Frank Pörner

• Ill-posed optimization problems appear in a wide range of mathematical applications, and their numerical solution requires the use of appropriate regularization techniques. In order to understand these techniques, a thorough analysis is inevitable. The main subject of this book are quadratic optimal control problems subject to elliptic linear or semi-linear partial differential equations. Depending on the structure of the differential equation, different regularization techniques are employed, and their analysis leads to novel results such asIll-posed optimization problems appear in a wide range of mathematical applications, and their numerical solution requires the use of appropriate regularization techniques. In order to understand these techniques, a thorough analysis is inevitable. The main subject of this book are quadratic optimal control problems subject to elliptic linear or semi-linear partial differential equations. Depending on the structure of the differential equation, different regularization techniques are employed, and their analysis leads to novel results such as rate of convergence estimates.…
• This thesis deals with the construction and analysis of solution methods for a class of ill-posed optimal control problems involving elliptic partial differential equations as well as inequality constraints for the control and state variables. The objective functional is of tracking type, without any additional \(L^2\)-regularization terms. This makes the problem ill-posed and numerically challenging. We split this thesis in two parts. The first part deals with linear elliptic partial differential equations. In this case, the resultingThis thesis deals with the construction and analysis of solution methods for a class of ill-posed optimal control problems involving elliptic partial differential equations as well as inequality constraints for the control and state variables. The objective functional is of tracking type, without any additional \(L^2\)-regularization terms. This makes the problem ill-posed and numerically challenging. We split this thesis in two parts. The first part deals with linear elliptic partial differential equations. In this case, the resulting solution operator of the partial differential equation is linear, making the objective functional linear-quadratic. To cope with additional control constraints we introduce and analyse an iterative regularization method based on Bregman distances. This method reduces to the proximal point method for a specific choice of the regularization functional. It turns out that this is an efficient method for the solution of ill-posed optimal control problems. We derive regularization error estimates under a regularity assumption which is a combination of a source condition and a structural assumption on the active sets. If additional state constraints are present we combine an augmented Lagrange approach with a Tikhonov regularization scheme to solve this problem. The second part deals with non-linear elliptic partial differential equations. This significantly increases the complexity of the optimal control as the associated solution operator of the partial differential equation is now non-linear. In order to regularize and solve this problem we apply a Tikhonov regularization method and analyse this problem with the help of a suitable second order condition. Regularization error estimates are again derived under a regularity assumption. These results are then extended to a sparsity promoting objective functional.…
• Diese Arbeit beschäftigt sich mit der Konstruktion und Analyse von Lösungsverfahren für schlecht gestellte Steuerungsprobleme. Die Nebenbedingungen sind in der Form von elliptischen partiellen Differentialgleichungen, sowie Ungleichungsrestriktionen für die Steuerung und den zugehörigen Zustand gegeben. Das Zielfunktional besteht aus einem Tracking-Type-Term ohne zusätzliche \(L^2\)-Regularisierungsterme. Dies führt dazu, dass das Optimalsteuerungsproblem schlecht gestellt ist, was die numerische Berechnung einer Lösung erschwert. DieseDiese Arbeit beschäftigt sich mit der Konstruktion und Analyse von Lösungsverfahren für schlecht gestellte Steuerungsprobleme. Die Nebenbedingungen sind in der Form von elliptischen partiellen Differentialgleichungen, sowie Ungleichungsrestriktionen für die Steuerung und den zugehörigen Zustand gegeben. Das Zielfunktional besteht aus einem Tracking-Type-Term ohne zusätzliche \(L^2\)-Regularisierungsterme. Dies führt dazu, dass das Optimalsteuerungsproblem schlecht gestellt ist, was die numerische Berechnung einer Lösung erschwert. Diese Arbeit ist in zwei Teile aufgeteilt. Der erste Teil beschäftigt sich mit linearen elliptischen partiellen Differentialgleichungen. In diesem Fall ist der zugehörige Lösungsoperator der partiellen Differentialgleichung linear und das Zielfunktional linear-quadratisch. Um die zusätzlichen Steuerungsrestriktionen zu behandeln, betrachten wir ein iteratives Verfahren welches auf einer Regularisierung mit Bregman-Abständen basiert. Für eine spezielle Wahl des Regularisierungsfunktionals vereinfacht sich dieses Verfahren zu dem Proximal-Point-Verfahren. Die Analyse des Verfahrens zeigt, dass es ein effizientes und gut geeignetes Verfahren ist, um schlecht gestellte Optimalsteuerungsprobleme zu lösen. Mithilfe einer Regularitätsannahme werden Konvergenzraten für den Regularisierungsfehler hergeleitet. Diese Regularitätsannahme ist eine Kombination einer Source-Condition sowie einer struktuellen Annahme an die aktiven Mengen. Wenn zusätzlich Zustandsrestriktionen vorhanden sind, wird zur Lösung eine Kombination aus dem Augmented Lagrange Ansatz sowie einer Tikhonov-Regularisierung angewendet. Der zweite Teil dieser Arbeit betrachtet nicht-lineare partielle Differentialgleichungen. Dies erhöht die Komplexität des Optimalsteuerungsproblem signifikant, da der Lösungsoperator der partiellen Differentialgleichung nun nicht-linear ist. Zur Lösung wird eine Tikhonov-Regularisierung betrachtet. Mithilfe einer geeigneten Bedingung zweiter Ordnung wird dieses Verfahren analysiert. Auch hier werden Konvergenzraten mithilfe einer Regularitätsannahme bestimmt. Anschließend werden diese Methoden auf ein Funktional mit einem zusätzlichen \(L^1\)-Term angewendet.…