O que é o Operador de Koopman?

Um sistema não linear \(x_{k+1}=f(x_k)\) pode ser representado exatamente por um operador linear \(\mathcal{K}\), agindo sobre observáveis \(\phi(x)\) — ao custo de dimensão infinita (Koopman 1931).

Motivação

  • Controle linear (LQR, MPC linear) é maduro e barato de resolver;
  • Controle não linear exige ferramentas mais caras;
  • Ideia de Koopman: em vez de linearizar localmente (jacobiano), buscar coordenadas \(\phi(x)\) em que a dinâmica seja linear globalmente.

Definição do Operador

\(\mathcal{K}\) age sobre observáveis \(\phi:\mathcal{X}\to\mathbb{R}\) por \[(\mathcal{K}\phi)(x) = \phi(f(x))\] “Compor com \(f\)” é linear em \(\phi\), mesmo com \(f\) não linear.

O preço: \(\mathcal{K}\) atua num espaço de funções, de dimensão infinita, não sobre \(\mathcal{X}\) diretamente.

Autofunções e Modos de Koopman

Se \(\mathcal{K}\varphi=\lambda\varphi\), então \(\varphi(x_{k+1})=\lambda\,\varphi(x_k)\) ao longo de qualquer trajetória — a autofunção evolui linearmente.

Expandindo \(x=\sum_i \varphi_i(x)\,v_i\) (os \(v_i\) são os modos de Koopman):

\[ x_k = \sum_i \lambda_i^k\, \varphi_i(x_0)\, v_i \]

Solução explícita, análoga a \(\dot x=Ax\), mas para o sistema não linear (Mezić 2005).

Da Teoria à Prática: DMD e EDMD

DMD (Schmid 2010): usa \(\phi(x)=x\), ajusta \(A\) tal que \(x_{k+1}\approx Ax_k\). Só funciona se a dinâmica já for quase linear.

EDMD (Williams, Kevrekidis, et al. 2015): enriquece com uma biblioteca \(\phi_1,\dots,\phi_n\) (monômios, RBFs, …) e ajusta \(K\) por mínimos quadrados:

\[ K = \arg\min_{K} \sum_{k} \| \phi(x_{k+1}) - K\, \phi(x_k) \|_2^2 \]

Da Identificação ao Controle

Com o preditor linear \(z_{k+1}=Kz_k+Bu_k\) (\(z=\phi(x)\)), técnicas lineares se aplicam a uma planta não linear:

Importante

A escolha da biblioteca de observáveis determina a qualidade do controlador — não há receita universal (Brunton et al. 2022).

Referências

Brunton, Steven L., Marko Budišić, Eurika Kaiser, e J. Nathan Kutz. 2022. «Modern Koopman Theory for Dynamical Systems». SIAM Review 64 (2): 229–340. https://doi.org/10.1137/21M1401243.
Koopman, Bernard O. 1931. «Hamiltonian Systems and Transformation in Hilbert Space». Proceedings of the National Academy of Sciences 17 (5): 315–18. https://doi.org/10.1073/pnas.17.5.315.
Korda, Milan, e Igor Mezić. 2018. «Linear Predictors for Nonlinear Dynamical Systems: Koopman Operator Meets Model Predictive Control». Automatica 93: 149–60. https://doi.org/10.1016/j.automatica.2018.03.046.
Mezić, Igor. 2005. «Spectral Properties of Dynamical Systems, Model Reduction and Decompositions». Nonlinear Dynamics 41: 309–25. https://doi.org/10.1007/s11071-005-2824-x.
Schmid, Peter J. 2010. «Dynamic Mode Decomposition of Numerical and Experimental Data». Journal of Fluid Mechanics 656: 5–28. https://doi.org/10.1017/S0022112010001217.
Williams, Matthew O., Ioannis G. Kevrekidis, e Clarence W. Rowley. 2015. «A Data-Driven Approximation of the Koopman Operator: Extending Dynamic Mode Decomposition». Journal of Nonlinear Science 25: 1307–46. https://doi.org/10.1007/s00332-015-9258-5.
Williams, Matthew O., Clarence W. Rowley, e Ioannis G. Kevrekidis. 2015. «A Kernel-Based Method for Data-Driven Koopman Spectral Analysis». Journal of Computational Dynamics 2 (2): 247–65. https://doi.org/10.3934/jcd.2015005.