In two and three dimensional Lipschitz, but not necessarily convex, polytopal domains, we propose and analyze a posteriori error estimators for an optimal control problem involving the stationary Navier--Stokes equations; control constraints are also considered. We devise two strategies of discretization: a semi discrete scheme where the control variable is not discretized -- the so-called variational discrezation approach -- and a fully discrete scheme where the control is discretized with piecewise quadratic functions. For each solution solution technique, we design an a posteriori error estimator that can be decomposed as the sum of contributions related to the discretization of the state and adjoint equations and, additionally, the discretization of the control variable for when the fully discrete scheme is considered. We prove that the devised error estimators are reliable and also explore local efficiency estimates. Numerical experiments reveal a competitive performance of adaptive loops based on the devised a posteriori error estimators.


翻译:在二维和三维的Lipschitz, 但不一定是相交的多方形域中, 我们提议和分析一个后端误差估计器, 以优化控制问题, 包括固定的 Navier- Stokes 方程式; 也考虑控制限制。 我们设计了两种离散策略: 一个半离散策略, 控制变量没有分离 -- 所谓的变异解法 -- 和一个完全独立的计划, 控制与片断的二次函数分离。 对于每一种解决方案技术, 我们设计了一个后端误差估计器, 可以分离为与状态离散和连接方程式有关的贡献总和, 以及在审议完全离散的方程式时控制变量的离散。 我们证明, 设计的误差估计器是可靠的, 并探索本地效率估计。 数字实验显示,根据设计后方误判测器, 适应循环的竞争性表现。

0
下载
关闭预览

相关内容

【2020新书】概率机器学习,附212页pdf与slides
专知会员服务
108+阅读 · 2020年11月12日
【DeepMind】强化学习教程,83页ppt
专知会员服务
153+阅读 · 2020年8月7日
迁移学习简明教程,11页ppt
专知会员服务
107+阅读 · 2020年8月4日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
【新书】贝叶斯网络进展与新应用,附全书下载
专知会员服务
120+阅读 · 2019年12月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
spinningup.openai 强化学习资源完整
CreateAMind
6+阅读 · 2018年12月17日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
VIP会员
相关VIP内容
相关资讯
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
spinningup.openai 强化学习资源完整
CreateAMind
6+阅读 · 2018年12月17日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员