne sera pas évoqué dans la suite de l’exposé, les notions de commandabilité et observabilité du
système P défini par (2.2), notions pourtant esentielles en terme de contrôle. Le lecteur pourra se référer à Zhou et al.
(1996) pour les éléments de théorie et à Galletti et al. (2004) pour un exemple d’application de ces notions au contrôle
du sillage d’un cylindre de section carrée.
13. Chaque chose étant histoire de compromis, on a choisi, dans ce mémoire, d’utiliser l’anglicisme feedback au lieu
de rétroaction.
14. En boucle fermée l’estimateur E s’écrit :

ḃ = (A + LC) φ
φ b + (B + LD) c − Lψ .
m
2.3 Contrôle linéaire par feedback dans l’espace des états 47

ḃ = Aφ
φ b + Bc − b
c (2.3a)
b = Cφ
ψ b + Dc (2.3b)
m

c = L(ψ − ψ
b b ) (2.3c)
m m

où b b représentent les mesures

c peut être interprété comme un terme de forçage du système P et où ψ m
b
associées aux estimés φ.

Connaissant φb via l’estimateur E, cet état estimé peut ensuite être utilisé via un contrôleur K pour
déterminer les paramètres de contrôle c. Ce contrôleur K est défini par une relation du type :
 
c=K φ b . (2.4)

Posé en ces termes, le contrôle linéaire dans l’espace des états consiste à déterminer les opérateurs L et
K caractéristiques respectivement de l’estimateur E et du contrôleur K tels que :
1. les termes b b donné par le système (2.3) à approcher l’état φ du système P
c forcent 15 l’état estimé φ
solution de (2.2),
2. les termes de contrôle c évalués par le système (2.4) fassent tendre vers 0 les fonctions d’état φ, solutions
du système (2.2).

Dans les sections suivantes, nous présentons comment les théories du contrôle respectivement basées sur
les espaces fonctionnelles H2 (§ 2.3.2) et H∞ (§ 2.3.3) permettent de déterminer les opérateurs L et K via la
résolution de deux Equations Algébriques de Riccati (Algebraic Riccati Equation).

2.3.2 Théorie du contrôle sur H2

[Link] Contrôle optimal LQR
Le premier niveau d’approximation que l’on peut réaliser est de considérer que le système P ne subit
aucune perturbation extérieure et que l’on peut déterminer de manière exacte l’état du système par les
b ≡ φ) et le système (2.2)
mesures. Par conséquent, il n’y a alors aucune nécessité d’estimer l’état du système (φ
définissant P s’écrit alors :

φ̇ = Aφ + Bc (2.5a)
ψ m = φ. (2.5b)

Cette approche très optimiste (pas de perturbations, état du système parfaitement connu), permet d’ob-
tenir la meilleure performance pour le contrôle du système P. Pour cette raison, le contrôleur associé est dit
optimal.

L’objectif du contrôleur K défini par le système (2.3) est d’amortir 16 le plus rapidement possible toute
perturbation φ générée par une condition initiale quelconque et cela en limitant le coût lié au contrôle.
Mathématiquement, cela peut se traduire par un problème de minimisation pour la fonctionnelle objectif
suivante 17 :
Z
1 ∞
JLQR (φ, c) = (kφk2 + ℓ2 c∗ c) dt.
2 0
Le terme ℓ2 intervenant dans JLQR joue le même rôle que le coefficient β, dit de régularisation, discuté
à la section 2.2.2.

15. On constate effectivement que lorsque b c tend vers zéro, le système d’estimation (2.3) devient équivalent au
système P donné par (2.2).
16. Dis autrement, on cherche à ramener vers zéro une mesure donnée de l’état φ obtenu à partir d’une condition
initiale quelconque i.e. à amortir les perturbations.
17. Ici, A∗ représente la matrice adjointe de A i.e. la matrice transposée conjuguée de A.
48

Les équations d’état étant linéaires, la fonctionnelle coût quadratique et l’objectif étant d’amortir 18 des
perturbations, la méthode est appelée LQR pour Linear Quadratic Regulator.

A l’aide d’une factorisation de Choleski, la fonctionnelle JLQR peut s’écrire plus simplement sous la forme
Z ∞
1
JLQR (χ) = χ∗ χ dt
2 0

où la variable χ est définie par

 
Q1/2 φ/ℓ
χ= ,
c

Q étant une matrice 19 diagonale qui permet de traduire matriciellement la fonction de poids utilisée pour
évaluer de manière discrète les produits scalaires continues.

Afin de pouvoir généraliser facilement aux sections suivantes les expressions, on introduit les notations 20 :
   
Q1/2 /ℓ 0
B2 ≡ B ; C1 ≡ ; D12 ≡ .
0 I

et on considère que l’équation (2.5a) est modifiée par l’introduction d’un terme d’un terme de forçage 21
f au second membre.

Compte tenu de ces changements de notation, le système gouvernant l’évolution de l’état φ, le terme χ
b s’écrivent :
à optimiser et l’état estimé φ

φ̇ = Aφ + f + B2 c (2.6a)
χ = C1 φ + D12 c (2.6b)
b = φ.
φ (2.6c)

Le système P étant maintenant gouverné par l’équation (2.6a), le problème à résoudre peut finalement
s’énoncer de la manière suivante :

b
Déterminer le contrôleur KLQR tel que par application du contrôle c, calculé à partir de l’état estimé φ,
le système P converge vers l’état φ qui minimise la fonctionnelle objectif JLQR (χ).

Sous forme condensée, le système (2.6) peut s’écrire comme

l φ f c m
φ̇ A I B2
(2.7)
PLQR = χ C1 0 D12
j k
b
φ I 0 0

introduisant, de cette manière, un nouveau système dénommé PLQR , système caractéristique de la mé-
thode LQR. Par ailleurs, les circulations d’information relatives à la méthode LQR peuvent être représentées
schématiquement par le diagramme bloc de la figure 2.2.

18. Les anglo-saxons utilisent le verbe "regulate".

19. Dans le cas de l’écoulement de canal étudié par Bewley, les termes diagonaux de Q sont égaux à π/N (équation
(2.10), page 312 de Bewley et Liu, 1998).
20. Dans D12 , I représente la matrice identité.
21. Dans la méthode LQR, les perturbations sont amorties sans qu’il y ait besoin d’introduire de forçage autre que
le contrôle c, le terme f est donc égal à zéro et introduit uniquement dans un soucis de généralité.
2.3 Contrôle linéaire par feedback dans l’espace des états 49

f χ
PLQR

c φ

KLQR

Figure 2.2 – Diagramme bloc illustrant la méthode de contrôle optimal LQR.

Le problème énoncé précédemment est équivalent à un problème d’optimisation sous contraintes. On

verra à la section 2.4.1, qu’une manière classique en optimisation de transformer un problème d’optimisation
sous contraintes en un autre problème d’optimisation sans contrainte, est d’introduire des multiplicateurs
de Lagrange. De manière à imposer la contrainte donnée par l’équation (2.6a), pour laquelle on a considéré
f = 0, on introduit les multiplicateurs de Lagrange ξ. On peut alors introduire la fonctionnelle L, dite de
Lagrange, définie 22 par :
Z Z ∞  
1 ∞ ∗ ∗ dφ
L(φ, c, ξ) = χ χ dt − ξ − Aφ − B2 c dt.
2 0 0 dt
La solution du problème d’optimisation sans contrainte est alors déterminée en annulant successivement
les dérivées de Fréchet 23 de L suivant les variables 24 φ et c.

En annulant la dérivée de Fréchet de L suivant les variables d’état φ, on trouve l’équation

dξ
− = A∗ ξ + C1∗ C1 φ, ξ(∞) = 0.
dt
dite équation adjointe de la contrainte (2.6a).

Enfin, annuler la dérivée de Fréchet de L suivant les variables de contrôle c donne la relation :

c = −B2∗ ξ. (2.8)

En optimisation, cette équation est appelée condition d’optimalité : elle correspond à la condition qui doit
être vérifiée au minimum de la fonctionnelle objectif (voir section 2.4.1).

Compte tenu de cette condition d’optimalité, l’équation (2.6a) du système PLQR combinée à l’équation
adjointe (2.3.2) s’écrit sous la forme du système linéaire d’équations différentielles suivant :

 dφ = Aφ − B2 B2∗ ξ

dt
 dξ
 − = A∗ ξ + C1∗ C1 φ
dt
Il est alors possible d’écrire ce système sous la forme matricielle
      
d φ A −B2 B2∗ φ φ
= = H LQR
dt ξ −C1∗ C1 −A∗ ξ ξ

où  
A −B2 B2∗
HLQR =
−C1∗ C1 −A∗

22. Dans cette expression, on a χ∗ χ = φ∗ C1∗ C1 φ + c∗ c.

23. La définition de la dérivée de Fréchet est rappelée à la note de bas de page 43 située à la section 2.4.1.
24. Comme il sera également précisé à la section 2.4.1, évaluer la dérivée de Fréchet de L suivant la variable ξ
redonnerait immédiatment l’équation de contrainte (2.6a), ce qui explique qu’on ne mentionne pas ici la variable ξ.
50

est la matrice Hamiltonienne 25 du système.

L’équation algébrique de Riccati associée à cette matrice Hamiltonienne s’écrit alors :

ΠA + A∗ Π − ΠB2 B2∗ Π + C1∗ C1 = 0. (2.9)

Or, soit ΠK2 la solution Hermitienne définie positive de l’équation de Riccati construite sur HLQR , ce
que l’on note encore ΠK2 = Ric(HLQR ), on montre (Zhou et al., 1996, page 377) que l’opérateur de feedback
K2 dont on cherche l’expression est simplement donné par

K2 = −B2∗ ΠK2 .

Par conséquent, le contrôleur KLQR est défini de la manière suivante 26 :

c = K2 φ = −B2∗ ΠK2 φ.

Ce contrôleur permet donc de minimiser la fonctionnelle JLQR , correspondant à l’énergie d’une perturba-
tion φ quelconque, dans le cas où le système P est supposé parfait i.e. lorsqu’il ne subit aucune perturbation
extérieure.

[Link] Filtre de Kalman-Bucy (KBF)

A la section précédente, nous avons présenté un cas simple pour lequel le système P ne subissait pas de
perturbation extérieure, permettant ainsi de mesurer précisément l’état du système. Considérons maintenant
le cas où le système P est en présence de perturbations extérieures. L’état du système ne peut alors plus
être connu de manière exacte et il faut donc dans un premier temps l’estimer avant de pouvoir l’utiliser pour
déterminer le contrôle. Cette opération d’estimation peut être réalisée par un filtre de Kalman-Bucy. Pour
cela, on suppose que les perturbations du système P et les bruits de mesure se comportent comme des bruits
blancs Gaussiens non corrélés entre eux. On introduit alors deux bruits blancs Gaussiens nuls en moyenne
w1 et w2 , de matrice de covariance 27 respective E[w∗1 w1 ] = I et E[w∗2 w2 ] = I. Soient G1 et G2 , la racine
carré respective de la covariance des perturbations du système P et de la covariance des bruits de mesure, le
système P s’écrit maintenant :

φ̇ = Aφ + G1 w1 + Bc (2.10a)
ψ m = Cφ + G2 w2 + Dc. (2.10b)

L’objectif du filtre de Kalman-Bucy est d’estimer au mieux l’état du système φ en se basant uniquement
sur les observables ψ m . Autrement dit, le filtre de Kalman-Bucy cherche à faire tendre vers zéro le plus
rapidement possible la norme du signal d’erreur φE définie par

b
φE = φ − φ

b est l’état estimé par un filtre de la forme (2.3). Mathématiquement, la fonctionnelle objectif associée
où φ
à ce problème peut être définie par :

25. Soient A, Q et R, trois matrices réelles n × n avec Q et R des matrices symétriques. Par définition (Zhou et al.,
1996), toute matrice 2n × 2n s’écrivant sous la forme :
 
A R
H=
−Q −A∗

est une matrice Hamiltonienne. Par ailleurs, on rappelle qu’à toute matrice  Hamiltonienne H, on peut associer une
I
équation algébrique de Riccati donnée par la relation (−Π I)H = −ΠA − A∗ Π − ΠRΠ − Q = 0. Enfin,
Π
précisons qu’étant donné le rôle central joué par les équations de Riccati algébriques, de nombreux solveurs existent
pour résoudre numériquement cette équation.
26. Puisque la condition d’optimalité (2.8) s’écrit c = −B2∗ ξ, on obtient que la solution de la méthode LQR est telle
que ΠK2 = Ric(HLQR ) relie les variables adjointes ξ aux variables d’état φ (ξ = ΠK2 φ).
Z
1 T
27. De manière classique, E[·] = lim [·] dt représente l’espérance mathématique.
T −→∞ T 0
2.3 Contrôle linéaire par feedback dans l’espace des états 51

JKBF = E[kχE k2 ]

où χE ≡ φE pour des problèmes de notation. Le meilleur estimé possible de l’état complet φ sera donc
donné par la solution minimisant la fonctionnelle JKBF .

Afin de permettre une généralisation aisée de cette approche aux sections suivantes, nous allons introduire
de nouvelles notations. Définissons d’abord w, vecteur de perturbations, par :
 
w1
w=
w2

et posons 28 ensuite :

B1 ≡ (G1 0) ; C2 ≡ G−1
2 C ; D21 ≡ (0 I).

b:
Enfin, construisons par simple changement de variables, deux nouveaux vecteurs d’observations ψ et ψ

ψ ≡ G−1 b ≡ G−1 (ψ
b − Dc).
2 (ψ m − Dc) ; ψ 2 m

Compte tenu de ces changments de notation, les équations (2.10b) et (2.3b) deviennent

ψ = C2 φ + D21 w, (2.11a)
ψ b
b = C2 φ. (2.11b)

Puisque l’on cherche à développer un estimateur, il est logique de déterminer l’équation d’évolution
de φE , signal d’erreur entre l’état φ et sa valeur estimée φ b et de ψ , erreur commise entre la nouvelle
E
observable ψ et son estimée ψ.b En soustrayant, d’une part l’équation (2.10a) de l’équation (2.3a) et d’autre
part l’équation (2.11b) de l’équation (2.11a), on touve le système :

φ̇E = AφE + B1 w + b c (2.12a)

χE = φE (2.12b)
ψ E = C2 φE + D21 w. (2.12c)

Le filtre de Kalman-Bucy LKBF , que l’on cherche à déterminer, utilise donc ψ E , erreur commise sur
les observables, pour évaluer b
c, terme de forçage des équations d’évolution du signal d’erreur φE tel que la
fonctionnelle JKBF (χE ) soit minimale en présence de perturbations gaussiennes w.

Sous forme condensée, le système (2.12) peut s’écrire comme

l φE w c m
b
φ̇E A B1 I
(2.13)
PKBF = χE I 0 0
j k
ψE C2 D21 0

introduisant, de cette manière, un nouveau système 29 dénommé PKBF , système caractéristique du filtre de
Kalman-Bucy. Par ailleurs, les circulations d’information relatives au filtre de Kalman-Bucy peuvent être
représentées schématiquement par le diagramme bloc de la figure 2.3.

28. Pour cela, il faut admettre que la matrice G2 est inversible.

29. On peut remarquer qu’en prenant le transposé conjugué du système PLQR donné par l’équation (2.7), on obtient
la même structure de matrice que celle correspondant au système PKBF donné par l’équation (2.13). Pour cette raison,
ces deux problèmes sont dit duaux.
52

w χE
PKBF

c
b ψE

LKBF

Figure 2.3 – Diagramme bloc illustrant le filtre de Kalman-Bucy.

De manière similaire à ce qui avait été réalisé pour la méthode LQR à la section précédente, on peut,
connaissant l’expression du système PKBF , introduire la matrice hamiltonienne HKBF du système :
 
A∗ −C2∗ C2
HKBF = .
−B1 B1∗ −A
L’équation algébrique de Riccati associée à HKBF s’écrit :

AΠ + ΠA∗ − ΠC2∗ C2 Π + B1 B1∗ = 0. (2.14)

Soit ΠL2 = Ric(HKBF ), l’opérateur de feedback L2 dont on cherche l’expression est simplement donné (Zhou
et al., 1996) par
L2 = −ΠL2 C2∗ .
Par conséquent, le filtre de Kalman-Bucy LKBF est caractérisé par la relation :

c = L2 ψ E = −ΠL2 C2∗ ψ E .
b
b de l’état φ est gouverné par l’expression :
et l’estimateur φ

ḃ = Aφ
φ b
b + B2 c − L2 (ψ − C2 φ).

Finalement, cet estimateur minimise E[kφ − φkb 2 ] dans un modèle soumis à des perturbations gaussiennes
pour le système P et à des bruits de mesure de type gaussien.

[Link] Contrôle sur H2 (LQG=LQR+KBF)

Dans cette section, nous allons combiner les résultats obtenus par la méthode LQR, pour la partie contrô-
leur, et par le filtre de Kalman-Bucy, pour la partie estimation, dans l’objectif de construire un couple 30
contrôleur/estimateur pour le système P soumis à des perturbations Gaussiennes. Par conséquent, on consi-
dérera le système P gouverné par le système d’équations (2.10).

L’objectif du contrôle est de minimiser la fonctionnelle 31

JLQG = E[kφk2 + ℓ2 c∗ c],

où k · k représente la norme euclidienne ou encore norme L2 .

30. On recherche un couple contrôleur/estimateur du même type que les systèmes d’équations (2.4) et (2.3).
31. Il est aisé de remarquer que de la même manière que pour la fonctionnelle JLQR , on peut transformer JLQG en

JLQG = E[χ∗ χ]

où  
Q1/2 φ/ℓ
χ= .
c
2.3 Contrôle linéaire par feedback dans l’espace des états 53

Les équations d’état étant linéaires, la fonctionnelle coût quadratique et les perturbations supposées
gaussiennes, la méthode est appelée LQG pour Linear Quadratic Gaussian. Par ailleurs, l’objectif étant de
minimiser le carré d’une norme euclidiennne, ce type d’approche est également connu sous le nom de contrôle
H2 .

En reprenant les mêmes notations que celles introduites dans les deux sections précédentes, les équa-
tions (2.10a), (2.6b) et (2.11a) deviennent :

φ̇ = Aφ + B1 w + B2 c (2.15a)
χ = C1 φ + D12 c (2.15b)
ψ = C2 φ + D21 w. (2.15c)

Le couple contrôleur/estimateur sur H2 , que l’on cherche à déterminer, utilise donc ψ, observables, pour
évaluer c, terme de forçage des équations d’évolution de l’état φ tel que la fonctionnelle JLQG (χ) soit mini-
male en présence de perturbations gaussiennes w.

Un résultat majeur de la théorie du contrôle (Lewis et Syrmos, 1995) est que pour trouver le contrô-
leur/estimateur sur H2 qui minimise la fonctionnelle JLQG pour le système (2.15), il suffit de combiner le
contrôleur K2 , obtenu par la méthode LQR, et l’estimateur L2 , évalué par le filtre de Kalman-Bucy, soit :
 
A −B2 B2∗
K2 = −B2∗ ΠK2 où ΠK2 = Ric(HLQR ) = Ric
−C1∗ C1 −A∗
et  
A∗ −C2∗ C2
L2 = −ΠL2 C2∗ où ΠL2 = Ric(HKBF ) = Ric
−B1 B1∗ −A

Finalement, le couple contrôleur/estimateur sur H2 est donné par :

b
c = K2 φ (2.16a)
ḃ = Aφ
φ b + B2 c − L2 (ψ − C2 φ).
b (2.16b)

On constate que la détermination du contrôleur K2 est indépendante des perturbations subies par le
système qui interviennent dans les termes B1 et C2 (via les termes G1 et G2 ). De même, la détermination
de l’estimateur L2 ne dépend pas des fonctions de poids Q utilisées pour évaluer la fonctionnelle objectif
(terme C1 ), ni de la manière par laquelle le contrôle c agit sur l’état φ (terme B2 ). Autrement dit, sur H2 ,
les problèmes de contrôle et d’estimation sont complètement découplés.

2.3.3 Théorie du contrôle robuste sur H∞

Le couple contrôleur/estimateur sur H∞ que l’on va décrire dans cette section est très semblable à celui
discuté sur H2 à la section précédente. Seules des considérations différentes sur les perturbations sont portées :
au lieu de supposer que les perturbations suivent une loi gaussienne, on considère ici la "pire" perturbation
susceptible de déstabiliser le système que l’on nomme κ pour la différencier des perturbations précédentes.
Les équations du système seront donc identiques aux équations (2.15) dans lesquelles on aura pris soin
de remplacer les perturbations w par κ :

φ̇ = Aφ + B1 κ + B2 c (2.17a)
χ = C1 φ + D12 c (2.17b)
ψ = C2 φ + D21 κ. (2.17c)

Soit Tχκ , la fonction de transfert des perturbations κ, subies par le système, aux mesures de performance
de la boucle de contrôle par feedback χ, le couple contrôleur/estimateur, auquel on s’intéresse ici, doit être
54

tel que kTχκ k∞ < γ où γ est une constante donnée et k · k∞ , la norme 32 infinie de la fonction de transfert.
Pour cette raison, cette approche est appelée contrôle sur H∞ .

Dans cette approche, l’objectif du contrôle est de minimiser la fonctionnelle

J∞ = E[φ∗ Qφ + ℓ2 c∗ c − γ 2 κ∗ κ].
Finalement, le couple contrôleur/estimateur sur H∞ , que l’on cherche à déterminer, utilise donc ψ, obser-
vables, pour évaluer c, terme de forçage des équations d’évolution de l’état φ tel que la fonctionnelle J∞ (χ)
soit minimale en présence des "pires 33 " perturbations κ. Comme à la section précédente, les matrices G1
et G2 caractérisent la covariance de chacune des perturbations (système et mesures) éventuellement connue
par ailleurs. Si les perturbations ne sont pas connues alors on considère que ces matrices sont données par la
matrice identité.

Finalement, on peut montrer (Lewis et Syrmos, 1995) que le contrôleur/estimateur sur H∞ de la forme
(2.4)/(2.3) qui minimise J∞ en présence de la "pire" perturbation κ est définie par le système :

b
c = K∞ φ (2.18a)
ḃ = Aφ
φ b
b + B2 c − L∞ (ψ − C2 φ) (2.18b)

où le contrôleur K∞ et l’estimateur L∞ sont respectivement donnés par :

 
∗ A γ −2 B1 B1∗ − B2 B2∗
K∞ = −B2 ΠK∞ où ΠK∞ = Ric (2.19)
−C1∗ C1 −A∗

et  
A∗ γ −2 C1∗ C1 − C2∗ C2
L∞ = −ΠL∞ C2∗ où ΠL∞ = Ric . (2.20)
−B1 B1∗ −A

On obtient 34 que lorsque γ → ∞, le problème de contrôle sur H∞ est équivalent au problème de contrôle
sur H2 de type LQG. Par conséquent, les seules équations (2.19) et (2.20) définissent les équations de Riccati
qui sont associées aux problèmes de contrôle sur H2 et H∞ .

Les termes γ −2 B1 B1∗ − B2 B2∗ et γ −2 C1∗ C1 − C2∗ C2 ne devant pas être définis négatifs, les équations algé-
briques de Riccati définies ci-dessus admettent une solution uniquement pour γ suffisamment grand. La plus
petite valeur de γ appelée γ0 telle que ces équations admettent une solution est déterminée numériquement
par essais successifs. Pour γ ≥ γ0 , on dit que le contrôleur/estimateur sur H∞ est sous-optimal.

Une caractéristique essentielle du contrôle sur H∞ est que, contrairement au cas du contrôle sur H2 ,
les phases de détermination du contrôleur et de l’estimateur sont couplées. En effet, on constate que le
contrôleur K∞ dépend de la covariance des perturbations du système par l’intermédiaire de B1 . De même,
la détermination de l’estimateur L∞ dépend des fonctions de poids utilisées pour évaluer numériquement la
fonctionnelle objectif par l’intermédiaire de C1 .
Enfin, on trouve que les propriétés de stabilité d’un contrôleur/estimateur sur H∞ sont généralement
meilleures que celles obtenues par le contrôleur/estimateur sur H2 .

32. Pour introduire la norme infinie d’une fonction de transfert, il faut considérer le système dans le domaine fré-
quentiel. Par définition (Zhou et al., 1996), on a alors :


kTχκ k∞ = sup σmax Tχκ (ω)
ω

où σmax correspond à la plus grande valeur singulière.

33. Par définition, ces "pires" perturbations sont telles que leurs actions provoquent une augmentation de la fonc-
tionnelle coût J∞ la plus importante parmi toutes les perturbations envisageables. Par ailleurs, puisque le contrô-
leur/estimateur que l’on recherche doit minimiser la fonctionnelle J∞ , on peut considérer que le problème du contrôle
sur H∞ est équivalent à un problème de "min-max" (Zhou et al., 1996, chapitre 15). Le terme −γ 2 introduit dans la
fonctionnelle J∞ joue le rôle de paramètre de régularisation (section 2.2.2).
34. Comme on pouvait intuitivement s’y attendre !
2.3 Contrôle linéaire par feedback dans l’espace des états 55

2.3.4 Application à l’équation de la chaleur

A titre d’illustration des méthodes de contrôle linéaire dans l’espace des états, nous appliquons la méthode
LQR présentée à la section 2.3.2 au contrôle distribué de l’équation de la chaleur 35 .

L’équation de la chaleur monodimensionnelle s’écrit sous la forme :

∂u ∂2u
=ν 2 +Φ (2.21)
∂t ∂x
où Φ représente un terme de contrôle distribué.

L’équation (2.21) sera résolue dans le domaine D défini par :

D = {(x, t) ∈ [0, L] × [0, T ]}

et sera munie de la condition initiale

u(x, 0) = u0 (x) (2.22)

ainsi que des conditions aux limites

u(0, t) = 0
(2.23)
u(L, t) = 0.

Après discrétisation spatiale sur nX nœuds, l’équation de la chaleur s’écrit sous forme matricielle :

du
= Au + BΦ, u(0) = u0 (2.24)
dt
 
    −2 1 0 ··· 0
u1 Φ1  .. 
 u2  Φ2  1 . 
    ν  
 
..  ..   .. 
où u =  ,
. Φ =  . , A =  . 0 et B = InX .
    ∆x2  0 
unX −1  ΦnX −1   . 
 .. 1
unX ΦnX
0 ··· 0 1 −2
Dans cet exemple, on cherche à déterminer par méthode LQR le contrôle Φ à exercer pour que la fonction
u approche sur D une fonction 36 u
b donnée. L’objectif du contrôle est donc de minimiser la fonctionnelle coût
définie par :
Z
1 T
J (u, Φ) = (ku − ub k2 + ℓ2 Φ∗ Φ) dt.
2 0
La forme de ce problème n’est pas exactement celle qui permet d’utiliser le formalisme de la méthode
LQR. Pour corriger cela, on réalise un changement de variable, en posant ũ = u − u
b.

En considérant que le profil u

b est indépendant du temps, le système (2.24) devient :

dũ
= A(ũ + u
b ) + Bφ, ũ(0) = u0 − u
b (0) (2.25)
dt
et la fonctionnelle objectif s’écrit :
Z T
1
J (ũ, Φ) = (kũk2 + ℓ2 Φ∗ Φ) dt.
2 0

35. L’équation de la chaleur constitue un cas particulier (suppression du terme convectif) de l’équation de Burgers
qui sera utilisée à la section 2.5 pour illustrer la méthode de contrôle optimal.
36. Attention, dans cette section, la notation b· ne représente plus une grandeur estimée comme c’était le cas à la
section 2.3.1.
56

Si, par ailleurs, on pose 37

 
Q1/2 /ℓ
B2 ≡ B ; C1 ≡
0

alors l’Equation Algébrique de Riccati 38 associée au problème LQR s’écrit :

ΠA + A∗ Π − ΠB2 B2∗ Π + C1∗ C1 = 0. (2.26)

et la loi de feedback est donnée par :

Φ = K u = −B2∗ Π u.

Pour l’application numérique, nous avons choisi T = 1, ∆t = 0,0025, L = 1 et nX = 101. La matrice de

poids Q est une matrice diagonale de coefficients égaux à ∆x = nXL−1 et ℓ = 0,001.

Processus de résolution numérique

Initialisations : on pose n = 0 et initialise le contrôle à Φ(0) .

1. Si un critère de convergence est satisfait, le processus itératif est stoppé. Le contrôle optimal est Φ(n) .
Sinon
2. Résolution de l’équation de Riccati (2.26) pour déterminer la matrice Π
3. Détermination du contrôleur K = −B2∗ Π

4. Détermination d’une nouvelle loi de contrôle Φ(n+1) = K u

5. Incrémentation : n = n + 1 et retour à l’étape 1.

Les figures 2.4, 2.5 et 2.6 représentent, en coordonnées espace-temps, respectivement la consigne u b, la
solution u non contrôlée (Φ = 0) et la solution uopt du problème LQR. On constate que le profil de la solution
optimale est très proche du profil cible u
b, permettant ainsi de valider numériquement toute l’approche.

Finalement, nous avons représenté sur la figure 2.7 en coordonnées espace-temps, le contrôle distribué
optimal Φopt (x, t). De manière qualitative, l’évolution spatio-temporelle du contrôle est en bon accord avec
les profils de consigne et de solution non contrôlée.

37. On rappelle que Q est une matrice diagonale permettant de prendre en compte de manière discrète le produit
scalaire.
38. En toute rigueur, l’horizon T n’étant pas infini, on devrait être amené à résoudre une équation différentielle de
Riccati et non l’équation algébrique (2.26). Un processus itératif basé sur le contrôleur obtenu par résolution de cette
équation algébrique donne cependant d’excellents résultats.
2.4 Optimisation non linéaire 57

1 1

0.9 0.9

0.8 0.8

0.7 0.7

0.6 0.6
temps

temps
0.5 0.5

0.4 0.4

0.3 0.3

0.2 0.2

0.1 0.1

0 0
0 0.25 0.5 0.75 1 0 0.25 0.5 0.75 1
x x

Figure 2.4 – Représentation en coordonnées Figure 2.5 – Représentation en coordonnées

espace-temps du profil de la consigne u
b(x, t). espace-temps du profil u(x, t) obtenu pour Φ = 0.

1 1

0.9 0.9

0.8 0.8

0.7 0.7

0.6 0.6
temps
temps

0.5 0.5

0.4 0.4

0.3 0.3

0.2 0.2

0.1 0.1

0 0
0 0.25 0.5 0.75 1 0 0.25 0.5 0.75 1
x x

Figure 2.6 – Représentation en coordonnées Figure 2.7 – Représentation en coordon-

espace-temps du profil optimal uopt (x, t). nées espace-temps du contrôle distribué optimal
Φopt (x, t).

2.4 Optimisation non linéaire

Lorsque les équations d’état intervenant dans le système P de la figure 2.1 ne sont plus linéaires ou alors
que l’hypothèse de linéarisation n’est plus valide (cas du contrôle des écoulements turbulents par exemple),
les méthodes proposées à la section précédente ne sont plus envisageables. Pour résoudre le problème d’op-
timisation sous contraintes énoncé à la section 2.2.1, il ne reste alors que les méthodes d’optimisation non
58

linéaire. En référence 39 avec la méthode de contrôle LQR présentée à la section [Link]., cette approche est
généralement dénommée contrôle optimal.

Les méthodes actuelles pour résoudre un problème d’optimisation sous contraintes se distinguent en deux
classes (Gunzburger, 1997a). La première consiste à transformer le problème d’optimisation avec contraintes
en un problème d’optimisation sans contrainte via la méthode des multiplicateurs de Lagrange (§ 2.4.1) don-
nant alors des conditions d’optimalité du premier ordre. La seconde classe de méthodes utilise directement un
algorithme d’optimisation (voir fin de la section 2.4.3) ce qui nécessite alors la détermination du gradient de
la fonctionnelle objectif, ou au moins d’une approximation de celui-ci. Deux approches peuvent être utilisées
pour évaluer ce gradient : l’approche par les sensibilités décrite à la section 2.4.2 et l’approche par l’état
adjoint développée à la section 2.4.3.

Cette section doit beaucoup aux articles 40 de Gunzburger (1997a, 1999, 2000).

2.4.1 Méthode des multiplicateurs de Lagrange

Le principe consiste à prendre en compte de manière implicite via des multiplicateurs 41 de Lagrange ξ les
contraintes (F) du problème. On définit alors une nouvelle fonctionnelle L, dite fonctionnelle de Lagrange,
qui permet d’introduire un problème d’optimisation sans contrainte. Le bien fondé d’une telle approche peut
être rigoureusement démontré à l’aide des théories issues du contrôle optimal (lire Gunzburger, 1997b, pour
des éléments de réponse).

La prise en compte implicite des contraintes est donc faite en introduisant une fonctionnelle de Lagrange
L définie comme :

L(φ, c, ξ) = J (φ, c) − hF (φ, c), ξi (2.27)

où h·,·i représente un produit scalaire dont la définition dépend généralement de la nature du problème
étudié. La dimension du vecteur ξ est égale au nombre de contraintes du problème initial. Le nouveau pro-
blème d’optimisation sans contrainte s’énonce alors :

Déterminer les variables d’état φ, les variables de contrôle c et les multiplicateurs de Lagrange (ou va-
riables adjointes ou encore de co-état) ξ telles que la fonctionnelle de Lagrange L présente un extremum.

La fonctionnelle Lagrangienne L admet un extremum lorsque L est rendue "stationnaire" par rapport à
chacun de ses arguments. En effet, le calcul des variations impose alors δL = 0, soit :

∂L ∂L ∂L
δL = δφ + δc + δξ = 0.
∂φ ∂c ∂ξ
En supposant par la suite, les variables φ, c et ξ indépendantes 42 , les dérivées de Fréchet 43 de L doivent
être identiquement nulles dans toutes les directions admissibles φ, c et ξ, i.e. quelles que soient les variations
δφ, δc et δξ soit :

39. En effet, dans l’esprit de la théorie du contrôle, les hypothèses réalisées sont les suivantes :
1. le système P n’est soumis à aucune perturbation (l’étape d’estimation n’est donc plus nécessaire),
2. les observables ψm sont confondues avec les états φ.
Mis à part l’hypothèse de linéarisation sur le système P qui n’est plus valide, on se retrouve précisément dans la
configuration du contrôle optimal LQR ce qui explique la dénomination de contrôle optimal donnée à cette approche.
40. Nous remercions ici Alessandro Bottaro de nous avoir communiqué les articles de Gunzburger (1997a,b,c) en
tout début de cette thèse.
41. Abusivement, on parle encore de variables adjointes. Une justification est donnée a posteriori au niveau du
développement de l’équation adjointe du système optimal.
42. Ce qui est en toute rigueur faux car en réalité φ et c sont liées par l’équation d’état F (φ, c) = 0.
43. Par définition, la dérivée de Fréchet de L au point x0 dans la direction δx est donnée par :

L(x0 + εδx) − L(x0 )

lim .
ε−→0 ε
2.4 Optimisation non linéaire 59

∂L ∂L ∂L
δφ = δc = δξ = 0. (2.28)
∂φ ∂c ∂ξ
Ces expressions correspondent à une condition nécessaire et suffisante de détermination d’un extremum
local de L, en revanche elle ne constitue qu’une condition nécessaire à l’obtention d’un minimum ou d’un
maximum. Ce type de méthode nous assure donc uniquement d’obtenir un extremum local mais non global.
On doit donc l’utiliser en gardant à l’esprit qu’il se peut que l’algorithme d’otpimisation reste piégé dans
un minimum local sans aucun intérêt d’un point de vue physique. Evidemment, il serait préférable d’utiliser
des méthodes d’optimisation globale comme les algorithmes génétiques (voir section C.4) mais celles-ci sont
encore trop coûteuses pour qu’elles puissent être utilisées de manière courante en Mécanique des Fluides.

A partir des conditions (2.28), le système optimal associé au problème est construit en annulant succes-
sivement les dérivées de Fréchet de L dans les directions δξ, δφ et δc.

⊲ Annulation de la dérivée de Fréchet de L suivant les multiplicateurs de Lagrange ξ :

Compte tenu de la définition (2.27) de la fonctionnelle Lagrangienne L, la dérivée de Fréchet de L dans
la direction δξ s’écrit :

∂L L(φ, c, ξ + εδξ) − L(φ, c, ξ)

δξ = lim
∂ξ ε→0 ε
−hF (φ, c), ξ + εδξi + hF (φ, c), ξi
= lim
ε→0 ε
soit, après simplification,
hF (φ, c), δξi = 0.
Cette dernière égalité devant être vérifiée quelle que soit δξ, on en déduit que

F (φ, c) = 0 (2.29)

ce qui correspond aux équations de contraintes F du problème d’optimisation.

Ainsi, la dérivation de la fonctionnelle Lagrangienne L suivant les multiplicateurs de Lagrange redonne

les équations de contraintes (équations d’état).

⊲ Annulation de la dérivée de Fréchet de L suivant les variables d’état φ :

Dans ce cas, la dérivée de L dans la direction δφ s’écrit :

∂L L(φ + εδφ, c, ξ) − L(φ, c, ξ)

δφ = lim
∂φ ε→0 ε
 
J (φ + εδφ, c) − J (φ, c) hF (φ + εδφ, c), ξi − hF (φ, c), ξi
= lim −
ε→0 ε ε

En considérant les développements de Taylor de J et de F jusqu’à l’ordre O(ε), la relation précédente

devient :  
∂J ∂F
lim δφ − h δφ, ξi + O(1) = 0,
ε→0 ∂φ ∂φ
soit encore plus simplement
∂J ∂F
δφ − h δφ, ξi = 0.
∂φ ∂φ
On fait alors apparaître dans le premier terme le produit scalaire h·,·i, on trouve alors :

∂J ∂F
h δφ,1i − h δφ, ξi = 0,
∂φ ∂φ
60

∗
soit encore en utilisant les opérateurs adjoints dénotés par (·) :
 ∗  ∗
∂J ∂F
hδφ, i − hδφ, ξi = 0.
∂φ ∂φ

Or, cette égalité doit être vérifiée quelle que soit δφ, on trouve donc finalement les équations adjointes
ou équations duales ou encore équations de co-état du problème d’optimisation :
 ∗  ∗
∂F ∂J
ξ= (2.30)
∂φ ∂φ

Ces équations correspondent aux équations adjointes de l’équation d’état linéarisé autour de l’état. Elles
sont donc linéaires par rapport aux variables adjointes, facilitant ainsi leur résolution. Par ailleurs, les mul-
tiplicateurs de Lagrange vérifient les équations adjointes des contraintes perturbées par un terme source issu
de la fonctionnelle coût ; ceci justifie l’appellation de variables adjointes qu’on leur attribue.

⊲ Annulation de la dérivée de Fréchet de L suivant les variables de contrôle c :

La dérivée de Fréchet de L dans la direction δc s’écrit :

∂L L(φ, c + εδc, ξ) − L(φ, c, ξ)

δc = lim
∂c ε→0
 ε 
J (φ, c + εδc) − J (φ, c) hF (φ, c + εδc), ξi − hF (φ, c), ξi
= lim −
ε→0 ε ε

Des développements de Taylor de J et de F jusqu’à l’ordre O(ε) permettent de déterminer

∂J ∂F
δc − h δc, ξi = 0
∂c ∂c
soit encore, en faisant apparaître dans le premier terme un produit scalaire

∂J ∂F
h δc, 1i − h δc, ξi = 0
∂c ∂c
puis, en introduisant les opérateurs adjoints :
 ∗  ∗
∂J ∂F
hδc, i − hδc, ξi = 0.
∂c ∂c

Or, cette égalité doit être vérifiée quelles que soient les variations δc, ce qui permet finalement de déter-
miner les conditions d’optimalité :  ∗  ∗
∂F ∂J
ξ= (2.31)
∂c ∂c
Ces conditions d’optimalité sont du premier ordre et ne sont vérifiées exactement que lorsqu’un extremum
de la fonctionnelle objectif est atteint.

Les conditions nécessaires (2.29), (2.30) et (2.31) forment un système couplé d’équations aux dérivées par-
tielles appelé système optimal. La solution de ce système est composée des paramètres de contrôle optimaux
copt que l’on recherche réellement, des variables d’état optimales φopt et des variables adjointes optimales
ξopt . Lorsque le système optimal ne comporte pas trop d’inconnues, une méthode de résolution directe (dite
"one shot method") peut être utilisée pour obtenir sans itération la solution optimale. Malheureusement, les
problèmes d’optimisation en Mécanique des Fluides comportent beaucoup trop de degrés de liberté (107 pour
le canal turbulent étudié par simulation numérique directe dans Bewley et al., 2001) pour qu’une méthode
directe soit utilisée. Il s’avère alors nécessaire d’avoir recours à des méthodes itératives pour lesquelles le
contrôle optimal est approché pas à pas jusqu’à convergence. Cette approche peut être décrite formellement
par l’algorithme suivant :
2.4 Optimisation non linéaire 61

Processus de résolution numérique

Initialisations : on pose n = 0 et initialise les paramètres de contrôle à c(0) .

1. Si un critère de convergence est satisfait, le processus itératif est stoppé. Les paramètres de contrôle
optimaux sont c(n) . Sinon
2. Détermination des variables d’état φ(n) par résolution de l’équation d’état (2.29)

F (φ(n) , c(n) ) = 0

3. Détermination des variables adjointes ξ (n) par résolution de l’équation adjointe (2.30)
 ∗ (n)  ∗ (n)
∂F ∂J
ξ (n) = .
∂φ ∂φ

4. Détermination de nouveaux paramètres de contrôle c(n+1) par évaluation de la condition d’optima-

lité (2.31)
 ∗ (n)  ∗ (n)
∂J ∂F
= ξ (n) .
∂c ∂c
5. Incrémentation : n = n + 1 et retour à l’étape 1.

On peut montrer (Gunzburger, 1997a) que cette méthode itérative est équivalente à la résolution par
une méthode de plus grande descente du problème d’optimisation non contraint K(c) = J (φ(c), c) où φ(c)
représente l’état connu correspondant au contrôle c.

La détermination à l’étape 4 d’un nouveau contrôle peut être effectuée par une méthode itérative de type
gradient qui approche pas à pas le contrôle optimal :
 (n)
∂J
c(n+1) = c(n) − ω (n) δc .
∂c
Le paramètre de relaxation ω (n) est déterminé à l’aide d’un méthode de recherche linéaire (voir annexe C).

La deuxième classe de méthodes de résolution d’un problème d’optimisation sous contraintes correspond
à l’utilisation d’un algorithme d’optimisation. Par conséquent, on est obligé de déterminer le gradient de la
fonctionnelle objectif à optimiser, ou au moins une approximation de celui-ci.

2.4.2 Approche du gradient par les sensibilités

Par application de la règle des dérivées successives d’une fonction composée, on obtient l’expression 44
suivante :

dJ (φ, c) ∂J (φ, c) dφ ∂J (φ, c)

= + (2.32)
dc ∂φ dc ∂c
pour le gradient de la fonctionnelle objectif par rapport aux variables de contrôle.
∂J
Puisque la fonctionnelle J dépend explicitement de φ et de c (voir § 2.2.2), les dérivées partielles et
∂φ
∂J
seront "faciles" à calculer. En revanche, les variables d’état φ dépendant implicitement des variables de
∂c
dφ
contrôle c, les sensibilités seront plus délicates à évaluer. En pratique, deux approches peuvent cependant
dc
être utilisées :

1. Par différences finies

44. Si les paramètres de contrôle c sont multiples, il y aura une équation du type (2.32) pour chacun des paramètres
de contrôle.
62

En effet, les sensibilités peuvent être approximées par différences finies de la manière suivante :

dφ φ(c(n) ) − φ(c̃)
≃
dc c(n) c(n) − c̃
où les paramètres de contrôle c̃ sont suffisamment proches des paramètres de contrôle c(n) et où φ(c̃)
est l’état solution de l’équation F (φ(c̃),c̃) = 0. L’inconvénient de cette méthode est qu’elle est assez
coûteuse numériquement car il est nécessaire de résoudre l’équation d’état, qui est souvent non-linéaire,
autant de fois qu’il y a de paramètres de contrôle. Par ailleurs, les gradients évalués par cette méthode
manquent souvent de précision.

2. Par résolution de systèmes linéaires

Une autre méthode de calcul des sensibilités consiste à utiliser la relation F (φ, c) = 0, donnée par
l’équation d’état, et à la différentier. On obtient alors :

∂F ∂F
dF = dφ + dc = 0,
∂φ ∂c
soit :
 
∂F dφ ∂F
=− . (2.33)
∂φ c(n) dc c(n) ∂c c(n)

Finalement, les sensibilités sont obtenues par résolution de ce système linéaire. L’inconvénient majeur de
cette approche est qu’il est nécessaire de résoudre autant 45 de systèmes linéaires qu’il y a de paramètres
de contrôle. Cette méthode est cependant bien plus performante que l’approche par différences finies :
en effet, le calcul des sensibilités se fait de manière exacte par résolution de systèmes linéaires.

2.4.3 Approche du gradient par l’équation adjointe

Le gradient de la fonctionnelle objectif J par rapport aux variables de contrôle c peut également être
obtenu en combinant l’équation adjointe (2.30) et l’expression (2.32) donnant dJ /dc.

En effet, l’adjoint de l’équation (2.30) :

 ∗  ∗
∂F ∂J
ξ=
∂φ ∂φ

correspond à l’équation :
∂F ∂J
ξ∗ = . (2.34)
∂φ ∂φ
En introduisant cette équation dans l’expression (2.32) du gradient de la fonctionnelle par rapport aux
variables de contrôle, on obtient :

dJ (φ, c) ∂F (φ, c) dφ ∂J (φ, c)

= ξ∗ + .
dc ∂φ dc ∂c
Finalement, en utilisant l’équation (2.33), il devient à un itéré n quelconque :

dJ (n) (n)  ∗ ∂F ∂J
(φ , c ) = − ξ (n) + . (2.35)
dc ∂c c(n) ∂c c(n)
L’avantage de cette méthode par rapport à celle des sensibilités est qu’il faut résoudre une seule fois un
système linéaire (le système adjoint 2.34) et cela indépendamment du nombre de paramètres de contrôle. On
remarque également que l’adjoint de la condition d’optimalité (2.31) correspond à l’écart à zéro du gradient
de la fonctionnelle coût dJ /dc. En d’autres termes, quand les conditions d’optimalité sont vérifiées, on a

45. On peut cependant réduire le coût de calcul lié à cette méthode en remarquant que seul le terme de droite de
l’équation (2.33) dépend d’un paramètre de contrôle particulier. L’opérateur de gauche peut être discrétisé une fois
pour toutes, à un itéré donné, puis utilisé pour résoudre tous les systèmes linéaires.
2.4 Optimisation non linéaire 63

exactement dJ /dc = 0.

Connaissant maintenant le gradient de la fonctionnelle objectif J par rapport aux variables de contrôle
c, celui-ci peut être utilisé dans un algorithme d’optimisation à directions de descente. Différents algorithmes
à directions de descente sont discutés à l’annexe C. Seul ici est présenté le principe général de l’algorihtme
d’optimisation itératif à utiliser pour déterminer le contrôle optimal.

Algorithme d’optimisation

Initialisations : on pose n = 0 et initialise les paramètres de contrôle à c(0) .

1. Si un critère de convergence est satisfait, le processus itératif est stoppé. Les paramètres de contrôle
optimaux sont c(n) . Sinon
dJ
2. Détermination du gradient de la fonctionnelle J par rapport aux variables de contrôle c : par la
dc
méthode des sensibilités ou celle de l’équation adjointe.
dJ
3. Détermination d’une direction de descente dn basée sur le gradient .
dc
4. Détermination de nouveaux paramètres de contrôle

c(n+1) = c(n) + ω (n) dn

où le paramètre ω (n) est déterminé par recherche linéaire.

5. Incrémentation : n = n + 1 et retour à l’étape 1.

2.4.4 Résolution numérique : commutativité des étapes de discrétisation et de

différentiation
En Mécanique des Fluides, le système optimal (équations d’état, équations adjointes, conditions d’optima-
lité) est habituellement constitué par des équations aux dérivées partielles qui ne possèdent pas de solutions
analytiques. Il est alors nécessaire d’avoir recours au calcul numérique pour la résolution. Plus exactement, les
équations mises en jeu doivent être discrétisées en temps et en espace avant d’être résolues numériquement.
En pratique, on est donc confronté au choix suivant :
1. soit on utilise les équations d’état et la fonctionnelle coût sous forme continue pour déterminer les
équations adjointes du problème et les conditions d’optimalité, équations qu’il reste à discrétiser pour
les résoudre (différentiation-discrétisation),
2. soit on discrétise immédiatement les équations d’état et la fonctionnelle objectif, équations discréti-
sées que l’on utilise pour déterminer les équations adjointes et les conditions d’optimalité discrétisées
(discrétisation-différentiation).
Les problèmes de Mécanique des Fluides étant des problèmes d’évolution en temps et en espace, il existe
en fait une pratique intermédiaire (Chang, 2000) dans laquelle on discrétise uniquement en temps les équa-
tions d’état et la fonctionnelle coût afin de déterminer un système optimal semi-discret (discret en temps et
continue en espace).

L’ensemble de ces approches est résumé sur la figure 2.8.

Le problème qui se pose en terme d’optimisation est que les étapes de différentiation-discrétisation et
de discrétisation-différentiation ne sont en général pas commutatives (Gunzburger, 1997a). Elles fournissent
donc a priori des approximations différentes pour les sensibilités conduisant éventuellement à des gradients
qui n’ont aucun sens. Pour essayer d’analyser la question, une étude comparative des trois approches de
discrétisation-différentiation a récemment été menée (Elshrif, 2003), en considérant pour équations d’état des
modèles simples d’équations aux dérivées partielles (équation de la chaleur et équation de Burgers monodi-
mensionnelle). Malheureusement, cette étude n’a pas mis en évidence de réelles différences quant au contrôle
optimal obtenu 46 . Pour cette raison, et parce que cette approche semi-discrète est peu employée en pratique,
elle ne sera plus discutée par la suite.

46. Une des raisons est certainement la simplicité des modèles considérés.
64

Différentiation

Equations d’état + Equations adjointes +

Fonctionnelle objectif Conditions d’optimalité
Continues en temps Continues en temps
Continues en espace Continues en espace
Discrétisation

Equations d’état + Equations adjointes +

Fonctionnelle objectif Conditions d’optimalité
Discrètes en temps Discrètes en temps
Continues en espace Continues en espace

Equations d’état + Equations adjointes +

Fonctionnelle objectif Conditions d’optimalité
Discrètes en temps Discrètes en temps
Discrètes en espace Discrètes en espace

Figure 2.8 – Représentation schématique des différentes approches de résolution du système optimal.
Discussion de la commutativité des étapes de discrétisation et de différentiation. −−−− : différentia-
tion puis discrétisations spatiale et temporelle, − − − : discrétisation temporelle, différentiation puis
discrétisation spatiale, · · · · · · : discrétisations spatiale et temporelle puis différentiation.

Les sections suivantes présentent de manière succincte les approches de discrétisation-différentiation et

discrétisation-différentiation en insistant plus particulièrement sur leurs avantages et inconvénients respectifs.
Une discussion plus approfondie pourra être trouvée dans Gunzburger (1997c).

[Link] Discrétisation-Différentiation
Cette approche consiste à discrétiser en premier lieu les équations d’état du système à optimiser puis
d’utiliser les expressions discrètes obtenues pour déterminer, via les méthodes d’optimisation non linéaire
présentées jusqu’ici, les équations du système optimal discret. Des exemples d’application de cette approche
sont donnés dans Elshrif (2003) et Chang (2000). L’intérêt de cette approche, dite de différentiation à la main,
est qu’elle fournit les sensibilités exactes (aux erreurs d’arrondis près) de la solution discrète du problème
d’optimisation. Cependant, ce travail de différentiation peut devenir rapidement contraignant lorsque les
équations du système d’état ne sont pas simples (équation de Navier-Stokes par exemple) et les schémas de
discrétisation temporelle et spatiale complexes. Par ailleurs, la différentiation doit être réalisée pour chacun des
paramètres de contrôle, compliquant encore les choses. On comprend donc aisément l’attrait que peuvent avoir
dans certains cercles les méthodes de différentiation automatique. Ces méthodes consistent à appliquer, à un
code de résolution des équations d’état écrit en fortran, C ou C++, un logiciel de différentiation automatique
2.5 Un problème modèle : l’équation de Burgers 65

(ADIFOR, TAMC, FastOpt, Tapenade pour les plus connus) qui produit en sortie un autre code, écrit dans
le même langage, calculant les sensibilités exactes de la solution discrétisée. Le travail de différentiation, qui
devait être jusqu’ici réalisé à la main, est remplacé par une procédure automatique où l’utilisateur n’intervient
plus, laissant ce soin au logiciel choisi. Cette méthode, qui paraît attractive, nécessite cependant un temps
CPU beaucoup plus élevé que les méthodes de différentiation-discrétisation discutées par la suite. Par ailleurs,
ces logiciels, qui sont encore au stade de développement (Di Césaré, 2000), restent délicats à mettre en œuvre,
expliquant le peu d’application en Mécanique des Fluides. A notre connaissance, seuls Hinze et Slawing (2003)
ont comparé, pour les équations de Navier-Stokes, les gradients obtenus par une méthode adjointe à ceux
déterminés par différentiation automatique.

[Link] Différentiation-discrétisation
Dans cette autre approche, les équations d’état écrites sous forme continue sont directement différentiées.
On obtient alors un système optimal que l’on discrétise 47 pour déterminer les sensibilités. Cette approche,
qui semble la plus naturelle, est par ailleurs souvent plus simple à utiliser en pratique. Pour ces raisons,
c’est l’approche qui est généralement utilisée pour résoudre numériquement un problème d’optimisation sous
contraintes.

[Link] Discussion
Naturellement, les deux approches ci-dessus produisent des approximations des sensibilités exactes. Tou-
tefois, si les sensibilités discrètes obtenues en différentiant les équations d’état discrétisées sont les sensibilités
exactes des variables d’état discrètes, les sensibilités discrètes obtenues en discrétisant les équations du sys-
tème optimal ne sont les gradients d’aucune quantité physique, continue ou discrète. Par conséquent, il est
possible que l’approche par différentiation-discrétisation produise des gradients inconsistants pour la fonc-
tionnelle objectif. Cependant, parce que c’est encore l’approche la plus simple à mettre en œuvre, c’est celle-ci
qui est pour l’instant 48 la plus utilisée dans la littérature (Bewley et al., 2001, par exemple). C’est donc cette
approche, que l’on peut qualifier de standard, qui a été adoptée tout au long de ce mémoire, que ce soit pour
l’exemple illustratif de la section suivante, ou que ce soit au chapitre 5 pour aborder le contrôle du sillage du
cylindre.

2.5 Un problème modèle : l’équation de Burgers

Pour faciliter la compréhension de la théorie du contrôle optimal et préciser l’utilisation qui en sera faite
dans le reste du mémoire, on considère 49 dans cette section un modèle simplifié des équations de Navier-
Stokes : l’équation de Burgers monodimensionnelle. En effet, outre le fait que l’équation de Burgers soit
suffisamment simple pour être souvent considérée comme un problème modèle, ces deux systèmes d’équations
possèdent de nombreuses caractéristiques communes : diffusion visqueuse, convection non linéaire, couches
limites.
Après avoir défini le problème d’optimisation à la section 2.5.1, on utilisera la méthode des multiplicateurs
de Lagrange présentée à la section 2.4.1 pour effectuer la résolution. Enfin, on présentera à la section 2.5.3
quelques résultats numériques qui permettent de valider toute la procédure de résolution.

2.5.1 Définition du problème d’optimisation

L’équation de Burgers monodimensionnelle s’écrit sous forme conservative

∂u 1 ∂u2 ∂2u
LB (u) = + −ν 2 −Φ=0 (2.36)
∂t 2 ∂x ∂x
47. Il est en général conseillé d’utiliser les même schémas de discrétisation que ceux mis en œuvre pour résoudre les
équations du système d’état (Elshrif, 2003, par exemple).
48. Quand les méthodes de différentiation automatique seront réellement arrivées à maturité alors cette situation
changera, permettant ainsi d’éviter d’éventuelles inconsistances des gradients.
49. Cet exemple est inspiré de travaux réalisés dans le groupe de Scott Collis à l’université de Rice (Chang, 2000;
Chen et Collis, 2003).
66

où Φ représente un terme de contrôle distribué.

L’équation (2.36) sera résolue dans le domaine D défini par :

D = {(x, t) ∈ [0, L] × [0, T ]}

et sera munie de la condition initiale

u(x, 0) = u0 (x) (2.37)

ainsi que des conditions aux limites

u(0, t) = φL
(2.38)
u(L, t) = φR

où φL et φR représentent des termes de contrôle frontière.

Dans cet exemple, l’objectif du contrôle est d’optimiser la fonctionnelle coût définie par :
Z Z Z
ω1 T L ω2 L
J (u, Φ, φL , φR ) = b)2 dx dt +
(u − u [u(x, T ) − ū(x)]2 dx
2 0 0 2 0
Z Z Z Z (2.39)
ℓ T L 2 ℓ1 T 2 ℓ2 T 2
+ Φ dx dt + φ dt + φ dt.
2 0 0 2 0 L 2 0 R

Dans cette expression, les fonctions 50 u

b et ū représentent d’une part la consigne à atteindre sur tout le
domaine et à tout instant et d’autre part la consigne à atteindre au temps T . Cette fonctionnelle est de type
énergétique et fait apparaître sur la première ligne l’énergie de l’écart aux consignes et sur la seconde ligne
un terme de régularisation (voir § 2.2.2) correspondant au coût du contrôle.

Formellement, le problème d’optimisation à résoudre peut s’énoncer de la manière suivante :

Déterminer les variables d’état u et les paramètres de contrôle Φ, φL et φR , tels que la fonctionnelle
objectif J soit minimale sous les contraintes (2.36), (2.37) et (2.38).

Ce problème d’optimisation sous contraintes rentre donc dans le cadre de la section 2.2 et la méthode des
multiplicateurs de Lagrange présentée à la section 2.4.1 peut donc être utilisée.

2.5.2 Résolution du problème d’optimisation

Afin de transformer le problème d’optimisation sous contraintes énoncé précédemment en un problème
d’optimisation sans contrainte, on introduit alors les multiplicateurs de Lagrange u∗ , ξL
∗ ∗
et ξR pour chacune des
51
contraintes actives du problème, respectivement l’équation d’état (2.36) et les conditions aux limites (2.38).
On introduit alors la fonctionnelle de Lagrange sous la forme :

L(u, Φ, φL , φR , u∗ , ξL
∗ ∗
, ξR ) =J (u, Φ, φL , φR )
∂u 1 ∂u2 ∂2u
−h + − ν 2 − Φ, u∗ iD
∂t 2 ∂x ∂x
∗ ∗
− hu(0, t) − φL , ξL it − hu(L, t) − φR , ξR it

où les produits scalaires h·,·iD et h·,·it sont respectivement définis comme :

Z TZ L Z T
ha, biD = ab dx dt et ha, bit = ab dt.
0 0 0

50. Attention, dans cette section, la notation b· ne représente plus une grandeur estimée comme c’était le cas à la
section 2.3.1.
51. Il est inutile d’associer un multiplicateur de Lagrange à la contrainte constituée par la condition initiale (2.37)
car ses variations sont identiquement nulles.
2.5 Un problème modèle : l’équation de Burgers 67

Sous forme développée, la fonctionnelle L s’écrit :

Z T Z L Z
ω1 ω2 L2
L(u, Φ, φL , φR , u ∗ ∗
, ξL ∗
, ξR ) = (u − ub) dx dt + [u(x, T ) − ū(x)]2 dx
2 0 0 2 0
Z Z Z Z
ℓ T L 2 ℓ1 T 2 ℓ2 T 2
+ Φ dx dt + φL dt + φ dt
2 0 0 2 0 2 0 R
Z T Z L 
∂u 1 ∂u2 ∂2u
− + − ν 2 − Φ u∗ dx dt
0 0 ∂t 2 ∂x ∂x
Z T Z T
∗ ∗
− (u(0, t) − φL ) ξL dt − (u(L, t) − φR ) ξR dt.
0 0

Le problème d’optimisation sans contrainte s’énonce alors :

Déterminer les variables d’état u, les variables de contrôle Φ, φL et φR et les multiplicateurs de Lagrange
u∗ , ξL
∗ ∗
et ξR telles que la fonctionnelle de Lagrange L présente un extremum.

La fonctionnelle Lagrangienne L admet un extremum lorsque L est rendue "stationnaire" par rapport à
chacun de ses arguments. En effet, le calcul des variations impose alors δL = 0, soit :
∂L ∂L ∂L ∂L ∂L ∗ ∂L ∗ ∂L ∗
δL = δu + δΦ + δφL + δφR + ∗
δu + ∗ δξL + ∗ δξR = 0.
∂u ∂Φ ∂φL ∂φR ∂u ∂ξL ∂ξR

Les arguments de la fonctionnelle L étant supposés 52 indépendants les uns des autres, la dérivée de
Fréchet de L doit donc être identiquement nulle dans toutes les directions admissibles et quelles que soient
les variations considérées. Par conséquent, on a :
∂L ∂L ∂L ∂L ∂L ∗ ∂L ∗ ∂L ∗
δu = δΦ = δφL = δφR = δu = ∗ δξL = ∗ δξR = 0.
∂u ∂Φ ∂φL ∂φR ∂u∗ ∂ξL ∂ξR
L’annulation des dérivées de Fréchet de L suivant les variables adjointes u∗ , ξL
∗ ∗
et ξR redonne immédia-
tement les équations d’état (2.36) et (2.38). Les autres équations du système optimal, équations adjointes et
conditions d’optimalité, sont respectivement déterminées en annulant les dérivées de Fréchet de L suivant les
variables d’état u, et suivant les paramètres de contrôle Φ, φL et φR .

⊲ Annulation de la dérivée de Fréchet de L suivant les variables d’état u :

Z T Z L Z L
∂L
δu =ω1 (u − u
b)δu dx dt + ω2 [u(x, T ) − ū(x)]δu(x, T ) dx
∂u 0 0 0
 
Z T Z L Z T Z T
 ∂ (δu)
 ∂u ∂ (δu) ∂ 2 (δu) 
 u∗ dx dt − ∗ ∗
−  ∂t +δu + u − ν 2 
δu(0, t)ξL dt − δu(L, t)ξR dt = 0.
0 0 | {z } ∂x ∂x
| {z } | {z } ∂x 0 0
I II III

Pour faire apparaître l’équation adjointe L∗B (u∗ )

= 0 de l’équation de Burgers, il reste à intégrer par
parties l’expression précédente afin de l’écrire sous la forme :

hδu,L∗B (u∗ )i + termes de frontière + termes de contrôle (2.40)

Après intégration par parties, on trouve pour les différents termes les expressions suivantes :

⋄ Contribution du terme I
Z T Z L Z L Z T Z L
∂ (δu) ∗ T ∂u∗
− u dx dt = − [δu u∗ ]0 dx + δu dx dt.
0 0 ∂t 0 0 0 ∂t
52. On rappelle que cette hypothèse est en toute rigueur fausse car les variables d’état et les variables de contrôle
sont liées par les contraintes (2.36) et (2.38).
68

⋄ Contribution du terme II
Z T Z L Z T Z T Z L  
∗∂ (δu) L ∂u∗ ∂u
− uu dx dt = − [δu u u∗ ]0 dt + δu u + u∗ dx dt.
0 0 ∂x 0 0 0 ∂x ∂x
⋄ Contribution du terme III

Z T Z L Z T  L Z T Z L
∂ 2 (δu) ∗ ∂ (δu) ∗ ∂u∗ ∂ (δu)
ν u dx dt = ν u dt − ν dx dt
0 0 ∂x2 0 ∂x 0 0 0 ∂x ∂x
Z T  L Z T  L Z TZ L
∂ (δu) ∗ ∂u∗ ∂ 2 u∗
=ν u dt − ν δu dt + ν δu dx dt.
0 ∂x 0 0 ∂x 0 0 0 ∂x2

soit encore, en regroupant les termes comme il est indiqué à l’équation (2.40) :

Z T Z L  
∂L ∂u∗ ∂u∗ ∂ 2 u∗
δu = δu +u +ν + ω 1 (u − u
b ) dx dt
∂u 0 0 ∂t ∂x ∂x2
Z L Z L
∗
+ δu(x, T ) (ω2 [u(x, T ) − ū(x)] − u (x, T )) dx − δu(x, 0) u∗ (x, 0) dx
0 0
Z T  
∂u∗
+ δu(0, t) u(0, t) u∗ (0, t) + ν ∗
− ξL dt
0 ∂x x=0
Z T  
∗ ∂u∗ ∗
− δu(L, t) u(L, t) u (L, t) + ν + ξR dt
0 ∂x x=L
Z T Z T
∂ (δu) ∂ (δu)
−ν u∗ (0, t) dt + ν u∗ (L, t) dt = 0.
0 ∂x x=0 0 ∂x x=L
Cette dernière équation doit être vérifiée quelle que soit la perturbation δu, on peut donc considérer
successivement les cas suivants :
– δu 6= 0 et tous les autres facteurs variationnels supposés nuls, on obtient alors l’équation adjointe :
∂u∗ ∂u∗ ∂ 2 u∗
− −u −ν = ω1 (u − u
b). (2.41)
∂t ∂x ∂x2
Contrairement à l’équation de Burgers (2.36), cette équation est parabolique dans le sens des t décrois-
sant. Pour que le problème soit bien posé, il faudra donc la munir d’une condition terminale.
– δu(x, T ) 6= 0 et tous les autres facteurs variationnels supposés nuls, on obtient ainsi la condition
terminale du problème adjoint :
u∗ (x, T ) = ω2 [u(x, T ) − ū(x)]. (2.42)
∂ (δu)
– 6= 0 et tous les autres facteurs variationnels supposés nuls, on obtient alors la condition au
∂x x=0
limite gauche du problème adjoint :
u∗ (0, t) = 0. (2.43)
∂ (δu)
– 6= 0 et tous les autres facteurs variationnels supposés nuls, on obtient cette fois la condition
∂x x=L
au limite droite du problème adjoint :
u∗ (L, t) = 0. (2.44)
– δu(0, t) 6= 0 et tous les autres facteurs variationnels supposés nuls, on obtient la relation :

∗ ∂u∗
ξL =ν . (2.45)
∂x x=0

– Finalement, δu(L, t) 6= 0 et tous les autres facteurs variationnels supposés nuls, on obtient la relation :

∗ ∂u∗
ξR = −ν . (2.46)
∂x x=L
2.5 Un problème modèle : l’équation de Burgers 69

⊲ Annulation de la dérivée de Fréchet de L suivant la variable de contrôle distribué Φ :

Z T Z L
∂L
δΦ = δΦ (ℓΦ + u∗ ) dx dt = 0.
∂Φ 0 0

Cette équation devant être vérifiée quelle que soit la perturbation δΦ, il faut qu’elle le soit dans le cas
particulier où δΦ 6= 0. Nécessairement, on a alors :

ℓΦ + u∗ = 0.
Cette condition est vérifiée exactement lorsque le minimum de la fonctionnelle est atteint. Lorsque ce
n’est pas le cas, on peut considérer que le gradient de la fonctionnelle J par rapport au terme de contrôle
distribué Φ est donné par :

∇Φ J = ℓΦ + u∗ . (2.47)
⊲ Annulation de la dérivée de Fréchet de L suivant la variable de contrôle de frontière gauche φL :

Z T
∂L ∗
δφL = δφL (ℓ1 φL + ξL ) dt = 0.
∂φL 0

De même, cette relation doit être vérifiée quelle que soit la variation δφL . On peut donc choisir de
considérer le cas δφL 6= 0. On obtient alors à l’aide de la relation (2.45)

∗ ∂u∗
ℓ1 φL + ξL = ℓ1 φL + ν = 0,
∂x x=0

lorsque le minimum est atteint. Lorsque ce n’est pas le cas, on peut considérer que le gradient de la
fonctionnelle J par rapport à φL est donné par :

∂u∗
∇φL J = ℓ1 φL + ν .
∂x x=0

⊲ Annulation de la dérivée de Fréchet de L suivant la variable de contrôle de frontière droite φR :

Z T
∂L ∗
δφR = δφR (ℓ2 φR + ξR ) dt = 0.
∂φR 0

Là encore, cette relation doit être vérifiée quelle que soit la variation δφR . En considérant le cas où
6 0, on obtient, en utilisant la relation (2.46) :
δφR =

∗ ∂u∗
ℓ2 φR + ξR = ℓ2 φR − ν = 0,
∂x x=L

lorsque le minimum est atteint. Lorsque le minimum n’est pas atteint, on peut considérer que le gradient
de la fonctionnelle J par rapport à φR est donné par :

∂u∗
∇φR J = ℓ2 φR − ν .
∂x x=L

Lorsque le minimum de J est atteint, les gradients ∇Φ J , ∇φL J et ∇φR J sont tous nuls. Pour cette
raison, on nomme ces équations conditions d’optimalité.

La figure 2.5.2 présente en résumé le système optimal : équation d’état, équation adjointe et conditions
d’optimalité obtenues dans l’approche retenue ici i.e. par différentiation puis discrétisation. Pour obtenir
numériquement une solution à ce problème d’équations aux dérivées partielles, il reste à discrétiser en temps
et en espace ce système, c’est ce qui sera fait à la section suivante dans un cas plus particulier que celui
évoqué jusqu’ici.
70

Equation d’état :

∂u 1 ∂u2 ∂2u
LB (u) = + −ν 2 −Φ=0
∂t 2 ∂x ∂x

u(0,t) = φL (CL)

u(L,t) = φR (CL)

u(x,0) = u0 (x) (CI)

Equation adjointe :

∂u∗ ∂u∗ ∂ 2 u∗
L∗B (u∗ ) = − −u −ν − ω1 (u − û) = 0
∂t ∂x ∂x2

u∗ (0,t) = 0 (CL)

u∗ (L,t) = 0 (CL)

u∗ (x,T ) = ω2 (u(x,T ) − ū(x)) (CT)

Conditions d’optimalité :

∇Φ J = ℓ Φ + u ∗

∂u∗
∇φL J = ℓ1 φL + ν (0,t)
∂x

∂u∗
∇φR J = ℓ2 φR − ν (L,t)
∂x
Fonctionnelle coût :
Z Z Z
ω1 T L 2 ω2 L
J = (u − û) dxdt + [u(x,T ) − ū(x)]2 dx+
2 0 0 2 0
Z Z Z Z
ℓ T L 2 ℓ1 T 2 ℓ2 T 2
Φ dxdt + φ dt + φ dt
2 0 0 2 0 L 2 0 R

Figure 2.9 – Système optimal de l’équation de Burgers obtenu par l’approche différentiation discré-
tisation. CL : condition limite, CI : condition initiale, CT : condition terminale.
2.5 Un problème modèle : l’équation de Burgers 71

2.5.3 Résultats numériques

Afin de valider les développements de la section précédente, et de démontrer ainsi numériquement l’effica-
cité de la théorie du contrôle optimal à résoudre un système d’optimisation sous contraintes, nous considérons
l’équation de Burgers (2.36) dans le domaine D = {(x, t) ∈ [0, 1] × [0, 1]}. L’objectif est de contrôler cette
équation par seul 53 contrôle distribué. Par conséquent, on considérera par la suite que les conditions aux
limites (2.38) sont données par φL = φR = 0.

Dans cette application, nous choisissons pour condition initiale de l’équation d’état, le même profil que
celui considéré dans les travaux de Chang (2000), soit :

 
tan(cs (2x − 1))
u0 (x) = sin π (2.48)
tan(cs )

où cs est un coefficient permettant de resserrer localement le maillage près des frontières du domaine pour
mieux décrire les couches limites.

Par ailleurs, nous considérons pour fonctionnelle J à optimiser :

Z 1 Z 1 Z 1 Z 1 Z 1
1 2 1 2 ℓ
J (u, Φ) = (u − u0 ) dx dt + [u(x, 1) − u0 ] dx + Φ2 dx dt. (2.49)
2 0 0 2 0 2 0 0

Cette fonctionnelle peut être vue comme un cas particulier de la fonctionnelle (2.39) pour lequel on aurait
imposé :

T = 1; L = 1; u
b = u0 ; ū = u0 ; ℓ1 = 0 ; ℓ2 = 0 ; ω1 = 1 ; ω2 = 1

ce qui nous permet d’utiliser immédiatement tous les résultats de la section 2.5.2.

Dans cette étude de validation, le coût lié au contrôle n’est pas une priorité dans le processus d’opti-
misation. Néanmoins, pour que le problème soit bien posé, on considérera le paramètre de régularisation ℓ
différent de zéro. Plus précisément, on a pris ℓ = 10−4 dans toutes les simulations. Par ailleurs, l’équation
d’état (2.36) et l’équation adjointe (2.41) ont été discrétisés en temps par une méthode de Runge-Kutta à
l’ordre 3 (Williamson, 1980) et en espace par des schémas différences finies centrés d’ordre 2. Finalement, le
coefficient du terme diffusif a été fixé à ν = 0,01.

Une fois évalué le gradient de la fonctionnelle objectif par la relation (2.47), celui-ci est utilisé dans un
algorithme de gradient conjugué de type Fletcher-Reeves couplé à une recherche linéaire d’Armijo à rebrous-
sement (voir annexe C). Dans cette étude, on a considéré que la méthode itérative de résolution était arrivée
à convergence lorsque le critère k∇Φ J k < 10−5 était satisfait.

53. Chen et Collis (2003) considèrent le cas plus général où le contrôle est recherché sous la forme d’un contrôle
distribué et aux frontières i.e. φL et φR différents de zéro.
72

0
1 10

u0 (x)
0.75
u(x,1) Φ = 0
0.5 u(x,1) Φ 6= 0, itération 1
u(x,1) Φ 6= 0, itération 2 10-1
0.25
u

J
-0.25
-2
10

-0.5

-0.75

-3
-1 10
0 0.25 0.5 0.75 1 0 25 50 75 100
x nombre d’itérations

Figure 2.10 – Résultats du contrôle distribué de Figure 2.11 – Evolution en fonction du nombre
l’équation de Burgers. Initialisation et consigne d’itérations de la fonctionnelle objectif J .
données par l’équation (2.48).

La figure 2.10 représente par comparaison avec u0 , champ de vitesse initiale et consigne du contrôle donné
par l’équation (2.48), les profils u(x,t = 1), solutions de l’équation de Burgers, dans le cas où un contrôle n’est
pas appliqué (Φ = 0) et dans le cas où le contrôle est appliqué (Φ 6= 0). On constate sur cette figure qu’au
bout de deux itérations du processus d’optimisation, la solution contrôlée de l’équation de Burgers converge
bien vers la consigne 54 . L’évolution de la fonctionnelle objectif J , en fonction du nombre d’itérations du
processus d’optimisation, est présentée sur la figure 2.11. La valeur de la fonctionnelle objectif diminue très
fortement en fonction des itérations, passant d’une valeur égale à 0,33 au début du processus itératif à une
valeur égale à 1,5 · 10−3 après convergence 55 . La valeur minimale de la fonctionnelle objectif correspond donc
à moins de 0,5% de sa valeur initiale.

Les figures 2.12, 2.13 et 2.14 représentent le même type d’information que la figure 2.10, soit respective-
ment la consigne u0 , la solution u non contrôlée (Φ = 0) et la solution uopt du problème de contrôle optimal
mais en coordonnées espace-temps au lieu que ce soit uniquement pour t = 1. On constate que le profil de la so-
lution optimale est très proche du profil cible u0 , permettant ainsi de valider numériquement toute l’approche.

Finalement, nous avons représenté sur la figure 2.15 en coordonnées espace-temps, le contrôle distribué
optimal Φopt (x, t). L’amplitude du contrôle optimal augmente assez fortement lorsque le temps t = 1 est
approché. Ce résultat s’explique par le fait que l’objectif est double à t = 1 (voir fonctionnelle 2.49).

54. Pour un nombre d’itération du processus d’optimisation égal à 20, on trouve, comme on s’y attendait, que la
solution contrôlée est pratiquement confondue avec la consigne.
55. Pour le critère de convergence retenu dans cette étude, la convergence est obtenue après 100 itérations.
2.5 Un problème modèle : l’équation de Burgers 73

1 1

0.5 0.5
u0

0 0

u
-0.5 -0.5

-1 -1
0 0.8 0 0.8

0.25 0.6 0.25 0.6

x
0.5 0.4 t x
0.5 0.4 t
0.75 0.2 0.75 0.2

1 0 1 0

Figure 2.12 – Représentation en coordonnées Figure 2.13 – Représentation en coordonnées

espace-temps du profil de la consigne u0 (x). espace-temps du profil u(x, t) obtenu pour Φ = 0.

4
0.5

2
Φopt
uopt

0 0

-2

-0.5 -4

-6

-1
0 0.8
0 0.8
0.2
0.25 0.6
0.6
0.4
t x t
x 0.5 0.4 0.6
0.4

0.75 0.2 0.8 0.2

1 0 1 0

Figure 2.14 – Représentation en coordonnées Figure 2.15 – Représentation en coordon-

espace-temps du profil optimal uopt (x, t). nées espace-temps du contrôle distribué optimal
Φopt (x, t).
74