Системный анализ в управлении - Анфилатов В.С., Емельянов А.А., Кукушкин А.А. (под ред. Емельянова А.А
.).pdfОсновы управления |
231 |
У а
Рис. 4.4. Интерполирование функции полиномом: 1 - верхнее ограничение у =f(x) + £; 2 - функция у =/{х);
3-полином 7 = Р(х) ; 4 - нижнее ограничение у=/{х)—Е
При таком представлении процесса интерполирования ста новится понятно, что экстраполирование - это процесс вычисле ния значения функции, находящегося за пределами ряда задан ных значений.
Экстраполирование нужно применять с осторожностью. Но если известно, что функция около концов данного ряда значений изменяется плавно, и если Дх берется достаточно малым, то мож но спокойно экстраполировать на расстояние Дл: за пределами ряда имеющихся значений.
Для проведения интерполирования существует ряд формул, рассматриваемых в численных методах математического анали за. При их применении в прогнозировании следует учитывать, что если число точек х^, х,, Xj,..., х^ неограниченно возрастает, то интерполирующий пблином превращается в бесконечный ряд, называемый интерполяционным рядом. И подобно тому как сте пенной ряд сходится внутри и расходится во вне некоторого оп ределенного интервала, так и интерполяционный ряд сходится к
232 Глава 4
заданной функции внутри некоторого интервала и перестает к ней сходиться вне его.
Поскольку увеличение периода упреждения прогноза Дл: вле чет за собой увеличение степени неопределенности процессов развития системы, то в методах экстраполяции выделяют статис тические методы.
Статистические методы прогнозирования опираются на те орию вероятностей, математическую статистику и теорию слу чайных процессов.
К статистическим методам прогнозирования относят:
•методы многофакторного анализа (регрессионные модели, адаптивное сглаживание, метод группового учета аргументов, имитационные модели, многомерная фильтрация и др.);
•методы однофакторного прогнозирования (экспоненциаль ное сглаживание, метод скользящего среднего, метод разностных уравнений, спектральные методы, метод марковских цепей, оп тимальные фильтры, сплайн-функции, метод авторегрессии и др.).
Теория случайных процессов имеет дело с исследованием структуры семейств случайных величин Л',, где / - параметр, при надлежащий множеству Т. Случайные процессы, у которых Т- [О, оо), особенно важны для прогнозирования. При этом / ин терпретируется как время. Реализацией, или выборочной функ цией, случайного процесса {Х^, teT} является функция, ставя щая в соответствие каждому t е Т одно из возможных значений А',. Множество параметров Г может быть дискретным, а {Х^} мо жет при этом представлять исходы последовательных испытаний, таких, как результаты бросаний монеты, последовательность со стояний системы при различных воздействиях и др. Например, в случае когда Х^ является исходом и-го бросания монеты, возмож ные результаты образуют множество{1, 2, 3, 4, 5, 6}, а одной из типичных реализаций процесса является последовательность 5,1,2,2,4,1,6,3,6,....
Другим весьма важным примером случайного процесса, не прерывного по времени (Г= [О,«)), является пуассоновский про цесс. Его выборочная функция Z, представляет собой число ре гистрации наступления некоторого события за период от О до текущего момента времени /. Очевидно, всякая возможная реа лизация Х^ есть неубывающая ступенчатая функция. Общее чис ло наступлений события возрастает только единичными скачка-
Основы управления |
233 |
ми, а ZQ = 0. Конкретными примерами наблюдаемых величин, образующих подобного рода процессы, являются число телефон ных вызовов из данного района, число происшествий на данном перекрестке, число ошибок на странице машинописного текста и т.д. Свойствами пуассоновских процессов являются:
•независимость числа наступлений события в некотором интервале от числа наступлений этого события в любом другом, не пересекающемся с ним интервале;
•вероятность того, что за период времени h произойдет по
меньшей мере одно событие, есть pQi) = ah + o{h), h -^0, a> О, причем g(t) = o{t) при /-> О означает, что lim g{t) It = 0;
• вероятность того, что за время h произойдут два или более событий, есть o{h), что означает невозможность одновременного появления двух и более событий.
Если перечисленные условия выполняются, то в качестве про гноза может быть получена вероятность Р^ (/) того, что за время t произойдет ровно т событий. Эта вероятность равна
, . at |
-at |
ml |
|
где a - параметр процесса, причем p{h)l h—* а.
В частности, среднее число наступления события за время t равно at.
Модель пуассоновских процессов совместно с порядковыми статистиками используется для решения задачи о баллотировке (выборах). Многомерные пуассоновские процессы используют ся в астрономии.
Одной из основных моделей случайных процессов, использу емой в прогнозировании, является модель марковских цепей. Такими моделями описывается большое количество физических, биологических, экономических, технических и других явлений.
Дискретная марковская цепь представляет собой марковский случайный процесс, пространство состояний которого счетно или конечно. Кроме того, множество индексов Т^ (1, 2, 3 ...).
Марковский процесс - это процесс, обладающий тем свой ством, что если известно значение случайной величины Х^, то зна чения Х^, s > /, не зависят от Х^, и < t, другими словами, вероят-
234 |
Глава 4 |
ность любого события, связанного с будущим поведением про цесса, при условии, что его настоящее состояние точно известно, не изменится, если учесть дополнительную информацию относи тельно прошлого этого процесса.
Формально процесс является марковским, если
P{a<X<b\x,^=x^,X^-x„...,X^ = x^,}=P{a<X<b\x^-x^,} при t^<t^< ... г„ < t.
Классическими примерами цепей Маркова являются процес сы рождения и гибели (прогнозирование численности популяции организмов), ветвящиеся процессы (моделирование электронных умножителей, развитие нейтронной цепной реакции, развитие биологических систем), броуновское движение (физические и со циальные процессы), вероятностные модели мутаций и роста, модели иммиграции и роста популяции, описание генетического механизма, модели экологических процессов, системы массово го обслуживания.
При использовании моделей случайных процессов предпола гается знание законов распределения случайных величин. К со жалению, во многих реальных системах, в частности в ИС, зна ние этих законов не полно. В таких условиях применяются мето ды прогнозирования, основанные на неравенстве Чебышева, пред ставляемом как
р{Х->а)< М 1а, а>0
или как
|
р(\Х-М I >а)< D /а\ а>0. |
где М^ - |
математическое ожидание; |
D^ - |
дисперсия случайной величины. |
Особенность приведенных выражений заключается в том, что они способны аппроксимировать любой закон распределения и, следовательно, заменить его собой. Достаточно знать только М^ и D^, чтобы построить нужную аппроксимацию. При этом со храняются простота модели, умеренные требования к исходным
Основы управления |
235 |
Рис. 4.5. Логистическая кривая: у^=а/(1+Ь)
данным, однозначность рекомендаций. Однако следует понимать, что применение неравенства Чебышева дает возможность полу чить лишь ориентировочные оценки прогнозируемой величины
изатрудняет оценку погрешности прогноза.
Вслучае когда требуется получить долгосрочный прогноз развития какого-либо процесса, часто используется аппроксима ция логистической зависимостью, называемой также сигмоидальной (^-образной) функцией
у = а/(1 + Ье~'^),
где а, Ь, с - некоторые положительные величины, выбираемые в соответ ствии с имеющейся информацией об изучаемых явлениях.
Особенностью логистической кривой (рис. 4.5) является то, что существует предел а, к которому стремятся значения иссле дуемой переменной у, например, население Земли, рост произво дительности труда, уровень возбуждения искусственного персептрона в нейронных сетях, при х —>°°.
Использование логистической кривой облегчает поиск при емлемых оценок будущего. Однако следует помнить, что в жиз ненном цикле систем существуют периоды сравнительно медлен ных эволюционных изменений и периоды скачкообразных изме нений состояния.
236 |
Глава 4 |
Каких-либо универсальных формальных правил надежного прогнозирования скачкообразных изменений состояния систем
внастоящее время не существует. Однако в ряде случаев для про гнозирования таких изменений используются модели теории ка тастроф.
Влитературе описывается использование теории катастроф
воптике, лингвистике, экономике, гидродинамике, эмбриологии, экспериментальной психологии, геологии и других предметных областях. Однако имеется также много публикаций, специально посвященных критике этой теории.
Математически катастрофа, под которой понимается резкое качественное изменение системы (например, возникновение дис кретных структур из непрерывных, гладких) в ответ на плавное изменение внешних условий, описывается теориями особенностей
и бифуркаций.
Теория особенностей - обобщение исследования функций на максимум и минимум, в которых функции заменены отображе ниями (набором нескольких функций нескольких переменных). Родоначальником этой теории считается американский матема тик Уитни.
Пример особенности, называемой сборкой Уитни, которая получается при проектировании на плоскость поверхности, при веден на рис. 4.6. Эта поверхность (рис.4.6а) задана формулой y^ = x^^ + дс, Xj в пространстве с координатами (xj, Xj, j^j) и проек тируется на горизонтальную плоскость (xj, y^).
Таким образом, отображение задается в локальных коорди натах формулами
У^ = Х,3 + X, Xj , :И2 = Х2.
На горизонтальной плоскости-проекции (рис. 4.66) вьвделяется полукубическая парабола с точкой возврата (острием) в на чале координат. Эта кривая делит горизонтальную плоскость на две части: меньшую и большую. Точки меньшей части имеют по три прообраза (в них проектируются три точки поверхности), точки большей части - лишь по одному, точки кривой - по два. При подходе к кривой из меньшей части два прообраза (их трех) сливаются и исчезают (в этом месте особенность - складка), при подходе к острию сливаются все три прообраза.
Схема большинства применений теории особенностей в про гнозировании основывается на предположении, что изучаемый
Основы управления |
237 |
/
Рис. 4.6. Сборка поверхности (а) и проектирование ее на плоскость (б)
процесс описывается с помощью некоторого числа управляющих и внутренних параметров. Состояния равновесия процесса обра зуют поверхность того или иного числа измерений в этом про странстве. Проекция поверхности равновесий на плоскость уп равляющих параметров может иметь особенности. Предполага ется, что это особенности общего положения, а не исключитель ные. В таком случае теория особенностей предсказывает геомет рию «катастроф», т.е. перескоков из одного состояния равнове сия в другое при изменении управляющих параметров. Предска зания теории полностью подтверждаются экспериментом в та ких областях, как хлопки упругих конструкций, опрокидывание кораблей и др. Однако в биологии, психологии, социальных на уках как исходные предпосылки, так и выводы имеют скорее эв ристическое значение.
Слово «бифуркация» означает раздвоение и употребляется для обозначения всевозможных качественных перестроек или мета-
238 |
Глава 4 |
морфоз различных объектов при изменении параметров, от ко торых они зависят.
Например, пространство состояний нелинейной динамичес кой системы, описываемой выражением:
\х„+1=0,5-2ах1+у„; |
^^^^ |
\Уп+1=^Х„,
где п интерпретируется как момент времени, может выглядеть в зависимос ти от параметров а и р так, как это показано на рис. 4.7.
Из рис. 4.7, а видно, что на интервале времени п = [О, 2000] множество допустимых состояний системы при а = 1,4, Р = 0,2388 группируется в семь отчетливо выделяемых значений, переходя щих друг в друга (образующих предельный цикл). Прогноз со стояний системы, определяемых как совокупность значений х. и y^, i = [О, о°), в этом случае не представляет труда. Изменение ко эффициента р на небольшую величину приводит к резкому каче ственному изменению пространства состояний, когда вместо семи появляется 2 000 значений (рис. 4.7, б).
Прогнозирование состояний возможно и в этом случае, од нако носит несколько иной характер. Моделирование проводи лось в среде LabVIEW 4.0.1 на Pentium 133, Windows 95.
Нелинейная динамическая система (4.7) представляет собой модифицированное отображение Хенона (странный аттрактор) - модель детерминированного хаоса, в которой при одних и тех же значениях параметров и начальных условиях решения носят слу чайно-подобный характер. Однако при повторении тех же началь ных условий и сохранении прежних значений параметров систе мы эти случайно-подобные решения всякий раз будут повторять ся. Именно такой установившийся режим движения получил название странного аттрактора (притягивателя) - множества со стояний, которое притягивает соседние режимы в фазовом про странстве и отличается от состояния равновесия и строго периодичес1^их колебаний.
При использовании любых методов прогнозирования возни кают проблемы, связанные с оценкой качества прогноза. Эти проблемы решаются в процессе верификации прогноза - по сово купности критериев, способов и процедур, позволяющих на ос-
Основы управления |
239 |
— I |
1 1 1 1 |
1 1 |
1 1 |
i |
i |
|
i |
Г - |
О о о |
||
O O Q O O O O O Q O O |
O O |
||||||||||
o o t ^ ' 0 > « ' * m » s — О — |
|
< s m > e - |
>л |
ф |
г~ |
||||||
о' |
о" о" о" о' |
о" о |
о" о" |
о' |
о |
о |
о' |
i |
i |
i |
о о |
-т- |
т - -т- |
-г- |
s |
|
S о о о о о о о о о о о |
|||||
00 Г~ |
о
О
о
о'
_s<о
о"
<г\
О
оI"
?
I
о
о"
"Л
о
о'
L8
о",
о
?
о
afi <
II
к
S
G,
с
т
S
я
'S
л
а
•о
к
и
ч
и
о.
с
I
«
3
" о >я о
о Г-)
т II оU S sr S
S
S с
се в;
я S
S S
ч о?о о ни
о
>S и 1» 7
ж I
S VO
5
X
>s
S
X
о
в
о
и
о
09
X се
а
о
о.
с
w X
сГ о о о о о" о о о о" о о о о о' о
240 |
Глава 4 |
нове многостороннего анализа оценить достоверность, точность и обоснованность прогноза. В управлении качество прогноза может оцениваться по результату его использования для целей планирования и оперативного управления.
Общие методы верификации прогнозов пока не выработаны. Однако считается, что прогнозный доверительный интервал не может быть меньще определенной величины, зависящей от инер ционности, связности, сложности системы, устойчивости дина мики и т.д. Так, чем более инерционной является система, тем более гладкой и устойчивой представляется траектория ее изме нения, и, следовательно, вероятность попадания прогнозируемой величины в доверительный интервал больше.
В странных аттракторах из-за того, что кривизна многомер ной поверхности, по которой движется точка, отображающая состояние системы, по многим направлениям отрицательна, про исходит быстрое разбегание траекторий. Это, в свою очередь, приводит к плохой предсказуемости движения по начальным ус ловиям. В частности, из этого вытекает практическая невозмож ность долгосрочного динамического прогноза погоды: для пред сказания на 1 - 2 месяца вперед нужно знать начальные условия с погрешностью 10"^ от погрешности предсказания.
4.2.5. МОДЕЛЬ ФУНКЦИИ ПЛАНИРОВАНИЯ
Планирование представляет собой процесс последовательно го снятия неопределенности относительно структуры и характе ристик объекта управления, разделенного на два подпроцесса. Первый - это последовательность процедур преобразования, по зволяющая получить факты, характеризующие требуемое состо яние ОУ - перечень и множество допустимых значений характе ристик этого объекта. Иначе говоря, здесь формируется структу ра и диапазон значений выходных характеристик ( решается ЗПРц). Второй подпроцесс реализует выбор конкретного значе ния характеристик и способ достижения этого состояния (реша ется ЗПРд).
В основе модели процесса планирования лежит понятие ре курсии.